CN102316789A - 确定视杯边界的位置的方法和系统 - Google Patents

Abstract

本发明涉及一种确定2D视网膜图像中视杯边界的位置的方法。该方法包括在视杯和视盘的预估边界检测血管中的扭结，以及基于被检测到的扭结确定2D视网膜图像中视杯边界的位置。已被确定的视杯边界可以用于测算CDR，而所述CDR反过来可以用于确定患上青光眼的风险。

Description

确定视杯边界的位置的方法和系统

技术领域

本发明涉及一种用于确定2D视网膜图像中的视杯边界的方法和系统。该方法和系统可以被用于确定CDR，而所述CDR可以反过来被用于确定患上青光眼的风险。

背景技术

青光眼是世界上导致失明的原因之一。根据2004年世界卫生组织的报告[1]，青光眼是导致失明的第二大原因，全球12.3％的视力障碍都是由于这种疾病。据估计7000万的青光眼病例中，超过一半的病例是在亚洲[2]。在新加坡，最新的基于社区的研究发现[3]年龄超过40岁的华人受访者中有3.2％的人被发现患有青光眼。此外，该疾病与年龄有密切的关系，并且根据青光眼研究基金会的报告[5]，年龄超过60岁的人患有青光眼的几率是60岁以下的人的6倍。鉴于在世界的很多地方(包括新加坡)迅速的人口老龄化，青光眼的患病率可能会增加。

以神经节神经细胞的死亡为特征，青光眼的损害是不可逆的并且是永久的。而且，视野显著缺损通常只有在晚期的青光眼损害时才被意识到。但是，如果能够尽早发现，青光眼的进程能够被极大地减缓或者甚至被中断[6]。这就需要进行大量的筛查工作以在早期检测青光眼。但是，当前，由于筛查需要有经验的专业人士对视网膜图像进行人工分级，因此青光眼的筛查耗费人力。这个过程也是耗时的，并且需要经过培训的外科医生也加大了进行普查的难度。此外，据报道，青光眼评定的准确性受观察者的经验和训练程度的影响[7]。由于目前的人工筛选的方法的限制，因此需要开发一种用于青光眼筛查的客观的计算机筛查系统。

图1(a)是一只眼睛的二维(2D)视网膜图像，该图像没有显示青光眼，图1(d)是该眼睛后部的部分剖视图的的相应示意图。视神经将视觉信息从眼睛传输到大脑，而视神经乳头，也称为视盘是视网膜中视神经的始端。视盘是神经纤维通过其离开视网膜的结构。视盘内的凹陷被称作视杯。

青光眼性视神经病变的生理特征在于视杯凹陷的增大，导致了同视神经盘相关视杯尺寸的增加。在含义分别对应图1(a)和图1(d)的图1(b)和图1(e)中，说明了患有早期青光眼的眼睛的生理机能，而在含义分别再次对应图1(a)和图1(d)的图1(c)和图1(f)中，显示了患有晚期青光眼的眼睛的生理机能。如这些附图所示，当患有青光眼时，神经节细胞丧失并且神经纤维变薄。此外，在青光眼的眼睛中也存在视杯凹陷的增大。

当前的方法所使用的用于患者青光眼风险评估的标准特性是测量视杯和视盘之间的比率，比较通俗的称为杯盘比(CDR)。使用CDR可以提供相对应的杯盘尺寸的定量测量。典型地，如果CDR高，其代表患有青光眼的风险高，可以建议进行进一步的检查。

为了获得CDR，有必要把视盘和视杯彼此分开，并且将视盘和视杯与视网膜图像的其余部分分开。以前，已经报道了很多的方法用于视盘的检测，但是已经提及的用于视杯检测的方法就少得多了。由于在视盘中的视杯的清晰度降低以及穿过视杯边界的血管结构的密度增高，因此视杯的检测是非常有挑战性的。一个用于视杯检测的最早报道的方法是基于色彩强度的差异分析[8]。随后发展了用于视杯检测的更进一步的方法。例如，基于从立体的彩色的视网膜图像生成的像素特征对视网膜图像中的像素进行分类[9]。从先前的立体(三维)重建中获得的坡度、形状和深度的参数被用于推算视杯的势能函数[10]，并且基于像素强度的变分水平集方法被用于全局优化所获得的视杯轮廓[11]。

像素色彩强度或苍白以及相关的梯度形成了先前描述的视杯分割方法的基础。当视杯苍白被用于确定视杯的尺寸时，则存在没有充分估计视杯尺寸的潜在风险。这造成了所谓的苍白/视杯差异的结果，此处苍白区域滞后于实际的视杯尺寸[12]。此外，当视杯和视盘之间的苍白差别不是特别明显时，特别是在视杯较浅的早期青光眼性萎缩的情况下，单独使用苍白来准确确定视杯尺寸具有挑战性。另外，许多方法[9，10]进一步依靠立体图像的处理来获得视杯边界。

因此，需要一种能够克服上述问题的用于确定视杯边界的方法和系统。

发明内容

本发明的目的是提供新的、用于确定视杯的有用的计算机控制系统。

概括来讲，本发明提出在临近视杯和视盘之间边界的血管中的扭结被用于确定视杯边缘。因此，本发明的某些实施例使得用计算机控制系统确定2D视网膜图像中的视杯成为可能，其并不依赖于如现有技术的系统中所述的颜色差异。

由于在参考文件[13]中只是非常简单的提及，因此并不是完全不知道可以使用血管中的扭结作为一种辅助手段来观察视杯。但是，由于检测视盘中小血管的难度，使用这种方法是有挑战性的。此外，参考文件[13]中披露的是在手动检测立体图像的情况下，而其并没有披露在2D图像中使用这种技术(甚至是使用这种技术的可能性)。对于在没有人类干涉的情况下可以操作该技术没有任何暗示。也没有任何暗示可以通过包括血管边缘的计算机识别的方法来进行操作。

特别地，本发明的第一方面是涉及一种确定2D视网膜图像中的视杯边界的方法，该方法包括以下步骤：(a)对图像上视杯边界的位置进行初步估测；(b)确定视杯边界的初步估测位置的邻域中血管的边缘；(c)在确定的血管边缘中检测扭结；以及(d)基于被检测到的扭结确定2D视网膜图像中的视杯边界。

此处，“邻域”可以是多个小片(patches)的总和，所述小片被定义为叠盖了视杯边界初步估测的位置。

本发明可以被选择性的表示为用于实施该方法的计算机系统。该计算机系统可以与捕获2D视网膜眼底图像的设备整合在一起。本发明也可以被表示为计算机程序产品，例如被记录在有形的计算机媒介上，包含由计算机系统操作来执行所述方法的步骤的程序指令的一种计算机程序产品。

附图说明

现在，通过实例以及参考下面的附图将举例说明本发明的实施例，其中：

图1由图(a)-(f)组成，其描述了没有青光眼的视网膜以及患有青光眼的视网膜的生理机能；

图2描述了本发明的一个实施例中的确定视杯边界的方法的流程图；

图3(a)-图3(c)描述了最初的图像和图2中步骤202到步骤204的结果；

图4(a)-图4(d)描述了图2中步骤206到步骤216的结果；

图5描述了图2的方法的结果；

图6描述了从图2的方法以及从现有技术的方法中获得的误差的图示；和

图7描述了从图2的方法的结果构建的以及从现有技术的方法构建的ROC曲线。

具体实施方式

参考图2，该步骤描述了一种方法，该方法是本发明的一个实施例，并且该方法利用计算机操作的扭结的检测来确定杯盘比用以评估青光眼。

输入到实施例的是一个单独的视网膜图像。在视网膜图像上最先进行涉及步骤202和步骤204的预处理以估算图像上的视盘边界，并且初步估测图像上的视杯边界的位置。接着，在初步估测的视杯边界的位置上进行局部小片的采集(步骤206)，这些小片一起限定了离所初步估测的视杯边界的位置最近的一个区域。随后是涉及步骤208、步骤210(在该步骤中确定小片上的显著特征)以及步骤212(在该步骤中确定哪些特征与血管边缘有关)的“特征生成和血管识别”过程。矢量化血管边缘(步骤214)，并且确定扭结(步骤216)，之后，在步骤218中使用扭结来划分视杯边界以获得视杯尺寸。接着，将视杯尺寸与步骤202输出的结果相比较得到杯盘比。下面将更详细地描述这些步骤。

预处理(步骤202和步骤204)

在步骤202中，进行视盘分割。在视网膜图像中，视盘占据整个视网膜图像中的一小部分区域。首先以估测的视盘位置为中心选取一个区域。在一个实施例中，这个区域的直径是典型的视盘直径的两倍。通过阈值化视网膜图像的红色通道来确定所估测的视盘中心，在所述的视网膜图像的红色通道处视盘是最清楚的。接着，将变分水平集方法[14]应用到所述区域以获得视盘。随后，用椭圆拟合来平滑获得的视盘边界。

在步骤204中，进行视杯边界的估测。为了随后使用变分水平集方法，阈值化被应用于所选取的视盘的绿色通道以获得一个初始轮廓。在运用了变分水平集方法后所获得的结果随后被椭圆拟合以提供一个基于苍白的视杯边界的初步估测的位置。

局部采集小片(步骤206)

在步骤206中，进行局部采集小片，以确定位于视盘内的扭结。使用初步估测的视杯边界的位置作导向，形成多个正方形的小片。在示例性的实施例中，这样来设计小片之间的空间以确保在小片之间存在某种交搭，来进行冗余测量。此外，在示例性的实施例中，正方形小片的尺寸是128×128像素，并且具有足够的小片，以使全部的整套小片包括初步估测的视杯边界的全部位置。通过应用已定位的目标小片，能够避免对于仅仅检测大血管的后续边缘检测方法的偏移。

图3(a)描述的是一个最初的视网膜图像300，而图3(b)描述了已选取的视盘边界302和在进行了步骤202和步骤204后初步估测的视杯边界304。图3(c)中示出了进行步骤206后生成的一些小片306。实际上，小片的数量足以一起覆盖整个线304。

包括步骤208、步骤210和步骤212的特征产生

由于同大血管相比它们的可视性降低，因此在扭结检测中的关键性挑战之一在于选取小血管。为了检测扭结，重要的是检测血管的弯曲而不是血管本身。因此，也可以从血管边缘获得所需的扭结信息。在本发明的一个实施例中，该实施例通过使用两个独立的方法检测盘内血管边缘来检测扭结以产生特征。

在步骤208中，在步骤206中选取的每个小片上进行边缘图像的生成。在所述小片的绿色通道中进行边缘检测以获得所述小片内的所有可能血管边缘的位置。在一个实施例中，使用Canny边缘转换法。但是，也可以使用其它的边缘检测方法，例如Sobel、Prewitt或Roberts边缘检测法。等式(1)中定义了所获得的转换图像G(χ)，其中n是被检测的边缘数目，Ln是指第n个被检测到的边缘，以及m是所使用的边缘的全部数目。

通过在已定位的小片上进行边缘检测，降低了大血管的优势(在血管边缘具有相对较高的对比)。这样能检测出具有较低的血管边缘对比的小血管。通过图像对比的增强随后改善了小血管的可视性。但是，如果使用图像对比增强导致噪音效果的增加，该增加的噪音效果可能反过来导致检测到了多余的边缘，所以不应用图像对比增强是优选的。

在步骤210中，通过将小波变换应用到每个小片的绿色通道以在步骤206中选取的每个小片上生成小波图像。在一个实施例中，使用了等式(2)中所示的2D的连续的小波变换。在等式(2)中，Wψ是小波响应，其中χ＝(x，y)是像素值，Cψ，ψ，Ь，θ和s分别表示标准常数、母小波(the mother wavelet)、位移矢量、旋转角和膨胀参数。ψ^*是ψ的复共轭。如等式(3)中所示的2D Gabor小波变换ψG(χ)被用作母小波，其中A＝diag[ε-1/2，1]，ε＞＝1是一个2×2的对角矩阵，该对角矩阵限定了各向异性的过滤，并且Ko是限定复指数频率的矢量。

$W_{\mathrm{\ψ}}(b,\mathrm{\θ},s)=C_{\mathrm{\ψ}}^{-1/2}\frac{1}{s}{\∫\mathrm{\ψ}}^{*}\left(s^{-1}{r}_{-\mathrm{\θ}}(x-b)\right)f\left(x\right)d^{2}x---\left(2\right)$

${\mathrm{\ψ}}_G\left(x\right)=\exp \left({\mathrm{jk}}_{0}x\right)\exp (-\frac{1}{2}{\left|\right|\mathrm{Ax}\left|\right|}^2)---\left(3\right)$

在所述的小波变换中，与母小波具有很高关联度的图像部分产生了较高的得分或数值。对图像中进行分析以获得小波响应的这些最大值，随后其被用于生成小波变换图像。来自于小波变换的结果例如小波响应表征了小片内存在血管的概率(例如置信度)。这个置信度用小波响应强度来表示，小波响应强度反过来由小波变换图像中的像素强度来反映。

根据等式(4)可以进行小波图像的归一化(normalized)。在等式(4)中，W(χ)和W_norm(χ)分别代表小波图像和归一化的小波图像，μ_w代表小波图像中的小波系数的平均数，以及σ_w代表了小波图像中的小波系数的标准偏差。

$W_{\mathrm{norm}}\left(x\right)=\frac{W\left(x\right)-{\mathrm{\μ}}_W}{{\mathrm{\σ}}_W}---\left(4\right)$

在步骤212中，进行血管的评估和确定。步骤208和步骤210的计算结果即边缘图像和小波变换图像被统计组合在一起以获得置信度图像，由此置信度图像中的每个像素表明了所述像素属于血管边缘的概率。在一个实施例中，贝叶斯准则(Bayesian rule)被用于进行这种组合。接下来，通过平均该组像素中的像素概率来确定作为实际血管边缘的每组像素的整体概率。

在一个实施例中，根据等式(5)来进行置信度图像的生成以及平均像素组内的像素概率。在等式(5)中，在归一化小波图像W_norm(xNp)和边缘图像G(χNp)组合后以及在平均了像素组内的像素概率后，δn代表用于一组像素的置信度图像，其中Np是所述组中的像素的数目。

${\mathrm{\δ}}_n=\frac{\underset{n_p=1}{\overset{N_p}{\mathrm{\Σ}}}{W}_{\mathrm{norm}}\left(x_{n_p}\right)\×G\left(x_{n_p}\right)}{N_p}---\left(5\right)$

随后，使用经验上的优化修剪来去除平均概率低的像素组。以这种方式，其像素对应较低概率值的该组像素被处理为多余值并被过滤掉。这就只留下了高概率的像素组，该高概率的像素组更可能是血管边缘，即，高概率的像素组是被检测到的边缘。

可选择地是，例如贝叶斯(Bayesian)或支持向量机(Support Vector Machines)的自适应方法可以被用于选择血管边缘。在这些方法中需要一段训练时期，并且所使用的训练数据可以是从下面详细描述的新加坡眼科研究院获得的临床数据。

矢量化和确定扭结(步骤214和步骤216)

在步骤214中，对已确定的血管进行矢量化。由于图像中存在噪声，沿着一些被检测到的血管的边缘观察到了一个或两个像素突起的存在，它们不是实际的扭结。为了避免这样的结果，每个血管边缘用n阶多项式平滑，其中为了获得最佳拟合n是可改变的。为了避免过度拟合，多项式的最大阶数n是被限制的(根据使用者的需求n可以在5到15的范围内)。接下来，每个血管边缘被细分为线段，随后它们被矢量化。这有助于避免进一步的局部效应。

在步骤216中，进行血管中扭结的检测。计算每个血管中的每个结点之间的相对角度的改变，并且如果发现角度的改变超过了一个特定的角度则确定扭结在该结点处存在，所述的特定的角度可以大于或等于15度并且为了适应使用者的灵敏性需求可以被修改。在一些连续结点处的角度改变相似的血管中，不能确定扭结的存在，即使在每个结点的相对角度超过特定的角度，因为这种情况通常预示为弯曲的血管而不是一个局部扭结。

图4示出了进行了步骤206-步骤216后的视网膜图像。图4(a)示出了一个从步骤206选取的小片。图4(b)示出了在所选取的小片的绿色通道上应用步骤208后的边缘图像。图4(c)示出了在所选取的小片的绿色通道上应用步骤210之后的小波图像。图4(d)示出了在应用步骤212到步骤216之后叠加了被检测到的血管边缘402(线)和扭结404(十字线)的图4(a)中的图像。

使用扭结划分视杯边界(步骤218)

在根据步骤214和步骤216处理了所有的小片后，被检测到的血管和被确定的扭结从小片中被选取出来，并被登记在步骤202获得的预估的视盘内的区域。来自于不同的小片的各种被确定的血管被合并，而来自于不同小片(除了彼此紧贴像素的那些小片)的扭结点组合。

接着，利用扭结估测视杯边界。当在一个组合血管中检测到的扭结超过一个时，可能是严重扭结或“卡口(bayoneting)”，离视盘中心最远的扭结被用于表明视杯边界的位置。理想地，为了仅仅使用扭结来估计视杯边界，围绕视杯边界所述的扭结应被很好地分布。但是，并不总是这样的情况。在一些图像中，在一个特定区域的扭结可能是密集的，或者扭结的数量不足以确定整个视杯边界。在这种情况下，可自动添加额外的点，所述的点来自于从步骤204获得的基于苍白的水平集视杯边界(如图2所示)。最后，通过椭圆拟合扭结和任何额外的点来获得视杯边界。图5示出了视杯边界500的一个例子，所述的视杯边界500通过将扭结点502和苍白点504组合在一起形成。

实验结果

用于实验的27幅视网膜图像是从新加坡国家眼科中心(SNEC)获得的。每个视网膜图像都用高分辨率的3072×2048视网膜眼底照相机获取，并随后由来自于新加坡国家眼科中心的临床医生-科学家评分以确定杯盘比(CDRgt)。评分后的结果被设定为基础真值，利用该基础真值评价本实施方式的性能。然后，设定的图像被分成两组，其中一组图像由患有青光眼的受实验者的10幅图像组成，另一组图像由没有青光眼的受实验者的17幅剩余的图像组成。青光眼的诊断是基于结合了CDR值、眼压和视野缺损测试的一个整体方法，

使用这27幅图像，在确定CDR(例如基于扭结的CDR值)实施例中使用的基于扭结的方法(KMB)的准确性是通过计算基于扭结的CDR值(CDR_KMB)与临床的CDR值(CDR_gt)之间的差值(E_KBM)，即E_KBM＝CDR_gt-CDR_KMB，来评估的。作为比较，CDR是利用仅靠苍白(PBM)的方法获得的，并且通过计算仅靠苍白的CDR值(CDR_PBM)与临床的CDR值(CDR_gt)之间的差值同样地计算误差E_PBM，即E_PBM＝CDR_gt-CDR_PMB。

图6示出了E_KBM和E_PBM对CDR_gt的关系图。从图6可以看出，对于患有青光眼和没有青光眼的受验者来说，CDR值高时误差较低。特别是，在较高的CDR值处(此处患上青光眼的风险较高)，误差几乎减半。为了确定基于扭结的方法和基于仅靠苍白的方法之间的平均误差的差异，用E_KBM值和E_PBM值来计算RMS误差。由E_KBM值和E_PBM值计算的RMS误差分别为0.093和0.139，其表明当使用基于扭结的方法时，误差降低了33％。此外，还发现，E_KBM的误差范围在0.2CDR单位内，这在以前报道的人工的观察者自身限度[7]范围内。虽然，仅靠CDR不足以确定病人是否患有青光眼，但是CDR作为一种显示患者是否具有患上青光眼的高风险的方便客观的手段可以被用于早期的筛选系统。

根据来自新加坡国家眼科中心的建议，CDR值超过0.6CDR单位表明患有青光眼的风险。因此，设定的图像被分为“高风险组”和“低风险组”，如果CDR超过0.60就是高风险组，反之就是低风险组。计算了将视网膜图像分成“高风险”类别(即CDR＞0.6)的基于扭结的方法和仅基于苍白的方法的特异性和敏感性，并如表1所示。该结果表明基于扭结的方法具有更高的敏感性。虽然同仅基于苍白的方法相比，基于扭结的方法具有较低的特异性，但是因为在筛选系统中其假阳性的误差标准通常高于假阴性的误差标准，因此基于扭结的方法在筛选系统中仍然是优选的。

表1

方法	RMS误差	敏感性(CDR＞0.6)	特异性(CDR＞0.6)
				仅基于苍白的方法	0.139	0.186	0.818
基于扭结的方法	0.093	0.813	0.455

图7示出了使用从基于扭结的方法(曲线702)和仅基于苍白的方法(曲线704)获得的结果构建的接受者操作特征(ROC)曲线以进一步评估这些方法基于CDR将图像分成“高风险”类别的性能。为了获得ROC曲线，即使表明青光眼高风险的临床基础真值CDR界限值保持在0.6CDR单位，用于表明图像属于“高风险”类别的CDR界限值可以被改变。从这些结果可以看出，基于扭结的方法与仅基于苍白的方法相比通常具有更好的效果。

使用基于扭结的方法的实施例的优点在于，其可以自动检测来自于视网膜图像的CDR，因此可以自动评估病人患有青光眼的风险。“自动”一词的意思是，使用者一旦启动，本发明实施例中的整个过程就会在没有人员干预的情况下运行。可选择地，所述的实施例可以半自动的方式实施，也就是具有最小限度的人员干预。使用基于扭结的方法的实施方式同视网膜图像的人工分级相比结果更一致，并且劳动力密集程度更低。这有利于进行大量筛选以及青光眼病人的早期发现。

此外，与其它的方法不同的是，这种实施方式不依赖于例如立体图像的3D形态。相反，这种实施方式仅需要一张2D视网膜图像。这提高了在低成本设备上的可操作性。

由于并不依赖来自于视网膜图像的色彩信息，这种实施方式甚至可以在没有苍白或在没有明显的盘-杯对比的情况下操作。这种实施方式对于视杯/苍白差异这样的问题也是乐观的。因此，该实施方式中的基于扭结的方法比其它方法例如仅基于苍白的方法更加精确并且提供了一个用于确定视杯边界的生理上和医学上都可靠的方法。

该实施方式被用在筛选中心用于CDR的计算机评估，而不需要有经验的分级员。一些本发明的发明人以前曾经提出了一个称为“ARGALI系统”的系统(在申请号为PCT/SG2008/00186的专利中公开，该申请在本发明的优先权日没有公布，但是其公开的内容在此通过参考被合并到本发明)。

简而言之，ARGALI系统公开了通过视盘分割步骤以及随后的视杯分割步骤处理了一个单独的2D视网膜眼底图像。来自于视盘分割步骤的数据(即，视盘分割步骤的输出值和/或来自于视盘分割步骤的输出值的衍生数据，例如通过平滑操作)以及来自于视杯分割步骤输出值的衍生数据(即，视杯分割步骤的输出值和/或来自于视杯分割步骤的输出值的衍生数据，例如通过平滑操作)被输入到一个自适应模型，该自适应模型被校准以从这些输入值中生成一个CDR的指示值。ARGALI技术可以与本实施方式结合以提供一个更加全面和完整的CDR测定方法。例如，通过获得有关基于扭结的视杯边界的有用的信息，应用这种结构信息的本实施方式可以补充ARGALI系统，使得来自于原始的ARGALI系统的使用视杯色彩获得的结果用来自于本实施方式的视杯边界标记进行调整，以获得更精确的结果。

本发明的系统和三个现有技术的系统之间的比较在表2中进行了总结。

表2

参考文献：

[1]World Health Organization(世界卫生组织)，Magnitude and Causes of VisualImpairment，2004

[2]T.Y.Wong，S.C.Loon，S.M.Saw，“The Epidemiology of Age Related Eye Diseases inAsia，”(亚洲与年龄相关的眼部疾病的流行病学)，Br.J.Ophthalmol..，Vol.90，pp.506-511，2006.

[3]P.J.Foster，F.T.S.Oen，D.Machin，T.-P.Ng，J.G.Devereux，G.J.Johnson，P.T.Khawand S.K.L.Seah，“The Prevalence of Glaucoma in Chinese Residents of Singapore：ACross-Sectional Population Survey of the Tanjong Pagar District，”(在新加坡的中国居民青光眼的流行病：丹戎巴葛行政区的代表性的人群调查)，Arch Ophthalmol，Vol.118，pp.1105-1111，2000

[4]H.A.Quigley and A.T.Broman，“The number of people with glaucoma worldwide in2010 and 2020，”(2010和2020年世界范围患有青光眼的人数)，Br J Ophthalmol，Vol.90，pp.262-267，2006

[5]Glaucoma Research Foundation(青光眼研究基金会)，“Are You at Risk forGlaucoma？”(你是否具有患有青光眼的危险？)

[6]A.Heijl，M.C.Leske，B.Bengtsson，L.Hyman，B.Bengtsson，M.Hussein，and G.for theEarly Manifest Glaucoma Trial，“Reduction of Intraocular Pressure and GlaucomaProgression：Results From the Early Manifest Glaucoma Trial，(眼压和青光眼进展的减轻：早期显示青光眼试验的结果)，Arch Ophthalmol，Vol.120，pp.1268-1279，2002

[7]R.Ritch，M.B.Shields，T.Krupin，The Glaucomas(青光眼)，2^nd ed.，St.Louis：Mosby；1996，pp623

[8]N.Inoue，K.Yanashima，K.Magatani，and T.A.K.T.Kurihara，“Development of a simplediagnostic method for the glaucoma using ocular Fundus pictures，”(使用眼部基底图片简单诊断青光眼的方法的发展)，27^th Annual International Conference of theEngineering in Medicine and Biology Society，2005

[9]M.D.Abramoff，W.L.M.Alward，E.C.Greenlee，L.Shuba，C.Y.Kim，J.H Fingert andY.H.Kwon，“Automated Segmentation of the Optic Disc from Stereo Color PhotographsUsing Physiologically Plausible Features，”(使用生理上看似合理的特征从立体彩色相片中自动分割视盘)，Investigative Ophthalmology and Visual Science，Vol.48，pp.1665，2007

[10]J.Xu，O.Chutatape，E.Sung，C.Zheng，and P.Chew Tec Kuan，“Optic disk featureextraction via modified deformable model technique for glaucoma analysis，”(通过改进的变形的模型技术进行青光眼分析的视盘特征采集)，Pattern Recognition，Vol.40，pp.2063-2076，2007

[11]J.Liu，J.H.Lim，D.W.K.Wong，X.Jia，F.Yin，H.Li and T.Y.Wong，“Image-BasedAutomatic Glaucoma Diagnosis.”(基于图像的自动的青光眼诊断)，In AsianConference on Computer Aided Surgery Singapore，2007

[12]R.R.Allingham，K.F.Damji，S.Freedman，S.E.Moroi，and G.Shafranov，ShieldsTextbook of Glaucoma，(青光眼的Shields书)5^th Edition：Lippincott Williams&Wilkins，2005，pp.88

[13]J.B.Jonas，W.M.Budde，and S.Panda-Jonas，“Ophthalmoscopic evaluation of the opticnerve head，”(视神经乳头的检眼镜的评估)Surv Ophthalmol，Vol.43，pp.293-320，1999

[14]C.Li，C.Xu，C.Gui and M.D.Fox，“Level set evolution without re-initialization：a newvariational formulation.”(无需重新初始化的水平集进化)，IEEE Computer SocietyConference on Computer Vision and Pattern Recognition，2005。

Claims (20)

1.一种确定2D视网膜图像中视杯边界的方法，该方法包括以下步骤：

(a)对所述图像上视杯边界的位置进行初步估测；

(b)在初步估测的视杯边界的位置的邻域中确定血管的边缘；

(c)在被确定的血管边缘处检测扭结；以及

(d)基于被检测到的扭结确定2D视网膜图像中的视杯边界。

2.根据权利要求1所述的方法，其特征在于，所述步骤(b)包括以下的子步骤：

(i)在贴近所述的初步估测的视杯边界的位置处生成小片；和

(ii)在每个生成的小片中确定血管边缘。

3.根据权利要求2所述的方法，其特征在于，所述的生成的小片彼此交搭。

4.根据权利要求2或3所述的方法，其特征在于，所述步骤(c)包括：

(i)将每个生成的小片中的每个被确定的血管边缘表示为一系列由矢量连接的节点；

(ii)计算所述矢量中连续的矢量的延伸方向之间的角度差；以及

(iii)如果所计算的角度差大于一个特定的阈值，则确定扭结存在。

5.根据权利要求4所述的方法，其特征在于，所述的将被确定的血管边缘表示为一系列由矢量连接的节点的步骤还包括：

(i)使每个被确定的血管边缘符合一个n阶多项式以平滑每个被确定的血管边缘，其中n是一个整数；以及

(ii)将每个已平滑的血管边缘细分成线段，每个所述的线段对应各自的一个所述矢量。

6.根据权利要求2-5中任一项所述的方法，其特征在于，所述在每个已生成的小片上确定血管边缘的步骤还包括以下步骤：

(a)在每个已生成的小片上进行边缘检测以产生边缘图像；

(b)在每个已生成的小片上进行小波变换以产生小波变换图像；

(c)将所述的边缘图像和所述的小波变换图像组合在一起以产生每个生成的小片的置信度图像，其中，在所述置信度图像中每个像素表示所述像素属于血管边缘的概率；以及

(d)通过确定所述置信度图像中的具有对应于血管边缘的相对高的概率的像素来确定血管边缘。

7.根据权利要求6所述的方法，其特征在于，使用Canny边缘检测、Sobel边缘检测、Prewitt边缘检测或Roberts边缘检测来进行边缘检测。

8.根据权利要求6或7所述的方法，其特征在于，使用2D Gabor小波变换来进行所述的小波变换。

9.根据权利要求6-8中任一项所述的方法，其特征在于，使用贝叶斯准则或支持向量机器分级而将所述边缘图像和所述小波变换图像组合在一起。

10.根据权利要求6-9中任一项所述的方法，其特征在于，在将所述边缘图像和所述小波变换图像组合在一起的步骤之前，将所述小波变换图像进行归一化。

11.根据前述任一项权利要求所述的方法，其特征在于，所述的步骤(a)通过以下步骤来进行：

(i)在所述图像上获得视盘边界的预估位置；以及

(ii)从所述的视盘边界的预估位置获得所述的初步估测的视杯边界的位置。

12.根据权利要求11所述的方法，其特征在于，所述的获得视盘边界的预估位置的步骤通过以下步骤来进行：

(i)阈值化所述视网膜图像的红色通道；

(ii)根据阈值化的所述视网膜图像的红色通道确定所述视盘的中心；

(iii)选取集中在所述视盘的所述中心的视盘区域；

(iv)将变分水平集方法应用到所述已选取的视盘区域以获得一个最初估计的视盘边界；以及

(v)用椭圆拟合来平滑所述最初估计的视盘边界以获得所述的视盘边界的预估位置。

13.根据权利要求12所述的方法，其特征在于，所述视盘区域的直径至少是典型视盘直径的1.5倍。

14.根据权利要求12或13所述的方法，其特征在于，从所述的视盘边界的预估位置获得所述的初步估测的视杯边界的位置的步骤包括：

(i)阈值化所述的视盘边界的预估位置区域内的绿色通道以获得第一轮廓；

(ii)将变分水平集方法应用到所述第一轮廓以获得第二轮廓；以及

(iii)将椭圆拟合应用到所述第二轮廓以获得所述的初步估测的视杯边界的位置。

15.根据前述任一项权利要求所述的方法，其特征在于，所述步骤(d)包括对所述被检测到的扭结进行椭圆拟合运算。

16.根据权利要求1-14中任一项所述的方法，其特征在于，所述步骤(d)包括以下步骤：

(i)确定所述初步估测的视杯边界的位置上的点；

(ii)对所述被检测到的扭结和所述被确定的点进行椭圆拟合运算。

17.一种确定CDR的方法，该方法包括以下步骤：

(a)根据权利要求1-16中任一项所述的方法确定视盘边界和视杯边界；

(b)从所述视盘边界确定视盘尺寸；

(c)从所述视杯边界确定视杯尺寸；以及

(d)通过计算所述视杯尺寸和所述视盘尺寸的比值确定所述CDR。

18.一种确定患有青光眼的风险的方法，该方法包括以下步骤：

(a)根据权利要求17所述的方法确定CDR；以及

(b)如果CDR大于0.6，则确定患有青光眼的风险高。

19.一种计算机系统，其特征在于，所述计算机系统具有一个用于执行权利要求1-18中任一项所述的方法的处理器。

20.一种计算机程序产品，其特征在于，所述计算机程序产品是计算机可读的，并且包含由计算机系统的处理器可操作的指令，以使所述处理器执行权利要求1-18中任一项所述的方法。

Images