(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210487717.8 (22)申请日 2022.05.06 (71)申请人 上海美沃精密仪 器股份有限公司 地址 201100 上海市闵行区三鲁公路3279 号明浦二期7号楼1- 3楼 (72)发明人 李锦阳　王崇阳　陈蔚　 (74)专利代理 机构 北京维正专利代理有限公司 11508 专利代理师 张伟 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06T 7/13(2017.01) G06T 7/66(2017.01) G06V 10/26(2022.01)G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) A61B 5/00(2006.01) (54)发明名称 一种基于深度学习的干眼FBUT检测方法、 系 统及存储介质 (57)摘要 本申请涉及一种基于深度学习的干眼FBUT 检测方法、 系统及存储介质， 其方法包括： 实时获 取荧光素染色眼表图像； 基于多任务预测模型从 荧光素染色眼表 图像提取出睁眼图像数据和眼 表区； 根据眼表区对睁眼图像数据进行裁剪， 输 出识别样 本集； 基于快速分割模 型从识别样本集 中分割出泪膜破裂区与瞳孔区； 从瞳孔区提取出 瞳孔中心以及光学区； 根据光学区中出现泪膜破 裂区的时间记录输出光学泪膜破裂时间； 根据眼 表区中出现泪膜破裂区的时间记录输出眼表泪 膜破裂时刻； 在计算的过程中识别出瞳孔区域， 瞳孔连续动作后的图片都能参与计算并进行学 习训练， 能够稳定地识别出光学区， 得到更准确 的结果。 权利要求书2页 说明书6页 附图5页 CN 114820537 A 2022.07.29 CN 114820537 A 1.一种基于深度学习的干眼FBU T检测方法， 其特 征在于： 包括如下步骤： 步骤S1： 实时获取荧 光素染色眼表图像； 步骤S2： 基于深度卷积网络的多任务预测模型， 从所述荧光素染色眼表图像提取出睁 眼图像数据和眼表区； 根据所述眼表区对所述睁 眼图像数据进行裁 剪， 输出识别样本集； 步骤S3： 基于深度卷积网络的快速分割模型， 从所述识别样本集中分割出泪膜破裂区 与瞳孔区； 从所述瞳孔区提取 出瞳孔中心以及瞳孔中心周围设定距离范围的光学区； 步骤S4： 根据所述光学区中出现所述泪膜破裂区的时间记录输出光学泪膜破裂时间； 根据所述眼表区中出现所述泪膜破裂区的时间记录 输出眼表泪膜破裂时刻。 2.根据权利 要求1所述的基于深度学习的干眼FBUT检测方法， 其特征在于： 所述步骤S4 中还包括如下步骤： 步骤S41： 基于所述泪膜破裂区与所述光学区以及所述光学区外的区域的重叠数据， 输 出泪膜破裂区域分布 表； 步骤S42： 获取泪膜破裂标准数据； 步骤S43： 根据所述泪膜破裂标准数据将所述泪膜破裂区域分布表中出现的重叠数据 分类后输出如下分类结果： 所述光学区是否存在重叠与所述光学区外的区域是否存在重叠 的结果； 步骤S44： 根据所述分类结果输出光学泪膜破裂时间与眼表泪膜破裂时刻。 3.根据权利要求2所述的基于深度 学习的干眼FBUT检测方法， 其特征在于： 所述泪膜破 裂标准数据包括所述光学区中所述泪膜破裂区的面积占比与所述光学区外的区域中所述 泪膜破裂区的面积占比。 4.根据权利要求1所述的基于深度 学习的干眼FBUT检测方法， 其特征在于： 所述光学区 为所述瞳孔周围3.5m m‑4.5mm内的区域。 5.根据权利 要求1所述的基于深度学习的干眼FBUT检测方法， 其特征在于： 所述步骤S3 中还包括： 步骤S31： 基于深度卷积网络的快速分割模型对所述识别样本集中的眼睛图像进行分 割得到瞳孔分割结果图像； 步骤S32： 从瞳孔分割结果图像中提取 出瞳孔区域包围框； 步骤S33： 计算出 所述瞳孔区域包围框的中心得到瞳孔中心； 步骤S34： 根据所述瞳孔中心计算得到所述 光学区。 6.根据权利 要求1所述的基于深度学习的干眼FBUT检测方法， 其特征在于： 所述步骤S3 中还包括： 步骤S35： 提取所述泪膜破裂区、 所述 光学区以及所述 光学区外的区域的边 缘； 步骤S36： 根据提取的边缘在所述识别样本集中标记出所述泪膜破裂区、 所述光学区以 及所述光学区外的区域， 所述泪膜破裂区、 所述光学区以及所述光学区外的区域具有不同 标记的特 征。 7.根据权利要求1所述的基于深度 学习的干眼FBUT检测方法， 其特征在于： 使用位置与 大小均不同的多个瞳孔图像训练所述多任务预测模型与所述快速分割模型； 或者， 使用基于不同光源的多个瞳孔图像训练所述多任务预测模型与 所述快速分割 模 型。权　利　要　求　书 1/2 页 2 CN 114820537 A 28.根据权利 要求1所述的基于深度学习的干眼FBUT检测方法， 其特征在于： 所述步骤S2 中所述睁眼图像数据为相 邻的眨眼图像数据之 间时间段中处于连续睁眼状态的图像集； 校 验所述睁眼图像数据， 若 所述睁眼图像数据中含有闭眼的图像信息则重新获取所述荧光素 染色眼表图像。 9.一种基于深度学习的干眼FBUT检测系统， 其特征在于： 所述系统中运行有如权利要 求1‑8中任意一种所述的基于深度学习的干眼FBU T检测方法的可 执行程序。 10.一种存储介质， 其特征在于： 存储有如权利要求1 ‑8中任意一种所述的基于深度学 习的干眼FBU T检测方法的可 执行程序。权　利　要　求　书 2/2 页 3 CN 114820537 A 3