CN106097378A - 一种融合形状先验的水平集视网膜血管图像分割方法 - Google Patents
一种融合形状先验的水平集视网膜血管图像分割方法 Download PDFInfo
- Publication number
- CN106097378A CN106097378A CN201610585839.5A CN201610585839A CN106097378A CN 106097378 A CN106097378 A CN 106097378A CN 201610585839 A CN201610585839 A CN 201610585839A CN 106097378 A CN106097378 A CN 106097378A
- Authority
- CN
- China
- Prior art keywords
- retinal
- level set
- blood vessel
- function
- formula
- 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
Links
- 230000002792 vascular Effects 0.000 title claims abstract description 39
- 230000002207 retinal effect Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 65
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 230000004256 retinal image Effects 0.000 claims abstract description 22
- 210000001210 retinal vessel Anatomy 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 210000001525 retina Anatomy 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims 1
- 230000004233 retinal vasculature Effects 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 230000000877 morphologic effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 230000007812 deficiency Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010029260 Neuroblastoma Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种融合形状先验的水平集视网膜血管图像分割方法,包括:(1)利用形态学算子和高斯卷积增强视网膜血管图像;(2)采用Hessian矩阵的各向异性特性和改进的血管响应函数粗略分割视网膜血管图像,并作为形状约束和初始化信息;(3)使用形状先验和视网膜图像数据信息构建一个包含局部区域能量拟合项、形状约束项、水平集函数正则性维持项、长度惩罚项、加权面积约束项的视网膜血管分割的水平集模型。本发明的分割结果具有较高的准确性,能够替代手动分割,对于临床相关眼科疾病的诊断与治疗能起到重要的辅助作用和具有较强的临床应用价值。
Description
技术领域
本发明涉及一种基于水平集模型的视网膜血管图像分割方法,解决了现有模型存在相邻血管易相连、血管过宽、细小血管易断裂、血管交叉处分割不足等问题。
背景技术
视网膜是脑部神经组织的延伸,具有复杂的多层次组织结构,其血管病变是致盲的重要原因之一。水平集方法是解决曲线演化问题的一种强有力的工具,其拓扑适应性强。它能提供快速的、高准确率的视网膜血管提取方法,为临床眼科医生对疾病的诊断和治疗提供帮助。在眼科学领域,视网膜血管数量、分支、角度、宽度等信息均可作为与视网膜血管相关疾病的诊断依据,这为利用数字图像处理技术分割视网膜血管,定性和定量分析判断患者病情以及研究病理提供了基础。然而目前眼科医生基本上是采用手动方式对视网膜病变进行定量分析,主观性强,无法保证准确性和一致性。
目前血管分割方法多种,如多尺度血管增强滤波、多阈值的血管检测、以形态学为基础技术血管分割、使用神经网络的血管分割算法、多尺度层分解和局部自适应阈值血管分割方法以及基于活动轮廓模型的血管分割等。这些方法存在以下的缺陷:(1)易受高斯卷积算子的影响,分割结果存在相邻血管易相连、血管过宽、细小血管易断裂、血管交叉处分割不足等问题,导致用于复杂血管结构的视网膜血管分割时精度较低;(2)存在对图像噪声过于敏感和难以解决目标与背景灰度值交叉等问题。
发明内容
本发明的目的是针对现有视网膜血管分割方法的不足,提供一种融合形状先验的水平集视网膜血管图像分割方法,本发明能有效地解决相邻血管易相连、血管过宽、细小血管易断裂、血管交叉处分割不足以及对图像噪声过于敏感、目标与背景灰度值交叉等问题。
一种融合形状先验的水平集视网膜血管图像分割方法,包括三个步骤:
步骤1,视网膜血管图像预处理:在对视网膜做边缘扩展基础上采用高斯卷积估计视网膜背景,以消除视网膜原始边界处的灰度突变,获得了一个背景更加均匀的血管增强图像;
步骤2,视网膜血管图像粗略分割:利用改进的血管响应函数和阈值得到视网膜血管的粗分割图像,并以此信息初始化水平集函数和构建形状约束项,以克服水平集模型对初始化敏感以及区域能量拟合项对噪声敏感的问题;
步骤3,视网膜血管图像精细分割:应用连通域面积Area和宽W、高H构建几何算子,消除连通域面积较小的伪影和病灶,获得高准确率的视网膜血管分割图像。
所述的步骤1包括以下三个子步骤:
(a)选取视网膜图像的绿色通道图像I,利用测地线活动轮廓(Geodesic activecontours,GAC)模型自动获得视网膜的“掩模”;
(b)在获取的“掩模”的基础上对视网膜图像作边缘扩展,获得图像IExten;就是采用形态学算子,对图像作开运算,消除血管中心亮线,从而获得消除了血管中心亮线的视网膜边缘扩展图像IExten;
(c)构建高斯模板,所述的高斯模板尺寸为原始图像尺寸除以14后取整数,小数点后四舍五入;对图像IExten做卷积运算,估计视网膜图像背景IBackg,并与IExten做减法运算和与“掩模”做点乘运算,从而获得增强的视网膜血管图像Ienhance,然后把图像Ienhance的灰度值线性拉伸到[0-255],获得图像IGrayS。
所述的步骤2包括以下两个子步骤:
(a)构建血管响应函数,根据Hessian矩阵对图像不同点(x,y)的特征值描述,构建用以区别血管与背景的描述算子;构建的视网膜血管描述算子J和血管响应函数νσ(x,y)分别定义为:
J=(|λ1|-|λ2|)2(|λ1|+|λ2|)2 (1)
式(1)、式(2)中1/Rβ=λ2/λ1,λ1和λ2分别为二维Hessian矩阵的特征值;β为调整血管明暗的尺寸参数,σ是高斯核函数尺寸,Jmax是J的最大值;
由于视网膜血管图像尺寸不一,需在多尺度下计算血管响应函数νσ(x,y),最后取各尺度下的最大响应值,其定义如下:
式(3)中σmin和σmax为感兴趣的眼底视网膜血管的最小和最大尺寸;
(b)二值化处理,利用式(2)和式(3)计算ν(x,y),获得血管响应图像IResp后进行二值化处理;先选取较小的阈值c1获得二值化图像并作为水平集函数φ的初始化;然后选取略大的阈值c2获得二值化图像并使用2×2的模板对作开运算和删除连通域面积小于100的伪影,获得二值化图像IB去构建形状约束项。
所述的步骤3包括以下两个子步骤:
(a)构建视网膜图像血管分割的水平集模型,利用粗略去除血管后视网膜背景方差设置形状约束项、面积约束项、长度惩罚项的权重系数,进一步克服图像噪声和固定时间开销;视网膜图像血管分割的水平集模型E(φ,f1,f2)定义如下:
E(φ,f1,f2)=ER(φ,f1,f2)+ηES(φ)+μPR(φ)+νLP(φ)+γAR(φ) (4)
式(4)右边分别为局部区域能量拟合项、形状约束项、水平集函数正则性维持项、长度惩罚项、加权面积约束项,η,μ,ν,γ为权重系数;
①区域能量拟合项ER(φ,f1,f2)定义为:
式(5)中kσ(x-y)为高斯核函数,σ是高斯核尺寸参数,用以控制局部区域灰度值拟合范围;fi(x),i=1,2为局部区域灰度值拟合函数,通过标准梯度下降流法求解能量函数E(φ,f1,f2)得到:
式(6)βi,i=1,2为区域能量拟合项权重系数;φ为Lipschitz水平集函数,为区域函数,表示曲线内部和外部,定义Hε(φ)为具有正则性的Heaviside函数,其导数为Dirac函数δε(φ);
式(7)、式(8)中ε为尺寸参数;
由于作为水平集函数的初始化信息,即
②形状约束项ES(φ)能量表达式定义为:
相应的水平集函数
式(9)中表示视网膜血管先验形状,即在t*时刻
式(11)中d(x,C)表示视网膜图像中点x到轮廓曲线C的Euclidean距离,x∈Coutside表示点在轮廓线C外面,x∈Cinside表示点在轮廓线C内部,x∈C表示点在轮廓线C上;
③水平集函数正则性维持项PR(φ)定义为:
④长度惩罚项LP(φ)定义为:
⑤加权面积约束项AR(φ)定义为:
AR(φ)=∫Ωg(1-Hε(φ))dx (14)
式(12)、式(13)和式(14)中Ω为图像全域,为非负单调递减函数,G为高斯函数,IRea等于IB点乘IExten;在非血管的背景区域g=1,面积约束项具有一个较大的惩罚,而在血管附近g→0,面积约束项只获得一个较小的惩罚;
(b)移除病灶和伪影,利用连通域面积Area和宽W、高H信息构建相应算子去除伪影与病灶;
当W/H和W×H同时满足:0.33<W/H<3.0和W×H<4Area时,则可判定整个连通域为病灶而非血管;当连通域面积Area小于50时,可判定整个连通域为伪影而非血管,从而得以提高视网膜血管的分割精度。
本发明在HRF和STARE、DRIVE数据库上的实验验证,准确率分别达到96.182%、95.034%和95.357%,优于现有分割方法。同时克服了在相邻血管处、血管交叉处和微血管处其它方法的不足,使分割出的血管结构最为接近金标准和血管真实尺寸值。
附图说明
图1为本发明实施例中的视网膜图像的绿色通道图像I。
图2为本发明实施例中自动获得视网膜的“掩模”。
图3为本发明实施例中消除了血管中心亮线的视网膜边缘扩展图像IExten。
图4为本发明实施例中视网膜图像背景估计IBackg。
图5为本发明实施例中增强的视网膜血管图像Ienhance。
图6为本发明实施例中灰度值线性拉伸后获得的图像IGrayS。
图7为本发明实施例中获得血管响应图像IResp。
图8为本发明实施例中选取阈值c1获得的二值化图像
图9为本发明实施例中使用尺寸为2×2的模板对作开运算和删除连通域面积小于100的伪影,获得的二值化图像IB。
图10为本发明实施例中的12_h视网膜图像伪影和病灶。
图11为本发明实施例中的12_h移除伪影和病灶后分割图像。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。
实验说明:本发明的应用所涉及实施例数据来自于HRF数据库中第12个正常人(12_h)的视网膜图像。
本实施例包括三个步骤:视网膜血管图像预处理、血管图像粗略分割和血管图像精细分割。
具体描述如下:
1、视网膜血管图像预处理
(a)选取视网膜图像的绿色通道图像I,利用测地线活动轮廓(Geodesic activecontours,GAC)模型自动获得视网膜的“掩模”,如图2所示。
(b)利用上一步骤(a)获取的视网膜“掩模”信息,对图1做基于镜像对称的边缘扩展,边缘扩展的尺寸等于下一步骤(c)中的高斯模板尺寸。然后使用板尺寸为5×5形态学算子,对图像作开运算,消除血管中心亮线,可防止含有区域能量拟合项的水平集模型产生错误分割,从而获得消除了血管中心亮线的视网膜边缘扩展图像IExten,如图3所示。
(c)构建尺寸为100×100的高斯模板,对图像IExten做卷积运算,估计视网膜图像背景IBackg,如图4所示,并与之做减法运算和与“掩模”做点乘运算,从而获得增强的视网膜血管图像Ienhance,如图5所示。然后把图像Ienhance的灰度值线性拉伸到[0-255],获得图像IGrayS,如图6所示。
2、视网膜血管图像粗略分割
视网膜血管图像预粗略分割主要包括以下两个步骤:
(a)构建血管响应函数
根据Hessian矩阵对图像不同点(x,y)的特征值描述,构建用以区别血管与背景的描述算子。本发明构建的视网膜血管描述算子J和血管响应函数νσ(x,y)分别定义为:
J=(|λ1|-|λ2|)2(|λ1|+|λ2|)2 (15)
式(15)、式(16)中1/Rβ=λ2/λ1,用于描述血管,λ1和λ2分别为二维Hessian矩阵的特征值。β为调整血管明暗的尺寸参数,这里取β=0.5;σ是高斯核函数尺寸,Jmax是J的最大值。上式(16)能最大化血管像素的响应,使血管响应函数νσ(x,y)→1,而在非血管背景平坦区域上使血管响应函数νσ(x,y)→0,即νσ(x,y)∈[0,1]。
由于视网膜血管图像尺寸不一,需在多尺度下计算血管响应函数νσ(x,y),最后取各尺度下的最大响应值,其定义如下:
式(17)中σmin和σmax为感兴趣的眼底视网膜血管的最小和最大尺寸。这里σ∈[1,11],步长取2。
(b)二值化处理
利用式(16)和式(17)计算ν(x,y),获得血管响应图像IResp(如图7)后进行二值化处理。本发明先选取较小的阈值c1=0.00001获得二值化图像如图8所示,并作为水平集函数φ的初始化。然后选取略大的阈值c2=0.0001获得二值化图像并使用尺寸为2×2的模板对作开运算和删除连通域面积小于100的伪影,获得二值化图像IB,如图9所示。
3、视网膜血管图像精细分割
视网膜血管图像预精细分割主要包括以下两个步骤:
(a)构建视网膜图像血管分割的水平集模型
本发明利用粗略去除血管后视网膜背景方差设置形状约束项、面积约束项、长度惩罚项的权重系数,进一步克服图像噪声和固定时间开销。视网膜图像血管分割的水平集模型E(φ,f1,f2)定义如下:
E(φ,f1,f2)=ER(φ,f1,f2)+ηES(φ)+μPR(φ)+νLP(φ)+γAR(φ) (18)
式(18)右边分别为局部区域能量拟合项、形状约束项、水平集函数正则性维持项、长度惩罚项、加权面积约束项。η,μ,ν,γ为权重系数。
①区域能量拟合项ER(φ,f1,f2)定义为:
式(19)中kσ(x-y)为高斯核函数,σ为高斯核尺寸参数,用以控制局部区域灰度值拟合范围;fi(x),i=1,2为局部区域灰度值拟合函数,通过标准梯度下降流法求解能量函数E(φ,f1,f2)得到
βi,i=1,2为区域能量拟合项权重系数,这里β1=β2=1;φ为Lipschitz水平集函数,为区域函数,表示曲线内部和外部。定义 Hε(φ)为具有正则性的Heaviside函数,其导数为Dirac函数δε(φ)。
其中ε为尺寸参数,这里取ε=1。
由于作为水平集函数的初始化信息,即
②形状约束项ES(φ)能量表达式定义为:
相应的水平集函数
式(23)中表示视网膜血管先验形状,即在t*时刻
其中d(x,C)表示视网膜图像中点x到轮廓曲线C的Euclidean距离,x∈Coutside表示点在轮廓线C外面,x∈Cinside表示点在轮廓线C内部,x∈C表示点在轮廓线C上。
③平集函数正则性维持项PR(φ)定义为:
④长度惩罚项LP(φ)定义为:
⑤加权面积约束项AR(φ)定义为:
AR(φ)=∫Ωg(1-Hε(φ))dx (28)
式(26)、式(27)和式(28)中Ω为图像全域,为非负单调递减函数,G为高斯函数,IRea等于IB点乘IExten。在非血管的背景区域g=1,面积约束项具有一个较大的惩罚,而在血管附近g→0,面积约束项只获得一个较小的惩罚。
在视网膜血管分割实验中,时间步长t=0.1,正则化项系数μ=1、长度惩罚项系数ν=ms、面积约束项系数γ=nlogas、形状约束项系数η=ls2(s2表示粗略去除血管后视网膜背景方差),本实施例中m、n、a、l分别取5、1、7、1。
(b)移除病灶和伪影
本发明利用连通域面积Area和宽、高(W,H)信息构建相应算子去除伪影与病灶。
本实施例构建8连通域模板标记水平集分割结果,从而获得每个连通域的面积Area和宽W、高H信息。
当W/H和W×H同时满足:
算子①:0.4<W/H<2.5
算子②:W×H<3.5Area
则整个连通域判定为病灶(非血管)。
算子③:Area<30,则整个连通域判定为伪影(非血管)。
利用算子①、算子②和算子③移除伪影和部分病灶,如图10所示,以提高视网膜血管的分割精度,如图11所示。
Claims (4)
1.一种融合形状先验的水平集视网膜血管图像分割方法,包括三个步骤:
步骤1,视网膜血管图像预处理:在对视网膜做边缘扩展基础上采用高斯卷积估计视网膜背景,以消除视网膜原始边界处的灰度突变,获得了一个背景更加均匀的血管增强图像;
步骤2,视网膜血管图像粗略分割:利用改进的血管响应函数和阈值得到视网膜血管的粗分割图像,并以此信息初始化水平集函数和构建形状约束项,以克服水平集模型对初始化敏感以及区域能量拟合项对噪声敏感的问题;
步骤3,视网膜血管图像精细分割:应用连通域面积Area和宽W、高H构建几何算子,消除连通域面积较小的伪影和病灶,获得高准确率的视网膜血管分割图像。
2.根据权利要求1所述的一种融合形状先验的水平集视网膜血管图像分割方法,其特征是:所述的步骤1包括以下三个子步骤:
(a)选取视网膜图像的绿色通道图像I,利用测地线活动轮廓模型自动获得视网膜的“掩模”;
(b)在获取的“掩模”的基础上对视网膜图像作边缘扩展,获得图像IExten;就是采用形态学算子,对图像作开运算,消除血管中心亮线,从而获得消除了血管中心亮线的视网膜边缘扩展图像IExten;
(c)构建高斯模板,所述的高斯模板尺寸为原始图像尺寸除以14后取整数,小数点后四舍五入;对图像IExten做卷积运算,估计视网膜图像背景IBackg,并与IExten做减法运算和与“掩模”做点乘运算,从而获得增强的视网膜血管图像Ienhance,然后把图像Ienhance的灰度值线性拉伸到[0-255],获得图像IGrayS。
3.根据权利要求1所述的一种融合形状先验的水平集视网膜血管图像分割方法,其特征是:所述的步骤2包括以下两个子步骤:
(a)构建血管响应函数,根据Hessian矩阵对图像不同点(x,y)的特征值描述,构建用以区别血管与背景的描述算子;构建的视网膜血管描述算子J和血管响应函数νσ(x,y)分别定义为:
J=(|λ1|-|λ2|)2(|λ1|+|λ2|)2 (1)
式(1)、式(2)中1/Rβ=λ2/λ1,λ1和λ2分别为二维Hessian矩阵的特征值;β为调整血管明暗的尺寸参数,σ是高斯核函数尺寸,Jmax是J的最大值;
由于视网膜血管图像尺寸不一,需在多尺度下计算血管响应函数νσ(x,y),最后取各尺度下的最大响应值,其定义如下:
式(3)中σmin和σmax为感兴趣的眼底视网膜血管的最小和最大尺寸;
(b)二值化处理,利用式(2)和式(3)计算ν(x,y),获得血管响应图像IResp后进行二值化处理;先选取较小的阈值c1获得二值化图像并作为水平集函数φ的初始化;然后选取略大的阈值c2获得二值化图像并使用2×2的模板对作开运算和删除连通域面积小于100的伪影,获得二值化图像IB去构建形状约束项。
4.根据权利要求1所述的一种融合形状先验的水平集视网膜血管图像分割方法,其特征是:所述的步骤3包括以下两个子步骤:
(a)构建视网膜图像血管分割的水平集模型,利用粗略去除血管后视网膜背景方差设置形状约束项、面积约束项、长度惩罚项的权重系数,进一步克服图像噪声和固定时间开销;视网膜图像血管分割的水平集模型E(φ,f1,f2)定义如下:
E(φ,f1,f2)=ER(φ,f1,f2)+ηES(φ)+μPR(φ)+νLP(φ)+γAR(φ) (4)
式(4)右边分别为局部区域能量拟合项、形状约束项、水平集函数正则性维持项、长度惩罚项、加权面积约束项,η,μ,ν,γ为权重系数;
①区域能量拟合项ER(φ,f1,f2)定义为:
式(5)中kσ(x-y)为高斯核函数,σ是高斯核尺寸参数,用以控制局部区域灰度值拟合范围;fi(x),i=1,2为局部区域灰度值拟合函数,通过标准梯度下降流法求解能量函数E(φ,f1,f2)得到:
式(6)βi,i=1,2为区域能量拟合项权重系数;φ为Lipschitz水平集函数,为区域函数,表示曲线内部和外部,定义Hε(φ)为具有正则性的Heaviside函数,其导数为Dirac函数δε(φ);
式(7)、式(8)中ε为尺寸参数;
由于作为水平集函数的初始化信息,即
②形状约束项ES(φ)能量表达式定义为:
相应的水平集函数
式(9)中表示视网膜血管先验形状,即在t*时刻
式(11)中d(x,C)表示视网膜图像中点x到轮廓曲线C的Euclidean距离,x∈Coutside表示点在轮廓线C外面,x∈Cinside表示点在轮廓线C内部,x∈C表示点在轮廓线C上;
③水平集函数正则性维持项PR(φ)定义为:
④长度惩罚项LP(φ)定义为:
⑤加权面积约束项AR(φ)定义为:
AR(φ)=∫Ωg(1-Hε(φ))dx (14)
式(12)、式(13)和式(14)中Ω为图像全域,为非负单调递减函数,G为高斯函数,IRea等于IB点乘IExten;在非血管的背景区域g=1,面积约束项具有一个较大的惩罚,而在血管附近g→0,面积约束项只获得一个较小的惩罚;
(b)移除病灶和伪影,利用连通域面积Area和宽W、高H信息构建相应算子去除伪影与病灶;
当W/H和W×H同时满足:0.33<W/H<3.0和W×H<4Area时,则可判定整个连通域为病灶而非血管;当连通域面积Area小于50时,可判定整个连通域为伪影而非血管,从而得以提高视网膜血管的分割精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610585839.5A CN106097378A (zh) | 2016-07-24 | 2016-07-24 | 一种融合形状先验的水平集视网膜血管图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610585839.5A CN106097378A (zh) | 2016-07-24 | 2016-07-24 | 一种融合形状先验的水平集视网膜血管图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106097378A true CN106097378A (zh) | 2016-11-09 |
Family
ID=57449863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610585839.5A Pending CN106097378A (zh) | 2016-07-24 | 2016-07-24 | 一种融合形状先验的水平集视网膜血管图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097378A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815853A (zh) * | 2016-12-14 | 2017-06-09 | 海纳医信(北京)软件科技有限责任公司 | 对眼底图像中视网膜血管的分割方法和装置 |
CN107248155A (zh) * | 2017-06-08 | 2017-10-13 | 东北大学 | 一种基于swi图像的脑静脉血管分割方法 |
CN108090899A (zh) * | 2017-12-27 | 2018-05-29 | 重庆大学 | 一种血管提取及去噪方法 |
CN108198185A (zh) * | 2017-11-20 | 2018-06-22 | 海纳医信(北京)软件科技有限责任公司 | 眼底病灶图像的分割方法及、装置、存储介质、处理器 |
CN108369731A (zh) * | 2018-02-02 | 2018-08-03 | 深圳前海达闼云端智能科技有限公司 | 模板优化方法、装置、电子设备和计算机程序产品 |
CN108510497A (zh) * | 2018-04-10 | 2018-09-07 | 四川和生视界医药技术开发有限公司 | 视网膜图像病灶信息的显示方法及显示装置 |
CN109003284A (zh) * | 2018-07-11 | 2018-12-14 | 武汉科技大学 | 基于层厚统计信息模型的相干光断层扫描图像的层分割方法 |
CN109472781A (zh) * | 2018-10-29 | 2019-03-15 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测系统 |
CN109740600A (zh) * | 2019-01-04 | 2019-05-10 | 上海联影医疗科技有限公司 | 高亮病灶区域的定位方法、装置、计算机设备以及存储介质 |
CN109840499A (zh) * | 2019-01-31 | 2019-06-04 | 闽江学院 | 一种快速检测印刷品打印及装订质量的方法 |
CN109990707A (zh) * | 2019-04-02 | 2019-07-09 | 天津工业大学 | 一种基于角点约束的裁片眼刀检测方法 |
WO2020005053A1 (es) * | 2018-06-29 | 2020-01-02 | Centro De Retina Médica Y Quirúrgica, S.C. | Sistema portátil para la identificación de casos potenciales de edema macular diabético mediante procesamiento de imagen e inteligencia artificial |
CN111028241A (zh) * | 2019-11-13 | 2020-04-17 | 东北大学 | 一种多尺度血管增强的水平集分割系统与方法 |
CN111028201A (zh) * | 2019-11-13 | 2020-04-17 | 东北大学 | 一种基于多尺度水平集的眼底血管图像分割系统及方法 |
CN111489434A (zh) * | 2020-03-18 | 2020-08-04 | 创业慧康科技股份有限公司 | 一种基于三维图割的医学影像三维重建方法 |
CN111539917A (zh) * | 2020-04-09 | 2020-08-14 | 北京深睿博联科技有限责任公司 | 一种基于粗细粒度融合的血管分割方法、系统、终端及存储介质 |
CN111899267A (zh) * | 2020-07-24 | 2020-11-06 | 哈尔滨理工大学 | 基于水平集的视网膜血管分割算法 |
CN113012114A (zh) * | 2021-03-02 | 2021-06-22 | 推想医疗科技股份有限公司 | 一种血管识别方法、装置、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295237A (zh) * | 2013-05-31 | 2013-09-11 | 深圳大学 | 一种图像分割方法及系统 |
CN103544702A (zh) * | 2013-10-15 | 2014-01-29 | 南京信息工程大学 | 一种基于先验形状的核磁共振图像分割方法 |
-
2016
- 2016-07-24 CN CN201610585839.5A patent/CN106097378A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295237A (zh) * | 2013-05-31 | 2013-09-11 | 深圳大学 | 一种图像分割方法及系统 |
CN103544702A (zh) * | 2013-10-15 | 2014-01-29 | 南京信息工程大学 | 一种基于先验形状的核磁共振图像分割方法 |
Non-Patent Citations (4)
Title |
---|
VICENT CASELLES,RON KIMMEL,GUILLERMO SAPIRO: "Geodesic Active Contours", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
张玲艳,闫丽,陈颖,张欢: "实现测地线活动轮廓模型的改进变分水平集方法", 《计算机工程与应用》 * |
梁礼明等: "基于Hessian 矩阵和水平集的视网膜血管分割", 《科学技术与工程》 * |
纪文: "基于先验形状水平集的OCT医学图像分割", 《万方学位论文数据库》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815853A (zh) * | 2016-12-14 | 2017-06-09 | 海纳医信(北京)软件科技有限责任公司 | 对眼底图像中视网膜血管的分割方法和装置 |
CN107248155A (zh) * | 2017-06-08 | 2017-10-13 | 东北大学 | 一种基于swi图像的脑静脉血管分割方法 |
CN108198185B (zh) * | 2017-11-20 | 2020-10-16 | 海纳医信(北京)软件科技有限责任公司 | 眼底病灶图像的分割方法及、装置、存储介质、处理器 |
CN108198185A (zh) * | 2017-11-20 | 2018-06-22 | 海纳医信(北京)软件科技有限责任公司 | 眼底病灶图像的分割方法及、装置、存储介质、处理器 |
CN108090899A (zh) * | 2017-12-27 | 2018-05-29 | 重庆大学 | 一种血管提取及去噪方法 |
CN108369731A (zh) * | 2018-02-02 | 2018-08-03 | 深圳前海达闼云端智能科技有限公司 | 模板优化方法、装置、电子设备和计算机程序产品 |
CN108510497B (zh) * | 2018-04-10 | 2022-04-26 | 四川和生视界医药技术开发有限公司 | 视网膜图像病灶信息的显示方法及显示装置 |
CN108510497A (zh) * | 2018-04-10 | 2018-09-07 | 四川和生视界医药技术开发有限公司 | 视网膜图像病灶信息的显示方法及显示装置 |
WO2020005053A1 (es) * | 2018-06-29 | 2020-01-02 | Centro De Retina Médica Y Quirúrgica, S.C. | Sistema portátil para la identificación de casos potenciales de edema macular diabético mediante procesamiento de imagen e inteligencia artificial |
CN109003284A (zh) * | 2018-07-11 | 2018-12-14 | 武汉科技大学 | 基于层厚统计信息模型的相干光断层扫描图像的层分割方法 |
CN109472781A (zh) * | 2018-10-29 | 2019-03-15 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测系统 |
CN109472781B (zh) * | 2018-10-29 | 2022-02-11 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测系统 |
CN109740600A (zh) * | 2019-01-04 | 2019-05-10 | 上海联影医疗科技有限公司 | 高亮病灶区域的定位方法、装置、计算机设备以及存储介质 |
CN109840499B (zh) * | 2019-01-31 | 2021-03-02 | 闽江学院 | 一种快速检测印刷品打印及装订质量的方法 |
CN109840499A (zh) * | 2019-01-31 | 2019-06-04 | 闽江学院 | 一种快速检测印刷品打印及装订质量的方法 |
CN109990707B (zh) * | 2019-04-02 | 2021-04-02 | 天津工业大学 | 一种基于角点约束的裁片眼刀检测方法 |
CN109990707A (zh) * | 2019-04-02 | 2019-07-09 | 天津工业大学 | 一种基于角点约束的裁片眼刀检测方法 |
CN111028201A (zh) * | 2019-11-13 | 2020-04-17 | 东北大学 | 一种基于多尺度水平集的眼底血管图像分割系统及方法 |
CN111028241A (zh) * | 2019-11-13 | 2020-04-17 | 东北大学 | 一种多尺度血管增强的水平集分割系统与方法 |
CN111028201B (zh) * | 2019-11-13 | 2023-10-27 | 东北大学 | 一种基于多尺度水平集的眼底血管图像分割系统及方法 |
CN111028241B (zh) * | 2019-11-13 | 2023-10-10 | 东北大学 | 一种多尺度血管增强的水平集分割系统与方法 |
CN111489434A (zh) * | 2020-03-18 | 2020-08-04 | 创业慧康科技股份有限公司 | 一种基于三维图割的医学影像三维重建方法 |
CN111539917B (zh) * | 2020-04-09 | 2023-08-25 | 北京深睿博联科技有限责任公司 | 一种基于粗细粒度融合的血管分割方法、系统、终端及存储介质 |
CN111539917A (zh) * | 2020-04-09 | 2020-08-14 | 北京深睿博联科技有限责任公司 | 一种基于粗细粒度融合的血管分割方法、系统、终端及存储介质 |
CN111899267A (zh) * | 2020-07-24 | 2020-11-06 | 哈尔滨理工大学 | 基于水平集的视网膜血管分割算法 |
CN113012114B (zh) * | 2021-03-02 | 2021-12-03 | 推想医疗科技股份有限公司 | 一种血管识别方法、装置、存储介质及电子设备 |
CN113012114A (zh) * | 2021-03-02 | 2021-06-22 | 推想医疗科技股份有限公司 | 一种血管识别方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097378A (zh) | 一种融合形状先验的水平集视网膜血管图像分割方法 | |
Mou et al. | CS2-Net: Deep learning segmentation of curvilinear structures in medical imaging | |
Zhao et al. | Automated vessel segmentation using infinite perimeter active contour model with hybrid region information with application to retinal images | |
CN109166124B (zh) | 一种基于连通区域的视网膜血管形态量化方法 | |
Tian et al. | Multi-path convolutional neural network in fundus segmentation of blood vessels | |
CN108986106A (zh) | 面向青光眼临床诊断的视网膜血管自动分割方法 | |
CN105160660B (zh) | 基于多特征高斯拟合的活动轮廓血管提取方法及系统 | |
CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
CN104809480A (zh) | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 | |
WO2022105623A1 (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
CN111862009A (zh) | 一种眼底oct图像的分类方法及计算机可读存储介质 | |
CN106780439A (zh) | 一种筛选眼底图像的方法 | |
CN107229937A (zh) | 一种视网膜血管分类方法及装置 | |
Kumar et al. | Image processing in diabetic related causes | |
Maqsood et al. | Detection of macula and recognition of aged-related macular degeneration in retinal fundus images | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
Walter et al. | Automatic analysis of color fundus photographs and its application to the diagnosis of diabetic retinopathy | |
CN114170151A (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
Liu et al. | Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images | |
CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
Zhao et al. | Automated coronary tree segmentation for x-ray angiography sequences using fully-convolutional neural networks | |
CN112669256B (zh) | 一种基于迁移学习的医学图像分割与显示方法 | |
Larrabide et al. | An image segmentation method based on a discrete version of the topological derivative | |
Alsaih et al. | Retinal fluids segmentation using volumetric deep neural networks on optical coherence tomography scans | |
Oloumi et al. | Digital image processing for ophthalmology: Detection and modeling of retinal vascular architecture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |