CN110874597B - 一种眼底图像血管特征提取方法、设备、系统和存储介质 - Google Patents
一种眼底图像血管特征提取方法、设备、系统和存储介质 Download PDFInfo
- Publication number
- CN110874597B CN110874597B CN201811015112.9A CN201811015112A CN110874597B CN 110874597 B CN110874597 B CN 110874597B CN 201811015112 A CN201811015112 A CN 201811015112A CN 110874597 B CN110874597 B CN 110874597B
- Authority
- CN
- China
- Prior art keywords
- image
- fundus
- diameter
- blood vessel
- vessel
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供了一种眼底图像血管特征的提取方法、设备、系统和存储介质,所述方法包括以下步骤:接收眼底图像,并对图像进行预处理,得到预处理图像;提取出预处理图像中的眼底纹理特征和眼底颜色特征,并对二者进行融合,得到显著性图像;对于显著性图像进行阈值切割,得到切割图像,并确定切割图像中视盘所在位置;以视盘所在位置为基准点,分别计算切割图像内分支血管的管径的平均大小并输出。本发明能通过采集眼底图像,并自动分析视网膜血管特征的改变,从而及时发现小血管病变情况,为医生提供辅助诊断信息,实现精准医学下的高血压等慢病的个性化健康服务。
Description
技术领域
本发明涉及眼底图像分析和病变特征提取领域,尤其涉及一种眼底图像血管特征提取方法、设备、系统和存储介质。
背景技术
眼睛是健康的窗户,是人体全身唯一不用手术就能直接看到血管的部位。医学证据表明:视网膜与脑部的循环系统具有相近的解剖、生理和胚胎发育等特征。因此,通过眼底血管可以了解全身尤其脑部动脉和全身中小动脉病变程度,眼底血管改变也是高血压危险分层的主要依据,视网膜、视网膜血管及视神经乳头的状况以及变化,在一定程度上反映了人体全身血管循环的动态情况及健康状况。
目前,国际上许多国家,包括我国在内在许多一线城市已经开展了基于社区的眼底筛查系统建设工作,然而面对筛查阶段获取的海量的非结构化的眼底图像以及各类信息,并未实现有效的管理与利用。如何结合医学的相关知识对图像进行处理与分析,将眼底图像中的关键结构、与各类疾病相关的病灶以及血管形态转化为结构化的定量分析数据,形成标准的描述,是进行相关疾病监测、风险评估、预测模型的建立等工作的基础。
根据我国高血压防治指南,视网膜动脉病变可反映小血管病变情况,如果我们能够通过眼底图像的定期筛查和比对,从中找出能够进行定量分析的关键方法,就能对不同人或同一个人不同时间或不同设备上采集的眼底图像的视网膜病变特征或血管改变情况进行定量分析、统计或比较,形成结构化或的健康数据,就能对糖尿病视网膜病变、糖尿病肾病、高血压、脑卒中等疾病进行预警或特异性筛查。因此,如果能提供一种眼底图像血管特征的分析方法,这对于及时发现小血管病变情况,为医生提供辅助诊断信息都具有十分积极的意义。
发明内容
为此,需要提供一种眼底图像血管特征提取的技术方案,通过血管管径的变化分析,实现及时发现小血管病变情况,为医生提供辅助诊断信息的目的。
为实现上述目的,发明人提供了一种眼底图像血管特征的提取方法,所述方法包括以下步骤:
接收眼底图像,并对图像进行预处理,得到预处理图像;
提取出预处理图像中的眼底纹理特征和眼底颜色特征,并对二者进行融合,得到显著性图像;
对于显著性图像进行阈值切割,得到切割图像,并确定切割图像中视盘所在位置;
以视盘所在位置为基准点,分别计算切割图像内分支血管的管径的平均大小并输出。
进一步地,所述方法包括:
采用区域优化函数来增强眼底颜色特征的对比度,得到颜色对比度特征,将眼底纹理特征与颜色对比度特征融合,得到显著性图像,优化函数公式如下:
其中,k和δ为控制因子,当40≤midval≤120时,δ为对数函数;当120<midval<160时,δ为指数函数。
进一步地,计算切割图像内分支血管管径的平均大小包括以下步骤:
在血管两侧分别取对称的若干像素点,通过血管某一侧的像素点及与其对应的另一侧的像素点的灰度值变化确定血管边界;
取当前位于血管同一侧的相邻的两个像素点的中垂线,并确定该中垂线与血管管壁的交点,计算血管一侧中垂线与血管管壁的交点、与另一侧垂线与血管管壁的交点的距离;
取计算的所有距离的平均值作为当前分支血管管径的大小。
进一步地,所述方法包括:
根据切割图像内分支血管管径的平均大小,计算主干静脉直径以及主干动脉直径,以及计算主干动脉直径与主干静脉直径的比值并输出;
主干动脉直径与主干静脉直径的计算公式如下:
其中,Wd为主干动脉的直径,We为主干静脉的直径,Wa为数值小于预设管径的分支血管的管径,Wb为数值大于预设管径的分支血管的管径。
发明人还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收眼底图像,并对图像进行预处理,得到预处理图像;
提取出预处理图像中的眼底纹理特征和眼底颜色特征,并对二者进行融合,得到显著性图像;
对于显著性图像进行阈值切割,得到切割图像,并确定切割图像中视盘所在位置;
以视盘所在位置为基准点,分别计算切割图像内分支血管的管径的平均大小并输出。
进一步地,所述计算机程序被处理器执行时实现以下步骤:
采用区域优化函数来增强眼底颜色特征的对比度,得到颜色对比度特征,将眼底纹理特征与颜色对比度特征融合,得到显著性图像,优化函数公式如下:
其中,k和δ为控制因子,当40≤midval≤120时,δ为对数函数;当120≤midval≤160时,δ为指数函数。
进一步地,步骤计算切割图像内分支血管管径的平均大小包括:
在血管两侧分别取对称的若干像素点,通过血管某一侧的像素点及与其对应的另一侧的像素点的灰度值变化确定血管边界;
取当前位于血管同一侧的相邻的两个像素点的中垂线,并确定该中垂线与血管管壁的交点,计算血管一侧中垂线与血管管壁的交点、与另一侧垂线与血管管壁的交点的距离;
取计算的所有距离的平均值作为当前分支血管管径的大小。
进一步地,所述方法包括:
根据切割图像内分支血管管径的平均大小,计算主干静脉直径以及主干动脉直径,以及计算主干动脉直径与主干静脉直径的比值并输出;
主干动脉直径与主干静脉直径的计算公式如下:
其中,Wd为主干动脉的直径,We为主干静脉的直径,Wa为数值小于预设管径的分支血管的管径,Wb为数值大于预设管径的分支血管的管径。
发明人还提供了一种眼底图像血管特征提取设备,所述设备包括存储介质,所述存储介质为如前文所述的存储介质。
发明人提供了一种眼底图像血管特征提取系统,所述系统包括眼底图像血管特征提取设备和眼底图像采集设备;
所述眼底图像采集设备与眼底图像血管特征提取设备连接,用于采集眼底图像;
所述眼底图像血管特征提取设备为如前文所述的眼底图像血管特征提取设备。
区别于现有技术,上述技术方案所述的眼底图像血管特征的提取方法、设备、系统和存储介质,所述方法包括以下步骤:接收眼底图像,并对图像进行预处理,得到预处理图像;提取出预处理图像中的眼底纹理特征和眼底颜色特征,并对二者进行融合,得到显著性图像;对于显著性图像进行阈值切割,得到切割图像,并确定切割图像中视盘所在位置;以视盘所在位置为基准点,分别计算切割图像内分支血管的管径的平均大小并输出。本发明能通过采集眼底图像,并自动分析视网膜血管特征的改变,从而及时发现小血管病变情况,为医生提供辅助诊断信息,实现精准医学下的高血压等慢病的个性化健康服务。
附图说明
图1为本发明一实施例涉及的眼底图像血管特征的提取方法的示意图;
图2为本发明一实施例涉及的切割图像的示意图;
图3为本发明一实施例涉及的血管管径测量的原理示意图;
图4为本发明另一实施例涉及的血管管径测量的原理示意图;
图5为本发明另一实施例涉及的血管管径测量的原理示意图。
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。
请参阅图1,为本发明一实施例涉及的眼底图像血管特征的提取方法的示意图。所述方法包括以下步骤:
首先进入步骤S101接收眼底图像,并对图像进行预处理,得到预处理图像。顾名思义,眼底图像就是包含眼底信息的图像,眼底就是眼球内后部的组织,即眼球的内膜——包括视网膜、视乳头、黄斑和视网膜中央动静脉。眼底图像可以通过彩色眼底相机进行采集。
在实际应用过程中,考虑采集到的眼底图像在尺寸大小、亮度、颜色和对比度等多方面往往存在呈现不同,为了达到不同图像中相同特征的相同属性的描述一致性要求,因而需要对眼底图像进行归一化处理以及有针对性的图像预处理,从而有利于图像特征提取。
由于眼底图像受到对焦、照明等因素影响,普遍会存在亮度不均、血管对比度差等现象,因此在进行眼底图像分析前需要对图像进行预处理。在本实施方式中,图像预处理步骤包括对眼底图像分别进行了滤波处理和对比度增强。
眼底图像在拍照、数字化及传输过程中不可避免地会引入噪声或其它干扰。噪声会破坏到细节特征,将影响着血管的分割效果。在本实施方式中,采用中值滤波方法进行滤波处理,该方法能够有效地抑制最小或最大灰度值的噪声,且不会模糊图像轮廓边界。例如眼底图像大小为700*605,中值滤波处理选择的模板尺寸为3*3,滤波后的图像如图2所示。在另一些实施方式中,滤波处理还可以采用其他滤波算法,如盒式滤波、均值滤波、高斯滤波等,这些滤波算法都是现有技术,此处不再赘述。
在本实施方式中,采用自适应对比度增强方法[对眼底图像进行处理,在得到低频成分后,将滤波后的图像减去低频成分得到高频成分并对高频成分增加一个对比度增益从而放大高频成分,并与低频成分相加来得到增强的图像。假设x(i,j)为眼底图像中的某一点,则图像的低频部分可用公式(1)表示为:
而后通过对高频成分放大而得到的增强的图像,增强图像上的各个像素值可以用公式(2)表示:
f(i,j)=mx(i,j)+G(i,j)[x(i,j)-mx(i,j)] (2)
其中G(i,j)为对比度增益放大系数,通常大于1,考虑到采用固定的增益系数会出现边缘过增强的现象,因此这个增益系数采用空间自适应,增益系数和局部均方差成反比。如果在图像的边缘位置,局部均方差较大,则增益系数较小,这样就不会产生振铃效应。但是当增益系数较大时,会引起噪声的放大,因此这里需要限定一个增益系数的最大值来获得最好的效果。对比度增益放大系数可以用公式(3)表示为:
而后进入步骤S102提取出预处理图像中的眼底纹理特征和眼底颜色特征,并对二者进行融合,得到显著性图像。
图像颜色是分析图像显著性中最重要的特征之一,同时考虑到血管含有纹理特征,而纹理可以反映图像中的视觉特征,因而在步骤S102中需要对颜色和纹理特征进行提取。
纹理特征是一种不依赖于颜色或亮度,能够反映图像中同质现象的视觉特征,考虑到二维Gabor滤波器能捕捉对应于尺度、空间位置及方向选择性的局部结构,因此本发明采用Gabor滤波器来提取纹理特征,在Gabor滤波器中其位置由方向和尺度两个参数决定,通过设定参数基本就可以表达图像的纹理特征。Gabor滤波函数可以采用公式(4)进行表示:
将公式(4)经过傅里叶变换得到公式(5):
其中,W是高斯函数的复合已调频率。通常血管的方向不一,因此Gabor滤波必须采用不同的方向,文中分别采用了0°、30°、60°、90°、120°、150°六个不同的方向,小尺度可以用于检测小血管,大尺度可以用于检测大血管。在本实施方式中,可以采用五个不同的尺度(如3,5,7,9,11)来提取血管轮廓。在得到不同方向和尺度Gabor滤波图之后,采用最大值响应对其进行图像融合得到一幅Gabor变换图。简言之,就是对各个滤波图相同坐标点取最大值作为融合图的响应值。
视觉系统中对颜色最为敏感,如果目标与周围颜色不同,则容易引起注意。考虑到全局和局部的特征,对于每个像素点处的颜色对比度特征,通过定义该像素点的最大矩形邻域与整幅图像面积大小的比值来控制对特征的影响。算法用公式(6)表示如下:
其中,U表示像素(x,y)的最大外接矩形邻域,w和h是图像的宽度和高度。A是矩形U的面积,d是A与整幅图像面积的比值,d可以根据像素(x,y)与图像中心的距离进行调整。
在提取到颜色特征和纹理特征之后,需要对它们进行融合。考虑到当前所选取的两个不同颜色空间RGB和CIELab共六个颜色通道,本发明中采用二维信息熵作为衡量显著图性能的标准,并从中选取两组最优的颜色特征图和纹理特征图。对于颜色特征的融合采用以信息熵的倒数作为权系数的线性融合方法。对于纹理特征的融合,采取最大值融合方法。最后将颜色对比度特征与纹理特征融合,仍采用基于二维的信息熵融合。
而后进入步骤S103对于显著性图像进行阈值切割,得到切割图像,并确定切割图像中视盘所在位置。在本实施方式中,采用基于区域的一维直方图阈值方法对显著图进行阈值分割。用于统计直方图的图像是根据原图像及其邻域的关系来选择。假设f(m,n)表示像素值,g(m,n)表示其5*5邻域,t1=40。z为灰度级,z=0,1,2…L-1。根据f(m,n)和g(m,n)的关系采用最大值统计方法计算直方图,用于统计直方图的原图像用公式(7)表示如下:
直方图的公式可以用公式(8)表示如下:
经过阈值分割后会有部分细小血管丢失,该算法中采用形态学膨胀操作进行修补。膨胀操作是现有技术中很常用的操作算子,此处不再赘述。
而后进入步骤S104以视盘所在位置为基准点,分别计算切割区域内分支血管的管径的平均大小并输出。
如图2所示,对于眼底血管改变的特征主要是取决于切割区域的血管形态,因此通过视盘定位来确定切割区域。切割区域是以OD为中心,1DD(disk diameter)和1.5DD分别画圆,两圆中间部分定义为切割区域。
在某些实施例中,所述方法包括:
采用区域优化函数来增强眼底颜色特征的对比度,得到颜色对比度特征,将眼底纹理特征与颜色对比度特征融合,得到显著性图像,优化函数公式如下:
其中,k和δ为控制因子,当40≤midval≤120时,δ为对数函数;当120<midval<160时,δ为指数函数。
由于显著性图像是灰度图像,灰度值范围是有限的,为了突出显著性图像中的对比度强度,采用区域优化来增强对比度。这样可以使得图像中显著值高的变得更高,显著值低的变得更低。
在某些实施例中,计算切割区域内分支血管管径的平均大小包括以下步骤:
在血管两侧分别取对称的若干像素点,通过血管某一侧的像素点及与其对应的另一侧的像素点的灰度值变化确定血管边界;
取当前位于血管同一侧的相邻的两个像素点的中垂线,并确定该中垂线与血管管壁的交点,计算血管一侧中垂线与血管管壁的交点、与另一侧垂线与血管管壁的交点的距离;
取计算的所有距离的平均值作为当前分支血管管径的大小。
如图3所示,首先在血管两侧采集四个(在其他实施例中,还可以为其他任意数量)像素点,在同一侧的两点间平均再取两点来增加点数。血管另一侧的操作亦是如此。从图3中可以看出,在血管左侧选取的4个点为A’至D’,在血管右侧选取的4个点为E’至H’。其中,A’位置对应E’,B’位置对应F’,C’位置对应G’,D’位置对应H’。
如图4所示,通过血管两侧的点去搜索边界,可以通过取血管同一水平线上的两点间的灰度曲线分布图,确定拐点的位置作为血管边界点,这样就可以将血管两侧的点移至边界处。即图4中A’点移动至A,B’点移动至B,C’位置移动至C,D’位置移动至D,E’位置移动至E,以此类推。
如图5所示,将相邻两个边界点连线并取其中垂线,中垂线在两个边界处的交点间距离(如图5中的X与X’的距离)作为一个管径长度,以此类推,共有六条中垂线可得到3个管径长度,将这3个管径取平均值作为最后的测量值。
在某些实施例中,所述方法包括:选择ROI中最粗的6条动静脉进行管径测量,根据切割区域内分支血管管径的平均大小,计算主干静脉直径以及主干动脉直径,以及计算主干动脉直径与主干静脉直径的比值并输出;
主干动脉直径与主干静脉直径的计算公式如下:
其中,Wd为主干动脉的直径,We为主干静脉的直径,Wa为ROI中所选择的动静脉中最细分支的直径;Wb为ROI中所选择的动静脉中最粗分支的直径。
发明人还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收眼底图像,并对图像进行预处理,得到预处理图像;
提取出预处理图像中的眼底纹理特征和眼底颜色特征,并对二者进行融合,得到显著性图像;
对于显著性图像进行阈值切割,得到切割区域,并确定切割区域中视盘所在位置;
以视盘所在位置为基准点,分别计算切割区域内分支血管的管径的平均大小并输出。
进一步地,所述计算机程序被处理器执行时实现以下步骤:
采用区域优化函数来增强眼底颜色特征的对比度,得到颜色对比度特征,将眼底纹理特征与颜色对比度特征融合,得到显著性图像,优化函数公式如下:
其中,k和δ为控制因子,当40≤midval≤120时,δ为对数函数;当120<midval<160时,δ为指数函数。
在某些实施例中,步骤计算切割区域内分支血管管径的平均大小包括:
在血管两侧分别取对称的若干像素点,通过血管某一侧的像素点及与其对应的另一侧的像素点的灰度值变化确定血管边界;
取当前位于血管同一侧的相邻的两个像素点的中垂线,并确定该中垂线与血管管壁的交点,计算血管一侧中垂线与血管管壁的交点、与另一侧垂线与血管管壁的交点的距离;
取计算的所有距离的平均值作为当前分支血管管径的大小。
在某些实施例中,所述方法包括:
根据切割区域内分支血管管径的平均大小,计算主干静脉直径以及主干动脉直径,以及计算主干动脉直径与主干静脉直径的比值并输出;
主干动脉直径与主干静脉直径的计算公式如下:
其中,Wd为主干动脉的直径,We为主干静脉的直径,Wa为数值小于预设管径的分支血管的管径,Wb为数值大于预设管径的分支血管的管径。
发明人还提供了一种眼底图像血管特征提取设备,所述设备包括存储介质,所述存储介质为前文所述的存储介质。
发明人还提供了一种眼底图像血管特征提取系统,所述系统包括眼底图像血管特征提取设备和眼底图像采集设备。所述眼底图像采集设备与眼底图像血管特征提取设备连接,用于采集眼底图像;所述眼底图像血管特征提取设备为如前文所述的眼底图像血管特征提取设备。
上述技术方案所述的眼底图像血管特征的提取方法、设备、系统和存储介质,所述方法包括以下步骤:接收眼底图像,并对图像进行预处理,得到预处理图像;提取出预处理图像中的眼底纹理特征和眼底颜色特征,并对二者进行融合,得到显著性图像;对于显著性图像进行阈值切割,得到切割区域,并确定切割区域中视盘所在位置;以视盘所在位置为基准点,分别计算切割区域内分支血管的管径的平均大小并输出。本发明能通过采集眼底图像,并自动分析视网膜血管特征的改变,从而及时发现小血管病变情况,为医生提供辅助诊断信息,实现精准医学下的高血压等慢病的个性化健康服务。
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)
1.一种眼底图像血管特征的提取方法,其特征在于,所述方法包括以下步骤:
接收眼底图像,并对图像进行预处理,得到预处理图像;
提取出预处理图像中的眼底纹理特征和眼底颜色特征,并对二者进行融合,得到显著性图像;
对于显著性图像进行阈值切割,得到切割图像,并确定切割图像中视盘所在位置;
以视盘所在位置为基准点,分别计算切割图像内分支血管的管径的平均大小并输出;计算切割图像内分支血管管径的平均大小包括以下步骤:在血管两侧分别取对称的若干像素点,通过血管某一侧的像素点及与其对应的另一侧的像素点的灰度值变化确定血管边界;取当前位于血管同一侧的相邻的两个像素点的中垂线,并确定该中垂线与血管管壁的交点,计算血管一侧中垂线与血管管壁的交点、与另一侧垂线与血管管壁的交点的距离;取计算的所有距离的平均值作为当前分支血管管径的大小;
所述方法还包括:
采用区域优化函数来增强眼底颜色特征的对比度,得到颜色对比度特征,将眼底纹理特征与颜色对比度特征融合,得到显著性图像,优化函数公式如下:
其中,k和δ为控制因子,当40≤midval≤120时,δ为对数函数;当120<midval≤160时,δ为指数函数。
3.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收眼底图像,并对图像进行预处理,得到预处理图像;
提取出预处理图像中的眼底纹理特征和眼底颜色特征,并对二者进行融合,得到显著性图像;
对于显著性图像进行阈值切割,得到切割图像,并确定切割图像中视盘所在位置;
以视盘所在位置为基准点,分别计算切割图像内分支血管的管径的平均大小并输出;步骤计算切割图像内分支血管管径的平均大小包括:在血管两侧分别取对称的若干像素点,通过血管某一侧的像素点及与其对应的另一侧的像素点的灰度值变化确定血管边界;取当前位于血管同一侧的相邻的两个像素点的中垂线,并确定该中垂线与血管管壁的交点,计算血管一侧中垂线与血管管壁的交点、与另一侧垂线与血管管壁的交点的距离;取计算的所有距离的平均值作为当前分支血管管径的大小;
所述计算机程序被处理器执行时实现以下步骤:
采用区域优化函数来增强眼底颜色特征的对比度,得到颜色对比度特征,将眼底纹理特征与颜色对比度特征融合,得到显著性图像,优化函数公式如下:
其中,k和δ为控制因子,当40≤midval≤120时,δ为对数函数;当120<midval≤160时,δ为指数函数。
5.一种眼底图像血管特征提取设备,其特征在于,所述设备包括存储介质,所述存储介质为如权利要求3或4所述的存储介质。
6.一种眼底图像血管特征提取系统,其特征在于,所述系统包括眼底图像血管特征提取设备和眼底图像采集设备;
所述眼底图像采集设备与眼底图像血管特征提取设备连接,用于采集眼底图像;
所述眼底图像血管特征提取设备为如权利要求5所述的眼底图像血管特征提取设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811015112.9A CN110874597B (zh) | 2018-08-31 | 2018-08-31 | 一种眼底图像血管特征提取方法、设备、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811015112.9A CN110874597B (zh) | 2018-08-31 | 2018-08-31 | 一种眼底图像血管特征提取方法、设备、系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874597A CN110874597A (zh) | 2020-03-10 |
CN110874597B true CN110874597B (zh) | 2023-03-24 |
Family
ID=69715420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811015112.9A Active CN110874597B (zh) | 2018-08-31 | 2018-08-31 | 一种眼底图像血管特征提取方法、设备、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874597B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652866B (zh) * | 2020-05-29 | 2022-12-27 | 天津医科大学眼科医院 | 虹膜血管造影定量分析方法 |
CN111681242B (zh) * | 2020-08-14 | 2020-11-17 | 北京至真互联网技术有限公司 | 视网膜血管动静脉区分方法和装置、设备 |
CN116740203B (zh) * | 2023-08-15 | 2023-11-28 | 山东理工职业学院 | 用于眼底相机数据的安全存储方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006175A (zh) * | 2012-11-14 | 2013-04-03 | 天津工业大学 | 一种基于相位一致性的眼底图像视盘定位方法 |
CN105718919A (zh) * | 2016-02-02 | 2016-06-29 | 吉林大学 | 一种眼底图像视盘定位方法及系统 |
CN105913064A (zh) * | 2016-04-12 | 2016-08-31 | 福州大学 | 一种图像视觉显著性检测拟合优化方法 |
CN106651888A (zh) * | 2016-09-28 | 2017-05-10 | 天津工业大学 | 基于多特征融合的彩色眼底图像视杯分割方法 |
CN107248161A (zh) * | 2017-05-11 | 2017-10-13 | 江西理工大学 | 一种多特征融合的有监督视网膜血管提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8831304B2 (en) * | 2009-05-29 | 2014-09-09 | University of Pittsburgh—of the Commonwealth System of Higher Education | Blood vessel segmentation with three-dimensional spectral domain optical coherence tomography |
-
2018
- 2018-08-31 CN CN201811015112.9A patent/CN110874597B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006175A (zh) * | 2012-11-14 | 2013-04-03 | 天津工业大学 | 一种基于相位一致性的眼底图像视盘定位方法 |
CN105718919A (zh) * | 2016-02-02 | 2016-06-29 | 吉林大学 | 一种眼底图像视盘定位方法及系统 |
CN105913064A (zh) * | 2016-04-12 | 2016-08-31 | 福州大学 | 一种图像视觉显著性检测拟合优化方法 |
CN106651888A (zh) * | 2016-09-28 | 2017-05-10 | 天津工业大学 | 基于多特征融合的彩色眼底图像视杯分割方法 |
CN107248161A (zh) * | 2017-05-11 | 2017-10-13 | 江西理工大学 | 一种多特征融合的有监督视网膜血管提取方法 |
Non-Patent Citations (2)
Title |
---|
《动静脉血管自动分类方法及其管径测量》;薛岚燕等;《仪器仪表学报》;20180122;第38卷(第9期);2307-2316 * |
《视网膜血管直径交互式测量方法》;薛岚燕等;《 福州大学学报(自然科学版)》;20180702;第46卷(第3期);341-349 * |
Also Published As
Publication number | Publication date |
---|---|
CN110874597A (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tavakoli et al. | A complementary method for automated detection of microaneurysms in fluorescein angiography fundus images to assess diabetic retinopathy | |
CN111340789A (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
CN109544540B (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 | |
CN110874597B (zh) | 一种眼底图像血管特征提取方法、设备、系统和存储介质 | |
Rasta et al. | A comparative study on preprocessing techniques in diabetic retinopathy retinal images: illumination correction and contrast enhancement | |
JP7197708B2 (ja) | 眼底画像定量分析の前置処理方法および記憶装置 | |
US8737703B2 (en) | Systems and methods for detecting retinal abnormalities | |
US20150029464A1 (en) | Automated Measurement of Changes in Retinal, Retinal Pigment Epithelial, or Choroidal Disease | |
Datta et al. | An effective approach: image quality enhancement for microaneurysms detection of non-dilated retinal fundus image | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
Hatanaka et al. | Improvement of automatic hemorrhage detection methods using brightness correction on fundus images | |
CN112927228A (zh) | 图像评估方法和装置、模型训练方法和装置 | |
Naveen et al. | Diabetic retinopathy detection using image processing | |
Jeevakala et al. | A novel segmentation of cochlear nerve using region growing algorithm | |
CN110033861B (zh) | 适用于octa图像的血管及黄斑无血管区定量分析方法及系统 | |
Lazar et al. | Retinal microaneurysm detection based on intensity profile analysis | |
Wisaeng et al. | Automatic detection of exudates in retinal images based on threshold moving average models | |
Lazar et al. | A novel approach for the automatic detection of microaneurysms in retinal images | |
CN116030042A (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
WO2011047342A1 (en) | Systems and methods for detecting retinal abnormalities | |
TWI615130B (zh) | 影像處理方法及非暫態電腦可讀取媒體 | |
Lee et al. | Enhancement of blood vessels in retinal imaging using the nonsubsampled contourlet transform | |
Santhakumar et al. | A fast algorithm for optic disc segmentation in fundus images | |
Palanisamy et al. | An adaptive enhancement and fovea detection technique for color fundus image analysis | |
CN116491892B (zh) | 近视眼底改变评估方法、装置和电子设备 |
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 |