CN104537669B - 眼底图像的动静脉视网膜血管分割方法 - Google Patents

眼底图像的动静脉视网膜血管分割方法 Download PDF

Info

Publication number
CN104537669B
CN104537669B CN201410851671.9A CN201410851671A CN104537669B CN 104537669 B CN104537669 B CN 104537669B CN 201410851671 A CN201410851671 A CN 201410851671A CN 104537669 B CN104537669 B CN 104537669B
Authority
CN
China
Prior art keywords
blood vessel
vessel
segmentation
fundus image
eye fundus
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.)
Active
Application number
CN201410851671.9A
Other languages
English (en)
Other versions
CN104537669A (zh
Inventor
吴健
黎罗河
邓水光
李莹
尹建伟
吴朝晖
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.)
Hangzhou Qiushi innovative health technology Co., Ltd.
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201410851671.9A priority Critical patent/CN104537669B/zh
Publication of CN104537669A publication Critical patent/CN104537669A/zh
Application granted granted Critical
Publication of CN104537669B publication Critical patent/CN104537669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种眼底图像的动静脉视网膜血管分割方法，包括如下步骤：按照预设的二值化阈值对经过预处理的眼底图像进行二值化处理，并提取二值化处理后的眼底图像中的中心线和边缘，得到血管树；对所述的血管树分叉处做断开处理得到血管段，并对各个血管段进行线分割得到血管，得到原始血管集；确定误分割血管，并从原始血管集中去除得到全局血管集。本发明在得到原始血管集后进一步还利用血管的背景和形状确定误分割的血管，可以有效去除因为拍照造成的环状反光、视盘周围的非血管的跃阶边缘、斑状病变以及出血病变等原因造成的误分割血管，提高了血管分割精度。

Description

眼底图像的动静脉视网膜血管分割方法
技术领域
本发明涉及计算机辅助诊断技术领域，具体涉及一种眼底图像的动静脉视网膜血管分割方法。
背景技术
随着计算机技术中的人工智能领域的快速发展，计算机辅助诊断技术也逐渐发展。计算机辅助诊断技术是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段，结合计算机的分析计算，辅助影像科医师发现病灶，提高诊断的准确率。
通常医学影像学中计算机辅助诊断分为三步，具体如下：第一步是把病变从正常结构中提取出来；第二步是图像特征的量化；第三步是对数据进行处理并得出结论。
因为计算机可以全面利用影像信息进行精确的定量计算，去除人的主观性，避免因个人知识和经验的差异而引起的“千差万别”的诊断结果；所以它的结果是不含糊的，是确定的，它使诊断变得更为准确、更为科学。
随着现代高科技的发展，计算机辅助诊断将与图像处理和PACS系统等技术融合，变得更易于操作、也更趋于准确，其临床应用范围将进一步扩大。
在医学检测中，眼睛是唯一可无损检测同时信息丰富的器官。研究指出视网膜血管病变中的血管局限缩窄、弥漫缩窄、动静脉交叉压迫、血管行走改变、铜丝动脉、出血、棉絮斑、硬性渗出以及视网膜神经纤维层缺损与脑卒有显著的相关性。且对于脑卒中的预测，眼底检查仅需40元，而MRI检查则需要上千元，颈动脉超声也需要140元。相比之下眼底检查的性价比最高。眼底图像计算机分析的全自动化的方法，包括可以提供即时的视网膜病变分类，而不需要专家意见，建立以眼底血管视神经预测三高并发症的系统具有其确实的经济意义。因此，视网膜血管的病变检测在对脑卒的辅助检测具有突出作用。其中构建一个动静脉交叉压迫视网膜血管病变的自动检测系统更是其中的关键部分。
对眼底图像进行血管分割、视盘定位和血管分类(动静脉分裂)是视网膜血管的病变检测的基础，现有的血管分割方法需要人工添加标注信息，自动化程度不高。
发明内容
针对现有技术的不足，本发明提供了一种眼底图像的动静脉视网膜血管分割方法。
一种眼底图像的动静脉视网膜血管分割方法，包括如下步骤：
(1-1)按照预设的二值化阈值对经过预处理的眼底图像进行二值化处理，并提取二值化处理后的眼底图像中的中心线和边缘，得到血管树；
(1-2)对所述的血管树分叉处做断开处理得到血管段，并对各个血管段进行线分割得到血管，得到原始血管集；
(1-3)确定误分割血管，并从原始血管集中去除得到全局血管集。
本发明中对眼底图像进行小波变换以对眼底图像进行预处理。
二值化阈值为二值化处理后为血管的像素点个数占整个眼底图像的像素点比例，通常取值为4～20％。二值化阈值越大，则越宽松。作为优选，所述的二值化阈值为14％。
所述步骤(1-3)中的误分割血管包括分为两类，第一类误分割血管基于血管两侧的背景差异确定，第二类基于血管形状确定。
本发明中所述的背景差异值背景颜色的差异，步骤(1-3)中通过如下步骤确定第一类误分割血管：
(a1)针对每个血管，提取该血管两侧背景的特征向量；
任意一侧背景的特征向量根据该侧距离中心线5～10个像素点以内区域中所有像素点(即与中心线的距离小于5～10个像素点)的RGB三个通道上的颜色值得到。
每侧的特征向量为一个三维向量，分别表示血管两侧背景的在RGB三个通道上的颜色值信息。具体实现时获取该侧距离中心线5～10个像素点的区域中的所有像素点在R、G、B三个通道上的颜色值并分别在每个通道上求平均，进而得到该侧的特征向量。
(a2)根据所述特征向量的采用聚类法将所有血管聚为两类，得到的小类即为视盘周围误分割血管。
针对每个血管，计算两侧特征向量的欧氏距离，然后对所有血管对应的欧式距离进行聚类，即完成对血管的聚类。
由于K均值聚类(即K-means算法)不需要调整参数，且运行速度较快。作为优选，所述步骤(a2)中采用K均值聚类法将所有血管聚为两类。
本发明中所述的血管形状实际上指各个血管的连接关系，步骤(1-3)中通过如下步骤确定第二类误分割血管：
确定划分出原始血管集的眼底图像中的环状结构，针对各个环状结构，若该环状结构中长度最大的血管的长度小于预设的分割长度阈值，则认为该环状结构中所有血管均为第二类误分割血管，进一步进行如下操作：
确定该环状结构的中心，并计算该中心到长度大于或等于分割长度阈值的血管的最短距离(即该中心到距离其最近的长度大于或等于分割长度阈值的血管的距离)，认为以该中心为圆心、最短距离为半径的圆形区域内所有血管为第二类误分割血管。
分割长度阈值的设定根据实际经验值设定，通常为分割长度阈值为α＝x/60～x/45，x为眼底图像的横向大小，即眼底图像沿横轴的长度。
未作特殊说明，本发明中对长度、距离、图片大小等参数进行衡量时统一以像素点为单位。
与现有技术相比，本发明在得到原始血管集后进一步还利用血管的背景和形状确定误分割的血管，可以有效去除因为拍照造成的环状反光、视盘周围的非血管的跃阶边缘、斑状病变以及出血病变等原因造成的误分割血管。
附图说明
图1为本实施例的眼底图像；
图2为本实施例中对眼底图像进行血管分割的流程图；
图3为血管分割得到的原始血管集的示意图；
图4为血管分割得到的全局血管集的示意图。
具体实施方式
下面将结合附图和具体实施例对本发明进行详细描述。
本实施例以图1所示的眼底图像为例来说明眼底图像的动静脉视网膜血管分割方法，该眼底图像的大小为3000×3000。由拍照造成的环状反光、视盘周围的非血管的跃阶边缘、斑状病变以及出血病变等原因，该眼底图像中存在亮环。
对该眼底图像进行动静脉视网膜血管分割的分类流程如图2所示，包括如下步骤：
(1-1)对眼底图像进行小波变换(IUWT小波)，按照预设的二值化阈值对经过小波变换的眼底图像进行二值化处理，并提取二值化处理后的眼底图像中的中心线和边缘，得到血管树；
(1-2)对血管树分叉处做断开处理得到血管段，并对各个血管段进行线分割得到血管，得到原始血管集。
对血管树分叉处做断开处理时：当血管树中的血管中心线中多根中心线汇集到一点时，去除中心点(汇集的交叉点)，得到单独的多根血管中心线。
对各个血管段进行线分割时：以每一根中心线作为一个血管段。血管段为一条曲线，运用图像处理的线分割的传统方法，将曲线用多根直线逼近。得到的多根直线，每根直线即代表一根血管，所有直线的集合即为原始血管集。
(1-3)确定误分割血管，本实施例中误分割血管包括第一类误分割血管和第二类误分割血管，从原始血管集合中删除第一类误分割血管和第二类误分割血管，则得到全局血管集(即最终血管集)。
对于环状反光造成的误分割，其分割出的血管相对于正常血管具有是由小段的血管组成的环的结构特点。
对于视盘周围的跃阶边缘造成的误分割，其分割出的血管在RGB色彩空间(即通道)和结构上并没有特别的特点。其误分割血管为视盘周围的背景组成，因为其靠近视盘，而视盘周围的背景颜色相对于远离视盘周围的背景来说和普通血管颜色具有相识性；从结构上来说由于其是孤立存在的，与视盘周围血管混杂在一起也很难从结构上区分出，如果强行从结构上做判定容易造成大量的误判。但是血管两侧的背景在RGB色彩空间上来说具有较大的色差，这是因为其两侧背景一边由视盘而另外一边由普通背景组成。而实际上一般的血管，其两侧背景都是由普通背景或者都是由视盘组成。
对于斑状病变以及出血病变造成的误分割，其分割出的血管在颜色上是由普通背景组成，不具有特殊特点。但是其结构相对正常血管来说显得特别杂乱，不具有较长的血管形成的树状结构，通常为多个小的环状结构和一些细碎的小血管组合而成。
基于以上分析，本实施例中基于血管两侧的背景差异确定第一类误分割血管：
(a1)针对每个血管，提取该血管两侧背景的特征向量；
获取该侧距离中心线10个像素点以内区域中的所有像素点在R、G、B三个通道上的颜色值并分别在每个通道上求平均，进而得到该侧的特征向量。
每侧的特征向量实际上为一个三维向量，分别表示血管两侧背景的在RGB三个通道上的颜色值信息。
(a2)采用K均值聚类法将特征向量聚为两类，根据特征向量与血管的对应关系将所有血管分为两类，由于误判概率通常不会过高，因此得到的小类(即血管含量较少的血管)即为第一类误分割血管。
本实施例中通过基于血管形状确定第二类误分割血管：
(b1)确定划分出原始血管集的眼底图像中的环状结构。
具体实现时可以构建无向图G＝(V，E)，V为所有血管中心线的两个端点的集合，E为所有血管的中心线的集合，利用该无向图G＝(V，E)确定环状结构。
(b2)针对各个环状结构，若该环状结构中长度最大的血管的长度小于预设的分割长度阈值α(本实施例中分割长度阈值α＝x/50，x为眼底图像的横向大小，即眼底图像沿横轴的长度)，则该环状结构中所有的血管为第二类误分割血管，进一步进行如下操作：
确定该环状结构的中心，并计算该中心到长度大于或等于α的血管的最短距离(即该中心到距离其最近的长度大于或等于α的血管的距离)，以该中心为圆心、最短距离为半径的圆形区域内所有血管为第二类误分割血管。
本实施例中二值化阈值为二值化处理后为血管的像素点个数占整个眼底图像的像素点比例，通常取值为4～20％。二值化阈值越大，则越宽松。
本实施例中使用的二值化阈值为14％。得到的原始血管集如图3所示，对应得到的全局血管集的示意图如图4所示。可以看出，通过去除误分割血管可以有效消除由拍照造成的环状反光、视盘周围的非血管的跃阶边缘、斑状病变以及出血病变等原因造成的干扰，提高血管分割的精确度。
未作特殊说明，本实施例中所有流程图中圆角框表示得到的结果，方角矩形表示操作。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种眼底图像的动静脉视网膜血管分割方法，其特征在于，包括如下步骤：
(1-1)按照预设的二值化阈值对经过预处理的眼底图像进行二值化处理，并提取二值化处理后的眼底图像中的中心线和边缘，得到血管树；
(1-2)对所述的血管树分叉处做断开处理得到血管段，并对各个血管段进行线分割得到血管，得到原始血管集；
(1-3)确定误分割血管，并从原始血管集中去除得到全局血管集；
误分割血管包括分为两类，第一类误分割血管基于血管两侧的背景差异确定：第二类基于血管形状确定；
基于血管两侧的背景差异确定误分割血管的步骤为：
(a1)针对每个血管，提取该血管两侧背景的特征向量；
(a2)根据所述特征向量的采用聚类法将所有血管聚为两类，得到的小类即为视盘周围误分割血管；
基于血管形状确定误分割血管的步骤为：
确定划分出原始血管集的眼底图像中的环状结构，针对各个环状结构，若该环状结构中长度最大的血管的长度小于预设的分割长度阈值α，则认为该环状结构中所有血管均为第二类误分割血管，进一步进行如下操作：
确定该环状结构的中心，并计算该中心到长度大于或等于α的血管的最短距离，认为以该中心为圆心、最短距离为半径的圆形区域内所有血管为第二类误分割血管；
所述步骤(1-1)中预设的二值化阈值为4～20％；
任意一侧背景的特征向量根据该侧距离中心线5～10个像素点以内区域中所有像素点的RGB三个通道上的颜色值得到；
所述步骤(a2)中采用K均值聚类法将所有血管聚为两类；
分割长度阈值为α＝x/60～x/45，x为眼底图像的横向大小。
2.如权利要求1所述的眼底图像的动静脉视网膜血管分割方法，其特征在于，对眼底图像进行小波变换以对眼底图像进行预处理。
CN201410851671.9A 2014-12-31 2014-12-31 眼底图像的动静脉视网膜血管分割方法 Active CN104537669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410851671.9A CN104537669B (zh) 2014-12-31 2014-12-31 眼底图像的动静脉视网膜血管分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410851671.9A CN104537669B (zh) 2014-12-31 2014-12-31 眼底图像的动静脉视网膜血管分割方法

Publications (2)

Publication Number Publication Date
CN104537669A CN104537669A (zh) 2015-04-22
CN104537669B true CN104537669B (zh) 2017-11-07

Family

ID=52853188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410851671.9A Active CN104537669B (zh) 2014-12-31 2014-12-31 眼底图像的动静脉视网膜血管分割方法

Country Status (1)

Country Link
CN (1) CN104537669B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407917B (zh) * 2016-09-05 2017-07-25 山东大学 基于动态尺度分配的视网膜血管提取方法及系统
CN108665474B (zh) * 2017-03-31 2021-05-11 中南大学 一种基于b-cosfire的眼底图像视网膜血管分割方法
CN107203758A (zh) * 2017-06-06 2017-09-26 哈尔滨理工大学 糖尿病人视网膜血管图像分割方法
CN108073918B (zh) * 2018-01-26 2022-04-29 浙江大学 眼底视网膜的血管动静脉交叉压迫特征提取方法
CN110276763B (zh) * 2018-03-15 2021-05-11 中南大学 一种基于可信度和深度学习的视网膜血管分割图生成方法
CN108961273B (zh) * 2018-07-03 2021-10-29 东北大学 一种从ct影像中分割肺动脉和肺静脉的方法及系统
CN111402284B (zh) * 2020-03-17 2023-07-25 中国人民解放军国防科学技术大学 一种基于三维连通性的图像阈值测定方法及装置
CN112233789A (zh) * 2020-10-12 2021-01-15 辽宁工程技术大学 一种区域特征融合的高血压视网膜病变分类方法
CN112734784A (zh) * 2021-01-28 2021-04-30 依未科技(北京)有限公司 一种高精度眼底血管边界确定的方法、装置、介质和设备
CN113744271B (zh) * 2021-11-08 2022-02-11 四川大学 基于神经网络的视神经自动分割和受压迫程度测算方法
CN117274278B (zh) * 2023-09-28 2024-04-02 武汉大学人民医院（湖北省人民医院） 基于模拟感受野的视网膜图像病灶部位分割方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101393644A (zh) * 2008-08-15 2009-03-25 华中科技大学 一种肝门静脉血管树建模方法及其系统
CN101425186A (zh) * 2008-11-17 2009-05-06 华中科技大学 一种基于ct图像的肝脏分段方法及其系统
CN102346911A (zh) * 2010-07-28 2012-02-08 北京集翔多维信息技术有限公司 在数字减影血管造影图像序列中分割血管的方法
CN102842136A (zh) * 2012-07-19 2012-12-26 湘潭大学 一种综合血管分布和视盘外观特性的视盘投影定位方法
CN103268603A (zh) * 2013-05-08 2013-08-28 同济大学 基于层级血管树划分的肝脏图像分段方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8831304B2 (en) * 2009-05-29 2014-09-09 University of Pittsburgh—of the Commonwealth System of Higher Education Blood vessel segmentation with three-dimensional spectral domain optical coherence tomography

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101393644A (zh) * 2008-08-15 2009-03-25 华中科技大学 一种肝门静脉血管树建模方法及其系统
CN101425186A (zh) * 2008-11-17 2009-05-06 华中科技大学 一种基于ct图像的肝脏分段方法及其系统
CN102346911A (zh) * 2010-07-28 2012-02-08 北京集翔多维信息技术有限公司 在数字减影血管造影图像序列中分割血管的方法
CN102842136A (zh) * 2012-07-19 2012-12-26 湘潭大学 一种综合血管分布和视盘外观特性的视盘投影定位方法
CN103268603A (zh) * 2013-05-08 2013-08-28 同济大学 基于层级血管树划分的肝脏图像分段方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
眼底图像中血管分割技术研究;周琳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111115(第11期);全文 *

Also Published As

Publication number Publication date
CN104537669A (zh) 2015-04-22

Similar Documents

Publication Publication Date Title
CN104537669B (zh) 眼底图像的动静脉视网膜血管分割方法
CN104573712B (zh) 基于眼底图像的动静脉视网膜血管分类方法
CN104545792B (zh) 眼底图像的动静脉视网膜血管视盘定位方法
Liao et al. Clinical interpretable deep learning model for glaucoma diagnosis
Liu et al. Referable diabetic retinopathy identification from eye fundus images with weighted path for convolutional neural network
CN110934606B (zh) 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质
CN111222361A (zh) 一种高血压视网膜血管改变特征数据分析的方法和系统
CN104573716A (zh) 基于广度搜索算法的眼底图像的动静脉视网膜血管分类方法
Long et al. BloodCaps: A capsule network based model for the multiclassification of human peripheral blood cells
Khitran et al. Automated system for the detection of hypertensive retinopathy
Liu et al. Transformer and convolutional based dual branch network for retinal vessel segmentation in OCTA images
Meng et al. Cerebral aneurysm image segmentation based on multi-modal convolutional neural network
CN111797900B (zh) 一种oct-a图像的动静脉分类方法及装置
CN107203758A (zh) 糖尿病人视网膜血管图像分割方法
CN108670297A (zh) 基于多模态经颅超声的帕金森病辅助诊断系统及方法
Abbasi-Sureshjani et al. Boosted exudate segmentation in retinal images using residual nets
Maithili et al. Optimized CNN model for diabetic retinopathy detection and classification
CN110610480A (zh) 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型
Su et al. CAVE: Cerebral artery–vein segmentation in digital subtraction angiography
Quon et al. Deep learning for automated delineation of pediatric cerebral arteries on pre-operative brain magnetic resonance imaging
Zhou et al. Computer aided diagnosis for diabetic retinopathy based on fundus image
Shyla et al. Glaucoma detection and classification using modified level set segmentation and pattern classification neural network
Yang et al. Detection of microaneurysms and hemorrhages based on improved Hessian matrix
Mantecón et al. Coronary artery identification on echocardiograms for kawasaki disease diagnosis
Wu et al. Blood vessel segmentation from low-contrast and wide-field optical microscopic images of cranial window by attention-gate-based network

Legal Events

Date Code Title Description
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191011

Address after: 310000 room 410-2, floor 4, building 3, No. 9, Jiuhuan Road, Jianggan District, Hangzhou City, Zhejiang Province

Patentee after: Hangzhou Qiushi innovative health technology Co., Ltd.

Address before: 310027 Hangzhou, Zhejiang Province, Xihu District, Zhejiang Road, No. 38, No.

Patentee before: Zhejiang University