CN110930346A - 一种眼底图像微血管瘤自动检测方法及存储设备 - Google Patents

一种眼底图像微血管瘤自动检测方法及存储设备 Download PDF

Info

Publication number
CN110930346A
CN110930346A CN201811011949.6A CN201811011949A CN110930346A CN 110930346 A CN110930346 A CN 110930346A CN 201811011949 A CN201811011949 A CN 201811011949A CN 110930346 A CN110930346 A CN 110930346A
Authority
CN
China
Prior art keywords
fundus image
microangioma
matched filtering
filtering
scale matched
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
CN201811011949.6A
Other languages
English (en)
Other versions
CN110930346B (zh
Inventor
余轮
曹新容
王丽纳
林嘉雯
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 CN201811011949.6A priority Critical patent/CN110930346B/zh
Publication of CN110930346A publication Critical patent/CN110930346A/zh
Application granted granted Critical
Publication of CN110930346B publication Critical patent/CN110930346B/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
    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明涉及眼底图像处理领域，特别涉及一种眼底图像微血管瘤自动检测方法及存储设备。所述一种眼底图像微血管瘤自动检测方法，包括步骤：获取待分析的眼底图像；对眼底图像进行预处理；建立多尺度匹配滤波算子；对预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区；对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络；对微血管瘤候选区进行形态特征分析，确认微血管瘤。整个过程无需大量的数据进行深度学习训练，简单有效，快速帮助医生排除没有出现血管瘤的眼底相片或没有出现DR的糖尿病患者，大大减少进一步的诊断和规模化的DR筛查中医师判读分级的工作量。

Description

一种眼底图像微血管瘤自动检测方法及存储设备
技术领域
本发明涉及眼底图像处理领域，特别涉及一种眼底图像微血管瘤自动检测方法及存储设备。
背景技术
根据世界卫生组织发布的消息，全球范围内有3.47亿人被诊断患有糖尿病，并预计到2040年，这个数字将会超过6.4亿。循证医学研究证明，高血糖、高血压、高血脂及糖尿病病程是糖尿病视网膜病变(英文缩写“DR”)发生的重要危险因素。因此,严格控制血糖、血脂、血压等多种危险因素，同时进行眼底筛查,可显著降低糖尿病患者发生糖尿病视网膜病变的危险性。
各国的经验已经表明：“远程医疗是开展DR筛查和提高筛查率和患者依从性的有效办法”！通过眼底照相，能够在眼底视网膜图象上直接观测到DR的各种病变特征，在DR早期能及时发现并治疗，可以有效防止失明，但是医生人工读图诊断是一项耗时的工作，并且容易出错，因此迫切需要一种有效的计算机辅助诊断系统，实现眼底视网膜图像中的DR特征的自动分析。
微血管瘤是DR最早期存在的主要特征，并随着疾病的发展持续存在。准确检测微血管瘤是早期诊断糖尿病视网膜病变的重要步骤，因此如果能够通过计算机辅助系统，自动检测早期微血管瘤的存在，那么我们就能自动或半自动的通过这项工作排除近70％以上没有出现微血管瘤的眼底相片或没有出现DR的糖尿病患者，大大减少进一步的诊断和DR分级诊疗的工作量。
目前的眼底图象分析中的微血管瘤检测常用的是：监督算法，在检测微血管瘤可能存在的候选区域后，利用分类器，消除假阳区域，提高检测算法的特异性。这需要额外的数据来训练和生成分类器模型。Inoue等采用Hessian矩阵检测候选区域，再用人工神经网络对126个特征实现分类检测，并结合主成分分析方法降低运算复杂度，避免过拟合现象；Adal等提出半监督学习方法，提取局部多尺度特征，训练支持向量机、随机森林等多种分类器，实现微血管瘤的检测与提取；Haloi等则应用深度神经网络检测彩色眼底图像中的微血管瘤。但是深度学习需要大量的数据进行训练，而目前还没有足够大的已标注眼底图像数据库。
发明内容
为此，需要提供一种眼底图像微血管瘤自动检测方法，用以解决现有技术检测眼底图像微血管瘤运算复杂，需要大量的数据进行训练，分析方法效率低下的问题。具体的技术方案如下：
一种眼底图像微血管瘤自动检测方法，包括步骤：获取待分析的眼底图像；对所述眼底图像进行预处理；建立多尺度匹配滤波算子；通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区；通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络；对所述微血管瘤候选区进行形态特征分析，确认微血管瘤。
进一步的，所述“建立多尺度匹配滤波算子”，还包括步骤：根据匹配滤波使眼底图像与滤波算子卷积，通过滤波响应值完成目标分割；根据目标在眼底图像中的灰度分布和形态特征，选择不同的领域范围，计算加权系数，生成基于像素距离的多尺度匹配滤波算子。
进一步的，所述“通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区”，还包括步骤：预处理后的眼底图像与多尺度匹配滤波算子卷积，计算所述眼底图像的背景估计值；计算目标区域的灰度阈值，得到二值化图像，滤除纹理噪声；设定面积阈值对所述二值化图像进行面积滤波，分离非目标结构，获得微血管瘤候选区，所述非目标结构包括：小面积的噪声点、大面积的血管和黄斑。
进一步的，所述“通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络”，还包括步骤：对所述二值化图像做形态学闭操作，填补轮廓线中的断裂和孔洞；使用面积滤波，设定面积阈值，滤除小面积的噪声，提取主血管网络。
进一步的，所述“对所述微血管瘤候选区进行形态特征分析，确认微血管瘤”，还包括步骤：判断微血管瘤候选区与主血管网络是否存在重合现象，若存在重合现象，则重合区域作为虚假目标被滤除；对未重合的候选区作形状分析；计算候选区最长距离作为水平径向长度，与之垂直方向的最长距离作为垂直径向长度，计算两者比值为水平径向长度/垂直径向长度，根据所述比值确认微血管瘤。
为解决上述问题，还提供了一种存储设备，具体技术方案如下：
一种存储设备，其中存储有指令集，所述指令集用于执行：获取待分析的眼底图像；对所述眼底图像进行预处理；建立多尺度匹配滤波算子；通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区；通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络；对所述微血管瘤候选区进行形态特征分析，确认微血管瘤。
进一步的，所述指令集还用于执行：所述“建立多尺度匹配滤波算子”，还包括步骤：根据匹配滤波使眼底图像与滤波算子卷积，通过滤波响应值完成目标分割；根据目标在眼底图像中的灰度分布和形态特征，选择不同的领域范围，计算加权系数，生成基于像素距离的多尺度匹配滤波算子。
进一步的，所述指令集还用于执行：所述“通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区”，还包括步骤：预处理后的眼底图像与多尺度匹配滤波算子卷积，计算所述眼底图像的背景估计值；计算目标区域的灰度阈值，得到二值化图像，滤除纹理噪声；设定面积阈值对所述二值化图像进行面积滤波，分离非目标结构，获得微血管瘤候选区，所述非目标结构包括：小面积的噪声点、大面积的血管和黄斑。
进一步的，所述指令集还用于执行：所述“通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络”，还包括步骤：对所述二值化图像做形态学闭操作，填补轮廓线中的断裂和孔洞；使用面积滤波，设定面积阈值，滤除小面积的噪声，提取主血管网络。
进一步的，所述指令集还用于执行：所述“对所述微血管瘤候选区进行形态特征分析，确认微血管瘤”，还包括步骤：判断微血管瘤候选区与主血管网络是否存在重合现象，若存在重合现象，则重合区域作为虚假目标被滤除；对未重合的候选区作形状分析；计算候选区最长距离作为水平径向长度，与之垂直方向的最长距离作为垂直径向长度，计算两者比值为水平径向长度/垂直径向长度，根据所述比值确认微血管瘤。
本发明的有益效果是：眼底图像存在对比度低、光照不均匀的特点，而且微血管瘤目标小，在眼底图像上容易受到图像背景纹理噪声的影响。同时，眼底血管也是微血管瘤检测的主要干扰因素。本方法基于多尺度匹配滤波算子，通过预处理突出病灶特征，用大尺度匹配滤波消除背景干扰影响，小尺度匹配滤波提取主血管网络，有利于克服血管干扰，最后对所述微血管瘤候选区进行形态特征分析，确定微血管瘤。整个过程无需大量的数据进行深度学习训练，简单有效，快速帮助医生排除没有出现血管瘤的眼底相片或没有出现DR的糖尿病患者，大大减少进一步的诊断和DR分级诊疗的工作量。
附图说明
图1为具体实施方式所述一种眼底图像微血管瘤自动检测方法的流程图；
图2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：
200、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。
请参阅图1，在本实施方式中，一种眼底图像微血管瘤自动检测方法可应用在一种存储设备上，在本实施方式中，一种存储设备可以是智能手机、平板电脑、台式PC、笔记本电脑、PDA等等。
在本实施方式中，一种眼底图像微血管瘤自动检测方法的具体实施方式如下：
步骤S101：获取待分析的眼底图像。可采用如下方式：通过眼底照相机采集受检者的眼底图像，再将对应的受检者的眼底图像上传至存储设备处理，亦可以直接输入受检者的眼底图像，亦可以通过云端获取不同受检者的眼底图像，对眼底图像的获取途径多种多样，不做任何限制。
获取到待分析的眼底图像后，执行步骤S102：对所述眼底图像进行预处理。可采用如下方式：提取原始眼底图像的绿色通道，去除眼底图像噪声。从数字眼底照相机获得的彩色眼底图像一般包含RGB三个通道分量，比较发现绿色通道的对比度最高，结构清晰，微血管瘤的特征突出，呈现孤立的近似圆形的暗斑点。高斯滤波消除眼底图像中存在的噪声，对比度受限自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE)算法提高眼底图像的对比度。CLAHE算法可以增强感兴趣目标的细节，克服噪声被过度增强的问题。
对所述眼底图像进行预处理后，执行步骤S103：建立多尺度匹配滤波算子。可采用如下方式：根据匹配滤波使眼底图像与滤波算子卷积，通过滤波响应值完成目标分割；根据目标在眼底图像中的灰度分布和形态特征，选择不同的领域范围，计算加权系数，生成基于像素距离的多尺度匹配滤波算子。具体如下：
研究眼底视网膜的生理结构特点，发现眼底图像局部对比度的不同变化，可以反映眼底图像不同结构的生理特点，更容易从平滑的背景中区分眼底图像的生理结构，更符合人类视觉感知特性。
对每一个像素点(x,y)的邻域像素灰度值进行统计，估计该点的背景
Figure BDA0001785314440000061
如式1。其中f(·)是背景估计算法，IA(x,y,N)是以(x,y)为中心的N×N邻域像素。
Figure BDA0001785314440000062
由于眼底图像的成像特点，邻域像素对背景估计值的贡献与像素距离密切相关。由此，加入权重系数uij，调整邻域不同位置的像素在背景估计的权重，改进背景估计算法，如式2。
Figure BDA0001785314440000063
计算领域像素点(i,j)到估计点(x,y)的像素距离Dij，距离数值映射到区间[0,π]，用余弦函数平缓处理，再对生成的系数uoij归一化，得到基于像素距离的加权系数uij，如式3-5。
Figure BDA0001785314440000064
Figure BDA0001785314440000065
Figure BDA0001785314440000066
根据匹配滤波的基本原理，眼底图像与生成的滤波算子卷积，通过滤波响应值完成目标的分割。根据检测目标在眼底图像中的灰度分布和形态特征，选择不同的领域范围，计算加权系数，生成基于像素距离的多尺度匹配滤波算子MF(N)，如式6，其中N表示算子的尺度。
MF(N)＝[uij]N×N (6)
计算好多尺度匹配滤波算子后，执行步骤S104：通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区。可采用如下方式：预处理后的眼底图像与多尺度匹配滤波算子卷积，计算所述眼底图像的背景估计值；计算目标区域的灰度阈值，得到二值化图像，滤除纹理噪声；设定面积阈值对所述二值化图像进行面积滤波，分离非目标结构，获得微血管瘤候选区，所述非目标结构包括：小面积的噪声点、大面积的血管和黄斑。具体如下：
预处理眼底图像IA与加权滤波算子MF(N)卷积，计算眼底图像的背景估计值
Figure BDA0001785314440000071
算子尺度N1应足够大，能有效避免眼底基本结构对背景估计的影响。
Figure BDA0001785314440000072
眼底图像中的血管和微血管瘤具有相似的亮度和对比度，属于暗色目标，像素灰度值小于背景估计值。
Figure BDA0001785314440000073
计算相对变化If，保留If<0的暗色目标区域It，可以排除视盘、亮斑等高亮度区域对后续检测的影响。虽然黄斑和部分纹理噪声也属于暗色目标，但是与检测目标存在较为明显的形态区别，能以阈值和滤波的方法去除干扰。其中，纹理噪声的相对变化If较小，大津法(OSTU)计算目标区域It的灰度阈值T，得到二值化图像Ibw，滤除纹理噪声。设定面积阈值[Ts，Tb]，对Ibw进行面积滤波，分离小面积的噪声点与大面积的血管、黄斑等非目标结构，获得微血管瘤的候选区域IC。
Ibw＝It＞T (9)
IC＝Area(Ibw)∈[Ts,Tb] (10)
其中Area(·)表示计算每个连通域像素点个数。
大尺度匹配滤波后，执行步骤S105：通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络。可采用如下方式：对所述二值化图像做形态学闭操作，填补轮廓线中的断裂和孔洞；使用面积滤波，设定面积阈值，滤除小面积的噪声，提取主血管网络。具体如下：
为了更好地分割眼底图像中的主血管，滤波算子的尺度N2应小于主血管的宽度，由前文方法获得主血管网络的二值化图像Ibw。小尺度匹配滤波的响应值存在较多的间断和长细的空隙，需对Ibw作形态学闭操作，填补轮廓线中的断裂和孔洞。再使用面积滤波，设定面积阈值Tv，滤除小面积的噪声，提取连贯平滑的主血管网络IV。
IV＝Area(Ibw·SE)＞TV (11)
其中，·为形态学闭操作，SE为N2×N2的结构元素。
步骤S106：对所述微血管瘤候选区进行形态特征分析，确认微血管瘤。可采用如下方式：判断微血管瘤候选区与主血管网络是否存在重合现象，若存在重合现象，则重合区域作为虚假目标被滤除；对未重合的候选区作形状分析；计算候选区最长距离作为水平径向长度，与之垂直方向的最长距离作为垂直径向长度，计算两者比值为水平径向长度/垂直径向长度，根据所述比值确认微血管瘤。具体如下：
按照微血管瘤在眼底图像上表现的形状特点，对候选区进行形态特征分析，滤除虚假目标区域或利用形态学的方法消除血管网络提取时出现的噪声和干扰，确认真正的微血管瘤。
首先对候选区进行判断，如果某一个候选区域IC(i)和主血管网络IV存在重合现象，即IC(i)∩IV>0，则该候选区IC(i)作为虚假目标被滤除。
对仍然能保留的候选区域作形状分析。计算候选区最长距离作为水平径向长度L，与之垂直方向的最长距离作为垂直径向长度W，计算两者比值R＝L/W，作为形态判断的依据。
眼底图像存在对比度低、光照不均匀的特点，而且微血管瘤目标小，在眼底图像上容易受到图像背景纹理噪声的影响。同时，眼底血管也是微血管瘤检测的主要干扰因素。本方法基于多尺度匹配滤波算子，通过预处理突出病灶特征，用大尺度匹配滤波消除背景干扰影响，小尺度匹配滤波提取主血管网络，克服血管干扰，最后对所述微血管瘤候选区进行形态特征分析，确定微血管瘤。整个过程无需大量的数据进行深度学习训练，简单有效，快速帮助医生排除没有出现血管瘤的眼底相片或没有出现DR的糖尿病患者，大大减少进一步的诊断和DR分级诊疗的工作量。
请参阅图2，一种存储设备200的具体实施方式如下：
一种存储设备200，其中存储有指令集，所述指令集用于执行：获取待分析的眼底图像；对所述眼底图像进行预处理；建立多尺度匹配滤波算子；通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区；通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络；对所述微血管瘤候选区进行形态特征分析，确认微血管瘤。
所述“获取待分析的眼底图像”可采用如下方式：通过眼底照相机采集受检者的眼底图像，再将对应的受检者的眼底图像上传至存储设备处理，亦可以直接输入受检者的眼底图像，亦可以通过云端获取不同受检者的眼底图像，对眼底图像的获取途径多种多样，不做任何限制。
所述“对所述眼底图像进行预处理”可采用如下方式：提取原始眼底图像的绿色通道，去除眼底图像噪声。从数字眼底照相机获得的彩色眼底图像一般包含RGB三个通道分量，比较发现绿色通道的对比度最高，结构清晰，微血管瘤的特征突出，呈现孤立的近似圆形的暗斑点。高斯滤波消除眼底图像中存在的噪声，对比度受限自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE)算法提高眼底图像的对比度。CLAHE算法可以增强感兴趣目标的细节，克服噪声被过度增强的问题。
进一步的，所述指令集还用于执行：所述“建立多尺度匹配滤波算子”，还包括步骤：根据匹配滤波使眼底图像与滤波算子卷积，通过滤波响应值完成目标分割；根据目标在眼底图像中的灰度分布和形态特征，选择不同的领域范围，计算加权系数，生成基于像素距离的多尺度匹配滤波算子。
进一步的，所述指令集还用于执行：所述“通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区”，还包括步骤：预处理后的眼底图像与多尺度匹配滤波算子卷积，计算所述眼底图像的背景估计值；计算目标区域的灰度阈值，得到二值化图像，滤除纹理噪声；设定面积阈值对所述二值化图像进行面积滤波，分离非目标结构，获得微血管瘤候选区，所述非目标结构包括：小面积的噪声点、大面积的血管和黄斑。具体如下：
预处理眼底图像IA与加权滤波算子MF(N)卷积，计算眼底图像的背景估计值
Figure BDA0001785314440000101
算子尺度N1应足够大，能有效避免眼底基本结构对背景估计的影响。
Figure BDA0001785314440000102
眼底图像中的血管和微血管瘤具有相似的亮度和对比度，属于暗色目标，像素灰度值小于背景估计值。
Figure BDA0001785314440000103
计算相对变化If，保留If<0的暗色目标区域It，可以排除视盘、亮斑等高亮度区域对后续检测的影响。虽然黄斑和部分纹理噪声也属于暗色目标，但是与检测目标存在较为明显的形态区别，能以阈值和滤波的方法去除干扰。其中，纹理噪声的相对变化If较小，大津法(OSTU)计算目标区域It的灰度阈值T，得到二值化图像Ibw，滤除纹理噪声。设定面积阈值[Ts，Tb]，对Ibw进行面积滤波，分离小面积的噪声点与大面积的血管、黄斑等非目标结构，获得微血管瘤的候选区域IC。
Ibw＝It＞T (9)
IC＝Area(Ibw)∈[Ts,Tb] (10)
其中Area(·)表示计算每个连通域像素点个数。
进一步的，所述指令集还用于执行：所述“通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络”，还包括步骤：对所述二值化图像做形态学闭操作，填补轮廓线中的断裂和孔洞；使用面积滤波，设定面积阈值，滤除小面积的噪声，提取主血管网络。具体如下：
为了更好地分割眼底图像中的主血管，滤波算子的尺度N2应小于主血管的宽度，由前文方法获得主血管网络的二值化图像Ibw。小尺度匹配滤波的响应值存在较多的间断和长细的空隙，需对Ibw作形态学闭操作，填补轮廓线中的断裂和孔洞。再使用面积滤波，设定面积阈值Tv，滤除小面积的噪声，提取连贯平滑的主血管网络IV。
IV＝Area(Ibw·SE)＞TV (11)
其中，·为形态学闭操作，SE为N2×N2的结构元素。
进一步的，所述指令集还用于执行：所述“对所述微血管瘤候选区进行形态特征分析，确认微血管瘤”，还包括步骤：判断微血管瘤候选区与主血管网络是否存在重合现象，若存在重合现象，则重合区域作为虚假目标被滤除；对未重合的候选区作形状分析；计算候选区最长距离作为水平径向长度，与之垂直方向的最长距离作为垂直径向长度，计算两者比值为水平径向长度/垂直径向长度，根据所述比值确认微血管瘤。具体如下：
按照微血管瘤在眼底图像上表现的形状特点，对候选区进行形态特征分析，滤除虚假目标区域或利用形态学的方法消除血管网络提取时出现的噪声和干扰，确认真正的微血管瘤。
首先对候选区进行判断，如果某一个候选区域IC(i)和主血管网络IV存在重合现象，即IC(i)∩IV>0，则该候选区IC(i)作为虚假目标被滤除。
对仍然能保留的候选区域作形状分析。计算候选区最长距离作为水平径向长度L，与之垂直方向的最长距离作为垂直径向长度W，计算两者比值R＝L/W，作为形态判断的依据。
眼底图像存在对比度低、光照不均匀的特点，而且微血管瘤目标小，在眼底图像上容易受到图像背景纹理噪声的影响。同时，眼底血管也是微血管瘤检测的主要干扰因素。本存储设备中的指令集可：基于多尺度匹配滤波算子，通过预处理突出病灶特征，用大尺度匹配滤波消除背景干扰影响，小尺度匹配滤波提取主血管网络，克服血管干扰，最后对所述微血管瘤候选区进行形态特征分析，确定微血管瘤。整个过程无需大量的数据进行深度学习训练，简单有效，快速帮助医生排除没有出现血管瘤的眼底相片或没有出现DR的糖尿病患者，大大减少进一步的诊断和DR分级诊疗的工作量。
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 (10)

1.一种眼底图像微血管瘤自动检测方法，其特征在于，包括步骤：
获取待分析的眼底图像；
对所述眼底图像进行预处理；
建立多尺度匹配滤波算子；
通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区；
通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络；
对所述微血管瘤候选区进行形态特征分析，确认微血管瘤。
2.根据权利要求1所述的一种眼底图像微血管瘤自动检测方法，其特征在于，所述“建立多尺度匹配滤波算子”，还包括步骤：
根据匹配滤波使眼底图像与滤波算子卷积，通过滤波响应值完成目标分割；根据目标在眼底图像中的灰度分布和形态特征，选择不同的领域范围，计算加权系数，生成基于像素距离的多尺度匹配滤波算子。
3.根据权利要求1所述的一种眼底图像微血管瘤自动检测方法，其特征在于，所述“通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区”，还包括步骤：
预处理后的眼底图像与多尺度匹配滤波算子卷积，计算所述眼底图像的背景估计值；
计算目标区域的灰度阈值，得到二值化图像，滤除纹理噪声；
设定面积阈值对所述二值化图像进行面积滤波，分离非目标结构，获得微血管瘤候选区，所述非目标结构包括：小面积的噪声点、大面积的血管和黄斑。
4.根据权利要求3所述的一种眼底图像微血管瘤自动检测方法，其特征在于，所述“通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络”，还包括步骤：
对所述二值化图像做形态学闭操作，填补轮廓线中的断裂和孔洞；
使用面积滤波，设定面积阈值，滤除小面积的噪声，提取主血管网络。
5.根据权利要求1所述的一种眼底图像微血管瘤自动检测方法，其特征在于，所述“对所述微血管瘤候选区进行形态特征分析，确认微血管瘤”，还包括步骤：
判断微血管瘤候选区与主血管网络是否存在重合现象，若存在重合现象，则重合区域作为虚假目标被滤除；
对未重合的候选区作形状分析；计算候选区最长距离作为水平径向长度，与之垂直方向的最长距离作为垂直径向长度，计算两者比值为水平径向长度/垂直径向长度，根据所述比值确认微血管瘤。
6.一种存储设备，其中存储有指令集，其特征在于，所述指令集用于执行：
获取待分析的眼底图像；
对所述眼底图像进行预处理；
建立多尺度匹配滤波算子；
通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区；
通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络；
对所述微血管瘤候选区进行形态特征分析，确认微血管瘤。
7.根据权利要求6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“建立多尺度匹配滤波算子”，还包括步骤：根据匹配滤波使眼底图像与滤波算子卷积，通过滤波响应值完成目标分割；根据目标在眼底图像中的灰度分布和形态特征，选择不同的领域范围，计算加权系数，生成基于像素距离的多尺度匹配滤波算子。
8.根据权利要求6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“通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行大尺度匹配滤波去除背景干扰，获得微血管瘤候选区”，还包括步骤：
预处理后的眼底图像与多尺度匹配滤波算子卷积，计算所述眼底图像的背景估计值；
计算目标区域的灰度阈值，得到二值化图像，滤除纹理噪声；
设定面积阈值对所述二值化图像进行面积滤波，分离非目标结构，获得微血管瘤候选区，所述非目标结构包括：小面积的噪声点、大面积的血管和黄斑。
9.根据权利要求8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“通过所述多尺度匹配滤波算子对所述预处理后的眼底图像进行小尺度匹配滤波，提取主血管网络”，还包括步骤：
对所述二值化图像做形态学闭操作，填补轮廓线中的断裂和孔洞；
使用面积滤波，设定面积阈值，滤除小面积的噪声，提取主血管网络。
10.根据权利要求6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“对所述微血管瘤候选区进行形态特征分析，确认微血管瘤”，还包括步骤：
判断微血管瘤候选区与主血管网络是否存在重合现象，若存在重合现象，则重合区域作为虚假目标被滤除；
对未重合的候选区作形状分析；计算候选区最长距离作为水平径向长度，与之垂直方向的最长距离作为垂直径向长度，计算两者比值为水平径向长度/垂直径向长度，根据所述比值确认微血管瘤。
CN201811011949.6A 2018-08-31 2018-08-31 一种眼底图像微血管瘤自动检测方法及存储设备 Active CN110930346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811011949.6A CN110930346B (zh) 2018-08-31 2018-08-31 一种眼底图像微血管瘤自动检测方法及存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811011949.6A CN110930346B (zh) 2018-08-31 2018-08-31 一种眼底图像微血管瘤自动检测方法及存储设备

Publications (2)

Publication Number Publication Date
CN110930346A true CN110930346A (zh) 2020-03-27
CN110930346B CN110930346B (zh) 2023-08-01

Family

ID=69854969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811011949.6A Active CN110930346B (zh) 2018-08-31 2018-08-31 一种眼底图像微血管瘤自动检测方法及存储设备

Country Status (1)

Country Link
CN (1) CN110930346B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012184A (zh) * 2021-05-11 2021-06-22 电子科技大学 基于Radon变换与多类型图像联合分析的微血管瘤检测方法
CN113052841A (zh) * 2021-05-17 2021-06-29 上海观爱医疗科技有限公司 一种用于跟踪观测患者眼底图像变化的方法
CN115409762A (zh) * 2021-05-28 2022-11-29 南京博视医疗科技有限公司 自动检测规划点与血管的重叠的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130317570A1 (en) * 2012-05-25 2013-11-28 Jeffrey K. Luttrull System and process for retina phototherapy
CN103544686A (zh) * 2013-10-25 2014-01-29 天津工业大学 基于相位一致性的眼底图像微动脉瘤检测方法
CN105488799A (zh) * 2015-11-27 2016-04-13 天津工业大学 彩色眼底图像微动脉瘤自动检测方法
CN106355584A (zh) * 2016-08-30 2017-01-25 上海交通大学 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法
CN106651899A (zh) * 2016-12-09 2017-05-10 东北大学 基于Adaboost的眼底图像微动脉瘤检测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130317570A1 (en) * 2012-05-25 2013-11-28 Jeffrey K. Luttrull System and process for retina phototherapy
CN103544686A (zh) * 2013-10-25 2014-01-29 天津工业大学 基于相位一致性的眼底图像微动脉瘤检测方法
CN105488799A (zh) * 2015-11-27 2016-04-13 天津工业大学 彩色眼底图像微动脉瘤自动检测方法
CN106355584A (zh) * 2016-08-30 2017-01-25 上海交通大学 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法
CN106651899A (zh) * 2016-12-09 2017-05-10 东北大学 基于Adaboost的眼底图像微动脉瘤检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张东波;彭英辉;尚星宇;王耀南;: "基于背景估计和血管提取眼底图像微脉瘤检测" *
彭英辉: "糖尿病性视网膜病变眼底图像微脉瘤检测" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012184A (zh) * 2021-05-11 2021-06-22 电子科技大学 基于Radon变换与多类型图像联合分析的微血管瘤检测方法
CN113012184B (zh) * 2021-05-11 2023-05-05 电子科技大学 基于Radon变换与多类型图像联合分析的微血管瘤检测方法
CN113052841A (zh) * 2021-05-17 2021-06-29 上海观爱医疗科技有限公司 一种用于跟踪观测患者眼底图像变化的方法
CN115409762A (zh) * 2021-05-28 2022-11-29 南京博视医疗科技有限公司 自动检测规划点与血管的重叠的方法及装置
CN115409762B (zh) * 2021-05-28 2023-11-24 南京博视医疗科技有限公司 自动检测规划点与血管的重叠的方法及装置

Also Published As

Publication number Publication date
CN110930346B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN109472781B (zh) 一种基于串行结构分割的糖尿病视网膜病变检测系统
CN108416344B (zh) 眼底彩照视盘与黄斑定位识别方法
Bae et al. A study on hemorrhage detection using hybrid method in fundus images
Gegundez-Arias et al. Locating the fovea center position in digital fundus images using thresholding and feature extraction techniques
Medhi et al. An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images
CN108185984A (zh) 眼底彩照进行眼底病灶识别的方法
Palavalasa et al. Automatic diabetic retinopathy detection using digital image processing
Kumar et al. Automated detection system for diabetic retinopathy using two field fundus photography
CN104299242B (zh) 基于ngc‑acm的荧光造影眼底图像提取方法
Ramakanth et al. Approximate nearest neighbour field based optic disk detection
WO2020151149A1 (zh) 微动脉瘤自动检测方法、装置及计算机可读存储介质
CN110930346B (zh) 一种眼底图像微血管瘤自动检测方法及存储设备
Li et al. Vessel recognition of retinal fundus images based on fully convolutional network
Mithun et al. Automated detection of optic disc and blood vessel in retinal image using morphological, edge detection and feature extraction technique
CN113012093B (zh) 青光眼图像特征提取的训练方法及训练系统
Uribe-Valencia et al. Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model
KR101182729B1 (ko) 의료용 혈관영상 처리방법
Phyo et al. Automatic detection of optic disc and blood vessels from retinal images using image processing techniques
CN108230306A (zh) 眼底彩照血管及动静脉的识别方法
Zhou et al. A novel approach for red lesions detection using superpixel multi-feature classification in color fundus images
CN111292285B (zh) 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法
Jana et al. A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image
Abdullah et al. Application of grow cut algorithm for localization and extraction of optic disc in retinal images
Li et al. A deep-learning-enabled monitoring system for ocular redness assessment
Puranik et al. Morphology based approach for microaneurysm detection from retinal 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