CN109166117B - 一种眼底图像自动分析比对方法及一种存储设备 - Google Patents

一种眼底图像自动分析比对方法及一种存储设备 Download PDF

Info

Publication number
CN109166117B
CN109166117B CN201811015107.8A CN201811015107A CN109166117B CN 109166117 B CN109166117 B CN 109166117B CN 201811015107 A CN201811015107 A CN 201811015107A CN 109166117 B CN109166117 B CN 109166117B
Authority
CN
China
Prior art keywords
fundus
image
fundus image
gray level
optic disc
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
CN201811015107.8A
Other languages
English (en)
Other versions
CN109166117A (zh
Inventor
余轮
曹新容
薛岚燕
林嘉雯
王丽纳
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.)
Fuzhou Yiying Health Technology Co ltd
Original Assignee
Fuzhou Yiying Health Technology 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 Fuzhou Yiying Health Technology Co ltd filed Critical Fuzhou Yiying Health Technology Co ltd
Priority to CN201811015107.8A priority Critical patent/CN109166117B/zh
Priority to PCT/CN2018/117919 priority patent/WO2020042406A1/zh
Priority to AU2018438719A priority patent/AU2018438719A1/en
Publication of CN109166117A publication Critical patent/CN109166117A/zh
Application granted granted Critical
Publication of CN109166117B publication Critical patent/CN109166117B/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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (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

本发明涉及图像处理领域，特别涉及一种眼底图像自动分析比对方法。所述一种眼底图像自动分析比对方法，包括步骤：获取不同时期待分析的眼底图像；建立亮度直方图均衡对眼底图像进行预处理；建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置；分割预处理后的眼底图像的主血管；根据眼底参数对齐眼底图像，标识眼底图像变化区域。通过变化区域，可直观看出个人在不同时期眼底健康状况的变化，从而快速判断个人眼底是否存在健康问题，得到利于诊断糖尿病性视网膜病变(DR)、青光眼和血管改变的有价值信息，亦可以辅助检测评估相关慢病的诊疗效果，整个过程无需人工比对处理，大大节省时间，减少工作量，提高效率。

Description

一种眼底图像自动分析比对方法及一种存储设备
技术领域
本发明涉及图像处理领域，特别涉及一种眼底图像自动分析比对方法及一种存储设备。
背景技术
眼底是人体中可以获得的唯一非创伤性的能直接观察到动脉、静脉和毛细血管的部位。通过对眼底图像进行分析，可以得到诊断糖尿病性视网膜病变(DR)、青光眼的筛查和高血压患者血管改变的有价值信息。大量研究和临床实践表明，定期进行眼底检查是及时发现病变并获得最佳治疗时机的唯一有效的方法，对多种眼病和慢性病的监测和预防具有重要的指导意义。
眼睛是人体唯一不要通过手术就能观察到血管和神经的部位。利用眼底照相机，通过眼底照相，比对观察个人眼底图像各病变特征的变化情况，可以掌握个人健康的动态发展情况，监测评估诊疗效果。检测和分析眼底视网膜图像的结构和功能变化是临床实践的必要步骤和医学研究的重要方法，在计算机辅助诊疗、临床试验效果分析和个性化的健康服务等方面都有巨大的应用需求和深远的发展前景。
因此如何有效地对个人不同时期眼底图像进行自动分析比对至关重要，而现有技术和应用中，大都只集中在单张眼底图像的自动分析与病灶自动检测，眼底图像的比对操作人工进行，工作量大且效率低。
发明内容
为此，需要提供一种眼底图像自动分析比对方法，用以解决现有技术只能集中对单张图像自动分析与病灶自动检测，且眼底图像的比对操作人工进行，工作量大且效率低的问题。
为实现上述目的，发明人提供了一种眼底图像自动分析比对方法，具体的技术方案如下：
一种眼底图像自动分析比对方法，包括步骤：获取不同时期待分析的眼底图像；建立亮度直方图均衡对眼底图像进行预处理；建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置；分割预处理后的眼底图像的主血管；根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息；标识眼底图像变化区域。
进一步的，所述“建立亮度直方图均衡对眼底图像进行预处理”，还包括步骤：预设一图像作为标准图像，对所述标准图像进行处理生成标准灰度直方图；根据所述标准灰度直方图的灰度，对待分析的眼底图像的灰度进行映射，获得与标准灰度直方图有近似灰度直方图的眼底图像。
进一步的，所述“建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置”，还包括步骤：建立形态滤波器，根据预处理后的眼底图像中黄斑亮度及视盘亮度、黄斑形态与视盘形态、和黄斑与视盘的位置距离，确定黄斑及视盘的位置。
进一步的，所述“根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息”，还包括步骤：通过对齐不同眼底图像的黄斑与视盘，粗对齐对眼底图像；对主血管信息计算相关系数，对眼底图像偏移位置微调直至所述相关系数最大；所述主血管信息包括：主血管二值化信息。
进一步的，所述“标识眼底图像变化区域”，还包括步骤：预设一灰度变化阈值，标识灰度变化大于或等于灰度变化阈值的区域；所述标识包括：框选标识或不同颜色高光显示标识。
为实现上述目的，发明人提供了一种存储设备，具体的技术方案如下：
一种存储设备，其中存储有指令集，所述指令集用于执行：获取不同时期待分析的眼底图像；建立亮度直方图均衡对眼底图像进行预处理；建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置；分割预处理后的眼底图像的主血管；根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息；标识眼底图像变化区域。
进一步的，所述指令集还用于执行：所述“建立亮度直方图均衡对眼底图像进行预处理”，还包括步骤：预设一图像作为标准图像，对所述标准图像进行处理生成标准灰度直方图；根据所述标准灰度直方图的灰度，对待分析的眼底图像的灰度进行映射，获得与标准灰度直方图有近似灰度直方图的眼底图像。
进一步的，所述指令集还用于执行：所述“建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置”，还包括步骤：建立形态滤波器，根据预处理后的眼底图像中黄斑亮度及视盘亮度、黄斑形态与视盘形态、和黄斑与视盘的位置距离，确定黄斑及视盘的位置。
进一步的，所述指令集还用于执行：所述“根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息”，还包括步骤：通过对齐不同眼底图像的黄斑与视盘，粗对齐对眼底图像；对主血管信息计算相关系数，对眼底图像偏移位置微调直至所述相关系数最大；所述主血管信息包括：主血管二值化信息。
进一步的，所述指令集还用于执行：所述“标识眼底图像变化区域”，还包括步骤：预设一灰度变化阈值，标识灰度变化大于或等于灰度变化阈值的区域；所述标识包括：框选标识或不同颜色高光显示标识。
本发明的有益效果是：通过获取不同时期待分析的眼底图像，对眼底图像建立亮度直方图均衡，完成亮度直方图均衡预处理后的眼底图像，黄斑具有极低亮度、视盘具有极高亮度，且两者形状趋于圆形，且相对距离与位置固定，以此实现形态滤波器，确定预处理后的眼底图像中黄斑及视盘的位置，完成亮度直方图均衡预处理后的眼底图像，眼底主血管有相近的灰度信息，且与背景有较高的对比度，以此分割主血管，分割完后，根据已确定的黄斑及视盘的位置，对不同时期眼底图像进行粗对齐，再根据主血管信息对图像偏移位置微调，实现眼底图像精确度最大化对齐，比较对齐的两幅图像中存在变化的区域，标识所述区域，即可直观看出个人在不同时期眼底健康状况的变化，从而快速判断个人眼底是否存在健康问题，得到利于诊断糖尿病性视网膜病变(DR)、青光眼筛查和高血压眼底血管改变的有价值信息，亦可以辅助检测评估诊疗效果，整个过程无需人工比对处理，大大节省时间，减少工作量，提高效率。
附图说明
图1为具体实施方式所述一种眼底图像自动分析比对方法的流程图；
图2为具体实施方式所述一种眼底图像自动分析比对方法的示意图；
图3为具体实施方式所述一种存储设备的模块示意图。
附图标记说明：
300、存储设备。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
首先对本实施方式中的一些名词做以下解释说明：
视盘：全称视神经盘，也叫视神经乳头，视网膜由黄斑向鼻侧约3mm处有一直径约1.5mm，境界清楚的淡红色圆盘状结构，称为视神经盘，简称视盘。
黄斑：在眼底视神经盘的颞侧0.35cm处并稍下方，处于人眼的光学中心区，是视力轴线的投影点。
请参阅图1至图2，在本实施方式中，一种眼底图像自动分析比对方法可应用在一种存储设备上，所述存储设备包括：智能手机、平板电脑、台式PC、笔记本电脑、PDA等设备。
步骤S101：获取不同时期待分析的眼底图像。可采用如下方式：可通过眼底相机获取同一个人不同时期的眼底图像，对这些眼底图像进行初步处理，一些明显不合格的眼底图像，如：眼底图像捕捉过程头移动或眨眼导致捕捉到的内容不符合规定或捕捉到的图像模糊等，去除这些图像，对获取到的初步合格的眼底图像发送至对应的存储设备进行处理，亦可以通过其它渠道获取个人不同时期待分析的眼底图像。
获取完不同时期待分析的眼底图像后，执行步骤S102：建立亮度直方图均衡对眼底图像进行预处理。可采用如下方式：在待分析的图像中选择图像清晰、能清楚观察到视盘、黄斑和血管的眼底图像作为标准参考图像，对所述标准图像进行处理生成标准灰度直方图；根据所述标准灰度直方图的灰度分布，对其余待分析的眼底图像的灰度进行映射，获得与标准参考图像具有同样灰度分布的眼底图像。
对所述眼底图像预处理完成后，执行步骤S103：建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置。可采用如下方式：根据预处理后的眼底图像中黄斑亮度及视盘亮度、黄斑形态与视盘形态、和黄斑与视盘的位置距离，建立形态滤波器，确定黄斑及视盘的位置。即：预处理后的眼底图像，黄斑具有极低亮度、视盘具有极高亮度、两者形状趋于圆形且两者的相对距离和位置固定，以此实现形态滤波器，检测眼底图像中的具有极低亮度和极高亮度的圆形区域，将其作为黄斑和视盘的候选区域，根据两者的距离和位置滤除错误的候选区域，进而确定黄斑和视盘的中心位置。
步骤S104：分割预处理后的眼底图像的主血管。可采用如下方式：预处理后的眼底图像，眼底主血管有相近的灰度信息，且与背景有较高的对比度，通过以上特征可分割出主血管。在本实施方式中，可通过使用阈值分割方法，确定视盘周围的主血管区域，根据主血管灰度值的范围Tv，分割提取主血管，生成眼底的主血管二值化图像Iv。
Figure BDA0001785935650000061
需要说明的是，在本实施方式中，步骤S103与步骤S104并无先后关系，可先执行步骤S104，再执行步骤S103，亦可以步骤S103和步骤S104同时执行。
步骤S103和步骤S104均执行完后，执行步骤S105：根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息。可采用如下方式：通过对齐不同眼底图像的黄斑与视盘，粗对齐对眼底图像；对主血管信息计算相关系数，对眼底图像偏移位置微调直至所述相关系数最大；所述主血管信息包括：主血管二值化信息。具体如下：
将两幅待分析比对的眼底图像重叠，根据视盘、黄斑位置的检测与定位结果，将黄斑、视盘基本重合。再根据分割的主血管二值化图像信息计算两者的相关系数，适当调整两幅眼底图像的相对位置。当相关系数最大时，两幅眼底图像实现确定对齐。具体如下：
令根据视盘、黄斑位置基本对齐的眼底图像的二值化血管分割图像分别为Iv1和Iv2，横、纵方向的位置偏移量分别为Δx、Δy，微调Δx和Δy计算相关系数τ(Δx,Δy)。当相关系数最大时对应的(Δx0,Δy0)就是两幅图像对齐时的偏移位置。
τ(Δx，Δy)＝∑∑Iv1(x+Δx，y+Δy)*Iv2(x，y)
τm(Δx0，Δy0)＝maxτ(Δx，Δy)
在其他实施方式中，亦可以根据实际需要，修改变化的定义，用以发现眼底图像的其他变化情况。
步骤S106：标识眼底图像变化区域。可采用如下方式：预设一灰度变化阈值，标识灰度变化大于或等于灰度变化阈值的区域；所述标识包括：框选标识或不同颜色高光显示标识。如：分析比对眼底图像中硬性渗出的变化情况，则定义两幅图像中相同位置的像素灰度差值较大，且连续存在的区域为需要标记的变化区域。比对两幅眼底图像，标记符合本实例定义的存在变化的像素区域，并为评估个人的身体健康状况提供直观证据。
令已对齐的两幅眼底图像分别为I1和I2，变化图像为ΔI，标记图像为ΔIo，变化的定义条件为T；
ΔI＝I1-I2
Figure BDA0001785935650000071
在本实施方式中，完成两幅或多幅眼底图像的自动对齐后，可根据预设目标的定义，标注眼底图像变化区域，以实现计算机辅助诊断，亦可以通过提供两幅图像的半透明叠加，以供眼科医生更直观地进行观察，以实现计算机辅助诊断。
通过获取不同时期待分析的眼底图像，对眼底图像建立亮度直方图均衡，完成亮度直方图均衡预处理后的眼底图像，黄斑具有极低亮度、视盘具有极高亮度，且两者形状趋于圆形，且相对距离与位置固定，以此实现形态滤波器，确定预处理后的眼底图像中黄斑及视盘的位置，完成亮度直方图均衡预处理后的眼底图像，眼底主血管有相近的灰度信息，且与背景有较高的对比度，以此分割主血管，分割完后，根据已确定的黄斑及视盘的位置，对不同时期眼底图像进行粗对齐，再根据主血管信息对图像偏移位置微调，实现眼底图像精确度最大化对齐，比较对齐的两幅图像中存在变化的区域，标识所述区域，即可直观看出个人在不同时期眼底健康状况的变化，从而快速判断个人眼底是否存在健康问题，得到利于诊断糖尿病性视网膜病变(DR)、青光眼和高血压的有价值信息，亦可以辅助检测评估诊疗效果，整个过程无需人工比对处理，大大节省时间，减少工作量，提高效率。
请参阅图3，在本实施方式中，一种存储设备的具体实施如下：
一种存储设备300，其中存储有指令集，所述指令集用于执行：获取不同时期待分析的眼底图像；建立亮度直方图均衡对眼底图像进行预处理；建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置；分割预处理后的眼底图像的主血管；根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息；标识眼底图像变化区域。
进一步的，所述指令集还用于执行：所述“建立亮度直方图均衡对眼底图像进行预处理”，还包括步骤：在待分析的图像中选择图像清晰、能清楚观察到视盘、黄斑和血管的眼底图像作为标准参考图像，对所述标准图像进行处理生成标准灰度直方图；根据所述标准灰度直方图的灰度分布，对其余待分析的眼底图像的灰度进行映射，获得标准参考图像具有同样灰度分布的眼底图像。
进一步的，所述指令集还用于执行：所述“建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置”，还包括步骤：根据预处理后的眼底图像中黄斑亮度及视盘亮度、黄斑形态与视盘形态、和黄斑与视盘的位置距离，建立形态滤波器，确定黄斑及视盘的位置。即：预处理后的眼底图像，黄斑具有极低亮度、视盘具有极高亮度、两者形状趋于圆形且两者的相对距离和位置固定，以此实现形态滤波器，检测眼底图像中的具有极低亮度和极高亮度的圆形区域，将其作为黄斑和视盘的候选区域，根据两者的距离和位置滤除错误的候选区域，进而确定黄斑和视盘的中心位置。
进一步的，所述指令集还用于执行：所述“根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息”，还包括步骤：通过对齐不同眼底图像的黄斑与视盘，粗对齐对眼底图像；对主血管信息计算相关系数，对眼底图像偏移位置微调直至所述相关系数最大；所述主血管信息包括：主血管二值化信息。
进一步的，所述指令集还用于执行：所述“标识眼底图像变化区域”，还包括步骤：预设一灰度变化阈值，标识灰度变化大于或等于灰度变化阈值的区域；所述标识包括：框选标识或不同颜色高光显示标识。
具体分割主血管可采用如下方式：
通过使用阈值分割方法，确定视盘周围的主血管区域，根据主血管灰度值的范围Tv，分割提取主血管，生成眼底的主血管二值化图像Iv。
Figure BDA0001785935650000091
令根据视盘、黄斑位置基本对齐的眼底图像的二值化血管分割图像分别为Iv1和Iv2，横、纵方向的位置偏移量分别为Δx、Δy，微调Δx和Δy计算相关系数τ(Δx,Δy)。当相关系数最大时对应的(Δx0,Δy0)就是两幅图像对齐时的偏移位置。
τ(Δx，Δy)＝∑∑Iv1(x+Δx，y+Δy)*Iv2(x，y)
τm(Δx0，Δy0)＝maxτ(Δx，Δy)
在其他实施方式中，亦可以根据实际需要，修改变化的定义，用以发现眼底图像的其他变化情况。
如：在本实施方式中，分析比对眼底图像中硬性渗出的变化情况，则定义两幅图像中相同位置的像素灰度差值较大，且连续存在的区域为需要标记的变化区域。比对两幅眼底图像，标记符合本实例定义的存在变化的像素区域，并为评估个人的身体健康状况提供直观证据。
令已对齐的两幅眼底图像分别为I1和I2，变化图像为ΔI，标记图像为ΔIo，变化的定义条件为T；
ΔI＝I1-I2
Figure BDA0001785935650000101
在本实施方式中，完成两幅或多幅眼底图像的自动对齐后，可根据预设目标的定义，标注眼底图像变化区域，以实现计算机辅助诊断，亦可以通过提供两幅图像的半透明叠加，以供眼科医生更直观地进行观察，以实现计算机辅助诊断。
通过存储设备300中的指令集执行步骤：获取不同时期待分析的眼底图像，对眼底图像建立亮度直方图均衡，完成亮度直方图均衡预处理后的眼底图像，黄斑具有极低亮度、视盘具有极高亮度，且两者形状趋于圆形，且相对距离与位置固定，以此实现形态滤波器，确定预处理后的眼底图像中黄斑及视盘的位置，完成亮度直方图均衡预处理后的眼底图像，眼底主血管有相近的灰度信息，且与背景有较高的对比度，以此分割主血管，分割完后，根据已确定的黄斑及视盘的位置，对不同时期眼底图像进行粗对齐，再根据主血管信息对图像偏移位置微调，实现眼底图像精确度最大化对齐，比较对齐的两幅图像中存在变化的区域，标识所述区域，即可直观看出个人在不同时期眼底健康状况的变化，从而快速判断个人眼底是否存在健康问题，得到利于诊断糖尿病性视网膜病变(DR)、青光眼和高血压的有价值信息，亦可以辅助检测评估诊疗效果，整个过程无需人工比对处理，大大节省时间，减少工作量，提高效率。
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。

Claims (6)

1.一种眼底图像自动分析比对方法，其特征在于，包括步骤：
获取不同时期待分析的眼底图像；
建立亮度直方图均衡对眼底图像进行预处理；
建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置；
分割预处理后的眼底图像的主血管；
根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息；
标识眼底图像变化区域；
所述“建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置”，还包括步骤：
建立形态滤波器，
根据预处理后的眼底图像中黄斑亮度及视盘亮度、黄斑形态与视盘形态、和黄斑与视盘的位置距离，确定黄斑及视盘的位置；
所述“分割预处理后的眼底图像的主血管”，具体还包括步骤：
通过阈值分割法，确定视盘周围的主血管区域，根据主血管灰度值的范围Tv，分割提取主血管，生成眼底的主血管二值化图像Iv：
Figure FDA0003396569340000011
所述“根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息”，还包括步骤：
通过对齐不同眼底图像的黄斑与视盘，粗对齐对眼底图像；
对主血管信息计算相关系数，对眼底图像偏移位置微调直至所述相关系数最大；
所述主血管信息包括：主血管二值化信息。
2.根据权利要求1所述的一种眼底图像自动分析比对方法，其特征在于，
所述“建立亮度直方图均衡对眼底图像进行预处理”，还包括步骤：
预设一图像作为标准图像，对所述标准图像进行处理生成标准灰度直方图；
根据所述标准灰度直方图的灰度，对待分析的眼底图像的灰度进行映射，获得与标准灰度直方图有近似灰度直方图的眼底图像。
3.根据权利要求1所述的一种眼底图像自动分析比对方法，其特征在于，
所述“标识眼底图像变化区域”，还包括步骤：
预设一灰度变化阈值，标识灰度变化大于或等于灰度变化阈值的区域；
所述标识包括：框选标识或不同颜色高光显示标识。
4.一种存储设备，其中存储有指令集，其特征在于，所述指令集用于执行：
获取不同时期待分析的眼底图像；
建立亮度直方图均衡对眼底图像进行预处理；
建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置；
分割预处理后的眼底图像的主血管；
根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息；
标识眼底图像变化区域；
所述“建立形态滤波器确定预处理后的眼底图像中黄斑及视盘的位置”，还包括步骤：
建立形态滤波器，
根据预处理后的眼底图像中黄斑亮度及视盘亮度、黄斑形态与视盘形态、和黄斑与视盘的位置距离，确定黄斑及视盘的位置；
所述“分割预处理后的眼底图像的主血管”，具体还包括步骤：
通过阈值分割法，确定视盘周围的主血管区域，根据主血管灰度值的范围Tv，分割提取主血管，生成眼底的主血管二值化图像Iv：
Figure FDA0003396569340000031
所述“根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息”，还包括步骤：
通过对齐不同眼底图像的黄斑与视盘，粗对齐对眼底图像；
对主血管信息计算相关系数，对眼底图像偏移位置微调直至所述相关系数最大；
所述主血管信息包括：主血管二值化信息。
5.根据权利要求4所述的一种存储设备，其特征在于，所述指令集还用于执行：
所述“建立亮度直方图均衡对眼底图像进行预处理”，还包括步骤：
预设一图像作为标准图像，对所述标准图像进行处理生成标准灰度直方图；
根据所述标准灰度直方图的灰度，对待分析的眼底图像的灰度进行映射，获得与标准灰度直方图有近似灰度直方图的眼底图像。
6.根据权利要求4所述的一种存储设备，其特征在于，所述指令集还用于执行：
所述“标识眼底图像变化区域”，还包括步骤：
预设一灰度变化阈值，标识灰度变化大于或等于灰度变化阈值的区域；
所述标识包括：框选标识或不同颜色高光显示标识。
CN201811015107.8A 2018-08-31 2018-08-31 一种眼底图像自动分析比对方法及一种存储设备 Active CN109166117B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811015107.8A CN109166117B (zh) 2018-08-31 2018-08-31 一种眼底图像自动分析比对方法及一种存储设备
PCT/CN2018/117919 WO2020042406A1 (zh) 2018-08-31 2018-11-28 一种眼底图像自动分析比对方法及一种存储设备
AU2018438719A AU2018438719A1 (en) 2018-08-31 2018-11-28 Fundus image automatic analysis and comparison method and storage device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811015107.8A CN109166117B (zh) 2018-08-31 2018-08-31 一种眼底图像自动分析比对方法及一种存储设备

Publications (2)

Publication Number Publication Date
CN109166117A CN109166117A (zh) 2019-01-08
CN109166117B true CN109166117B (zh) 2022-04-12

Family

ID=64893675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811015107.8A Active CN109166117B (zh) 2018-08-31 2018-08-31 一种眼底图像自动分析比对方法及一种存储设备

Country Status (3)

Country Link
CN (1) CN109166117B (zh)
AU (1) AU2018438719A1 (zh)
WO (1) WO2020042406A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109994173A (zh) * 2019-04-02 2019-07-09 周赟 一种眼底病监测系统
CN110009627B (zh) * 2019-04-11 2021-06-18 北京康夫子健康技术有限公司 用于处理图像的方法和装置
CN110459299B (zh) * 2019-07-10 2023-06-27 中山大学 一种视网膜眼底彩色照片图像筛选方法
CN112150463A (zh) * 2020-10-23 2020-12-29 北京百度网讯科技有限公司 用于确定黄斑中心凹位置的方法及装置
CN112508919A (zh) * 2020-12-11 2021-03-16 北京大恒普信医疗技术有限公司 图像处理方法及装置、电子设备、可读存储介质
CN113768461B (zh) * 2021-09-14 2024-03-22 北京鹰瞳科技发展股份有限公司 一种眼底图像分析方法、系统和电子设备
CN114219761A (zh) * 2021-11-15 2022-03-22 中山大学中山眼科中心 基于眼底影像的图像处理方法
CN113808054B (zh) * 2021-11-19 2022-05-06 北京鹰瞳科技发展股份有限公司 用于对眼底图像的视盘区域进行修复的方法和相关产品
CN114847871B (zh) * 2022-07-06 2022-10-18 北京鹰瞳科技发展股份有限公司 用于分析被检者的眼底变化趋势的方法、系统和相关产品
CN116092665B (zh) * 2022-12-14 2023-11-03 中南大学湘雅医院 一种基于人工智能的眼科筛查诊疗系统
CN116309391B (zh) * 2023-02-20 2023-09-05 依未科技(北京)有限公司 图像处理方法及装置、电子设备及存储介质
CN117084622B (zh) * 2023-10-16 2024-02-02 罗麦(北京)营养食品研究有限公司 一种基于眼部的健康分析方法、系统、设备及存储介质
CN117495817A (zh) * 2023-11-10 2024-02-02 佛山市禅一智能设备有限公司 一种腔镜下血管异常图像判断方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318565A (zh) * 2014-10-24 2015-01-28 中南大学 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
CN106408564A (zh) * 2016-10-10 2017-02-15 北京新皓然软件技术有限责任公司 一种基于深度学习的眼底图像处理方法、装置及系统
CN106650596A (zh) * 2016-10-10 2017-05-10 北京新皓然软件技术有限责任公司 一种眼底图像分析方法、装置及系统
CN106846293A (zh) * 2016-12-14 2017-06-13 海纳医信（北京）软件科技有限责任公司 图像处理方法和装置
CN106934816A (zh) * 2017-03-23 2017-07-07 中南大学 一种基于elm的眼底图像视网膜血管分割方法
CN111222361A (zh) * 2018-11-23 2020-06-02 福州依影健康科技有限公司 一种高血压视网膜血管改变特征数据分析的方法和系统
CN111292286A (zh) * 2018-11-21 2020-06-16 福州依影健康科技有限公司 糖网眼底特征数据变化的分析方法与系统，及存储设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593351B (zh) * 2008-05-28 2011-10-05 中国科学院自动化研究所 基于距离变换和刚性变换参数估计的眼底图像配准方法
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
CN105513077B (zh) * 2015-12-11 2019-01-04 北京大恒图像视觉有限公司 一种用于糖尿病性视网膜病变筛查的系统
CN105761258B (zh) * 2016-02-06 2018-06-01 上海市第一人民医院 一种眼底彩色照相图像出血自动化识别方法
CN107180421B (zh) * 2016-03-09 2020-08-07 南京中兴新软件有限责任公司 一种眼底图像病变检测方法及装置
CN106651827B (zh) * 2016-09-09 2019-05-07 浙江大学 一种基于sift特征的眼底图像配准方法
CN106725295A (zh) * 2016-11-29 2017-05-31 瑞达昇科技(大连)有限公司 一种微型体检设备、装置及其使用方法
CN106651899B (zh) * 2016-12-09 2019-07-23 东北大学 基于Adaboost的眼底图像微动脉瘤检测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318565A (zh) * 2014-10-24 2015-01-28 中南大学 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
CN106408564A (zh) * 2016-10-10 2017-02-15 北京新皓然软件技术有限责任公司 一种基于深度学习的眼底图像处理方法、装置及系统
CN106650596A (zh) * 2016-10-10 2017-05-10 北京新皓然软件技术有限责任公司 一种眼底图像分析方法、装置及系统
CN106846293A (zh) * 2016-12-14 2017-06-13 海纳医信（北京）软件科技有限责任公司 图像处理方法和装置
CN106934816A (zh) * 2017-03-23 2017-07-07 中南大学 一种基于elm的眼底图像视网膜血管分割方法
CN111292286A (zh) * 2018-11-21 2020-06-16 福州依影健康科技有限公司 糖网眼底特征数据变化的分析方法与系统，及存储设备
CN111222361A (zh) * 2018-11-23 2020-06-02 福州依影健康科技有限公司 一种高血压视网膜血管改变特征数据分析的方法和系统

Also Published As

Publication number Publication date
WO2020042406A1 (zh) 2020-03-05
AU2018438719A1 (en) 2021-05-06
CN109166117A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN109166117B (zh) 一种眼底图像自动分析比对方法及一种存储设备
US11666210B2 (en) System for recognizing diabetic retinopathy
CN111493814B (zh) 眼底病变的识别系统
EP3373798B1 (en) Method and system for classifying optic nerve head
Zhang et al. Optic disc region of interest localization in fundus image for glaucoma detection in ARGALI
US7583827B2 (en) Assessment of lesions in an image
Medhi et al. An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images
CN110875092B (zh) 一种基于远程眼底筛查的健康大数据服务方法和系统
WO2020103289A1 (zh) 一种高血压视网膜血管改变特征数据分析的方法和系统
Siddalingaswamy et al. Automatic detection of multiple oriented blood vessels in retinal images
Chin et al. Automatic fovea location in retinal images using anatomical priors and vessel density
WO2010131944A2 (en) Apparatus for monitoring and grading diabetic retinopathy
JP2021534948A (ja) 眼底画像定量分析の前置処理方法および記憶装置
CN111402184B (zh) 一种实现远程眼底筛查和健康服务的方法和系统
Oksana et al. Application of ImageJ program for the analysis of pupil reaction in security systems
Giancardo Automated fundus images analysis techniques to screen retinal diseases in diabetic patients
JP2006263127A (ja) 眼底画像診断支援システム、及び眼底画像診断支援プログラム
GB2593824A (en) Analysis method and system for feature data change of diabetic retinopathy fundus, and storage device
Listyalina et al. Detection of optic disc centre point in retinal image
Godse et al. Auto-detection of longitudinal changes in retinal images for monitoring diabetic retinopathy
IS et al. A review on automatic identification of fovea in retinal fundus images
Díaz et al. Automatic Segmentation and Estimation of Ischemic Regions in Oct Angiography Scans
Aouf et al. Glaucoma detection from fundus camera image
Baraiya et al. Diagnosis of Glaucoma using ARM Processor on Retinal Image
Wihandika et al. Retinal blood vessel segmentation using multiple line operator-based methods

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