CN111091566A - 一种糖尿病并发症视网膜病变数据检测方法 - Google Patents

一种糖尿病并发症视网膜病变数据检测方法 Download PDF

Info

Publication number
CN111091566A
CN111091566A CN202010079581.8A CN202010079581A CN111091566A CN 111091566 A CN111091566 A CN 111091566A CN 202010079581 A CN202010079581 A CN 202010079581A CN 111091566 A CN111091566 A CN 111091566A
Authority
CN
China
Prior art keywords
image
module
data
analysis
diabetes
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.)
Pending
Application number
CN202010079581.8A
Other languages
English (en)
Inventor
金娟
王云光
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.)
Zhejiang Provincial Peoples Hospital
Original Assignee
Zhejiang Provincial Peoples Hospital
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 Zhejiang Provincial Peoples Hospital filed Critical Zhejiang Provincial Peoples Hospital
Priority to CN202010079581.8A priority Critical patent/CN111091566A/zh
Publication of CN111091566A publication Critical patent/CN111091566A/zh
Pending legal-status Critical Current

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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于糖尿病检测技术领域，公开了一种糖尿病并发症视网膜病变数据检测方法，所述糖尿病并发症视网膜病变数据检测系统包括：视网膜图像采集模块、主控模块、图像增强模块、图像特征提取模块、病变分析模块、病变等级划分模块、数据存储模块、显示模块。本发明通过图像增强模块解决了常规图像增强方法难以对远距离动态低质虹膜图像进行有效增强的问题；同时，通过病变分析模块利用大数据，基于庞大的用户样本，寻找样本的各个维度的特征及患病信息；通过关联分析的方法，研究各类不同的人群的各类患病之间的潜在关系；大大提高对糖尿病病变分析准确性。

Description

一种糖尿病并发症视网膜病变数据检测方法
技术领域
本发明属于糖尿病检测技术领域，尤其涉及一种糖尿病并发症视网膜病变数据检测方法。
背景技术
糖尿病是一组以高血糖为特征的代谢性疾病。高血糖则是由于胰岛素分泌缺陷或其生物作用受损，或两者兼有引起。糖尿病时长期存在的高血糖，导致各种组织，特别是眼、肾、心脏、血管、神经的慢性损害、功能障碍。然而，现有糖尿病并发症视网膜病变数据检测方法采集的视网膜图像不清晰；同时，对糖尿病分析不准确。
综上所述，现有技术存在的问题是：现有糖尿病并发症视网膜病变数据检测方法采集的视网膜图像不清晰；同时，对糖尿病分析不准确。
发明内容
针对现有技术存在的问题，本发明提供了一种糖尿病并发症视网膜病变数据检测方法。
本发明是这样实现的，一种糖尿病并发症视网膜病变数据检测系统包括：
视网膜图像采集模块、主控模块、图像增强模块、图像特征提取模块、病变分析模块、病变等级划分模块、数据存储模块、显示模块；
视网膜图像采集模块，与主控模块连接，用于通过医疗影像设备采集糖尿病并发症视网膜图像数据；
主控模块，与视网膜图像采集模块、图像增强模块、图像特征提取模块、病变分析模块、病变等级划分模块、数据存储模块、显示模块连接，用于通过主控机控制各个模块正常工作；
图像增强模块，与主控模块连接，用于通过图像增强算法对采集的图像进行增强处理；
图像特征提取模块，与主控模块连接，用于通过提取程序提取视网膜图像特征元素；
病变分析模块，与主控模块连接，用于通过分析程序根据提取的特征对糖尿病并发症进行分析；
病变等级划分模块，与主控模块连接，用于通过划分程序根据分析结果对病变等级进行划分；
数据存储模块，与主控模块连接，用于通过存储器存储采集的视网膜图像数据、分析结果、划分结果；
显示模块，与主控模块连接，用于通过显示器显示采集的视网膜图像数据、分析结果、划分结果。
一种糖尿病并发症视网膜病变数据检测方法包括以下步骤：
步骤一，通过视网膜图像采集模块利用医疗影像设备采集糖尿病并发症视网膜图像数据；
步骤二，主控模块通过图像增强模块利用图像增强算法对采集的图像进行增强处理；
步骤三，通过图像特征提取模块利用提取程序提取视网膜图像特征元素；
步骤四，通过病变分析模块利用分析程序根据提取的特征对糖尿病并发症进行分析；
步骤五，通过病变等级划分模块利用划分程序根据分析结果对病变等级进行划分；
步骤六，通过数据存储模块利用存储器存储采集的视网膜图像数据、分析结果、划分结果；并通过显示模块利用显示器显示采集的数据。
进一步，所述图像增强模块3增强方法如下：
(1)通过医疗影像设备获取归一化虹膜图像序列，选取图像质量最高的图像作为基准图像，其余按照图像质量高低排序作为伴生图像；
(2)将所述伴生图像序列根据多方向汉明距离判别准则对照所述基准图像进行全局对齐，得到对齐伴生图像序列；
(3)将所述基准图像、对齐伴生图像组成的预处理图像序列中的每帧图像进行上采样和分块，并依次将上采样后图像序列中每帧图像的分块位置相同的子块按照图像质量高低的顺序存入堆栈中，得到虹膜图像子块；
(4)采用归一化互信息熵判别准则对各堆栈中的所述虹膜图像子块的基准子块和伴生子块进行局部配准，得到虹膜图像配准子块；
(5)对各堆栈中的所述虹膜图像配准子块进行超分辨率多阶局部信息加权重建，得到虹膜图像重建子块；
(6)将各堆栈中的所述虹膜图像重建子块按照原始相对位置进行归一化拼接，并下采样，得到重建图像；
(7)将所述重建图像进行去噪和锐化处理，得到图像增强后的归一化虹膜图像。
进一步，所述图像质量高低由图像质量分数的高低决定，所述图像质量分数为：
QI＝HFE/MFE
其中，QI为所述图像质量分数，HFE为在所述归一化虹膜图像序列的频谱中去除噪声频谱后的高频能量，MFE为在所述归一化虹膜图像序列的频谱中去除直流频谱后的低频能量。
进一步，所述将伴生图像序列根据多方向汉明距离判别准则对照所述基准图像进行全局对齐，得到对齐伴生图像序列的步骤，进一步包含：
将所述伴生图像序列中的每帧图像沿四周方向扩展，得到扩展伴生图像序列；
在所述扩展伴生图像序列的中开一个窗口，所述窗口大小与所述伴生图像序列中的每帧图像大小相同；
对所述扩展伴生图像序列的每帧图像，逐行、逐列滑动所述窗口，计算所述窗口内图像与所述基准图像的汉明距离，将所述汉明距离最小的所述窗口内图像记为对齐图像，根据每帧图像的所述对齐图像得到所述对齐伴生图像序列。
进一步，所述病变分析模块5分析方法如下：
1)通过分析程序获取糖尿病样本数据；
2)设置样本范围，包括用户范围和数据维度；
3)根据所设置的样本范围，获取相应的样本数据；
4)对所述样本数据中的各个数据维度与糖尿病或并发症的关系进行关联分析，其中，将是否患糖尿病或并发症作为关联规则的右项集，其他数据维度作为左项集；
5)输出关联分析结果。
进一步，所述在进行所述关联分析之前还包括步骤：
对所述样本数据进行预处理，包括缺失值处理和连续变量的离散化。
进一步，所述用户范围包括数据来源及采集时间、城市、年龄、性别；所述数据维度包括人口属性、用户是否患有糖尿病及并发症、健康以及非健康因子。
进一步，所述对所述样本数据中的各个数据维度与糖尿病或并发症的关系进行关联分析的步骤具体包括：
从样本数据中获取各用户患病情况，包括糖尿病及其并发症；
将是否患糖尿病或并发症作为关联规则的右项集，其他数据维度作为左项集进行关联分析；
从结果中筛选出高提升度的规则，对应的左项集因子即为糖尿病或并发症的患病因子。
进一步，所述对所述样本数据中的各个数据维度与糖尿病或并发症的关系进行关联分析的步骤还包括：
按关联分析中找到的左项集因子对用户进行分类；
对每一类用户进行进一步深入的分析，计算各类用户患糖尿病几率，产生各种并发症几率；
比较各类用户的患病比例，找出糖尿病或并发症与不同的患病因子之间的病理关系，以及不同患病因子对于用户患上糖尿病或并发症的影响的强弱程度。
本发明的优点及积极效果为：本发明通过图像增强模块获取的虹膜图像往往存在变形、模糊和噪声等污染的特点，通过对序列低质虹膜图像进行分块超分辨率局部信息加权融合来增强虹膜的细节信息，解决了常规图像增强方法难以对远距离动态低质虹膜图像进行有效增强的问题；本发明方法能在抵抗虹膜图像变形、模糊和噪声污染的同时有效复原虹膜局部细节信息，从而有助于提高图像清晰度；同时，通过病变分析模块利用大数据，基于庞大的用户样本，寻找样本的各个维度的特征及患病信息；通过关联分析的方法，研究各类不同的人群的各类患病之间的潜在关系；进而通过用户的患病情况得到各类不同用户患糖尿病的几率、糖尿病患者产生其他并发症的几率、以及糖尿病与其他影响因素之间的关系；最终帮助潜在糖尿病患者提早预防，并帮助糖尿病患者预防其他并发症的产生；大大提高对糖尿病病变分析准确性。
附图说明
图1是本发明实施例提供的糖尿病并发症视网膜病变数据检测方法流程图。
图2是本发明实施例提供的糖尿病并发症视网膜病变数据检测系统结构框图。
图2中：1、视网膜图像采集模块；2、主控模块；3、图像增强模块；4、图像特征提取模块；5、病变分析模块；6、病变等级划分模块；7、数据存储模块；8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的糖尿病并发症视网膜病变数据检测方法包括以下步骤：
步骤S101，通过视网膜图像采集模块利用医疗影像设备采集糖尿病并发症视网膜图像数据；
步骤S102，主控模块通过图像增强模块利用图像增强算法对采集的图像进行增强处理；
步骤S103，通过图像特征提取模块利用提取程序提取视网膜图像特征元素；
步骤S104，通过病变分析模块利用分析程序根据提取的特征对糖尿病并发症进行分析；
步骤S105，通过病变等级划分模块利用划分程序根据分析结果对病变等级进行划分；
步骤S106，通过数据存储模块利用存储器存储采集的视网膜图像数据、分析结果、划分结果；并通过显示模块利用显示器显示采集的数据。
如图2所示，本发明实施例提供的糖尿病并发症视网膜病变数据检测系统包括：视网膜图像采集模块1、主控模块2、图像增强模块3、图像特征提取模块4、病变分析模块5、病变等级划分模块6、数据存储模块7、显示模块8。
视网膜图像采集模块1，与主控模块2连接，用于通过医疗影像设备采集糖尿病并发症视网膜图像数据；
主控模块2，与视网膜图像采集模块1、图像增强模块3、图像特征提取模块4、病变分析模块5、病变等级划分模块6、数据存储模块7、显示模块8连接，用于通过主控机控制各个模块正常工作；
图像增强模块3，与主控模块2连接，用于通过图像增强算法对采集的图像进行增强处理；
图像特征提取模块4，与主控模块2连接，用于通过提取程序提取视网膜图像特征元素；
病变分析模块5，与主控模块2连接，用于通过分析程序根据提取的特征对糖尿病并发症进行分析；
病变等级划分模块6，与主控模块2连接，用于通过划分程序根据分析结果对病变等级进行划分；
数据存储模块7，与主控模块2连接，用于通过存储器存储采集的视网膜图像数据、分析结果、划分结果；
显示模块8，与主控模块2连接，用于通过显示器显示采集的视网膜图像数据、分析结果、划分结果。
本发明提供的图像增强模块3增强方法如下：
(1)通过医疗影像设备获取归一化虹膜图像序列，选取图像质量最高的图像作为基准图像，其余按照图像质量高低排序作为伴生图像；
(2)将所述伴生图像序列根据多方向汉明距离判别准则对照所述基准图像进行全局对齐，得到对齐伴生图像序列；
(3)将所述基准图像、对齐伴生图像组成的预处理图像序列中的每帧图像进行上采样和分块，并依次将上采样后图像序列中每帧图像的分块位置相同的子块按照图像质量高低的顺序存入堆栈中，得到虹膜图像子块；
(4)采用归一化互信息熵判别准则对各堆栈中的所述虹膜图像子块的基准子块和伴生子块进行局部配准，得到虹膜图像配准子块；
(5)对各堆栈中的所述虹膜图像配准子块进行超分辨率多阶局部信息加权重建，得到虹膜图像重建子块；
(6)将各堆栈中的所述虹膜图像重建子块按照原始相对位置进行归一化拼接，并下采样，得到重建图像；
(7)将所述重建图像进行去噪和锐化处理，得到图像增强后的归一化虹膜图像。
本发明提供的图像质量高低由图像质量分数的高低决定，所述图像质量分数为：
QI＝HFE/MFE
其中，QI为所述图像质量分数，HFE为在所述归一化虹膜图像序列的频谱中去除噪声频谱后的高频能量，MFE为在所述归一化虹膜图像序列的频谱中去除直流频谱后的低频能量。
本发明提供的将伴生图像序列根据多方向汉明距离判别准则对照所述基准图像进行全局对齐，得到对齐伴生图像序列的步骤，进一步包含：
将所述伴生图像序列中的每帧图像沿四周方向扩展，得到扩展伴生图像序列；
在所述扩展伴生图像序列的中开一个窗口，所述窗口大小与所述伴生图像序列中的每帧图像大小相同；
对所述扩展伴生图像序列的每帧图像，逐行、逐列滑动所述窗口，计算所述窗口内图像与所述基准图像的汉明距离，将所述汉明距离最小的所述窗口内图像记为对齐图像，根据每帧图像的所述对齐图像得到所述对齐伴生图像序列。
本发明提供的病变分析模块5分析方法如下：
1)通过分析程序获取糖尿病样本数据；
2)设置样本范围，包括用户范围和数据维度；
3)根据所设置的样本范围，获取相应的样本数据；
4)对所述样本数据中的各个数据维度与糖尿病或并发症的关系进行关联分析，其中，将是否患糖尿病或并发症作为关联规则的右项集，其他数据维度作为左项集；
5)输出关联分析结果。
本发明提供的在进行所述关联分析之前还包括步骤：
对所述样本数据进行预处理，包括缺失值处理和连续变量的离散化。
本发明提供的用户范围包括数据来源及采集时间、城市、年龄、性别；所述数据维度包括人口属性、用户是否患有糖尿病及并发症、健康以及非健康因子。
本发明提供的对所述样本数据中的各个数据维度与糖尿病或并发症的关系进行关联分析的步骤具体包括：
从样本数据中获取各用户患病情况，包括糖尿病及其并发症；
将是否患糖尿病或并发症作为关联规则的右项集，其他数据维度作为左项集进行关联分析；
从结果中筛选出高提升度的规则，对应的左项集因子即为糖尿病或并发症的患病因子。
本发明提供的对所述样本数据中的各个数据维度与糖尿病或并发症的关系进行关联分析的步骤还包括：
按关联分析中找到的左项集因子对用户进行分类；
对每一类用户进行进一步深入的分析，计算各类用户患糖尿病几率，产生各种并发症几率；
比较各类用户的患病比例，找出糖尿病或并发症与不同的患病因子之间的病理关系，以及不同患病因子对于用户患上糖尿病或并发症的影响的强弱程度。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种糖尿病并发症视网膜病变数据检测系统，其特征在于，所述糖尿病并发症视网膜病变数据检测系统包括：
视网膜图像采集模块、主控模块、图像增强模块、图像特征提取模块、病变分析模块、病变等级划分模块、数据存储模块、显示模块；
视网膜图像采集模块，与主控模块连接，用于通过医疗影像设备采集糖尿病并发症视网膜图像数据；
主控模块，与视网膜图像采集模块、图像增强模块、图像特征提取模块、病变分析模块、病变等级划分模块、数据存储模块、显示模块连接，用于通过主控机控制各个模块正常工作；
图像增强模块，与主控模块连接，用于通过图像增强算法对采集的图像进行增强处理；
图像特征提取模块，与主控模块连接，用于通过提取程序提取视网膜图像特征元素；
病变分析模块，与主控模块连接，用于通过分析程序根据提取的特征对糖尿病并发症进行分析；
病变等级划分模块，与主控模块连接，用于通过划分程序根据分析结果对病变等级进行划分；
数据存储模块，与主控模块连接，用于通过存储器存储采集的视网膜图像数据、分析结果、划分结果；
显示模块，与主控模块连接，用于通过显示器显示采集的视网膜图像数据、分析结果、划分结果。
2.一种如权利要求1所述的糖尿病并发症视网膜病变数据检测方法，其特征在于，所述糖尿病并发症视网膜病变数据检测方法包括以下步骤：
步骤一，通过视网膜图像采集模块利用医疗影像设备采集糖尿病并发症视网膜图像数据；
步骤二，主控模块通过图像增强模块利用图像增强算法对采集的图像进行增强处理；
步骤三，通过图像特征提取模块利用提取程序提取视网膜图像特征元素；
步骤四，通过病变分析模块利用分析程序根据提取的特征对糖尿病并发症进行分析；
步骤五，通过病变等级划分模块利用划分程序根据分析结果对病变等级进行划分；
步骤六，通过数据存储模块利用存储器存储采集的视网膜图像数据、分析结果、划分结果；并通过显示模块利用显示器显示采集的数据。
3.如权利要求1所述糖尿病并发症视网膜病变数据检测系统，其特征在于，所述图像增强模块3增强方法如下：
(1)通过医疗影像设备获取归一化虹膜图像序列，选取图像质量最高的图像作为基准图像，其余按照图像质量高低排序作为伴生图像；
(2)将所述伴生图像序列根据多方向汉明距离判别准则对照所述基准图像进行全局对齐，得到对齐伴生图像序列；
(3)将所述基准图像、对齐伴生图像组成的预处理图像序列中的每帧图像进行上采样和分块，并依次将上采样后图像序列中每帧图像的分块位置相同的子块按照图像质量高低的顺序存入堆栈中，得到虹膜图像子块；
(4)采用归一化互信息熵判别准则对各堆栈中的所述虹膜图像子块的基准子块和伴生子块进行局部配准，得到虹膜图像配准子块；
(5)对各堆栈中的所述虹膜图像配准子块进行超分辨率多阶局部信息加权重建，得到虹膜图像重建子块；
(6)将各堆栈中的所述虹膜图像重建子块按照原始相对位置进行归一化拼接，并下采样，得到重建图像；
(7)将所述重建图像进行去噪和锐化处理，得到图像增强后的归一化虹膜图像。
4.如权利要求3所述糖尿病并发症视网膜病变数据检测系统，其特征在于，所述图像质量高低由图像质量分数的高低决定，所述图像质量分数为：
QI＝HFE/MFE
其中，QI为所述图像质量分数，HFE为在所述归一化虹膜图像序列的频谱中去除噪声频谱后的高频能量，MFE为在所述归一化虹膜图像序列的频谱中去除直流频谱后的低频能量。
5.如权利要求3所述糖尿病并发症视网膜病变数据检测系统，其特征在于，所述将伴生图像序列根据多方向汉明距离判别准则对照所述基准图像进行全局对齐，得到对齐伴生图像序列的步骤，进一步包含：
将所述伴生图像序列中的每帧图像沿四周方向扩展，得到扩展伴生图像序列；
在所述扩展伴生图像序列的中开一个窗口，所述窗口大小与所述伴生图像序列中的每帧图像大小相同；
对所述扩展伴生图像序列的每帧图像，逐行、逐列滑动所述窗口，计算所述窗口内图像与所述基准图像的汉明距离，将所述汉明距离最小的所述窗口内图像记为对齐图像，根据每帧图像的所述对齐图像得到所述对齐伴生图像序列。
6.如权利要求1所述糖尿病并发症视网膜病变数据检测系统，其特征在于，所述病变分析模块5分析方法如下：
1)通过分析程序获取糖尿病样本数据；
2)设置样本范围，包括用户范围和数据维度；
3)根据所设置的样本范围，获取相应的样本数据；
4)对所述样本数据中的各个数据维度与糖尿病或并发症的关系进行关联分析，其中，将是否患糖尿病或并发症作为关联规则的右项集，其他数据维度作为左项集；
5)输出关联分析结果。
7.如权利要求6所述糖尿病并发症视网膜病变数据检测系统，其特征在于，所述在进行所述关联分析之前还包括步骤：
对所述样本数据进行预处理，包括缺失值处理和连续变量的离散化。
8.如权利要求6所述糖尿病并发症视网膜病变数据检测系统，其特征在于，所述用户范围包括数据来源及采集时间、城市、年龄、性别；所述数据维度包括人口属性、用户是否患有糖尿病及并发症、健康以及非健康因子。
9.如权利要求6所述糖尿病并发症视网膜病变数据检测系统，其特征在于，所述对所述样本数据中的各个数据维度与糖尿病或并发症的关系进行关联分析的步骤具体包括：
从样本数据中获取各用户患病情况，包括糖尿病及其并发症；
将是否患糖尿病或并发症作为关联规则的右项集，其他数据维度作为左项集进行关联分析；
从结果中筛选出高提升度的规则，对应的左项集因子即为糖尿病或并发症的患病因子。
10.如权利要求9所述糖尿病并发症视网膜病变数据检测系统，其特征在于，所述对所述样本数据中的各个数据维度与糖尿病或并发症的关系进行关联分析的步骤还包括：
按关联分析中找到的左项集因子对用户进行分类；
对每一类用户进行进一步深入的分析，计算各类用户患糖尿病几率，产生各种并发症几率；
比较各类用户的患病比例，找出糖尿病或并发症与不同的患病因子之间的病理关系，以及不同患病因子对于用户患上糖尿病或并发症的影响的强弱程度。
CN202010079581.8A 2020-02-04 2020-02-04 一种糖尿病并发症视网膜病变数据检测方法 Pending CN111091566A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010079581.8A CN111091566A (zh) 2020-02-04 2020-02-04 一种糖尿病并发症视网膜病变数据检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010079581.8A CN111091566A (zh) 2020-02-04 2020-02-04 一种糖尿病并发症视网膜病变数据检测方法

Publications (1)

Publication Number Publication Date
CN111091566A true CN111091566A (zh) 2020-05-01

Family

ID=70399796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010079581.8A Pending CN111091566A (zh) 2020-02-04 2020-02-04 一种糖尿病并发症视网膜病变数据检测方法

Country Status (1)

Country Link
CN (1) CN111091566A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117475270A (zh) * 2023-11-20 2024-01-30 深圳市眼科医院(深圳市眼病防治研究所) 糖尿病视网膜病变图像的病灶识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709224A (zh) * 2015-07-31 2017-05-24 龙巧燕 一种糖尿病视网膜病变的诊断系统及方法
CN107871536A (zh) * 2017-09-30 2018-04-03 平安科技（深圳）有限公司 糖尿病分析方法及应用服务器
CN108629744A (zh) * 2018-04-09 2018-10-09 北京无线电计量测试研究所 一种图像增强方法
CN109800789A (zh) * 2018-12-18 2019-05-24 中国科学院深圳先进技术研究院 基于图网络的糖尿病视网膜病变分类方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709224A (zh) * 2015-07-31 2017-05-24 龙巧燕 一种糖尿病视网膜病变的诊断系统及方法
CN107871536A (zh) * 2017-09-30 2018-04-03 平安科技（深圳）有限公司 糖尿病分析方法及应用服务器
CN108629744A (zh) * 2018-04-09 2018-10-09 北京无线电计量测试研究所 一种图像增强方法
CN109800789A (zh) * 2018-12-18 2019-05-24 中国科学院深圳先进技术研究院 基于图网络的糖尿病视网膜病变分类方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117475270A (zh) * 2023-11-20 2024-01-30 深圳市眼科医院(深圳市眼病防治研究所) 糖尿病视网膜病变图像的病灶识别方法及系统
CN117475270B (zh) * 2023-11-20 2024-07-23 深圳市眼科医院(深圳市眼病防治研究所) 糖尿病视网膜病变图像的病灶识别方法及系统

Similar Documents

Publication Publication Date Title
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
WO2022063199A1 (zh) 一种肺结节自动检测方法、装置及计算机系统
CN110060774B (zh) 一种基于生成式对抗网络的甲状腺结节识别方法
CN210167123U (zh) 眼底图像病变的筛查系统
TWI719587B (zh) 眼底圖像定量分析的前置處理方法及存放裝置
CN110969204B (zh) 基于磁共振图像与数字病理图像融合的样本分类系统
WO2006105473A2 (en) Automatic detection of red lesions in digital color fundus photographs
CN108062749B (zh) 肛提肌裂孔的识别方法、装置和电子设备
CN110838114B (zh) 肺结节检测方法、装置及计算机存储介质
CN111785363A (zh) 一种基于ai引导的慢性病辅助诊断系统
CN113012163A (zh) 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质
CN111738992A (zh) 肺部病灶区域提取方法、装置、电子设备和存储介质
Li et al. Developing an image-based deep learning framework for automatic scoring of the pentagon drawing test
CN112036298A (zh) 一种基于双段区块卷积神经网络的细胞检测方法
CN117409002A (zh) 一种用于创伤的视觉识别检测系统及其检测方法
CN111091566A (zh) 一种糖尿病并发症视网膜病变数据检测方法
Xu et al. Application of artificial intelligence technology in medical imaging
CN113205111A (zh) 适用于肝脏肿瘤的识别方法、装置及电子设备
WO2017193581A1 (zh) 乳腺筛查图像自动处理系统及方法
KV et al. Deep Learning Approach to Nailfold Capillaroscopy Based Diabetes Mellitus Detection
CN115148365B (zh) 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统
Wang et al. PCRTAM-Net: A novel pre-activated convolution residual and triple attention mechanism network for retinal vessel segmentation
CN117745808B (zh) 一种基于摄影测量的心电图像定位比对方法
CN117475270B (zh) 糖尿病视网膜病变图像的病灶识别方法及系统
Neha Kidney Localization and Stone Segmentation from a CT Scan 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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200501