CN109447948A - 一种基于病灶彩色视网膜眼底图像的视盘分割方法 - Google Patents

一种基于病灶彩色视网膜眼底图像的视盘分割方法 Download PDF

Info

Publication number
CN109447948A
CN109447948A CN201811142896.1A CN201811142896A CN109447948A CN 109447948 A CN109447948 A CN 109447948A CN 201811142896 A CN201811142896 A CN 201811142896A CN 109447948 A CN109447948 A CN 109447948A
Authority
CN
China
Prior art keywords
optic disk
blood vessel
lesion
probability
fundus 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.)
Granted
Application number
CN201811142896.1A
Other languages
English (en)
Other versions
CN109447948B (zh
Inventor
傅迎华
李江
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 Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201811142896.1A priority Critical patent/CN109447948B/zh
Publication of CN109447948A publication Critical patent/CN109447948A/zh
Application granted granted Critical
Publication of CN109447948B publication Critical patent/CN109447948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • G06T2207/20081—Training; Learning
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明提出了一种基于病灶彩色视网膜眼底图像的视盘分割方法，包括以下步骤：建立血管检测模型和视盘检测模型、分别由血管检测模型和视盘检测模型检测获取血管概率图和视盘概率图、由血管概率图获取主血管拟合直线图、获取主血管拟合直线图的概率泡泡图、从视盘连通区域中选取视盘区域并估算出视盘的中心和半径。本发明可以有效避免图像中病灶、血管遮挡、亮度变化等的干扰，从而可实现视盘的精确分割。

Description

一种基于病灶彩色视网膜眼底图像的视盘分割方法
技术领域
本发明属于视网膜眼底图像检测与分割技术领域，尤其涉及一种基于病灶彩色视网膜眼底图像的视盘分割方法。
背景技术
彩色视网膜眼底图像的自动分析已经在各种和眼科相关的系统性疾病如糖尿病、高血压、肾脏病和神经科疾病的辅助诊断中得到了广泛应用。在正常的彩色眼底图像中，黄斑、中央凹、视盘和血管网是眼底四个可观测到的主要特征，其中视盘呈淡黄色或白色圆盘状，约占整幅眼底图像感兴趣区域的1/5到1/8，眼底的血管由视盘区域发散而出呈树状分布于整个眼底。视盘的分割对于眼底图像的自动分析起着极为重要的作用，是进行病变眼底图像中病变区域提取工作的基础，尤其是在发生某些视网膜病变如硬性渗出、微脉瘤、眼底出血的眼底图像中，病变区域与视盘区域极为相似时，视盘的准确分割能够将其与病变区域分离出来从而提高病变诊断的正确率。
视盘分割方法主要可分为两大类：无监督学习方法和监督学习方法。无监督学习方法主要有基于模板的方法，形态学方法和变形模型(deformablemodel-based)方法。基于模板的方法主要利用了视盘的圆形或椭圆形特征，用一些模板算子检测可能的视盘边界，再通过投票原则来确定视盘位置。由于视盘并不是严格的圆形或椭圆形，这些方法很难实现视盘的精确定位。基于形态学的方法主要利用了视盘的亮度和形状特征，通过形态学运算来检测视盘的边缘点。视盘与渗出液和棉絮斑等亮病灶在亮度上近似，因此该方法受病灶干扰较大。为了得到准确的视盘区域，很多文献采用基于各种变形模型的方法来检测视盘。基于变形模型的方法在边缘对比度较强时检测精度较高，但在边缘模糊或者附近有亮病灶存在的情况下算法的检测精度会降低。
基于监督学习的检测方法主要可分为传统的依赖于手动特征提取的机器学习方法和基于深度学习的方法。传统的非深度学习算法通过手动设计特征，再选择合适的分类算子进行检测分割。这些分类算法主要有决策树的方法，线性判别分析，支撑向量机，K近邻和概率神经网络等。非深度学习的机器学习方法通常依赖于人的经验。基于深度学习的方法通常受到样本量影响，对带病灶的视网膜眼底图像检测性能仍然不佳，受病灶干扰较大。
发明内容
本发明的目的在于提供一种基于病灶彩色视网膜眼底图像的视盘分割方法，以解决现有技术中分割的鲁棒性差的问题，可有效避免病灶、血管遮挡、亮度变化等的干扰，从而可实现视盘的精确分割。为实现上述目的，本发明所采用的技术方案为；
一种基于病灶彩色视网膜眼底图像的视盘分割方法，包括以下步骤：
S1：基于深度U-Net模型建立血管检测模型和视盘检测模型；
S2：分别由血管检测模型和视盘检测模型检测获取血管概率图和视盘概率图；
S3：由血管概率图获取主血管拟合直线图；
S4：获取主血管拟合直线图的概率泡泡图；
S5：将概率泡泡图和S2中的视盘概率图进行乘运算获取视盘区域联合概率图以确定视盘连通区域；
S6：从视盘连通区域中选取视盘区域并估算出视盘的中心和半径。
优选地，在步骤S1中，具体包括以下步骤：
S11：获取用于训练血管检测模型的DRIVE数据集；所述DRIVE数据集由带有病灶的视网膜眼底图像中筛选生成；
S12：获取用于训练视盘检测模型的Kaggle数据集；所述Kaggle数据集由不同成像条件下带有病灶的视网膜眼底图像中筛选生成。
优选地，在步骤S2中，具体包括以下步骤：
S21：将带病灶的视网膜眼底图像输入S1中的血管检测模型，检测出图像中的血管位置，生成血管概率图；
S22：将带病灶的视网膜眼底图像输入S1中的视盘检测模型，检测出图像中的视盘位置，生成视盘概率图。
优选地，在步骤S3中，具体包括以下步骤：
S31：对血管概率图进行阀值化处理以提取主血管概率图；
S32：对主血管概率图进行Hough变换以获取主血管拟合直线图。
优选地，在步骤S4中，具体为包括以下步骤：
S41：在主血管拟合直线图中的直线交点处标记圆圈；
S42：根据S41中的圆圈计算其内直线交点的个数，给每个圆圈设置不同的圆圈概率，获取概率泡泡图。
优选地，在步骤S42中，所述圆圈概率为圆圈像素。
优选地，在步骤S6中，具体为包括以下步骤：
S61：选取视盘区域：选择第一子视盘连通区域为视盘区域；
S62：估算视盘中心：计算视盘连通区域中像素位置的均值并将该均值作为视盘的中心；
S63：估算视盘半径。
优选地，在步骤S63中，具体为包括以下步骤：
S631：计算视盘区域内每个点到视盘中心的距离并计算平均值；
S632：通过数学模型，由平均值得到视盘的理论半径；将理论半径与预选设置的调整系数相乘即得到视盘半径的估算值。
优选地，在步骤S6之前，进一步包括对视盘连通区域的阀值处理。
与现有技术相比，本发明的优点为：本发明将无监督学习的Hough变换、概率泡泡图方法及监督学习的深度学习方法结合，根据视盘是主血管汇集区域这一特征，定位视盘的位置，之后将概率泡泡图和视盘概率图进行乘运算获取视盘区域联合概率图以确定视盘连通区域，再估算视盘中心和半径。该方法可以有效避免图像中病灶、血管遮挡、亮度变化等的干扰，从而可实现视盘的精确分割。
附图说明
图1为本发明一实施例提供的Kaggle数据集中的部分视网膜眼底图像；
图2为图1中一张视网膜眼底图像的基于病灶彩色视网膜眼底图像的视盘分割方法的过程图；
图3为本发明一实施例的基于病灶彩色视网膜眼底图像的视盘分割方法的流程图；
图4为图1中部分视网膜眼底图像的分割结果图；
图5为本发明一实施例提供的Kaggle数据集所得到的ROC曲线；
图6为本发明一实施例提供的Kaggle数据集所得到的PR曲线。
具体实施方式
下面将结合示意图对本发明的基于病灶彩色视网膜眼底图像的视盘分割方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
图1是Kaggle数据集中的部分图像，这些图像都带有病灶，很多图像中包含大块亮白色病灶，图像中的不均匀光照也很严重。
如图2所示，基于图1中第一行第三张图，对本发明技术方案的具体内容进行说明。其中，(a)原始视网膜眼底图像，(b)U-Net视盘检测概率图，(c)U-Net血管检测概率图，(d)对(c)进行Hough变换的结果，(e)交点圈圈图，(f)概率泡泡图，(g)概率泡泡图和U-Net融合后的视盘区域联合概率图，(h)阈值化(g)的结果，(i)确定视盘连通区域并估算出视盘，(j)估算出的视盘与原视网膜眼底图像的重合。从(j)可以得出，本发明所涉及的方法能准确估算出视盘位置，实现视盘分割。
如图3所示，本实施例的一种基于病灶彩色视网膜眼底图像的视盘分割方法，包括以下步骤：基于深度U-Net模型建立血管检测模型和视盘检测模型、分别由血管检测模型和视盘检测模型检测获取血管概率图和视盘概率图、由血管概率图获取主血管拟合直线图、获取主血管拟合直线图的概率泡泡图、从视盘连通区域中选取视盘区域并估算出视盘的中心和半径。
具体阐述如下：
S1：建立血管检测模型和视盘检测模型。具体为：使用U-Net网络框架和手动标记样本，分别在DRIVE数据集上训练血管检测模型和Kaggle数据集上训练视盘检测模型。具体包括以下步骤：
S11：获取用于训练血管检测模型的DRIVE数据集；所述DRIVE数据集由带有病灶的视网膜眼底图像中筛选生成。具体的，DRIVE数据集是从荷兰糖尿病视网膜病筛查项目中获取的，使用45度视场(Field of View,FOV)的佳能CR5非散瞳3CCD相机拍摄的视网膜眼底图像。每张图像是分辨率为768*584的8位彩色图像。数据集中包含有训练集和测试集，每组各20张图片，其对应的手动分割血管由经验丰富的医生标注而成，作为图像的金标准。在这40张图像中，没带病灶的有33例，剩下的7张带有亮病灶。血管检测模型的网络训练是通过子图像(小块)的方式来训练的。块的大小为48*48，块是在整个图像中随机选取一个像素，以这个像素为中心，取出来的一个大小为48*48的块。训练块依次从每幅图像抽取，每幅图像取9500块，一共有190000块。在这190000块中，前90％的块，即171000个块用于训练，这些块来自前18幅图像；剩下后的10％的块即19000块用于验证集，这些块来自后两幅图像。如图1所示，图1是Kaggle数据集中的部分图像，这些图像均带有病灶，很多图像中包含大块亮白色病灶，图像中的不均匀光照也很严重。
S12：获取用于训练视盘检测模型的Kaggle数据集；所述Kaggle数据集由不同成像条件下带有病灶的视网膜眼底图像中筛选生成。Kaggle数据集是在各种成像条件下采集的高分辨率视网膜眼底图像，分别来自于不同的成像模式和不同的摄像机类型。这些图像含有噪声，同时图像存在失真、聚焦不足、过渡曝光和曝光不足等现象。在这些数据中，共选取了120幅图像，其中60幅用于训练视盘检测模型，另外60幅用于测试。训练图像的groundtruth是用手动标记得到。所选取的图像中眼球的形状完整且轮廓清晰。训练集和测试集都是带有病灶的眼底图片。视盘检测训练过程与血管检测相同，由于医学图像训练样本的有限性，U-Net视盘检测仍是基于块的训练方式。从60幅训练图像中一共抽取了19000个小块用于训练。基于整幅图像的检测是通过大小为48*48的滑窗在图像中滑动实现，窗口重叠的点的概率值取其所有窗口的均值。
S2：分别由血管检测模型和视盘检测模型检测获取血管概率图和视盘概率图。如图2中的(b)、(c)所示。具体包括：S21：将带病灶的视网膜眼底图像输入S1中的血管检测模型，检测出图像中的血管位置，生成血管概率图；S22：将带病灶的视网膜眼底图像输入S1中的视盘检测模型，检测出图像中的视盘位置，生成视盘概率图。
S3：由血管概率图获取主血管拟合直线图。具体包括以下步骤：
S31：对血管概率图进行阀值化处理以提取主血管概率图，像素点的概率值代表该点是血管的可能性大小。在视网膜眼底图像中，主血管是一个很明显的特征，相对于小血管和毛细血管容易检测，因此主血管比小血管和毛细血管的概率值更大。在血管的概率图中，用一个较高的阈值可以提取主血管，分离小血管，使得阈值化后包含少量小血管和毛细血管。
S32：对主血管概率图进行Hough变换以获取主血管拟合直线图。如图2中的(d)所示；所阈值化后的主血管概率图，采用Hough变换进行分段线性拟合，可以得到拟合主血管的很多条直线。血管从视盘开始，沿一定的方向慢慢向四周延伸，分支并扩散。视盘区域是主血管交汇的区域。因此，这些直线相交最密集的区域为视盘区域。根据这些直线，计算它们两两相交的交点，以这些交点为圆心，根据一个固定长度半径可以确定一个圆。
S4：获取主血管拟合直线图的概率泡泡图。具体为包括以下步骤：
S41：在主血管拟合直线图中的直线交点处标记圆圈；如图2中的(e)所示。
S42：根据S41中的圆圈计算其内直线交点的个数，给每个圆圈设置不同的圆圈概率，获取概率泡泡图，如图2中的(f)所示；所述圆圈概率为圆圈像素。因在圆圈区域内，根据圆圈里交点的个数给每一个像素赋予一个相对的亮度值，该亮度值表示该点处圆圈的视盘区域的概率，得到视盘的概率泡泡图。当图像中点出现在圆圈密集，即视盘的概率值也高。
S5：将概率泡泡图和S2中的视盘概率图进行乘运算获取视盘区域联合概率图以确定视盘连通区域，之后对视盘连通区域的进一步阀值处理。如图2中的(g)所示、图2中的(h)所示；在带病灶的视网膜图像中，渗出液和棉絮斑等病灶的亮度特征和视盘很相似。这些会对视盘的检测结果带来干扰。因此，S2中的视盘概率图中，会包含这些病灶的干扰信息。因此，将步骤S2中的监督学习所得到的视盘概率图与步骤S4中的无监督学习所得到的视盘区域的概率泡泡图相乘，则可得到这两种方法共同定位的视盘区域的联合概率图。由于视网膜眼底图像中的渗出液和棉絮斑等亮病灶主要是由于脂类蛋白或其他蛋白质通过异常血管渗漏到视网膜中。血管出现异常并渗漏一般从毛细血管开始。当病情发展到比较严重阶段，小血管会出现渗漏。出现在较严重阶段的渗出液和棉絮斑的渗漏不会出现在主血管附近，故在本发明中，加入通过追踪主血管来定位从视盘所在的区域继而获取视盘的概率泡泡图，可以有效避免这些病灶的干扰。在视盘的联合概率图中，取一个较大的阈值分割出可能的子视盘区域，选取面积最大的区域为所确定的视盘连通区域。
S6：从视盘连通区域中选取视盘区域并估算出视盘的中心和半径。如图2中的(i)所示，具体为包括以下步骤：
S61：选取视盘区域：选择第一子视盘连通区域为视盘区域；第一子视盘连通区域为视盘连通区域中面积最大的一个区域；
S62：估算视盘中心：计算视盘连通区域中像素位置的均值并将该均值作为视盘的中心；
S63：估算视盘半径：S631：计算视盘区域内每个点到视盘中心的距离并计算平均值；视盘是一个圆盘，圆盘的半径与圆内所有点到圆心的距离有一种固定关系。若令dc表示圆内所有点到圆心距离的平均，r表示到视盘理论半径，则有如下关系式成立：
从而有在所选择的连通区域中，可以计算出区域每一个点到中心的距离，然后求出其均值。
S632：通过数学模型，由平均值得到视盘区域的理论半径；将理论半径与预选设置的调整系数相乘即得到视盘半径的估算值。由于所定位出来的视盘连通区域没有包含完整地视盘边界，通常比视盘边界要小，因此，在计算视盘中心与半径时，该r和dc的比例系数需要调整。通过计算视盘连通区域里所有点到连通区域中心的平均距离，再乘上一个常数就得到了视盘半径的估计值。
如图4所示，是应用本发明的方法在Kaggle数据集中的分割结果。图中所示的是60幅测试图像中5幅所得到的实验结果。图4是图1中应用本发明的方法定位和分割的视盘：其中，第一行为原始的图像，这些图像是有些受大病灶干扰严重，有些内部光照很不均匀；第二行为对U-Net检测的视盘概率图阈值化所得到的二值图像，从中可以看出，亮病灶对视盘检测存在较大干扰；第三行为U-Net检测出的血管概率图，由于病灶干扰，血管检测结果受到了一定干扰；第四行是根据血管概率图进行Hough变换生成的概率泡泡图，从中可以看出，虽然血管检测受到了干扰，但本发明所设计的概率泡泡图主要利用了主血管特征，从而可以过滤掉小的干扰；第五行为概率泡泡图和U-Net检测的视盘概率图结合所确定出的视盘区域；第六行为本发明所提出的算法检测结果与原图像的叠加，图中圈圈表示了所确定的视盘边界。
图5、图6是基于Kaggle数据集的60幅测试图像所得到的性能评价曲线，图5和图6中，曲线是本发明所采用的方法，虚线是为基于深度U-Net模型的方法。
ROC曲线中，TP、FP、TN和FN分别代表真阳性、假阳性、真阴性和假阴性，横坐标FPR(False Positive Rate)和纵坐标TPR(True Positive Rate)分别由和计算得到，AUC为ROC曲线所覆盖的面积。本发明所得到的AUC为0.977，基于深度U-Net模型的方法得到的AUC为0.92。
在PC曲线中，TP、FP、TN和FN分别代表真阳性、假阳性、真阴性和假阴性，横坐标Recall和纵坐标Precision分别由和计算得到，MAP为PR曲线所覆盖的面积。本发明所得到的MAP为0.754，基于深度U-Net模型的方法得到的MAP为0.748。
综上，本发明所提供的基于病灶彩色视网膜眼底图像视盘分割方法对病灶干扰具有很强的鲁棒性，与传统的无监督方法相比，本发明可以有效避免图像中病灶、血管遮挡、亮度变化等的干扰，从而可实现视盘的精确分割。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (9)

1.一种基于病灶彩色视网膜眼底图像的视盘分割方法，其特征在于，包括以下步骤：
S1：基于深度U-Net模型建立血管检测模型和视盘检测模型；
S2：分别由血管检测模型和视盘检测模型检测获取血管概率图和视盘概率图；
S3：由血管概率图获取主血管拟合直线图；
S4：获取主血管拟合直线图的概率泡泡图；
S5：将概率泡泡图和S2中的视盘概率图进行乘运算获取视盘区域联合概率图以确定视盘连通区域；
S6：从视盘连通区域中选取视盘区域并估算出视盘的中心和半径。
2.根据权利要求1所述的基于病灶彩色视网膜眼底图像的视盘分割方法，其特征在于，在步骤S1中，具体包括以下步骤：
S11：获取用于训练血管检测模型的DRIVE数据集；所述DRIVE数据集由带有病灶的视网膜眼底图像中筛选生成；
S12：获取用于训练视盘检测模型的Kaggle数据集；所述Kaggle数据集由不同成像条件下带有病灶的视网膜眼底图像中筛选生成。
3.根据权利要求1所述的基于病灶彩色视网膜眼底图像的视盘分割方法，其特征在于，在步骤S2中，具体包括以下步骤：
S21：将带病灶的视网膜眼底图像输入S1中的血管检测模型，检测出图像中的血管位置，生成血管概率图；
S22：将带病灶的视网膜眼底图像输入S1中的视盘检测模型，检测出图像中的视盘位置，生成视盘概率图。
4.根据权利要求1所述的基于病灶彩色视网膜眼底图像的视盘分割方法，其特征在于，在步骤S3中，具体包括以下步骤：
S31：对血管概率图进行阀值化处理以提取主血管概率图；
S32：对主血管概率图进行Hough变换以获取主血管拟合直线图。
5.根据权利要求1所述的基于病灶彩色视网膜眼底图像的视盘分割方法，其特征在于，在步骤S4中，具体为包括以下步骤：
S41：在主血管拟合直线图中的直线交点处标记圆圈；
S42：根据S41中的圆圈计算其内直线交点的个数，给每个圆圈设置不同的圆圈概率，获取概率泡泡图。
6.根据权利要求5所述的基于病灶彩色视网膜眼底图像的视盘分割方法，其特征在于，在步骤S42中，所述圆圈概率为圆圈像素。
7.根据权利要求1所述的基于病灶彩色视网膜眼底图像的视盘分割方法，其特征在于，在步骤S6中，具体为包括以下步骤：
S61：选取视盘区域：选择第一子视盘连通区域为视盘区域；
S62：估算视盘中心：计算视盘连通区域中像素位置的均值并将该均值作为视盘的中心；
S63：估算视盘半径。
8.根据权利要求7所述的基于病灶彩色视网膜眼底图像的视盘分割方法，其特征在于，在步骤S63中，具体为包括以下步骤：
S631：计算视盘区域内每个点到视盘中心的距离并计算平均值；
S632：通过数学模型，由平均值得到视盘的理论半径；将理论半径与预选设置的调整系数相乘即得到视盘半径的估算值。
9.根据权利要求1所述的基于病灶彩色视网膜眼底图像的视盘分割方法，其特征在于，在步骤S6之前，进一步包括对视盘连通区域的阀值处理。
CN201811142896.1A 2018-09-28 2018-09-28 一种基于病灶彩色视网膜眼底图像的视盘分割方法 Active CN109447948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811142896.1A CN109447948B (zh) 2018-09-28 2018-09-28 一种基于病灶彩色视网膜眼底图像的视盘分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811142896.1A CN109447948B (zh) 2018-09-28 2018-09-28 一种基于病灶彩色视网膜眼底图像的视盘分割方法

Publications (2)

Publication Number Publication Date
CN109447948A true CN109447948A (zh) 2019-03-08
CN109447948B CN109447948B (zh) 2021-10-01

Family

ID=65544618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811142896.1A Active CN109447948B (zh) 2018-09-28 2018-09-28 一种基于病灶彩色视网膜眼底图像的视盘分割方法

Country Status (1)

Country Link
CN (1) CN109447948B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222975A (zh) * 2021-05-31 2021-08-06 湖北工业大学 一种基于改进U-net的高精度视网膜血管分割方法
CN114283143A (zh) * 2022-03-04 2022-04-05 北京鹰瞳科技发展股份有限公司 对眼底疾病的治疗效果进行预测的方法及其相关产品

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102860814A (zh) * 2012-08-24 2013-01-09 深圳市斯尔顿科技有限公司 一种oct合成眼底图视盘中心定位方法及设备
CN102908120A (zh) * 2012-10-09 2013-02-06 北京大恒图像视觉有限公司 眼底图像的配准方法、眼底图像中视盘神经、血管的测量方法及眼底图像的拼接方法
US20140270444A1 (en) * 2013-03-15 2014-09-18 Kabushiki Kaisha Topcon Optic disc image segmentation method and apparatus
CN104463140A (zh) * 2014-12-23 2015-03-25 天津工业大学 一种彩色眼底图像视盘自动定位方法
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
CN108520522A (zh) * 2017-12-31 2018-09-11 南京航空航天大学 基于深度全卷积神经网络的视网膜眼底图像分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102860814A (zh) * 2012-08-24 2013-01-09 深圳市斯尔顿科技有限公司 一种oct合成眼底图视盘中心定位方法及设备
CN102908120A (zh) * 2012-10-09 2013-02-06 北京大恒图像视觉有限公司 眼底图像的配准方法、眼底图像中视盘神经、血管的测量方法及眼底图像的拼接方法
US20140270444A1 (en) * 2013-03-15 2014-09-18 Kabushiki Kaisha Topcon Optic disc image segmentation method and apparatus
CN104463140A (zh) * 2014-12-23 2015-03-25 天津工业大学 一种彩色眼底图像视盘自动定位方法
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
CN108520522A (zh) * 2017-12-31 2018-09-11 南京航空航天大学 基于深度全卷积神经网络的视网膜眼底图像分割方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222975A (zh) * 2021-05-31 2021-08-06 湖北工业大学 一种基于改进U-net的高精度视网膜血管分割方法
CN114283143A (zh) * 2022-03-04 2022-04-05 北京鹰瞳科技发展股份有限公司 对眼底疾病的治疗效果进行预测的方法及其相关产品
CN114283143B (zh) * 2022-03-04 2022-05-06 北京鹰瞳科技发展股份有限公司 对眼底疾病的治疗效果进行预测的方法及其相关产品

Also Published As

Publication number Publication date
CN109447948B (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
Lu et al. Automatic optic disc detection from retinal images by a line operator
CN105513077B (zh) 一种用于糖尿病性视网膜病变筛查的系统
Huang et al. Reliability of using retinal vascular fractal dimension as a biomarker in the diabetic retinopathy detection
Walter et al. A contribution of image processing to the diagnosis of diabetic retinopathy-detection of exudates in color fundus images of the human retina
Tavakoli et al. A complementary method for automated detection of microaneurysms in fluorescein angiography fundus images to assess diabetic retinopathy
Köse et al. Simple methods for segmentation and measurement of diabetic retinopathy lesions in retinal fundus images
Akram et al. Automated detection of dark and bright lesions in retinal images for early detection of diabetic retinopathy
Park et al. Locating the optic disc in retinal images
Yu et al. Automated image quality evaluation of retinal fundus photographs in diabetic retinopathy screening
Reza et al. Diagnosis of diabetic retinopathy: automatic extraction of optic disc and exudates from retinal images using marker-controlled watershed transformation
Lupascu et al. Automated detection of optic disc location in retinal images
Zheng et al. An automated drusen detection system for classifying age-related macular degeneration with color fundus photographs
Pourreza-Shahri et al. Computationally efficient optic nerve head detection in retinal fundus images
Jan et al. Retinal image analysis aimed at blood vessel tree segmentation and early detection of neural-layer deterioration
Jose et al. A novel method for glaucoma detection using optic disc and cup segmentation in digital retinal fundus images
CN102316789A (zh) 确定视杯边界的位置的方法和系统
CN102567734A (zh) 基于比值的视网膜细小血管分割方法
CN109447948A (zh) 一种基于病灶彩色视网膜眼底图像的视盘分割方法
Wang et al. Accurate disease detection quantification of iris based retinal images using random implication image classifier technique
Lu et al. Automatic macula detection from retinal images by a line operator
Perez-Rovira et al. Robust optic disc location via combination of weak detectors
Bhuiyan et al. Retinal artery and vein classification for automatic vessel caliber grading
Rust et al. A robust algorithm for optic disc segmentation and fovea detection in retinal fundus images
Driscoll et al. Automatic detection of the cornea location in video captures of fluorescence
Medhi et al. Improved analysis of diabetic maculopathy using level set spatial fuzzy clustering

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