[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

说明书

本发明属于神经图像处理领域，公开一种基于拓扑结构的神经图像弯曲度估计方法，包括获取角膜神经图像信息，通过深度学习网络分隔角膜神经图像信息得到角膜神经网络片段；计算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；建立基于角膜神经图像信息的角膜神经拓扑结构；通过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；充分考虑不同角膜神经片段的形态结构和功能各异性，对不同的神经分支进行个体化分析，能够有效的将临床诊断经验和角膜神经弯曲度自动计算相结合，从而实现基于角膜神经图像的临床诊断。

技术领域

本发明属于神经图像处理领域，特别的涉及一种基于拓扑结构的神经图像弯曲度估计方法及装置。

背景技术

糖尿病目前是全球高发的全身性疾病，已经严重影响了人们的生命健康安全，早期的筛查、诊断和干预可以一定程度上降低糖尿病及其并发症的发病率，因此简单有效的诊断方法对于糖尿病的早期筛查具有非常重要的意义。研究表明，糖尿病会引起视网膜血管以及角膜神经的形态变化，且糖尿病角膜神经病变( Diabetic Corneal Neuropathy,以下简称为DCN)发生在视网膜血管病变之前。因此，基于角膜神经形态的变化对糖尿病进行早期的筛查、诊断具有非常重要的临床意义。目前在临床中，医生普遍采用体内共焦显微镜 (in vivo confocal microscopy，以下简称为IVCM) 对角膜进行扫描拍摄，用来观察角膜各层组织中神经丛的分布和形态。并通过观察角膜基底下神经纤维丛（Sub-basal nerveplexus，以下简称SBP）的形态特征来进行疾病分析。

然而目前广泛使用的IVCM设备没有自带量化角膜神经弯曲度的功能，对角膜神经的弯曲度评估很大程度上依赖于医生的临床经验。随着设备技术的不断提高和角膜神经检测的普及，角膜神经图像数据呈现爆炸式增长，因此依赖专家的人工诊断方式已经不能满足实际临床需求；同时由于医生临床经验的差异以及人工诊断的主观性，可能会导致不同的医生对于同一幅角膜神经病变图像给出不同的诊断结果。由此可见，基于人工诊断的糖尿病角膜神经弯曲度的评估具有诊断效率低、主观性强、复现性差以及标准不统一等缺点，容易导致出现错诊或漏诊，使患者不能够及时接受相应的治疗。

同时目前存在的角膜神经图像弯曲度自动评估方法大都针对单一的神经片段，临床上对于疾病的诊断多以整幅图像为最小单位，单支神经的弯曲度无法直接应用于糖尿病自动诊断，因此常见的方式是将图像中包含的角膜神经片段参数进行无差别聚合来实现整幅图像的弯曲度分级，然而医生在进行角膜神经弯曲度评估时实际上包含了对典型神经结构的选取，简单的使用平均法忽略了神经结构以及功能的各异性，不能够精确描述整幅图像角膜神经的弯曲度，无法直接用于相关疾病的临床检查。

发明内容

本发明目的是提供一种基于拓扑结构的神经图像弯曲度估计方法及装置，用以解决上述提到的目前存在的角膜神经图像弯曲度自动评估方法大都针对单一的神经片段，临床上对于疾病的诊断多以整幅图像为最小单位，单支神经的弯曲度无法直接应用于糖尿病自动诊断，因此常见的方式是将图像中包含的角膜神经片段参数进行无差别聚合来实现整幅图像的弯曲度分级，然而医生在进行角膜神经弯曲度评估时实际上包含了对典型神经结构的选取，简单的使用平均法忽略了神经结构以及功能的各异性，不能够精确描述整幅图像角膜神经的弯曲度，无法直接用于相关疾病的临床检查。

本发明解决其技术问题采用的技术方案是，提出一种基于拓扑结构的神经图像弯曲度估计方法，其包括以下步骤：

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；

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；

建立基于所述角膜神经图像信息的角膜神经拓扑结构；