CN106529558A - 青光眼图像特征提取方法及装置 - Google Patents

青光眼图像特征提取方法及装置 Download PDF

Info

Publication number
CN106529558A
CN106529558A CN201610963976.8A CN201610963976A CN106529558A CN 106529558 A CN106529558 A CN 106529558A CN 201610963976 A CN201610963976 A CN 201610963976A CN 106529558 A CN106529558 A CN 106529558A
Authority
CN
China
Prior art keywords
vector
disc ratio
cup
cup disc
equations
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.)
Granted
Application number
CN201610963976.8A
Other languages
English (en)
Other versions
CN106529558B (zh
Inventor
徐永利
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.)
Suzhou Zichuan Information Technology Co ltd
Original Assignee
Beijing University of Chemical Technology
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 Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN201610963976.8A priority Critical patent/CN106529558B/zh
Publication of CN106529558A publication Critical patent/CN106529558A/zh
Application granted granted Critical
Publication of CN106529558B publication Critical patent/CN106529558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/42Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明提供一种青光眼图像特征提取方法及装置,包括:根据先验方向向量获得第一类和第二类的n个特征值,根据第一类n个特征值和第二类n个特征值生成2n维特征点并输出。本发明实施例提供的青光眼图像特征提取方法,通过根据眼底图像的杯盘比向量计算获得先验方向向量,进而根据先验方向向量生成多维空间,并使眼底图像的特征点落入到2n维空间中,达到对眼底照图像进行特征提取的目的。

Description

青光眼图像特征提取方法及装置
技术领域
本发明涉及医疗检测技术领域,尤其涉及一种青光眼图像特征提取方法及装置。
背景技术
青光眼是一种以视神经乳头结构改变为特征的进展性视神经病变,世界卫生组织将其列为全球第二大致盲眼病。青光眼早期检测困难。在中国,有经验的青光眼专业医师严重缺乏,且主要集中在少数几个大城市的大医院。因此,大量青光眼患者因得不到及时检测而延误治疗,使得青光眼致盲率高达15%,致残率近30%。
目前,青光眼的筛查和检测已成为眼科和公共卫生健康工作中急需解决的问题。计算机图像检测为解决这一迫在眉睫的问题提供了新的途径。
现有的基于眼底照的机器学习辅助算法要么完全依据医生给出的指标;要么完全利用一般的图像处理的办法提取特征,而没有结合眼底照特殊的图像结构。以上两类方法都没有把医生和机器的优势结合起来,从而无法充分挖掘眼底照中的核心信息。同时,这两种方法提取的特征往往达到几十甚至上百维,不利于用机器学习的方法做后续的检测预测。如果利用PCA,LDA等降维算法进行维数约简,又会进一步丢失有效信息。更为重要的是,以上两类方法所提取的高维特征都不便于医生的理解,从而基于这些特征所做的检测建议也很难获得医生的认可。
发明内容
本发明提供一种青光眼图像特征提取方法及装置,用于解决现有技术中无法自动高效准确提取图像特征的问题。
第一方面,本发明提供一种青光眼图像特征提取方法,包括:
获取待测眼底图像和正常眼大视杯眼底照图像,并获取对应的杯盘轮廓线;
将所述杯盘轮廓线形成的区域根据预设划分比例划分m个扇形区域,并计算获得所述扇形区域的杯盘比,得到第一杯盘比向量和第二杯盘比向量,所述第一杯盘比向量为待测眼底图像的杯盘比向量,所述第二杯盘比向量为正常眼大视杯眼底照图像的杯盘比向量;
设置第一类第一先验方向向量为m维单位向量根据所述第一杯盘比向量和所述第一类第一先验方向向量做内积,获得第一类第一特征值;
根据所述第一杯盘比向量和所述第二杯盘比向量获得第一标准杯盘比向量和第二标准杯盘比向量,设置第二类第一先验方向向量为第二标准杯盘比向量,将所述第一标准杯盘比向量和所述第二标准杯盘比向量做内积,获得第二类第一特征值;
根据第一类第一先验方向向量和第二类第一先验方向向量获得第一类第2、3……n特征向量和第二类第2、3……n特征向量,并获得第一类第2、3……n特征值和第二类第2、3……n特征值,其中,n为大于或等于2的整数;
根据第一类n个特征值和第二类n个特征值生成2n维特征点并输出。
可选的,所述根据所述第一杯盘比向量和所述第二杯盘比向量获得第一标准杯盘比向量和第二标准杯盘比向量,包括:
获得杯盘比向量的均值;
根据杯盘比向量和均值采用标准化计算公式获得标准杯盘比向量;
其中,所述标准化计算公式包括:
其中m为根据预设划分比例划分扇形区域的个数,a为使的系数,为杯盘比向量,为均值向量。
可选的,所述根据第一类第一先验方向向量和第二类第一先验方向向量获得第一类第2、3……n特征向量和第二类第2、3……n特征向量,并获得第一类第2、3……n特征值和第二类第2、3……n特征值,包括:
根据第一类第一先验方向向量和第二类第一先验方向向量分别采用先验PCA算法获得第一类第2、3……n先特征向量和第二类第2、3……n特征向量,并获得第一类第2、3……n特征值和第二类第2、3……n特征值;
其步骤包括:
以μ12,…,μn-1为先验方向向量,设置约束条件为:
在所述约束条件下,在与μ12,…,μn-1都正交的空间中得到使得样本集合分布最分散的投影方向μn,;
设置其中,x为样本集合矩阵,将样本集合矩阵投影到投影方向μn上,使z的方差最大,则μn最大特征值对应的特征向量;
其中,μn为第一类第n特征向量或第二类第n特征向量;
将所述第一杯盘比向量和所述第一类第2,3,…,n特征方向向量做内积,获得第一类第2,3,…,n特征值;将所述第一标准杯盘比向量和所述第二类第2,3,…,n特征方向向量做内积,获得第二类第2,3,…,n特征值。
第二方面,本发明提供的一种青光眼图像特征提取装置,包括:
获取模块,用于获取待测眼底图像和正常眼大视杯眼底照图像,并获取对应的杯盘轮廓线;
划分模块,用于将所述杯盘轮廓线形成的区域根据预设划分比例划分m个扇形区域,并计算获得所述扇形区域的杯盘比,得到第一杯盘比向量和第二杯盘比向量,所述第一杯盘比向量为待测眼底图像的杯盘比向量,所述第二杯盘比向量为正常眼大视杯眼底照图像的杯盘比向量;
第一计算模块,用于设置第一类第一先验方向向量为m维单位向量根据所述第一杯盘比向量和所述第一类第一先验方向向量做内积,获得第一类第一特征值;
第二计算模块,用于根据所述第一杯盘比向量和所述第二杯盘比向量获得第一标准杯盘比向量和第二标准杯盘比向量,设置第二类第一先验方向向量为第二标准杯盘比向量,将所述第一标准杯盘比向量和所述第二标准杯盘比向量做内积,获得第二类第一特征值;
第三计算模块,用于根据第一类第一先验方向向量和第二类第一先验方向向量获得第一类第2、3……n特征向量和第二类第2、3……n特征向量,并获得第一类第2、3……n特征值和第二类第2、3……n特征值;
生成模块,用于根据第一类的n个特征值和第二类的n个特征值生成2n维特征点并输出。
可选的,所述第二计算模块具体用于:
获得杯盘比向量的均值;
根据杯盘比向量和均值采用标准化计算公式获得标准杯盘比向量;
其中,所述标准化计算公式包括:
其中m为根据预设划分比例划分扇形区域的个数,a为使的系数,为杯盘比向量,为均值向量。
可选的,所述第三计算模块具体用于:
根据第一类第一先验方向向量和第二类第一先验方向向量分别采用先验PCA算法获得第一类第n特征向量和第二类第n特征向量,并获得第一类第n特征值和第二类第n特征值;
其步骤包括:
以μ12,…,μn-1为先验方向向量,设置约束条件为:
在所述约束条件下,在与μ12,…,μn-1都正交的空间中得到使得样本集合分布最分散的投影方向μn
设置其中,x为样本集合矩阵,将样本集合矩阵投影到投影方向μn上,使z的方差最大,则μn最大特征值对应的特征向量;
其中,μn为第一类第n特征向量或第二类第n特征向量;
将所述第一杯盘比向量和所述第一类第2,3,…,n特征方向向量做内积,获得第一类第2,3,…,n特征值;将所述第一标准杯盘比向量和所述第二类第2,3,…,n特征方向向量做内积,获得第二类第2,3,…,n特征值。
由上述技术方案可知,本发明实施例提供的青光眼图像特征提取方法及装置,通过根据眼底图像的杯盘比向量计算获得先验方向向量,进而根据先验方向向量生成多维特征空间和多维特征点,并将特征点投影到特征空间中,实现特征值提取的准确性,达到从眼底图像提取与青光眼相关特征的目的。
附图说明
图1为本发明一实施例提供的青光眼图像特征提取方法的流程示意图;
图2为本发明一实施例提供的眼底图像特征提取的流程示意图;
图3为本发明一实施例提供的青光眼图像特征提取装置的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1示出了本发明一实施例提供一种青光眼图像特征提取方法,包括:
S11、获取待测眼底图像和正常眼大视杯眼底照图像,并获取对应的杯盘轮廓线。
在本步骤中,需要说明的是,如图2所示为眼底图像的特征提取流程示意图,在图2中,处于上行左端的图像为待测眼底图像,处于下行左端的图像为正常眼大视杯眼底照图像。眼底图像是指用眼底照相技术对眼底照相得到的图像。眼底照相技术是利用特殊的仪器如数码相机,和眼底镜连接,将眼底的图像在计算机上显示。
在本发明实施例中,眼底图像中对青光眼检测最为重要的结构是杯盘轮廓线。该杯盘轮廓线由视盘线和视杯线组成。
视盘线是根据视盘所获取,视盘是视神经进入眼睛后部位置的入口,在典型的二维眼底照中,视盘处于一个明亮的椭圆形区域。视盘线的获取可采用多种高准确度的方法进行获取。如可提取RBG彩色视网膜图像的绿色通道作为处理对象,以每个像素点为中心取窗进行灰度调整操作,计算每个窗内灰度最大值,并根据该值重新估算窗的中心值,将该值作为中心像素点的灰度值,对提取到的图像进行二值化与形态学处理得到视盘线。但在本发明实施例中,对视盘线的提取不局限于上述简述方法。
视杯线是根据视杯所获取。视杯可是由内边界视神经乳头交叉点和连接视网膜色素上皮细胞末端上方150μm的一条平行线组成。视杯线的获取大多采用C-means聚类方法(C均值聚类方法)在去除血管后的图像上由模糊C均值小波变换提取视杯,或者采用超像素分类方法从超像素统计数据计算中心,并利用直方图分割视杯。但在本发明实施例中,对视杯线的提取不局限于上述简述方法。
S12、将所述杯盘轮廓线形成的区域根据预设划分比例划分m个扇形区域,并计算获得所述扇形区域的杯盘比,得到第一杯盘比向量和第二杯盘比向量,所述第一杯盘比向量为待测眼底图像的杯盘比向量,所述第二杯盘比向量为正常眼大视杯眼底照图像的杯盘比向量。
在本步骤中,需要说明的是,杯盘比是视杯半径和视盘半径之间的比例。图2所示,为了得到眼底图像的杯盘比,需要对眼底图像进行区域划分。在实际区域划分过程中,需根据实际情况划分较合理的区域份数。在本发明实施例中,以视盘的重心为中心,对杯盘轮廓线进行划分360等份扇形区域。然后计算每一个扇形区域的杯盘比。
在本发明实施例中,采用杯盘比向量作为图像特征。杯盘比向量为多个杯盘比数值组成的有序数组。针对上述分别获得的待测眼底图像和正常眼大视杯眼底图像的杯盘比,可组成360维杯盘比向量。即第一杯盘比向量和第二杯盘比向量。这里所说的第一杯盘比向量和第二杯盘比向量为了在后续处理过程中进行区分才进行的命名。
为了更形象的表达杯盘比向量,可采用样条插值的方式将杯盘比向量的各个杯盘比绘制杯盘比(CDR)曲线,如图2中所示的曲线。曲线的横轴为扇形区域的划分标号,竖轴为杯盘比。
另外,还需要说明的是,为了让得到的杯盘比更加精确合理,可对每一个扇形区域的杯盘比采用平均杯盘比进行替换。
如杯盘轮廓线分为360等份扇形区域,可选取任一扇形区域,再选取在杯盘轮廓线上以处于所选扇区区域为中点,向两侧各扩散选取相同个数的扇形区域,所有选取的扇形区域之和的平均值作为该选取扇区区域的杯盘比。
S13、设置第一类第一先验方向向量为m维单位向量根据所述第一杯盘比向量和所述第一类第一先验方向向量做内积,获得第一类第一特征值。
在本步骤中,需要说明的是,为了提取眼底图像的特征值,首先需提取眼底图像在二维空间上的特征值。二维空间为由两个要素(如X轴和Y轴)所组成的平面空间。在本发明实施例中,该二维空间以两个方向向量作为X轴和Y轴,使杯盘比向量与方向向量作内积,得到各个杯盘比向量对应的特征值。即眼底图像的二维特征值。
在本步骤中,针对上述360份扇形区域的杯盘轮廓线,需得到第一杯盘比向量的内积值,为此设置第一类第一先验方向向量为360维单位向量,作为二维空间的其一方向向量,即
然后,根据第一杯盘比向量和第一类第一先验方向向量做内积,获得第一类第一特征值为
S14、根据所述第一杯盘比向量和所述第二杯盘比向量获得第一标准杯盘比向量和第二标准杯盘比向量,设置第二类第一先验方向向量为第二标准杯盘比向量,将所述第一标准杯盘比向量和所述第二标准杯盘比向量做内积,获得第二类第一特征值。
在本步骤中,需要说明的是,为了提取眼底图像的特征值,需设置二维空间的另一方向向量,以求得第二杯盘比向量对应的特征值。
在本发明实施例中,首先根据第一杯盘比向量和第二杯盘比向量获得第一标准杯盘比向量和第二标准杯盘比向量,该获取步骤包括:
1)、获得杯盘比向量的均值。
2)、根据杯盘比向量和均值采用标准化计算公式获得标准杯盘比向量。
其中,标准化计算公式包括:
其中m为根据预设划分比例划分扇形区域的个数,a为系数,为杯盘比向量,为均值向量。为第一标准杯盘比向量。为第二标准杯盘比向量,如上述算法进行计算获得。在本发明实施例中,针对上述的区域划分,可得知m=360。
然后,根据上述得到的第一标准杯盘比向量和第二标准杯盘比向量获得第二类第一特征值,该获取步骤包括:
1)、设置第二类第一先验方向向量为第二标准杯盘比向量,即
2)、将第一标准杯盘比向量和第二标准杯盘比向量做内积,获得第二类第一特征值。即其中为第一标准杯盘比向量,为第二标准杯盘比向量。
在图2中将第一类第一特征值和第二类第一特征值结合在一起形成构成二维空间上的特征点,即二维特征值。
S15、根据第一类第一先验方向向量和第二类第一先验方向向量获得第一类第2、3……n特征向量和第二类第2、3……n特征向量,并获得第一类第2、3……n特征值和第二类第2、3……n特征值,其中,n为大于或等于2的整数。
在本步骤中,需要说明的是,本步骤具体包括:
根据第一类第一先验方向向量和第二类第一先验方向向量分别采用先验PCA算法获得第一类第二特征向量和第二类第二特征向量;
根据第一类第一先验方向向量及第二特征方向向量和第二类第一先验方向向量及第二特征方向向量分别采用先验PCA算法获得第一类第三特征方向和第二类第三特征方向;
依次类推……
根据第一类第一先验方向向量及第2,…,n-1特征方向向量和第二类第一先验方向向量及第2,…,n-1特征方向向量分别采用先验PCA算法获得第一类第n特征方向和第二类第n特征方向。
由于在本步骤的处理过程中,采用了先验PCA算法去获取第一类和第二类的相关特征方向。因此,首先需要介绍PCA算法:
PCA的主要目是通过寻找一个新的坐标系,使样本在新坐标系下的分布最散。设有p个样本,每个样本都是m维的。
则样本矩阵
样本集投影在方向ω=(ω12,…,ωm)T上变为p个一维的点。PCA的目标是使投影后的投影值尽可能分散,也就是使z=ωTx的方差var(z)最大。这个方差可以表示为:
var(z)=∑(ωTx-∑(ωTx))(ωTx-∑(ωTx))T
=ωT∑(x-∑(x))(x-∑(x))Tω
=ωT∑ω。
上式中,∑是样本集合的协方差矩阵。协方差矩阵是一个对称的矩阵,其每个元素是各个向量元素之间的协方差,是从标量随机变量到高维度随机向量的扩展。
综上为PCA算法的主要思想,现回归到本发明实施例当中,以获取第一类或第二类第二特征值为例,利用拉格朗日乘子法,假设已知一个方向为μ1,约束条件为μ2自身内积为1(||μ2||=1),μ2与μ1正交利用上述PCA的思想寻找一个与μ1正交的且能最大程度反映数据信息的方向μ2,使最大化。
进行求解得出在已知第一先验方向时第二维特征方向μ2是Σ-μ1μ1 TΣ的最大特征值对应的特征向量,该最大特征值为第二特征值。
依次类推.......可以得到第2,3,…,n特征值。
由于n的值在本发明实施例中不能确定,且求解每一特征值的方法思想相同,故下面对求解第n特征值的方法进行总结:
以μ12,…,μn-1为先验方向向量,设置约束条件为:
在所述约束条件下,在与μ12,…,μn-1都正交的空间中得到使得样本集合分布最分散的投影方向μn
设置其中,x为样本集合矩阵,将样本集合矩阵投影到投影方向μn上,使z的方差最大,则μn最大特征值对应的特征向量;
其中,μn为第一类第n特征向量或第二类第n特征向量;
然后,将所述第一杯盘比向量和所述第一类第2,3,…,n特征方向向量做内积,获得第一类第2,3,…,n特征值;将所述第一标准杯盘比向量和所述第二类第2,3,…,n特征方向向量做内积,获得第二类第2,3,…,n特征值。
如图2中所示,为了使向量特征更加形象化,对求得的每个特征方向向量可绘制成如图中的曲线。如图中第一类第2、3……n特征向量绘制的对应曲线为MCDR1、MCDR2、……、MCDRn。第二类第2、3……n特征向量绘制的对应曲线为Baseline1、Baseline2、……、Baselinen。
S16、根据第一类n个特征值和第二类n个特征值生成2n维特征点。
在本步骤中,需要说明的是,每获取下一维特征方向向量的过程中,均会计算采用向量内积方式获得对应的特征值。这些获得的特征值会形成一个特征值向量,在当前所得到的特征多维空间中对应唯一的特征点。
本发明实施例提供的青光眼图像特征提取方法,通过根据眼底图像的杯盘比向量计算获得先验方向向量,进而根据先验方向向量生成多维特征空间和多维特征点,并将特征点投影到特征空间中,实现特征值提取的准确性,达到从眼底图像提取与青光眼相关特征的目的。
图3示出了本发明一实施例提供一种青光眼图像特征提取装置,包括获取模块21、划分模块22、第一计算模块23、第二计算模块24、第三计算模块25和生成模块26,其中:
获取模块,用于获取待测眼底图像和正常眼大视杯眼底照图像,并获取对应的杯盘轮廓线;
划分模块,用于将所述杯盘轮廓线形成的区域根据预设划分比例划分m个扇形区域,并计算获得所述扇形区域的杯盘比,得到第一杯盘比向量和第二杯盘比向量,所述第一杯盘比向量为待测眼底图像的杯盘比向量,所述第二杯盘比向量为正常眼大视杯眼底照图像的杯盘比向量;
第一计算模块,用于设置第一类第一先验方向向量为m维单位向量根据所述第一杯盘比向量和所述第一类第一先验方向向量做内积,获得第一类第一特征值;
第二计算模块,用于根据所述第一杯盘比向量和所述第二杯盘比向量获得第一标准杯盘比向量和第二标准杯盘比向量,设置第二类第一先验方向向量为第二标准杯盘比向量,将所述第一标准杯盘比向量和所述第二标准杯盘比向量做内积,获得第二类第一特征值;
第三计算模块,用于根据第一类第一先验方向向量和第二类第一先验方向向量获得第一类第2、3……n特征向量和第二类第2、3……n特征向量,并获得第一类第2、3……n特征值和第二类第2、3……n特征值;
生成模块,用于根据第一类的n个特征值和第二类的n个特征值生成2n维特征点并输出。
由于本发明实施例2所述装置与上述实施例所述方法的原理相同,对于更加详细的解释内容在此不再赘述。
需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例提供的青光眼图像特征提取装置,通过根据眼底图像的杯盘比向量计算获得先验方向向量,进而根据先验方向向量生成多维特征空间和多维特征点,并将特征点投影到特征空间中,实现特征值提取的准确性,达到从眼底图像提取与青光眼相关特征的目的。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本领域普通技术人员可以理解:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种青光眼图像特征提取方法,其特征在于,包括:
获取待测眼底图像和正常眼大视杯眼底照图像,并获取对应的杯盘轮廓线;
将所述杯盘轮廓线形成的区域根据预设划分比例划分m个扇形区域,并计算获得所述扇形区域的杯盘比,得到第一杯盘比向量和第二杯盘比向量,所述第一杯盘比向量为待测眼底图像的杯盘比向量,所述第二杯盘比向量为正常眼大视杯眼底照图像的杯盘比向量;
设置第一类第一先验方向向量为m维单位向量根据所述第一杯盘比向量和所述第一类第一先验方向向量做内积,获得第一类第一特征值;
根据所述第一杯盘比向量和所述第二杯盘比向量获得第一标准杯盘比向量和第二标准杯盘比向量,设置第二类第一先验方向向量为第二标准杯盘比向量,将所述第一标准杯盘比向量和所述第二标准杯盘比向量做内积,获得第二类第一特征值;
根据第一类第一先验方向向量和第二类第一先验方向向量获得第一类第2、3……n特征向量和第二类第2、3……n特征向量,并获得第一类第2、3……n特征值和第二类第2、3……n特征值,其中,n为大于或等于2的整数;
根据第一类n个特征值和第二类n个特征值生成2n维特征点并输出。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一杯盘比向量和所述第二杯盘比向量获得第一标准杯盘比向量和第二标准杯盘比向量,包括:
获得杯盘比向量的均值;
根据杯盘比向量和均值采用标准化计算公式获得标准杯盘比向量;
其中,所述标准化计算公式包括:
其中m为根据预设划分比例划分扇形区域的个数,a为使的系数,为杯盘比向量,为均值向量。
3.根据权利要求1所述的方法,其特征在于,所述根据第一类第一先验方向向量和第二类第一先验方向向量获得第一类第2、3……n特征向量和第二类第2、3……n特征向量,并获得第一类第2、3……n特征值和第二类第2、3……n特征值,包括:
根据第一类第一先验方向向量和第二类第一先验方向向量分别采用先验PCA算法获得第一类第2、3…~…n先特征向量和第二类第2、3……n特征向量,并获得第一类第2、3……n特征值和第二类第2、3……n特征值;
其步骤包括:
以μ12,...,μn-1为先验方向向量,设置约束条件为:
| | μ n | | = 1 , μ n T μ n - 1 = 0 , μ n T μ n - 2 = 0 , ... ... , μ n T μ 1 = 0 ;
在所述约束条件下,在与μ12,...,μn-1都正交的空间中得到使得样本集合分布最分散的投影方向μn,;
设置其中,x为样本集合矩阵,将样本集合矩阵投影到投影方向μn上,使z的方差最大,则μn最大特征值对应的特征向量;
其中,μn为第一类第n特征向量或第二类第n特征向量;
将所述第一杯盘比向量和所述第一类第2,3,…,n特征方向向量做内积,获得第一类第2,3,…,n特征值;将所述第一标准杯盘比向量和所述第二类第2,3,…,n特征方向向量做内积,获得第二类第2,3,…,n特征值。
4.一种青光眼图像特征提取装置,其特征在于,包括:
获取模块,用于获取待测眼底图像和正常眼大视杯眼底照图像,并获取对应的杯盘轮廓线;
划分模块,用于将所述杯盘轮廓线形成的区域根据预设划分比例划分m个扇形区域,并计算获得所述扇形区域的杯盘比,得到第一杯盘比向量和第二杯盘比向量,所述第一杯盘比向量为待测眼底图像的杯盘比向量,所述第二杯盘比向量为正常眼大视杯眼底照图像的杯盘比向量;
第一计算模块,用于设置第一类第一先验方向向量为m维单位向量根据所述第一杯盘比向量和所述第一类第一先验方向向量做内积,获得第一类第一特征值;
第二计算模块,用于根据所述第一杯盘比向量和所述第二杯盘比向量获得第一标准杯盘比向量和第二标准杯盘比向量,设置第二类第一先验方向向量为第二标准杯盘比向量,将所述第一标准杯盘比向量和所述第二标准杯盘比向量做内积,获得第二类第一特征值;
第三计算模块,用于根据第一类第一先验方向向量和第二类第一先验方向向量获得第一类第2、3……n特征向量和第二类第2、3……n特征向量,并获得第一类第2、3……n特征值和第二类第2、3……n特征值;
生成模块,用于根据第一类的n个特征值和第二类的n个特征值生成2n维特征点并输出。
5.根据权利要求4所述的装置,其特征在于,所述第二计算模块具体用于:
获得杯盘比向量的均值;
根据杯盘比向量和均值采用标准化计算公式获得标准杯盘比向量;
其中,所述标准化计算公式包括:
其中m为根据预设划分比例划分扇形区域的个数,a为使的系数,为杯盘比向量,为均值向量。
6.根据权利要求4所述的装置,其特征在于,所述第三计算模块具体用于:
根据第一类第一先验方向向量和第二类第一先验方向向量分别采用先验PCA算法获得第一类第n特征向量和第二类第n特征向量,并获得第一类第n特征值和第二类第n特征值;
其步骤包括:
以μ12,...,μn-1为先验方向向量,设置约束条件为:
| | μ n | | = 1 , μ n T μ n - 1 = 0 , μ n T μ n - 2 = 0 , ... ... , μ n T μ 1 = 0 ;
在所述约束条件下,在与μ12,...,μn-1都正交的空间中得到使得样本集合分布最分散的投影方向μn,;
设置其中,x为样本集合矩阵,将样本集合矩阵投影到投影方向μn上,使z的方差最大,则μn最大特征值对应的特征向量;
其中,μn为第一类第n特征向量或第二类第n特征向量;
将所述第一杯盘比向量和所述第一类第2,3,…,n特征方向向量做内积,获得第一类第2,3,…,n特征值;将所述第一标准杯盘比向量和所述第二类第2,3,…,n特征方向向量做内积,获得第二类第2,3,…,n特征值。
CN201610963976.8A 2016-10-28 2016-10-28 青光眼图像特征提取方法及装置 Active CN106529558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610963976.8A CN106529558B (zh) 2016-10-28 2016-10-28 青光眼图像特征提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610963976.8A CN106529558B (zh) 2016-10-28 2016-10-28 青光眼图像特征提取方法及装置

Publications (2)

Publication Number Publication Date
CN106529558A true CN106529558A (zh) 2017-03-22
CN106529558B CN106529558B (zh) 2019-05-24

Family

ID=58326334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610963976.8A Active CN106529558B (zh) 2016-10-28 2016-10-28 青光眼图像特征提取方法及装置

Country Status (1)

Country Link
CN (1) CN106529558B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229545A (zh) * 2017-12-22 2018-06-29 北京市商汤科技开发有限公司 青光眼诊断的方法、装置及电子设备
WO2020125318A1 (zh) * 2018-12-19 2020-06-25 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和诊断系统
US11080850B2 (en) * 2018-01-16 2021-08-03 Electronics And Telecommunications Research Institute Glaucoma diagnosis method using fundus image and apparatus for the same
US11295178B2 (en) 2017-11-01 2022-04-05 Tencent Technology (Shenzhen) Company Limited Image classification method, server, and computer-readable storage medium

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101784675A (zh) * 2007-06-13 2010-07-21 解码遗传学私营有限责任公司 用于剥脱性综合征和青光眼的诊断、预后和治疗的标记物的chr 15q24上的遗传变异
CN102112044A (zh) * 2008-05-14 2011-06-29 科学、技术与研究机构 自动杯盘比测量系统
CN102316789A (zh) * 2008-12-15 2012-01-11 新加坡保健服务集团有限公司 确定视杯边界的位置的方法和系统
WO2013126465A1 (en) * 2012-02-21 2013-08-29 MEDEIROS, Felipe, A. Systems and methods for determining retinal ganglion cell populations and associated treatments
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
US20150005689A1 (en) * 2013-06-28 2015-01-01 AqueSys, Inc Intraocular shunt implantation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101784675A (zh) * 2007-06-13 2010-07-21 解码遗传学私营有限责任公司 用于剥脱性综合征和青光眼的诊断、预后和治疗的标记物的chr 15q24上的遗传变异
CN102112044A (zh) * 2008-05-14 2011-06-29 科学、技术与研究机构 自动杯盘比测量系统
CN102316789A (zh) * 2008-12-15 2012-01-11 新加坡保健服务集团有限公司 确定视杯边界的位置的方法和系统
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
WO2013126465A1 (en) * 2012-02-21 2013-08-29 MEDEIROS, Felipe, A. Systems and methods for determining retinal ganglion cell populations and associated treatments
US20150005689A1 (en) * 2013-06-28 2015-01-01 AqueSys, Inc Intraocular shunt implantation

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XU, YONGLI 等: "Feature Extraction from Optic Disc and Cup Boundary Lines in Fundus Images Based on ISNT Rule for Glaucoma Diagnosis", 《JOURNAL OF MEDICAL IMAGING AND HEALTH INFORMATICS》 *
XU, YONG-LI 等: "Knowledge-Based Machine Learning for Glaucoma Diagnosis from Fundus Image Data", 《JOURNAL OF MEDICAL IMAGING AND HEALTH INFORMATICS》 *
胡杨 等: "原发性开角型青光眼OCT评估视网膜神经纤维层厚度与视盘参数的关系", 《武汉大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11295178B2 (en) 2017-11-01 2022-04-05 Tencent Technology (Shenzhen) Company Limited Image classification method, server, and computer-readable storage medium
CN108229545A (zh) * 2017-12-22 2018-06-29 北京市商汤科技开发有限公司 青光眼诊断的方法、装置及电子设备
CN108229545B (zh) * 2017-12-22 2021-09-14 北京市商汤科技开发有限公司 青光眼诊断的方法、装置及电子设备
US11080850B2 (en) * 2018-01-16 2021-08-03 Electronics And Telecommunications Research Institute Glaucoma diagnosis method using fundus image and apparatus for the same
WO2020125318A1 (zh) * 2018-12-19 2020-06-25 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和诊断系统

Also Published As

Publication number Publication date
CN106529558B (zh) 2019-05-24

Similar Documents

Publication Publication Date Title
US10976813B2 (en) Interactive motion-based eye tracking calibration
Cheng et al. Sparse dissimilarity-constrained coding for glaucoma screening
CN106529558A (zh) 青光眼图像特征提取方法及装置
CN106919933A (zh) 瞳孔定位的方法及装置
Van Grinsven et al. Automatic identification of reticular pseudodrusen using multimodal retinal image analysis
Fatima et al. Fully automated diagnosis of papilledema through robust extraction of vascular patterns and ocular pathology from fundus photographs
EP3924710B1 (de) Verfahren und vorrichtung zum vermessen der lokalen brechkraft und/oder der brechkraftverteilung eines brillenglases
Almazroa et al. An automatic image processing system for glaucoma screening
Hu et al. Automated segmentation of geographic atrophy in fundus autofluorescence images using supervised pixel classification
Araújo et al. Glaucoma diagnosis in fundus eye images using diversity indexes
KR20210073388A (ko) 전안부 이미지를 이용한 각막 병변 분석 시스템 및 방법 그리고 컴퓨터로 판독 가능한 기록 매체
Gupta et al. An efficient model for detection and classification of internal eye diseases using deep learning
Popescu et al. Computer—Aided localization of the optic disc based on textural features
Gopi et al. PCA-based localization approach for segmentation of optic disc
Tan et al. Automatic notch detection in retinal images
Asad et al. Integrated features based on gray-level and hu moment-invariants with ant colony system for retinal blood vessels segmentation
US20150363930A1 (en) Cost-sensitive linear reconstruction based optic cup localization
Gaddipati et al. Glaucoma assessment from oct images using capsule network
Fatima et al. Papilledema detection in fundus images using hybrid feature set
Natarajan et al. Automated segmentation algorithm with deep learning framework for early detection of glaucoma
Sandeep et al. Analysis of retinal OCT images for the early diagnosis of Alzheimer’s disease
Odstrcilik et al. Analysis of retinal nerve fiber layer via Markov random fields in color fundus images
Budai et al. Optic disk localization using fast radial symmetry transform
Gandhimathi et al. Detection of neovascularization in proliferative diabetic retinopathy fundus images.
Rathakrishnan et al. Optimized convolutional neural network-based comprehensive early diagnosis method for multiple eye disease recognition

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231211

Address after: 215000 Bamboo Garden Road, Suzhou high tech Zone, Jiangsu Province, No. 209

Patentee after: Suzhou Zichuan Information Technology Co.,Ltd.

Address before: 100029, No. 15 East Third Ring Road, Chaoyang District, Beijing

Patentee before: BEIJING University OF CHEMICAL TECHNOLOGY

TR01 Transfer of patent right