CN102202557A - 用于皮层皮质性白内障诊断的自动混浊检测系统 - Google Patents

用于皮层皮质性白内障诊断的自动混浊检测系统 Download PDF

Info

Publication number
CN102202557A
CN102202557A CN2008801293765A CN200880129376A CN102202557A CN 102202557 A CN102202557 A CN 102202557A CN 2008801293765 A CN2008801293765 A CN 2008801293765A CN 200880129376 A CN200880129376 A CN 200880129376A CN 102202557 A CN102202557 A CN 102202557A
Authority
CN
China
Prior art keywords
recognizer
type
edge
image
muddiness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2008801293765A
Other languages
English (en)
Inventor
李辉奇
李久伟
刘江
寇李玲
达蒙·王文克
王铁银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Singapore Health Services Group
SCIENCE TECHNOLOGY AND RESEARCH
Agency for Science Technology and Research Singapore
National University of Singapore
Singapore Health Services Pte Ltd
Original Assignee
Singapore Health Services Group
SCIENCE TECHNOLOGY AND RESEARCH
National University of Singapore
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Singapore Health Services Group, SCIENCE TECHNOLOGY AND RESEARCH, National University of Singapore filed Critical Singapore Health Services Group
Publication of CN102202557A publication Critical patent/CN102202557A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

一种由计算机系统进行的用于检测眼睛的晶状体的像的混浊的方法。所述方法包括：检测晶状体的图片中的目标区；和，用算法处理目标区以产生修改后的图像，在修改后的图像中，通过测量混浊在所述目标区中的至少一个区域中的比例，所述算法使与皮质性白内障相关联的混浊相对于由其它类型的混浊引起的混浊突显，比如相对于由后囊下白内障(PSC)引起的混浊突显。

Description

用于皮层皮质性白内障诊断的自动混浊检测系统
技术领域
本发明涉及一种自动混浊检测系统，具有方法和装置两个方面。所述系统能够用以获得由于皮质性白内障(“皮质性混浊”)产生的混浊的分级值，例如用以进行皮质性白内障诊断。
背景技术
在世界范围内，白内障是致盲的首要原因。已经报导，全球范围内致盲中的47.8％是由白内障引起的【1】，40岁以上的新加坡华人中的35％被报导患有白内障【2】。白内障是由于晶状体的混浊或者变暗造成的。根据一些研究【3】-【4】，最主要类型的白内障是皮质性白内障，皮质性白内障始自于晶状体的外边缘皮层(或外周)上的白化的、楔状的混浊体或斑纹，随着皮质性白内障的缓慢发展，所述斑纹延伸至晶状体的中心并且阻挡穿过晶状体的中心的光。相比之下，囊下白内障始自小的混浊区域，该小的混浊区域通常接近所述晶状体的沿通向视网膜的光路的后部。
后部反光照明图像用于对皮质性白内障和囊下白内障分级。传统地，眼科学家将所观察到的图片与一套标准的图像比较以分配一个合理的等级。该处理的术语称为“临床分级”或者“主观(subjective)”分级系统。为更为客观地对晶状体混浊进行分级，有经验的人类分级人员基于照片或者数字图像来分配一个最能反映皮质性混浊的严重性的等级(即，由于皮质性白内障造成的混浊等级)【5】。该过程的术语称为“分级员分级”或者“客观”分级系统。但是，研究表明测量结果在诸多分级员中是不一致的，对于同一分级员在不同时刻的测量结果也不是一致的【5】。对于混浊面积的测量也是耗时的。
已经试图开发出自动分级系统，用以提高分级的客观性。对于皮质性白内障和后囊下白内障(PSC)，迄今采用的方法是相当基础的。Nidek EAS1000软件【6】基于全局分界原则提取混浊体，其中以最高点的12％作为阈值。没有对混浊类型进行区分，并且瞳孔检测是手工进行的。如果自动检测不能令人满意，用户可以手动选择阈值。由于晶状体的不均匀的照明，通过全局分界进行的混浊检测通常是不精确的。
升级版的软件【7】自动检测瞳孔为具有半径为所检测到的最大半径的95％的圆。第二项改进在于通过基于对比度的分界进行混浊检测。但是，当混浊体比较密集而使得混浊区域中的对比度不够高时，基于对比度的方法是不令人满意的。该软件使得可以通过半手工处理来区分由于白内障引起的混浊和由其它混浊体引起的混浊，但不能区分不同类型的白内障。
发明内容
本发明的目的在于提供检测皮质性白内障的自动系统。
总地来说，本发明提出计算机系统通过如下步骤在晶状体的图像中识别由于皮质性白内障引起的混浊：
(a)选择晶状体的图像中的目标区；
(b)使用使与皮质性白内障相关联的混浊相对于由其它类型的混浊体引起的混浊突显的算法来处理所述目标区以产生修改的图像，所述由其它类型的混浊体引起的混浊比如是由至少一种其它类型的白内障引起的混浊。
在修改后的图像中，通过测量皮质性混浊在所述目标区中的至少一个区域中的比例所获得的结果可以用以对皮质性混浊进行分级。
由于所述系统的实施方式是自动的，优选的实施方式使得可以更为客观地诊断皮质性白内障，并且同时节约临床医生的工作量。
目标区(ROI，region of interest)检测优选地包括：检测图像中的边缘(即，具有不同亮度的区域的边界)；产生包括所述边缘的凸形外壳；和然后使椭圆与所述凸形外壳适配。瞳孔中的边缘不易于位于所述凸形外壳上，并且如果没有位于所述凸形外壳上，则在椭圆适配时不会被考虑。这使得在严重的白内障的情况中可以获得健壮的结果。
边缘检测可以用坎尼(Canny)边缘检测算法和拉普拉斯(Laplacian)边缘检测算法来进行。两种边缘检测均未提取的边缘被忽略。
所述使与皮质性白内障相关联的混浊相对于其它类型的混浊特别是由于后囊下白内障引起的混浊突显的算法包括至少一种如下的识别算法：
(a)提取ROI中的大体沿径向延伸的边缘的识别算法；
(b)提取ROI中的大体沿径向延伸的混浊体的中心的识别算法；
(c)提取ROI中的大体沿周向延伸的边缘的识别算法；和
(d)提取ROI中的大体沿周向延伸的混浊体的中心的识别算法。
可选地，可以进行类型(a)至类型(d)的多个识别算法。算法的结果以如下方式组合：组合由识别算法(a)和(b)识别的边缘和混浊体中心，以减小识别算法(c)和(d)识别的边缘和混浊体中心的预计影响。例如，识别算法(c)或(d)的结果能够用以产生表示所期望的混浊的补偿数据，所述补偿数据用以比如通过从类型(a)和/或(b)的识别算法获得的数据中减去所述补偿数据，而减少图像中的所识别的混浊。
识别算法(b)和(d)的一个示例是使用选择元素的局部分界，所述选择元素是沿轴向或者周向为拉长形的形状。
优选地，进行类型(a)至(d)的识别算法中的至少一个识别算法时，首先将图像从笛卡尔空间转换到相对于从所述ROI获得的原点的极坐标中；随后反转换回到笛卡尔空间。这样，类型(b)和/或类型(d)的识别算法可以包括使用与所述极坐标图像中的“水平”方向或者“垂直”方向对齐的选择元素局部地分界。而且，类型(a)和/或类型(c)的识别算法可以包括能够用以识别所述极坐标图像中的“垂直”或“水平”方向的边缘算法，比如索贝尔算法(Sobel algorithm)。
对于由识别算法(a)和/或(b)识别的径向边缘和混浊中心，如果未被来自识别算法(c)和/或(d)的数据消除，则能够用以获得区域增长中使用的“种子”，以生成对应于与这些“种子”相关联的混浊的区域。
可选地，能够进行一个以上的过滤运算来移除或弱化非表示皮质性白内障的特性的数据(例如，由实施方式识别的具有预定的形状的或者具有特定位置的斑点，所述预定的形状比如是圆形，所述预定的位置比如在ROI的中心的附近)。
本发明可以表述为方法、或者表述为被配置用以执行所述方法的设备、或者表述为执行可由计算机系统执行的程序指令以执行所述方法的计算机程序产品(比如可见的记录介质)。另外，配置用以执行所述方法的处理器能够被整合在用于获取晶状体的照片的相机中。
附图说明
现在将参考附图说明仅作为示例的本发明的实施方式，其中：
图1是本发明的实施方式的自动分级系统的流程图；
图2示意性地说明了图1的过程；
图3是图1中ROI检测步骤的子步骤的流程图；
图4说明了由图1的实施方式进行的ROI检测；
图5说明了由于不同类型的白内障引起的两种类型的混浊；
图6示出了图1的实施方式中用于突显皮质性混浊的处理步骤；
图7示意性地示出了在图6的处理中如何修改典型的图像；
图8比较了(a)原始图像和(b)图6的处理结果；
图9示出了(a)测量网格，和(b)将所述网格与比如图8(b)中的晶状体图像叠加的结果；和
图10是由所述实施方式进行的自动皮质性混浊检测与人工分级员进行的检测的比较。
具体实施方式
参考图1和图2，示出了作为本发明的实施方式的软件系统的步骤，该软件系统从晶状体图像中提取出皮质性混浊并对其进行分级。图1是这些步骤的流程图，图2参考表示该处理中每一步骤的结果图像示意性地示出了这些步骤。图1和图2中的对应步骤标注为相同的附图标记。
本实施方式的输入是光学图像1，其包括由黑色边界包围的、明亮的近似圆形的区域，该区域对应于瞳孔。混浊由该瞳孔的暗区标识。
(i)ROI检测(步骤10)
所述方法的第一步骤(步骤10)是ROI检测，其子步骤在图3中示出。在第一子步骤11中，原始图像1由Laplacian边缘检测过滤器过滤并且被分界以获得Laplacian边缘(一个熟知的算法)。
在第二子步骤12中，对原始图像进行canny边缘检测(另一个所熟知的算法)以检测最强的边缘。在第三子步骤13中，选择两种边缘检测算法所共有的边缘，这意味着去除了任何外部反射性噪声的影响。在晶状体中所检测到的任意边缘由过滤子步骤14去除，子步骤14仅提取凸形外壳处的边缘。这解决了由于严重白内障产生的混浊在图像中产生边缘的问题。
使用这些边缘像素，在第五步骤15中，利用借助于高斯-牛顿(Gauss-Newton)法进行的非线性最小二乘拟和提取出确定最佳适配椭圆的四个参数。这是确定使该组边缘像素(xi，yi)最佳地适配于椭圆方程的四个参数的迭代法。
y = b ± k r 2 - ( x - a ) 2
图4中示出了ROI检测10的结果一个示例。其示出了原始图像10如何根据图3中示出的子步骤被修改。图3和图4中对应的步骤标注为相同的附图标记。如能够看到的，椭圆适配的结果非常接近地对应于瞳孔的轮廓。
(ii)皮质性混浊检测(步骤20)
皮质性混浊是通常在晶状体中发现的3种主要类型的白内障混浊中的一种。据观察，皮质性白内障和其余的白内障类型之间的主要差别在于皮质性白内障的轮辐状特性和它们在晶状体的边沿处的位置。例如在图5中，其中灰阶图像包括由于皮质性白内障造成的接近瞳孔边沿的暗区和由于PSC造成的中央部的混浊区域。
本实施方式中的步骤20采用径向边缘检测和区域增长算法来突显皮质性白内障混浊。其子步骤示出在图6中，所述步骤的结果示意性地示出在图7中。
在第一子步骤22中，原始图像20被转换成极坐标。由于皮质性混浊的轮辐状特性，该极坐标图像将使沿径向方向提取皮质性边缘的处理和对沿角度方向(周向)的PSC边缘的剔除变得容易。
子步骤23-213分为四组：23-25、26-28、210-211和212-213。任何一组步骤可以在任何其它组步骤之前或者之后进行，或者能够并行地进行多组步骤。
在子步骤23-25中，我们评估沿径向方向(径向混浊)具有相关性并且表示皮质性白内障的中央部的混浊。术语“沿径向方向具有相关性”能够理解为指在径向方向的一定角度范围内具有长度方向，或者理解为指在长度方向和径向方向之间存在统计相关性，其为至少具有一定水平的统计显著性。
特别地，在子步骤23中，我们使用具有宽的矩形元素的局部分界来处理图像，以获得径向混浊。选择一个宽的元素，以在各像素及与其水平相邻的像素之间提供可比较性，这是因为接近轮辐状皮质性混浊的中央部的像素理想情况下比相邻的像素具有较低的亮度值。如下完成整个处理：限定围绕每一个像素的矩形元素；和，如果一个像素的亮度与矩形元素内的各像素的平均亮度之差小于阈值，则将所述像素的亮度设定为暗值。在处理接近边缘的像素时，在该边缘处所述矩形会与边缘重合，认为这些像素与该极点的相反侧边缘处的像素相邻。
在子步骤24中，我们将图像再转换到笛卡尔坐标系中。在子步骤25中，我们使用尺寸过滤来移除小的斑点，这些斑点主要是噪声。
子步骤26-28获得径向边缘以表示皮质性白内障的外侧部分。在子步骤26中，我们对极坐标图像进行垂直索贝尔边缘检测(Vertical Sobel edge detection)以检测径向方向上的边缘(径向边缘)。在子步骤27中，我们将图像转换回到笛卡尔坐标系。在子步骤28中，我们使用尺寸过滤移除小的斑点，这些斑点主要是噪声。
在子步骤29中，步骤25和步骤28中获得的图像被根据如下规则融合：(图像25与(AND)图像28)。由此，如果像素在图像25和在图像28中均为白色，则该像素在融合的图像中为白色像素。
子步骤210至215识别接近瞳孔中央的角度方向(即，非径向定向的)上的混浊，该混浊容易由于PSC而产生。在步骤S210中，采用高的矩形元素进行局部分界以获得角度方向混浊。在步骤212中，对原始图像进行水平索贝尔边缘检测(Horizontal Sobel edge detection)。在步骤211和213中，我们将图像转换回笛卡尔坐标系。在子步骤214中，我们将周向边缘的中央部分与外侧部分融合以获得可归类为PSC混浊的角度方向混浊。
在步骤215中，进行空间过滤以移除接近晶状体边缘的、可能由于皮质性白内障引起的角度方向混浊。在从晶状体原点至中心(centriods)的距离小于半径的固定的比率的状态下，通过消除混浊簇(opacity clusters)完成空间过滤。
在步骤216中，我们将步骤29和步骤215中获得的图像融合。如果一个像素在图像29是白色或者在图像215中为黑色，则该像素在融合后的图像中为白色。由此，我们保留了全部可能的皮质性白内障的边缘和中心部，而消除了PSC。
在步骤217中，我们过滤以获得保留下的混浊，以作为皮质性混浊的区域增长的种子。空间过滤移除了接近于晶状体中心的、可能由于PSC引起的混浊。
在步骤218中，用先前获得的种子对皮质性混浊进行区域增长(region grow)。这里进行的区域增长从正好邻近于所述簇的像素开始增长，并形成该簇的周边。将该周边中的各像素与所述簇中的固定数目的像素相比较，该簇为沿所述像素自身向该簇的中心(centriod)的方向上与所述像素最接近的蔟。仅当所述像素的亮度相对于所述簇中各像素亮度的均值而言位于固定的界限内时，这些像素才会被认为是该簇的一部分。当根据增长标准没有新的像素时，区域增长结束。
最后，在步骤219中，我们对区域-增长的区域进行尺寸过滤(如上参考步骤215所说明的)，以消除可能的过度增长(overly-extensive outgrowths)，该过度增长可能是由于具有糟糕地限定了边缘的皮质性白内障这一较少的情况而产生。对于这样的情况，区域-增长的像素的数目相对于初始的皮质性种子数目的比率会异常地大，并且增长的区域会被无效(vioded)。
图8示出了检测的一个示例。能够注意到，该系统对于皮质性白内障是敏感的，但对于比如PSC的其它类型的混浊不敏感。
注意到，在其它的实施方式中，仍有能够用于在步骤20中检测皮质性混浊的其它技术，并且本发明并不局限于上述的技术。这样的适当的技术可以包括如下技术中的任一种或者多种：
1.以局部的最小值作为种子的区域增长；
2.局部分界；
3.聚类分析；
4.水平设定技术；
5.纹理分析；
6.小波分析；和
7.基于图形的方法。
(ii)网格测量(30)
基于在步骤20中检测的皮质性混浊，在步骤30中，本实施方式根据威斯康星(Wisconsin)白内障分级协议【5】对皮质性白内障进行自动分级。使用测量网格将晶状体图像划分为17个部分，如图9(a)中所示。网格由三个同心圆形成：半径为2mm的中心圆、半径为5mm的内圆和半径为8mm的外圆。内圆内的区域称为区域C，在内圆和外圆之间的区域称为区域B，在中心圆和外圆之间的区域称为区域A。在10:30、12:00、1:30、3:00、4:30、6:00、7:30和9:00方向处的等间隔地的径向线将中心圆和内圆之间的区域及内圆和外圆之间的区域各划分为八个子区。
在步骤30中，如图9(b)所示，外圆与ROI的边界对齐，使得ROI与网格重叠。计算所检测的皮质性混浊(即，步骤20中的输出)在图9(a)所示的各区域A、B和C中的面积百分比。皮质性混浊的总的面积百分比根据下面的方程计算【5】：
总面积％＝A中的面积％*0.0762+B中的面积％*0.0410+C中的面积％*0.0625
(iv)获得分级结果(40)
根据下面表格中的说明分配皮质性白内障的等级。
Figure BPA00001257482100081
表1皮质性白内障分级协议
实验结果
用根据基于人口的研究获得的后映射图像(retro-illumination image)测试自动混浊检测的实施方式：新加坡马来西亚眼科研究(Singapore Malay Eye Study(SiMES))。使用Scheimpflug后映射相机Nidek EAS-100，通过扩张的瞳孔对晶状体拍照。后映射图像被捕获为灰阶图像，并且从EAS-100软件输出。这些图像被以位图(bitmap)格式、640*400像素的尺寸保存。
用607幅图像测试了我们的自动瞳孔检测算法。测试了607幅图像，成功率为98.2％。仅在11幅图像中未能精确地检测到ROI，这是由于存在强烈的反射性噪声造成的。
为检测我们的皮质性混浊检测的健壮性，选择了已经有人工分级员的分级结果的466幅图像。根据相同的协议对由人工分级员分级的总的区域进行比较。图10示出了比较结果。平均绝对误差为3.15％。
另外对皮质性白内障的自动分级和由人工分级员进行的分级作出了比较。表2示出了比较结果。成功率为85.6％，我们认为该结果对于自动分级是令人满意的。
Figure BPA00001257482100091
表2与分级员分级结果的比较
在表3中总结了我们的系统与两个现有技术系统之间的比较结果
Figure BPA00001257482100092
表3与两个现有技术系统的比较
参考文献
【1】WHO，Magnitude and Causes of Visual Impairment，http://www.who.int/mediacentre/factsheets/fs282/en/index.html，2002.
【2】T.Y.Wong，S.C.Loon，S.M.Saw，“The Epidemiology of Age Related Eye Diseases in Asia，”Br.J.Ophthalmol..，Vol.90，pp.506-511，2006.
【3】P.Mitchell，R.G.Cumming，K.Attebo，J.Panchapakesan，“Prevalence of Cataract in Australia：the Blue Mountains Eye Study，”Ophthalmology，Vol.104，pp.581-588，1997.
【4】S.K.Seah，T.Y.Wong，P.J.Foster，T.P.Ng，G.J.Johnson，“Prevalence of Lens Opacity in Chinese Residents of Singapore：the Tanjong Pagar Survey，”Ophthalmology，Vol.109，pp.2058-2064，2002.
【5】B.E.K.Klein，R.Klein，K.L.P.Linton，Y.L.Magli，M.W.Neider，“Assessment of Cataracts from Photographs in the Beaver Dam Eye Study，”Ophthalmology，Vol.97，No.11，pp.1428-1433，1990.
【6】Nidek Co.Ltd，Anterior Eye Segment Analysis System：EAS-1000.Operator’s Manual，Nidek，Japan 1991.
【7】A Gershenzon，L.D Robman，“New Software for Lens Retro-illumination Digital Image Aanalysis，”Australian and New Zealand Journal of Ophthalmology，Vol.27，pp.170-172，1999.

Claims (16)

1.一种由计算机系统进行的用于对皮质性白内障进行分级的方法，所述方法包括：
(a)选择晶状体的图像中的目标区；
(b)使用皮质性白内障突显算法来处理所述目标区以产生修改的图像，所述算法使与皮质性白内障相关联的混浊相对于其它类型的混浊突显。
2.根据权利要求1所述的方法，其特征在于，所述目标区(ROI)检测包括：检测所述图像的边缘；产生包括所述边缘的凸形外壳；和，使椭圆与所述凸形外壳适配。
3.根据权利要求2所述的方法，其特征在于，通过至少两个不同的边缘检测算法来进行所述边缘检测，并且通过多次所述边缘算法未检测到的边缘被忽略。
4.根据任何先前的权利要求所述的方法，其特征在于，所述皮质性白内障突显算法包括至少一个识别算法，所述识别算法包括：
(a)提取所述ROI中的大体沿径向延伸的边缘的识别算法；
(b)提取所述ROI中的大体沿径向延伸的混浊的中心的识别算法；
(c)提取所述ROI中的大体沿周向延伸的边缘的识别算法；
(d)提取所述ROI中的大体沿周向延伸的混浊的中心的识别算法。
5.根据权利要求4所述的方法，其特征在于，存在多个所述识别算法，并且所述皮质性白内障突显算法包括组合所述识别算法获得的结果。
6.根据权利要求5所述的方法，其特征在于，由所述类型(a)和/或类型(b)的识别算法识别的结果被相加的组合，但减去用所述类型(c)和/或类型(d)的识别算法识别的结果。
7.根据权利要求4至6中的任一项所述的方法，其特征在于，所述方法包括类型(b)和/或类型(d)的识别算法中的至少一种算法，所述至少一种算法使用沿轴向或者沿周向对齐的选择元素被局部地分界。
8.根据权利要求4至6中的任一项所述的方法，其特征在于，进行所述识别算法中的至少一个识别算法时，首先将所述晶状体的图像从笛卡尔空间转换到相对于从所述ROI获得的原点的极坐标中。
9.根据权利要求8所述的方法，其特征在于，至少一个类型(b)的识别算法和至少一个类型(d)的识别算法包括使用各自的与所述极坐标图像中的“垂直”方向或者“水平”方向对齐的选择元素局部地分界。
10.根据权利要求8所述的方法，其特征在于，至少一个类型(a)的识别算法和至少一个类型(c)的识别算法包括识别所述极坐标图像中的边缘的索贝尔算法。
11.根据权利要求4至10中的任一项所述的方法，其特征在于，类型(a)的识别算法和/或类型(b)的识别算法所识别的、未被基于类型(c)的识别算法和/或类型(d)的识别算法的数据消除的结果接受区域增长运算。
12.根据权利要求11所述的方法，其特征在于，通过所述识别算法获得的边缘和混浊中心被用以获得在所述区域增长运算中使用的种子。
13.根据权利要求11或12所述的方法，其特征在于，所述方法包括过滤运算，所述过滤运算用以基于尺寸、形状或位置并根据一个以上的标准移除或弱化表示非皮质性白内障的特性的数据。
14.一种对晶状体的图像中的皮质性白内障进行分级的方法，所述方法包括：通过根据权利要求1至13中的任一项所述的方法检测皮质性白内障；然后在修改后的图像中，通过测量混浊在所述目标区的至少一个区域中的比例，对皮质性白内障进行分级。
15.一种具有处理器的计算机系统，所述处理器被配置用以执行根据权利要求1至14中的任一项所述的方法。
16.一种计算机程序产品，其可由计算机读取并且包括可由计算机系统的处理器操作用以使处理器执行根据权利要求1至14中的任一项所述的方法的指令。
CN2008801293765A 2008-05-20 2008-05-20 用于皮层皮质性白内障诊断的自动混浊检测系统 Pending CN102202557A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/SG2008/000190 WO2009142601A1 (en) 2008-05-20 2008-05-20 An automatic opacity detection system for cortical cataract diagnosis

Publications (1)

Publication Number Publication Date
CN102202557A true CN102202557A (zh) 2011-09-28

Family

ID=41340375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008801293765A Pending CN102202557A (zh) 2008-05-20 2008-05-20 用于皮层皮质性白内障诊断的自动混浊检测系统

Country Status (5)

Country Link
US (1) US20110091084A1 (zh)
EP (1) EP2288286A4 (zh)
JP (1) JP2011521682A (zh)
CN (1) CN102202557A (zh)
WO (1) WO2009142601A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881683A (zh) * 2015-05-26 2015-09-02 清华大学 基于组合分类器的白内障眼底图像分类方法及分类装置
CN110473218A (zh) * 2019-07-25 2019-11-19 山东科技大学 一种基于极坐标系梯度变化的类圆环边缘检测方法
CN113361482A (zh) * 2021-07-07 2021-09-07 南方科技大学 核性白内障识别方法、装置、电子设备以及存储介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010052576A1 (en) * 2008-11-07 2010-05-14 Oculus Optikgeräte GmbH System, method, and computer software code for grading a cataract
WO2012030303A1 (en) * 2010-08-30 2012-03-08 Agency For Science, Technology And Research Methods and apparatus for psc detection
US8941559B2 (en) 2010-09-21 2015-01-27 Microsoft Corporation Opacity filter for display device
JP6361065B2 (ja) * 2014-05-13 2018-07-25 株式会社三城ホールディングス 白内障検査装置および白内障判定プログラム
EP3214993B1 (en) 2014-11-07 2022-03-30 Ohio State Innovation Foundation Methods and apparatus for making a determination about an eye in ambient lighting conditions
US10117568B2 (en) * 2015-01-15 2018-11-06 Kabushiki Kaisha Topcon Geographic atrophy identification and measurement
CN109102885B (zh) * 2018-08-20 2021-03-05 北京邮电大学 基于卷积神经网络与随机森林组合的白内障自动分级方法
US11622682B2 (en) 2019-12-27 2023-04-11 Ohio State Innovation Foundation Methods and apparatus for making a determination about an eye using color temperature adjusted ambient lighting
US20210196119A1 (en) 2019-12-27 2021-07-01 Ohio State Innovation Foundation Methods and apparatus for detecting a presence and severity of a cataract in ambient lighting
EP4081095A4 (en) * 2019-12-27 2023-10-04 Ohio State Innovation Foundation METHOD AND DEVICE FOR DETECTING THE PRESENCE AND SEVERITY OF A CATARACT IN AMBIENT LIGHTING
KR102358024B1 (ko) * 2020-08-11 2022-02-07 단국대학교 산학협력단 랜덤 포레스트 알고리즘을 기반으로 하는 백내장 등급 진단 장치 및 그 방법
US20240277244A1 (en) * 2021-06-14 2024-08-22 The Regents Of The University Of California Probe for identification of ocular tissues during surgery

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5289374A (en) * 1992-02-28 1994-02-22 Arch Development Corporation Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs
US6419638B1 (en) * 1993-07-20 2002-07-16 Sam H. Hay Optical recognition methods for locating eyes
US5796862A (en) * 1996-08-16 1998-08-18 Eastman Kodak Company Apparatus and method for identification of tissue regions in digital mammographic images

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A GERSHENZON ET AL: ""New software for lens retro-illumination digital image analysis"", 《AUSTRALIAN AND NEW ZEALAND JOURNAL OF OPHTHALMOLOGY》 *
EDWARDS ET AL: ""Computerized cataract detection and classification"", 《CURRENT EYE RESEARCH》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881683A (zh) * 2015-05-26 2015-09-02 清华大学 基于组合分类器的白内障眼底图像分类方法及分类装置
CN104881683B (zh) * 2015-05-26 2018-08-28 清华大学 基于组合分类器的白内障眼底图像分类方法及分类装置
CN110473218A (zh) * 2019-07-25 2019-11-19 山东科技大学 一种基于极坐标系梯度变化的类圆环边缘检测方法
CN110473218B (zh) * 2019-07-25 2022-02-15 山东科技大学 一种基于极坐标系梯度变化的类圆环边缘检测方法
CN113361482A (zh) * 2021-07-07 2021-09-07 南方科技大学 核性白内障识别方法、装置、电子设备以及存储介质

Also Published As

Publication number Publication date
JP2011521682A (ja) 2011-07-28
EP2288286A1 (en) 2011-03-02
WO2009142601A1 (en) 2009-11-26
EP2288286A4 (en) 2012-07-25
US20110091084A1 (en) 2011-04-21
WO2009142601A8 (en) 2011-02-24

Similar Documents

Publication Publication Date Title
CN102202557A (zh) 用于皮层皮质性白内障诊断的自动混浊检测系统
CN107451998B (zh) 一种眼底图像质量控制方法
Patton et al. Retinal image analysis: concepts, applications and potential
Dias et al. Retinal image quality assessment using generic image quality indicators
CN100530204C (zh) 评估图像中的损伤
Akram et al. Automated detection of dark and bright lesions in retinal images for early detection of diabetic retinopathy
SujithKumar et al. Automatic detection of diabetic retinopathy in non-dilated RGB retinal fundus images
Siddalingaswamy et al. Automatic grading of diabetic maculopathy severity levels
US7668351B1 (en) System and method for automation of morphological segmentation of bio-images
Soomro et al. Contrast normalization steps for increased sensitivity of a retinal image segmentation method
Zheng et al. An automated drusen detection system for classifying age-related macular degeneration with color fundus photographs
WO2018116321A2 (en) Retinal fundus image processing method
Madhusudhan et al. Image processing techniques for glaucoma detection
Li et al. Automatic detection of posterior subcapsular cataract opacity for cataract screening
Youssif et al. A comparative evaluation of preprocessing methods for automatic detection of retinal anatomy
Hunter et al. Automated diagnosis of referable maculopathy in diabetic retinopathy screening
Brancati et al. Automatic segmentation of pigment deposits in retinal fundus images of Retinitis Pigmentosa
Lee et al. Automated quantification of retinal nerve fiber layer atrophy in fundus photograph
Kumar et al. Automatic detection of red lesions in digital color retinal images
Wisaeng et al. Automatic detection of exudates in retinal images based on threshold moving average models
Bhuiyan et al. A review of disease grading and remote diagnosis for sight threatening eye condition: Age Related Macular Degeneration
Li et al. Feature analysis in slit-lamp image for nuclear cataract diagnosis
Raman et al. The effects of spatial resolution on an automated diabetic retinopathy screening system's performance in detecting microaneurysms for diabetic retinopathy
Li et al. Lens image registration for cataract detection
Siddalingaswamy et al. Automated detection of optic disc and exudates in retinal images

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20110928

WD01 Invention patent application deemed withdrawn after publication