[发明专利]一种基于拓扑结构的神经图像弯曲度估计方法及装置

权利要求书

1.一种基于拓扑结构的神经图像弯曲度估计方法，其特征在于，包括以下步骤：

S1获取角膜神经图像信息，通过深度学习网络分隔所述角膜神经图像信息得到角膜神经网络片段；

S2计算所述角膜神经网络片段的弯曲度指标，采用加权平均聚合算法对所述角膜神经网络片段进行弯曲度指标聚合并得出弯曲度聚合指标；

S3建立基于所述角膜神经图像信息的角膜神经拓扑结构；

S4通过角膜神经拓扑结构对角膜神经网络片段各异性分析，采用诱导广义有序加权平均方法对弯曲度聚合指标融合得到角膜神经图像的弯曲度。

2.根据权利要求1所述的一种基于拓扑结构的神经图像弯曲度估计方法，其特征在于，所述步骤S2中“弯曲度指标”具体包括基于曲率评估指标、基于方向角变化指标和基于拱到弦的距离指标。

3.根据权利要求1所述的一种基于拓扑结构的神经图像弯曲度估计方法，其特征在于，所述步骤“S3建立基于所述角膜神经图像信息的角膜神经拓扑结构”具体包括：S301采用形态学细化算法迭代去除角膜神经外部像素，得到特定血管结构；S302采用3*3滑动窗口检测关键节点，在分叉点和交叉点处将分割图像断开，得到多个独立的血管段，并采用三次样条拟合进行中心线拟合，得到每一段神经的中心线信息；S303将每一段神经的起点和终点作为图论中的点V，根据邻域信息连接相邻的点形成图论中的边E，以此建立角膜神经网络的无向图G(V，E)；S304提取神经段的特征向量，在相邻点集处使用优势集进行特征向量聚类，并以此作为两点之间的相似性度量W，建立角膜神经的带权无向图G（V，E，W）；S305将落在图像边缘像素内的点作为起始点S，引入虚拟点并与各角膜神经树起点相连，采用最小生成树算法计算最小子图，最后去除虚拟点，得到个独立神经树，完成角膜神经的拓扑估计。

4.根据权利要求3所述的一种基于拓扑结构的神经图像弯曲度估计方法，其特征在于，所述关键节点具体包括终点节点、连接点、分叉点和交叉点。

5.根据权利要求1所述的一种基于拓扑结构的神经图像弯曲度估计方法，其特征在于，所述步骤“S4通过角膜神经拓扑结构对角膜神经网络片段各异性分析，采用诱导广义有序加权平均方法对弯曲度聚合指标融合得到角膜神经图像的弯曲度”具体为：根据角膜神经的拓扑分级信息定义优先级（I₁，I₂，…I_n），根据角膜神经长度定义优先级（L₁，L₂，…L_n）；按照优先级I L对拓扑树中各神经段进行排序，并使用IGOWA计算出神经树个体弯曲度；调整权重向量的值，可聚合出神经树个体化的弯曲度度量值；按照长度诱导广义有序加权平均对个体化的神经树进行聚合得到角膜神经图像的弯曲度。

6.一种基于拓扑结构的神经图像弯曲度估计装置，其特征在于，包括以下：

获取分析模块，用于获取角膜神经图像信息，通过深度学习网络分隔所述角膜神经图像信息得到角膜神经网络片段；

弯曲度度量模块，用于计算所述角膜神经网络片段的弯曲度指标，采用加权平均聚合算法对所述角膜神经网络片段进行弯曲度指标聚合并得出弯曲度聚合指标；

角膜神经建立拓扑模块，用于建立基于所述角膜神经图像信息的角膜神经拓扑结构；

聚合处理模块，用于通过角膜神经拓扑结构对角膜神经网络片段各异性分析，采用诱导广义有序加权平均方法对弯曲度聚合指标融合得到角膜神经图像的弯曲度。

7.根据权利要求6所述的一种基于拓扑结构的神经图像弯曲度估计装置，其特征在于，所述“弯曲度指标”具体包括基于曲率评估指标、基于方向角变化指标和基于拱到弦的距离指标。