CN119153002A - 基于非刚性配准的老年痴呆画钟实验自动评估方法及系统 - Google Patents

Abstract

本发明提供一种基于非刚性配准的老年痴呆画钟实验自动评估方法及系统，属于人工智能技术领域，包括：步骤S1，获取被试者的画钟实验数据，并对获取得到的画钟实验数据进行预处理，得到第一点云图像；步骤S2，对第一点云图像与预设的标准模版进行非刚性配准，得到非刚性配准后的第二点云图像；步骤S3，对第二点云图像进行画钟实验分析，得到分析结果；步骤S4，依据预设的评分标准对分析结果进行打分，得到被试者的老年痴呆量表的总得分。有益效果：本发明基于机器视觉的非刚性配准方法，实现老年痴呆量表画钟实验的自动化、智能化评估，提高了评估效率和准确性，为老年痴呆患者的诊断和治疗提供更有效的辅助手段，具有广泛的应用前景。

Description

基于非刚性配准的老年痴呆画钟实验自动评估方法及系统

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于非刚性配准的老年痴呆画钟实验自动评估方法及系统。

背景技术

画钟实验(Clock Drawing Test，CDT)是一种广泛使用的神经心理评估工具，主要用于评估认知功能，尤其是在早期痴呆症(如阿尔茨海默病)的诊断中。其测试方法是通过要求被试者在纸上绘制一个钟表，给钟表填上时间数字，然后时针、分针分别指向规定的时间，用来检查被试者的理解力、动作执行能力、数字知识、计划性、抽象思维能力、图形重建能力、注意力、视觉记忆力、视空间能力等。

目前，CDT评估主要由临床医生手动完成，医生根据钟表的准确性、数字的排列、指针的位置以及整体的整洁度和协调性来评分。然而，这种人工评估方式不仅耗时费力，而且容易受到评估者主观判断的影响，导致评估结果的一致性和准确性可能存在差异。

发明内容

为了解决以上技术问题，本发明提供了一种基于非刚性配准的老年痴呆画钟实验自动评估方法及系统，使患者能更加便捷的随时进行测试，并进一步优化了自动化评估系统对钟表变形特征的理解和分析，使得评估结果更加量化和客观。

本发明所解决的技术问题可以采用以下技术方案实现：

一种基于非刚性配准的老年痴呆画钟实验自动评估方法，包括：

步骤S1，获取被试者的画钟实验数据，并对获取得到的所述画钟实验数据进行预处理，得到第一点云图像；

步骤S2，对所述第一点云图像与预设的标准模版进行非刚性配准，得到非刚性配准后的第二点云图像；

步骤S3，对所述第二点云图像进行画钟实验分析，得到分析结果；

步骤S4，依据预设的评分标准对所述分析结果进行打分，得到所述被试者的老年痴呆量表的总得分。

优选地，所述步骤S1中，所述获取被试者的画钟实验数据之后，所述对获取得到的所述画钟实验数据进行预处理之前，还包括：

对获取得到的所述画钟实验数据进行初步预处理；所述初步预处理包括：

对所述画钟实验数据进行尺寸标准化处理；和/或

对所述画钟实验数据进行灰度化处理；和/或

对所述画钟实验数据进行滤波处理；和/或

对所述画钟实验数据进行边缘增强处理。

优选地，所述对获取得到的所述画钟实验数据进行预处理包括：

使用目标检测分割模型对所述画钟实验数据进行识别，并提取出特征数据，所述特征数据包括表盘、数字、时针和分针的标签信息和位置信息；

根据所述特征数据中的位置信息，分别将所述表盘、数字、时针和分针映射到三维空间中，得到所述第一点云图像。

优选地，所述步骤S2包括：

将所述第一点云图像作为源点云，所述标准模版作为目标点云；

基于预设的点云配准算法，使用高斯混合模型对所述源点云进行拟合，所述目标点云作为所述高斯混合模型下采样生成的数据点，迭代调整高斯混合模型参数，以获得所述源点云与所述目标点云之间的非刚性配准结果，所述非刚性配准结果中包括所述第二点云图像。

优选地，所述预设的点云配准算法包括一致性点漂移算法。

优选地，所述迭代调整高斯混合模型参数还包括：

基于再生希尔伯特空间对所述高斯混合模型参数进行正则化。

优选地，所述步骤S3包括：

计算所述第二点云图像中的表盘轮廓点云中相邻两个点的欧氏距离，并将所述欧式距离的最大值与第一预设阈值进行比较，得到第一比较结果，基于所述第一比较结果确定轮廓完整度检测结果；和/或

计算所述第二点云图像中的数字点云与所述预设的标准模版中对应的数字的豪斯多夫距离，并将所述豪斯多夫距离与第二预设阈值进行比较，得到第二比较结果，基于所述第二比较结果确定数字正确性检测结果；和/或

计算所述第二点云图像中的数字点云的质心与所述预设的标准模版中对应的数字质心的欧式距离，并将所述欧式距离与第三预设阈值进行比较，得到第三比较结果，基于所述第三比较结果确定数字排序检测结果；和/或

检测指针是否完整以及检测指针是否安放正确，得到指针正确性检测结果；

其中，所述分析结果包括所述轮廓完整性检测结果、和/或所述数字正确性检测结果、和/或所述数字排序检测结果、和/或所述指针正确性检测结果。

优选地，所述检测指针是否安放正确分为时针正确性检测和分针正确性检测；其中，

所述时针正确性检测的步骤包括：

设定时针需要指向数字N，N＝1,2,3,...,12；

建立三个三维坐标系，第一坐标系以数字N与表盘圆心所连直线为X轴，第二坐标系以数字N+1与表盘圆心所连直线为X轴，第三坐标系以时针点云的质心与表盘圆心所连直线为X轴，三个三维坐标系均以表盘圆心所在竖直方向为Z轴，基于右手定则生成三个三维坐标系的Y轴；

将所述第一坐标系和所述第二坐标系分别向所述第三坐标系进行矩阵变化，若旋转角度为一正一负，则时针位置正确；否则时针位置错误；

所述分针正确性检测的步骤包括：

设定分针需要指向数字M，M＝0,1,2,3,...,59；

确定表盘圆心与数字M的质点形成的第一向量，以及表盘圆心与分针点云的质心形成的第二向量，计算所述第一向量与所述第二向量的夹角；

将所述夹角与预设角度阈值进行比较，若所述夹角超出所述预设角度阈值，则分针位置错误；否则分针位置正确。

优选地，所述步骤S4之后还包括：

步骤S5，显示所述被试者的老年痴呆量表的总得分以及所述总得分对应的认知水平。

本发明还提供一种基于非刚性配准的老年痴呆画钟实验自动评估系统，用于实施上述的基于非刚性配准的老年痴呆画钟实验自动评估方法，包括：

采集模块，用于获取被试者的画钟实验数据；

预处理模块，连接所述采集模块，用于对获取得到的所述画钟实验数据进行预处理，得到第一点云图像；

配准模块，连接所述预处理模块，用于对所述第一点云图像与预设的标准模版进行非刚性配准，得到非刚性配准后的第二点云图像；

分析模块，连接所述配准模块，用于对所述第二点云图像进行画钟实验分析，得到分析结果；

评分模块，连接所述分析模块，用于依据预设的评分标准对所述分析结果进行打分，得到所述被试者的老年痴呆量表的总得分。

本发明技术方案的优点或有益效果在于：

本发明基于机器视觉的非刚性配准方法，实现老年痴呆量表画钟实验的自动化、智能化评估，提高了评估效率和准确性，为老年痴呆患者的诊断和治疗提供更有效的辅助手段，具有广泛的应用前景。

附图说明

图1为本发明的较佳实施例中，基于非刚性配准的老年痴呆画钟实验自动评估方法的流程示意图；

图2为本发明的较佳实施例中，基于非刚性配准的老年痴呆画钟实验自动评估方法的流程示意图；

图3为本发明的较佳实施例中，基于非刚性配准的老年痴呆画钟实验自动评估系统的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

参见图1，本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种基于机器视觉的非刚性配准方法在老年痴呆画钟实验中的自动评估方法，包括：

步骤S1，获取被试者的画钟实验数据，并对获取得到的画钟实验数据进行预处理，得到第一点云图像；

画钟实验CDT是被试者根据绘制要求画出钟表来进行老年痴呆量表的评估。

首先，明确画钟实验的绘制要求。该绘制要求可以由专业医生根据评估目的和被试者情况现场给出，也可以通过系统随机生成。绘制要求中至少包括指定被试者需要绘制的时间，即时针和分针需要指向的特定时间。示例性地，以XX:XX格式表示。同时，还可限定被试者的完成时间，例如以10分钟为限。

接着，被试者根据给定的绘制要求开始绘制。绘制过程可以在传统纸张上进行，被试者使用铅笔、钢笔或其他书写工具完成钟表的绘制。绘制完成后，通过高清晰度相机或扫描仪等设备对绘制的钟表进行拍摄，将纸质图像转换为数字图像格式。或者也可以利用专门的数字设备，如数字绘图板或触摸屏等。这些设备通常配备有压力感应和位置追踪功能，能够实时记录被试者的笔触轨迹、压力变化等信息。被试者只需在设备上按照绘制要求绘制钟表，系统便会自动捕捉并保存整个绘制过程，包括手绘的时钟图像、绘制时间以及任何必要的交互信息。

一旦获取到被试者的画钟实验数据，即可进行后续的预处理。预处理包括但不限于灰度转换、尺寸标准化、去噪、边缘增强等初步预处理操作，然后基于机器学习技术(如Mark-RCNN模型)进行分割识别并提取特征，包括表盘、数字、时针和分针的标签和位置，将提取的特征图像进行点云转换，转换成第一点云图像。

画钟实验数据中的图像是二维图像，第一点云图像是三维图像。第一点云图像的Z轴坐标为0。

步骤S2，对第一点云图像与预设的标准模版进行非刚性配准，得到非刚性配准后的第二点云图像；

具体的，将第一点云图像(记作点集A)与预设的标准模版(记作点集B)进行非刚性配准，以生成一个经过变换的、与标准模版更加对齐的第二点云图像(即配准后的点集A')。非刚性配准允许点集A在保持整体结构相似性的同时，发生局部形变，以适应点集B的形状和特征。

步骤S3，对第二点云图像进行画钟实验分析，得到分析结果；

具体的，对非刚性配准后的点云图像进行画钟实验分析，包括轮廓完整性检测、数字正确性检测、数字排序检测、指针正确性检测；其中，轮廓完整性检测验证表盘是否闭合，数字正确性检测验证12个数字是否按顺序正确排放，指针正确性检测验证指针是否完整且安放在正确的位置。

步骤S4，依据预设的评分标准对分析结果进行打分，得到被试者的老年痴呆量表的总得分。

具体的，根据评分标准，对分析结果自动计算量表得分。本发明的应用前景广阔，可应用于老年痴呆量表画钟实验的自动评估系统，提高评估效率和准确性。通过本专利的实施，可以实现自动化、智能化的老年痴呆评估，为老年痴呆患者的诊断和治疗提供更有效的辅助手段。

作为优选的实施方式，其中，步骤S1中，获取被试者的画钟实验数据之后，对获取得到的画钟实验数据进行预处理之前，还包括：

对获取得到的画钟实验数据进行初步预处理；初步预处理包括：

对画钟实验数据进行尺寸标准化处理；和/或

对画钟实验数据进行灰度化处理；和/或

对画钟实验数据进行滤波处理；和/或

对画钟实验数据进行边缘增强处理。

具体的，在本实施例中，针对获取到的画钟实验数据，首先执行一系列初步预处理步骤以确保数据的一致性和分析的有效性。

预处理步骤包括但不限于：对图像进行尺寸标准化处理，将所有图像调整至预设的统一尺寸，以便于后续的统一处理；随后，对标准化后的图像进行灰度化处理，将彩色图像转换为灰度图像，减少数据量并简化分析过程；紧接着，对灰度图像进行滤波处理，采用适当的滤波算法(如高斯滤波、中值滤波等)去除图像中的噪声，提高图像质量；最后，对滤波后的图像进行边缘增强处理，通过边缘检测算法(如Canny边缘检测器)强化图像中的边缘信息，以便更清晰地识别和分析画钟实验中的关键特征。

作为优选的实施方式，其中，对获取得到的画钟实验数据进行预处理包括：

使用目标检测分割模型对画钟实验数据进行识别，并提取出特征数据，特征数据包括表盘、数字、时针和分针的标签信息和位置信息；

根据特征数据中的位置信息，分别将表盘、数字、时针和分针映射到三维空间中，得到第一点云图像。

进一步的，目标检测分割模型为卷积神经网络模型。目标检测分割模型可以采用Mark-RCNN模型。

具体的，在本实施例中，在完成对画钟实验数据的初步预处理操作后，基于卷积神经网络的目标检测分割模型，如Mark-RCNN模型，对预处理后的图像进行深度分析。

Mark-RCNN模型能够准确识别并提取出画钟实验中的关键特征数据，包括表盘、数字、时针和分针的标签信息以及其在图像中的位置信息。随后，利用这些位置信息，将识别到的元素从二维图像空间映射到三维空间中，具体做法是将每个元素(表盘、数字、时针、分针)根据其像素坐标在二维图像上的位置，设定Z轴值为0(假定图像平面为XY平面)，从而将它们转换成对应的三维点云坐标，以生成第一点云图像。

作为优选的实施方式，其中，步骤S2包括：

将第一点云图像作为源点云，标准模版作为目标点云；

基于预设的点云配准算法，使用高斯混合模型对源点云进行拟合，目标点云作为高斯混合模型下采样生成的数据点，迭代调整高斯混合模型参数，以获得源点云与目标点云之间的非刚性配准结果，非刚性配准结果中包括第二点云图像。

作为优选的实施方式，其中，预设的点云配准算法包括一致性点漂移(CoherentPoint Drift，CPD)算法。

在Open3D环境中，CPD算法是一种经典的点云配准方法，适用于处理无序点云的非刚性(非刚体)配准问题。CPD算法通过构建点云间的概率关系模型，并寻求最大化对应点对间的一致性来实现配准。具体地，算法会寻找一个概率转移矩阵和变换矩阵，将源点云(source)的点映射到目标点云(target)上，同时考虑点之间的一致性和概率分布特性，其中每个源点在目标点云上的对应位置遵循高斯分布。

具体的，在本实施例中，将第一点云图像设定为源点云，而标准模版则作为目标点云；采用预设的点云配准算法，如CPD点云配准算法，来执行非刚性配准过程。具体来说，利用高斯混合模型(GMM)对源点云进行拟合，同时视目标点云为GMM下采样生成的数据点；通过不断迭代调整GMM的参数来最大化源点云与目标点云之间的一致性，最终得到一个源点云与目标点云非刚性配准后的点云图像，即第二点云图像。

GMM参数包括：λ和β。λ用于平衡最大似然拟合的优良度与正则化之间的权重；β则控制平滑效果的强度。通过不断调整λ和β，能够在保持点云整体结构的同时，实现源点云与目标点云之间的精确对齐。

β越大代表刚性变化越强，非刚性变化越弱。

作为优选的实施方式，其中，迭代调整高斯混合模型参数还包括：

基于再生希尔伯特空间(Reproducing kernel Hilbert space，RKHS)对高斯混合模型参数进行正则化。

具体的，在本实施例中，在利用高斯混合模型GMM对源点云进行拟合的过程中，为了增强变换的平滑性并防止过拟合，引入了再生希尔伯特空间(RKHS)对GMM的参数进行正则化处理。具体而言，通过在GMM的框架内整合RKHS的正则化机制，我们能够有效地约束变换过程中的不平滑现象，确保在迭代调整GMM参数以优化源点云与目标点云之间配准效果的同时，保持变换的连续性和稳定性，从而得到既准确又平滑的非刚性配准结果。。

画钟实验分析包括轮廓完整性检测、数字正确性检测、数字排序检测、指针正确性检测。

作为优选的实施方式，其中，轮廓完整性检测验证表盘是否闭合，包括：

计算第二点云图像中的表盘轮廓点云中相邻两个点的欧氏距离，并将欧式距离的最大值与第一预设阈值进行比较，得到第一比较结果，基于第一比较结果确定轮廓完整度检测结果。

具体的，在本实施例中，利用K-D树(K-dimensional tree)原理，遍历第二点云图像中表盘轮廓点云中的每一个点，对于每个点，通过K-D树搜索其最近的K个邻居(通常K取值为2，即直接相邻的两个点)，并计算这些相邻点对之间的欧氏距离；将所有计算得到的欧氏距离进行排序，并提取出最大值；将最大值与预设的第一预设阈值进行比较：

如果最大值大于第一预设阈值，则表明表盘轮廓中存在较大的间隙，即表盘不闭合，此时轮廓完整度检测结果为不合格；

反之，如果最大值小于或等于第一预设阈值，则判断表盘轮廓闭合良好，轮廓完整度检测结果为合格。

作为优选的实施方式，其中，数字正确性检测验证12个数字正确，包括：

计算第二点云图像中的数字点云与预设的标准模版中对应的数字的豪斯多夫距离，并将豪斯多夫距离与第二预设阈值进行比较，得到第二比较结果，基于第二比较结果确定数字正确性检测结果。

具体的，在本实施例中，将配准后的第二点云图像中的数字点云按照Mask-RCNN的分类标签分别与标准模版中对应的数字进行非刚性度量。具体为：

针对第二点云图像中的每个数字点云，根据其分类标签，在预设的标准模版中找到对应的标准数字点云；计算这两个点云之间的豪斯多夫距离，作为相似度衡量指标，将计算得到的豪斯多夫距离值与设定的第二预设阈值进行比较：

当豪斯多夫距离值大于第二预设阈值时，则表明该数字点云与标准模版中的对应数字存在显著差异，判定该数字存在错误，数字正确性检测结果为不合格；

当豪斯多夫距离值小于或等于第二预设阈值时，则判定该数字正确无误，数字正确性检测结果为合格。

作为优选的实施方式，其中，数字排序检测验证12个数字是否按顺序正确排放，包括：

计算第二点云图像中的数字点云的质心与预设的标准模版中对应的数字质心的欧式距离，并将欧式距离与第三预设阈值进行比较，得到第三比较结果，基于第三比较结果确定数字排序检测结果。

具体的，在本实施例中，针对每个数字，确定第二点云图像中的数字点云的质心，记为第一质心；确定标准模版中对应的数字的的质心，记为第二质心；计算第一质心和第二质心的欧式距离，将计算得到的质心的欧式距离与对应预设的第三预设阈值进行比较：

如果第二点云图像中任意一个数字点云与其对应标准模版中数字的质心欧式距离大于第三预设阈值，则判断该位置上的数字排序存在偏差，整体数字排序检测结果为不正确；

只有当所有对应数字点云的质心欧式距离均小于或等于第三预设阈值时，则判定12个数字是按照顺序正确排放的，数字排序检测结果为正确。

作为优选的实施方式，其中，指针正确性检测验证指针是否完整且安放在正确的位置，包括：

检测指针是否完整以及检测指针是否安放正确，得到指针正确性检测结果。

具体的，在本实施例中，指针正确性检测分为两个步骤：检测指针是否完整以及检测指针是否按放正确。

其中，利用Mask-RCNN的分割结果，通过查看返回的标签信息检测指针是否完整。具体为：检查标签信息是否完整且符合预期(如是否包含表示指针起始、终止及中间部分的所有必要标签)，来判断指针是否完整。若所有相关标签均存在且无误，则完成指针完整性的检测。

作为优选的实施方式，其中，检测指针是否安放正确分为时针正确性检测和分针正确性检测。

标准表盘上标示12个数字，从1到12，均匀地分布在表盘上。表盘等分成60等份，每个等份表示一分钟的时间。

作为优选的实施方式，其中，时针正确性检测的步骤包括：

设定时针需要指向数字N，N＝1,2,3,...,12；

建立三个三维坐标系，第一坐标系以数字N与表盘圆心所连直线为X轴，第二坐标系以数字N+1与表盘圆心所连直线为X轴，第三坐标系以时针点云的质心与表盘圆心所连直线为X轴，三个三维坐标系均以表盘圆心所在竖直方向为Z轴，基于右手定则生成三个三维坐标系的Y轴；

将第一坐标系和第二坐标系分别向第三坐标系进行矩阵变化，若旋转角度为一正一负，则时针位置正确；若旋转角度全为正或全为负，则时针位置错误。

作为优选的实施方式，其中，分针正确性检测的步骤包括：

设定分针需要指向数字M，M＝0,1,2,3,...,59；

确定表盘圆心与数字M的质点形成的第一向量，以及表盘圆心与分针点云的质心形成的第二向量，计算第一向量与第二向量的夹角；

将夹角与预设角度阈值进行比较，若夹角超出预设角度阈值，则分针位置错误；否则分针位置正确。

上述分析结果包括轮廓完整性检测结果、数字正确性检测结果、数字排序检测结果、指针正确性检测结果。

作为优选的实施方式，其中，步骤S4之后还包括：

步骤S5，显示被试者的老年痴呆量表的总得分以及总得分对应的认知水平。

进一步的，在完成轮廓完整度检测、数字正确性检测、数字排序正确性检测以及指针完整性与正确性检测后，根据预设的评分标准对各项检测结果进行逐一打分。

评分标准为：

若被试者能画出闭合的表盘，则得一分；

若全部12个数字均正确且无遗漏，则再得一分；

若数字均安放在正确的位置，额外加一分；

若指针也安放在正确的位置，则再加一分。

进一步的，根据这些评分标准得到被试者的老年痴呆量表的总得分。由评分结果推测出被试的认知水平状况：

总分为4分表示认知正常；

总分为3分表示轻度痴呆；

总分为2分表示中度痴呆；

总分为1分表示重度痴呆。

随后，在界面上显示该得分以及与之对应的认知水平评估结果，以便进行进一步的健康评估与干预。

本发明还提供一种基于非刚性配准的老年痴呆画钟实验自动评估系统，用于实施上述的基于非刚性配准的老年痴呆画钟实验自动评估方法，包括：

采集模块1，用于获取被试者的画钟实验数据；

预处理模块2，连接采集模块1，用于对获取得到的画钟实验数据进行预处理，得到第一点云图像；

配准模块3，连接预处理模块2，用于对第一点云图像与预设的标准模版进行非刚性配准，得到非刚性配准后的第二点云图像；

分析模块4，连接配准模块3，用于对第二点云图像进行画钟实验分析，得到分析结果；

评分模块5，连接分析模块4，用于依据预设的评分标准对分析结果进行打分，得到被试者的老年痴呆量表的总得分。

进一步的，还包括显示模块6，连接评分模块5，用于显示被试者的老年痴呆量表的总得分以及总得分对应的认知水平。

具体的，系统给出具体画钟要求，被试者完成答题后，由采集模块1来收集被试者的待评估图像。采集模块1包含采集设备11和存储设备12，负责采集并收集被试者的画钟实验数据，并将其上传至与预处理模块2。

预处理模块2具体包括尺寸标准化、灰度化、滤波和边缘增强；使用尺寸标准化处理所上传的图像，将图像调整到统一的尺寸；利用灰度化将调整尺寸后的图像转为灰度图；对得到的灰度图进行滤波去噪，最后进行边缘增强，便于后续模型进行识别分割。随后使用Mark-RCNN识别并提取表盘、数字、时针和分针的标签和位置；根据目标图像的像素坐标，将Z轴设置为0，分别将表盘、数字、时针和分针转换成点云图像，随后上传至配准模块3。

配准模块3分别将被试者输入的表盘、数字、时针和分针点云作为源点云，系统中提前预设的表盘、数字、时针和分针标准模版作为目标点云。采用CPD点云配准方法，使用GMM模型来拟合源点云，目标点云被看做GMM下采样生成的数据点，在GMM中引入再生Hilbert空间(RKHS)来约束变换过程中的平滑度，通过不断调整λ(最大似然拟合的优良度与正则化之间的权衡)和β(平滑效果的强度)。β越大代表刚性变化越强，非刚性变化越弱。最终得到一个源点云与目标点云非刚性配准后的点云图像。

将配准后的点云图像上传至分析模块4，分析过程包括轮廓完整度检测、数字正确性检测、数字排序检测和指针正确性检测。

将分析模块4的结果汇总后传入评分模块5，根据预设的标准和分析模块4中轮廓完整度检测、数字正确性检测、数字排序正确性检测和指针完整性与正确性检测结果，对被试的待评估图像进行打分，得到打分结果后，将待评估图像的所得分数与被试对应的认知状况显示在电子屏幕上。

本申请中对自动评估系统进行模块、单元和子单元的划分，仅仅是为了更好地理解本发明的技术方案所涉及的功能，在实践中，这些模块所对应的功能可以由单个或多个硬件加载程序并执行。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种基于非刚性配准的老年痴呆画钟实验自动评估方法，其特征在于，包括：

步骤S1，获取被试者的画钟实验数据，并对获取得到的所述画钟实验数据进行预处理，得到第一点云图像；

步骤S2，对所述第一点云图像与预设的标准模版进行非刚性配准，得到非刚性配准后的第二点云图像；

步骤S3，对所述第二点云图像进行画钟实验分析，得到分析结果；

步骤S4，依据预设的评分标准对所述分析结果进行打分，得到所述被试者的老年痴呆量表的总得分。

2.根据权利要求1所述的基于非刚性配准的老年痴呆画钟实验自动评估方法，其特征在于，所述步骤S1中，所述获取被试者的画钟实验数据之后，所述对获取得到的所述画钟实验数据进行预处理之前，还包括：

对获取得到的所述画钟实验数据进行初步预处理；所述初步预处理包括：

对所述画钟实验数据进行尺寸标准化处理；和/或

对所述画钟实验数据进行灰度化处理；和/或

对所述画钟实验数据进行滤波处理；和/或

对所述画钟实验数据进行边缘增强处理。

3.根据权利要求1所述的基于非刚性配准的老年痴呆画钟实验自动评估方法，其特征在于，所述对获取得到的所述画钟实验数据进行预处理包括：

使用目标检测分割模型对所述画钟实验数据进行识别，并提取出特征数据，所述特征数据包括表盘、数字、时针和分针的标签信息和位置信息；

根据所述特征数据中的位置信息，分别将所述表盘、数字、时针和分针映射到三维空间中，得到所述第一点云图像。

4.根据权利要求1所述的基于非刚性配准的老年痴呆画钟实验自动评估方法，其特征在于，所述步骤S2包括：

将所述第一点云图像作为源点云，所述标准模版作为目标点云；

基于预设的点云配准算法，使用高斯混合模型对所述源点云进行拟合，所述目标点云作为所述高斯混合模型下采样生成的数据点，迭代调整高斯混合模型参数，以获得所述源点云与所述目标点云之间的非刚性配准结果，所述非刚性配准结果中包括所述第二点云图像。

5.根据权利要求4所述的基于非刚性配准的老年痴呆画钟实验自动评估方法，其特征在于，所述预设的点云配准算法包括一致性点漂移算法。

6.根据权利要求4所述的基于非刚性配准的老年痴呆画钟实验自动评估方法，其特征在于，所述迭代调整高斯混合模型参数还包括：

基于再生希尔伯特空间对所述高斯混合模型参数进行正则化。

7.根据权利要求1所述的基于非刚性配准的老年痴呆画钟实验自动评估方法，其特征在于，所述步骤S3包括：

计算所述第二点云图像中的表盘轮廓点云中相邻两个点的欧氏距离，并将所述欧式距离的最大值与第一预设阈值进行比较，得到第一比较结果，基于所述第一比较结果确定轮廓完整度检测结果；和/或

计算所述第二点云图像中的数字点云与所述预设的标准模版中对应的数字的豪斯多夫距离，并将所述豪斯多夫距离与第二预设阈值进行比较，得到第二比较结果，基于所述第二比较结果确定数字正确性检测结果；和/或

计算所述第二点云图像中的数字点云的质心与所述预设的标准模版中对应的数字质心的欧式距离，并将所述欧式距离与第三预设阈值进行比较，得到第三比较结果，基于所述第三比较结果确定数字排序检测结果；和/或

检测指针是否完整以及检测指针是否安放正确，得到指针正确性检测结果；

其中，所述分析结果包括所述轮廓完整性检测结果、和/或所述数字正确性检测结果、和/或所述数字排序检测结果、和/或所述指针正确性检测结果。

8.根据权利要求7所述的基于非刚性配准的老年痴呆画钟实验自动评估方法，其特征在于，所述检测指针是否安放正确分为时针正确性检测和分针正确性检测；其中，

所述时针正确性检测的步骤包括：

设定时针需要指向数字N，N＝1,2,3,...,12；

建立三个三维坐标系，第一坐标系以数字N与表盘圆心所连直线为X轴，第二坐标系以数字N+1与表盘圆心所连直线为X轴，第三坐标系以时针点云的质心与表盘圆心所连直线为X轴，三个三维坐标系均以表盘圆心所在竖直方向为Z轴，基于右手定则生成三个三维坐标系的Y轴；

将所述第一坐标系和所述第二坐标系分别向所述第三坐标系进行矩阵变化，若旋转角度为一正一负，则时针位置正确；否则时针位置错误；

所述分针正确性检测的步骤包括：

设定分针需要指向数字M，M＝0,1,2,3,...,59；

确定表盘圆心与数字M的质点形成的第一向量，以及表盘圆心与分针点云的质心形成的第二向量，计算所述第一向量与所述第二向量的夹角；

将所述夹角与预设角度阈值进行比较，若所述夹角超出所述预设角度阈值，则分针位置错误；否则分针位置正确。

9.根据权利要求1所述的基于非刚性配准的老年痴呆画钟实验自动评估方法，其特征在于，所述步骤S4之后还包括：

步骤S5，显示所述被试者的老年痴呆量表的总得分以及所述总得分对应的认知水平。

10.一种基于非刚性配准的老年痴呆画钟实验自动评估系统，其特征在于，用于实施如权利要求1-9任意一项所述的基于非刚性配准的老年痴呆画钟实验自动评估方法，包括：

采集模块，用于获取被试者的画钟实验数据；

预处理模块，连接所述采集模块，用于对获取得到的所述画钟实验数据进行预处理，得到第一点云图像；

配准模块，连接所述预处理模块，用于对所述第一点云图像与预设的标准模版进行非刚性配准，得到非刚性配准后的第二点云图像；

分析模块，连接所述配准模块，用于对所述第二点云图像进行画钟实验分析，得到分析结果；

评分模块，连接所述分析模块，用于依据预设的评分标准对所述分析结果进行打分，得到所述被试者的老年痴呆量表的总得分。