CN109544540A - 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 - Google Patents
一种基于图像分析技术的糖尿病视网膜图像质量检测方法 Download PDFInfo
- Publication number
- CN109544540A CN109544540A CN201811434445.5A CN201811434445A CN109544540A CN 109544540 A CN109544540 A CN 109544540A CN 201811434445 A CN201811434445 A CN 201811434445A CN 109544540 A CN109544540 A CN 109544540A
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- detection
- eye fundus
- level image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 13
- 238000010191 image analysis Methods 0.000 title claims abstract description 9
- 238000005516 engineering process Methods 0.000 title claims abstract description 8
- 210000001525 retina Anatomy 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 66
- 210000003733 optic disk Anatomy 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000003902 lesion Effects 0.000 claims abstract description 18
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 206010012689 Diabetic retinopathy Diseases 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 101100517192 Arabidopsis thaliana NRPD1 gene Proteins 0.000 claims description 3
- 101150094905 SMD2 gene Proteins 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 229910052701 rubidium Inorganic materials 0.000 claims description 3
- IGLNJRXAVVLDKE-UHFFFAOYSA-N rubidium atom Chemical compound [Rb] IGLNJRXAVVLDKE-UHFFFAOYSA-N 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 230000002207 retinal effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 238000012372 quality testing Methods 0.000 abstract description 3
- 206010066786 Diabetic keratopathy Diseases 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000012216 screening Methods 0.000 description 7
- 210000000416 exudates and transudate Anatomy 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000004256 retinal image Effects 0.000 description 3
- 208000006550 Mydriasis Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241001156002 Anthonomus pomorum Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 206010018473 Glycosuria Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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
本发明涉及图像处理技术领域,尤其涉及一种基于图像分析技术的糖尿病视网膜图像质量检测方法。该方法包括对眼底图像的预处理,预处理过程中对其进行形态学处理、均衡化处理和滤波处理,预处理后再进行亮度检测、视盘检测和清晰度检测,最终得到待诊断眼底图像,进行糖尿病性视网膜病变诊断。本方法中的预处理操作大大提高了视网膜眼底图像的可视性,更有利于医生对患者病情的诊断和分析,质量检测操作可以很大程度上减小普查点所拍摄的眼底图像不合格情况的发生,经过该质量检测方法检测合格的眼底图像可用来对糖尿病性视网膜是否病变进行初步诊断。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于图像分析技术的糖尿病视网膜图像质量检测方法。
背景技术
糖尿病视网膜病变是糖尿病最严重的并发症之一,它不仅会造成视网膜不可逆的损伤,而且在不及时进行药物治疗的情况下,会导致视力下降甚至失明。目前,我国现有糖尿病患者数量约达1.1亿,约占全球糖尿病患者人口总数的四分之一,而在这1.1亿的糖尿病患者中有可能发生糖尿病性眼底视网膜病变的患者就达五千万到七千万,因此,对于糖尿病性眼底视网膜病变患者来说,提早发现和提早治疗成为了抑制糖尿病视网膜疾病失明的唯一方法。
随着糖尿病性眼底视网膜病变筛查的普及和普查效率的提高,越来越多的医院普查点参与到糖尿病性眼底视网膜的早期诊断和筛查。由于免散瞳眼底照相机可随时、快速检查,而且其操作相对比较简单,所以常被用来作为检查首选。但免散瞳眼底照相机操作简单,不需要专业的医生、护士操作,且糖尿病性眼底视网膜病变的筛查工作通常不在医院进行,下设普查点的操作人员并非专业医生、护士,故而在筛查地点存在着一系列导致眼底图像质量不合格的情况,比如操作失误、眼底照相机自身问题、患者不配合导致图像模糊等,拍摄视网膜图像质量不达标导致后续眼底图像分析和医用诊断难度加大,进而延误患者的治疗。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种基于图像分析技术的糖尿病性视网膜图像质量检测方法。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案为:
一种基于图像分析技术的糖尿病视网膜图像质量检测方法,包括:
S1、接收拍照设备传送的彩色眼底图像;
S2、对所述彩色眼底图像进行预处理,选取保存有重要生理结构和病灶的G通道灰度图像;
S3、对所述G通道灰度图像进行形态学处理、均衡化处理和/或滤波处理,获得处理后的灰度图像;
S4、将处理后的灰度图像依次进行亮度检测、视盘检测和清晰度检测;
S5、对经过清晰度检测后的图像进行糖尿病性视网膜病变诊断,获取诊断结果。
根据本发明,步骤S4包括:
若亮度检测不合格,则不再进行视盘检测和清晰度检测;
以及,
若亮度检测合格,视盘检测不合格,则不再进行清晰度检测。
根据本发明,步骤S2包括:
将彩色眼底图像处理为灰度图像,对灰度图像进行分解,分别获取眼底图像的R、G、B三个通道灰度图像;选取整体亮度适中、目标区域与背景区域对比度较好、保存重要生理结构和病灶的G通道灰度图像进行预处理操作。
根据本发明,步骤S3包括:
对所述G通道灰度图像,选取半径为10的圆盘形结构元素,利用高帽变换和低帽变换进行形态学处理,得到处理后的第一灰度图像;
对所述第一灰度图像,选用限制对比度自适应直方图均衡算法进行均衡化处理,得到处理后的第二灰度图像;
对所述第二灰度图像,选用圆形区域均值滤波法进行滤波处理,得到待测灰度图像。
根据本发明,步骤S4包括:
亮度检测时,将待测灰度图像转换为二值图像,取灰度图像像素最大值为m,将灰度级[m-60,m]的元素标记1,其他元素标为0,使用标记函数标记二值图像中的连通组件,若所有被标记的连通组件内的像素个数均小于350000,则定义该处理后的灰度图像的亮度检测合格;若未通过亮度检测,重新拍摄彩色眼底图像。
根据本发明,步骤S4包括:
视盘检测时,将待测灰度图像进行阈值为0.002的图像二值化,转换为二值图像,用半径为15像素的disk模板对该二值图像进行腐蚀,得到感兴趣区域部分;取待测灰度图像中灰度值最高的像素点为m,选取[m-30,m]的像素点所围成的区域为视盘候选区域,分别计算每个视盘候选区域的三个参数:模板匹配的相关系数、血管密度、距离血管中心线的距离,选取参数值最大的候选区域定义为视盘区域;
视盘区域与感兴趣区域相交后,若视盘在感兴趣区域内则判定视盘存在,否则视盘不存在,需重新拍摄眼底图像。
根据本发明,步骤S4包括:
清晰度检测时,将待测灰度图像利用清晰度检测算法进行清晰度检测,若未通过清晰度检测,重新拍摄彩色眼底图像。
根据本发明,步骤S3包括:
对所述G通道灰度图像,还可利用分块阙值法进行形态学处理,得到处理后的第一灰度图像;
对所述第一灰度图像,或者选用直方图均衡算法和/或自适应直方图均衡化算法进行均衡化处理,得到处理后的第二灰度图像;
对所述第二灰度图像,或者选用归一化滤波、高斯滤波、双边滤波、维纳滤波和/或中值滤波进行处理,得到待测的灰度图像。
根据本发明,步骤S4包括:
所述清晰度检测算法可选用Tenengrad梯度函数、Laplacian梯度函数、SMD函数、SMD2函数、方差函数、能量梯度函数、Vollath函数、熵函数、EVA点锐度算法函数等。
根据本发明,步骤S5包括:
对通过清晰度检测的灰度图像使用改进迭代阈值法进行图像分割处理,得到二值图像,计算该二值图像的方差,若待诊断眼底图像所对应的二值图像中方差均大于600,则为健康眼底图像,若分布在200-500中间,则为患病眼底图像。
所述改进迭代阈值法为将通过清晰度检测的灰度图像进行均衡化处理后减去眼底图像原图得到去视盘的眼底图像,再将去视盘的眼底图像采用迭代阈值法进行图像分割处理。
(三)有益效果
本发明的有益效果是:
(1)本方法提出了一种改进的眼底图像预处理算法。该算法首先利用数学形态学高帽、低帽变换弱化背景、校正非均匀光照;随后应用限制对比度的自适应直方图均衡化方法在抑制噪声的基础上,增强对比度;最后通过圆形区域邻域滤波的方法增强图像细节并有效抑制噪声,大大提高了视网膜眼底图像的可视性,更有利于医生对患者病情的诊断和分析。
(2)本方法提出了一种新的糖尿病性眼底视网膜图像质量检测算法。该检测算法对眼底图像进行三个方面的检测,即亮度检测、视盘检测和清晰度检测综合进行图像质量检测结果。若三个方向的检测中有任意一个不合格则需对该眼底图像重新拍摄,这样可以很大程度上减小普查点所拍摄的眼底图像不合格情况的发生。
(3)本方法可对糖尿病性眼底病变进行初步诊断。通过采用本方法提出的改进迭代阈值算法对眼底图像进行分割处理,根据是否有硬性渗出物,来初步判断该眼底图像的提供者是否患有糖尿病性视网膜病变。并通过实验验证提出的改进迭代阈值算法效果较好。
附图说明
图1为本发明的流程图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本发明提供了一种基于图像分析技术的糖尿病性视网膜图像质量检测方法,该方法包括:
S1、接收拍照设备传送的彩色眼底图像;
S2、对所述彩色眼底图像进行预处理,选取保存有重要生理结构和病灶的G通道灰度图像;
S3、对所述G通道灰度图像进行形态学处理、均衡化处理和/或滤波处理,获得处理后的灰度图像;
S4、将处理后的灰度图像依次进行亮度检测、视盘检测和清晰度检测;
S5、对经过清晰度检测后的图像进行糖尿病性视网膜病变诊断,获取诊断结果。
步骤S2包括:
将彩色眼底图像处理为灰度图像,对灰度图像进行分解,分别获取眼底图像的R、G、B三个通道灰度图像;比较各通道灰度图像的不同灰度特征,选取整体亮度适中、目标区域与背景区域对比度较好、保存重要生理结构和病灶的通道灰度图像进行预处理操作,本实施例中则选取了G通道灰度图像作为预处理图像。
步骤S3包括:
S3a:形态学处理
形态学操作作为基于形状的一系列图像处理操作,其基本运算包括膨胀、腐蚀、开运算和闭运算,而在图像处理中,膨胀和腐蚀运算是建立在集合的和与差的基础上,它们是所有复合形态变换或形态分析的基础,结构元素在形态学中的作用类似于信号处理时“滤波窗口”,其形状和大小将直接影响形态滤波的输出结果,结构元素必须在几何上比原图像简单、并且有界。
本实施例中对G通道灰度图像进行处理,选取了半径为10的圆盘形结构元素进行形态学运算,处理过程中则利用高帽变换与低帽变换对眼底图像进行形态学处理,得到处理后的第一灰度图像。
高帽变换为输入图像与图像的开运算(对图像进行先腐蚀后膨胀)结果之差,输入图像通过高帽变换处理后可以清晰的得到目标的峰值以及边缘信息。
低帽变换为使用结构元素对输入图像进行闭运算(对图像进行先膨胀后腐蚀)的结果与输入图像的差值,输入图像通过低帽变换处理后可以清晰的得到目标的谷值和边缘信息。
我们将最终得出的形态学处理结果定义为输入图像经过高帽变换后的图像结果加上原始输入图像减去输入图像经低帽变换后的图像结果,即:
Re(f)=That(f)+f-Bhat(f)
按照本方法所定义的形态学处理结果对步骤S1a中得到的通道灰度图像进行形态学处理,会弱化所处理的图像背景、校正非均匀光照。
本方法还可采用分块阙值法,这种方法作为最简单的图像分割处理方法,特别适用于目标和背景占据不同灰度级范围的图像,图像阙值化的目的是按照灰度级,对像素集合进行一个划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域布局有这种一致属性,分块阙值法中每个像素所使用的阙值可能均不同。
S3b:均衡化处理
对比度作为衡量图像质量的重要参数,增强后会更有利于目标定位、边缘检测、特征抽取即模式识别,图像的直方图是图像的重要统计特征,可认为是图像灰度密度函数的近似,它虽然不能直接反映出图像的内容,但对它进行分析可以得到图像所具有的的一些重要的特征;直方图均衡则是针对对比度较低的图像,经过直方图调整后,各灰度级别的比例比较均衡,图像更加清楚。
普通的直方图均衡算法对于整幅图像的像素使用相同的直方图变换,对于那些像素值分布比较均衡的图像来说,算法的效果很好。如果图像中包括明显比图像其它区域暗或者亮的部分,在这些部分的对比度将得不到有效的增强。
自适应直方图均衡化算法,其最简单的形式,就是每个像素通过其周边一个矩形范围内的像素的直方图进行均衡化,均衡的方式则完全同普通的均衡化算法:变换函数同像素周边的累积直方图函数成比例。
限制对比度自适应直方图均衡法能够限制对原图像对比度的放大幅度,从而能有效的抑制对噪音过度放大情况的发生,在这个过程中还可以直接采用直方图均衡化或自适应直方图均衡化等方法代替限制对比度自适应直方图均衡算法,但效果会受到影响。
限制对比图自适应直方图均衡法同普通的自适应直方图均衡不同的地方主要是其对比度限幅。这个特性也可以应用到全局直方图均衡化中,即构成所谓的限制对比度直方图均衡。
本实施例对形态学处理后得到的第一灰度图像进行处理,选用了限制对比度自适应直方图均衡算法,对不同灰度值划分为不同区域从而采用不同对比度增强算法提高图像的质量,进一步得出清晰醒目的第二灰度图像;
S3c:滤波处理
任何一幅未经处理的原始图像在一定程度上都存在着噪声干扰,噪声恶化了图像质量,使图像模糊,甚至淹没了图像的特征,给分析带来了困难,实时获取的眼底图像在使用眼底照相机进行拍摄、压缩以及上传给医院端的传输过程中也会受到各种各样的噪声污染,因此需要对获得的眼底图像滤除噪声,进行滤波操作。
通过对比不同滤波方法处理图像的效果,本实施例中发现圆形区域的均值滤波对图像处理虽然细节效果相对较高斯滤波差,但是滤除噪声效果明显优于均值滤波以及高斯滤波。而且经过前几步处理得到的灰度眼底图像中的图像细节特征突出得已经十分明显,因此对处理后的第二灰度图像选用滤除噪声方法较强的圆形区域均值滤波法进行滤波处理,得到处理后的待测灰度图像
步骤S4包括亮度检测、视盘检测和清晰度检测,若亮度检测不合格,则不再进行视盘检测和清晰度检测;若亮度检测合格,视盘检测不合格,则不再进行清晰度检测。
亮度检测时,将待测灰度图像转换为二值图像,取灰度图像像素最大值为m,将灰度级[m-60,m]的元素标记1,其他元素标为0,使用标记函数标记二值图像中的连通组件,根据标记的连通组件的大小和个数来判定眼底图像是否通过亮度检测。
本实施例选取联通组件内像素个数为350000个作为图像亮度检测的评价标准。若所有被标记的连通组件内的像素个数均小于350000,则定义该眼底图像的亮度检测质量合格;否则判定为不合格,需要重新开始步骤S1中的操作。
对通过亮度检测并合格的待测灰度图像进行视盘检测,视盘检测算法的目的是为了辨别所拍摄眼底图像中视盘是否存在。若视盘检测结果提示视盘不存在,则该眼底图像质量不合格并重新进行步骤S1中的操作;若存在,则对待测眼底图像继续进行下一步步骤。
视盘检测时,将处理后的灰度图像进行阈值为0.002的图像二值化,转换为二值图像,用半径为15像素的disk模板对该二值图像进行腐蚀,得到感兴趣区域部分;取所述处理后的灰度图像中灰度值最高的像素点为m,选取[m-30,m]的像素点所围成的区域为视盘候选区域,分别计算每个视盘候选区域的三个参数:模板匹配的相关系数、血管密度、距离血管中心线的距离,选取参数值最大的候选区域定义为视盘区域;
视盘区域与感兴趣区域相交后,若视盘在感兴趣区域内则判定视盘存在,否则视盘不存在,需重新拍摄彩色眼底图像。
待测灰度图像通过视盘检测后,需要进行清晰度检测。
清晰度检测时,将待测灰度图像利用清晰度检测算法进行清晰度检测,若未通过清晰度检测,重新拍摄彩色眼底图像。本方法中采用对边缘信息最敏感的梯度函数作为清晰度检测算法进行图像清晰度评价,梯度函数可为Brenner梯度函数、Laplacian梯度函数、SMD(灰度方差)函数、SMD2(灰度方程乘积)函数、方差函数、能量梯度函数、Vollath函数、熵函数、EAV点锐度算法函数和Tenengrad梯度函数。
通过实验,本发明用不同梯度函数对500张真实的眼底图像进行清晰度检测算法,并将结果与医生的诊断结果相比较,最终本实施例选择使用Tenengrad梯度函数作为清晰度检测的算法。
步骤S5包括:
对通过清晰度检测的灰度图像使用改进迭代阈值法进行图像分割处理,得到二值图像,计算该二值图像的方差,若待诊断眼底图像所对应的二值图像中方差均大于600,则为健康眼底图像,若分布在200-500中间,则为患病眼底图像。
所述改进迭代阈值法为将通过清晰度检测的灰度图像进行均衡化处理后减去眼底图像原图得到去视盘的眼底图像,再将去视盘的眼底图像采用迭代阈值法进行图像分割处理。
本实施例选取600作为二值图像中方差的评价标准。若待诊断眼底图像所对应的二值图像中方差均大于600,则为健康眼底图像,若分布在200-500中间,则为患病眼底图像。
为验证本发明的有效性,发明人在某眼科医院的糖尿病性眼底视网膜病变筛查点获取500张真实的眼底图像,并随机抽取4张健康以及糖尿病性视网膜病变不同时期的眼底图像进行预处理。
得出以下结论:图像经由本方法预处理后,眼底图像的血管更清晰,图像对比度明显增强,且视盘区域、黄斑和病灶特征信息被保留且明显突出,有利于医生对眼底图像的观察、分析和诊断,充分证明了本预处理方法无论对正常眼底视网膜图像抑或病变图像都能适用且效果良好。
为验证本方法在初步诊断时提出的改进迭代阈值法对眼底图像硬性渗出物分割的有效性,分别采用大津阈值法、局部自适应阈值法、迭代阈值法和改进的迭代阈值法进行分割,结果如表1所示。
大津法对病变眼底图像的硬性渗出部分分割结果非常差,生成了大量非病变目标区域,故该算法在对眼底图像进行病变筛查时不宜使用。剩余其他三种算法相比较,本算法提出的改进迭代阈值法对病灶的提取率较高,且噪声比较小。
表1四种阈值法的硬性渗出分割情况
为使实验结果更接近实践应用的标准,发明人在某眼科医院糖尿病性视网膜病变筛查库里随机提取了500幅图片,分别采用医生识别诊断与本算法识别诊断,并将结果相比较,计算本算法的成功率,研究发现:亮度检测算法的成功率为96%;视盘检测算法定义眼底图像是否存在的成功率为97%;清晰度检测算法判定眼底图像是否符合清晰度要求的成功率为94%;对糖尿病性视网膜图像的病变检测成功率为87.4%。
表2本算法识别诊断的成功率
亮度检测算法 | 视盘检测算法 | 清晰度检测算法 | 初步诊断算法 | |
成功率 | 96% | 97% | 94% | 87.4% |
本方法提出了一种改进的眼底图像预处理算法以及新的糖尿病性眼底视网膜图像质量检测算法。其中预处理算法首先利用数学形态学高帽、低帽变换弱化背景、校正非均匀光照;随后应用限制对比度的自适应直方图均衡化方法在抑制噪声的基础上,增强对比度;最后通过圆形区域邻域滤波的方法增强图像细节并有效抑制噪声,大大提高了视网膜眼底图像的可视性,更有利于医生对患者病情的诊断和分析。质量检测算法则是对眼底图像进行三个方面的检测,即亮度检测、视盘检测和清晰度检测综合进行图像质量检测结果。若三个方向的检测中有任意一个不合格则需对该眼底图像重新拍摄。这样可以很大程度上减小普查点所拍摄的眼底图像不合格情况的发生。检测完成后,本方法应用改进迭代阈值算法对眼底图像进行分割处理,根据糖尿病性眼底病变是否有硬性渗出物对进行初步诊断,判断该眼底图像的提供者是否患有糖尿病性视网膜病变。
需要理解的是,以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于图像分析技术的糖尿病视网膜图像质量检测方法,其特征在于,包括:
S1、接收拍照设备传送的彩色眼底图像;
S2、对所述彩色眼底图像进行预处理,选取保存有重要生理结构和病灶的G通道灰度图像;
S3、对所述G通道灰度图像进行形态学处理、均衡化处理和/或滤波处理,获得处理后的灰度图像;
S4、将处理后的灰度图像依次进行亮度检测、视盘检测和清晰度检测;
S5、对经过清晰度检测后的图像进行糖尿病性视网膜病变诊断,获取诊断结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤S4包括:
若亮度检测不合格,则不再进行视盘检测和清晰度检测;
以及,
若亮度检测合格,视盘检测不合格,则不再进行清晰度检测。
3.根据权利要求1所述的方法,其特征在于,所述步骤S2包括:
将彩色眼底图像处理为灰度图像,对灰度图像进行分解,分别获取眼底图像的R、G、B三个通道灰度图像;选取整体亮度适中、目标区域与背景区域对比度较好、保存重要生理结构和病灶的G通道灰度图像进行预处理操作。
4.根据权利要求1所述的方法,其特征在于,所述步骤S3包括:
对所述G通道灰度图像,选取半径为10的圆盘形结构元素,利用高帽变换和低帽变换进行形态学处理,得到处理后的第一灰度图像;
对所述第一灰度图像,选用限制对比度自适应直方图均衡算法进行均衡化处理,得到处理后的第二灰度图像;
对所述第二灰度图像,选用圆形区域均值滤波法进行滤波处理,得到待测灰度图像。
5.根据权利要求1所述的方法,其特征在于,所述步骤S4包括:
亮度检测时,将待测灰度图像转换为二值图像,取灰度图像像素最大值为m,将灰度级[m-60,m]的元素标记1,其他元素标为0,使用标记函数标记二值图像中的连通组件,若所有被标记的连通组件内的像素个数均小于350000,则定义该处理后的灰度图像的亮度检测合格;若未通过亮度检测,重新拍摄彩色眼底图像。
6.根据权利要求1所述的方法,其特征在于,所述步骤S4包括:
视盘检测时,将待测灰度图像进行阈值为0.002的图像二值化,转换为二值图像,用半径为15像素的disk模板对该二值图像进行腐蚀,得到感兴趣区域部分;取待测灰度图像中灰度值最高的像素点为m,选取[m-30,m]的像素点所围成的区域为视盘候选区域,分别计算每个视盘候选区域的三个参数:模板匹配的相关系数、血管密度、距离血管中心线的距离,选取参数值最大的候选区域定义为视盘区域;
视盘区域与感兴趣区域相交后,若视盘在感兴趣区域内则判定视盘存在,否则视盘不存在,需重新拍摄眼底图像。
7.根据权利要求1所述的方法,其特征在于,所述步骤S4包括:
清晰度检测时,将待测灰度图像利用清晰度检测算法进行清晰度检测,若未通过清晰度检测,重新拍摄彩色眼底图像。
8.根据权利要求4所述的方法,其特征在于,所述步骤S3包括:
对所述G通道灰度图像,还可利用分块阙值法进行形态学处理,得到处理后的第一灰度图像;
对所述第一灰度图像,或者选用直方图均衡算法和/或自适应直方图均衡化算法进行均衡化处理,得到处理后的第二灰度图像;
对所述第二灰度图像,或者选用归一化滤波、高斯滤波、双边滤波、维纳滤波和/或中值滤波进行处理,得到处理后的待测灰度图像。
9.根据权利要求7所述的方法,其特征在于,所述步骤S4包括:
所述清晰度检测算法可选用Tenengrad梯度函数、Laplacian梯度函数、SMD函数、SMD2函数、方差函数、能量梯度函数、Vollath函数、熵函数、EVA点锐度算法函数等。
10.根据权利要求7所述的方法,其特征在于,所述步骤S5包括:
对通过清晰度检测的灰度图像,使用改进迭代阈值法进行图像分割处理,得到二值图像,计算该二值图像的方差,若待诊断眼底图像所对应的二值图像中方差均大于600,则为健康眼底图像,若分布在200-500中间,则为患病眼底图像。
所述改进迭代阈值法为将通过清晰度检测的灰度图像进行均衡化处理后减去眼底图像原图得到去视盘的眼底图像,再将去视盘的眼底图像采用迭代阈值法进行图像分割处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811434445.5A CN109544540B (zh) | 2018-11-28 | 2018-11-28 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811434445.5A CN109544540B (zh) | 2018-11-28 | 2018-11-28 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544540A true CN109544540A (zh) | 2019-03-29 |
CN109544540B CN109544540B (zh) | 2020-12-25 |
Family
ID=65850779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811434445.5A Active CN109544540B (zh) | 2018-11-28 | 2018-11-28 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544540B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009627A (zh) * | 2019-04-11 | 2019-07-12 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
CN110751637A (zh) * | 2019-10-14 | 2020-02-04 | 北京至真互联网技术有限公司 | 糖尿病视网膜病变检测系统、方法、设备和训练系统 |
CN110866898A (zh) * | 2019-10-30 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 一种乳腺图像处理方法、设备及存储介质 |
CN111640090A (zh) * | 2020-05-12 | 2020-09-08 | 宁波蓝明信息科技有限公司 | 一种用于评估眼底图像质量的方法 |
CN111652805A (zh) * | 2020-03-13 | 2020-09-11 | 中山大学 | 一种用于眼底图像拼接的图像预处理方法 |
CN111815617A (zh) * | 2020-07-22 | 2020-10-23 | 吉林大学 | 一种基于高光谱的眼底图像检测方法 |
CN111833995A (zh) * | 2019-04-18 | 2020-10-27 | 佳能医疗系统株式会社 | 医用信息处理装置、医用信息处理系统及医用信息处理方法 |
CN112258503A (zh) * | 2020-11-13 | 2021-01-22 | 中国科学院深圳先进技术研究院 | 超声图像成像质量评价方法、装置及计算机可读存储介质 |
CN112435251A (zh) * | 2020-12-04 | 2021-03-02 | 黄珍珍 | 一种视网膜眼底图像的渗出液检测方法 |
CN112541948A (zh) * | 2020-12-11 | 2021-03-23 | 深圳市优必选科技股份有限公司 | 一种物体检测方法、装置、终端设备及存储介质 |
CN113744254A (zh) * | 2021-09-08 | 2021-12-03 | 中山大学中山眼科中心 | 一种眼底图像分析方法、系统、存储介质和计算机设备 |
CN116935133A (zh) * | 2023-07-31 | 2023-10-24 | 湖南中医药大学第一附属医院((中医临床研究所)) | 一种基于spect图像识别的心血管病分类方法及系统 |
CN117893529A (zh) * | 2024-03-14 | 2024-04-16 | 江苏富翰医疗产业发展有限公司 | 一种眼底智能拍摄方法 |
CN113744254B (zh) * | 2021-09-08 | 2024-06-07 | 中山大学中山眼科中心 | 一种眼底图像分析方法、系统、存储介质和计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110129134A1 (en) * | 2009-12-02 | 2011-06-02 | De Oliveira E Ramos Joao Diogo | Methods and systems for detection of retinal changes |
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 |
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 |
US20150110370A1 (en) * | 2013-10-22 | 2015-04-23 | Eyenuk, Inc. | Systems and methods for enhancement of retinal images |
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
CN108185984A (zh) * | 2017-12-28 | 2018-06-22 | 中山大学 | 眼底彩照进行眼底病灶识别的方法 |
-
2018
- 2018-11-28 CN CN201811434445.5A patent/CN109544540B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110129134A1 (en) * | 2009-12-02 | 2011-06-02 | De Oliveira E Ramos Joao Diogo | Methods and systems for detection of retinal changes |
US20150110370A1 (en) * | 2013-10-22 | 2015-04-23 | Eyenuk, Inc. | Systems and methods for enhancement of retinal images |
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 |
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 |
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
CN108185984A (zh) * | 2017-12-28 | 2018-06-22 | 中山大学 | 眼底彩照进行眼底病灶识别的方法 |
Non-Patent Citations (2)
Title |
---|
M.JAMSHIDI 等: "Automatic Detection of the Optic Disc of the Retina: A Fast Method", 《JOURNAL OF MEDICAL SIGNALS SENSORS》 * |
杨彦荣 等: "基于均方根误差和相关系数评价人眼像差对视网膜像质的影响", 《光学学报》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009627A (zh) * | 2019-04-11 | 2019-07-12 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
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 |
CN111833995A (zh) * | 2019-04-18 | 2020-10-27 | 佳能医疗系统株式会社 | 医用信息处理装置、医用信息处理系统及医用信息处理方法 |
CN111833995B (zh) * | 2019-04-18 | 2024-03-22 | 佳能医疗系统株式会社 | 医用信息处理装置、医用信息处理系统及医用信息处理方法 |
CN110751637A (zh) * | 2019-10-14 | 2020-02-04 | 北京至真互联网技术有限公司 | 糖尿病视网膜病变检测系统、方法、设备和训练系统 |
CN110866898A (zh) * | 2019-10-30 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 一种乳腺图像处理方法、设备及存储介质 |
CN110866898B (zh) * | 2019-10-30 | 2022-10-14 | 上海联影智能医疗科技有限公司 | 一种乳腺图像处理方法、设备及存储介质 |
CN111652805A (zh) * | 2020-03-13 | 2020-09-11 | 中山大学 | 一种用于眼底图像拼接的图像预处理方法 |
CN111652805B (zh) * | 2020-03-13 | 2023-05-09 | 中山大学 | 一种用于眼底图像拼接的图像预处理方法 |
CN111640090B (zh) * | 2020-05-12 | 2022-05-31 | 宁波蓝明信息科技有限公司 | 一种用于评估眼底图像质量的方法 |
CN111640090A (zh) * | 2020-05-12 | 2020-09-08 | 宁波蓝明信息科技有限公司 | 一种用于评估眼底图像质量的方法 |
CN111815617A (zh) * | 2020-07-22 | 2020-10-23 | 吉林大学 | 一种基于高光谱的眼底图像检测方法 |
CN111815617B (zh) * | 2020-07-22 | 2023-11-17 | 吉林大学 | 一种基于高光谱的眼底图像检测方法 |
CN112258503B (zh) * | 2020-11-13 | 2023-11-14 | 中国科学院深圳先进技术研究院 | 超声图像成像质量评价方法、装置及计算机可读存储介质 |
CN112258503A (zh) * | 2020-11-13 | 2021-01-22 | 中国科学院深圳先进技术研究院 | 超声图像成像质量评价方法、装置及计算机可读存储介质 |
CN112435251A (zh) * | 2020-12-04 | 2021-03-02 | 黄珍珍 | 一种视网膜眼底图像的渗出液检测方法 |
CN112541948A (zh) * | 2020-12-11 | 2021-03-23 | 深圳市优必选科技股份有限公司 | 一种物体检测方法、装置、终端设备及存储介质 |
CN112541948B (zh) * | 2020-12-11 | 2023-11-21 | 深圳市优必选科技股份有限公司 | 一种物体检测方法、装置、终端设备及存储介质 |
CN113744254A (zh) * | 2021-09-08 | 2021-12-03 | 中山大学中山眼科中心 | 一种眼底图像分析方法、系统、存储介质和计算机设备 |
CN113744254B (zh) * | 2021-09-08 | 2024-06-07 | 中山大学中山眼科中心 | 一种眼底图像分析方法、系统、存储介质和计算机设备 |
CN116935133A (zh) * | 2023-07-31 | 2023-10-24 | 湖南中医药大学第一附属医院((中医临床研究所)) | 一种基于spect图像识别的心血管病分类方法及系统 |
CN116935133B (zh) * | 2023-07-31 | 2024-04-16 | 湖南中医药大学第一附属医院((中医临床研究所)) | 一种基于spect图像识别的心血管病分类方法及系统 |
CN117893529A (zh) * | 2024-03-14 | 2024-04-16 | 江苏富翰医疗产业发展有限公司 | 一种眼底智能拍摄方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109544540B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544540A (zh) | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 | |
Yang et al. | Classification of retinal image for automatic cataract detection | |
Medhi et al. | An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images | |
Sopharak et al. | Automatic exudate detection with a naive Bayes classifier | |
Raman et al. | Proposed retinal abnormality detection and classification approach: Computer aided detection for diabetic retinopathy by machine learning approaches | |
Sopharak et al. | Automatic microaneurysm detection from non-dilated diabetic retinopathy retinal images using mathematical morphology methods | |
CN108095683A (zh) | 基于深度学习的处理眼底图像的方法和装置 | |
Jaafar et al. | Automated detection and grading of hard exudates from retinal fundus images | |
Jan et al. | Retinal image analysis aimed at blood vessel tree segmentation and early detection of neural-layer deterioration | |
Freund et al. | Automated detection of drusen in the macula | |
CN106886991A (zh) | 一种基于彩色眼底图的模糊度自动分级方法 | |
Naz et al. | Glaucoma detection in color fundus images using cup to disc ratio | |
Zhang et al. | Hierarchical detection of red lesions in retinal images by multiscale correlation filtering | |
David et al. | Neural network based retinal image analysis | |
Prabhu et al. | Diabetic retinopathy screening using machine learning for hierarchical classification | |
Phyo et al. | Automatic detection of optic disc and blood vessels from retinal images using image processing techniques | |
Gou et al. | A novel retinal vessel extraction method based on dynamic scales allocation | |
Zeljković et al. | Exudates and optic disk detection in retinal images of diabetic patients | |
CN108154512A (zh) | 一种基于多重去趋势分析的视网膜图像血管分割系统 | |
Athab et al. | Disc and Cup Segmentation for Glaucoma Detection | |
Kabir | A rule based segmentation approaches to extract retinal blood vessels in fundus image | |
Maher et al. | Automatic Detection of Microaneurysms in digital fundus images using LRE | |
Mei et al. | Optic disc segmentation method based on low rank matrix recovery theory | |
Abdel-Hamid | Retinal image analysis using image processing techniques | |
Aouf et al. | Glaucoma detection from fundus camera image |
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 |