[发明专利]基于深度学习的眼睑拓扑形态特征的提取方法

说明书

本发明公开了一种基于深度学习的眼睑拓扑形态特征的提取方法。具体为：采集正常人的电子数码照片，对电子数码照片进行处理后构建ROI图像训练集，将ROI图像训练集输入待训练的卷积神经网络中得到训练好的卷积神经网络；对待测的电子数码照片使用面部识别方法定位眼部感兴趣区域位置(ROI)，获得待测的ROI区域图像，将待测的ROI区域图像输入训练后的卷积神经网络输出带有眼睑轮廓线和角膜轮廓线图像，确定待测的电子数码照片的圆形比例尺、瞳孔中心，提取单眼的眼睑拓扑形态特征。本发明使用卷积神经网络对眼睑及角膜结构进行分割，并使用MeanShift聚类确定瞳孔中心后进行眼睑相关结构参数自动化计算，获得与手动测量相当的准确度。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度学习的眼睑拓扑形态特征的提取方法。

背景技术

正常的眼睑位置是实现眼球正常功能的基础，评估眼睑的形态及位置对于眼整形(例如上睑下垂，倒睫)，眼表疾病(例如暴露性角膜炎)及Graves眼病等均有重要的意义。

目前临床常用刻度尺手动测量患者的上睑边缘反射距离(MRD1)，下睑边缘反射距离(MRD2)以及睑裂大小(PF)，用于评估其眼睑位置。然而精准的测量需要测量者长期的经验以及被测量者的高度配合，同时手工测量的重现性和稳定性较差。与此同时，这些线性指标并不能全面的反映出完整的眼睑轮廓形态学特征。通过分析电子照片，能够克服手工测量重现性和稳定性差的问题，然而传统自动分析方法如Canny边界检测算法使用时会遇到睫毛的干扰，使得无法精确识别眼睑边界，同时虹膜的非正圆也使得普通的三点拟合圆心以确定瞳孔中心的方法受到一定缺陷。要实现全自动化眼睑结构分析，必须基于精准的眼睑边界识别以及瞳孔中心定位。构建基于深度学习的眼睑拓扑形态特征的提取方法，精确的使用深度卷积神经网络分割角膜及眼睑边界，定位瞳孔中心，是实现对眼睑形态特征测量评估的关键技术，在自动化以及远程对眼睑相关疾病进行诊断和评估中具有迫切的临床需求。

发明内容

为了克服背景技术中现有的问题，本发明目的在于提供一种基于深度学习的眼睑拓扑形态特征的提取方法，实现了自动识别眼睑相关结构并进行眼睑拓扑形态特征的自动测量计算。

本发明所采用的技术方案如下：

本发明包括以下步骤：

步骤1：采集正常人的电子数码照片，由电子数码照片组成面部照片数据集；

步骤2：对标注眼睑轮廓线和角膜轮廓线的电子数码照片进行处理获得二值分割图像，由所有电子数码照片的二值分割图像组成二值分割图像数据集；

步骤3：对二值分割图像数据集中的二值分割图像使用面部识别方法定位眼部感兴趣区域位置(ROI)，获得二值分割图像的ROI区域二值分割图像，由所有二值分割图像的ROI区域二值分割图像组成ROI图像训练集；

步骤4：构建基于AGN(Attention-gated Network)的卷积神经网络；

步骤5：将步骤3获得的ROI图像训练集输入步骤4的卷积神经网络，获得训练后的卷积神经网络；

步骤6：对待测的电子数码照片使用面部识别方法定位眼部感兴趣区域位置(ROI)，获得待测的ROI区域图像，将待测的ROI区域图像输入训练后的卷积神经网络，训练后的卷积神经网络输出每个像素点为角膜、眼睑和背景的分类概率，根据预设阈值判断每个像素点的分类概率，将每个像素点进行分类，由各类像素点分类后组成待测的ROI区域图像的角膜区域、眼睑区域和背景区域，最终输出带有眼睑轮廓线和角膜轮廓线图像；

步骤7：重复若干次随机选取带有眼睑轮廓线和角膜轮廓线图像中角膜轮廓线的三个像素点并拟合三个像素点所在圆的圆心，对多次拟合获得的圆心使用聚类方法确定聚类中心，将聚类中心作为瞳孔中心；