一种人工晶状体度数计算优化系统及方法

摘要: 本发明涉及医学图像处理和模式识别,特别是涉及一种人工晶状体度数计算优化系统及方法。背景技术:1、白内障摘除联合人工晶状体植入手术是目前治疗白内障的唯一有效方法。...
一种人工晶状体度数计算优化系统及方法

本发明涉及医学图像处理和模式识别,特别是涉及一种人工晶状体度数计算优化系统及方法。

背景技术:

1、白内障摘除联合人工晶状体植入手术是目前治疗白内障的唯一有效方法。人工晶状体的选择是影响白内障术后患者的视觉质量重要原因。人工晶状体的测量计算不准确会导致白内障术后屈光误差增大。一般而言,眼部生物参数测量如角膜曲率、眼轴、前房深度以及人工晶状体计算公式的选择都能影响人工晶状体度数选择的准确性。人工晶状体有效位置(effective lens position, elp)是指白内障术后的人工晶状体植入眼内的位置。术前根据选择的人工晶状体计算公式可以测算出人工晶状体度数及预测的人工晶状体位置。

2、第三代以后的人工晶状体计算公式的准确性得到明显提高,其引入术后人工晶状体位置(effective lens position, felp)的概念,通过引入更多的参数和更精确的生物测量数据,提高了人工晶状体度数计算的准确性和个性化适用性。如在hoffer q公式中,elp值是基于眼轴长度(a)常数来计算的。felp的计算公式如下:[felp = 0.58357 \timesa_常数 - 63.896 ]。( a_常数 ) 是眼轴长度(axial length, a)的常数。这个公式用于在选择了基于a常数的计算时,从a常数推导出个性化前房深度(pacd,即elp)。haigis公式通过术前测量的前房深度(acd)和眼轴长度(al)来预测iol的有效晶状体位置(elp)。haigis公式的表达式为:[ elp = a0 + a1 \times acd + a2 \times al ],公式中的( a0 )、(a1 ) 和 ( a2 )三个常数是根据不同iol类型和不同人群的临床数据得出的。各个人工晶状体计算公式的适用范围不同、实际应用中各个公式的准确度亦有差异。目前尚无一种完美的人工晶状体计算公式能够完全消除术后屈光误差。

3、白内障术后elp的预测误差的增大是导致屈光误差增加的主要原因。无论是追求眼部生物参数的测量的准确性或者优化iol计算公式的选择,其目的均是为了精准预测白内障术后的elp。因此,开发一种能够准确、快速地从通过患者术前眼前节图像自动测算白内障术后有效人工晶状体位置(elp)的方法和系统,通过生成式人工智能技术,应用患者术前图像生成白内障术后图像,获得预测elp值,优化人工晶状体计算公式的felp,达到减少白内障术后屈光误差、改善患者术后视觉质量,具有重要的意义和应用价值。

技术实现思路

1、本发明的目的是提出一种人工晶状体度数计算优化系统及方法,以解决上述现有技术存在的问题。

2、为实现上述目的,本发明提供了如下方案:

3、一种人工晶状体度数计算优化系统,包括:采集模块、测量模块、计算模块和选择模块;

4、所述采集模块,用于采集受检者的术前眼前节光学相关断层扫描图像;

5、所述测量模块,用于基于所述术前眼前节光学相关断层扫描图像,采用生成式ai技术,获取白内障的术后眼前节图像;

6、所述计算模块,用于计算所述术后眼前节图像中的elp值;

7、所述选择模块,用于将所述elp值代入人工晶状体计算公式中进行运算,获取人工晶状体度数结果。

8、可选地,所述测量模块包括:

9、数据集构建单元,用于收集术前眼前节光学相关断层扫描图像及对应的术后眼前节图像,构建训练数据集;

10、数据预处理单元,用于对所述训练数据集中的图像数据进行预处理;

11、模型训练单元,用于利用预处理后的数据集,对生成对抗网络进行训练,获取生成模型;

12、生成单元,用于将术前眼前节光学相关断层扫描图像输入所述生成模型中,生成术后眼前节图像。

13、可选地,所述模型训练单元中还设置有损失函数,用于对生成对抗网络进行训练;

14、所述损失函数包括:平均绝对误差损失和生成对抗性损失。

15、可选地,所述计算模块包括:

16、轮廓筛选单元,用于对所述术后眼前节图像进行轮廓筛选,保留前房区域的轮廓;

17、elp计算单元,用于获取所述前房区域的轮廓的质心坐标,基于所述质心坐标,计算elp值。

18、可选地,所述轮廓筛选单元中:

19、将所述术后眼前节图像转换为灰度图并二值化,同时对图像进行高斯模糊,获取二值图;

20、对所述二值图进行轮廓检测,剔除区域面积小于预设面积阈值的轮廓,剔除区域像素点平均灰度值大于预设灰度阈值的轮廓,最后保留下的轮廓即为前房区域的轮廓。

21、可选地,所述elp计算单元中:

22、遍历前房区域的轮廓上所有在质心水平线下的点,在水平方向上计算所有在质心水平线下的点与质心的距离,质心左侧最近的轮廓点即为虹膜和人工晶状体前表面的左侧接触点a,质心右侧最近的轮廓点即为虹膜和人工晶状体前表面的右侧接触点b;

23、将左侧接触点a和右侧接触点b用直线连接,将ab线段在图像的垂直方向上逐像素向下移动,同时统计移动后线段上所有像素点的灰度值之和,当灰度值之和大于预设阈值时,表明线段接触到了人工晶状体前表面,则停止移动,将线段两个端点记为c和d;

24、先获得线段cd的中点o,再获取线段cd的中垂线l,计算中垂线l与角膜区域的轮廓的交点e,oe的直线长度即为elp的距离值。

25、一种人工晶状体度数计算优化方法,应用如上所述的系统,所述方法包括:

26、采集受检者的术前眼前节光学相关断层扫描图像;

27、基于所述术前眼前节光学相关断层扫描图像,采用生成式ai技术,获取白内障的术后眼前节图像;

28、计算所述术后眼前节图像中的elp值;

29、将所述elp值代入人工晶状体计算公式中进行运算,获取人工晶状体度数结果。

30、可选地,基于所述术前眼前节光学相关断层扫描图像,采用生成式ai技术,获取白内障的术后眼前节图像包括:

31、收集术前眼前节光学相关断层扫描图像及对应的术后眼前节图像,构建训练数据集;

32、对所述训练数据集中的图像数据进行预处理;

33、利用预处理后的数据集,基于预设的损失函数,对生成对抗网络进行训练,获取生成模型;其中,所述损失函数包括:平均绝对误差损失和生成对抗性损失;

34、将术前眼前节光学相关断层扫描图像输入所述生成模型中,生成术后眼前节图像。

35、可选地,计算所述术后眼前节图像中的elp值包括:

36、对所述术后眼前节图像进行轮廓筛选,保留前房区域的轮廓;

37、获取所述前房区域的轮廓的质心坐标,遍历前房区域的轮廓上所有在质心水平线下的点,在水平方向上计算所有在质心水平线下的点与质心的距离,质心左侧最近的轮廓点即为虹膜和人工晶状体前表面的左侧接触点a,质心右侧最近的轮廓点即为虹膜和人工晶状体前表面的右侧接触点b;

38、将左侧接触点a和右侧接触点b用直线连接,将ab线段在图像的垂直方向上逐像素向下移动,同时统计移动后线段上所有像素点的灰度值之和,当灰度值之和大于预设阈值时,表明线段接触到了人工晶状体前表面,则停止移动,将线段两个端点记为c和d;

39、先获得线段cd的中点o,再获取线段cd的中垂线l,计算中垂线l与角膜区域的轮廓的交点e,oe的直线长度即为elp的距离值。

40、可选地,对所述术后眼前节图像进行轮廓筛选包括:

41、将所述术后眼前节图像转换为灰度图并二值化,同时对图像进行高斯模糊,获取二值图;

42、对所述二值图进行轮廓检测,剔除区域面积小于预设面积阈值的轮廓,剔除区域像素点平均灰度值大于预设灰度阈值的轮廓,最后保留下的轮廓即为前房区域的轮廓。

43、本发明的有益效果为:

44、本发明基于生成式ai技术,基于手术前眼前节参数预测眼球术后人工晶状体在眼球内的准确位置,进一步将该预测的人工晶状体位置用于术前优化计算白内障手术人工晶状体度数,从而提升计算的准确性。