[发明专利]基于深度学习的睑板腺图像识别方法及相关设备

说明书

本发明提出了一种基于深度学习的睑板腺图像识别方法及相关设备，在对采集到的原始睑板腺图像进行预处理，得到待识别睑板腺图像后，一方面可以输入图像分割模型进行自动语义分割，获得待识别睑板腺图像中睑板腺面积，另一方面经过过滤和二值化处理后，可以对二值化图像进行轮廓提取，经过凸包拟合处理，自动确定所得睑板区域的睑板面积，相对于人工绘制睑板腺区域和睑板区域的处理方式，极大提高了区域识别效率和准确性，之后，本发明可以对所得睑板腺面积和睑板面积进行自动比较，获得原始睑板腺图像中的睑板腺识别结果，辅助确定睑板腺功能障碍等级，无需人工比较睑板腺面积后判断，提高了睑板腺图像识别效率和精准度。

技术领域

本发明主要涉及医学图像处理技术领域，尤其涉及一种基于深度学习的睑板腺图像识别方法及相关设备。

背景技术

睑板腺功能障碍(Meibomian Glands Dysfunction，MGD)，可引起睑缘炎，蒸发过强型干眼症等多种眼科疾病，临床医师可以在裂腺灯下直接观察睑缘形态、睑板腺开口及分泌物情况等进行诊断。由于睑板被结膜及上皮细胞覆盖，导致医师在裂腺灯下无法清晰观察到睑板腺形态的变化，这就需要结合医师丰富的临床经验进行诊断，对医师的医学技术水平要求较高，很容易因人为判断错误造成误诊。

对此，提出在近红外光照明下拍摄睑板腺图像，由医师手动绘制该睑板腺图像上睑板区域与睑板腺区域，从而据此确定睑板腺面积缺失情况。但这种人工查看并绘制睑板区域与睑板腺区域识别方式，绘制过程繁琐、费时且精准度较低，从而降低了睑板腺面积缺失情况判断准确性和可靠性。

发明内容

有鉴于此，本发明提出了一种基于深度学习的睑板腺图像识别方法，所述方法包括：获取原始睑板腺图像；对所述原始睑板腺图像进行预处理，得到待识别睑板腺图像；所述预处理包括多维度图像增强处理、滤波处理之中的至少一种；将所述待识别睑板腺图像输入图像分割模型进行语义分割，获得分割出的睑板腺区域的睑板腺面积；所述图像分割模型是基于深度学习对预设尺寸的样本图像进行迭代训练得到的；对所述待识别睑板腺图像进行过滤和二值化处理，对得到的二值化图像进行轮廓提取，经过凸包拟合处理，获得睑板区域的睑板面积；依据所述睑板腺面积和所述睑板面积之间的比较结果，输出所述原始睑板腺图像的睑板腺识别结果。

可选的，所述对所述原始睑板腺图像进行预处理，得到待识别睑板腺图像，包括：依据多尺度图像细节提升算法，获得所述睑板腺图像的多维度细节特征，按照预设特征组合方式，将所述多维度细节特征融合至所述睑板腺图像，得到第一处理图像；按照自适应直方图均衡化方式，增大所述第一处理图像的对比度，得到第二处理图像；对所述第二处理图像进行同态滤波处理，得到待识别睑板腺图像。

可选的，所述对所述第二处理图像进行同态滤波处理，得到待识别睑板腺图像，包括：对所述第二处理图像进行对数变换和频域变换处理后，得到频域睑板腺图像；利用高斯高通滤波函数，对所述频域睑板腺图像进行滤波处理后，经过频域反变换处理，得到空间域睑板腺图像；对所述空间域睑板腺图像进行指数变换处理，得到待识别睑板腺图像。

可选的，所述对所述待识别睑板腺图像进行过滤处理，包括：利用高斯滤波函数，对所述待识别睑板腺图像进行降噪和平滑处理，得到第一滤波图像；通过图像开运算，对所述第一滤波图像进行二次滤波处理。

可选的，所述对得到的二值化图像进行轮廓提取，经过凸包拟合处理，获得睑板区域的睑板面积，包括：对得到的二值化图像进行轮廓检测，提取符合预设轮廓条件的睑板轮廓；所述预设轮廓条件包括通过统计得到的睑板轮廓面积范围；对所述睑板轮廓进行凸包拟合处理，得到所述待识别睑板腺图像中的睑板区域；统计所述睑板区域的像素点个数，得到所述睑板区域的睑板面积。