资源类型：
申请号：
申请日期：
授权年份：
公开号：
公开日：
法律状态：
主分类号：
分类号：
摘要：
本发明提供一种基于超声波和深度学习的眼压测量方法及系统，方法包括：采集眼部超声数据、眼压数据；将连续采集的所述超声眼压数据序列进行四维超声重构，得出反映眼部内部结构立体动态变化的四维超声数据；建立四维眼部超声数据与对应眼压数据的关系模型；通过重构的四维的眼部内部结构超声数据、眼压数据以及关系模型，构建和训练LSTM神经网络眼压识别模型；基于训练好的LSTM神经网络眼压识别模型，对患者眼压进行识别并显示。本发明通过建立四维眼部超声数据与对应眼压数据关系模型，挖掘出与眼压密切相关的超声数据特征，并构建和训练LSTM神经网络眼压识别模型进行眼压识别，实现动态眼压测量，提高测量精度。
主权项：
1.一种基于超声波和深度学习的眼压测量方法，其特征在于，包括以下步骤： 通过头戴式超声设备和眼压测量设备采集眼部超声数据、眼压数据； 将连续采集的超声眼压数据序列进行四维超声重构，得出反映眼部内部结构立体动态变化的四维超声数据； 建立四维眼部超声数据与对应眼压数据的关系模型； 通过重构的四维的眼部内部结构超声数据、眼压数据以及关系模型，构建和训练LSTM神经网络眼压识别模型； 基于训练好的LSTM神经网络眼压识别模型，对患者眼压进行识别并显示； 所述建立四维超声数据与对应眼压数据的关系模型，具体为： 数据标注，将四维超声数据及对应眼压数据进行标注，按照眼压值范围将样本分为正常眼压组和病患眼压组； 特征提取与分析，对四维超声数据进行特征提取，分析不同眼压状态下眼部内部结构超声数据的特征差异，并与眼压值进行相关性分析，确定与眼压关系的特征向量； 构建关系模型，采用多元线性回归法构建超声数据特征与眼压值之间的数学模型，以特征向量为自变量，眼压值为因变量，通过训练模型确定模型参数，建立超声数据与眼压的定量对应关系； 所述对四维超声数据进行特征提取，分析不同眼压状态下眼部内部结构超声数据的特征差异，具体为： 眼部组织区域划分与定位，利用图像分割算法，通过对超声图像的不限于灰度、纹理的特征进行分析，识别出不限于角膜、前房、晶状体、玻璃体、视网膜的眼部结构的边界和范围；其中，对于角膜区域，根据其弧形结构和回声强度进行定位；前房区域依据回声特性以及与角膜和晶状体的位置关系来确定；晶状体通过其形状和回声表现进行识别；玻璃体区域以其回声特征来划分；视网膜则根据其与脉络膜之间的界面反射特征进行定位； 对每个划分后的眼部组织区域建立独立的坐标系，后续对不同区域内的特征进行精确计算和分析； 厚度变化率计算，针对每个眼部组织区域，在四维超声数据的时间维度上，计算其厚度随时间的变化率； 回声强度变化分析，统计每个眼部组织区域在四维超声数据中的回声强度分布情况，将回声强度划分为若干个区间，计算不同时刻每个区间内像素点的数量或占比； 分析在眼压变化过程中，眼部组织回声强度分布的变化趋势，计算回声强度变化的平均回声强度变化量、回声强度变化率； 纹理特征提取与分析，采用灰度共生矩阵分析方法，提取眼部组织超声图像的纹理特征，计算灰度共生矩阵的不限于对比度、相关性、能量、熵的多个特征参数，对比不同眼压状态下眼部组织纹理特征的差异； 特征相关性分析与特征向量构建，计算提取的厚度变化率、回声强度变化相关参数、纹理特征参数与眼压值之间的相关性系数，根据相关性分析结果，筛选出与眼压相关性显著的特征，构建特征向量。
