CN107180421B - 一种眼底图像病变检测方法及装置 - Google Patents

一种眼底图像病变检测方法及装置 Download PDF

Info

Publication number
CN107180421B
CN107180421B CN201610134162.3A CN201610134162A CN107180421B CN 107180421 B CN107180421 B CN 107180421B CN 201610134162 A CN201610134162 A CN 201610134162A CN 107180421 B CN107180421 B CN 107180421B
Authority
CN
China
Prior art keywords
area
image
fundus image
exudation
pixel
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
CN201610134162.3A
Other languages
English (en)
Other versions
CN107180421A (zh
Inventor
贾霞
魏然
盛斌
殷本俊
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.)
Nanjing ZTE New Software Co Ltd
Original Assignee
Nanjing ZTE New Software Co Ltd
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 Nanjing ZTE New Software Co Ltd filed Critical Nanjing ZTE New Software Co Ltd
Priority to CN201610134162.3A priority Critical patent/CN107180421B/zh
Publication of CN107180421A publication Critical patent/CN107180421A/zh
Application granted granted Critical
Publication of CN107180421B publication Critical patent/CN107180421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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)
  • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本申请公开了一种眼底图像病变检测方法及装置，上述方法包括：预处理待检测的眼底图像；对预处理后的眼底图像进行视盘定位，确定视盘区域；对预处理后的眼底图像进行形态学处理，获取健康背景图像；根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域。上述方法能够加快眼底图像的检测速度，并提高病变区域定位的精确性。

Description

一种眼底图像病变检测方法及装置
技术领域
本发明涉及计算机视觉信息领域，尤其涉及一种眼底图像病变检测方法及装置。
背景技术
随着计算机图形处理技术的发展，对眼底图像的分析不再仅仅依靠于眼科医生的肉眼观察。早在二十世纪七八十年代国外学者就已经提出了基于眼底图像处理与分析的自动检测硬性渗出和出血的技术，并进行了大量的研究。依靠计算机图形处理技术对眼底图像中的病灶进行快速准确的识别，可以有效解决传统人工定性分析缺乏量化手段的问题，同时也节省了大量人力物力以及时间，为大规模筛查病变的实施提供了基础条件。其研究成果在医学图像处理领域有着极大的现实意义。
目前常用的基于彩色眼底图像来检测渗出与出血的方法有形态学分割、阈值分割、区域生长算法、支持向量机(SVM，Support Vector Machine)分类器、基于马尔科夫模型的聚类分析。其中，形态学分割主要依据病变区域与血管特有的形态学特征，通过一系列形态学操作将血管从图像中分割出去，从而完成硬性渗出和出血区域检测。但是，形态学操作存在精度小、容易改变面积大小以及不能定量计算的缺点。阈值分割法主要利用了眼底图像转变为灰度图之后，出血的灰度相对较低，硬性渗出的灰度相对较高，选取适当的阈值分割图像，将出血与渗出检测出来。但是，阈值分割法存在可适应性小、不适合不同的图像、需要人工调整阈值大小的缺点。区域生长算法：首先对图像进行采样选取合适的种子点，然后进行区域生长，把灰度相近的像素发展成更大的区域，把出血和渗出包括进来。但是，区域生成算法存在计算代价大、噪声和灰度不均可能会导致空洞和过分割的缺点。SVM分类器和基于马尔科夫模型的聚类分析对大量的数据进行取样分析，通过机器学习的方式使得计算机能够自动识别出出血与渗出区域。但是，需要对大量样本进行训练。
举例而言，在现有技术中，在眼底图像的出血区域检测中，先采用基于相对熵的阈值对眼底图像进行分割，然后通过形态学顶帽变换来提取血管，最后用支持向量机对红斑区进行分类。然而，在眼底图像中，出血区域与血管相连是普遍的情况，在阈值分割的误差基础上进行形态学顶帽变换，放大了这种误差，图像中正常的血管较易被误认为病变区域。另外，因病人的病情而异，眼底图像中病变区域的特征很多，可分为很多种类，支持向量机是借助二次规划来求解支持向量，对于大规模的训练样本，耗费了一定的计算量，其运算速度存在较大的提升空间。另外，在现有技术中，在硬性渗出的自动检测中，会运用两次形态学膨胀操作增大渗出面积，并利用前后两次操作的结果的差值图像定位渗出区域边界，再通过形态学填充获取候选区域，最后通过渗出区域灰度特征进行分类。然而，上述方式可能存在边界断裂的情况，导致填充操作困难，进而遗漏一些病变区域。
总的来说，现有的眼底图像处理方法主要存在以下缺陷：精度低，不能进行精确的定量分析；需要固定的参数组合，普适性小，不能针对多种图像进行准确的分析；需要大量数据作为训练样本；某些算法计算代价过大，计算成本太高，超出一般计算机的计算能力。
可见，虽然目前有大量关于眼底图像分析的研究成果，但是处理速度或者病变区域定位效果有待提高。
发明内容
以下是对本文详细描述的主题的概述，本概述并非是为了限制权利要求的保护范围。
本发明实施例提供一种眼底图像病变检测方法及装置，能够加快眼底图像的检测速度，并提高病变区域定位的精确性。
本发明实施例提供一种眼底图像病变检测方法，包括：预处理待检测的眼底图像；对预处理后的眼底图像进行视盘定位，确定视盘区域；对预处理后的眼底图像进行形态学处理，获取健康背景图像；根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域。
其中，所述预处理待检测的眼底图像，包括：
将待检测的眼底图像转化为色调-饱和度-明度(HSV)空间，对明度V分量进行变换后，转换为红-绿-蓝(RGB)空间，得到亮度修正图像，其中，V分量的变换根据下式进行：
Figure BDA0000937939890000031
其中，Xv表示变换前的V分量，X′v表示变换后的V分量；
将所述亮度修正图像转化为灰度图像，并通过限制对比度自适应直方图均衡(CLAHE)处理所述灰度图像。
其中，所述对预处理后的眼底图像进行视盘定位，确定视盘区域，包括：
根据第一预设算子对预处理后的眼底图像进行均值滤波；
在均值滤波处理后的图像中，确定灰度值最大的点为视盘定位点；
从所述视盘定位点开始，应用区域生长法，确定视盘区域。
其中，所述对预处理后的眼底图像进行形态学处理，获取健康背景图像，包括：
通过形态学闭操作，在预处理后的眼底图像中去除血管，得到待处理图像；
根据第二预设算子计算所述待处理图像中每个像素点的邻域的方差，并选取方差大于第一阈值的像素点作为渗出区域的边界候选点；
利用得到的边界候选点，进行形态学填充和膨胀；
进行形态学腐蚀和重建，获取健康背景图像。
其中，所述根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域，包括：
获取所述健康背景图像与预处理后的眼底图像的差值图像，将该差值图像中像素值大于第二阈值的像素点标记为渗出区域；
根据所述渗出区域以及所述视盘区域的位置，在所述预处理后的眼底图像中去除所述渗出区域与所述视盘区域的重合部分，在所述预处理后的眼底图像中标记最终确定的渗出区域。
可选地，所述方法还包括：
对预处理后的眼底图像进行阈值分割，确定包括血管和出血区域的混合区域，并通过边缘检测和阈值分割从所述混合区域中确定出血区域。
其中，所述通过边缘检测和阈值分割从所述混合区域中确定出血区域，包括：
通过Kirsch算子进行血管边缘检测；
通过区域生长法提取血管；
从所述混合区域中去除血管，确定出血区域。
其中，所述通过Kirsch算子进行血管边缘检测，包括：
根据Kirsch算子的八个边缘提取模板分别对预处理后的眼底图像中的每个像素点进行卷积求和；
分别对每个像素点得到的八个卷积和取绝对值，将每个绝对值与第三阈值进行比较，当像素点得到的八个绝对值中存在大于或等于所述第三阈值的绝对值时，将该像素点的灰度值设置为255，若像素点得到的八个绝对值均小于所述第三阈值时，将该像素点的灰度值设置为0。
其中，所述通过区域生长法提取血管，包括：
步骤S1：选取初始血管像素点，并将该初始血管像素点放入队列，以该初始血管像素点为中心点；
步骤S2：选取该中心点周围的像素点放入队列，比较该中心点与其每个周围像素点之间的差值，将与该中心点的像素值的差值大于第四阈值的周围像素点标记为背景像素点，将与该中心点的像素值的差值小于或等于所述第四阈值的周围像素点标记为血管像素点；
步骤S3：依次从所述队列中取出像素点作为中心点，进行步骤S2的处理，直至预处理后的眼底图像中每一个像素点都被标记；
步骤S4：根据标记结果提取血管。
可选地，所述方法还包括：计算渗出区域和/或出血区域的面积。
其中，所述计算渗出区域和/或出血区域的面积，包括：
计算渗出区域的像素点数量与有效图像区域的像素点数量的比值，确定所述渗出区域的面积；和/或，
计算出血区域的像素点数量与有效图像区域的像素点数量的比值，确定所述出血区域的面积；
其中，所述有效图像区域指眼底图像中物体边界内的区域。
本发明实施例还提供一种眼底图像病变检测装置，包括：
预处理模块，设置为：预处理待检测的眼底图像；
视盘定位模块，设置为：对预处理后的眼底图像进行视盘定位，确定视盘区域；
第一处理模块，设置为：对预处理后的眼底图像进行形态学处理，获取健康背景图像，并根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域。
可选地，所述装置还包括：第二处理模块，设置为：对预处理后的眼底图像进行阈值分割，确定包括血管和出血区域的混合区域，并通过边缘检测和阈值分割从所述混合区域中确定出血区域。
可选地，所述装置还包括：计算模块，设置为：计算渗出区域和/或出血区域的面积。
此外，本发明实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令被执行时实现上述眼底图像病变检测方法。
在本发明实施例中，预处理待检测的眼底图像；对预处理后的眼底图像进行视盘定位，确定视盘区域；对预处理后的眼底图像进行形态学处理，获取健康背景图像；根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域。相较于现有技术，本发明实施例提供的方法实现了眼底图像病变的自动检测，无需使用荧光剂等对病人有害的物质就能较为准确地定位病变点；提高了适用性，能够较好地适应不同仪器拍摄的亮度、对比度不尽相同的眼底图像；加快了眼底图像的检测速度，并提高了病变区域定位的精确性。
而且，本发明实施例还能够检测出血区域，避免了血管对出血检测的影响，充分利用了病变区域的形态学特征(灰度特征和梯度特征等)，加快了检测速度，提高了检测准确性。
在阅读并理解了附图和详细描述后，可以明白其他方面。
附图说明
图1为本发明实施例一提供的眼底图像病变检测方法的流程图；
图2为本发明实施例二提供的眼底图像病变检测方法的流程图；
图3为本发明实施例二中Kirsch算子的模板的示意图；
图4为本发明实施例中区域生长法的流程图；
图5为本发明实施例提供的眼底图像病变检测装置的示意图。
具体实施方式
以下结合附图对本发明实施例进行详细说明，应当理解，以下所说明的实施例仅用于说明和解释本申请，并不用于限定本申请。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本发明实施例一提供的眼底图像病变检测方法的流程图。如图1所示，本实施例提供的眼底图像病变检测方法包括以下步骤：
步骤101：预处理待检测的眼底图像。
其中，步骤101包括：
将待检测的眼底图像转化为色调-饱和度-明度(HSV，Hue，Saturation，Value)空间，对明度V分量进行变换后，转换为红-绿-蓝(RGB，Red，Green，Blue)空间，得到亮度修正图像，其中，V分量的变换根据下式进行：
Figure BDA0000937939890000071
其中，Xv表示变换前的V分量，X′v表示变换后的V分量；
将所述亮度修正图像(即RGB图像)转化为灰度图像，并通过限制对比度自适应直方图均衡(CLAHE，Contrast Limited Adaptive Histogram Equalization)处理所述灰度图像。
其中，待检测的眼底图像为RGB彩色图像。于实际应用中，待检测的眼底图像例如由眼底摄像仪拍摄得到。
具体而言，眼底图像的预处理分为以下两步：第一步进行亮度均衡，得到亮度修正后的RGB彩色图像；第二步进行对比度增强处理。在第二步中，利用CLAHE技术来扩展图像的灰度分布范围，从而改进图像的局部对比度以及获得更多的图像细节。CLAHE是一种采用了对比度限幅的对比度增强技术，在本实施例中，其对比度限定幅值通过将图像均匀分布为8×8个矩形块，计算每个块的直方图来插值获取。
步骤102：对预处理后的眼底图像进行视盘定位，确定视盘区域。
其中，步骤102包括：
根据第一预设算子对预处理后的眼底图像进行均值滤波；
在均值滤波处理后的图像中，确定灰度值最大的点为视盘定位点；
从所述视盘定位点开始，应用区域生长法，确定视盘区域。
其中，第一预设算子例如为31×31的算子。然而，本实施例对此并不限定。于实际应用中，第一预设算子的取值可以根据图像大小确定，其取值范围例如为25×25、27×27、29×29、31×31、33×33、35×35、37×37。
举例而言，使用31×31的算子根据下式进行均值滤波：
Figure BDA0000937939890000072
其中，Fi表示中心像素点的周边像素点的像素值，Z表示中心像素点均值滤波后的像素值。
于此，通过均值滤波可以消除背景和病变区域可能导致的错误定位。由于视盘灰度值比背景值高，在滤波后的灰度直方图中选取最大值作为视盘定位点。利用区域生长法，从视盘定位点开始，逐步扩张直到视盘边界，至此，所有视盘区域被标记出。
于此，参照图4，描述区域生长法如下：
步骤S11：将视盘定位点(种子点)放入队列，以该视盘定位点为中心点；
步骤S12：选取该中心点周围的最多8个像素点放入队列，比较该中心点与其每个周围像素点之间的差值，将与该中心点的像素值的差值大于阈值的周围像素点标记为背景像素点(与中心点为不同类)，将与该中心点的像素值的差值小于或等于所述阈值的周围像素点标记为视盘像素点(与中心点为同一类)；
步骤S13：依次从所述队列中取出像素点作为中心点，进行步骤S12的处理，直至预处理后的眼底图像中每一个像素点都被标记；
步骤S14：根据标记结果确定视盘区域。
于本实施例中，通过平滑滤波和区域生长法定位视盘，确定的视盘区域后续用于消除视盘对病变区域检测的影响。
步骤103：对预处理后的眼底图像进行形态学处理，获取健康背景图像。
其中，步骤103包括：
通过形态学闭操作，在预处理后的眼底图像中去除血管，得到待处理图像；
根据第二预设算子计算所述待处理图像中每个像素点的邻域的方差，并选取方差大于第一阈值的像素点作为渗出区域的边界候选点；
利用得到的边界候选点，进行形态学填充和膨胀；
进行形态学腐蚀和重建，获取健康背景图像。
其中，第二预设算子例如为11×11的算子。然而，本实施例对此并不限定。于实际应用中，第二预设算子的取值可以根据图像大小确定，其取值范围例如为5×5、7×7、9×9、11×11、13×13、15×15、17×17。
具体而言，通过形态学闭操作，可以消除血管对硬性渗出检测产生的影响。其中，形态学闭操作的具体实现是本领域技术人员熟知的技术，故于此不再赘述。之后，通过11×11的算子对图像中每个像素的邻域进行方差计算，选取方差大于第一阈值的点作为渗出区域的边界候选点。
利用上述边界进行形态学填充，用公式表达为：
Figure BDA0000937939890000091
即，这样的操作从k＝1开始持续进行直到Ek＝Ek-1为止，其中，E为目标操作图像，B为一个四连通的结构元素，Hc为上述边界二值图像的补图，
Figure BDA0000937939890000092
代表形态学操作中的膨胀操作。
通过填充，所有渗出区域基本被覆盖，为确保整个渗出区域均被包含，还需要对其进行简单的形态学膨胀操作。
通过反复的腐蚀、重建操作，将背景灰度逐步填充到渗出区域内，获取无病变的健康背景图像。
步骤104：根据所述健康背景图像，在待检测的眼底图像中确定渗出区域。
其中，步骤104包括：
获取所述健康背景图像与预处理后的眼底图像的差值图像，将该差值图像中像素值大于第二阈值的像素点标记为渗出区域；
根据所述渗出区域以及所述视盘区域的位置，在所述预处理后的眼底图像中去除所述渗出区域与所述视盘区域的重合部分，在所述预处理后的眼底图像中标记最终确定的渗出区域。
在本实施例中，首先将眼底图像进行预处理，包括HSV色彩空间亮度修正及基于限制对比度直方图均衡的对比度增强，增强对不同种类眼底图像的适应性。然后，通过平滑滤波和区域生长法定位视盘，消除视盘对病变区域检测的影响。之后，通过一系列形态学处理获取健康背景图像，其中，形态学处理包括：膨胀操作去除血管、通过梯度算子寻找边界、形态学填充覆盖渗出区域、迭代腐蚀操作获取背景等。如此，避免了分类造成的时间浪费，响应时间快且较为准确。
图2为本发明实施例二提供的眼底图像病变检测方法的流程图。如图2所示，本实施例提供的眼底图像病变检测方法包括步骤201～206。
其中，步骤201～204同实施例一中的步骤101～104，故于此不再赘述。下面详细描述步骤205及步骤206。
步骤205：对预处理后的眼底图像进行阈值分割，确定包括血管和出血区域的混合区域，并通过边缘检测和阈值分割从所述混合区域中确定出血区域。
其中，在进行出血区域检测时，先通过大津(Ostu)阈值分割确定血管及出血区域的灰度值，并对预处理后的图像进行阈值分割，获取血管和出血的混合图像。
其中，所述通过边缘检测和阈值分割从所述混合区域中确定出血区域，包括：
通过Kirsch算子进行血管边缘检测；
通过区域生长法提取血管；
从所述混合区域中去除血管，确定出血区域。
其中，所述通过Kirsch算子进行血管边缘检测，包括：
根据Kirsch算子的八个边缘提取模板分别对预处理后的眼底图像中的每个像素点进行卷积求和；
分别对每个像素点得到的八个卷积和取绝对值，将每个绝对值与第三阈值进行比较，当像素点得到的八个绝对值中存在大于或等于所述第三阈值的绝对值时，将该像素点的灰度值设置为255，若像素点得到的八个绝对值均小于所述第三阈值时，将该像素点的灰度值设置为0。
具体而言，通过Kirsch算子对血管边缘进行标记，其识别原理如下：
首先，设置八个3×3模板(如图3所示)，八个模板分别按0、45、90、135、180、225、270和315角度以(x，y)点为中心，将3×3的区域分成两个部分，按照这八个模板分别对图像中的每一像素点进行卷积求和操作。图3中的八个模板的取值是根据R.Kirsch的能检测边缘方向的Kirsch算子。Kirsch算子采用8个模板对图像上的每一个像素点进行卷积求导数，这8个模板代表8个方向，对图像上的8个特定边缘方向作出最大响应，运算(与3×3像素加权之和，就是对应位置相乘后求和)中取最大值作为图像的边缘输出。
然后，对图像中每一像素点求的八个结果求绝对值，取其中的最大值输出并与第三阈值比较，如果其大于或等于第三阈值，则该模板的中心点所对应的像素点的灰度值为255，否则为0。
于本实施例中，参照图4，所述通过区域生长法提取血管，包括：
步骤S1：选取初始血管像素点(种子点)，并将该初始血管像素点放入队列，以该初始血管像素点为中心点；其中，所述初始血管像素点例如由人工设定，然而，本实施例对此并不限定；
步骤S2：选取该中心点周围的像素点放入队列，比较该中心点与其每个周围像素点之间的差值，将与该中心点的像素值的差值大于第四阈值的周围像素点标记为背景像素点(与中心点为不同类)，将与该中心点的像素值的差值小于或等于所述第四阈值的周围像素点标记为血管像素点(与中心点为同一类)；
步骤S3：依次从所述队列中取出像素点作为中心点，进行步骤S2的处理，直至预处理后的眼底图像中每一个像素点都被标记；
步骤S4：根据标记结果提取血管。
具体而言，区域生长是一个迭代的过程，每个种子像素点都迭代生长。初始时选取一个种子点(初始血管像素点)，进入队列，以该种子点为中心点，选取中心点周围最多8个像素点，入队，检查中心点周围最多8个像素点，与中心点的差异大于第四阈值的像素点标记为与中心点不同的一类，与中心点的差异小于或等于第四阈值的像素点标记为与中心点相同的一类。之后重复从队列中取出像素点作为中心点，重复上述检查过程，直至处理过图像中的每一个像素点。眼底图像中血管的宽度一般很小，在已检测出边缘的血管图像中使用区域生长法，使像素点从血管的边界逐渐生长；多次使用区域生长法，使血管位置的所有像素点都被标记到，因此，提取出眼底图像中的血管。
将提取出的血管从混合区域中剔除，从而得到最后的出血区域检测结果。对于二值图像，其噪声主要表现为目标周围的噪声块，通过形态学闭操作可以消除与结构元素相比尺寸较小的暗细节(噪声块)，而保持图像整体灰度值和大的暗区域基本不变，从而检测出出血区域。
步骤206：计算渗出区域和/或出血区域的面积。
其中，步骤206包括：
计算渗出区域的像素点数量与有效图像区域的像素点数量的比值，确定所述渗出区域的面积；和/或，
计算出血区域的像素点数量与有效图像区域的像素点数量的比值，确定所述出血区域的面积；
其中，所述有效图像区域指眼底图像中物体边界内的区域。
具体而言，在步骤206，可以基于步骤204确定的渗出区域，计算渗出区域的面积；或者，可以基于步骤205确定的出血区域，计算出血区域的面积；或者，基于步骤204确定的渗出区域，计算渗出区域的面积，并且，基于步骤205确定的出血区域，计算出血区域的面积。
在本实施例中，通过阈值分割获取血管与出血区域，通过Kirsch算子进行边缘检测并通过区域生长获取血管区域，将血管从混合区域中剔除后即得到出血区域。如此，避免了灰度相近的血管在其它出血检测算法中可能带来的干扰，也同时加快了检测速度。
在本实施例中，渗出检测算法利用了图像的梯度信息，而出血检测算法利用了图像的灰度信息和病变特有的与血管灰度相近的特点。两者不约而同地都直接采用形态学手段进行特征提取，免去了分类等复杂的方法，既提高了运算实时性，又不失准确度。
需要说明的是，实施例一及实施例二中提及的各个阈值均为经验值，可以为根据实际实验测试得出的最佳值。本发明实施例对此并不限定。
于本实施例中，部分阈值可以采取与图像最大灰度的比值形式给出，普适性更强，对于大部分图像(不同亮度、灰度等)并不需要改变阈值的大小。
图5为本发明实施例提供的眼底图像病变检测装置的示意图。如图5所示，本实施例提供的眼底图像病变检测装置包括：
预处理模块，设置为：预处理待检测的眼底图像；
视盘定位模块，设置为：对预处理后的眼底图像进行视盘定位，确定视盘区域；
第一处理模块，设置为：对预处理后的眼底图像进行形态学处理，获取健康背景图像，并根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域。
可选地，上述装置还包括：第二处理模块，设置为：对预处理后的眼底图像进行阈值分割，确定包括血管和出血区域的混合区域，并通过边缘检测和阈值分割从所述混合区域中确定出血区域。
可选地，上述装置还包括：计算模块，设置为：计算渗出区域和/或出血区域的面积。
此外，所述装置的具体处理流程同上述方法所述，故于此不再赘述。
此外，本发明实施例还提供一种终端，包括：显示器以及处理器，所述处理器设置为：预处理待检测的眼底图像；对预处理后的眼底图像进行视盘定位，确定视盘区域；对预处理后的眼底图像进行形态学处理，获取健康背景图像，并根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域；所述显示器设置为：显示待检测的眼底图像和/或标识渗出区域的眼底图像。
可选地，所述处理器还设置为：对预处理后的眼底图像进行阈值分割，确定包括血管和出血区域的混合区域，并通过边缘检测和阈值分割从所述混合区域中确定出血区域。所述显示器还设置为：显示标识出血区域的眼底图像。
可选地，所述处理器还设置为：计算渗出区域和/或出血区域的面积。
综上所述，本实施例提供的方案实现了眼底图像病变的自动检测，无需使用荧光剂等对病人有害的物质就能较为准确地定位病变点，并计算区域面积，为医生的临床诊断提供便捷和量化的诊断依据；本实施例提供的方案适应性较佳，对于不同仪器拍摄的亮度、对比度不尽相同的眼底图像能够做到较好地适应，仅需调整一至两个参数即可做到准确检测；本实施例提供的方案加快了眼底图像的检测速度，提高了病变区域定位的精确性。
此外，本发明实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令被执行时实现上述眼底图像病变检测方法。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件(例如处理器)完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，例如通过集成电路来实现其相应功能，也可以采用软件功能模块的形式实现，例如通过处理器执行存储于存储器中的程序/指令来实现其相应功能。本申请不限制于任何特定形式的硬件和软件的结合。
以上显示和描述了本申请的基本原理和主要特征和本申请的优点。本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本申请的原理，在不脱离本申请精神和范围的前提下，本申请还会有各种变化和改进，这些变化和改进都落入要求保护的本申请范围内。

Claims (12)

1.一种眼底图像检测方法，其特征在于，包括：
预处理待检测的眼底图像；
对预处理后的眼底图像进行视盘定位，确定视盘区域；
对预处理后的眼底图像进行形态学处理，获取健康背景图像；
根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域；
所述对预处理后的眼底图像进行形态学处理，获取健康背景图像，包括：
通过形态学闭操作，在预处理后的眼底图像中去除血管，得到待处理图像；
根据第二预设算子计算所述待处理图像中每个像素点的邻域的方差，并选取方差大于第一阈值的像素点作为渗出区域的边界候选点；
利用得到的边界候选点，进行形态学填充和膨胀；
进行形态学腐蚀和重建，将背景灰度逐步填充到渗出区域内，获取健康背景图像；
所述根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域，包括：
获取所述健康背景图像与预处理后的眼底图像的差值图像，将该差值图像中像素值大于第二阈值的像素点标记为渗出区域；
根据所述渗出区域以及所述视盘区域的位置，在所述预处理后的眼底图像中去除所述渗出区域与所述视盘区域的重合部分，在所述预处理后的眼底图像中标记最终确定的渗出区域。
2.根据权利要求1所述的方法，其特征在于，所述预处理待检测的眼底图像，包括：
将待检测的眼底图像转化为色调-饱和度-明度HSV空间，对明度V分量进行变换后，转换为红-绿-蓝RGB空间，得到亮度修正图像，其中，V分量的变换根据下式进行：
Figure FDA0002493915700000021
其中，Xv表示变换前的V分量，X’v表示变换后的V分量；
将所述亮度修正图像转化为灰度图像，并通过限制对比度自适应直方图均衡CLAHE处理所述灰度图像。
3.根据权利要求1所述的方法，其特征在于，所述对预处理后的眼底图像进行视盘定位，确定视盘区域，包括：
根据第一预设算子对预处理后的眼底图像进行均值滤波；
在均值滤波处理后的图像中，确定灰度值最大的点为视盘定位点；
从所述视盘定位点开始，应用区域生长法，确定视盘区域。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对预处理后的眼底图像进行阈值分割，确定包括血管和出血区域的混合区域，并通过边缘检测和阈值分割从所述混合区域中确定出血区域。
5.根据权利要求4所述的方法，其特征在于，所述通过边缘检测和阈值分割从所述混合区域中确定出血区域，包括：
通过Kirsch算子进行血管边缘检测；
通过区域生长法提取血管；
从所述混合区域中去除血管，确定出血区域。
6.根据权利要求5所述的方法，其特征在于，所述通过Kirsch算子进行血管边缘检测，包括：
根据Kirsch算子的八个边缘提取模板分别对预处理后的眼底图像中的每个像素点进行卷积求和；
分别对每个像素点得到的八个卷积和取绝对值，将每个绝对值与第三阈值进行比较，当像素点得到的八个绝对值中存在大于或等于所述第三阈值的绝对值时，将该像素点的灰度值设置为255，若像素点得到的八个绝对值均小于所述第三阈值时，将该像素点的灰度值设置为0。
7.根据权利要求5所述的方法，其特征在于，所述通过区域生长法提取血管，包括：
步骤S1：选取初始血管像素点，并将该初始血管像素点放入队列，以该初始血管像素点为中心点；
步骤S2：选取该中心点周围的像素点放入队列，比较该中心点与其每个周围像素点之间的差值，将与该中心点的像素值的差值大于第四阈值的周围像素点标记为背景像素点，将与该中心点的像素值的差值小于或等于所述第四阈值的周围像素点标记为血管像素点；
步骤S3：依次从所述队列中取出像素点作为中心点，进行步骤S2的处理，直至预处理后的眼底图像中每一个像素点都被标记；
步骤S4：根据标记结果提取血管。
8.根据权利要求1所述的方法，其特征在于，还包括：计算渗出区域和/或出血区域的面积。
9.根据权利要求8所述的方法，其特征在于，所述计算渗出区域和/或出血区域的面积，包括：
计算渗出区域的像素点数量与有效图像区域的像素点数量的比值，确定所述渗出区域的面积；和/或，
计算出血区域的像素点数量与有效图像区域的像素点数量的比值，确定所述出血区域的面积；
其中，所述有效图像区域指眼底图像中物体边界内的区域。
10.一种眼底图像检测装置，其特征在于，包括：
预处理模块，设置为：预处理待检测的眼底图像；
视盘定位模块，设置为：对预处理后的眼底图像进行视盘定位，确定视盘区域；
第一处理模块，设置为：
通过形态学闭操作，在预处理后的眼底图像中去除血管，得到待处理图像；
根据第二预设算子计算所述待处理图像中每个像素点的邻域的方差，并选取方差大于第一阈值的像素点作为渗出区域的边界候选点；
利用得到的边界候选点，进行形态学填充和膨胀；
进行形态学腐蚀和重建，将背景灰度逐步填充到渗出区域内，获取健康背景图像；
获取所述健康背景图像与预处理后的眼底图像的差值图像，将该差值图像中像素值大于第二阈值的像素点标记为渗出区域；
根据所述渗出区域以及所述视盘区域的位置，在所述预处理后的眼底图像中去除所述渗出区域与所述视盘区域的重合部分，在所述预处理后的眼底图像中标记最终确定的渗出区域。
11.根据权利要求10所述的装置，其特征在于，还包括：第二处理模块，设置为：对预处理后的眼底图像进行阈值分割，确定包括血管和出血区域的混合区域，并通过边缘检测和阈值分割从所述混合区域中确定出血区域。
12.根据权利要求11所述的装置，其特征在于，还包括：计算模块，设置为：计算渗出区域和/或出血区域的面积。
CN201610134162.3A 2016-03-09 2016-03-09 一种眼底图像病变检测方法及装置 Active CN107180421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610134162.3A CN107180421B (zh) 2016-03-09 2016-03-09 一种眼底图像病变检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610134162.3A CN107180421B (zh) 2016-03-09 2016-03-09 一种眼底图像病变检测方法及装置

Publications (2)

Publication Number Publication Date
CN107180421A CN107180421A (zh) 2017-09-19
CN107180421B true CN107180421B (zh) 2020-08-07

Family

ID=59829587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610134162.3A Active CN107180421B (zh) 2016-03-09 2016-03-09 一种眼底图像病变检测方法及装置

Country Status (1)

Country Link
CN (1) CN107180421B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108986106B (zh) * 2017-12-15 2021-04-16 浙江中医药大学 面向青光眼的视网膜血管自动分割方法
CN108121522B (zh) * 2017-12-19 2020-10-30 中国航空工业集团公司洛阳电光设备研究所 一种基于边缘方向相关性的预畸变后平显画面反走样方法
CN110363739A (zh) * 2018-04-08 2019-10-22 天津工业大学 基于背景估计和相位一致性的眼底图像硬性渗出物检测法
CN108460766B (zh) * 2018-04-12 2022-02-25 四川和生视界医药技术开发有限公司 一种视网膜图像清晰度评估方法以及评估装置
WO2019218118A1 (zh) * 2018-05-14 2019-11-21 深圳明眸科技有限公司 眼底病变区域面积的计算方法、装置、医疗设备和存储介质
CN108765379B (zh) * 2018-05-14 2019-11-19 深圳明眸科技有限公司 眼底病变区域面积的计算方法、装置、医疗设备和存储介质
CN109255775A (zh) * 2018-07-18 2019-01-22 苏州精观医疗科技有限公司 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及系统
CN109192280A (zh) * 2018-07-28 2019-01-11 天津大学 一种基于kl散度的颈椎热成像图数据验证方法
CN109166117B (zh) * 2018-08-31 2022-04-12 福州依影健康科技有限公司 一种眼底图像自动分析比对方法及一种存储设备
CN109493361B (zh) * 2018-11-06 2021-08-06 中南大学 一种火灾烟雾图像分割方法
CN109658395B (zh) * 2018-12-06 2022-09-09 代黎明 视盘追踪方法及系统和眼底采集装置
CN109816637B (zh) * 2019-01-02 2023-03-07 电子科技大学 一种眼底图像中硬性渗出区域的检测方法
CN109978848B (zh) * 2019-03-19 2022-11-04 电子科技大学 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN109993731A (zh) * 2019-03-22 2019-07-09 依未科技(北京)有限公司 一种眼底病变分析方法及装置
CN110189296B (zh) * 2019-04-16 2022-05-10 上海鹰瞳医疗科技有限公司 眼底图像血管壁反光状态标记方法及设备
CN110322452B (zh) * 2019-07-03 2023-07-14 云南电网有限责任公司电力科学研究院 一种多光谱图像油料区划分方法及装置
CN110473176B (zh) * 2019-07-29 2024-04-19 腾讯医疗健康(深圳)有限公司 图像处理方法及装置、眼底图像处理方法、电子设备
CN111292296B (zh) * 2020-01-20 2024-06-18 京东方科技集团股份有限公司 一种基于眼部识别模型的训练集获取方法及设备
CN111311565A (zh) * 2020-02-11 2020-06-19 平安科技（深圳）有限公司 基于眼部oct图像的视杯和视盘定位点检测方法及装置
CN111951214B (zh) * 2020-06-24 2023-07-28 北京百度网讯科技有限公司 图像中可读区域的分割方法、装置、电子设备及存储介质
CN117934271B (zh) * 2024-03-22 2024-06-11 西安电子科技大学 一种视网膜血管图像的实时处理方法、系统及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102843957A (zh) * 2009-08-24 2012-12-26 新加坡保健服务集团有限公司 一种用于检测视盘出血的方法及系统
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN104732516A (zh) * 2014-12-29 2015-06-24 西安交通大学 一种基于随机方向直方图比的双阈值的血管图像处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140314288A1 (en) * 2013-04-17 2014-10-23 Keshab K. Parhi Method and apparatus to detect lesions of diabetic retinopathy in fundus images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102843957A (zh) * 2009-08-24 2012-12-26 新加坡保健服务集团有限公司 一种用于检测视盘出血的方法及系统
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN104732516A (zh) * 2014-12-29 2015-06-24 西安交通大学 一种基于随机方向直方图比的双阈值的血管图像处理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Proposal of a Content Based retinal Image Retrieval system using Kirsch template based edge detection;Sivakamasundari J etc.;《2014 International Conference on Informatics, Electronics & Vision (ICIEV)》;20140710;第1-2页"I. INTRODUCTION"、"II. METHODOLOGY" *
基于 k 均值聚类和自适应模板匹配的眼底出血点检测方法;肖志涛等;《中 国 生 物 医 学 工 程 学 报》;20150630;第34 卷(第3期);第265页右栏"1 材料与方法"以及第266-267页 *
基于背景估计和 SVM 分类器的眼底图像硬性渗出物检测方法;肖志涛等;《中 国 生 物 医 学 工 程 学 报》;20151231;第34卷(第6期);第722-723页 *

Also Published As

Publication number Publication date
CN107180421A (zh) 2017-09-19

Similar Documents

Publication Publication Date Title
CN107180421B (zh) 一种眼底图像病变检测方法及装置
CN107316077B (zh) 一种基于图像分割及边缘检测的脂肪细胞自动计数方法
US11842556B2 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
CN107451998B (zh) 一种眼底图像质量控制方法
CN106780522B (zh) 一种基于深度学习的骨髓液细胞分割方法
US20110286654A1 (en) Segmentation of Biological Image Data
CN108682008B (zh) 一种白细胞图像清晰度评价方法及装置
CN108186051B (zh) 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统
JPH09508814A (ja) 医用画像を分割するための自動的方法およびシステム
JP6342810B2 (ja) 画像処理
CN108378869B (zh) 一种从超声图像中自动测量胎儿头围长度的图像处理方法及处理系统
CN110675464A (zh) 一种医疗影像的处理方法、装置、服务器及存储介质
KR102140385B1 (ko) 골수 판독을 위한 셀존 레이블링 장치 및 이를 포함하는 셀존 검출 시스템
CN107038704B (zh) 视网膜图像渗出区域分割方法、装置和计算设备
CN106157279A (zh) 基于形态学分割的眼底图像病变检测方法
CN110610498A (zh) 乳腺钼靶图像处理方法、系统、存储介质及设备
CN104318565B (zh) 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法
CN111105427A (zh) 一种基于连通区域分析的肺部图像分割方法及系统
CN113237881A (zh) 一种特定细胞的检测方法、装置和病理切片检测系统
CN110060246B (zh) 一种图像处理方法、设备及存储介质
Soni et al. CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation
CN113450383B (zh) 一种免疫层析试纸定量分析方法、装置、设备和介质
JPWO2019044579A1 (ja) 病理診断装置、画像処理方法及びプログラム
CN109949906B (zh) 病理切片图像处理和模型训练方法及设备
CN117252825A (zh) 基于口腔全景片图像的龋齿识别方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20200703

Address after: Yuhuatai District of Nanjing City, Jiangsu province 210012 Bauhinia Road No. 68

Applicant after: Nanjing Zhongxing New Software Co.,Ltd.

Address before: 518057 Nanshan District Guangdong high tech Industrial Park, South Road, science and technology, ZTE building, Ministry of Justice

Applicant before: ZTE Corp.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant