前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >眼压测量原理合集

眼压测量原理合集

作者头像
云深无际
发布于 2023-02-27 11:43:50
发布于 2023-02-27 11:43:50
68100
代码可运行
举报
文章被收录于专栏:云深之无迹云深之无迹
运行总次数:0
代码可运行

最近一段时间在做眼压计技术的一些准备,然后这文章也不准备写的,但是我一想这资料就是网上收集来的,而且也没有详细到会让你看完就能做出来,那我就赶紧来整理一下。(主要是自己后面用的时候又得看,不如一篇文章来得快).

先说眼压的压力是哪里来的?

正常的眼内压在(15~23),早晨高,下午低,入夜又增高,波动少于5mmHg。

眼睛中有一种透明、流动的液体,称作房水,它为眼睛的组织提供氧和营养,将眼睛中不需要的物质运走,起到保持眼睛形状的作用。也就是说眼球内房水的产生和流动,形成了眼内压,维持眼球的正常生理形态。房水由睫状体产生后首先进入后房,经瞳孔进入前房继而流到前房角,绝大部分的房水从前房角的小梁网组织进入Schlemm管,70%-95%的房水经由此流出,另有一小部分房水会通过脉络膜上腔排出眼外。另外房水由睫状肌分泌,平时分泌量是2-3微毫升。房水的流动因各种原因变得不畅时,无处可去的房水会积压在眼中,造成眼压升高。

流动的位置

而且在长时间近距离用眼情况下,睫状肌长时间收缩用力,势必导致它房水的大量分泌。

大家平时都说近视眼是因为长时间的睫状肌收缩,然后时间久了,这肌肉就没的弹性了,但是更深层的机理呢?我找到一个目前房水导致近视眼的学说,虽然它现在没有形成一种定论,但是在我看来仍是一个不错的解释。

房水在增加,排出情况呢?

如果排出通畅有多少排出多少也就没问题。从上图可以看出,排出口有过滤网-小梁网,下面的schlemm管不像血管是一根有坚固外壁的管道,它受肌肉组织的挤压会变细小,排出就受阻。

有时小梁网上有蛋白沉淀也会阻碍房水的排出。房水排出受阻而睫状肌还在不停地分泌出房水,眼睛的后房和前房被不断增加的房水撑大,在前房房水顶着角膜向外凸出,在后房房水压迫着晶体、玻璃体向眼球后端传递压力,这一前一后的来自房水增加的内压力,在长期的、每天长时间的作用下,眼轴就开始慢慢地变长了,眼轴变长就是近视的开始。

目前在学界在眼轴和近视之间的的关系是可以定性的描述成:眼轴每增长1mm,近视度数会增长200-300度

等下!眼轴是啥???

眼球接收光线的最表层,即从角膜-晶状体-玻璃体-视网膜(感受光线最里的一层)的距离看成是物理中的光学系统的一条中轴线,这就是所谓“眼轴”。

每个人的眼轴从出生到衰老,是个不断增长的过程,就如同身高,增长了就不会缩短,都是不可逆的,我们每个人生来就是远视,随着眼睛的发育,眼轴的增长,眼睛看东西才逐渐清晰

其实聊到这里我还想插一下关于眼轴这个东西的学术,我找不到在人身上的实验,不过我找到了一个关于动物的:

在ZR上面的这么一个文献

我简单的说下

近几十年来,随着居住和学习环境中照明条件的改变,近视的发病率迅速增加,提示光环境可能是近视发生发展的重要原因。相关色温(Correlated Color Temperature,CCT)可以在一定程度上反映光源的光谱成分。中国科学院昆明动物研究所研究员胡新天团队使用32只幼猴作为研究对象,采用由不同CCT构成的四种典型光源来探究CCT与眼轴增长之间的关系。在经过365天的观察后,低CCT光照下猕猴的眼轴增长显著小于高CCT光照下猕猴的眼轴增长,且在整个观察期间,这种效应是持续和稳定的。该研究首次系统地解析了常规照明光源色温与眼轴发育关系。

我觉得由于眼轴过度增长是青少年近视的主要原因,该成果或为预防青少年近视提供新的手段和方法。比如做灯光,或者是一个滤光镜片。

说完房水的一些概念,就说下,这个房水循环堵了眼睛会发生什么变化?位于眼球后部的视神经非常纤细,经受不住眼压时就会被压破、受伤。遗憾的是受伤的视神经无法复原。结果会造成重要的视神经数减少,视野渐渐缺损。这就是“青光眼”。

这个是眼底相机拍的

事实上眼压给出的只是一个物理值,传递的信息较为单一,我实事求是的说:视神经对压力的承受力强弱会因人而异。眼压在正常范围,却患了青光眼的正常眼压青光眼,一般认为可能是视神经对压力的承受力弱,虽然眼压正常,但压迫了视神经。这种青光眼仅检查眼压无法查出。因此,需要通过眼底检查,观察视神经的状态。所以这个前期诊断来说,眼底这块是跑不了的。

在房水堵塞这块,我想找几个图说明,没想到繁体的图更清晰:

一般根据堵的位置分为俩种青光眼

上下两个图结合在一起看

最清晰的还是这个图,看右下角的通路

青光眼的治疗分了俩类:

目标是抑制症状发展。因此,尽量降低眼压的治疗很重要。降低眼压的方法,有使用滴眼药和手术方法,一般都是首先采取用滴眼药降低眼压的治疗方法。用激光照射房水的排水口——网状的小梁,减少阻滞。外科手术是:切除引起阻滞的房水排水口的一部分,切出小口,改善房水的流动。

俩种方法,少一个

事实上现在技术的前沿是在管道里面放置一些细入发丝的支架,来扩宽房水的流量通路。

OKOKOK,讲了这么多还只是铺垫,下面我们来看眼压这个东西怎么测量:大多的原理都是这样去接触或者非接触的去压平角膜取得物理数据。

示意图就是这样

我们使用仪器主要测量的是中央区里面的球面中心

要测量的角膜形态,非球面,顶点曲率半径最小,前表面R=7.8mm,后表面R=6.8mm。

在眼压测量领域和其它的测量领域不一样,其它的设备都是慢慢的通过技术的升级,新传感器的使用,数据变得丰富和详细,但是眼压不是,凭借着古老的原理,首战既巅峰。真的是就是最近视频里面说的:我一出手就是这个领域的极限。

那为啥叫金标准???

1.因为仪器结构稳定,测量数值可靠。眼压计本身误差仅为±0.5mmHg,是当前国内外公认为“金标准”的测量眼压的仪器。

2.可直接得出眼压值,而不需查表或用其它方法换算,即Pt=“Po”。

3.检查的眼压值不受眼壁硬度变异影响;所致眼球容积的改变仅0.56mm3,其对眼压值的影响仅约为2.5%。

所以这就是金标准。

所以在眼科里面的金标准是机械压平:

先看图

因为微信不可以用漂亮的罗马字母,这里就截图我word的资料了

公式很简单,就是这个

保证接触面刚好为圆环大小,眼压计又增加了一对棱镜(双像棱镜),通过棱镜的折射将圆环分为两个半圆。

呜呼

棱镜会随着与角膜接触面和对眼压计施加压力的不同变化,从而改变两个半圆弧的位置和形态。

这些都是在10倍的放大镜下看到的

两个半圆弧完整,且以连接点中心对称;圆弧线的宽度约为圆弧直径的;两个圆弧内径相切。

正确的拍摄景象, 双棱镜平分成像

备注:半圆弧的线条有一定的宽度,从而形成了最内侧的内径和最外侧的外径,所谓内径相切是指两个半圆弧最内侧的边缘刚好能够连接,形成相切。

就是你的眼睛上面被在滴了麻药的前提下还染了颜色:

就像这样

哪个压平用的,就是我下面这个在接触你的眼球表面,也会贴合在一起染上颜色,通过双棱镜平分成像,调节到压平为止,然后去读数。

其次我要说的是:蓝光是一种高能可见光,具有非常强的穿透能力。在蓝光进入眼睛后,会经过瞳孔、晶状体等组织到达眼底视网膜处,然后通过黄斑区成像到大脑中形成影像。由于人眼对蓝光的敏感度非常高(超过400-500纳米波长),所以一旦长时间接触蓝光的话,就会导致视网膜色素上皮细胞萎缩甚至死亡。因此长期暴露在高强度蓝光下的人群患白内障和青光眼的几率也会大大增加。

也就是说,这个看屏幕的时间能少则少。

我们来看一种医院经常看到的测量仪器:

采用 Imber-Fick(因勃-菲克原理)原理,眼压与所施加压力成正比,与压平的角膜面积成反比。

利用具有可控空气脉冲挤压眼角膜中心位置,使角膜变形,形成直径约 3.6 m 圆形平面此时空气脉冲的压力等于眼压,由此测得眼压数值。(金标准测法),结膜囊内滴0.5%丁卡因滴眼液(需要麻醉)。

眼压计的测量头不与角膜接触,仅用喷射空气压平恒定面积的角膜,喷射空气的力量迅速随时间的延长呈线性增加,与此同时瞄准光束射到角膜,然后从角膜反射出来,被光电管接受。当压平角膜的面积达3.6mm直径时,光电管接受了最大光线量,即产生最大量的角膜光反射时间,直接与空气喷射力相关,与眼压的抵消力相等,而可测出眼压值。

NCT每10mmHg需1.4克力量,而Goldmann眼压计压平直径为3.06mm的角膜面积,每10mmHg需1克力量,相比之下NCT在测量过程中需要更大的力量,但作用与单位面积的力在两种眼压计是相同的。

但是这样简单啊,一喷气就测出来了。

所有的眼压仪器是需要和金标准的测量法做统计学的相关检验

也就是同时测量人,然后看俩种仪器的度数情况:

再一些眼压仪器上面的参数看到准确性,变异系数什么的,都是统计学的意义

上面的都太大,要往小了做:

1.微型张力传感器每获得一次测量值需要将仪器与角膜接触几次(即测量几次),一般为3~6次,获得数个电压波形,这些电压波被放大后传递到其内部的一个有单集成电路块构成的微型信息处理仪中,经微型信息处理后去掉不正确的波形,将正确的波形变为数字并贮存,每次正确的测量即可获得一个数据,经过3-6次测量后,微型信息处理仪将获得的3-6个数据平均后将其平均值显示在液晶屏上,即眼压的毫米汞柱值。通过测压头中的传感器将外力转换为波形。

2.在垂直于眼角膜中心表面的方向上发射微型轻量探头。探头由医用级塑料尖端和金属轴组成。金属轴在测量前经过了础化。在测量过程中,探头可以看作一块移动的磁铁,在周围线圈中感应电信号,从而可以高度精确地测量探头的运动。发射后,探头与角膜短暂接触并弹回。眼压计记录有关探头运动的多个参数,包括减速和回弹时间。设备使用专有算法,能够计算出眼压。显示的眼压读数为六个单独的眼压测量和计算序列的结果,探头需要六次接触角膜并回弹,方可得出此结果。

原理大概是使用电磁或者力传感器的技术来接触眼角膜,使用这些数据将眼压计算出来,目前这些工作还在推进中。

其中一款的磁化管

里面的细节和领域太多了,我已经再加班加点的研究了。

让高端仪器平价化,这才是我的执念呀~

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
https://www.vbdata.cn/1518866179
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
https://www.shinseikai.jp/department/eyecenter_ch/disease/glaucoma.html
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
https://www.zoores.ac.cn/en/article/doi/10.24272/j.issn.2095-8137.2021.401
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
https://www.cas.cn/zkyzs/2022/03/338/kyjz/202203/t20220315_4828264.shtml
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
https://zhuanlan.zhihu.com/p/503503262
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2023-01-10,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 云深之无迹 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
读论文系列:Object Detection NIPS2015 Faster RCNN
转载请注明作者:梦里茶 Faster RCNN在Fast RCNN上更进一步,将Region Proposal也用神经网络来做,如果说Fast RCNN的最大贡献是ROI pooling layer和Multi task,那么RPN(Region Proposal Networks)就是Faster RCNN的最大亮点了。使用RPN产生的proposals比selective search要少很多(300vs2000),因此也一定程度上减少了后面detection的计算量。 Introduction Fa
梦里茶
2018/03/30
6570
R-FCN、Mask RCNN、YoLo、SSD、FPN、RetinaNet…你都掌握了吗?一文总结目标识别必备经典模型(二)
 机器之心专栏 本专栏由机器之心SOTA!模型资源站出品,每周日于机器之心公众号持续更新。 本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务,并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA!模型资源站(sota.jiqizhixin.com)即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。 本文将分 3 期进行连载,共介绍 17 个在目标检测任务上曾取得 SOTA 的经典模型。 第 1 期:R-CNN、SPP-Net、Fast R-CNN、Faster R-C
机器之心
2023/03/29
1.3K0
R-FCN、Mask RCNN、YoLo、SSD、FPN、RetinaNet…你都掌握了吗?一文总结目标识别必备经典模型(二)
SSD原理解读-从入门到精通「建议收藏」
当初写这篇博客的初衷只是记录自己学习SSD的一些心得体会,纯属学习笔记,后来由于工作上的需要,需要对小伙伴进行目标检测方面的培训,后来就基于这篇博客进行了扩展,逐渐演变成了现在的样子,本文力求从一个初学者的角度去讲述目标检测和SSD(但是需要你具备CNN的基础),尽量使用通俗的语言并结合图表的方式让更多初学者更容易理解SSD这个算法,但是一个人的时间精力有限,不可能深入理解SSD的每一个细节,加上表达能力也有限,自己理解了的东西不一定在文中能够说明白,文中有什么不妥的地方,欢迎大家批评指正,也欢迎留言一起交流讨论。
全栈程序员站长
2022/09/02
7290
SSD原理解读-从入门到精通「建议收藏」
SSD: Single Shot MultiBox Detector
本文提出了一个使用单一深度神经网络对图像中的目标进行检测的方法。本文的方法称为SSD,根据每个feature map位置不同的宽高比和尺度,将Bounding Box的输出离散为Bounding Box先验的集合。在预测时,网络产生置信度,认为每个先验对应感兴趣的目标,并对先验进行调整,以便更好地匹配目标的形状。此外,该网络结合了来自具有不同分辨率的多个特征图的预测,以自然地处理不同大小的目标。SSD模型相对于需要目标建议的方法(如R-CNN和MultiBox)是简单的,因为它完全抛弃了生成建议的步骤,并将所有计算封装在一个网络中。这使得SSD易于训练,并且易于集成到需要检测组件的系统中。在ILSVRC DET和PASCAL VOC数据集上的实验结果证实,SSD的性能与使用目标建议步骤的方法相当,但速度要快100-1000倍。与其他单阶段方法相比,SSD具有相似或更好的性能,为训练和推理提供了统一的框架。
狼啸风云
2019/08/18
2.2K0
SSD: Single Shot MultiBox Detector 深度学习笔记之SSD物体检测模型
算法概述 本文提出的SSD算法是一种直接预测目标类别和bounding box的多目标检测算法。 与faster rcnn相比,该算法没有生成 proposal 的过程,这就极大提高了检测速度。针对不同大小的目标检测,传统的做法是先将图像转换成不同大小(图像金字塔),然后分别检测,最后将结果综合起来(NMS)。 而SSD算法则利用不同卷积层的 feature map 进行综合也能达到同样的效果。算法的主网络结构是VGG16,将最后两个全连接层改成卷积层,并随后增加了4个卷积层来构造网络结构。对其中5种不
AI研习社
2018/03/19
1.7K0
SSD: Single Shot MultiBox Detector 深度学习笔记之SSD物体检测模型
读论文系列:Object Detection CVPR2016 YOLO
CVPR2016: You Only Look Once:Unified, Real-Time Object Detection 转载请注明作者:梦里茶 YOLO,You Only Look Once
梦里茶
2018/04/17
1K0
读论文系列:Object Detection CVPR2016 YOLO
从编程实现角度学习 Faster R-CNN(附极简实现)
Faster R-CNN 的极简实现: github: simple-faster-rcnn-pytorch(http://t.cn/RHCDoPv ) 本文插图地址(含五幅高清矢量图):draw.io(http://t.cn/RQzroe3 ) 1 概述 在目标检测领域, Faster R-CNN 表现出了极强的生命力, 虽然是 2015 年的论文(https://arxiv.org/abs/1506.01497),但它至今仍是许多目标检测算法的基础,这在日新月异的深度学习领域十分难得。Faster
AI研习社
2018/03/16
2.6K0
从编程实现角度学习 Faster R-CNN(附极简实现)
Object Detection系列(四) Faster R-CNN
本文介绍了Faster R-CNN目标检测算法及其实现,重点讲解了Faster R-CNN的算法原理和具体实现。
chaibubble
2018/01/08
9930
Object Detection系列(四) Faster R-CNN
最全综述 | 图像目标检测
图片分类任务我们已经熟悉了,就是算法对其中的对象进行分类。而今天我们要了解构建神经网络的另一个问题,即目标检测问题。这意味着,我们不仅要用算法判断图片中是不是一辆汽车, 还要在图片中标记出它的位置, 用边框或红色方框把汽车圈起来, 这就是目标检测问题。其中“定位”的意思是判断汽车在图片中的具体位置。
AI算法与图像处理
2019/07/11
1.4K0
最全综述 | 图像目标检测
MMDetection学习系列(2)——SSD深度探索与实战指南
目标检测是计算机视觉领域的一个重要任务,它旨在从图像中识别出感兴趣的目标,并确定它们的位置和大小。在众多目标检测算法中,SSD(Single Shot MultiBox Detector)以其高效和精确的性能,受到了广泛关注。本文将带你走进SSD目标检测算法,一起探索它的工作原理和实践应用。
CoovallyAIHub
2025/01/15
2090
MMDetection学习系列(2)——SSD深度探索与实战指南
目标检测算法之SSD
昨天介绍了特征金字塔网络用于目标检测,提升了多尺度目标检测的鲁棒性,今天开始讲讲One-Stage目标检测算法中SSD算法。这个算法是我平时做工程中最常用到的,严格来说平时最常用的是Mobilenet做Backbone的SSD算法,因为要考虑到实际部署的时候的速度要求,不过原理都一样。
BBuf
2019/12/09
1.7K0
【深度学习】深度图像检测算法总结与对比
一. R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation
黄博的机器学习圈子
2023/01/10
1.2K0
【深度学习】深度图像检测算法总结与对比
读论文系列:Object Detection ICCV2015 Fast RCNN
Fast RCNN是对RCNN的性能优化版本,在VGG16上,Fast R-CNN训练速度是RCNN的9倍, 测试速度是RCNN213倍;训练速度是SPP-net的3倍,测试速度是SPP-net的3倍,并且达到了更高的准确率,本文为您解读Fast RCNN。 Overview Fast rcnn直接从单张图的feature map中提取RoI对应的feature map,用卷积神经网络做分类,做bounding box regressor,不需要额外磁盘空间,避免重复计算,速度更快,准确率也更高。 Rela
梦里茶
2018/03/30
7950
深度学习500问——Chapter08:目标检测(4)
我们将对单次目标检测器(包括SSD系列和YOLO系列等算法)进行综述。我们将分析FPN以理解多尺度特征图如何提高准确率,特别是小目标的检测,其在单次检测器中的检测效果通常很差。然后我们将分析Focal loss和RetinaNet,看看它们是如何解决训练过程中的类别不平衡问题的。
JOYCE_Leo16
2024/05/04
3470
深度学习500问——Chapter08:目标检测(4)
目标检测(Object Detection)
目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。
全栈程序员站长
2022/09/14
7.9K0
目标检测(Object Detection)
faster-rcnn原理介绍
本博客大部分参考http://blog.csdn.net/zy1034092330/article/details/62044941,其中夹杂着自己看论文的理解
全栈程序员站长
2022/11/09
5320
faster-rcnn原理介绍
目标检测系列之二(R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN)
目标检测系列之二(R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN)
Minerva
2020/05/25
1.3K0
深入浅出理解Faster R-CNN
。这个方法显然存在一些问题,比如当物体是不同大小有不同的宽高比,那训练一个效果很好的检测模型将会是非常复杂的(复杂的原因有两个,一个是如果整个图片很大,那么预测出的边界框坐标的绝对值变化很大,不容易拟合;第二个原因则是框的大小长宽都在变化,加大了我们的拟合难度)。另一个问题则是会存在一些无效的预测,比如当预测
CristianoC
2020/06/02
6420
fasterrcnn详解_faster RCNN
paper:Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Tensorflow-faster r-cnn github:Tensorflow Faster RCNN for Object Detection
全栈程序员站长
2022/11/10
1K0
fasterrcnn详解_faster RCNN
SSD源码解析
- SSD理论总结(SSD: Single Shot MultiBox Detector)
机器学习算法工程师
2018/07/27
3.6K0
SSD源码解析
相关推荐
读论文系列:Object Detection NIPS2015 Faster RCNN
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验