CN109410191B - 基于oct图像的眼底血管定位方法及其贫血筛查方法 - Google Patents
基于oct图像的眼底血管定位方法及其贫血筛查方法 Download PDFInfo
- Publication number
- CN109410191B CN109410191B CN201811215822.6A CN201811215822A CN109410191B CN 109410191 B CN109410191 B CN 109410191B CN 201811215822 A CN201811215822 A CN 201811215822A CN 109410191 B CN109410191 B CN 109410191B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- column
- oct
- fundus blood
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 63
- 208000007502 anemia Diseases 0.000 title claims abstract description 46
- 238000012216 screening Methods 0.000 title claims abstract description 25
- 238000012014 optical coherence tomography Methods 0.000 title description 61
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 102000001554 Hemoglobins Human genes 0.000 claims description 21
- 108010054147 Hemoglobins Proteins 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 101100328886 Caenorhabditis elegans col-2 gene Proteins 0.000 claims description 3
- 101100328884 Caenorhabditis elegans sqt-3 gene Proteins 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims 4
- 230000002207 retinal effect Effects 0.000 abstract description 3
- 210000001210 retinal vessel Anatomy 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 210000003583 retinal pigment epithelium Anatomy 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 210000001775 bruch membrane Anatomy 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 210000003743 erythrocyte Anatomy 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004379 membrane Anatomy 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06T7/136—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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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)
- 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)
Abstract
本发明公开了一种基于OCT图像的眼底血管定位方法,包括获取眼底血管的OCT图像;采用梯度阈值法对眼底血管的OCT图像进行感兴趣区域提取;采用自适应种子点区域生长算法对的感兴趣区域进行血管分割得到最终的眼底血管图像数据。本发明还公开了包括所述基于OCT图像的眼底血管定位方法的贫血筛查方法。本发明基于视网膜眼底血管OCT图像,能够有效而清晰的对OCT图像中的眼底血管进行分割;采用该基于OCT图像的眼底血管定位方法的贫血筛查方法,能够有效和准确的通过患者的眼底血管OCT图像对患者的贫血状态机进行筛分。
Description
技术领域
本发明具体涉及一种基于OCT图像的眼底血管定位方法及其贫血筛查方法。
背景技术
贫血是常见的一种疾病。早期诊断贫血并加以治疗可避免其病情恶化,而且与贫血有关的某些疾病在早期治疗中可以延缓病情恶化或者使疾病较快得以痊愈。
现有常用的贫血诊断,其主要依靠检查外周血的血红蛋白,红细胞数和红细胞比积。贫血的检测包括了如下几种方法:基于红细胞直方图的贫血检测、用基因进行贫血检测以及基于光谱的贫血检测及基于图像处理的贫血检测。以上检测贫血类型虽然用的比较成熟,但都是侵入式的,都需要经过抽血这一步骤。但是,抽血的步骤让许多患者望而却步。
眼底血管是人体唯一清晰可见的血管。而现有研究表明,一些贫血病人的眼底血管的OCT图像跟正常人血管的强反射不同,因此可以借助这一特性来对患者的贫血状态进行检测或筛查。
光学相干断层扫描(OCT)是一种利用光的干涉现象观察生物组织的断层成像技术,通常用来评价各类眼科疾病。目前,越来越多的病,如糖网病、青光眼和年龄相关性疾病等,都可以用患者的眼底OCT图像进行检测。
目前,采用OCT图像对患者的眼底血管进行检测的过程中,往往需要对患者的眼底血管进行定位和分离。但是,目前对于眼底血管的定位方法,其定位精度不高,不仅需要进行大量的人工干预,而且往往还不能直接分离出眼底血管图像,从而严重影响了检测过程的可靠性和准确性。
发明内容
本发明的目的之一在于提供一种可靠性高、准确性高且科学简单的基于OCT图像的眼底血管定位方法。
本发明的目的之二在于提供一种包括了所述基于OCT图像的眼底血管定位方法的贫血筛查方法。
本发明提供的这种基于OCT图像的眼底血管定位方法,包括如下步骤:
S1.获取眼底血管的OCT图像;
S2.采用梯度阈值法对步骤S1获取的眼底血管的OCT图像进行感兴趣区域(regionof interest,ROI)提取;
S3.采用自适应种子点区域生长算法对步骤S2提取的感兴趣区域进行血管分割,从而得到最终的眼底血管图像数据。
步骤S2所述的采用梯度阈值法对获取的眼底血管的OCT图像进行感兴趣区域提取,具体为采用如下步骤进行提取:
A.在OCT图像中,统计每一列像素在垂直方向上的梯度值;
B.统计步骤A中像素的梯度值大于设定的第一阈值的列的数目;
C.若步骤B得到的列的数目大于或等于设定的第二阈值,则将该列作为感兴趣区域的候选集;
D.将步骤C得到的候选集所在列的像素置为0,同时选择像素总和等于0的所有列,并在其中找到最小列和最大列;(设置一个空的数组col来存放候选集所在列,col计算为:if(p(j)==0),则将j并入到col中,其中j为变量,p(j)为图像中第j列的像素总和;最小列和最大列为col数组中的最小值和最大值。可以由matlab中find函数直接求得);
E.根据步骤D得到的最大列、最小列和图像列的大小,采用如下规则计算得到图像:
F=wφ(mi,n)+(1-w)φ(1,ma)
否则,则采用如下步骤计算获得图像F:
a.将步骤C得到的候选集所在列像素值置0后的图像垂直分成图像A和图像B;
b.采用如下算式计算从而获得图像F:
F=w1φ(1,ma1-20)+(1-w1)φ(mi1+20,n)
式中F为最终计算获得的图像;ma1为图像A中像素等于0的最大列;mi1为图像B中像素等于0的最小列;n为图像列的大小;w1为第二计算因子,w1的取值规则为其中d1为图像A中连续的每列像素的总和等于0的最长宽度,d2为图像B中连续的每列像素的总和等于0的最长宽度。
步骤S3所述的采用自适应种子点区域生长算法对步骤S2提取的感兴趣区域进行血管分割,具体为采用如下步骤进行血管分割:
(1)采用如下公式选取种子点:
式中col种子点所在的列;row为种子点所在的行;col1和col2是血管所在列的左右边界;ILM(j)表示第j列的内界膜(internal limiting membrane,ILM)上的行数,BM(j)表示第j列的Bruch’s膜(Bruch's membrane,BM);
(2)判断步骤(1)中选取的种子点是否落在血管内的中心线(中心线位于血管内部1/2的位置,中心线上的像素比血管内部其他位置有极大差异)上:若种子点落在中心线上,则将种子点的行坐标增加设定的数值,直至种子点没有落在中心线上;
(3)根据步骤(2)得到的种子点坐标,采用区域生长法进行血管定位,从而分割出血管。
本发明还提供了一种包括所述基于OCT图像的眼底血管定位方法的贫血筛查方法,具体包括如下步骤:
Ⅰ.获取正常人的眼底血管OCT图像和贫血患者的眼底血管OCT图像,同时获取每幅眼底血管OCT图像所对应的实验者的血红蛋白浓度;所述实验者包括正常人和贫血患者;
Ⅱ.采用所述的基于OCT图像的眼底血管定位方法对步骤Ⅰ获取的图像进行血管定位;
Ⅲ.根据步骤Ⅱ的血管定位结果,对血红蛋白浓度与OCT图像中的眼底血管数据进行相关性分析,从而得到OCT图像中的眼底血管数据与血红蛋白浓度之间的相关性数据;
Ⅳ.根据步骤Ⅲ得到的相关性数据,对去噪前后的OCT图像进行统计学特征提取;
Ⅴ.对步骤Ⅳ中统计的特征进行降维处理;
Ⅵ.将步骤Ⅴ中得到的降维数据作为基础数据,对分类器进行训练和修正,从而得到最终的基于OCT图像中眼底血管的贫血辅助筛查分类器;
Ⅶ.将待筛查的眼底血管OCT图像输入步骤Ⅵ得到的基于OCT图像中眼底血管的贫血辅助筛查分类器,从而得到最终的贫血辅助筛查结果。
步骤Ⅲ所述的对血红蛋白浓度与OCT图像中的眼底血管数据进行相关性分析,具体为提取血管内的灰度值均值与同等层次的非血管区域的灰度值均值的比值和RPE层的血管影缺的灰度均值与非血管影缺的灰度均值的比值,并将提取的两个比值分别与血红蛋白浓度进行相关性分析,从而得到OCT图像中的眼底血管数据与血红蛋白浓度之间的相关性数据。
步骤Ⅳ所述的对去噪前后的OCT图像进行统计学特征提取,具体为统计去噪前后图像的血管内部的像素均值与同层次的像素均值的比值,统计去噪前后图像的血管内部的众数与同层次的众数的比值,统计去噪前后图像的血管内部的RPE层血管阴影处的像素均值与同层次的像素均值的比值,统计去噪前后图像的血管内部的RPE层血管阴影处的众数与同层次的众数的比值。
步骤Ⅴ所述的降维处理,具体为采用主成分分析法进行降维处理。
本发明提供的这种基于OCT图像的眼底血管定位方法,基于视网膜眼底血管OCT图像,结合使用图像处理及机器学习的方法,对图像进行ROI提取,并采用全新的自适应种子点区域生长法自动根据血管在视网膜色素上皮层的阴影区定位到种子点的位置,再根据区域生长法有效的进行血管分割,从而能够有效而清晰的对OCT图像中的眼底血管进行分割;同时,采用该基于OCT图像的眼底血管定位方法的贫血筛查方法,能够有效和准确的通过患者的眼底血管OCT图像对患者的贫血状态机进行筛分;而且本发明方法就简单高效,适用性好。
附图说明
图1为本发明的基于OCT图像的眼底血管定位方法的方法流程图。
图2为本发明的梯度阈值法提取感兴趣区域的效果示意图。
图3为本发明的自适应种子点区域生长算法分割血管的效果示意图。
图4为本发明的贫血筛查方法的方法流程图。
图5为本发明的血红蛋白浓度与眼底血管OCT图像中血管亮度及阴影的相关分析示意图。
图6为本发明的主成分分析降维之前和之后的不同分类器对所提取特征分类精确度对比示意图。
具体实施方式
如图1所示为本发明的基于OCT图像的眼底血管定位方法的方法流程图:本发明提供的这种基于OCT图像的眼底血管定位方法,包括如下步骤:
S1.获取眼底血管的OCT图像;
S2.采用梯度阈值法对步骤S1获取的眼底血管的OCT图像进行感兴趣区域(regionof interest,ROI)提取;具体为采用如下步骤进行提取:
A.在OCT图像中,统计每一列像素在垂直方向上的梯度值;
B.统计步骤A中像素的梯度值大于设定的第一阈值的列的数目;
C.若步骤B得到的列的数目大于或等于设定的第二阈值,则将该列作为感兴趣区域的候选集;
D.将步骤C得到的候选集所在列的像素置为0,同时选择像素总和等于0的所有列,并在其中找到最小列和最大列;(设置一个空的数组col来存放候选集所在列,col计算为:if(p(j)==0),则将j并入到col中,其中j为变量,p(j)为图像中第j列的像素总和;最小列和最大列为col数组中的最小值和最大值。可以由matlab中find函数直接求得);
E.根据步骤D得到的最大列、最小列和图像列的大小,采用如下规则计算得到图像:
F=wφ(mi,n)+(1-w)φ(1,ma)
否则,则采用如下步骤计算获得图像F:
a.将步骤C得到的候选集所在列像素值置0后的图像垂直分成图像A和图像B;
b.采用如下算式计算从而获得图像F:
F=w1φ(1,ma1-20)+(1-w1)φ(mi1+20,n)
式中F为最终计算获得的图像;ma1为图像A中像素等于0的最大列;mi1为图像B中像素等于0的最小列;n为图像列的大小;w1为第二计算因子,w1的取值规则为其中d1为图像A中连续的每列像素的总和等于0的最长宽度,d2为图像B中连续的每列像素的总和等于0的最长宽度;
在具体处理时,其处理效果如图2所示;其中(a)为视网膜血管OCT图像(retinalvessel OCT images,RVOBIs),(b)将上边界以上区域的像素值置为0的效果示意图;(c)为计算每列大于6的相邻像素差的数量,其中X表示OCT图像中的列,Y低于蓝线的列数表示要移除的区域的候选集合;(d)为将(c)中的候选集的列的所有像素设置为0的效果示意图;(e)为使用GTM的定位的ROI的结果示意图;
S3.采用自适应种子点区域生长算法对步骤S2提取的的感兴趣区域进行血管分割,从而得到最终的眼底血管图像数据;具体为采用如下步骤进行血管分割:
(1)采用如下公式选取种子点:
式中col种子点所在的列;row为种子点所在的行;col1和col2是血管所在列的左右边界;ILM(j)表示第j列的内界膜(internal limiting membrane,ILM)上的行数,BM(j)表示第j列的Bruch’s膜(Bruch's membrane,BM);
(2)判断步骤(1)中选取的种子点是否落在血管内的中心线(中心线位于血管内部1/2的位置,中心线上的像素比血管内部其他位置有极大差异)上:若种子点落在中心线上,则将种子点的行坐标增加设定的数值,直至种子点没有落在中心线上;
(3)根据步骤(2)得到的种子点坐标,采用区域生长法进行血管定位,从而分割出血管。
具体实施时,其实施效果如图3所示:其中(a)为ROI提取的效果示意图,图中黑色实线的上边界表示为ILM,黑色点画线表示为BM,黑色实线组成的框区域为视网膜神经纤维层(RNFL),黑色虚线和黑色点画线之间的部分为视网膜色素上皮(RPE)层;(b)为边界分割效果示意图,高于ILM或低于BM的层分割被设置为0;(c)为血管所在的列的候选集的统计学分析;曲线的Y值代表每列RPE层的像素平均值,曲线的X表示列,实线表示曲线中最高和最低Y值的均值,低于实线的Y值被列为血管所在列的候选集合;(d)为图像中的黑色列是血管所在列示意图;(e)为最长的血管的边界位置示意图;(f)为在血管内部进行区域增长的效果示意图;(g)为OCT图像中血管的最长横截面示意图。
如图4所示为本发明的贫血筛查方法的方法流程图:本发明提供的这种包括所述基于OCT图像的眼底血管定位方法的贫血筛查方法,具体包括如下步骤:
Ⅰ.获取正常人的眼底血管OCT图像和贫血患者的眼底血管OCT图像,同时获取每幅眼底血管OCT图像所对应的实验者的血红蛋白浓度;所述实验者包括正常人和贫血患者;
Ⅱ.采用所述的基于OCT图像的眼底血管定位方法对步骤Ⅰ获取的图像进行血管定位;
Ⅲ.根据步骤Ⅱ的血管定位结果,对血红蛋白浓度与OCT图像中的眼底血管数据进行相关性分析,从而得到OCT图像中的眼底血管数据与血红蛋白浓度之间的相关性数据;
在具体实施时,提取血管内的灰度值均值与同等层次的非血管区域的灰度值均值的比值和RPE层的血管影缺的灰度均值与非血管影缺的灰度均值的比值,并将提取的两个比值分别与血红蛋白浓度进行相关性分析,从而得到OCT图像中的眼底血管数据与血红蛋白浓度之间的相关性数据;
如图5所示,(a)为RORIPTNPMWSL(眼底血管OCT图像中血管亮度与相同层次的比值)与HBC(血红蛋白浓度)的相关性分析结果示意图;(b)为RORVSTNSPMWSL(眼底血管OCT图像血管阴影与相同层次的比值)与HBC(血红蛋白浓度)的相关性分析。图中,Y是拟合线性方程,R是相关系数;
结果表示RORIPTNPMWSL与HBC的相关系数为0.6414;RORVSTNSPMWSL与HBC的相关系数为-0.6850,这表示它们之间存在显著的相关性;因此,提取OCT图像中的血管亮度特征及血管阴影特征有利于贫血的筛查;
Ⅳ.根据步骤Ⅲ得到的相关性数据,对去噪前后的OCT图像进行统计学特征提取;
在具体实施时,统计去噪前后图像的血管内部的像素均值与同层次的像素均值的比值,统计去噪前后图像的血管内部的众数与同层次的众数的比值,统计去噪前后图像的血管内部的RPE层血管阴影处的像素均值与同层次的像素均值的比值,统计去噪前后图像的血管内部的RPE层血管阴影处的众数与同层次的众数的比值;
Ⅴ.对步骤Ⅳ中统计的数据进行降维(比如主成分分析法(PCA)降维)处理;
因为对去噪前后的图像进行同样的特征提取,这使得特征向量间的数据有一定的相关性。为了尽可能的消除数据间的冗余性,使用PCA对特征向量进行降维;
图6表示的是使用主成分分析降维之前和之后的不同分类器对所提取特征分类精确度;图中使用了5种分类器进行分类。这5种分类器分别是:SVM(图中标示4)、KNN(图中标示1)、朴素贝叶斯(图中标示3)、判别分析分类器(图中标示2)以及决策树(图中标示5);图6表示了这5种分类器使用所提取的18个统计学特征及14个纹理特征进行PCA降维前后的对比,结果表明PCA进行降维后的各个分类器对所提向量进行分类时的精确度均有所增加;由图6可知,采用判别分析分类器在降维前的精确度为83.54%,降维之后的精确度为86.31%,该精确度均比其他四个分类器的精确度高;这表示所提方法具有临床上用于辅助筛查贫血的潜力;
Ⅵ.将步骤Ⅴ中得到的降维数据作为基础数据,对分类器进行训练和修正,从而得到最终的基于OCT图像中眼底血管的贫血辅助筛查分类器;
Ⅶ.将待筛查的眼底血管OCT图像输入步骤Ⅵ得到的基于OCT图像中眼底血管的贫血辅助筛查分类器,从而得到最终的贫血辅助筛查结果。
Claims (5)
1.一种基于OCT图像的眼底血管定位方法,包括如下步骤:
S1.获取眼底血管的OCT图像;
S2.采用梯度阈值法对步骤S1获取的眼底血管的OCT图像进行感兴趣区域提取;具体为采用如下步骤进行提取:
A.在OCT图像中,统计每一列像素在垂直方向上的梯度值;
B.统计步骤A中像素的梯度值大于设定的第一阈值的列的数目;
C.若步骤B得到的列的数目大于或等于设定的第二阈值,则将该列作为感兴趣区域的候选集;
D.将步骤C得到的候选集所在列的像素置为0,同时选择像素总和等于0的所有列,并在其中找到最小列和最大列;
E.根据步骤D得到的最大列、最小列和图像列的大小,采用如下规则计算得到图像:
F=wφ(mi,n)+(1-w)φ(1,ma)
否则,则采用如下步骤计算获得图像F:
a.将步骤C得到的候选集所在列像素值置0后的图像垂直分成图像A和图像B;
b.采用如下算式计算从而获得图像F:
F=w1φ(1,ma1-20)+(1-w1)φ(mi1+20,n)
式中F为最终计算获得的图像;ma1为图像A中像素等于0的最大列;mi1为图像B中像素等于0的最小列;n为图像列的大小;w1为第二计算因子,w1的取值规则为其中d1为图像A中连续的每列像素的总和等于0的最长宽度,d2为图像B中连续的每列像素的总和等于0的最长宽度;
S3.采用自适应种子点区域生长算法对步骤S2提取的感兴趣区域进行血管分割,从而得到最终的眼底血管图像数据;具体为采用如下步骤进行血管分割:
(1)采用如下公式选取种子点:
式中col种子点所在的列;row为种子点所在的行;col1和col2是血管所在列的左右边界;ILM(j)表示第j列的内界膜上的行数,BM(j)表示第j列的Bruch’s膜上的行数;
(2)判断步骤(1)中选取的种子点是否落在血管内的中心线上:若种子点落在中心线上,则将种子点的行坐标增加设定的数值,直至种子点没有落在中心线上;
(3)根据步骤(2)得到的种子点坐标,采用区域生长法进行血管定位,从而分割出血管。
2.一种包括权利要求1所述的基于OCT图像的眼底血管定位方法的贫血筛查方法,具体包括如下步骤:
Ⅰ.获取正常人的眼底血管OCT图像和贫血患者的眼底血管OCT图像,同时获取每幅眼底血管OCT图像所对应的实验者的血红蛋白浓度;所述实验者包括正常人和贫血患者;
Ⅱ.采用权利要求1所述的基于OCT图像的眼底血管定位方法对步骤Ⅰ获取的图像进行血管定位;
Ⅲ.根据步骤Ⅱ的血管定位结果,对血红蛋白浓度与OCT图像中的眼底血管数据进行相关性分析,从而得到OCT图像中的眼底血管数据与血红蛋白浓度之间的相关性数据;
Ⅳ.根据步骤Ⅲ得到的相关性数据,对去噪前后的OCT图像进行统计学特征提取;
Ⅴ.对步骤Ⅳ中统计的数据进行降维处理;
Ⅵ.将步骤Ⅴ中得到的降维数据作为基础数据,对分类器进行训练和修正,从而得到最终的基于OCT图像中眼底血管的贫血辅助筛查分类器;
Ⅶ.将待筛查的眼底血管OCT图像输入步骤Ⅵ得到的基于OCT图像中眼底血管的贫血辅助筛查分类器,从而得到最终的贫血辅助筛查结果。
3.根据权利要求2所述的基于OCT图像的眼底血管定位方法的贫血筛查方法,其特征在于步骤Ⅲ所述的对血红蛋白浓度与OCT图像中的眼底血管数据进行相关性分析,具体为提取血管内的灰度值均值与同等层次的非血管区域的灰度值均值的比值和RPE层的血管影缺的灰度均值与非血管影缺的灰度均值的比值,并将提取的两个比值分别与血红蛋白浓度进行相关性分析,从而得到OCT图像中的眼底血管数据与血红蛋白浓度之间的相关性数据。
4.根据权利要求3所述的基于OCT图像的眼底血管定位方法的贫血筛查方法,其特征在于步骤Ⅳ所述的对去噪前后的OCT图像进行统计学特征提取,具体为统计去噪前后图像的血管内部的像素均值与同层次的像素均值的比值,统计去噪前后图像的血管内部的众数与同层次的众数的比值,统计去噪前后图像的血管内部的RPE层血管阴影处的像素均值与同层次的像素均值的比值,统计去噪前后图像的血管内部的RPE层血管阴影处的众数与同层次的众数的比值。
5.根据权利要求4所述的基于OCT图像的眼底血管定位方法的贫血筛查方法,其特征在于步骤Ⅴ所述的降维处理,具体为采用主成分分析法进行降维处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811215822.6A CN109410191B (zh) | 2018-10-18 | 2018-10-18 | 基于oct图像的眼底血管定位方法及其贫血筛查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811215822.6A CN109410191B (zh) | 2018-10-18 | 2018-10-18 | 基于oct图像的眼底血管定位方法及其贫血筛查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410191A CN109410191A (zh) | 2019-03-01 |
CN109410191B true CN109410191B (zh) | 2022-03-25 |
Family
ID=65467660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811215822.6A Expired - Fee Related CN109410191B (zh) | 2018-10-18 | 2018-10-18 | 基于oct图像的眼底血管定位方法及其贫血筛查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410191B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11200670B2 (en) * | 2020-05-05 | 2021-12-14 | International Business Machines Corporation | Real-time detection and correction of shadowing in hyperspectral retinal images |
CN112116704B (zh) * | 2020-09-11 | 2024-04-26 | 同济大学 | 基于光学相干层析成像的皮下微血管分割与三维重建方法 |
CN112734828B (zh) * | 2021-01-28 | 2023-02-24 | 依未科技(北京)有限公司 | 一种眼底血管中心线确定的方法、装置、介质和设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009006416B3 (de) * | 2009-01-28 | 2010-08-26 | Siemens Aktiengesellschaft | Verfahren und Verzweigungs-Ermittlungseinrichtung zur Ermittlung einer Verzweigungsstelle sowie einer Mittellinie innerhalb eines Hohlorgans nebst zugehörigem Computerprogramm |
CN102999905A (zh) * | 2012-11-15 | 2013-03-27 | 天津工业大学 | 基于自适应pcnn的眼底图像血管自动检测方法 |
CN103093457A (zh) * | 2012-12-28 | 2013-05-08 | 中国科学院深圳先进技术研究院 | 超声血管边界检测系统与方法 |
CN103886312A (zh) * | 2014-03-21 | 2014-06-25 | 华东师范大学 | 一种快速选择并显示磁共振血管图像中感兴趣血管的方法 |
CN103886621A (zh) * | 2012-11-14 | 2014-06-25 | 上海联影医疗科技有限公司 | 一种自动提取床板的方法 |
CN104166979A (zh) * | 2013-12-31 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN104636706A (zh) * | 2015-03-04 | 2015-05-20 | 深圳市金准生物医学工程有限公司 | 一种基于梯度方向一致性复杂背景条码图像自动分割方法 |
CN104851108A (zh) * | 2015-06-09 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct图像的肝动脉分割方法 |
CN104978726A (zh) * | 2014-04-03 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN106157279A (zh) * | 2015-03-23 | 2016-11-23 | 上海交通大学 | 基于形态学分割的眼底图像病变检测方法 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
CN107154036A (zh) * | 2017-03-24 | 2017-09-12 | 中南大学 | 基于亚像素的血管分割方法及其分割系统 |
CN108416793A (zh) * | 2018-01-16 | 2018-08-17 | 武汉诺影云科技有限公司 | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 |
-
2018
- 2018-10-18 CN CN201811215822.6A patent/CN109410191B/zh not_active Expired - Fee Related
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009006416B3 (de) * | 2009-01-28 | 2010-08-26 | Siemens Aktiengesellschaft | Verfahren und Verzweigungs-Ermittlungseinrichtung zur Ermittlung einer Verzweigungsstelle sowie einer Mittellinie innerhalb eines Hohlorgans nebst zugehörigem Computerprogramm |
CN103886621A (zh) * | 2012-11-14 | 2014-06-25 | 上海联影医疗科技有限公司 | 一种自动提取床板的方法 |
CN102999905A (zh) * | 2012-11-15 | 2013-03-27 | 天津工业大学 | 基于自适应pcnn的眼底图像血管自动检测方法 |
CN103093457A (zh) * | 2012-12-28 | 2013-05-08 | 中国科学院深圳先进技术研究院 | 超声血管边界检测系统与方法 |
CN104166979A (zh) * | 2013-12-31 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN103886312A (zh) * | 2014-03-21 | 2014-06-25 | 华东师范大学 | 一种快速选择并显示磁共振血管图像中感兴趣血管的方法 |
CN104978726A (zh) * | 2014-04-03 | 2015-10-14 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN104636706A (zh) * | 2015-03-04 | 2015-05-20 | 深圳市金准生物医学工程有限公司 | 一种基于梯度方向一致性复杂背景条码图像自动分割方法 |
CN106157279A (zh) * | 2015-03-23 | 2016-11-23 | 上海交通大学 | 基于形态学分割的眼底图像病变检测方法 |
CN104851108A (zh) * | 2015-06-09 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct图像的肝动脉分割方法 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
CN107154036A (zh) * | 2017-03-24 | 2017-09-12 | 中南大学 | 基于亚像素的血管分割方法及其分割系统 |
CN108416793A (zh) * | 2018-01-16 | 2018-08-17 | 武汉诺影云科技有限公司 | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 |
Non-Patent Citations (5)
Title |
---|
Automated layer segmentation of macular OCT images using dual-scale gradient information;Qi Yang等;《Opt. Express 18》;20101231;第21293-21307页 * |
Automated Mammogram Segmentation Using Seed Point Identification and Modified Region Growing Algorithm;Rajkumar等;《Current Journal of Applied Science and Technology》;20141231;第6卷(第4期);第378-385页 * |
Retinal vessel optical coherence tomography images for anemia screening;Zailiang Chen等;《Medical & Biological Engineering & Computing》;20181201;第953–966页 * |
基于置信度计算的快速眼底图像视盘定位;吴慧等;《计算机辅助设计与图形学学报》;20171231;第29卷(第6期);第984-991页 * |
基于阈值法和区域生长法的图像分割算法研究;黄谊等;《电子测试》;20121231(第10期);第23-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109410191A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sheng et al. | Retinal vessel segmentation using minimum spanning superpixel tree detector | |
Abdullah et al. | A review on glaucoma disease detection using computerized techniques | |
Jamal et al. | Retinal image preprocessing: background and noise segmentation | |
Jebaseeli et al. | Segmentation of retinal blood vessels from ophthalmologic diabetic retinopathy images | |
CN109410191B (zh) | 基于oct图像的眼底血管定位方法及其贫血筛查方法 | |
WO2006105473A2 (en) | Automatic detection of red lesions in digital color fundus photographs | |
Septiarini et al. | Automated detection of retinal nerve fiber layer by texture-based analysis for glaucoma evaluation | |
CN109325955B (zh) | 一种基于oct图像的视网膜分层方法 | |
Yang et al. | Discriminative dictionary learning for retinal vessel segmentation using fusion of multiple features | |
CN108109159A (zh) | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统 | |
Li et al. | Vessel recognition of retinal fundus images based on fully convolutional network | |
WO2016108755A1 (en) | Method and apparatus for aligning a two-dimensional image with a predefined axis | |
Dhanushkodi et al. | Diagnosis system for diabetic retinopathy to prevent vision loss | |
Al-Bander et al. | A novel choroid segmentation method for retinal diagnosis using deep learning | |
Odstrčilík et al. | Retinal nerve fiber layer analysis via markov random fields texture modelling | |
Ramasubramanian et al. | An efficient integrated approach for the detection of exudates and diabetic maculopathy in colour fundus images | |
Shojaeipour et al. | Using image processing methods for diagnosis diabetic retinopathy | |
Mookiah et al. | Computer aided diagnosis of diabetic retinopathy using multi-resolution analysis and feature ranking frame work | |
Maheswari et al. | A survey on computer algorithms for retinal image preprocessing and vessel segmentation | |
Ghosh et al. | Retinal blood vessel segmentation using a multi-scale layer in deep learning | |
Krishna et al. | Unsupervised automated retinal vessel extraction framework using enhanced filtering and hessian based method with hysteresis thresholding | |
Almotiri et al. | An automated region-of-interest segmentation for optic disc extraction | |
Santhi et al. | An efficient approach to locate optic disc center, blood vessels and macula in retinal images | |
Krishna et al. | Retinal vessel segmentation techniques | |
Chalakkal | Automatic Retinal Image Analysis to Triage Retinal Pathologies |
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: 20220325 |