本發(fā)明涉及圖像處理，更具體地說，本發(fā)明涉及基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評(píng)價(jià)方法。

背景技術(shù)：

1、眼底圖像是由專用眼底相機(jī)或光學(xué)相干斷層掃描（oct）技術(shù)獲取的，主要包括視網(wǎng)膜、視神經(jīng)盤、黃斑以及視網(wǎng)膜血管等關(guān)鍵解剖結(jié)構(gòu)。視神經(jīng)盤是眼底圖像中最為突出的亮黃色區(qū)域，位于眼底血管和視網(wǎng)膜神經(jīng)的源頭部位，常用于輔助青光眼等疾病的診斷；黃斑位于視網(wǎng)膜中央，是視覺最敏銳的區(qū)域，其病變可能導(dǎo)致視力下降和其他視覺障礙，常用于老年黃斑病變的診斷；而視網(wǎng)膜血管則有助于識(shí)別心血管疾病的跡象。

2、例如公告號(hào)為：cn118196218b的發(fā)明專利公開的一種眼底圖像處理方法、裝置及設(shè)備，通過對(duì)眼底圖像進(jìn)行第一分析處理，以計(jì)算確定所述眼底圖像的清晰度；對(duì)所述眼底圖像進(jìn)行第二分析處理，以計(jì)算確定所述眼底圖像的色度分布；獲得清晰的目標(biāo)場(chǎng)景圖片；基于所述眼底圖像對(duì)目標(biāo)場(chǎng)景圖片進(jìn)行風(fēng)格遷移處理，形成模糊版目標(biāo)場(chǎng)景圖片；基于所述清晰度、色度分布及模糊版場(chǎng)景圖片進(jìn)行處理，形成用于模擬所述患者看向目標(biāo)場(chǎng)景時(shí)的成像效果的模擬圖片。

3、眼底圖像在采集過程中可能由于光照不均、運(yùn)動(dòng)模糊、焦距不準(zhǔn)等因素導(dǎo)致圖像質(zhì)量下降，影響關(guān)鍵結(jié)構(gòu)（如視神經(jīng)盤、黃斑和視網(wǎng)膜血管等）的可見性和清晰度；此外眼底圖像的不同區(qū)域可能存在質(zhì)量差異，尤其是關(guān)鍵區(qū)域和普通區(qū)域之間。針對(duì)上述問題，本發(fā)明提出一種解決方案。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實(shí)施例提供基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評(píng)價(jià)方法，通過基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評(píng)價(jià)方法，以解決目前眼底圖像因質(zhì)量不均勻、關(guān)鍵區(qū)域檢測(cè)準(zhǔn)確率以及對(duì)圖像整體質(zhì)量的評(píng)估不充分的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評(píng)價(jià)方法，包括如下步驟：將獲取的oct和octa?眼底圖像劃分為若干個(gè)網(wǎng)格區(qū)域，計(jì)算每個(gè)網(wǎng)格區(qū)域的oct和octa?眼底圖像的像素值并進(jìn)行融合，得到眼底融合圖像并進(jìn)行預(yù)處理；

4、將所述眼底融合圖像輸入至眼底數(shù)字孿生模型中進(jìn)行關(guān)鍵區(qū)域的疊加和特征分割得到眼底融合圖像數(shù)據(jù)集，并將所述眼底融合圖像數(shù)據(jù)集輸入至預(yù)設(shè)的目標(biāo)檢測(cè)大模型中進(jìn)行訓(xùn)練得到眼底融合關(guān)鍵區(qū)域檢測(cè)大模型；基于所述眼底融合關(guān)鍵區(qū)域檢測(cè)大模型檢測(cè)眼底融合圖像的關(guān)鍵區(qū)域，將眼底融合圖像中劃分為關(guān)鍵區(qū)域和普通區(qū)域，并將所述關(guān)鍵區(qū)域和普通區(qū)域劃分為若干個(gè)關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像；基于圖像質(zhì)量評(píng)價(jià)指標(biāo)計(jì)算所述若干個(gè)關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)，并計(jì)算關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)；基于所述關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)與預(yù)設(shè)的質(zhì)量閾值對(duì)眼底融合圖像進(jìn)行綜合評(píng)價(jià)。

5、在一個(gè)優(yōu)選的實(shí)施方式中，所述將獲取的oct和octa?眼底圖像劃分為若干個(gè)網(wǎng)格區(qū)域，計(jì)算每個(gè)網(wǎng)格區(qū)域的oct和octa?眼底圖像的像素值并進(jìn)行融合，得到眼底融合圖像并進(jìn)行預(yù)處理，具體為：將獲取的oct和octa?眼底圖像采用配準(zhǔn)方法進(jìn)行像素對(duì)齊，得到對(duì)齊后的oct和octa?眼底圖像；將所述對(duì)齊后的oct和octa?眼底圖像按相同的方式劃分為若干個(gè)網(wǎng)格區(qū)域，得到若干個(gè)對(duì)齊后的oct和octa?眼底網(wǎng)格圖像；分別計(jì)算所述若干個(gè)對(duì)齊后的oct和octa?眼底網(wǎng)格圖像的像素值；對(duì)所述若干個(gè)對(duì)齊后的oct和octa?眼底網(wǎng)格圖像的像素值進(jìn)行加權(quán)融合，得到若干個(gè)網(wǎng)格區(qū)域的融合像素值；將每個(gè)網(wǎng)格區(qū)域的融合像素值逐網(wǎng)格拼接，得到眼底融合圖像。

6、在一個(gè)優(yōu)選的實(shí)施方式中，所述將每個(gè)網(wǎng)格區(qū)域的融合像素值逐網(wǎng)格拼接，得到眼底融合圖像，具體為：對(duì)于網(wǎng)格區(qū)域的每一行，按照從左到右的順序?qū)⒃撔械乃芯W(wǎng)格的融合像素值進(jìn)行水平拼接，得到每一行的完整融合區(qū)域；將所述每一行的完整融合區(qū)域進(jìn)行垂直疊加，得到眼底融合圖像。

7、在一個(gè)優(yōu)選的實(shí)施方式中，將所述眼底融合圖像輸入至眼底數(shù)字孿生模型中進(jìn)行關(guān)鍵區(qū)域的疊加和特征分割得到眼底融合圖像數(shù)據(jù)集，并將所述眼底融合圖像數(shù)據(jù)集輸入至預(yù)設(shè)的目標(biāo)檢測(cè)大模型中進(jìn)行訓(xùn)練得到眼底融合關(guān)鍵區(qū)域檢測(cè)大模型，具體為：將所述眼底融合圖像與患者實(shí)際圖像進(jìn)行結(jié)合，得到患者的眼底孿生虛擬體；采用所述患者的眼底孿生虛擬體的幾何功能特征數(shù)據(jù)庫，匹配所述眼底融合圖像中的關(guān)鍵區(qū)域進(jìn)行關(guān)鍵區(qū)域的疊加，所述關(guān)鍵區(qū)域指的是黃斑區(qū)域、視神經(jīng)乳頭區(qū)域以及血管密集區(qū)域；在眼底數(shù)字孿生模型中使用深度學(xué)習(xí)分割算法對(duì)關(guān)鍵區(qū)域進(jìn)行細(xì)粒度分割，得到關(guān)鍵區(qū)域的精確邊界框，并將所述關(guān)鍵區(qū)域的精確邊界框保存為預(yù)設(shè)的訓(xùn)練集格式得到眼底融合圖像數(shù)據(jù)集；將所述眼底融合圖像數(shù)據(jù)集按照預(yù)設(shè)的比例分為訓(xùn)練集和測(cè)試集，將訓(xùn)練集輸入至目標(biāo)檢測(cè)大模型中進(jìn)行大模型的訓(xùn)練，得到訓(xùn)練后的目標(biāo)檢測(cè)大模型；

8、在一個(gè)優(yōu)選的實(shí)施方式中，所述基于圖像質(zhì)量評(píng)價(jià)指標(biāo)計(jì)算所述若干個(gè)關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)，具體為：基于圖像質(zhì)量評(píng)價(jià)指標(biāo)分別計(jì)算所述若干個(gè)關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的清晰度評(píng)估值、邊緣清晰度評(píng)估值、亮度評(píng)估值；將所述清晰度評(píng)估值、邊緣清晰度評(píng)估值、亮度評(píng)估值進(jìn)行標(biāo)準(zhǔn)化，并進(jìn)行加權(quán)求和得到若干個(gè)關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)。

9、在一個(gè)優(yōu)選的實(shí)施方式中，所述計(jì)算關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)，具體為：基于若干個(gè)關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)采用幾何平均法計(jì)算得到關(guān)鍵區(qū)域圖像的第一質(zhì)量系數(shù)和普通區(qū)域的第一質(zhì)量系數(shù)；基于所述關(guān)鍵區(qū)域圖像的第一質(zhì)量系數(shù)和普通區(qū)域的第一質(zhì)量系數(shù)，計(jì)算得到關(guān)鍵區(qū)域圖像的平均質(zhì)量系數(shù)和普通區(qū)域圖像的平均質(zhì)量系數(shù)；計(jì)算所述關(guān)鍵區(qū)域圖像和普通區(qū)域圖像的圖像質(zhì)量相似性指數(shù)，并基于所述圖像質(zhì)量相似性指數(shù)得到關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)。

10、在一個(gè)優(yōu)選的實(shí)施方式中，基于所述關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)與預(yù)設(shè)的質(zhì)量閾值對(duì)眼底融合圖像進(jìn)行綜合評(píng)價(jià)，具體為：當(dāng)關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)小于預(yù)設(shè)的質(zhì)量閾值時(shí)，圖像質(zhì)量合格；當(dāng)關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)大于預(yù)設(shè)的質(zhì)量閾值時(shí)，圖像質(zhì)量不合格。

11、本發(fā)明基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評(píng)價(jià)方法的技術(shù)效果和優(yōu)點(diǎn)：

12、1.本發(fā)明通過整合患者多次采集的oct和octa眼底圖像及病理數(shù)據(jù)，結(jié)合深度學(xué)習(xí)大模型構(gòu)建眼底數(shù)字孿生模型，具有顯著優(yōu)點(diǎn)。首先，該模型實(shí)現(xiàn)了患者個(gè)性化的動(dòng)態(tài)建模，能夠精確模擬視網(wǎng)膜的解剖結(jié)構(gòu)及病變特征，提供個(gè)體化診療支持；其次，數(shù)字孿生技術(shù)生成多樣化的模擬場(chǎng)景和數(shù)據(jù)增強(qiáng)，有助于提升模型的泛化能力；第三，孿生體在數(shù)據(jù)處理過程中實(shí)現(xiàn)了自動(dòng)化標(biāo)注與特征分割，顯著提高了標(biāo)注效率和準(zhǔn)確性，減少人工干預(yù)；此外，該模型通過實(shí)時(shí)反饋機(jī)制優(yōu)化診斷和預(yù)測(cè)結(jié)果，支持復(fù)雜病變的動(dòng)態(tài)評(píng)估；最后，眼底數(shù)字孿生模型不僅提升了臨床決策的科學(xué)性和可靠性，還為疾病進(jìn)程監(jiān)控和治療方案設(shè)計(jì)提供了仿真支持，是眼科智能診療領(lǐng)域的重要?jiǎng)?chuàng)新工具。

13、2.本發(fā)明通過融合oct和octa圖像來生成高質(zhì)量的眼底融合圖像，并進(jìn)一步劃分為網(wǎng)格區(qū)域，使每個(gè)區(qū)域的細(xì)節(jié)信息更加豐富和精確。同時(shí)，關(guān)鍵區(qū)域的標(biāo)注和檢測(cè)大模型的訓(xùn)練提高了大模型對(duì)眼底病變的識(shí)別能力。在檢測(cè)階段，該方法能夠自動(dòng)識(shí)別并區(qū)分圖像中的關(guān)鍵區(qū)域和普通區(qū)域，分區(qū)域進(jìn)行處理，使分析更具針對(duì)性。通過精細(xì)劃分關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像，提升了大模型對(duì)重點(diǎn)區(qū)域的關(guān)注，有助于早期發(fā)現(xiàn)病變及高精度的病灶定位；其次，計(jì)算關(guān)鍵區(qū)域和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)，精準(zhǔn)量化不同區(qū)域的圖像質(zhì)量，幫助識(shí)別重點(diǎn)區(qū)域的清晰度和細(xì)節(jié)保留度。通過進(jìn)一步計(jì)算質(zhì)量偏差系數(shù)，能夠分析關(guān)鍵區(qū)域與普通區(qū)域之間的質(zhì)量一致性，有助于確保重要區(qū)域的成像質(zhì)量更高、更可靠。結(jié)合圖像質(zhì)量系數(shù)和偏差系數(shù)與預(yù)設(shè)質(zhì)量閾值的綜合評(píng)價(jià)，可以有效篩選出整體質(zhì)量合格且區(qū)域質(zhì)量一致性好的眼底融合圖像。這種評(píng)估方式不僅增強(qiáng)了圖像質(zhì)量控制的科學(xué)性和可靠性，還為后續(xù)的疾病診斷提供了穩(wěn)定、清晰的圖像基礎(chǔ)。