CN108309229B - 一种针对眼底图像视网膜血管的层次结构划分方法 - Google Patents

一种针对眼底图像视网膜血管的层次结构划分方法 Download PDF

Info

Publication number
CN108309229B
CN108309229B CN201810347364.5A CN201810347364A CN108309229B CN 108309229 B CN108309229 B CN 108309229B CN 201810347364 A CN201810347364 A CN 201810347364A CN 108309229 B CN108309229 B CN 108309229B
Authority
CN
China
Prior art keywords
vessel
retinal
branch point
retinal vessel
images
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
Application number
CN201810347364.5A
Other languages
English (en)
Other versions
CN108309229A (zh
Inventor
秦臻
余林芳
丁熠
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810347364.5A priority Critical patent/CN108309229B/zh
Publication of CN108309229A publication Critical patent/CN108309229A/zh
Application granted granted Critical
Publication of CN108309229B publication Critical patent/CN108309229B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/14—Arrangements specially adapted for eye photography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; 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
    • G06T7/13—Edge detection
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Ophthalmology & Optometry (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种针对眼底图像视网膜血管的层次结构划分方法，包括如下步骤：S1、利用眼底照相机获取患者的眼底图象；S2、对眼底图象进行预处理；S3：对预处理后的眼底图象进行分割，获取视网膜血管；S4、对获取的视网膜血管进行细化处理；S5、提取细化后视网膜血管的端点、分支点及交叉点，并生成血管树图；S6、对生成的血管树图中的血管分支点进行层级分类；S7、根据血管分支点的层级，确定以该分支点为起点的血管的层级，实现视网膜血管的层次结构划分。本发明解决了传统诊断方法观察困难、准确度低、容易导致诊断结果偏离、工作量大和投入人工成本大的问题。

Description

一种针对眼底图像视网膜血管的层次结构划分方法
技术领域
本发明属于图像处理技术领域，具体涉及一种针对眼底图像视网膜血管的层次结构划分方法。
背景技术
在日常生活中，医生为了能够准确的为患者进行诊断，了解患者眼底病变情况，往往会对患者做眼底检查，得到眼底图像，眼底图像结构特征的变化可以直接反应患者眼底病变程度和治疗情况。眼底图像血管是眼底图像中可检测的最稳定和最主要的结构，当眼器官发生视觉疾病的时候，眼底图像血管的直径、颜色和弯曲程度等会出现异常。目前，对于患者眼部健康状况的把握，医生只能凭经验从眼底图像中肉眼进行观察。在眼底图像中，病变部位离视神经乳头越近，病情越严重。视网膜血管布满整个眼底，传统诊断方法眼科医生进行诊断时观察困难，准确度低，容易导致诊断结果偏离；眼科医生工作量大，投入人工成本大，
发明内容
针对现有技术中的上述不足，本发明提供了一种便于观察、准确度高和人工成本低的针对眼底图像视网膜血管的层次结构划分方法，解决了传统诊断方法观察困难、准确度低、容易导致诊断结果偏离、工作量大和投入人工成本大的问题。
为了达到上述发明目的，本发明采用的技术方案为：
一种针对眼底图像视网膜血管的层次结构划分方法，包括如下步骤：
S1：获取眼底图象：利用眼底照相机获取患者的眼底图象；
S2：进行预处理：对步骤S1中获取的眼底图象进行预处理；
S3：获取视网膜血管：对步骤S2中预处理后的眼底图象进行分割，获取视网膜血管；
S4：进行细化处理：对步骤S3中获取的视网膜血管进行细化处理；
S5：生成血管树图：提取细化后视网膜血管的端点、分支点及交叉点，并生成血管树图；
S6：进行层级分类：对步骤S5中生成的血管树图中的血管分支点进行层级分类；
S7：划分层次结构：根据步骤S6标记的血管分支点的层级，确定以该分支点为起点的血管的层级，实现视网膜血管的层次结构划分。
进一步地，步骤S1中，眼底图象的获取方法，包括如下步骤：
S1-1：准备眼底照相机：接通电源，并打开眼底照相机开关；
S1-2：准备拍摄环境：调暗室内光线，调整患者眼睛水平位置和定位眼睛前室；
S1-3：获取眼底图象：将眼底照相机聚焦后进行拍摄，获取眼底图象。
进一步地，步骤S2中，预处理为眼底图象的局部亮度和对比度的归一化处理。
进一步地，步骤S3中，利用卷积神经网络CNN对预处理后的眼底图象进行分割，获取视网膜血管。
进一步地，进行分割的方法，包括如下步骤：
S3-1：建立模型：利用卷积神经网络，建立卷积神经网络结构模型；
S3-2：输入眼底图象：将步骤S2中预处理后的眼底图象输入到卷积神经网络结构模型，提取眼底图象的网络特征；
S3-3：获取视网膜血管：根据步骤S3-2提取的网络特征，对预处理后的眼底图象进行分割，获取视网膜血管。
进一步地，步骤S4中，进行细化处理的方法，包括如下步骤：
S4-1：计算骨架中目标像素个数：对视网膜血管进行初步细化，获取视网膜血管骨架，并计算视网膜血管骨架中目标像素的个数；
S4-2：计算轮廓中目标像素个数：提取视网膜血管的轮廓，并计算视网膜血管轮廓中目标像素的个数；
S4-3：判读是否大于阈值：判断步骤S4-1得到的骨架中目标像素个数和步骤S4-2得到的轮廓中目标像素个数的比值是否大于阈值，若是则结束处理，输出细化后视网膜血管，若否则进入步骤S4-4；
S4-4：进行扫描：对视网膜血管进行扫描，计算最大行像素个数和最大列像素个数；
S4-5：进行像素值取反处理：根据步骤S4-4得到的最大行像素个数和最大列像素个数在视网膜血管获取像素区域，对该像素区域进行像素值取反处理；
S4-6：进行二次细化：对根据步骤S4-5进行处理后的视网膜血管进行二次细化，输出细化后视网膜血管。
进一步地，步骤S6中，进行层级分类的方法，包括如下步骤:
S6-1：访问血管端点：访问血管树图中的血管端点；
S6-2：访问血管分支点：访问与端点相邻的血管树图中的血管分支点，标记该血管分支点的层级；
S6-3：访问下层血管分支点；访问与步骤S6-2中血管分支点相邻且未被访问过的下层血管分支点，标记该下层血管分支点的层级；
S6-4：实现层级分类：重复步骤S6-3，访问所有血管分支点，并标记所有层的层级，实现层级分类。
附图说明
图1为针对眼底图像视网膜血管的层次结构划分方法流程图；
图2为眼底图象的获取方法流程图；
图3为进行分割的方法流程图；
图4为进行细化处理的方法流程图；
图5为进行层级分类的方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明实施例中，一种针对眼底图像视网膜血管的层次结构划分方法，如图1所示，包括如下步骤：
S1：获取眼底图象：利用眼底照相机获取患者的眼底图象；
眼底图象的获取方法，如图2所示，包括如下步骤：
S1-1：准备眼底照相机：接通电源，并打开眼底照相机开关；
S1-2：准备拍摄环境：调暗室内光线，调整患者眼睛水平位置和定位眼睛前室；
S1-3：获取眼底图象：将眼底照相机聚焦后进行拍摄，获取眼底图象；
S2：进行预处理：对步骤S1中获取的眼底图象进行预处理，预处理为眼底图象的局部亮度和对比度的归一化处理；
S3：获取视网膜血管：对步骤S2中预处理后的眼底图象进行分割，获取视网膜血管；
进行分割的方法，如图3所示，包括如下步骤：
S3-1：建立模型：利用卷积神经网络，建立卷积神经网络结构模型；
S3-2：输入眼底图象：将步骤S2中预处理后的眼底图象输入到卷积神经网络结构模型，提取眼底图象的网络特征；
S3-3：获取视网膜血管：根据步骤S3-2提取的网络特征，对预处理后的眼底图象进行分割，获取视网膜血管；
S4：进行细化处理：对步骤S3中获取的视网膜血管进行细化处理；
进行细化处理的方法，如图4所示，包括如下步骤：
S4-1：计算骨架中目标像素个数：对视网膜血管进行初步细化，获取视网膜血管骨架，并计算视网膜血管骨架中目标像素的个数；
S4-2：计算轮廓中目标像素个数：提取视网膜血管的轮廓，并计算视网膜血管轮廓中目标像素的个数；
S4-3：判读是否大于阈值：判断步骤S4-1得到的骨架中目标像素个数和步骤S4-2得到的轮廓中目标像素个数的比值是否大于阈值，若是则结束处理，输出细化后视网膜血管，若否则进入步骤S4-4；
S4-4：进行扫描：对视网膜血管进行扫描，计算最大行像素个数和最大列像素个数；
S4-5：进行像素值取反处理：根据步骤S4-4得到的最大行像素个数和最大列像素个数在视网膜血管获取像素区域，对该像素区域进行像素值取反处理；
S4-6：进行二次细化：对根据步骤S4-5进行处理后的视网膜血管进行二次细化，输出细化后视网膜血管；
S5：生成血管树图：提取细化后视网膜血管的端点、分支点及交叉点，并生成血管树图；
S6：进行层级分类：对步骤S5中生成的血管树图中的血管分支点进行层级分类；
进行层级分类的方法，如图5所示，包括如下步骤:
S6-1：访问血管端点：访问血管树图中的血管端点；
S6-2：访问血管分支点：访问与端点相邻的血管树图中的血管分支点，标记该血管分支点的层级；
S6-3：访问下层血管分支点；访问与步骤S6-2中血管分支点相邻且未被访问过的下层血管分支点，标记该下层血管分支点的层级；
S6-4：实现层级分类：重复步骤S6-3，访问所有血管分支点，并标记所有层的层级，实现层级分类；
S7：划分层次结构：根据步骤S6标记的血管分支点的层级，确定以该分支点为起点的血管的层级，实现视网膜血管的层次结构划分。

Claims (6)

1.一种针对眼底图像视网膜血管的层次结构划分方法，其特征在于，包括如下步骤：
S1：获取眼底图象：利用眼底照相机获取患者的眼底图象；
S2：进行预处理：对步骤S1中获取的眼底图象进行预处理；
S3：获取视网膜血管：对步骤S2中预处理后的眼底图象进行分割，获取视网膜血管；
S4：进行细化处理：对步骤S3中获取的视网膜血管进行细化处理，其中，所述步骤S4中，进行细化处理的方法，包括如下步骤：
S4-1：计算骨架中目标像素个数：对视网膜血管进行初步细化，获取视网膜血管骨架，并计算视网膜血管骨架中目标像素的个数；
S4-2：计算轮廓中目标像素个数：提取视网膜血管的轮廓，并计算视网膜血管轮廓中目标像素的个数；
S4-3：判读是否大于阈值：判断步骤S4-1得到的骨架中目标像素个数和步骤S4-2得到的轮廓中目标像素个数的比值是否大于阈值，若是则结束处理，输出细化后视网膜血管，若否则进入步骤S4-4；
S4-4：进行扫描：对视网膜血管进行扫描，计算最大行像素个数和最大列像素个数；
S4-5：进行像素值取反处理：根据步骤S4-4得到的最大行像素个数和最大列像素个数在视网膜血管获取像素区域，对该像素区域进行像素值取反处理；
S4-6：进行二次细化：对根据步骤S4-5进行处理后的视网膜血管进行二次细化，输出细化后视网膜血管；
S5：生成血管树图：提取细化后视网膜血管的端点、分支点及交叉点，并生成血管树图；
S6：进行层级分类：对步骤S5中生成的血管树图中的血管分支点进行层级分类；
S7：划分层次结构：根据步骤S6标记的血管分支点的层级，确定以该分支点为起点的血管的层级，实现视网膜血管的层次结构划分。
2.根据权利要求1所述的针对眼底图像视网膜血管的层次结构划分方法，其特征在于，所述步骤S1中，眼底图象的获取方法，包括如下步骤：
S1-1：准备眼底照相机：接通电源，并打开眼底照相机开关；
S1-2：准备拍摄环境：调暗室内光线，调整患者眼睛水平位置和定位眼睛前室；
S1-3：获取眼底图象：将眼底照相机聚焦后进行拍摄，获取眼底图象。
3.根据权利要求1所述的针对眼底图像视网膜血管的层次结构划分方法，其特征在于，所述步骤S2中，预处理为眼底图象的局部亮度和对比度的归一化处理。
4.根据权利要求1所述的针对眼底图像视网膜血管的层次结构划分方法，其特征在于，所述步骤S3中，利用卷积神经网络CNN对预处理后的眼底图象进行分割，获取视网膜血管。
5.根据权利要求4所述的针对眼底图像视网膜血管的层次结构划分方法，其特征在于，所述进行分割的方法，包括如下步骤：
S3-1：建立模型：利用卷积神经网络，建立卷积神经网络结构模型；
S3-2：输入眼底图象：将步骤S2中预处理后的眼底图象输入到卷积神经网络结构模型，提取眼底图象的网络特征；
S3-3：获取视网膜血管：根据步骤S3-2提取的网络特征，对预处理后的眼底图象进行分割，获取视网膜血管。
6.根据权利要求1所述的针对眼底图像视网膜血管的层次结构划分方法，其特征在于，所述步骤S6中，进行层级分类的方法，包括如下步骤:
S6-1：访问血管端点：访问血管树图中的血管端点；
S6-2：访问血管分支点：访问与端点相邻的血管树图中的血管分支点，标记该血管分支点的层级；
S6-3：访问下层血管分支点；访问与步骤S6-2中血管分支点相邻且未被访问过的下层血管分支点，标记该下层血管分支点的层级；
S6-4：实现层级分类：重复步骤S6-3，访问所有血管分支点，并标记所有层的层级，实现层级分类。
CN201810347364.5A 2018-04-18 2018-04-18 一种针对眼底图像视网膜血管的层次结构划分方法 Expired - Fee Related CN108309229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810347364.5A CN108309229B (zh) 2018-04-18 2018-04-18 一种针对眼底图像视网膜血管的层次结构划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810347364.5A CN108309229B (zh) 2018-04-18 2018-04-18 一种针对眼底图像视网膜血管的层次结构划分方法

Publications (2)

Publication Number Publication Date
CN108309229A CN108309229A (zh) 2018-07-24
CN108309229B true CN108309229B (zh) 2019-09-03

Family

ID=62898558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810347364.5A Expired - Fee Related CN108309229B (zh) 2018-04-18 2018-04-18 一种针对眼底图像视网膜血管的层次结构划分方法

Country Status (1)

Country Link
CN (1) CN108309229B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110448267B (zh) * 2019-09-06 2021-05-25 重庆贝奥新视野医疗设备有限公司 一种多模眼底动态成像分析系统及其方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8638999B2 (en) * 2012-04-16 2014-01-28 General Electric Company Methods for generating a reconstructed tree structure from medical image data
CN103247073B (zh) * 2013-04-18 2016-08-10 北京师范大学 基于树状结构的三维脑血管模型构造方法
US9595089B2 (en) * 2014-05-09 2017-03-14 Siemens Healthcare Gmbh Method and system for non-invasive computation of hemodynamic indices for coronary artery stenosis
CN104318557B (zh) * 2014-10-17 2017-03-29 重庆大学 血管骨架线重构方法
US9675247B2 (en) * 2014-12-05 2017-06-13 Ricoh Co., Ltd. Alpha-matting based retinal vessel extraction
CN106408562B (zh) * 2016-09-22 2019-04-09 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN107204041A (zh) * 2017-05-31 2017-09-26 重庆大学 基于眼底图像的视网膜血管三维模型构建方法及装置
CN107392895A (zh) * 2017-07-14 2017-11-24 深圳市唯特视科技有限公司 一种基于卷积循环网络的3d血管结构提取方法

Also Published As

Publication number Publication date
CN108309229A (zh) 2018-07-24

Similar Documents

Publication Publication Date Title
CN106408564B (zh) 一种基于深度学习的眼底图像处理方法、装置及系统
CN109528155B (zh) 一种适用于高度近视并发开角型青光眼的智能筛查系统及其建立方法
CN107292877B (zh) 一种基于眼底图像特征的左右眼识别方法
CN105411525B (zh) 一种眼底照片图像智能获取识别系统
CN109166117A (zh) 一种眼底图像自动分析比对方法及一种存储设备
CN111616800B (zh) 眼科手术导航系统
CN110428421A (zh) 黄斑图像区域分割方法和设备
CN110875092A (zh) 一种基于远程眼底筛查的健康大数据服务方法和系统
CN106821324A (zh) 一种基于舌面和舌下综合分析的舌诊辅助医疗系统
CN107122597A (zh) 一种角膜受损智能诊断系统
CN105996986B (zh) 一种基于多光谱检测人眼睑板腺模型的装置及其方法
CN105590323A (zh) 一种基于眼科裂隙灯照相的滤过泡表面的血管化程度的检测方法
CN108734701A (zh) 一种Placido环图像形态变化识别算法
CN110211686A (zh) 一种高度近视白内障人工晶状体精准选择系统
CN108309229B (zh) 一种针对眼底图像视网膜血管的层次结构划分方法
Wang et al. Accurate disease detection quantification of iris based retinal images using random implication image classifier technique
CN106570530A (zh) 一种眼底影像中硬性渗出提取的方法
CN111292286B (zh) 糖网眼底特征数据变化的分析方法与系统，及存储设备
Giancardo Automated fundus images analysis techniques to screen retinal diseases in diabetic patients
CN113940812A (zh) 用于准分子激光角膜屈光手术的角膜中心定位方法
CN109636864A (zh) 一种基于颜色校正与深度卷积神经网络的舌分割方法及系统
CN103955941A (zh) 一种角膜内皮细胞分析仪及分析方法
CN116543026A (zh) 基于多尺度条件生成对抗网络荧光血管造影图像生成方法
Ng et al. Computer aided diagnosis of eye disease for diabetic retinopathy
CN112766193A (zh) 一种虹膜图像质量评价方法与系统

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
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: 20190903

Termination date: 20200418