文摘

白内障手术是一种最先进的治疗白内障手术。然而,传统的手术总是自动作业水平和较低的过分依赖外科医生的能力。或者,一个富有想象力的场景是使用视频处理和模式识别技术来自动检测白内障年级和智能控制操作时超声能量的释放。与白内障的分级诊断系统与静态图像、复杂背景、意想不到的噪音,和多样的信息总是动态的视频介绍手术。在这里,我们开发一个视频Eo-Based智能Recognitionand决定(VE鸟)系统,它通过提供一个通用框架,开辟了新天地自动跟踪操作过程和分类白内障超声乳化白内障手术显微镜视频的年级。VE鸟有一个健壮的眼睛(iris)探测器随机霍夫变换来精确定位眼睛在噪声背景下,一个有效的探测跟踪与Tracking-Learning-Detection之后跟踪操作探针在动态过程中,和一个聪明的决定人歧视学习终于认识到白内障年级在复杂的视频。实验用各种超声乳化吸出术的显微镜视频验证VE鸟的有效性。

1。介绍

白内障失明的最重要的原因,开发的“湿润”或不透明度在人类眼睛的晶状体,百叶窗或削弱成千上万的世界各地的人们的视觉(1]。它通常是由于老化,但许多其他原因如基因(2)、创伤、吸毒、辐射和药物。世界卫生报告由世界卫生组织(世卫组织)发表表明白内障患者的比例在全球失明增加迅速从1998年的43% (3)2002年的47.8% (4),这意味着在2002年大约有1800万人患有白内障。基于发达不透明的地方,老年性白内障分为三类:后囊下的白内障,皮质性白内障、核白内障(5]。其中,核白内障是最常见的一种类型,这是本文的重点。

医学上来说,囊外白内障摘除术的白内障手术是一种传统的手工处理坚硬的白内障;与此同时乳化是使用最广泛的手术相对柔软的白内障。有几个典型的超声乳化吸出手术步骤的操作,例如,麻醉剂,角膜切口,撕,超声乳化,灌溉和抱负。白内障的手术,手术的关键步骤之一,可以总结如下6,7]。首先,外科医生观察病人的情况通过显微镜的白内障。接下来,年级的不透明度严重核白内障决定和分配由外科医生根据自己的临床经验。同时,适量的超声能量释放他的脚下。前面的白内障探测器逐渐乳化。相比传统的囊外白内障摘除术的手术,白内障手术有许多优点:小切口,手术时间短,快速恢复,不需要住院,少量的散光,减少术后访问(7]。然而,乳化步骤是强烈依赖于眼科医生的高技能和长期临床经验,现在是普及的主要障碍常用乳化操作仪器,特别是在小医院和农村。

一个至关重要的因素是关键设备,超声乳化仪器,这不是一个自动控制机器。在一些计算机辅助系统,只有病人的眼睛捕获的图像的易读性外科医生,但晶状体核硬度水平和手动超声能量释放的数量仍取决于手术运营商通过比较图像与几个标准照片(8- - - - - -10]。这些半自动系统要求外科医生有很高的技能和丰富的经验来确定硬度级别之后释放适量的超声能量。与此同时,也有一些其他的研究成果与几个自动分级系统建立了定量地测量不透明程度(11- - - - - -14]。具体来说,邓肯等人首次提取的三个特性,即核平均灰度,后点的斜率,部分剩余的多项式最小二乘回归,然后训练一个神经网络分类器确定核不透明的等级(13]。风扇等人发现了视轴,确定了眼具有里程碑意义的特性,构建了一个线性回归模型分类核硬度(14]。同样,李等人提出了一个计算机辅助方法,核白内障分级使用排名从裂隙灯图像在白内障诊断系统(15,16]。在他们的方法中,一个年级指示核白内障的严重程度排名是通过一些学习和预测技术,而不是手动分配由一个训练有素的眼科医生。在年级的排名后,执行常规临床决策过程。实际上,所有这些自动分级系统是基于静态图像,有助于诊断白内障和认识到白内障治疗之前年级。然而,正如我们所知,白内障年级通常随超声乳化手术的过程。因此,它是具有挑战性的智能跟踪等级的白内障和分类的动态视频操作。

理想情况下,最终的目标是开发一个智能系统支持自动识别白内障超声乳化手术品位和释放超声能量在其操作过程但不是简单地诊断疾病治疗之前。这第一步,“虚拟现实”是自动检测白内障位置,跟踪操作探测和分类的白内障超声乳化吸出术的真正显微镜视频手术。因此,与白内障评分的不透明度严重白内障诊断系统与静态裂隙灯图像,在多媒体的理解乳化手术,有几种典型的挑战。首先,复杂背景总是生成不仅由白内障眼还手术操作。第二,动态手术介绍复杂噪声与眼科医生的操作,例如,组织变化、光照变化,和探针移动。第三,白内障不同年级在手术过程。例如,白内障年级将变得越来越低,能量释放在同一位置。在其他一些情况下,白内障年级会突然变化从一个地方到另一个移动探测器在手术时6]。

据我们所知,很少有研究成果(17)利用智能视频分析和模式识别技术来提高自动化水平的超声乳化手术。在本文中,我们开发一个视频Eo-Based智能识别和决策(VE鸟)系统,它提供了一个通用框架自动跟踪操作过程和信息分类的白内障超声乳化白内障手术显微镜视频的年级。这些显微镜视频记录操作过程由外科医生在病人的眼睛。在VE鸟,首先一个健壮的眼睛(iris)探测器是由随机霍夫变换和精确定位眼睛在背景噪音。接下来,一个有效的探测跟踪学习Tracking-Learning-Detection (TLD) [18)和动态跟踪手术过程中手术探查。最后,一个明智的决策者是歧视学习算法和训练准确认识到白内障年级在复杂的视频。我们充分利用最近的视频分析和模式分类技术是适应超声乳化手术情况。具体来说,我们提出一种改进的随机霍夫变换方法强劲与噪声检测椭圆。一种自适应TLD构造方法也可以处理这个问题,调查很容易被认为是背景。此外,VE鸟已尝试了各种真实的超声乳化手术显微镜视频,和实验结果表明,VE鸟有潜力能够减少白内障手术的复杂性和可用于提高未来晶状体超声乳化吸出仪器的自动化水平。

2。方法

2.1。V的框架E鸟

立刻,VE鸟使用图像处理、对象跟踪和模式识别技术来检测眼睛(眼睛检测),跟踪乳化调查(调查跟踪),并认识到白内障年级(白内障评分)。该系统的框架如图1表示,白内障评分由特性,白内障识别、和晶状体核硬度分类。在图1眼睛,绿色的椭圆代表检测(iris),黄色矩形显示了跟踪调查,和红色的矩形是白内障分级提取组织的位置。

在VE鸟,首先,眼睛检测是由眼部探测器采用一种改进的随机霍夫变换方法。椭圆检测的改进的霍夫变换是健壮的噪音和变形。调查跟踪器是进行有效地跟踪乳化探针的眼睛区域。跟踪器是由一个自适应TLD方法,可以明显区分前景和背景,因此精确跟踪对象(探针)的视频。此外,这个在线跟踪算法可以方便地修改和容易在未来真正的超声乳化手术中使用。接下来,使用一个明智的决策者认识到白内障年级。在这最后白内障评分步骤中,特性从组织中提取图像在乳化前探头位置;组织和硬度级别(白内障)年级预计通过歧视学习分类器和支持向量机(svm) [19,20.]。具体来说,最后预测过程分为两个子步骤。第一个步骤是白内障识别,标识是否组织是正常的。另一个是晶状体核硬度分类,分类的硬度等级白内障。在拟议的系统中,这些分类器的训练数据库是由图片取自真实的超声乳化吸出及核不透明度的年级的显微镜视频注释由经验丰富的眼科医生。

我们的系统可以用概率理论来解释如下。我们定义从第一帧的图像,随着等级的核从第一帧不透明度,的眼睛从第一帧检测的结果,从第一帧跟踪调查的结果。为简单起见,下标可以删除。然后,我们的目标是得到。基于总概率定理,我们得到以下方程:

然后,我们假设只有一个眼睛检测和调查跟踪的结果是可能的。我们得到以下方程:

根据总概率可以被进一步分解定理和假设只有一个眼睛检测的结果是可能的。考虑

最后,我们得到的

条款,,对应于眼睛检测、跟踪调查,白内障评分。

2.2。眼睛与改进的随机霍夫变换检测

正如我们所知,霍夫变换(21)是一个重要的几何形状识别方法在图像和广泛应用于图像处理和计算机视觉。与此同时,眼睛的轮廓(iris)在显微镜的视频乳化大约可以视为一个圆。因此,霍夫变换无疑是适合识别虹膜的位置。标准霍夫变换发现圆的投票策略进行了参数空间的一个积累的过程。一般来说,当参数空间的维数很小,霍夫变换是有效的。但是计算负担变得重参数空间的维数增加。为了缓解这个问题,许多研究人员已经开发出许多变化的霍夫变换构造高维参数空间分解成一个低维使用几何属性,例如,对称[22,23]。在这些变化中,存储空间和处理时间在很大程度上减少了。相反,真正的峰值低维参数空间更容易被噪音比高维参数空间。随机霍夫变换(24,25)是一个解决方案在一定程度上缓解这个问题。然而,它仍然是容易受噪声影响复杂的图像和视频。霍夫变换的另一个缺点是,它可能会失败的形状检测和识别形状畸变发生时。例如,病人虹膜的形状可能不同(从一个圆椭圆)在手术期间,和虹膜的轮廓的变化有时是类似于一个椭圆。结果,圆检测可能不识别虹膜在动态情况下的形状。

为了应对上述挑战,我们提出一种改进的随机霍夫变换检测圆和椭圆检测VE鸟。这种改进的随机霍夫变换限制抽样点之间的距离与域先知先觉。此外,我们还设计了一个级联检测方法结合圆检测和椭圆检测在很大程度上减轻计算负担的眼睛检测系统。

2.2.1。改进的随机霍夫变换

在笛卡儿坐标系统,圆锥曲线的方程 在哪里代表一个像素的坐标在二维空间(例如,一个图像),是参数,。的判别可用于圆锥曲线进行分类。如果,代表一个椭圆方程。一个椭圆,因为,,(5可以转换成)

这个简单的数学变换后,相关参数的数量减少到5。然后,只有五个不同的点会确定一个参数向量。随机霍夫变换的点随机样本组由5分从图像的边缘。如果一个参数向量和点可以满足一组(6),积累发生在参数空间。之后,发现参数空间的峰值代表真正的现有椭圆图像。为了减少消耗时间和存储参数空间的大小通过寻找山峰,5-dimension参数空间可以流离失所五1维参数空间,这是真正适合图像包含一个椭圆(26]。

一般情况下,图像的噪声是轻微的和椭圆检测相对清晰,随机霍夫变换具有很好的性能。然而,当图像与沉重的噪音(见一个例子如图2),随机霍夫变换总是失败。在随机霍夫变换,一旦五noncollinear随机选择采样点,五个参数(6)计算和投票过程参数空间进行。实际上,这种漫无目的的随机抽样步骤介绍了大量的无效采样和积累步骤进一步导致减少眼睛检测的精度和运行时。特别是,我们在图直观地展示这个劣势3。在这里,实线椭圆代表真正的现有的椭圆上的点下降。这一点是一个噪声点影响椭圆检测的结果。如果一起5点取样,虚线椭圆检测和错误的参数是累积的。

因此,我们的目标是提高该算法采样控制策略,提出一种改进的随机霍夫变换方法。与无目标的随机抽样策略在传统的方法中,我们添加一个约束,每一对采样点必须不低于特定的阈值(如图3由一个虚线圆)。我们可以观察到错误发生在随机霍夫变换是避免因为点和点太接近采样在一起。真正的点和点之间的距离往往是短的。很容易得到一个大偏差时,参数计算了一组相互靠近的点。因为我们没有样本点太近,眼睛检测的准确性在很大程度上改善。

请注意,运行时的圆检测椭圆检测要快得多。因此,费时使用椭圆检测。为了缓解这个问题,我们设计一个级联检测方法结合椭圆检测和圆检测。在这个简单的级联检测策略,圆检测是第一个用于定位眼睛(iris)。如果圆检测失败,然后利用椭圆检测进一步检测和定位。

2.3。与自适应Tracking-Learning-Detection探测器跟踪

在文献中,很少有技术的探测跟踪超声乳化手术。Baldas等人提出了一个简单和直接的跟踪算法(27]。他们第一次被阈值颜色眼睛区域。然后探测器检测到直线的眼睛区域。与此同时,对象跟踪是计算机视觉的一个广泛的研究领域。大量的对象跟踪调查的方法和系统。提出了许多有效的算法,如锥体Lucas-Kanade(路)追踪28),粒子滤波(29日],tracking-by-detection [30.]。具体来说,Tracking-Learning-Detection (TLD)方法(18突出显示的最近的一个。在VE鸟,我们设计一个自适应TLD的方法来定位和跟踪调查,结合先验知识自适应区分前景和背景。

2.3.1。Tracking-Learning-Detection

在第一帧,真正的探针的位置是手工注释。后来调查相应的跟踪。有三个组件的框架Tracking-Learning-Detection,也就是说,跟踪器,探测器,学习。的任务跟踪器估计对象的运动和连续帧之间的预测对象在未来帧的位置。探测器是用来检测物体在没有任何信息的其他帧一帧。学习组件的估计误差跟踪器和探测器并生成训练数据探测器。TLD的最终输出结果的结合跟踪器和探测器。

跟踪器在TLD框架中间流跟踪(31日]。对象的位置估计的小说,Forward-Backward错误。的对象是由一个边界框表示数量的点是随机生成的。首先,点在下一帧的位置由锥体Lucas-Kanande预测(路)追踪28]。然后在当前帧的位置点预计落后的基础上预测位置在下一帧由锥体路追踪。最后,对这两组的点的距离比较,和点被认为是不正确的,如果他们明显不同。这个边界框包含所有正确的点是最后的跟踪器的输出。

探测器TLD框架由一个滑动窗口扫描输入图像。然后一个级联分类器训练来决定图像补丁包含的对象。在第一阶段,补丁方差计算和分析。所有补丁,灰度值方差小于一半的方差补丁所选择的跟踪,被拒绝。接下来,在第二阶段,左补丁将进一步由系综分类的分类器。功能是一个二进制代码计算通过比较双像素随机生成离线和保持固定的运行时。每个基分类器是基于每个独立的特性。基分类器的输出是后验概率从训练数据得到。标签系综分类器输出的是根据后验概率的总和是否超过给定的阈值。级联的最后阶段是一个最近邻分类器再次确认。

学习TLD框架中的组件是一个pn学习算法(32]。使用保守的相似性和时间和空间信息,对象的位置是决定的可靠性。然后基于对象的位置非常高的信心,利用探测器的分类错误的样本更新对象模型和系综分类器。

2.3.2。自适应Tracking-Learning-Detection

在VE鸟,我们提高了TLD的特异性探针跟踪方法。在许多对象跟踪算法,并在TLD的方法,一个对象总是建模为一个矩形的形状不调查。结果,一个大的区域中包含的背景是矩形。TLD的主要影响是,通常系综分类器输出错误的标签尤其是调查仍在矩形但背景是一个小变化。这个错误很容易导致TLD作为对象缺席而跟踪。

在这里,我们构造一个自适应Tracking-Learning-Detection (TLD)方法,想法是力量系综分类器的输出轻松积极的标签。第二阶段级联探测器是关键的第一步是消除令人难以置信的样品和级联是验证的最后阶段。第二阶段是一个分类器。每个基分类器是基于每个独立的特性。基分类器的输出是后验概率。但得到的样品学习组件;因此一些特性没有覆盖在长期跟踪。相应的基分类器将输出0很长一段时间。为了避免后验概率的降低,我们根据经验选择五分之一的基分类器随机设置他们最初的后验概率为0.5。然后积极的样本数量和总数量的比例的样本得到pn的后验概率学习算法更新这些基分类器逐帧。这个简单的和自适应改进避免了错误的没有考虑到训练数据的总体情况。

2.4。白内障与支持向量机分级

眼睛检测和调查跟踪后,下面的任务是白内障评分。这里,组织图像顶部的乳化探头提取构造和特性表示。接下来,一个聪明的决定先用svm识别是否组织是正常的,然后把硬度度(级)患者的白内障。实际上,白内障超声能量的品位决定释放杆超声乳化手术。

2.4.1。组织图像提取和特征表示

在VE鸟,白内障分级系统必须实时准确识别图像和分类的组织硬度等级顶端的乳化调查。一般来说,组织图像提取和组织的特征表示图像的基本步骤。

在白内障分级,VE鸟与图像的颜色特征提取功能,因为颜色是关键信息为晶状体核硬度等级分类手术操作符。原始图像像素的RGB值通常用于构造特征。然而,在实际情况下,他们总是在不同噪声图像。因此,我们使用以下策略来提取特征向量的组织形象。首先,提取的组织形象是规范化。然后,我们进一步统一将图像分成网格。接下来,我们计算每个网格的平均颜色值作为一个特性。最后,颜色特征向量计算如下: 在哪里是一个图片,的颜色值吗th像素的,像素的总数,的平均颜色值吗th网格,网格的总数。

2.4.2。与支持向量机识别和分类

根据Emery-Little分类乳化,评分标准如表所示1。颜色特征(特征表示)与一些例子也显示在图7。我们遵循的主要标准和分类所有图片分为六类。如图1,白内障评分阶段包括两个子步骤,也就是说,白内障和晶状体核硬度分类识别。这里,识别决定组织是否正常与否,和分类决定了白内障的硬度等级。这里我们介绍的白内障识别函数避免了伤害正常组织的操作(在未来的应用程序)。此外,晶状体核硬度分类函数可以用来控制超声能量的释放,而在超声乳化手术操作。显然,一个级联分类器适用于完成分类任务。也就是说,如果一个组织图像分为正常组织(通过白内障识别),第二个分类器(分类)级不会被应用。否则,硬度等级被级联分类器的第二阶段。这种策略不仅可以降低计算复杂性,也避免伤害正常组织。具体来说,设计分类器的识别和分类支持向量机与一个RBF(径向基函数)的内核。如之前所述,所有的培训和测试图像归一化到相同的大小,以确保相同的维度提取特性(见(7))。

3所示。结果

在本节中,我们将按顺序描述眼睛检测的实验数据和实验,调查跟踪和白内障在V分级技术E鸟。我们的眼睛检测方法与随机霍夫变换方法。我们的调查跟踪方法相比,TLD。最后,我们比较白内障分级方法神经网络。

3.1。实现和数据子集进行评估

我们的系统已经在vc++中实现使用OpenCV库在2.6 GHz四核英特尔酷睿i5处理器8 GB RAM。我们使用各种真实的视频在病人的超声乳化手术显微镜的眼睛获得的一个月,从操作程序捕获的超声乳化手术从中国北京同仁医院6]。研究数据被北京同仁医院伦理委员会批准。所有的数据已经被匿名和鉴定。

我们执行3类型的实验,实验与眼睛检测,与探测跟踪实验,实验与白内障评分。因此3不同子集的显微镜视频/框架构造和注释,分别。具体地说,与眼睛检测实验,重点是评估眼睛的精确检测。所以,我们随机抽样2000视频帧的所有这些视频,然后在这个数据集执行拟议的眼睛检测方法。实验调查跟踪,5个典型的视频有超过100000架用于定量评估跟踪性能。对于白内障分级的实验,识别/分类精度是我们的目标。类似的,2000年视频帧随机选择在适当的时间间隔从视频和白内障的硬度水平每一帧由专家注释(熟练的眼科医生)。所有数据集分为训练集和测试集。详细信息如表所示2。

3.2。实验结果与检测

在VE眼睛的鸟,发现地区(iris)约束的位置探测器,然后提取前的异常组织调查进行分析。显然,检测误差会累积到下一个步骤。眼睛检测过程的一个例子是图所示4。

首先,我们展示一些定性的比较结果随机霍夫变换方法和改进的方法(见图5)。从图5,我们可以看到,当虹膜的形状不同,该方法比随机霍夫变换的标准。具体来说,如果虹膜是由一个圆,正常组织的某些部分可能在圆和其他部分很容易在圈外。此外,整个虹膜位于以来,该方法改进的标准随机霍夫变换技术可以自适应检测不同形状从圆形到椭圆形。

第二,我们也提出了一个定量的性能。虹膜的轮廓不是一个标准的圆或椭圆的标准,错误的检测结果很难量化。在这里,我们提出一个简单的特定的域策略评估检测结果。也就是说,如果虹膜检测椭圆环绕,同时它是包围spatia鼻翼iridocornealis(线分离虹膜和“白色的眼球”),则视为一个正确的结果。因此,检测的准确性提出了表中描述的技术3测试集。在大多数情况下,该方法可以正确检测整个虹膜(准确率达到了92%)。表3还表明,检测性能可以通过采样点的数量影响霍夫变换算法。一般来说,大量的采样点更好的性能。

3.3。实验结果与调查跟踪

我们用一个量化指标来评估跟踪算法,即精度()。定义重叠率(或) 在哪里是追踪的结果吗是地面真理。跟踪的结果被认为是一个正确或超过特定阈值时。在VE鸟,我们设置阈值。注意,因为我们不能注释地面真理,因为调查的规模的定义是不清楚度规”或“定义与传统相比有点放松。在这里,精度是计算 在哪里是帧的数量的跟踪结果是正确的吗是所有视频帧的总数。

定量结果的测试视频组TLD和自适应TLD方法比较表4。我们可以看到,我们的方法是相当大的改善增加超过20%的精度。自适应TLD方法获得一个更好的性能比TLD对所有视频。具体来说,视频3,对象由TLD失去,再也没有恢复过来。但是我们的自适应TLD准确可以有效地跟踪调查。我们也显示了一些典型的原始TLD之间不同的结果和自适应TLD在图的方法6。图6TLD的显示,最大的问题是它分类的一些图像探测器的负样本。例如,不同背景的外观和探测器的一个是小1223到1222帧。TLD禁用跟踪的跟踪调查和输出一个错误的负面标签,导致缺乏跟踪结果(红色矩形图6)。在自适应TLD方法中,虽然追踪未能跟踪调查,探测器运行良好。因此,调查地区相应的检索。此外,探测器更新更正确的样品更准确的长期调查跟踪VE鸟。

3.4。实验结果与白内障评分

与白内障分级实验,有两个任务,也就是说,硬度白内障识别和分类,执行和分析许多视频帧。硬度试验的分类,我们比较两种类型的分类器进行识别和分类,也就是说,最近邻分类器(NN)和支持向量机(SVM),而支持向量机是最近代表歧视方法在模式识别、机器学习等领域。此外,神经网络分类器与5的邻居,与RBF核函数支持向量机的参数决定由LIBSVM交叉验证(19]。然而,在白内障识别的实验中,我们只使用SVM分类器,因为它是一个简单的两级识别任务。

实验结果的平均识别率如表所示5,这表明,识别和分类技术有一个令人印象深刻的表现。首先,识别精度非常高,也就是说,99.2%,因为简单的任务。第二,分类精度(识别利率)的分类方法(神经网络和支持向量机)超过90%。支持向量机以96.3%具有更好的性能。因此,支持向量机分类器是最后选为晶状体核硬度分类在VE鸟。我们还为硬度分析失败的情况下分类。正如我们所知,连续和相邻等级(例如,2和3或3和4)很容易被外科医生慌乱地分类,即使是经验丰富的专家。因此,这个观察最失败的情况下也可以解释实验。也就是说,在某些时候,硬度分类决策者将分类很少连续相邻视频帧的成绩。

4所示。结论

在本文中,我们介绍了设计原则、关键技术、V和实验结果E鸟(VidEo-Based智能识别和决策系统)超声乳化白内障手术。利用各种各样的视频分析和模式识别技术,这种新技术可以智能地分析实际视频的操作过程;强劲,它检测到眼睛(iris),有效跟踪乳化探针,精确等级晶状体核硬度。具体来说,我们强调三个主要贡献的VE鸟。首先,VE鸟提供了一个通用框架(眼睛检测探头跟踪,和白内障评分)跟踪操作过程和信息分类的白内障超声乳化手术显微镜视频的年级。第二,一些新颖的技术设计VE鸟。例如,提出随机霍夫变换是强大的噪音和变形。自适应TLD方法对象(探针)跟踪很容易区分前景和背景。第三,各种实验真正的超声乳化手术显微镜视频验证VE鸟能自动有效地探测,跟踪调查,确定眼内组织,和分类晶状体核硬度。

想象一下,真正的计算机辅助系统,智能程序的超声乳化手术在未来,白内障年级(晶状体核硬度)是自动决定,和相应的超声能量的释放也自动控制。在这种情况下,外科医生只需要简单地移动和控制探针。显然,VE鸟是一个潜在的技术对这些智能计算机程序。实际上,只有2 V需要更改或添加的步骤E鸟。首先,图像/帧而不是prestorage视频但是从实时捕获的超声乳化仪器。第二,应该添加一个控制模块来决定根据硬度适当的超声能量的释放程度被白内障分级,然后乳化白内障。计算机辅助系统的帮助下,白内障手术的难度和其严重依赖高度熟练的外科医生应该显著降低。因此,这将有助于促进手术的传播,将可能的操作不仅大型和先进的医院还小,农村。当然,该系统仍有可能在某些方面的改善。首先,原子核的硬度不仅取决于颜色还有一些其他因素如形状和规模。我们将收集和注释更多的数据来改善系统。第二,大量的超声波的使用主要是由原子核的硬度决定的,但是他们不是线性相关的。我们将在下一步我他们的关系。

我们希望不断努力将有助于提高超声乳化吸出仪器的自动化水平和智能化超声乳化手术可以由普通外科医生在未来。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢Siquan朱教授北京同仁医院的数据支持。这项工作得到了国家自然科学基金(61403035,61403035,61473036)。