技术摘要：
本发明公开了一种基于眼部B超图像的晶状体关键特征定位方法，其包括获取眼部B超图像，并进行预处理，得到预处理后的B超图像及眼球坐标、晶状体坐标；再送入训练完毕的目标检测网络YOLOv3，得到眼球位置图像和晶状体位置图像；将眼球位置图像和晶状体位置图像分别代入训  全部
背景技术：
晶状体是眼球中的主要屈光结构，也是唯一具有调节能力的屈光间质。其主要作 用是对不同距离进行对焦，通过改变屈光度使观看远近物体时的眼球聚光的焦点都能准确 的落在视网膜上。定期对晶状体的状态进行检查，有助于预防晶状体出现异常，避免出现对 视神经造成永久损害的问题。 晶状体的健康状态通常依靠眼部B超图像来识别，医生根据眼部B超图像中晶状体 部分的图像，并依据经验判断病人晶状体的健康状态，但由于眼部B超图像复杂，这种判断 只能笼统地判断整体状态，对于晶状体的具体状态和特征状况，医生无法具体得知，因此， 医生很难及时给出最佳的医疗方案，以对出现异常征兆的眼部进行处理；对此部分医学研 究者以尝试通过对晶状体的特征进行区分定位，以研究晶状体浑浊的具体出现征兆和变化 规律。 由于眼部组织较为复杂，加之每位患者患病后，其眼部区域变化并非完全相同，有 的只是在晶状体的其中某一部位发生颜色会变化，有的是两个部位，有的则可能不存在明 显颜色变化，使得医学研究者在进行研究时难以准确从每张眼部B超图像中准确定位眼部B 超图像中的相应特征，并准确地将其从眼部组织中提取出来，使得医学研究者在寻找病因 时出现多种干扰因素，影响研究和试验的顺利进行。
技术实现要素：
本发明针对现有技术中的上述不足，提供了一种能够解决现有技术中晶状体特征 定位困难，影响判断的基于眼部B超图像的晶状体关键特征定位方法。 为解决上述技术问题，本发明采用了下列技术方案： 提供了一种基于眼部B超图像的晶状体关键特征定位方法，其包括如下步骤： S1、获取眼部B超图像，并进行预处理，得到预处理后的B超图像及眼球坐标、晶状 体坐标； S2、将预处理后的B超图像与眼球坐标结合后，送入训练完毕的目标检测网络 YOLOv3，得到眼球位置图像；将预处理后的B超图像与晶状体坐标，送入训练完毕的目标检 测网络YOLOv3，得到晶状体位置图像； S3、将眼球位置图像和晶状体位置图像代入训练完毕的特征提取网络组，得到分 别与眼球位置图像和晶状体位置图像对应的图像特征和特征坐标； S4、将图像特征代入训练完毕的协同学习网络，筛选得到关键图像特征； S5、将关键图像特征对应的特征坐标标注在眼部B超图像上，完成晶状体关键特征 定位。 4 CN 111598866 A 说　明　书 2/5 页 本发明提供的上述基于眼部B超图像的晶状体关键特征定位方法的主要有益效果 在于： 本发明通过设置目标检测网络对原始眼部B超图像进行处理，以解决眼球只占原 始图像的一小部分以及无关背景中强回声干扰的问题，提取眼球和晶状体对应的位置图 像。由于通过眼球区域整体进行评估和针对晶状体区域进行监测，有可能提取到不同的特 征区域，增加判断难度，通过不同特征提取网络分别提取眼球区域和晶状体区域对应的特 征，再与协同学习网络结合，有效保证特征区域定位的准确性。 本方案提供的晶状体关键特征定位方法，通过深度学习技术识别晶状体中的不同 特征，能够快速准确地对晶状体的存在异常的特征进行定位，方便进一步评估晶状体的状 态，有利于相关研究和教学参考。 附图说明 图1是本发明的方法流程图。 图2是本发明的原理图。 图3是目标检测网络YOLOv3的检测原理示意图。 图4是COI BPNN模块的逻辑结构示意图。 图5是卷积神经网络DenseNet161的逻辑结构示意图。 图6是反向传播网络BPNN的逻辑结构示意图。 图7是协同学习网络的逻辑结构示意图。