CN107292868B - 一种视盘定位方法及装置 - Google Patents
一种视盘定位方法及装置 Download PDFInfo
- Publication number
- CN107292868B CN107292868B CN201710405139.8A CN201710405139A CN107292868B CN 107292868 B CN107292868 B CN 107292868B CN 201710405139 A CN201710405139 A CN 201710405139A CN 107292868 B CN107292868 B CN 107292868B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- algorithm
- candidate
- candidate regions
- fuzzy
- 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.)
- Expired - Fee Related
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical 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)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种视盘定位方法及装置,该方法利用视盘的自身特征以及视盘与血管网络的关系特征,对模糊收敛算法、边缘检测算法、明亮区域检测算法、模版匹配算法进行细节改进,并为每个独立算法产生一个或多个候选输出,对所有算法输出进行融合处理实现视盘定位,极大的提高了视盘定位的准确性和鲁棒性。此外,将视盘定位及边缘检测结果做为视盘分割的初始参数,基于椭圆拟合方法确定视盘的大致轮廓,基于可变形轮廓模型将轮廓拟合到视盘边缘,最终完成视盘分割。受益于视盘定位的准确性,以及分割过程中的轮廓拟合和轮廓约束处理,视盘分割精度也得到显著提高。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种视盘定位方法及装置。
背景技术
眼睛是唯一通过直接观察就能了解到血管、神经等丰富信息的器官。眼底图像为“将三维(3D)视网膜半透明组织的反射光,投影到成像平面上,获得的二维(2D)表示”,其中图像强度表示光的反射量。眼底图像中包括视盘、动静脉、黄斑及中央凹等视网膜结构。视网膜中可以观察到许多重要疾病,可能是眼部疾病,也可能是全身性疾病。比如年龄相关性黄斑变性会使视网膜内或下方出现异常的液体积累,青光眼是由于视神经的逐渐损害导致,糖尿病患者体内的高血糖会损害视网膜血管壁,高血压和动脉粥样硬化会引起视网膜动脉和静脉之间的直径比率变化。这些疾病可以通过年度筛查和早期诊断来预防或控制发展。
通过计算机进行自动眼底图像分析(Automatic Retinal Image Analysis,ARIA),可以对眼底组织进行定量的分析和测量,其应用方向包括:1)疾病筛查,眼底相机操作简单,检查成本低,特别适合相关疾病的筛查,例如糖尿病性视网膜病变(DR)、青光眼或年龄相关性黄斑变性等,目标是在大规模的体检中,识别出带有病变特征的图像,引起临床关注;自动眼底图像分析可以缓解对临床医生的需求压力;而且可以去除人的主观性,避免因为个人知识和经验不同引起的诊断差异。2)计算机辅助诊断,自动眼底图像分析可以给出通过临床检查不容易获取的血管曲折、宽度等精细测量,通过特定的体征,判断疾病是否(或可能)存在。随着科技不断发展,自动眼底图像分析和影像归档和通信系统(PictureArchiving and Communication Systems,PACS)系统等融合,其应用范围将进一步扩大。
视盘即视神经盘,是眼底的重要组织之一,形状近似椭圆,具有垂直主轴(宽度1.8±0.2mm,高度1.9±0.2mm),相比眼底其它区域更加明亮。视盘是视神经纤维离开视网膜的部位,神经纤维接收来自视觉感知细胞产生的神经冲动,并进一步通过视神经传至大脑形成视觉。视盘也是血管出入眼球的部位,是视网膜血管最密集的区域,血管由视盘向整个视网膜延伸,以供给营养。
视盘的定位和分割是指对视盘中心和轮廓的确定,更宽泛的定位只需要将定位点落在视盘区域内。视盘的定位和分割,在自动眼底图像分析中具有重要作用,包括:1)视盘大小、形状和颜色的形态变化是用于诊断各种疾病的重要指标;2)视盘分割与视杯分割结合,可用于青光眼的诊断;3)视盘定位可以辅助定位黄斑和中心凹,黄斑区域的视网膜病变,具有较高的视觉丧失风险;4)血管从视盘向外辐射,所以血管跟踪算法可以从这里开始;5)视盘本身可能成为其它分析算法的干扰物,它是一个大的亮区,可能被误认为明显的圆形渗出;高对比度边缘也可能导致线性血管过滤器的错误反应。
实现能够满足临床检测所要求的“准确性、客观性、可重复性”标准的眼底图像视盘定位、分割方法,对于临床眼科研究以及与眼底病变相关疾病的诊断和治疗具有重要的意义。
目前已有各种视盘定位、分割方法,但大多在实际应用中面临复杂情况时准确率明显下降,缺乏一定的鲁棒性。
发明内容
本发明提供一种视盘定位方法及装置,在复杂的应用环境中具有较高的准确性和鲁棒性。
一方面,提供了一种视盘定位方法,该方法包括:获取眼底前景的掩模;针对所述眼底前景的掩模,使用二维匹配滤波和区域增长算法进行血管分割,确定血管网络;根据所述血管网络,使用模糊收敛算法获取血管模糊收敛图;根据所述血管模糊收敛图,使用第一候选区域选择算法获取第一组候选区域,所述第一组候选区域包括一个或多个候选区域;从所述眼底前景的掩模中去除所述血管网络,使用明亮区域检测算法获取亮度分布图;根据所述亮度分布图,使用第二候选区域选择算法获取第二组候选区域,所述第二组候选区域包括一个或多个候选区域;从所述眼底前景的掩模中去除所述血管网络,使用边缘检测算法进行边缘提取,使用霍夫变换检测圆,将检测到的一个或多个圆作为第三组候选区域,其中,每个圆为一个候选区域;针对所述眼底前景的掩模,使用模版匹配算法获取相关性结果图;根据所述相关性结果图,使用第三候选区域选择算法获取第四组候选区域,所述第四组候选区域包括一个或多个候选区域;对所述第一组候选区域、所述第二组候选区域、所述第三组候选区域和所述第四组候选区域包括的候选区域进行融合分析,确定视盘位置。
另一方面,提供了一种视盘定位装置,该装置包括:掩模获取模块,用于获取眼底前景的掩模;血管分割模块,用于针对所述掩模获取模块获取的眼底前景的掩模,使用二维匹配滤波和区域增长算法进行血管分割,确定血管网络;模糊收敛计算模块,用于根据所述血管分割模块确定的血管网络,使用模糊收敛算法获取血管模糊收敛图;第一候选区域获取模块,用于根据所述模糊收敛计算模块获取的血管模糊收敛图,使用第一候选区域选择算法获取第一组候选区域,所述第一组候选区域包括一个或多个候选区域;明亮区域检测模块,用于从所述掩模获取模块获取的眼底前景的掩模中去除所述血管分割模块确定的血管网络,使用明亮区域检测算法获取亮度分布图;第二候选区域获取模块,用于根据所述明亮区域检测模块获取的亮度分布图,使用第二候选区域选择算法获取第二组候选区域,所述第二组候选区域包括一个或多个候选区域;边缘及圆检测模块,用于从所述掩模获取模块获取的眼底前景的掩模中去除所述血管分割模块确定的血管网络,使用边缘检测算法进行边缘提取,使用霍夫变换检测圆,将检测到的一个或多个圆作为第三组候选区域,其中,每个圆为一个候选区域;模板匹配模块,用于针对所述眼底前景的掩模,使用模版匹配算法获取相关性结果图;第三候选区域获取模块,用于根据所述模板匹配模块获取的相关性结果图,使用第三候选区域选择算法获取第四组候选区域,所述第四组候选区域包括一个或多个候选区域;结果融合定位模块,用于对所述第一候选区域获取模块获取的第一组候选区域、所述第二候选区域获取模块获取的第二组候选区域、所述边缘及圆检测模块获取的第三组候选区域和所述第三候选区域获取模块获取的第四组候选区域包括的候选区域进行融合分析,确定视盘位置。
本发明实施例中,综合利用视盘的自身特征以及视盘与血管网络的关系特征,对模糊收敛算法、边缘检测算法、明亮区域检测算法、模版匹配算法进行细节改进,并为每个独立算法产生多个候选输出,然后对所有算法输出进行融合处理实现视盘定位,以提高在复杂应用环境中视盘定位的准确性和鲁棒性。
附图说明
图1为本发明实施例提供的一种视盘定位、分割的整体实现流程示意图;
图2为本发明实施例提供的一种眼底图片示例;
图3为本发明实施例提供的一种眼底前景掩模示意图;
图4为本发明实施例提供的一种血管分割结果示意图;
图5为本发明实施例提供的一种模糊收敛图;
图6为本发明实施例提供的一种亮度分布图;
图7为本发明实施例提供的一种边缘及圆检测结果示意图;
图8为本发明实施例提供的一种模板匹配图;
图9为本发明实施例提供的一种算法融合定位结果示意图;
图10为本发明实施例提供的一种视盘分割结果示意图;
图11为本发明实施例提供的一种视盘定位装置结构图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为便于对本发明实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
视盘的形状、颜色、大小、血管汇聚等特点,均有助于对视盘的定位。通常地,视盘定位方法主要分为两类:1)基于视盘本身特征的方法,包括明亮区域定位、圆形模版匹配、圆形边缘检测等方法;在健康视网膜上可以取得较好的效果,但在出现眼底疾病时,视盘自身的特征改变,或出现与视盘特征相似的病变,准确率会显著下降。2)基于血管网络与视盘关系的方法,包括利用血管的方向特征、收敛特征,利用血管的抛物线拟合特征等;在图像质量偏低,血管网络不清晰时,定位准确度也会下降。
视盘定位的不准确,会直接导致视盘分割错误。视盘分割处理本身也面临很多挑战,例如:视盘边缘通常为明亮的边界,但鼻侧通常不如颞侧亮,并且有时根本不可见;在一些图像中,整个视盘比周围区域更亮,使其看起来像盘,但在另一些情况下,视盘的外观却是空心环;反射伪影和可见的脉络膜血管,也会对边缘检测产生影响;视盘内部展开的血管,会遮挡部分边缘,或者使边缘变得模糊。现有视盘分割包括分水岭变换、椭圆拟合、特征匹配、水平集分割等方法,视盘定位不准确以及上述复杂情况的存在,都会影响分割的准确度。
自动眼底图像分析,可以缓解大规模筛查中对临床医生的需求压力;可以去除人的主观性,避免因为个人知识和经验不同引起的诊断差异;可以通过给出临床检查不容易获取的精细测量进行辅助诊断;对于疾病的诊断和治疗具有重要意义。视盘定位、分割技术做为自动眼底图像分析中的重要环节,同样具有迫切的需求。
目前各种算法在健康清晰图像上表现较好,但在实际应用的复杂环境中,由于存在图像对比度低、不够清晰、光照不均匀等情况,以及个人差异造成的视盘形状、颜色、大小等特征不统一情况,特别是多种眼底病变的存在,给算法的处理带来极大困难,造成结果不准确甚至目标丢失,准确率显著下降。为了满足实际应用需求,在各种复杂眼底图像上实现具有通用性、鲁棒性的视盘定位、分割方法,本发明提出了一种基于算法融合的视盘定位方法。在此基础上,还提出了一种视盘分割方法。
本发明实施例中,综合利用视盘的自身特征以及视盘与血管网络的关系特征,对模糊收敛算法、边缘检测算法、明亮区域检测算法、模版匹配算法进行细节改进,并为每个独立算法产生多个候选输出,然后对所有算法输出进行融合处理实现视盘定位,以提高在复杂应用环境中视盘定位的准确性和鲁棒性。在一个示例中,将视盘定位及边缘检测结果做为视盘分割的初始参数,基于椭圆拟合方法确定视盘的大致轮廓,基于可变形轮廓模型将轮廓拟合到视盘边缘,最终完成视盘分割。通过视盘定位的准确性,以及分割过程中的轮廓拟合和轮廓约束处理,提高视盘分割精度。
下面对本发明实施例提供的视盘定位方法说明如下:
一、基于阈值分割算法获取前景掩模(Mask)
在眼底成像过程中,光线通过瞳孔照射在眼底,形成圆形明亮区域。在进行眼底图像处理时,计算圆形(或经过图像拼接后的非圆形)前景区域的掩模(Mask),只对掩模中的前景进行处理,排除其它部分的干扰。
由于眼底相机输出的图像中,眼底之外的背景已经被置为黑色,所以可以通过简单的阈值化分割,进行前景掩模获取。灰度阈值的选择,可以根据特定数据集中图像的特点进行调整。也可以根据图像中前景区域的形状特点进行定制化实现。
二、基于2D匹配滤波和区域增长算法进行血管分割
眼底图像中的血管具有以下几方面特征:1)血管的两个边缘总是彼此平行,即边缘的剃度方向相差180度;2)随着血管远离视盘,管径宽度逐渐减小,但这种变化是渐进的;3)血管通常具有较小的曲率,可以通过一系列线段进行近似;4)相对于背景,血管的亮度较低,横截面的灰度分布近似高斯曲线。基于上述特征,将信号的匹配滤波检测概念,应用到血管的分段线段检测中。
基于匹配比较的目的,匹配滤波器描述了期望信号的预期外观。采用一种高斯函数作为血管分布的模型。通过假设一段血管在较短的距离内具有固定的宽度和方向,将模型扩展到两个纬度(2D)。因为血管可能以任意方向展现,所以通过进行等角度旋转构建一个2D滤波器组。滤波器组与图像进行卷积,生成匹配滤波响应图,血管上的像素会产生较高的响应值。
在匹配滤波响应图中,从响应值较高的那些像素开始进行区域探测,在每次探测期间,进行局部区域增长判断,局部区域是否为血管段判断,通过不断增加血管段,以及不同血管段间进行连通,完成整个血管网络的分割。
三、基于模糊收敛算法找到血管汇聚区域
使用线段对血管段建模,将血管网络的汇聚问题建模为线交叉问题。模糊收敛是一种基于投票的方法,每个线段由模糊段模拟,模糊段覆盖区域对其组成像素贡献投票。在每个像素处的投票总和产生图像映射,像素值与其收敛强度成正比。
线段由其两个端点(x1,y1)和(x2,y2)定义,模糊段定义了围绕线段方向和长度的一组段,公式如下:
“模糊性”的量由端点部分的半径R控制,参数R在零时将模糊段减小到从(x1,y1)到(x2,y2)的单个线段。模糊段对于端点部分的投票远超过线段的中间部分。当多个模糊段的端点汇聚在一起时,会导致汇聚区域的投票显著增加。
四、基于亮度检测算法找到明亮区域
为了减少由于血管遮挡导致的区域亮度不连续,从图像中去除之前分割得到的血管,生成亮度分布图,用于明亮区域检测。
五、基于边缘检测及霍夫变换找到圆形区域
从图像中去除之前分割得到的血管,减少对边缘检测的影响。然后进行Sobel边缘提取和霍夫变换圆检测。
六、基于模版匹配算法找到特征匹配区域
视盘结构中,包含亮度较高的近似圆环的边缘(rim),包含垂直方向大致居中的低强度的血管带,由于其它部分(包括边缘内部)存在较多变化,不做重点参考。针对视盘结构,使用专门的相关滤波器进行视盘定位,相关峰值代表视盘中心的近似位置。模板与眼底图像的亮度分量进行相关计算。使用完整的Pearson-R相关来描述平均强度和对比度变化,定义如下:
七、基于候选区域选择算法为每个算法输出多个候选区域
由于本发明实施例不再依赖独立算法的唯一输出,并且当算法的首选输出错误时,其它候选输出可能是正确的,所以当算法首选输出缺少绝对优势时,为每个算法输出多个候选结果,以提高融合算法的准确率。
八、基于融合算法组合不同算法输出实现视盘定位
参考分类技术中的观点,如果单个分类器比随机猜测更好,则组合分类器可以比任何单个成员更精确。因为,如果算法是互补的,那么当一个或几个算法发生错误时,其余算法可以纠正这个错误的概率很高。
组合分类器是一组分类器,将每个分类器的决策以某种方式组合(通常通过加权或未加权投票)来形成新的决策,组合分类器通常比组成它们的单个分类器更准确。假设我们有一个三个分类器的集合:{h1,h2,h3},对变量x进行分类。如果三个分类器是相同的(即不是多样的),则当h1(x)错误时,h2(x)和h3(x)也将是错误的。然而,如果分类器的错误是不相关的,那么当h1(x)错误时,h2(x)和h3(x)可能是正确的,所以基于多数投票将正确地对x进行分类。
按照上述想法,本发明将多种视盘定位算法进行融合,减弱各自的弱势,增加整体的优势,以从他们的预测中获益,找到更准确的视盘定位结果。就如在进行眼底图像查看时,可能也是基于多种信息的融合而进行视盘定位。
九、基于可变形轮廓模型算法实现视盘分割
将视盘定位区域的Hough圆做为视盘分割的初始参数,基于去除血管的眼底图像进行视盘分割,使用椭圆拟合方法确定视盘的大致轮廓,使用可变形轮廓模型将轮廓拟合到视盘边缘,最终实现视盘分割。
十、参数归一化选择方法
人类视盘的尺寸约为宽度1.8±0.2mm,高度1.9±0.2mm,眼底解剖结构间的尺寸比例相对固定,主血管约为视盘直径的1/7到1/6。根据眼底相机的相关设置,比如固定的视场角(field of view,FOV)、固定的视网膜空间分辨率等,尽管存在人员间的个体差异,但采集到眼底图像中的视盘尺寸,基本在一定范围内浮动。比如大部分图像中视盘约为眼底图像宽度的1/8到1/5。
根据上述描述,通过对测试数据集的部分样本进行分析,或者通过被拍摄人的视盘尺寸对可能的尺寸范围进行估计,得到数据集中的视盘尺寸均值及变化范围。程序运行时,可以根据眼底图像中的视盘、血管尺寸,对相应参数进行调整;也可以使用固定参数,将图像按照相应的比例进行缩放,在不对视盘清晰度产生明显影响的情况下,这也是推荐方法,可以在不影响处理性能的同时提高处理速度。
本发明实施例中,通过对每个算法实现流程细节进行改进,提高了独立算法的处理性能;通过综合利用视盘的自身特征以及视盘与血管网络的关系特征,对模糊收敛算法、边缘检测算法、明亮区域检测算法、模版匹配算法的候选输出进行融合处理,极大的提高了视盘定位的准确性,以及算法面对实际应用中各种复杂情况的鲁棒性。受益于视盘定位的准确性,以及视盘分割过程中的轮廓拟合和轮廓约束处理,视盘分割精度也得到显著提高。视盘定位、分割准确率的提升为基于其处理结果而开展的其它自动眼底图像分析提供了可靠的基础。
以下结合附图对本发明的一种可能的实施方式进行说明。
图1为本发明实施例提供的一种视盘定位、分割的整体实现流程示意图,主要步骤包括:
步骤101,获取眼底前景的掩模。
通过获取眼底前景Mask,排除不关注区域的影响。
可选地,在步骤101之前,针对不同的眼底图像的数据集,通过缩放,将所述眼底图像中视盘、血管的尺寸调整为算法内部要求的标准尺寸。
步骤102,针对所述眼底前景的掩模,使用二维匹配滤波和区域增长算法进行血管分割,确定血管网络。
步骤103,根据所述血管网络,使用模糊收敛算法获取血管模糊收敛图。
在一个示例中,根据所述血管网络,使用线段对血管段建模,将血管网络的汇聚问题建模为线交叉问题;每个线段由模糊段模拟,模糊段覆盖区域对模糊段的组成像素贡献投票,像素累计投票值与模糊段的收敛强度成正比;其中,在模糊段的投票过程中增加管径做为权重。
步骤104,根据所述血管模糊收敛图,使用第一候选区域选择算法获取第一组候选区域,所述第一组候选区域包括一个或多个候选区域。
步骤105,从所述眼底前景的掩模中去除所述血管网络,使用明亮区域检测算法获取亮度分布图。
步骤106,根据所述亮度分布图,使用第二候选区域选择算法获取第二组候选区域,所述第二组候选区域包括一个或多个候选区域。
步骤107,从所述眼底前景的掩模中去除所述血管网络,使用边缘检测算法进行边缘提取,使用霍夫变换检测圆,将检测到的一个或多个圆作为第三组候选区域,其中,每个圆为一个候选区域。
步骤108,针对所述眼底前景的掩模,使用模版匹配算法获取相关性结果图。
步骤109,根据所述相关性结果图,使用第三候选区域选择算法获取第四组候选区域,所述第四组候选区域包括一个或多个候选区域。
步骤1010,对所述第一组候选区域、所述第二组候选区域、所述第三组候选区域和所述第四组候选区域包括的候选区域进行融合分析,确定视盘位置。
步骤1011,根据所述视盘位置,使用可变形轮廓模型算法实现视盘分割。
由于绿色通道具有更高的对比度,所以如果没有特殊说明,相关处理均在绿色通道下进行。
可选地,所述第一候选区域选择算法和/或所述第二候选区域选择算法和/或所述第三候选区域选择算法的输入为归一化的灰度图,灰度值代表评分,评分越高亮度越高,判断为候选区域的概率越高。
每个步骤的具体实施方式可以如下:
一、基于阈值分割算法获取前景Mask
将彩色眼底图转为灰度图,设置灰度阈值,进行二值化分割,获取眼底前景Mask。使用的眼底图像及获取的前景Mask见图2、3。
二、基于2D匹配滤波和区域增长算法进行血管分割
使用12个15x15的核构建2D匹配滤波器组,将眼底图像分别与12个核进行卷积,每个像素对应的最大值作为匹配滤波响应值。所有像素的匹配滤波响应值,构成匹配滤波响应图。
基于区域增长的血管分割处理流程如下:
步骤1)选择匹配滤波响应值较高的像素点初始化探测点队列;
步骤2)获取队列中下一个像素点P;
步骤3)像素点P处的响应值T做为初始阈值;
步骤4)从像素点P进行区域生长,遍及响应值>=T并且未被标记的所有连通像素,形成片段S;
步骤5)对片段S进行区域属性测试;
步骤6)如果测试通过,则阈值减1,跳转到4)重新迭代以继续增加区域范围;
步骤7)如果测试未通过:
7.1)如果区域像素数量在[Tmin,Tmax]范围内,或连接两个已标记的血管段,则该区域被标记为血管段,将血管片段的端点添加到队列中,在下次迭代中继续探测其它未被标记的血管区域;
7.2)如果区域像素数量不在[Tmin,Tmax]范围内,不做任何处理,转步骤8);
步骤8)跳转到步骤2)对下一个像素点进行探测,如果已经到达末端,则血管分割结束。
区域属性测试条件包括:
1)如果片段像素数量超出阈值,探测停止(通过将血管分为多个片段,让每个片段选择最适合的局部阈值);
2)如果片段接触到1个以上已标记为血管的片段时,探测停止(实现对之前血管片段的桥接);
3)如果与另1个已标记的血管段的相邻像素比例(相邻像素数量/当前片断像素数量)超出阈值,停止探测(防止探测沿已经分段的血管边缘进行搜索);
4)如果片断中分枝像素数量(像素总数/分枝数)低于阈值,停止探测(限制每个分枝的最小像素数量,防止出现过度分枝错误)。
图4为示例图片的血管分割结果。
三、基于模糊收敛算法找到血管汇聚区域
通过血管分割后的二值图像,创建模糊收敛图的流程如下:
1)图像细化(获取骨架线);
2)擦除(重新标记为背景)所有分支点,将前景分解成一系列包含两个端点的线段(包含曲线段);
3)计算血管分割二值图中,线段所在血管的管径(血管像素数量与细化线段像素数量的比值),做为后续投票的权重,视盘区域的血管最粗,权重最大,远离视盘的区域,血管较细,权重较小;
4)在端点位置,将每个段在两个方向上分别延伸R个像素的距离(R为视盘中血管间的平均距离);
5)经由两个扩展端点,使用模糊段对每一个线段建模;
6)对模糊段覆盖区域的像素进行投票,投票函数增加血管管径权重;
7)所有模糊段投票累计的图像做为模糊收敛图,对收敛图进行平滑处理,突出区域整体的收敛效果。
图5为示例图片的血管模糊收敛图。
四、基于亮度检测算法找到明亮区域
明亮区域检测的具体实现流程如下:
1)针对R、G、B每一个通道,去除血管区域,即将血管对应的像素灰度值赋值为0;
2)通过形态学闭运算,用周围像素值对血管区域进行填充;
3)进行模糊处理,形成亮度分布图;
4)后续按照候选区域选择流程,获取候选的明亮区域。
图6为示例图片的亮度分布图。
五、基于边缘检测及霍夫变换找到圆形区域
边缘提取及霍夫圆检测的处理流程如下:
1)针对R、G、B每一个通道,去除血管区域,即将血管对应的像素灰度值赋值为0;
2)通过形态学闭运算,用周围像素值对血管区域进行填充;
3)通过Sobel算子,提取水平、垂直方向边缘;
4)将所有通道的边缘进行累加;
5)通过阈值化分割,去掉不明显的边缘;
6)通过中值滤波,去掉零散的小区域;
7)在剩余的边缘中进行Hough圆检测,对圆的半径按照数据集中视盘的尺寸范围进行限制;
8)将累加器计数的初始阈值赋值为最小视盘圆周的1/4,如果未检测到圆,阈值递减,直到圆周的1/12,如果检测到圆,则停止检测;
9)将累加器计数比例做为圆的权重,所有圆的权重累计为1。
图7为示例图片的边缘检测及圆检测结果。
六、基于模版匹配算法找到特征匹配区域
视盘模板由高斯拉普拉斯算子组成,在中间有一个垂直的通道对应主要血管带。将彩色眼底图像转换到HIS颜色空间,模板与亮度分量进行Pearson-R相关计算。
图8为示例图片的模版匹配图。
七、基于候选区域选择算法为每个算法输出多个候选区域
经过前面处理,需要进行候选区域选择的算法输出包括:血管模糊收敛图、模版匹配相关图、亮度分布图。
候选区域产生处理流程如下:
1)将数据归一到0~255,创建灰度直方图;
2)按照像素数量阈值进行二值化分割,仅保留数值较高的像素,数量阈值以视盘尺寸为参考;
3)使用形态学闭运算连通临近区域;
4)计算每个连通区域大小,在面积基础上,按照区域平均亮度进行加权,提高明亮区域的置信度;
5)根据区域大小对区域进行排序,使用Fisher线性判别将区域分为两类,从而选出候选区域。
Fisher线性判别的具体实现方式如下:
1)区域按大小排序,分为A和B两组;
2)初始分组在集合A中只有最大的元素,集合B中为所有其他元素;
3)每次分组将集合B中最大的剩余元素移动到集合A中,直到集合B中只剩下一个元素;
4)因此,对于n个元素(区域),将存在总共n-1个分组。
对于每个分组p,判别统计量Fp被计算为:
其中μ和σ是每组的均值和标准差。Fp的最大值表示最佳分区。如果只有一个区域通过该测试(Fp取最大值时集合A中只有一个区域),则只输出一个候选区域。如果多于一个区域通过该测试,则将通过测试的前3个区域做为候选结果。为每个候选区域按大小比例分配权重,累计为1,每个区域的质心被做为视盘位置的候选。
八、基于融合算法组合不同算法输出实现视盘定位
经过前面处理,获取的视盘定位结果包括:1)基于模糊收敛算法定位的候选区域及其质心;2)基于模版匹配算法定位的候选区域及其质心;3)基于明亮区域算法定位的候选区域及其质心;4)基于边缘检测和霍夫变换定位的圆型候选区域及其质心(即圆心)。
结果融合处理流程如下:
1)对所有候选区域进行组合
n是视盘定位算法数量,r是进行结果组合的算法数量,每个组合中不能包含同一个算法的多个结果。
2)如果质心的最小包含圆直径小于等于视盘直径均值,或者所有区域的并集构成一个连通区域,则这些候选区域组成一个热点区域,候选区域为其中的热点;
3)拥有最多热点的区域,做为视盘区域;
4)如果热点数量一致,包含霍夫圆的区域做为视盘区域;
5)如果均包含或均不包含霍夫圆,热点权重累计最大的区域做为视盘区域;
6)如果上述条件仍不满足(概率非常小),将模版匹配权重最大的区域做为视盘区域,因为模版中的信息相对更丰富。
如果视盘区域中,不包含霍夫圆,以区域质心为中心,四边各向外扩展2倍视盘直径范围,基于去除血管的灰度图,结合Canny边缘检测结果进行霍夫圆检测,将累加器计数最高的圆,做为视盘区域。后续将基于霍夫圆进行视盘轮廓分割。如果霍夫圆检测失败,则对下一个热点区域进行判断,如果所有区域均失败,提示视盘定位失败。
图9为示例图片的算法融合定位结果。
九、基于可变形轮廓模型算法实现视盘分割
通过可变形轮廓模型进行视盘分割,包括全局的椭圆模型和局部的可变形模型。全局模型是一个椭圆,中心为c,短半轴为r,长半轴为ar,具有垂直主轴和初始轴长比a;局部模型由“中心c和均匀间隔的径向辐条S”组成,每个辐条具有角度θi和方向向量si=[cos(θi),sin(θi)],该模型由从中心c沿着每个辐条的距离mi定义,具有对应的(x,y)位置矢量mi=c+misi。可以通过使用辐条比ai进行缩放,来将椭圆模型变换为等效圆形模型,公式(7)。局部模型具有相关联的全局模型,短半轴r由公式(8)定义。
ai=||[cos(θi),asin(θi)]|| (7)
使用归一化的高斯平滑梯度向量图像Υ=ΔI/max(||ΔI||),产生径向梯度分布,在有限搜索范围内,关于mi的“峰值梯度”的径向位移gi提供了外部吸引点。沿着辐条i的距离为ρ处的梯度大小确定如下:令P=(px,py)=c+ρsi,计算径向梯度γi(ρ)参见等式(9),梯度向量和辐条方向向量的点积确定与辐条一致的梯度,这将产生方向敏感梯度,可以忽略在大多数血管边缘的干扰物。由于径向线以不规则的方式交叉图像像素,因此可能发生不均匀的采样,我们在点的四个相邻像素,对图像梯度幅度进行双线性插值来计算权重w,参见等式(10)和(11)。选择“峰值”gi,使得γi=γi(gi)是辐条i上的最大值。
针对模型和吸引点引入归一化为圆形参考系的变量,mn i=mi/ai,gn i=gi/ai。通过能量函数控制模型中心和轮廓的改变,定义如下:
E=Eext+Eint=Eext+Eglo+Eloc (13)
Exy为中心偏移能量;E为轮廓改变能量,E受外部能量Eext和内部能量Eint的影响。外部能量Eext将模型拖向吸引点,见等式(14)。内部能量Eint使用两个分量限制模型变形:全局能量Eglo,其将模型拉向全局形状;局部能量Eloc,其通过惩罚相邻辐条之间的变形来平滑模型。刚度参数βi控制内部和外部能量的相对强度,在强大的边缘,使用较小的刚度值,外部能量占主导地位,而不会过分地受到全局模型影响。在边缘较弱的情况下,使用较大的刚度值,轮廓被局部平滑并被吸引到全局模型。系数α平衡局部与全局能量,<mn i>是相邻辐条的平均距离。
对于公式(12)-(16)进行求导,我们获得梯度:(17)~(21)
令w表示模型参数的向量,E(w)是这些参数的误差函数,w'是相对于这些参数的误差函数的梯度。w可以是模型参数(例如mi,c,r)的任何期望的组合,如果我们希望同时优化多个参数,则可以连接适当的参数和梯度向量,并且将误差函数求和。我们使用标准的非线性优化技术来选择参数,包括带有冲量的梯度下降(对于相对简单的全局模型阶段)和拟牛顿BFGS(对于局部模型阶段)。
在全局拟合阶段,使用视盘定位时确定的霍夫圆做为初始参数,允许模型的中心、半径进行改变,能量函数为Exy+Eext,模型参数w=[c;r],w'由能量函数对应的梯度组成。Exy关于c的梯度为dExy/dc,即等式(17),Eext关于r的梯度见等式(22),设置mi=air,可以从等式(19)导出。全局拟合通过梯度下降进行优化。
在全局拟合结束时,从吸引点迭代地重新计算轴长比,并重复梯度下降优化。使用公式(23)计算轴长比,其中u和v是沿着x和y轴的单位矢量。
当全局模型达到平衡时,激活局部模型。模型点mi和中心c一同进行调整,因此w=[c;m1,...,mS]。使用来自等式(13)的全部能量函数,其中w'由相应的梯度组成。局部阶段的优化比全局阶段更具有挑战性,因此使用快速的拟牛顿BFGS算法。当局部模型达到平衡时,完成视盘分割。
图10为示例图片的视盘分割结果。
本发明实施例中采用了基于算法融合的视盘定位、分割。视盘的形状、颜色、大小、血管汇聚等特点,均有助于对视盘的定位和分割。参考分类技术中的观点,如果单个分类器比随机猜测更好,则组合分类器可以比任何单个成员更精确。以及在进行眼底图像查看时,很可能也是根据多种信息的融合进行视盘定位。所以提出基于算法融合的视盘定位、分割方法,以减弱各自的弱势,增加整体的优势。结合血管汇聚、椭圆轮廓、明亮区域、模版特征以及尺寸约束,首先基于模糊收敛算法找到血管汇聚区域,基于边缘检测及霍夫变换找到圆形区域,基于亮度检测算法找到明亮区域,基于模版匹配算法找到具有类似视盘特征的区域,然后采用候选区域选择算法为每个独立算法输出1个或多个候选视盘区域,采用融合算法对不同定位算法的输出进行组合,最终实现视盘定位;将视盘定位区域的霍夫圆做为视盘分割的初始参数,使用去除血管的眼底图像进行视盘分割,基于椭圆拟合方法确定视盘的大致轮廓,基于可变形轮廓模型将轮廓拟合到视盘边缘,最终完成视盘分割。
本发明实施例中为模糊收敛算法增加权重信息。使用线段对血管段建模,将血管网络的汇聚问题建模为线交叉问题。每个线段由模糊段模拟,模糊段覆盖区域对其组成像素贡献投票,像素累计投票值与其收敛强度成正比。模糊段对于端点部分的投票远超过中间部分,当多个模糊段的端点汇聚在一起时,会导致汇聚区域的投票显著增加。考虑到血管从视盘进入眼球,并由视盘向整个视网膜区域延伸,视盘部分不仅是血管最密集的汇聚点,也是血管最粗的部分,血管在向视网膜延伸的过程中管径也逐渐变细。基于上述分析,在模糊段的投票过程中增加管径做为权重,这样即便在远离视盘的地方存在血管由于分支等导致的汇聚,由于管径较细,贡献的投票也会相应减弱,从而降低视盘定位错误的概率。
本发明实施例中输出多个候选区域。进行算法融合时我们不再要求算法产生唯一输出,而是输出多个可能的候选区域。候选区域选择算法的输入为归一化的灰度图,灰度值代表评分,评分越高亮度越高,判断为视盘的概率越高。这样的“输入要求”对于很多算法具有普遍适用性。首先通过阈值分割划分为前景和背景,然后针对前景中的每一个连通区域,结合区域面积和区域中的像素评分为区域整体打分,最后使用Fisher线性判别选出具有绝对优势的唯一候选区域,或者多个可能的候选区域。
本发明实施例中采用了归一化参数选择。目前眼底图像处理中的参数设置,多为针对固定数据集配置一套参数,当数据集改变时需要重新调整每一个参数。由于眼球是人体的生理结构,以及眼底成像方式限制,使得眼底图像具有相对固定的尺寸范围和外观形态,特别是各个解剖结构间的比例关系只会在一定范围内浮动。基于上述考虑,提出“参数归一化选择方法”,针对不同的数据集,通过简单的缩放,将图片中视盘、血管的尺寸调整为算法内部要求的标准尺寸,避免对每一个参数的重新调整。
图11为本发明实施例提供的一种视盘定位装置结构图,该装置用于执行本发明实施例提供的视盘定位方法,该装置包括:
掩模获取模块1101,用于获取眼底前景的掩模;
血管分割模块1102,用于针对所述掩模获取模块1101获取的眼底前景的掩模,使用二维匹配滤波和区域增长算法进行血管分割,确定血管网络;
模糊收敛计算模块1103,用于根据所述血管分割模块1102确定的血管网络,使用模糊收敛算法获取血管模糊收敛图;
第一候选区域获取模块1104,用于根据所述模糊收敛计算模块1103获取的血管模糊收敛图,使用第一候选区域选择算法获取第一组候选区域,所述第一组候选区域包括一个或多个候选区域;
明亮区域检测模块1105,用于从所述掩模获取模块1101获取的眼底前景的掩模中去除所述血管分割模块1102确定的血管网络,使用明亮区域检测算法获取亮度分布图;
第二候选区域获取模块1106,用于根据所述明亮区域检测模块1105获取的亮度分布图,使用第二候选区域选择算法获取第二组候选区域,所述第二组候选区域包括一个或多个候选区域;
边缘及圆检测模块1107,用于从所述掩模获取模块1101获取的眼底前景的掩模中去除所述血管分割模块1102确定的血管网络,使用边缘检测算法进行边缘提取,使用霍夫变换检测圆,将检测到的一个或多个圆作为第三组候选区域,其中,每个圆为一个候选区域;
模板匹配模块1108,用于针对所述眼底前景的掩模,使用模版匹配算法获取相关性结果图;
第三候选区域获取模块1109,用于根据所述模板匹配模块1108获取的相关性结果图,使用第三候选区域选择算法获取第四组候选区域,所述第四组候选区域包括一个或多个候选区域;
结果融合定位模块1110,用于对所述第一候选区域获取模块1104获取的第一组候选区域、所述第二候选区域获取模块1106获取的第二组候选区域、所述边缘及圆检测模块1107获取的第三组候选区域和所述第三候选区域获取模块1109获取的第四组候选区域包括的候选区域进行融合分析,确定视盘位置。
可选地,所述装置还包括:视盘分割模块1111,用于根据所述结果融合定位模块1110确定的视盘位置,使用可变形轮廓模型算法实现视盘分割。
可选地,所述模糊收敛计算模块1103,具体用于根据所述血管分割模块1102确定的血管网络,使用线段对血管段建模,将血管网络的汇聚问题建模为线交叉问题;每个线段由模糊段模拟,模糊段覆盖区域对模糊段的组成像素贡献投票,像素累计投票值与模糊段的收敛强度成正比;其中,在模糊段的投票过程中增加管径做为权重。
可选地,所述第一候选区域获取模块1104使用的所述第一候选区域选择算法和/或所述第二候选区域获取模块1106使用的所述第二候选区域选择算法和/或所述第三候选区域获取模块1109使用的所述第三候选区域选择算法的输入为归一化的灰度图,灰度值代表评分,评分越高亮度越高,判断为候选区域的概率越高。
可选地,所述装置还包括:归一化处理模块,用于在所述掩模获取模块获取眼底前景的掩模之前,针对不同的眼底图像的数据集,通过缩放,将所述眼底图像中视盘、血管的尺寸调整为算法内部要求的标准尺寸。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种视盘定位方法,其特征在于,所述方法包括:
获取眼底前景的掩模;
针对所述眼底前景的掩模,使用二维匹配滤波和区域增长算法进行血管分割,确定血管网络;
根据所述血管网络,使用模糊收敛算法获取血管模糊收敛图;根据所述血管模糊收敛图,使用第一候选区域选择算法获取第一组候选区域,所述第一组候选区域包括一个或多个候选区域;
所述根据所述血管网络,使用模糊收敛算法获取血管模糊收敛图,包括:根据所述血管网络,使用线段对血管段建模,将血管网络的汇聚问题建模为线交叉问题;每个线段由模糊段模拟,模糊段覆盖区域对模糊段的组成像素贡献投票,像素累计投票值与模糊段的收敛强度成正比;其中,在模糊段的投票过程中增加管径做为权重;
从所述眼底前景的掩模中去除所述血管网络,使用明亮区域检测算法获取亮度分布图;根据所述亮度分布图,使用第二候选区域选择算法获取第二组候选区域,所述第二组候选区域包括一个或多个候选区域;
从所述眼底前景的掩模中去除所述血管网络,使用边缘检测算法进行边缘提取,使用霍夫变换检测圆,将检测到的一个或多个圆作为第三组候选区域,其中,每个圆为一个候选区域;
针对所述眼底前景的掩模,使用模版匹配算法获取相关性结果图;根据所述相关性结果图,使用第三候选区域选择算法获取第四组候选区域,所述第四组候选区域包括一个或多个候选区域;
对所述第一组候选区域、所述第二组候选区域、所述第三组候选区域和所述第四组候选区域包括的候选区域进行融合分析,确定视盘位置。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述视盘位置,使用可变形轮廓模型算法实现视盘分割。
3.如权利要求1或2所述的方法,其特征在于,所述第一候选区域选择算法和/或所述第二候选区域选择算法和/或所述第三候选区域选择算法的输入为归一化的灰度图,灰度值代表评分,评分越高亮度越高,判断为候选区域的概率越高。
4.如权利要求1或2所述的方法,其特征在于,所述获取眼底前景的掩模之前,所述方法还包括:
针对不同的眼底图像的数据集,通过缩放,将所述眼底图像中视盘、血管的尺寸调整为算法内部要求的标准尺寸。
5.一种视盘定位装置,其特征在于,所述装置包括:
掩模获取模块,用于获取眼底前景的掩模;
血管分割模块,用于针对所述掩模获取模块获取的眼底前景的掩模,使用二维匹配滤波和区域增长算法进行血管分割,确定血管网络;
模糊收敛计算模块,用于根据所述血管分割模块确定的血管网络,使用模糊收敛算法获取血管模糊收敛图;
所述模糊收敛计算模块,具体用于根据所述血管分割模块确定的血管网络,使用线段对血管段建模,将血管网络的汇聚问题建模为线交叉问题;每个线段由模糊段模拟,模糊段覆盖区域对模糊段的组成像素贡献投票,像素累计投票值与模糊段的收敛强度成正比;其中,在模糊段的投票过程中增加管径做为权重;
第一候选区域获取模块,用于根据所述模糊收敛计算模块获取的血管模糊收敛图,使用第一候选区域选择算法获取第一组候选区域,所述第一组候选区域包括一个或多个候选区域;
明亮区域检测模块,用于从所述掩模获取模块获取的眼底前景的掩模中去除所述血管分割模块确定的血管网络,使用明亮区域检测算法获取亮度分布图;
第二候选区域获取模块,用于根据所述明亮区域检测模块获取的亮度分布图,使用第二候选区域选择算法获取第二组候选区域,所述第二组候选区域包括一个或多个候选区域;边缘及圆检测模块,用于从所述掩模获取模块获取的眼底前景的掩模中去除所述血管分割模块确定的血管网络,使用边缘检测算法进行边缘提取,使用霍夫变换检测圆,将检测到的一个或多个圆作为第三组候选区域,其中,每个圆为一个候选区域;
模板匹配模块,用于针对所述眼底前景的掩模,使用模版匹配算法获取相关性结果图;
第三候选区域获取模块,用于根据所述模板匹配模块获取的相关性结果图,使用第三候选区域选择算法获取第四组候选区域,所述第四组候选区域包括一个或多个候选区域;
结果融合定位模块,用于对所述第一候选区域获取模块获取的第一组候选区域、所述第二候选区域获取模块获取的第二组候选区域、所述边缘及圆检测模块获取的第三组候选区域和所述第三候选区域获取模块获取的第四组候选区域包括的候选区域进行融合分析,确定视盘位置。
6.如权利要求5所述的装置,其特征在于,所述装置还包括:
视盘分割模块,用于根据所述结果融合定位模块确定的视盘位置,使用可变形轮廓模型算法实现视盘分割。
7.如权利要求5或6所述的装置,其特征在于,所述第一候选区域获取模块使用的所述第一候选区域选择算法和/或所述第二候选区域获取模块使用的所述第二候选区域选择算法和/或所述第三候选区域获取模块使用的所述第三候选区域选择算法的输入为归一化的灰度图,灰度值代表评分,评分越高亮度越高,判断为候选区域的概率越高。
8.如权利要求5或6所述的装置,其特征在于,所述装置还包括:
归一化处理模块,用于在所述掩模获取模块获取眼底前景的掩模之前,针对不同的眼底图像的数据集,通过缩放,将所述眼底图像中视盘、血管的尺寸调整为算法内部要求的标准尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710405139.8A CN107292868B (zh) | 2017-05-31 | 2017-05-31 | 一种视盘定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710405139.8A CN107292868B (zh) | 2017-05-31 | 2017-05-31 | 一种视盘定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292868A CN107292868A (zh) | 2017-10-24 |
CN107292868B true CN107292868B (zh) | 2020-03-13 |
Family
ID=60094606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710405139.8A Expired - Fee Related CN107292868B (zh) | 2017-05-31 | 2017-05-31 | 一种视盘定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292868B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107845088B (zh) * | 2017-10-25 | 2020-02-07 | 苏州比格威医疗科技有限公司 | 基于动态约束图搜索的视网膜oct图像中生理参数获取方法 |
CN107832695A (zh) * | 2017-11-01 | 2018-03-23 | 齐鲁工业大学 | 在视网膜图像中基于纹理特征的视盘识别方法及装置 |
CN108090928B (zh) * | 2017-11-01 | 2021-03-26 | 浙江农林大学 | 一种检测与筛选类圆形细胞区域的方法及系统 |
CN108492285B (zh) * | 2018-03-13 | 2021-11-09 | 北京理工大学 | 一种基于灰度变化的径向线视盘萎缩弧分割方法 |
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 |
CN109255753B (zh) * | 2018-08-27 | 2023-04-11 | 重庆贝奥新视野医疗设备有限公司 | 一种眼底图像拼接方法 |
CN110930446B (zh) * | 2018-08-31 | 2024-03-19 | 福州依影健康科技有限公司 | 一种眼底图像定量分析的前置处理方法及存储设备 |
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 |
JP7199236B2 (ja) * | 2019-01-24 | 2023-01-05 | 株式会社トプコン | 眼科装置 |
CN111428731B (zh) * | 2019-04-04 | 2023-09-26 | 深圳市联合视觉创新科技有限公司 | 基于机器视觉的多类目标识别定位方法、装置和设备 |
CN110211182B (zh) * | 2019-05-31 | 2023-03-31 | 东北大学 | 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法 |
CN111192280B (zh) * | 2019-12-24 | 2022-10-18 | 中北大学 | 一种基于局部特征的视盘边缘检测方法 |
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 |
CN112001920B (zh) | 2020-10-28 | 2021-02-05 | 北京至真互联网技术有限公司 | 眼底图像识别方法及装置和设备 |
CN112890764B (zh) * | 2021-01-18 | 2022-12-13 | 哈尔滨工业大学 | 无人化低成本便携式眼底疾病检测系统 |
CN112927242B (zh) * | 2021-03-24 | 2022-11-22 | 上海大学 | 基于区域定位与群体智能搜索算法的快速视盘定位方法 |
CN113311821B (zh) * | 2021-04-02 | 2022-10-11 | 西南科技大学 | 一种多悬垂管道探伤移动机器人的建图与定位系统及方法 |
CN113362346B (zh) * | 2021-07-08 | 2023-08-11 | 辽宁师范大学 | 基于机器学习双区域轮廓演化模型的视盘和视杯分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011025452A1 (en) * | 2009-08-24 | 2011-03-03 | Singapore Health Services Pte Ltd | A method and system for detecting disc haemorrhages |
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 |
CN106529420A (zh) * | 2016-10-20 | 2017-03-22 | 天津大学 | 综合眼底图像边缘信息和亮度信息的视盘中心定位方法 |
-
2017
- 2017-05-31 CN CN201710405139.8A patent/CN107292868B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011025452A1 (en) * | 2009-08-24 | 2011-03-03 | Singapore Health Services Pte Ltd | A method and system for detecting disc haemorrhages |
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 |
CN106529420A (zh) * | 2016-10-20 | 2017-03-22 | 天津大学 | 综合眼底图像边缘信息和亮度信息的视盘中心定位方法 |
Non-Patent Citations (3)
Title |
---|
"Combining algorithms for automatic detection of optic disc and macula in fundus images";Rashid Jalal Qureshi et al.;《Computer Vision and Image Understanding》;20110916;摘要、正文第2-3章 * |
"Locating the Optic Nerve in a Retinal Image Using the Fuzzy Convergence of the Blood Vessels";Adam Hoover et al.;《IEEE Transactions on Medical Imaging》;20030728;第1-2章 * |
"视网膜血管图像处理的若干关键问题研究";赵晓芳;《中国博士学位论文全文数据库 信息科技辑》;20111215;第2.3、4.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107292868A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292868B (zh) | 一种视盘定位方法及装置 | |
Fatima Bokhari et al. | Fundus image segmentation and feature extraction for the detection of glaucoma: A new approach | |
Dashtbozorg et al. | Optic disc segmentation using the sliding band filter | |
Mary et al. | An empirical study on optic disc segmentation using an active contour model | |
Niemeijer et al. | Automated measurement of the arteriolar-to-venular width ratio in digital color fundus photographs | |
EP2888718B1 (en) | Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation | |
Fleming et al. | Automatic detection of retinal anatomy to assist diabetic retinopathy screening | |
Lupascu et al. | Automated detection of optic disc location in retinal images | |
CN109685770B (zh) | 视网膜血管弯曲度确定方法 | |
Aquino | Establishing the macular grading grid by means of fovea centre detection using anatomical-based and visual-based features | |
Mendonça et al. | Segmentation of the vascular network of the retina | |
Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
Liu et al. | ARGALI: an automatic cup-to-disc ratio measurement system for glaucoma detection and AnaLysIs framework | |
CN105488799A (zh) | 彩色眼底图像微动脉瘤自动检测方法 | |
Tan et al. | Automatic notch detection in retinal images | |
Sidhu et al. | Segmentation of retinal blood vessels by a novel hybrid technique-Principal Component Analysis (PCA) and Contrast Limited Adaptive Histogram Equalization (CLAHE) | |
Jana et al. | A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image | |
Qureshi et al. | Automatic localization of the optic disc in retinal fundus images using multiple features | |
CN108230306A (zh) | 眼底彩照血管及动静脉的识别方法 | |
Giancardo et al. | Quality assessment of retinal fundus images using elliptical local vessel density | |
Sun et al. | Optic disc segmentation by balloon snake with texture from color fundus image | |
EP3048580B1 (en) | Method of extracting the optic disc of a retinal image | |
Kumar et al. | A survey on automatic detection of hard exudates in diabetic retinopathy | |
Poonguzhali et al. | Review on localization of optic disc in retinal fundus images | |
Singh et al. | Assessment of disc damage likelihood scale (DDLS) for automated glaucoma diagnosis |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 116000 room 19, block B, block 32A, Torch Road, Dalian high tech Industrial Park, Liaoning, China, 1907-1 Applicant after: Ruida Sheng medical technology (Dalian) Co., Ltd. Address before: 116024 creative Incubation Park, 720 Huangpu Road, hi tech park, Dalian, Liaoning 4F Applicant before: Redasen Technology (Dalian) Co, Ltd. |
|
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200313 Termination date: 20210531 |