CN108073918A - 眼底视网膜的血管动静脉交叉压迫特征提取方法 - Google Patents
眼底视网膜的血管动静脉交叉压迫特征提取方法 Download PDFInfo
- Publication number
- CN108073918A CN108073918A CN201810077476.3A CN201810077476A CN108073918A CN 108073918 A CN108073918 A CN 108073918A CN 201810077476 A CN201810077476 A CN 201810077476A CN 108073918 A CN108073918 A CN 108073918A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- optic disk
- vessel
- blood
- center
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Ophthalmology & Optometry (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种眼底视网膜的血管动静脉交叉压迫特征提取方法,包括以下步骤:(1)提取眼底图像的血管信息,并采用模糊收敛方法对所述血管信息进行视盘定位后,确定视盘中心;(2)根据视盘中心,在采用k‑means聚类方法对视盘中心R半径范围内的所有血管聚类的基础上,统计确定每根血管的类别,然后对视盘中心R半径范围内的所有血管建立血管拓扑图;(3)根据血管拓扑图和血管类别确定动静脉交叉压迫节点。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种眼底视网膜的血管动静脉交叉压迫特征提取方法。
背景技术
目前,基于图像处理、图像分析等数字图像技术实现视网膜血管动静脉交叉压迫自动检测的研究主要集中于近年并且研究成果相对较少,其技术实现方案主要包括:血管分割、血管跟踪、交叉点识别、动静脉分类、血管宽度测量、交叉压迫定量描述(参数、特征标签)、判定模型等。已有的算法包括如下几个环节:
(1)预处理:血管分割、血管中心线提取(几何结构信息)、血管边缘提取、血管内部提取、交叉点识别。
(2)动静脉分类,获取静脉血管。
(3)提取交叉区域静脉血管信息,包括连续静脉片段的血管管径、灰度信息,并排除微小血管,处理血管分割孔洞影响等。
(4)依据血管管径的变化趋势,定量描述动静脉交叉区域静脉血管形态变化,并提取动静脉交叉压迫分类特征参数。
(5)设计分类器,获取动静脉交叉压迫分类结果,统计检测结果,包括基于交叉点的分类结果、基于实验图像的分类结果。
已有的算法存在的问题:算法实现的过程需要完整的视网膜血管横截面信息和血管结构信息,因此分辨率较高、成像质量高、ROI区域血管片段清晰条件下的分类特征较为明显。在应用过程中,彩色眼底图像的成像质量和信息不一样,ROI区域内可能存在病变(眼底出血、黄斑、豹纹眼底等),血管结构复杂(血管弯曲程度大、血管交叉或并行交叠严重等)都会直接影响血管信息的提取以及分类特征参数的准确性。此外,当血管管径较小、分辨率较低的情况下,血管横截面灰度曲线对应的高斯模型拟合参数计算结果会出现与设定物理含义不一致的情况,而如果血管的亮度信息差异性较低(血管对比度较低),此时,该段血管的动静脉类型判定将出现误差。
发明内容
本发明的目的是提供一种眼底视网膜的血管动静脉交叉压迫特征提取方法。该方法能够快速并精准地确定眼底视网膜的血管交叉压迫特征,利用视盘周围丰富的血管来提取动静脉交叉特征,可以使得可提取的特征提取更加丰富,本发明对于眼底图像质量敏感度相对较低。
为实现上述发明目的,本发明提供以下技术方案:
一种眼底视网膜的血管动静脉交叉压迫特征提取方法,包括以下步骤:
(1)提取眼底图像的血管信息,并采用模糊收敛方法对所述血管信息进行视盘定位后确定视盘中心;
(2)根据视盘中心,在采用k-means聚类方法对视盘中心R半径范围内的所有血管聚类的基础上,统计确定每根血管的类别,然后对视盘中心R半径范围内的所有血管建立血管拓扑图;
(3)根据血管拓扑图和血管类别确定动静脉交叉压迫节点。
步骤(1)中,所述提取眼底图像的血管信息包括:
(a)对输入图像进行双边滤波操作;双边滤波在平滑图像时能够很好的保留边缘特性,可以把血管信息很好的保留,而去除其他信息;
(b)对双边滤波处理后的图像进行二值化处理;这里二值化的方法是使用基于直方图双峰平均值的阈值来进行二值化;
(c)对二值化后的图像进行形态学腐蚀操作,把血管变成一条由若干单一像素点组成的线段;
(d)筛选血管线段连通域大于2的血管集合,并在该血管集合中每个血管线段上找50条垂线;
(e)沿着每个血管线段的垂线画出像素亮度图,并根据像素亮度图中两个极小像素值之间的距离来得到血管的宽度和颜色,该血管宽度和颜色即为血管信息。
在像素亮度图中,由于血管壁亮度比较低,所以像素值较小,这样就可以通过找到像素亮度图中两个极小值之间的距离来得到血管的宽度,同样可以血管的颜色。
步骤(1)中,所述采用模糊收敛方法对所述血管信息进行视盘定位后确定视盘中心包括:
首先,以血管中心线上的每个像素点为中心,建立100×100的矩形滑动窗口,对窗口内所有像素点判断是否为属于血管的像素点,根据视盘周围血管最密集这一先验知识,筛选出属于血管的像素点最多的前10%区域作为候选视盘集合,
然后,递归地把候选视盘集合中距离小于300的候选视盘区域合并;
接下来,在合并后的多个候选视盘区域中,选出包含血管像素点最多的候选视盘区域,该候选视盘区域即为算法最终的视盘区域,最后确定视盘中心坐标。
本发明中,矩形滑动窗口选择100×100,阈值选择10%,该范围的矩形滑动窗口和阈值的协同配合,能够最好地把最可能是视盘中心的区域全部找出来,把非视盘中心筛掉。
步骤(2)的具体步骤为:
(2-1)根据二分查找方法找出以视盘中心为圆心,R半径圆形范围内的所有血管;
(2-2)提取步骤(2-1)查找得到的所有血管的横截面特征,对所有横截面特征进行k-means聚类,得到第一聚类集和第二聚类集,并根据每个聚类集的聚类中心的特征,确定每个聚类集的血管类别标签;
(2-3)对于每一根血管,统计处于第一聚类集的横截面特征的数量A,和处于第二聚类集的横截面特征的数量B,比较数量A和B,选择较大者所在聚类集对应的血管类别标签作为该血管的类别标签;
(2-4)对以视盘中心为圆心,R半径圆形范围外的所有血管,按照从内到外的顺序依次遍历血管,在每次遍历中,根据拓扑排序,采用KNN(K nearest neighbor)算法,确定与当前血管的横截面特征最为匹配的血管,将该血管作为当前血管的父血管,并将父血管的血管类别作为当前血管的血管类别,以此建立血管拓扑图。
所述横截面特征包括血管的最大、最小宽度以及血管颜色,根据横截面特征确定血管是动脉血管还是静脉血管,即血管类别。
步骤(2-1)中,半径R取值为100,这个范围内确定的圆形区域内,每根血管几乎都是独立的,无交叉情况,这样可以准确地确定每根血管的类别,为后续建立血管拓扑图提供准确稳定的基础,以便获得较精准的血管拓扑图,进而可以为后续确定动静脉交叉压迫节点提供保障。
在遍历的过程中,根据拓扑排序,当上一层次中包含的血管中,存在一个血管A的横截面特征与当前血管的横截面特征最接近,则认为该血管C为当前血管最为匹配的血管,将该血管C作为当前血管的父血管。
步骤(2-3)中,假设血管D包括350个的横截面特征,统计处于第一聚类集的横截面特征的数量A为300个,处于第二聚类集的横截面特征的数量B为50个,比较数量A和B,选择300所在的第一聚类集对应的血管类别标签作为血管D的类别标签,若第一聚类集对应的血管类别为动脉血管,则血管D为动脉血管。
步骤(2-4)中,当血管拓扑图确定好以后,整个眼底血管的动静脉分类就已经确定了,然后,再根据血管交叉节点处的血管特征,确定动静脉交叉压迫节点。
步骤(3)的具体过程为:
根据血管拓扑图查找动静脉交叉节点,对于每一个动静脉交叉节点,判断子静脉血管与父静脉血管的横截面特征的差异值,若子静脉血管与父静脉血管的最大宽度的差异值大于父静脉血管宽度的20%,且血管颜色差异值大于父静脉血管颜色的30%,则表示该动静脉交叉节点处的动脉血管对静脉血管造成压迫,该动静脉交叉节点为动静脉交叉压迫节点。
与现有技术相比,本发明具有的有益效果为:
本发明可以快速并精准地确定眼底视网膜的血管交叉压迫特征,利用视盘周围丰富的血管来提取动静脉交叉特征,可以使得特征提取更加准确,本发明对于眼底图像质量敏感度相对较低。
附图说明
图1是实施例提供的眼底视网膜的血管动静脉交叉压迫特征提取方法的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1是实施例提供的眼底视网膜的血管动静脉交叉压迫特征提取方法的流程图。参见图1,本实施例提供的方法包括以下步骤:
S101,提取眼底图像的血管信息,并采用模糊收敛方法对所述血管信息进行视盘定位后,确定视盘中心。
提取眼底图像的血管信息阶段:
(a)对输入图像进行双边滤波操作;
(b)对双边滤波处理后的图像进行二值化处理;
(c)对二值化后的图像进行形态学腐蚀操作,把血管变成一条由若干单一像素点组成的线段;
(d)筛选血管线段连通域大于2的血管集合,并在该血管集合中每个血管线段上找50条垂线;
(e)沿着每个血管线段的垂线画出像素亮度图,并根据像素亮度图中两个极小像素值之间的距离来得到血管的宽度和颜色,该血管宽度和颜色即为血管信息。
在确定视盘中心阶段:
对每条血管中心线上的像素点进行投票,投票详细过程如下:每条血管中心线是一个折线段,血管i的中心线icenter上的两个端点分别为p1和pend,且两个端点不论位置顺序。依次遍历血管中心线icenter上每一个像素点,即从p1遍历到pend点,根据血管的走势方向,以中心线上每一个像素点构建100×100的矩形窗口,使得当前像素点成为滑动窗口的中心,矩形窗口内所有像素点将会被判断是否为血管像素点。投票完毕后,进行收敛阶段,找出得票最多的像素点,记录它的票数为votemax,由于割血管本身可能导致的问题,所有票数最多的像素点不能够保证一定是视盘中心。那么紧跟着通过阈值处理,对于每一张眼底图,选取投票数为最高的10%作为视盘候选集的区域。即设定votethresh=0.9*votemax,找到所有像素(x,y)满足vote(x,y)>=votethresh,经过筛选的坐标区域来构建视盘区域候选集。最后,利用最小圆覆盖法,在给定一个点集合的情况下,确定一个半径最小的圆来包含视盘候选集上所有的点。这个圆的圆心即为视盘中心,可以通过凸包算法完成。
S102,根据视盘中心确定每根血管的类别,并建立血管拓扑图。
首先,筛选出视盘周围最具有代表性的血管。判断一条血管是否在“视盘周围”的定义如下:根据血管i中心线的近端icenter_begin到视盘中心op的欧氏距离作为判断依据,判断公式如下:
为了降低时间复杂度,提出二分查找的方法来判断半径阈值,判断方法是:通过确定以视盘中心为圆心,以半径阈值做圆,如果该圆包含或者覆盖的血管条数是在总血管数的10%左右,那么该半径阈值的选取有效。
下面具体介绍二分方法结合可行性判断的方法:设定阈值opticthresh的下届为0,上届为max(height,width),代表眼底图的长宽的最大值,中间值mid为上下届的均值,代表目前选定的阈值,接着进行可行性判断。当以视盘op为圆心,中间值mid为半径做圆,找出该圆包含和交叉的血管,判断个数是否占总血管数的10%。如果不满足,则不断更新上届或者下届:当包含有效血管过多,表示目前阈值半径选取过大导致覆盖了更多的血管,则更新上届为当前阈值。否则表示目前覆盖范围小,包含的血管较少,需要扩大阈值,则更新下届为当前阈值。
而后,进行截面特征提取,包括以下三个特征:(1)横截面中所有像素点的RGB色彩空间中R通道的方差。(2)HSI色彩空间中H即色调的均值。(3)横截面自身的宽度。
最后,利用K-means进行聚类,得到第一聚类集和第二聚类集,并根据每个聚类集的聚类中心的特征,确定每个聚类集的血管类别标签,对于每一根血管,统计处于第一聚类集的横截面特征的数量A,和处于第二聚类集的横截面特征的数量B,比较数量A和B,选择较大者所在聚类集对应的血管类别标签作为该血管的类别标签。
视盘区域外血管标记的方法如下:
首先,先建立血管拓扑结构图G,确保父子血管的标记顺序。定义血管中心线的起点和终点:中心线两个端点按照到视盘中心op的距离远近分别记录为icenter_end和icenter_begin,即:
||center_endi-op||>||center_begini-op||
在建立血管拓扑结构图时,当且仅当血管i是血管j的候选父血管时,建立有向边G(i,j)=1。即两条中心线的首尾距离小于某个阈值时建立边,公式如:
dis为判断是否连接的距离阈值。
然后,进行拓扑排序,拓扑排序大致可以归为以下几个步骤:
(1)找到待标记的血管:找出图G中入度为0,且Label(Label是长度为血管条数的数组,表示每条血管标志信息,初始化为-1表示未被标记,0为动脉,1为静脉)对应位置为-1的点,表示该血管未被标记,且候选父血管标记完毕;
(2)结合已知信息标记血管:标记的方法利用KNN分类器,数据集为所有已经标记的候选父血管横截面的特征。将新标记的血管i更新Label数组对应位置,且在图G中所有的边,(i,j)∈E(G),所有的j对应的indgree减去1.
(3)不断重复步骤(1)和(2),直到结束。
S103,根据血管拓扑图和血管类别确定动静脉交叉压迫节点。
本步骤的具体过程为:
识别动静脉交叉节点:定义a,b,c,d为四条血管段,其中bc两条动脉,ad两条静脉为静脉。a、b为父血管,c、d为子血管。
首先,定位动脉子血管c:在动静脉分类的基础上,利用血管拓扑图结构G,以及血管标记数组Label信息。首先遍历Label数组,如果当前血管是静脉,对比上述形式化定,即定为血管四元组中的血管c。
然后,定位静脉父血管a、动脉父血管b:根据血管c再找到血管c的候选父血管集合,称为集合S。若从S集合中能够发现两条血管,且满足条件:一个是动脉,另一个是静脉,那么它们分别对应于血管四元组中的血管a以及血管b。否则回到定位动脉子血管c步骤。
最后,定位静脉子血管d:找到a的子血管集合Ason,b的子血管集合Bson,两个集合求交集,在交集中需要找到另外一个动脉血管,即对应为血管四元组中的d,表示动脉经过交叉之后的血管段。
确定动静脉交叉压迫节点:
结合临床先验知识:动静脉交叉压迫表现形式为静脉经过交叉后,血管宽度变化严重。那么对于动静脉交叉的血管四元组(a,b,c,d),其中静脉血管a和d,根据血管横截面信息,求得平均宽度widthA,widthD。算法定义:
ratio表示静脉交叉前的平均宽度与交叉后的平均宽度的比值。当该比值大于额定阈值后,认为存在静脉压迫。
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 (6)
1.一种眼底视网膜的血管动静脉交叉压迫特征提取方法,包括以下步骤:
(1)提取眼底图像的血管信息,并采用模糊收敛方法对所述血管信息进行视盘定位后,确定视盘中心;
(2)根据视盘中心,在采用k-means聚类方法对视盘中心R半径范围内的所有血管聚类的基础上,统计确定每根血管的类别,然后对视盘中心R半径范围内的所有血管建立血管拓扑图;
(3)根据血管拓扑图和血管类别确定动静脉交叉压迫节点。
2.如权利要求1所述的眼底视网膜的血管动静脉交叉压迫特征提取方法,其特征在于,所述提取眼底图像的血管信息包括:
(a)对输入图像进行双边滤波操作;
(b)对双边滤波处理后的图像进行二值化处理;
(c)对二值化后的图像进行形态学腐蚀操作,把血管变成一条由若干单一像素点组成的线段;
(d)筛选血管线段连通域大于2的血管集合,并在该血管集合中每个血管线段上找50条垂线;
(e)沿着每个血管线段的垂线画出像素亮度图,并根据像素亮度图中两个极小像素值之间的距离来得到血管的宽度和颜色,该血管宽度和颜色即为血管信息。
3.如权利要求1所述的眼底视网膜的血管动静脉交叉压迫特征提取方法,其特征在于,所述采用模糊收敛方法对所述血管信息进行视盘定位后确定视盘中心包括:
首先,以血管中心线上的每个像素点为中心,建立100×100的矩形滑动窗口,对窗口内所有像素点判断是否为属于血管的像素点,根据视盘周围血管最密集这一先验知识,筛选出属于血管的像素点最多的前10%区域作为候选视盘集合,
然后,递归地把候选视盘集合中距离小于300的候选视盘区域合并;
接下来,在合并后的多个候选视盘区域中,选出包含血管像素点最多的候选视盘区域,该候选视盘区域即为算法最终的视盘区域,最后确定视盘中心坐标。
4.如权利要求1所述的眼底视网膜的血管动静脉交叉压迫特征提取方法,其特征在于,步骤(2)的具体步骤为:
(2-1)根据二分查找方法找出以视盘中心为圆心,R半径圆形范围内的所有血管;
(2-2)提取步骤(2-1)查找得到的所有血管的横截面特征,对所有横截面特征进行k-means聚类,得到第一聚类集和第二聚类集,并根据每个聚类集的聚类中心的特征,确定每个聚类集的血管类别标签;
(2-3)对于每一根血管,统计处于第一聚类集的横截面特征的数量A,和处于第二聚类集的横截面特征的数量B,比较数量A和B,选择较大者所在聚类集对应的血管类别标签作为该血管的类别标签;
(2-4)对以视盘中心为圆心,R半径圆形范围外的所有血管,按照从内到外的顺序依次遍历血管,在每次遍历中,根据拓扑排序,采用KNN(K nearest neighbor)算法,确定与当前血管的横截面特征最为匹配的血管,将该血管作为当前血管的父血管,并将父血管的血管类别作为当前血管的血管类别,以此建立血管拓扑图。
5.如权利要求1所述的眼底视网膜的血管动静脉交叉压迫特征提取方法,其特征在于,步骤(2-1)中,半径R取值为100。
6.如权利要求1所述的眼底视网膜的血管动静脉交叉压迫特征提取方法,其特征在于,步骤(3)的具体过程为:
根据血管拓扑图查找动静脉交叉节点,对于每一个动静脉交叉节点,判断子静脉血管与父静脉血管的横截面特征的差异值,若子静脉血管与父静脉血管的最大宽度的差异值大于父静脉血管宽度的20%,且血管颜色差异值大于父静脉血管颜色的30%,则表示该动静脉交叉节点处的动脉血管对静脉血管造成压迫,该动静脉交叉节点为动静脉交叉压迫节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810077476.3A CN108073918B (zh) | 2018-01-26 | 2018-01-26 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810077476.3A CN108073918B (zh) | 2018-01-26 | 2018-01-26 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108073918A true CN108073918A (zh) | 2018-05-25 |
CN108073918B CN108073918B (zh) | 2022-04-29 |
Family
ID=62157133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810077476.3A Active CN108073918B (zh) | 2018-01-26 | 2018-01-26 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108073918B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111435612A (zh) * | 2018-12-26 | 2020-07-21 | 福州依影健康科技有限公司 | 一种移动医疗个性化健康服务的方法和系统 |
CN111681242A (zh) * | 2020-08-14 | 2020-09-18 | 北京至真互联网技术有限公司 | 视网膜血管动静脉区分方法和装置、设备 |
CN111681276A (zh) * | 2020-06-11 | 2020-09-18 | 北京大恒普信医疗技术有限公司 | 眼底图像中的动静脉直径比的确定方法、装置及电子设备 |
CN111861999A (zh) * | 2020-06-24 | 2020-10-30 | 北京百度网讯科技有限公司 | 动静脉交叉压迫征的检测方法、装置、电子设备及可读存储介质 |
CN111932554A (zh) * | 2020-07-31 | 2020-11-13 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
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 |
CN112716446A (zh) * | 2020-12-28 | 2021-04-30 | 深圳硅基智能科技有限公司 | 高血压性视网膜病变的病变特征的测量方法及测量系统 |
CN114387210A (zh) * | 2021-12-03 | 2022-04-22 | 依未科技(北京)有限公司 | 眼底特征获取的方法、装置、介质和设备 |
CN116453171A (zh) * | 2023-06-09 | 2023-07-18 | 博奥生物集团有限公司 | 白睛区域内血脉颜色的检测方法、装置、电子设备和介质 |
CN117746146A (zh) * | 2023-12-22 | 2024-03-22 | 博奥生物集团有限公司 | 确定白睛区域内血脉颜色的方法和装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110058718A1 (en) * | 2009-09-10 | 2011-03-10 | Canon Kabushiki Kaisha | Extracting method and apparatus of blood vessel crossing/branching portion |
US20120177262A1 (en) * | 2009-08-28 | 2012-07-12 | Centre For Eye Research Australia | Feature Detection And Measurement In Retinal Images |
CN103054563A (zh) * | 2013-01-06 | 2013-04-24 | 深圳先进技术研究院 | 血管壁病变检测方法 |
CN104537669A (zh) * | 2014-12-31 | 2015-04-22 | 浙江大学 | 眼底图像的动静脉视网膜血管分割方法 |
CN104573712A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 基于眼底图像的动静脉视网膜血管分类方法 |
CN104573716A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 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 |
CN104545792A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 眼底图像的动静脉视网膜血管视盘定位方法 |
US20150213600A1 (en) * | 2014-01-29 | 2015-07-30 | Yiannis Kyriakou | Angiographic Examination for a Vascular System in a Body Region of Interest of a Patient |
CN104881862A (zh) * | 2015-04-03 | 2015-09-02 | 南通大学 | 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用 |
US20160163041A1 (en) * | 2014-12-05 | 2016-06-09 | Powel Talwar | Alpha-matting based retinal vessel extraction |
CN105718919A (zh) * | 2016-02-02 | 2016-06-29 | 吉林大学 | 一种眼底图像视盘定位方法及系统 |
US20170024532A1 (en) * | 2015-07-25 | 2017-01-26 | Lightlab Imaging, Inc. | Intravascular Data Visualization and Interface Systems and Methods |
CN107041729A (zh) * | 2016-12-30 | 2017-08-15 | 西安中科微光影像技术有限公司 | 双目近红外成像系统及血管识别方法 |
CN107564048A (zh) * | 2017-09-25 | 2018-01-09 | 南通大学 | 基于分叉点特征配准方法 |
-
2018
- 2018-01-26 CN CN201810077476.3A patent/CN108073918B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120177262A1 (en) * | 2009-08-28 | 2012-07-12 | Centre For Eye Research Australia | Feature Detection And Measurement In Retinal Images |
US20110058718A1 (en) * | 2009-09-10 | 2011-03-10 | Canon Kabushiki Kaisha | Extracting method and apparatus of blood vessel crossing/branching portion |
CN102024254A (zh) * | 2009-09-10 | 2011-04-20 | 佳能株式会社 | 血管相交/分支部位的提取方法和装置 |
CN103054563A (zh) * | 2013-01-06 | 2013-04-24 | 深圳先进技术研究院 | 血管壁病变检测方法 |
US20150213600A1 (en) * | 2014-01-29 | 2015-07-30 | Yiannis Kyriakou | Angiographic Examination for a Vascular System in a Body Region of Interest of a Patient |
US20160163041A1 (en) * | 2014-12-05 | 2016-06-09 | Powel Talwar | Alpha-matting based retinal vessel extraction |
CN104573716A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 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 |
CN104545792A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 眼底图像的动静脉视网膜血管视盘定位方法 |
CN104573712A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 基于眼底图像的动静脉视网膜血管分类方法 |
CN104537669A (zh) * | 2014-12-31 | 2015-04-22 | 浙江大学 | 眼底图像的动静脉视网膜血管分割方法 |
CN104881862A (zh) * | 2015-04-03 | 2015-09-02 | 南通大学 | 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用 |
US20170024532A1 (en) * | 2015-07-25 | 2017-01-26 | Lightlab Imaging, Inc. | Intravascular Data Visualization and Interface Systems and Methods |
CN105718919A (zh) * | 2016-02-02 | 2016-06-29 | 吉林大学 | 一种眼底图像视盘定位方法及系统 |
CN107041729A (zh) * | 2016-12-30 | 2017-08-15 | 西安中科微光影像技术有限公司 | 双目近红外成像系统及血管识别方法 |
CN107564048A (zh) * | 2017-09-25 | 2018-01-09 | 南通大学 | 基于分叉点特征配准方法 |
Non-Patent Citations (6)
Title |
---|
PEISHAN DAI 等: "A New Approach to Segment Both Main and Peripheral Retinal Vessels Based on Gray-Voting and Gaussian Mixture Model", 《PLOS ONE | DOI:10.1371/JOURNAL.PONE.0127748》 * |
VAHID MOHAMMADI SAFFARZADEH 等: "Vessel Segmentation in Retinal Images Using Multi-scale Line Operator and K-Means Clustering", 《NCBI》 * |
崔栋 等: "基于改进小波边缘检测算法的视网膜血管宽度测量", 《中国组织工程研究与临床康复》 * |
薛岚燕 等: "动静脉血管自动分类方法及其管径测量", 《仪器仪表学报》 * |
郭莹 等: "眼底图像动静脉宽度差变化率测量方法", 《仪器仪表学报》 * |
马志扬: "基于彩色眼底图像的视网膜血管动静脉分类研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111435612A (zh) * | 2018-12-26 | 2020-07-21 | 福州依影健康科技有限公司 | 一种移动医疗个性化健康服务的方法和系统 |
CN111435612B (zh) * | 2018-12-26 | 2022-06-21 | 福州依影健康科技有限公司 | 一种移动医疗个性化健康服务的方法和系统 |
CN111681276A (zh) * | 2020-06-11 | 2020-09-18 | 北京大恒普信医疗技术有限公司 | 眼底图像中的动静脉直径比的确定方法、装置及电子设备 |
CN111861999A (zh) * | 2020-06-24 | 2020-10-30 | 北京百度网讯科技有限公司 | 动静脉交叉压迫征的检测方法、装置、电子设备及可读存储介质 |
CN111932554A (zh) * | 2020-07-31 | 2020-11-13 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
CN111932554B (zh) * | 2020-07-31 | 2024-03-22 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
WO2022033580A1 (zh) * | 2020-08-14 | 2022-02-17 | 北京至真互联网技术有限公司 | 视网膜血管动静脉区分方法和装置、设备 |
CN111681242A (zh) * | 2020-08-14 | 2020-09-18 | 北京至真互联网技术有限公司 | 视网膜血管动静脉区分方法和装置、设备 |
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 |
CN112716446A (zh) * | 2020-12-28 | 2021-04-30 | 深圳硅基智能科技有限公司 | 高血压性视网膜病变的病变特征的测量方法及测量系统 |
CN114387210A (zh) * | 2021-12-03 | 2022-04-22 | 依未科技(北京)有限公司 | 眼底特征获取的方法、装置、介质和设备 |
CN116453171A (zh) * | 2023-06-09 | 2023-07-18 | 博奥生物集团有限公司 | 白睛区域内血脉颜色的检测方法、装置、电子设备和介质 |
CN117746146A (zh) * | 2023-12-22 | 2024-03-22 | 博奥生物集团有限公司 | 确定白睛区域内血脉颜色的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108073918B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073918A (zh) | 眼底视网膜的血管动静脉交叉压迫特征提取方法 | |
Anjna et al. | Review of image segmentation technique | |
CN110084803B (zh) | 基于人类视觉系统的眼底图像质量评估方法 | |
Sarrafzadeh et al. | Nucleus and cytoplasm segmentation in microscopic images using K-means clustering and region growing | |
US20070019854A1 (en) | Method and system for automated digital image analysis of prostrate neoplasms using morphologic patterns | |
CN105205488B (zh) | 基于Harris角点和笔画宽度的文字区域检测方法 | |
CN107665324A (zh) | 一种图像识别方法及终端 | |
CN104346801B (zh) | 图像构图评估装置、信息处理装置及其方法 | |
CN109523524B (zh) | 一种基于集成学习的眼底图像硬性渗出检测方法 | |
JP2010511215A (ja) | 画像内のオブジェクトを指示する方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
CN104794721A (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
CN108596920A (zh) | 一种基于彩色图像的目标分割方法及装置 | |
CN108876810A (zh) | 视频摘要中利用图割算法进行运动目标检测的方法 | |
CN107016680A (zh) | 一种基于显著性检测的害虫图像背景去除方法 | |
CN109255799A (zh) | 一种基于空间自适应相关滤波器的目标跟踪方法及系统 | |
CN108596932A (zh) | 一种重叠宫颈细胞图像分割方法 | |
CN115206495A (zh) | 基于CoAtNet深度学习的肾癌病理图像分析方法、系统及智能显微装置 | |
CN111868783B (zh) | 基于边界提取的区域合并图像分割算法 | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
CN110189327A (zh) | 基于结构化随机森林编码器的眼底视网膜血管分割方法 | |
CN115272333B (zh) | 一种杯盘比数据的存储系统 | |
CN110428437A (zh) | 基于边缘敏感的slic和二次密度聚类的ggo分割方法 | |
Azegrouz et al. | Max-min central vein detection in retinal fundus images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |