CN111222361B - 一种高血压视网膜血管改变特征数据分析的方法和系统 - Google Patents

一种高血压视网膜血管改变特征数据分析的方法和系统 Download PDF

Info

Publication number
CN111222361B
CN111222361B CN201811408427.XA CN201811408427A CN111222361B CN 111222361 B CN111222361 B CN 111222361B CN 201811408427 A CN201811408427 A CN 201811408427A CN 111222361 B CN111222361 B CN 111222361B
Authority
CN
China
Prior art keywords
fundus
blood vessel
fundus image
retinal
characteristic data
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
Application number
CN201811408427.XA
Other languages
English (en)
Other versions
CN111222361A (zh
Inventor
余轮
薛岚燕
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 CN201811408427.XA priority Critical patent/CN111222361B/zh
Priority to PCT/CN2018/124503 priority patent/WO2020103289A1/zh
Priority to GB2104436.7A priority patent/GB2591919A/en
Publication of CN111222361A publication Critical patent/CN111222361A/zh
Application granted granted Critical
Publication of CN111222361B publication Critical patent/CN111222361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4887—Locating particular structures in or on the body
    • A61B5/489—Blood vessels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Ophthalmology & Optometry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明涉及图像分析、健康服务和数据处理技术领域，提出一种高血压视网膜血管改变特征数据分析的方法，通过获取患者的眼底图像，提取并标识所述眼底图像的视网膜血管改变特征数据，所述视网膜血管改变特征包括：局限性视网膜动脉缩窄；分析、比对所述患者不同时期的视网膜血管改变特征数据；进而获取所述患者该次眼底筛查特征数据的变化情况，分析患者近一段时期的血压控制及高血压的相关预防、治疗效果情况，为增强患者生活方式干预基础治疗的依从性，提供一种有力激励机制，大大帮助用户自觉地定期检测血压、控制血压，对高血压的治疗效果评价和慢病管理也都有着重要的意义。

Description

一种高血压视网膜血管改变特征数据分析的方法和系统
技术领域
本发明涉及图像分析、健康服务和数据处理技术领域，特别涉及一种高血压视网膜血管改变特征数据分析的方法和系统。
背景技术
早在1975年，Goto等的研究证实眼底循环与颅内血管有着共同的胚胎学解剖学以及生理学基础。视网膜血管可用非侵入方法直接观察，为观察全身性血管异常具体表现提供了客观条件；近年来，多项以人群为基础的流行病学研究表明，视网膜异常特征数据，包括局部视网膜动脉缩窄(FN)，视网膜动静脉交叉压迫(AVN)和视网膜病变的评估，可以为高血压早期的发病和进展提供良好的观察指标。在非糖尿病人群中，高血压与视网膜微血管异常，尤其是局部视网膜动脉缩窄(FN)的发病率和纵向变化具有强相关性。2016年发布的“中国成人2型糖尿病患者动脉粥样硬化性脑心血管疾病分级预防指南”也同样指出血压监测的重要性：糖尿病是最主要的慢性非传染性疾病之一，也是动脉粥样硬化性脑心血管病(ASCCVD)的独立危险因素之一，证据表明脑卒中是成人糖尿病患者主要结局和致死及致残的主要原因。为了有效预防成人糖尿病患者ASCCVD，该指南明确建议指出：
血压＞120/80mmHg的患者改变生活方式以控制血压；
糖尿病患者每次随访时均应测量血压；
为改善血压管理，推荐自我血压监测；
该指南还指出：在新诊断的糖尿病患者中，采用强化的血压控制不但可以显著降低糖尿病大血管病变的发生风险，还可显著降低微血管病变的发生风险，保持血压长期平稳至关重要；
而血压＞120/80mmHg的糖尿病患者也需要改变生活方式并从新诊断的那天起就开始强化血压控制。
高血压靶器官损伤严重时可以致残，甚至危及生命，高血压病以及与之相关的脑心血管疾病是造成死亡的最重要的疾病。对高血压进行早期诊断、病情评估以及治疗干预具有重要意义。
根据《国家基层高血压防治管理指南(2017版)》高血压治疗原则，治疗高血压的主要目的是降低心脑血管并发症的发生和死亡风险，因此首先要降压达标。同时要告知患者应启动并长期坚持生活方式干预和药物治疗，保持血压长期平稳至关重要。
但是，由于饮食、运动等最为重要或必要的生活方式干预基础治疗迄今缺乏激励手段或方法，患者的依从性低，生活方式干预基础治疗难以达到效果。一般早期的高血压患者、人数众多的二型糖尿病患者，在其血压大于120/80mmHg、小于140/90mmHg，甚至严重的并发症出现之前，自身并没有感觉，难以自觉做到经常性的自我血压监测或测量。
发明内容
为此，需要提供一种高血压视网膜血管改变特征数据分析的方法，用以解决上述提到的技术问题。具体的技术方案如下：
一种高血压视网膜血管改变特征数据分析的方法，包括步骤：
获取高血压患者的眼底图像并进行存储；
提取并标识所述眼底图像的结构参数和视网膜血管改变特征数据；
对所述眼底图像的结构参数和视网膜血管改变特征数据进行存储；
所述视网膜血管改变特征数据包括：局限性视网膜动脉缩窄；
判断是否存储有该患者前期的视网膜血管改变特征数据，若存储有所述患者前期的视网膜血管改变特征数据，则分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况；
对所述眼底筛查特征数据变化情况进行分析处理。
进一步的，所述“则分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况”，还包括步骤：
对所述眼底图像进行预处理，所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理；
建立形态滤波器确定所述预处理后的眼底图像中黄斑中心凹及视盘；
分割预处理后的眼底图像的视网膜血管网络及主血管；
根据眼底结构参数对齐眼底图像，修正所述视网膜血管改变特征数据的标识，所述眼底图像的结构参数包括：黄斑中心凹、视盘和主血管信息；
自动分析所述视网膜异常特征数据的变化。
进一步的，“对所述眼底筛查特征数据变化情况进行分析处理”，还包括步骤：
分析计算得到所述高血压患者预设时间段内的血压控制效果以及身体健康状况；
并根据分析结果给出对应的健康服务建议；
生成所述血压控制效果、身体健康状况及所述健康服务建议的报告，并将所述报告相关信息发送给相关人员。
进一步的，所述“分割预处理后的眼底图像的视网膜血管网络”，还包括步骤：
通过显著性模型及区域优化法对眼底图像的眼底血管进行分割，获得眼底血管网络，并根据分割的眼底血管网络进行动静脉的分割。
进一步的，所述“标识所述眼底图像的结构参数和视网膜血管改变特征数据”，还包括步骤：
提取预处理后的所述眼底图像中视盘的中心，确定视盘大小；
通过定位视盘确定测量区域；
在所述测量区域内或所述测量区域内，通过自动或半自动的交互式血管直径测量方法获得所述视网膜血管改变特征数据。
为解决上述问题，还提供了一种高血压视网膜血管改变特征数据分析的系统，具体技术方案如下：
一种高血压视网膜血管改变特征数据分析的系统，包括：眼底图像获取终端和眼底图像处理终端；所述眼底图像处理终端包括：数据存储模块、眼底图像分析比对模块和结果分析模块；
所述眼底图像获取终端连接眼底图像处理终端；
所述眼底图像获取终端用于：获取所述患者的眼底图像，并发送所述眼底图像至眼底图像处理终端；
所述数据存储模块用于：存储所述眼底图像；
所述眼底图像分析比对模块用于：提取并标识所述眼底图像的结构参数和视网膜血管改变特征数据；判断是否存储有该患者前期的视网膜血管改变特征数据，若存储有所述患者前期的视网膜血管改变特征数据，则分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况；
所述数据存储模块用于：存储所述眼底图像的结构参数和视网膜血管改变特征数据；
所述结果分析模块用于：对所述眼底筛查特征数据变化情况进行分析处理。
进一步的，所述眼底图像分析比对模块还用于：
对所述眼底图像进行预处理，所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理；
建立形态滤波器确定所述预处理后的眼底图像中黄斑中心凹及视盘；
分割预处理后的眼底图像的视网膜血管网络及主血管；
根据眼底结构参数对齐眼底图像，修正所述视网膜血管改变特征数据的标识，所述眼底图像的结构参数包括：黄斑中心凹、视盘和主血管信息；
自动分析所述视网膜异常特征数据的变化。
进一步的，所述结果分析模块还用于：
分析计算得到所述高血压患者预设时间段内的血压控制效果以及身体健康状况；
并根据分析结果给出对应的健康服务建议；
生成所述血压控制效果、身体健康状况及所述健康服务建议的报告，并将所述报告相关信息发送给相关人员。
进一步的，所述眼底图像分析比对模块还用于：通过显著性模型及区域优化法对眼底图像的眼底血管进行分割，获得眼底血管网络，并根据分割的眼底血管网络进行动静脉的分割。
进一步的，所述眼底图像分析比对模块还用于：
提取预处理后的所述眼底图像中视盘的中心，确定视盘大小；
通过定位视盘确定测量区域；
在所述测量区域内或所述测量区域内，通过自动或半自动的交互式血管直径测量方法获得所述视网膜血管改变特征数据。
本发明的有益效果是：通过获取眼底照相筛查后待分析的高血压患者的眼底图像，标识所述眼底图像的视网膜血管改变特征数据，所述视网膜血管改变特征包括：局限性视网膜动脉缩窄，分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况，进一步分析计算得到所述高血压患者预设时间段内的血压控制效果以及身体健康状况后，可将分析结果发送给所述患者用户自己，提供一种生活方式干预的激励机制，让用户对自己近一段时间的血压控制或治疗情况有所了解，经历一次深刻的教育，增强患者生活方式干预的依从性，或者经由健康服务专业人员或患者的家庭医生，给出对应的健康服务建议，进而为所述患者用户定制定个性化服务。整个方法实现了从眼底图像获取，到获得关键参数：局限性视网膜动脉缩窄的变化数据，再到对该关键参数的分析，其分析结果可应用在诸多的场合，大大帮助用户更好地控制高血压，也辅助基层医疗或健康管理、健康服务机构跟踪得知高血压诊疗效果，无论对相关健康医疗领域的工作人员还是患者本人而言都是一大福音。
附图说明
图1为具体实施方式所述的一种高血压眼底图像血管改变量化特征数据分析的方法的流程图；
图2为具体实施方式所述的眼底血管结构示意图；
图3为具体实施方式所述的序列采集图；
图4为具体实施方式所述的寻找边界点图；
图5为具体实施方式所述的测量管径图；
图6为具体实施方式所述一种高血压视网膜血管改变特征数据分析的系统的模块示意图。
附图标记说明：
600、高血压视网膜血管改变特征数据分析的系统；
601、眼底图像获取终端；
602、眼底图像处理终端；
6021、数据存储模块；
6022、眼底图像分析比对模块；
6023、结果分析模块。
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，一种糖网眼底特征数据变化的分析方法可应用在一种计算设备或相关存储设备上，所述计算设备或相关存储设备包括但不限于：个人计算机、服务器、通用计算机、计算机工作站、网络设备、云计算或云存储、智能移动终端等。在本实施方式中，以通用计算机为例，所述通用计算机上安装有眼底筛查特征数据变化分析系统或远程眼底图像数据分析中心的通用计算机、图像分析工作站，或设置有浏览器，可通过浏览器打开网页登录相关的云健康服务系统或眼底图像数据分析中心。在本实施方式中，一种高血压视网膜血管改变特征数据分析的方法的具体实施方式如下：
步骤S101：获取高血压患者的眼底图像并进行存储。可采用如下方式：通过基层应用机构(如：基层医疗机构、健康体检、健康管理或基层社区诊所)的眼底相机进行定期的眼底照相筛查，获取高血压患者的眼底图像，并将获取到的眼底图像通过数据线传送至PC上由眼底图像数据分析工作站软件进行处理，或通过网络发送至PC上，由PC发送至眼底图像数据分析中心；患者亦可通过移动终端设备上传眼底图像。需要说明的是，在本实施方式中，基层应用机构可以是那些偏远地区，没有专业眼科医生人员，或者是配备专业眼科医生人员成本非常高的地方。若是发送至眼底图像数据分析中心，获取完高血压患者的眼底图像的同时对其进行存储。
眼底图像数据分析中心或上述眼底图像数据分析工作站软件获取完所述高血压患者的眼底图像后，执行步骤S102：提取并标识所述眼底图像的结构参数和视网膜血管改变特征数据。
在该步骤之前，还包括步骤：对眼底图像进行预处理。所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理。具体如下：
对待检查眼底图像进行绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理。通过对眼底图像预处理，可去除眼底图像中多余的背景，有效去噪，更有利于后续眼底图像分析的进行。具体如下：任意一幅彩色眼底图像中，蓝色通道下噪声较多，有用的信息基本丢失，红色通道下两斑较为突出，而暗色的血管、微血管瘤等信息丢失较多，故在本实施方式中对待检查的彩色眼底图像进行绿色通道选择，最大程度地保留、突出眼底血管。
为去除噪声，且能较好地保留边界信息，本实施方式中对绿色通道下的眼底图像进行中值滤波，实现去噪；
为能获得更好的血管提取的效果，对已经去噪的图像进行对比度增强。为避免图像增强后出现过亮的情况，本实施方式中采用有限的对比度增强方法CLAHE。最后，进行归一化处理，使得一幅图像中所有像素点的像素值均落在0-1之间。
经过预处理后的眼底图像亮度均匀，且血管对比度好，有利于接下去的眼底图像分析，大大提高眼底图像分析的准确率。对眼底图像预处理后，提取并标识预处理后眼底图像的视网膜血管改变特征数据：局限性视网膜动脉缩窄特征数据。
多项以人群为基础的流行病学研究表明，视网膜血管病变或异常，包括局部视网膜动脉缩窄(FN)和视网膜病变(包括视网膜出血、微动脉瘤、硬性渗出、棉绒斑)的评估，可以为高血压的发病和进展的相关研究提供良好的观察指标。血压控制满意可减少患者中FN的的程度，局限性视网膜动脉缩窄的消退率可反映血压控制情况。在非糖尿病人群中，高血压与视网膜微血管异常的发病率和纵向变化具有强相关性。高血压控制的越好，视网膜微血管异常的发病率越低，FN的好转率越高，这表明如果高血压被控制，FN作为视网膜微血管异常早期表现是可逆的。
提取局限性视网膜动脉缩窄特征数据可采用如下方式：提取预处理后的眼底图像的视盘中心，确定视盘大小；通过定位视盘确定测量区域；在所述测量区域内通过自动或半自动的交互式血管直径测量方法获得视网膜血管改变特征。
请参阅图2，具体如下：眼底血管改变特征提取是根据循证医学确定和高血压治疗效果相关的视网膜血管改变特征数据，即FN。
FN分别在视盘区(图2的中心圆内区域)、A区(该区血管性质上可能更接近动脉)和A区以外的区域(该区血管性质上为小动脉)进行检查。FN是指血管直径小于50μm(或大约视盘边缘主要静脉直径的1/3)并且缩窄部分的管径小于其动脉近端和远端管径的2/3。在视盘区和A区，局部动脉缩窄的严重程度由受累及的大血管的数量决定。如果一个象限内有多处局部缩窄，则所有缩窄部分的长度相加。如果FN从1个象限延伸到另一个象限，则受累长度在每个象限分别进行评估。缩窄部分总长度<1/2PD为轻度；≥1/2PD且<2PD为中度；≥2PD为重度。(PD为视盘直径)
其中一种交互式的某一段的血管直径径测量方法描述如下：
步骤1：首先在血管两侧采集四个点，采集顺序采用N字序列采集，即血管两侧的两点顺序一致即可(相对于U字序列，两边采集顺序相反)。根据血管两侧的两点分别自动计算两点间的1/3和2/3位置处的点，从而两，边共同扩展成8点，之所以只通过手动点击四个点而不是八个点是防止可能不满足中垂线必须穿过对面两点之间的要求，如图3，在血管两边按照某种顺序依次选取A’至H’八个点。选取顺序决定了后面血管另一侧对应点的选择。如按图3顺序，则A’对应E’。
步骤2：接着利用这八个点来寻找边界，将血管两侧的为同一水平线上的两点进行连线，这两点分别沿着连线方向向血管边界方向移动并计算经过的每个像素点的像素值，当像素值非0时，则认为到达边界像素点。通过该步处理使得八个血管外的点变为八个在血管边界上的点。如图4，将A’移至A，将E’移至E，以此类推。
步骤3：最后计算紧邻的两点间的中点到对面对应两点线段与该中点的中垂线的交点距离记为一次计算，如图5，取线段AB，还有线段AB中点X，过X作AB的垂线，与线段EF交叉于点X’(注意不是中点)。则XX’的长度为一个管径长度。图中八点，以此类推共有6个XX’这样的管径长度，取其平均值并加上一定的修正值，得到最后的测量值并进行存储。
局限性视网膜动脉缩窄是指血管直径小于50μm(或大约视盘边缘主要静脉直径的1/3)并且缩窄部分的管径小于其动脉近端和远端管径的2/3。因此，要确定FN，需要利用自动或半自动的交互式血管直径测量方法测量缩窄部分以及动脉近端和远端三个部分的管径。
其中所述“标识所述视网膜血管改变特征数据”，还包括步骤：标识局限性视网膜动脉缩窄特征数据及其所累及大血管的部位、所累及大血管的部位的范围和血管长度，所累及大血管的部位与视盘中心的相对位置。
所述提取预处理后的眼底图像的视盘中心，还包括步骤：
在待分析的图像中选择图像清晰、能清楚观察到视盘、黄斑和血管的眼底图像作为标准参考图像，对所述标准图像进行处理生成标准灰度直方图；根据所述标准灰度直方图的灰度分布，对其余待分析的眼底图像的灰度进行映射，获得与标准参考图像具有同样灰度分布的眼底图像。
根据预处理后的眼底图像中黄斑亮度及视盘亮度、黄斑形态与视盘形态、和黄斑与视盘的位置距离，建立形态滤波器，确定黄斑及视盘的位置。即：预处理后的眼底图像，黄斑具有极低亮度、视盘具有极高亮度、两者形状趋于圆形且两者的相对距离和位置固定，以此实现形态滤波器，检测眼底图像中的具有极高亮度的圆形或椭圆区域，将其作为视盘的候选区域，根据两者的距离和位置滤除错误的候选区域，进而确定视盘的中心位置。
提取好眼底图像的结构参数和视网膜血管改变特征数据后，执行步骤S103：对所述眼底图像的结构参数和视网膜血管改变特征数据进行存储，所述视网膜血管改变特征数据包括：局限性视网膜动脉缩窄。存储好后，执行步骤S104：判断是否存储有该患者前期的视网膜血管改变特征数据，若存储有所述患者前期的视网膜血管改变特征数据，则分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况。可采用如下方式：
所述“则分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况”，还包括步骤：
对所述眼底图像进行预处理，所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理；
建立形态滤波器确定所述预处理后的眼底图像中黄斑中心凹及视盘；
分割预处理后的眼底图像的视网膜血管网络及主血管；
根据眼底结构参数对齐眼底图像，修正所述视网膜血管改变特征数据的标识，所述眼底图像的结构参数包括：黄斑中心凹、视盘和主血管信息(该眼底结构参数即上述提及的眼底图像的结构参数)；
自动分析所述视网膜异常特征数据的变化。
在本实施方式中，可根据黄斑的位置、所述视盘的位置和主血管信息，对齐眼底图像，标识出眼底图像中所述视网膜血管改变特征数据的变化区域。通过变化区域，可快速看出所累及大血管的部位的范围和血管长度、所累及大血管的部位与视盘中心的相对位置的变化状况。
提取所述黄斑的位置和主血管信息，具体可采用如下方式：
在待分析的图像中选择图像清晰、能清楚观察到视盘、黄斑和血管的眼底图像作为标准参考图像，对所述标准图像进行处理生成标准灰度直方图；根据所述标准灰度直方图的灰度分布，对其余待分析的眼底图像的灰度进行映射，获得与标准参考图像具有同样灰度分布的眼底图像。
根据预处理后的眼底图像中黄斑亮度、黄斑形态和黄斑与视盘的位置距离，建立形态滤波器，确定黄斑的位置。即：预处理后的眼底图像，黄斑具有极低亮度，两者形状趋于圆形且两者的相对距离和位置固定，以此实现形态滤波器，检测眼底图像中的具有极低亮度的圆形区域，将其作为黄斑的候选区域，根据两者的距离和位置滤除错误的候选区域，进而确定黄斑的中心位置。
预处理后的眼底图像，眼底主血管有相近的灰度信息，且与背景有较高的对比度，结合所述视网膜血管网络的提取方法，通过使用阈值分割方法分割出主血管。
所述根据眼底结构参数，即对齐眼底图像根据黄斑中心凹的位置、视盘的位置和主血管信息对齐同一用户不同时期的眼底图像，标识眼底图像变化区域。可采用如下方式：通过对齐不同眼底图像的黄斑与视盘，粗对齐对眼底图像；对主血管信息计算相关系数，对眼底图像偏移位置微调直至所述相关系数最大；所述主血管信息包括：主血管二值化信息。具体如下：
将两幅待分析比对的眼底图像重叠，根据视盘、黄斑位置的检测与定位结果，将黄斑、视盘基本重合。再根据分割的主血管二值化图像信息计算两者的相关系数，适当调整两幅眼底图像的相对位置。当相关系数最大时，两幅眼底图像实现确定对齐。具体如下：
令根据视盘、黄斑位置基本对齐的眼底图像的二值化血管分割图像分别为Iv1和Iv2，横、纵方向的位置偏移量分别为Δx、Δy，微调Δx和Δy计算相关系数τ(Δx，Δy)。当相关系数最大时对应的(Δx0，Δy0)就是两幅图像对齐时的偏移位置。
τ(Δx，Δy)＝∑∑Iv1(x+Δx，y+Δy)*Iv2(x,y)
τm(Δx0，Δy0)＝maxτ(Δx，Δy)
在其他实施方式中，亦可以根据实际需要，修改变化的定义，用以发现眼底图像的其他变化情况。
在其它实施方式中，亦可用打矩形的方式分别标识眼底图像中的局限性视网膜动脉缩窄所累及的动脉血管及其部位的范围，不同颜色可代表不同的所累及的动脉血管和部位部位的范围，如粉红色代表所累及的动脉血管，绿色代表所累及的动脉血管部位的范围，然后根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息；用白色标识眼底图像变化区域或所述视网膜血管改变特征数据的变化区域。
步骤S105：对所述眼底筛查特征数据变化情况进行分析处理，可采用如下方式：
分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况，进一步分析计算得到所述高血压患者预设时间段内的血压控制效果以及身体健康状况后，可将分析结果发送给所述患者用户自己；在一种实施方案中，可以利用增强现实(AR)技术，将这些眼底特征变化情况及其继续发展有可能影响视力或全身性健康的情况，做成简单的演示动画，叠加在真实的所述眼底图像照片上，实现可视化的教育效果，让用户对自己近一段时间的血压控制或治疗情况有所了解，经历一次深刻的教育，激发患者生活方式干预基础治疗的及时筛查、及时预防治疗的依从性或自觉性；或者经由健康服务专业人员或患者的家庭医生，给出对应的健康服务建议，进而为所述患者用户定制定个性化服务。
高血压和糖尿病防治指南都建议高血压、糖尿病患者应定期或至少进行每年或半年，甚至3个月一次的眼底照相筛查。作为其中一种应用或实施方案，本发明可以利用眼底筛查后得到的眼底图像，提取并标识所述眼底图像的结构参数和视网膜血管改变特征数据，所述视网膜血管改变特征包括：局限性视网膜动脉缩窄；分析、比对所述患者不同时期的视网膜血管改变特征数据；进而获取所述患者该次眼底筛查特征数据的变化情况，分析患者近一段时期的血压控制、生活方式干预治疗效果等相关预防、治疗效果情况，得到相关血压控制情况和健康状况的评估数据。
所述“对所述眼底筛查特征数据变化情况进行分析处理”，还包括步骤：
分析计算得到所述高血压患者预设时间段内的血压控制效果以及身体健康状况；
并根据分析结果给出对应的健康服务建议；
生成所述血压控制效果、身体健康状况及所述健康服务建议的报告，并将所述报告相关信息发送给相关人员。
进一步的，在本实施方式中，所述“分割预处理后的眼底图像的视网膜血管网络”，还包括步骤：
通过显著性模型及区域优化法对眼底图像的眼底血管进行分割，获得眼底血管网络，并根据分割的眼底血管网络进行动静脉的分割。可采用如下方式：
可采用如下方式：通过显著性模型及区域优化法对眼底图像的眼底血管进行分割，获得眼底血管网络，并根据分割的眼底血管网络进行动静脉的分割。具体如下：
步骤1：颜色是分析图像显著性中最重要的特征，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，该算法中采用颜色和纹理两个显著性特征。
眼底图像纹理特征提取：纹理特征是一种不依赖于颜色或亮度的反映图像中同质现象的视觉特征，本课题中考虑到二维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滤波函数可以表示如下：
2πj(x cosθ+y sinθ)) (1)
其中傅里叶变换由下式得到：
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0o、30o、60o、90o、120o、150o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，文中采用五个不同的尺度来提取血管轮廓。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。
眼底图像颜色特征提取：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。考虑到我们所选取的两个不同颜色空间共六个颜色通道，本发明中采用二维信息熵作为衡量显著图性能的标准，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。
步骤2：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。优化函数表示如下：
k和δ为控制因子，当40≤midval≤120,δ为对数函数.当120＜mi dval≤160,δ为指数函数。
步骤3：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。用于统计直方图的原图像表示如下：
其中f(m,n)表示原图像，g(m,n)表示其5*5邻域，t1＝40。
步骤4：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方法进行修补。
对所述视网膜血管改变特征数据进行存储后，判断是否存储有该患者前期的视网膜血管改变特征数据，若存储有所述患者前期的视网膜血管改变特征数据，则分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况；可采用如下方式：根据患者的姓名和身份证到数据库中查询，是否存储有该糖网患者前期的眼底图像及其眼底图像特征数据，若存储有该糖网患者前期的眼底图像及其眼底图像特征数据，则分析比对糖网患者不同时期的眼底图像及其眼底图像特征数据，获取眼底筛查特征数据变化情况。
进一步的，可以根据标定好的所述视盘和黄斑，计算所述视盘颞侧与黄斑中心凹的量化参数。因正常人这二者的绝对距离值是差不多一样的，因此再根据已得到的视盘颞侧到黄斑中心凹的绝对距离以及视盘直径，得到后续量化分析的参数，将获得的数据从绝对表示方式转换为相对表示方式，通过归一化处理，形成有意义的、可比较的数据。确保了不同来源的眼底图像，均可形成有意义、可比较的结构化定量分析指标，做到所有的眼底图像基本可比较；同时，在一种应用中，视网膜血管的其它病变或异常，包括弥漫性视网膜动脉缩窄、视网膜动静脉交叉压迫、银丝样改变、铜丝样改变、视网膜病变(包括视网膜出血、微动脉瘤、硬性渗出、棉绒斑、局限性神经纤维层的缺损与程度)、患者的问诊资料以及身高、体重等其它个人信息的评估，可以为高血压视网膜病变筛查以及与心脑血管疾病的相关性提供更良好的观察指标。为实现健康大数据服务奠定基础。
请参阅图6，在本实施方式中，一种高血压视网膜血管改变特征数据分析的系统600的具体实施方式如下：
一种高血压视网膜血管改变特征数据分析的系统600，包括：眼底图像获取终端601和眼底图像处理终端602；所述眼底图像处理终端602包括：数据存储模块6021、眼底图像分析比对模块6022和结果分析模块6023；
所述眼底图像获取终端601连接眼底图像处理终端602；
所述眼底图像获取终端601用于：获取所述患者的眼底图像，并发送所述眼底图像至眼底图像处理终端602；
所述数据存储模块6021用于：存储所述眼底图像；
所述眼底图像分析比对模块6022用于：提取并标识所述眼底图像的结构参数和视网膜血管改变特征数据；判断是否存储有该患者前期的视网膜血管改变特征数据，若存储有所述患者前期的视网膜血管改变特征数据，则分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况；
所述数据存储模块6021用于：存储所述眼底图像的结构参数和视网膜血管改变特征数据；
所述结果分析模块6023用于：对所述眼底筛查特征数据变化情况进行分析处理。
可采用如下方式：
通过基层应用机构(如：基层医疗机构、健康体检、健康管理或基层社区诊所)的眼底相机进行定期的眼底照相筛查，获取高血压患者的眼底图像，并将获取到的眼底图像通过数据线传送至PC上由眼底图像数据分析工作站软件进行处理，或通过网络发送至PC上，由PC发送至眼底图像数据分析中心；患者亦可通过移动终端设备上传眼底图像。需要说明的是，在本实施方式中，基层应用机构可以是那些偏远地区，没有专业眼科医生人员，或者是配备专业眼科医生人员成本非常高的地方。若是发送至眼底图像数据分析中心，获取完高血压患者的眼底图像的同时对其进行存储。
提取并标识所述眼底图像的结构参数和视网膜血管改变特征数据。
在该步骤之前，还包括步骤：对眼底图像进行预处理。所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理。具体与上述方法的实施例相同，在此不做重复说明。
多项以人群为基础的流行病学研究表明，视网膜血管病变或异常，包括局部视网膜动脉缩窄(FN)和视网膜病变(包括视网膜出血、微动脉瘤、硬性渗出、棉绒斑)的评估，可以为高血压的发病和进展的相关研究提供良好的观察指标。血压控制满意可减少患者中FN的的程度，局限性视网膜动脉缩窄的消退率可反映血压控制情况。在非糖尿病人群中，高血压与视网膜微血管异常的发病率和纵向变化具有强相关性。高血压控制的越好，视网膜微血管异常的发病率越低，FN的好转率越高，这表明如果高血压被控制，FN作为视网膜微血管异常早期表现是可逆的。
提取局限性视网膜动脉缩窄特征数据可采用如下方式：提取预处理后的眼底图像的视盘中心，确定视盘大小；通过定位视盘确定测量区域；在所述测量区域内通过自动或半自动的交互式血管直径测量方法获得视网膜血管改变特征。
请参阅图2，具体如下：眼底血管改变特征提取是根据循证医学确定和高血压治疗效果相关的视网膜血管改变特征数据，即FN。其具体说明同上述方法实施例相同，在此不做重复说明。
其中所述“标识所述视网膜血管改变特征数据”，还包括步骤：标识局限性视网膜动脉缩窄特征数据及其所累及大血管的部位、所累及大血管的部位的范围和血管长度，所累及大血管的部位与视盘中心的相对位置。
所述提取预处理后的眼底图像的视盘中心，还包括步骤：
在待分析的图像中选择图像清晰、能清楚观察到视盘、黄斑和血管的眼底图像作为标准参考图像，对所述标准图像进行处理生成标准灰度直方图；根据所述标准灰度直方图的灰度分布，对其余待分析的眼底图像的灰度进行映射，获得与标准参考图像具有同样灰度分布的眼底图像。
根据预处理后的眼底图像中黄斑亮度及视盘亮度、黄斑形态与视盘形态、和黄斑与视盘的位置距离，建立形态滤波器，确定黄斑及视盘的位置。即：预处理后的眼底图像，黄斑具有极低亮度、视盘具有极高亮度、两者形状趋于圆形且两者的相对距离和位置固定，以此实现形态滤波器，检测眼底图像中的具有极高亮度的圆形或椭圆区域，将其作为视盘的候选区域，根据两者的距离和位置滤除错误的候选区域，进而确定视盘的中心位置。
进一步的，所述眼底图像分析比对模块6022还用于：
对所述眼底图像进行预处理，所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理；
建立形态滤波器确定所述预处理后的眼底图像中黄斑中心凹及视盘；
分割预处理后的眼底图像的视网膜血管网络及主血管；
根据眼底结构参数对齐眼底图像，修正所述视网膜血管改变特征数据的标识，所述眼底图像的结构参数包括：黄斑中心凹、视盘和主血管信息；
自动分析所述视网膜异常特征数据的变化。
在本实施方式中，可根据黄斑的位置、所述视盘的位置和主血管信息，对齐眼底图像，标识出眼底图像中所述视网膜血管改变特征数据的变化区域。通过变化区域，可快速看出所累及大血管的部位的范围和血管长度、所累及大血管的部位与视盘中心的相对位置的变化状况。
提取所述黄斑的位置和主血管信息，具体可采用如下方式：
在待分析的图像中选择图像清晰、能清楚观察到视盘、黄斑和血管的眼底图像作为标准参考图像，对所述标准图像进行处理生成标准灰度直方图；根据所述标准灰度直方图的灰度分布，对其余待分析的眼底图像的灰度进行映射，获得与标准参考图像具有同样灰度分布的眼底图像。
根据预处理后的眼底图像中黄斑亮度、黄斑形态和黄斑与视盘的位置距离，建立形态滤波器，确定黄斑的位置。即：预处理后的眼底图像，黄斑具有极低亮度，两者形状趋于圆形且两者的相对距离和位置固定，以此实现形态滤波器，检测眼底图像中的具有极低亮度的圆形区域，将其作为黄斑的候选区域，根据两者的距离和位置滤除错误的候选区域，进而确定黄斑的中心位置。
预处理后的眼底图像，眼底主血管有相近的灰度信息，且与背景有较高的对比度，结合所述视网膜血管网络的提取方法，通过使用阈值分割方法分割出主血管。
所述根据眼底结构参数，即对齐眼底图像根据黄斑中心凹的位置、视盘的位置和主血管信息对齐同一用户不同时期的眼底图像，标识眼底图像变化区域。可采用如下方式：通过对齐不同眼底图像的黄斑与视盘，粗对齐对眼底图像；对主血管信息计算相关系数，对眼底图像偏移位置微调直至所述相关系数最大；所述主血管信息包括：主血管二值化信息。具体如下：
将两幅待分析比对的眼底图像重叠，根据视盘、黄斑位置的检测与定位结果，将黄斑、视盘基本重合。再根据分割的主血管二值化图像信息计算两者的相关系数，适当调整两幅眼底图像的相对位置。当相关系数最大时，两幅眼底图像实现确定对齐。具体如下：
令根据视盘、黄斑位置基本对齐的眼底图像的二值化血管分割图像分别为Iv1和Iv2，横、纵方向的位置偏移量分别为Δx、Δy，微调Δx和Δy计算相关系数τ(Δx，Δy)。当相关系数最大时对应的(Δx0，Δy0)就是两幅图像对齐时的偏移位置。
τ(Δx，Δy)＝∑∑Iv1(x+Δx，y+Δy)*Iv2(x，y)
τm(Δx0，Δy0)＝maxτ(Δx,Δy)
在其他实施方式中，亦可以根据实际需要，修改变化的定义，用以发现眼底图像的其他变化情况。
在其它实施方式中，亦可用打矩形的方式分别标识眼底图像中的局限性视网膜动脉缩窄所累及的动脉血管及其部位的范围，不同颜色可代表不同的所累及的动脉血管和部位部位的范围，如粉红色代表所累及的动脉血管，绿色代表所累及的动脉血管部位的范围，然后根据眼底参数对齐眼底图像，所述眼底参数包括：黄斑的位置、视盘的位置和主血管信息；用白色标识眼底图像变化区域或所述视网膜血管改变特征数据的变化区域。
进一步的，所述结果分析模块6023还用于：
分析计算得到所述高血压患者预设时间段内的血压控制效果以及身体健康状况；
并根据分析结果给出对应的健康服务建议；
生成所述血压控制效果、身体健康状况及所述健康服务建议的报告，并将所述报告相关信息发送给相关人员。
分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况，进一步分析计算得到所述高血压患者预设时间段内的血压控制效果以及身体健康状况后，可将分析结果发送给所述患者用户自己；在一种实施方案中，可以利用增强现实(AR)技术，将这些眼底特征变化情况及其继续发展有可能影响视力或全身性健康的情况，做成简单的演示动画，叠加在真实的所述眼底图像照片上，实现可视化的教育效果，让用户对自己近一段时间的血压控制或治疗情况有所了解，经历一次深刻的教育，激发患者生活方式干预基础治疗的及时筛查、及时预防治疗的依从性或自觉性；或者经由健康服务专业人员或患者的家庭医生，给出对应的健康服务建议，进而为所述患者用户定制定个性化服务。
高血压和糖尿病防治指南都建议高血压、糖尿病患者应定期或至少进行每年或半年，甚至3个月一次的眼底照相筛查。作为其中一种应用或实施方案，本发明可以利用眼底筛查后得到的眼底图像，提取并标识所述眼底图像的结构参数和视网膜血管改变特征数据，所述视网膜血管改变特征包括：局限性视网膜动脉缩窄；分析、比对所述患者不同时期的视网膜血管改变特征数据；进而获取所述患者该次眼底筛查特征数据的变化情况，分析患者近一段时期的血压控制、生活方式干预治疗效果等相关预防、治疗效果情况，得到相关血压控制情况和健康状况的评估数据。
进一步的，所述眼底图像分析比对模块6022还用于：通过显著性模型及区域优化法对眼底图像的眼底血管进行分割，获得眼底血管网络，并根据分割的眼底血管网络进行动静脉的分割。具体实施方式同方法的实施例一样，在此不做重复说明。
进一步的，所述眼底图像分析比对模块6022还用于：
提取预处理后的所述眼底图像中视盘的中心，确定视盘大小；
通过定位视盘确定测量区域；
在所述测量区域内或所述测量区域内，通过自动或半自动的交互式血管直径测量方法获得所述视网膜血管改变特征数据。
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 (8)

1.一种高血压视网膜血管改变特征数据分析的方法，其特征在于，包括步骤：
获取高血压患者的眼底图像并进行存储；
提取并标识所述眼底图像的结构参数和视网膜血管改变特征数据；
对所述眼底图像的结构参数和视网膜血管改变特征数据进行存储；
所述眼底图像的结构参数包括：黄斑中心凹、视盘和主血管信息；
所述视网膜血管改变特征数据包括：局限性视网膜动脉缩窄；
标识所述视网膜血管改变特征数据，还包括步骤：标识局限性视网膜动脉缩窄特征数据及其所累及大血管的部位、所累及大血管的部位的范围和血管长度以及所累及大血管的部位与视盘中心的相对位置；
判断是否存储有该患者前期的视网膜血管改变特征数据，若存储有所述患者前期的视网膜血管改变特征数据，则分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况；
对所述眼底筛查特征数据变化情况进行分析处理；
所述对所述眼底筛查特征数据变化情况进行分析处理包括步骤：
分析计算得到所述高血压患者预设时间段内的血压控制效果以及身体健康状况；
并根据分析结果给出对应的健康服务建议；
生成所述血压控制效果、身体健康状况及所述健康服务建议的报告，并将所述报告相关信息发送给相关人员；
所述标识所述视网膜血管改变特征数据还包括:
根据标定好的所述视盘和黄斑中心凹，计算所述视盘颞侧与黄斑中心凹的量化参数，再根据已得到的视盘颞侧到黄斑中心凹的绝对距离以及视盘直径，得到后续量化分析的参数；
将获得的后续量化分析的参数从绝对表示方式转换为相对表示方式，通过归一化处理，形成可比较的数据；
所述将所述报告相关信息发送给相关人员具体包括：利用增强现实技术，将眼底筛查特征数据及其继续发展影响视力或全身性健康的情况，做成演示动画，叠加在真实的眼底图像照片上。
2.根据权利要求1所述的一种高血压视网膜血管改变特征数据分析的方法，其特征在于，
所述则分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况还包括步骤：
对所述眼底图像进行预处理，所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理；
建立形态滤波器确定所述预处理后的眼底图像中黄斑中心凹及视盘；
分割预处理后的眼底图像的视网膜血管网络及主血管；
根据眼底结构参数对齐眼底图像，修正所述视网膜血管改变特征数据的标识；
自动分析所述视网膜异常特征数据的变化。
3.根据权利要求2所述的一种高血压视网膜血管改变特征数据分析的方法，其特征在于，
所述分割预处理后的眼底图像的视网膜血管网络还包括步骤：
通过显著性模型及区域优化法对眼底图像的眼底血管进行分割，获得眼底血管网络，并根据分割的眼底血管网络进行动静脉的分割。
4.根据权利要求1所述的一种高血压视网膜血管改变特征数据分析的方法，其特征在于，
所述标识所述眼底图像的结构参数和视网膜血管改变特征数据还包括步骤：
提取预处理后的所述眼底图像中视盘的中心，确定视盘大小；
通过定位视盘确定测量区域；
在所述测量区域内或所述测量区域内，通过自动或半自动的交互式血管直径测量方法获得所述视网膜血管改变特征数据。
5.一种高血压视网膜血管改变特征数据分析的系统，其特征在于，包括：眼底图像获取终端和眼底图像处理终端；所述眼底图像处理终端包括：数据存储模块、眼底图像分析比对模块和结果分析模块；
所述眼底图像获取终端与所述眼底图像处理终端连接；
所述眼底图像获取终端用于：获取高血压患者的眼底图像，并发送所述眼底图像至眼底图像处理终端；
所述数据存储模块用于：存储所述眼底图像；
所述眼底图像分析比对模块用于：提取并标识所述眼底图像的结构参数和视网膜血管改变特征数据，所述眼底图像的结构参数包括：黄斑中心凹、视盘和主血管信息，所述视网膜血管改变特征数据包括：局限性视网膜动脉缩窄；标识所述视网膜血管改变特征数据包括：标识局限性视网膜动脉缩窄特征数据及其所累及大血管的部位、所累及大血管的部位的范围和血管长度以及所累及大血管的部位与视盘中心的相对位置；
所述数据存储模块用于：存储所述眼底图像的结构参数和视网膜血管改变特征数据；
所述眼底图像分析比对模块还用于：判断是否存储有该患者前期的视网膜血管改变特征数据，若存储有所述患者前期的视网膜血管改变特征数据，则分析比对所述患者不同时期的视网膜血管改变特征数据，获取所述患者该次眼底筛查特征数据的变化情况；
所述结果分析模块用于：对所述眼底筛查特征数据变化情况进行分析处理；
所述结果分析模块还用于：
分析计算得到所述高血压患者预设时间段内的血压控制效果以及身体健康状况；
并根据分析结果给出对应的健康服务建议；
生成所述血压控制效果、身体健康状况及所述健康服务建议的报告，并将所述报告相关信息发送给相关人员；
所述将所述报告相关信息发送给相关人员具体包括：利用增强现实技术，将眼底筛查特征数据及其继续发展影响视力或全身性健康的情况，做成演示动画，叠加在真实的眼底图像照片上；
所述眼底图像分析比对模块还用于：根据标定好的所述视盘和黄斑中心凹，计算所述视盘颞侧与黄斑中心凹的量化参数，再根据已得到的视盘颞侧到黄斑中心凹的绝对距离以及视盘直径，得到后续量化分析的参数；将获得的后续量化分析的参数从绝对表示方式转换为相对表示方式，通过归一化处理，形成可比较的数据。
6.根据权利要求5所述的一种高血压视网膜血管改变特征数据分析的系统，其特征在于，
所述眼底图像分析比对模块还用于：
对所述眼底图像进行预处理，所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的归一化处理；
建立形态滤波器确定所述预处理后的眼底图像中黄斑中心凹及视盘；
分割预处理后的眼底图像的视网膜血管网络及主血管；
根据眼底结构参数对齐眼底图像，修正所述视网膜血管改变特征数据的标识；
自动分析所述视网膜异常特征数据的变化。
7.根据权利要求5所述的一种高血压视网膜血管改变特征数据分析的系统，其特征在于，
所述眼底图像分析比对模块还用于：通过显著性模型及区域优化法对眼底图像的眼底血管进行分割，获得眼底血管网络，并根据分割的眼底血管网络进行动静脉的分割。
8.根据权利要求5所述的一种高血压视网膜血管改变特征数据分析的系统，其特征在于，
所述眼底图像分析比对模块还用于：
提取预处理后的所述眼底图像中视盘的中心，确定视盘大小；
通过定位视盘确定测量区域；
在所述测量区域内或所述测量区域内，通过自动或半自动的交互式血管直径测量方法获得所述视网膜血管改变特征数据。
CN201811408427.XA 2018-11-23 2018-11-23 一种高血压视网膜血管改变特征数据分析的方法和系统 Active CN111222361B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811408427.XA CN111222361B (zh) 2018-11-23 2018-11-23 一种高血压视网膜血管改变特征数据分析的方法和系统
PCT/CN2018/124503 WO2020103289A1 (zh) 2018-11-23 2018-12-27 一种高血压视网膜血管改变特征数据分析的方法和系统
GB2104436.7A GB2591919A (en) 2018-11-23 2018-12-27 Method and system for analyzing hypertensive retinal blood vessel change feature data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811408427.XA CN111222361B (zh) 2018-11-23 2018-11-23 一种高血压视网膜血管改变特征数据分析的方法和系统

Publications (2)

Publication Number Publication Date
CN111222361A CN111222361A (zh) 2020-06-02
CN111222361B true CN111222361B (zh) 2023-12-19

Family

ID=70774240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811408427.XA Active CN111222361B (zh) 2018-11-23 2018-11-23 一种高血压视网膜血管改变特征数据分析的方法和系统

Country Status (3)

Country Link
CN (1) CN111222361B (zh)
GB (1) GB2591919A (zh)
WO (1) WO2020103289A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166117B (zh) * 2018-08-31 2022-04-12 福州依影健康科技有限公司 一种眼底图像自动分析比对方法及一种存储设备
CN113781381B (zh) * 2020-06-05 2023-09-26 中山大学中山眼科中心 一种识别慢性肾病图像的系统
CN111899272B (zh) * 2020-08-11 2023-09-19 上海海事大学 基于耦合神经网络和线连接器的眼底图像血管分割方法
CN112330610B (zh) * 2020-10-21 2024-03-29 郑州诚优成电子科技有限公司 一种基于微血管位置角膜内皮细胞计数采集精确定位方法
CN112508919A (zh) * 2020-12-11 2021-03-16 北京大恒普信医疗技术有限公司 图像处理方法及装置、电子设备、可读存储介质
CN112716446B (zh) * 2020-12-28 2023-03-24 深圳硅基智能科技有限公司 高血压性视网膜病变的病变特征的测量方法及测量系统
CN112700420B (zh) * 2020-12-31 2024-10-11 中南大学 一种眼底图像补全、分类方法及系统
CN112862804B (zh) * 2021-03-01 2023-04-07 河南科技大学第一附属医院 一种眼底视网膜血管图像处理系统及方法
CN113010722B (zh) * 2021-04-18 2023-10-03 南通大学 一种融合眼底图像的慢病临床研究队列查询系统及方法
CN113222927B (zh) * 2021-04-30 2023-08-01 汕头大学·香港中文大学联合汕头国际眼科中心 一种早产儿视网膜病变附加性病变的自动检查机器
CN113269737B (zh) * 2021-05-17 2024-03-19 北京鹰瞳科技发展股份有限公司 一种眼底视网膜动静脉血管直径计算方法及系统
CN113486925B (zh) * 2021-06-07 2024-07-16 北京鹰瞳科技发展股份有限公司 模型训练方法、眼底图像生成方法、模型评估方法及装置
CN114847871B (zh) * 2022-07-06 2022-10-18 北京鹰瞳科技发展股份有限公司 用于分析被检者的眼底变化趋势的方法、系统和相关产品
CN115482933B (zh) * 2022-11-01 2023-11-28 北京鹰瞳科技发展股份有限公司 用于对驾驶员的驾驶风险进行评估的方法及其相关产品
CN117808786B (zh) * 2024-01-02 2024-05-24 珠海全一科技有限公司 一种视网膜动脉分支角度变化关联预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103458772A (zh) * 2011-04-07 2013-12-18 香港中文大学 视网膜图像分析方法和装置
CN105513077A (zh) * 2015-12-11 2016-04-20 北京大恒图像视觉有限公司 一种用于糖尿病性视网膜病变筛查的系统
CN106651827A (zh) * 2016-09-09 2017-05-10 浙江大学 一种基于sift特征的眼底图像配准方法
CN107657612A (zh) * 2017-10-16 2018-02-02 西安交通大学 适用于智能便携设备的全自动视网膜血管分析方法及系统
CN108416371A (zh) * 2018-02-11 2018-08-17 艾视医疗科技成都有限公司 一种糖尿病性视网膜病变自动检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1095354C (zh) * 1996-06-04 2002-12-04 浙江大学 用于心血管疾病的无损定量诊断系统的使用方法
SG191664A1 (en) * 2008-04-08 2013-07-31 Univ Singapore Retinal image analysis systems and methods
WO2009139722A1 (en) * 2008-05-14 2009-11-19 Agency For Science, Technology And Research Automatic cup-to-disc ratio measurement system
CN108230276B (zh) * 2018-02-06 2020-06-02 江西理工大学 一种融合无参图像质量评价的自然场景图像去模糊方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103458772A (zh) * 2011-04-07 2013-12-18 香港中文大学 视网膜图像分析方法和装置
CN105513077A (zh) * 2015-12-11 2016-04-20 北京大恒图像视觉有限公司 一种用于糖尿病性视网膜病变筛查的系统
CN106651827A (zh) * 2016-09-09 2017-05-10 浙江大学 一种基于sift特征的眼底图像配准方法
CN107657612A (zh) * 2017-10-16 2018-02-02 西安交通大学 适用于智能便携设备的全自动视网膜血管分析方法及系统
CN108416371A (zh) * 2018-02-11 2018-08-17 艾视医疗科技成都有限公司 一种糖尿病性视网膜病变自动检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
多模眼底图像配准方法研究;祝婉;《多模眼底图像配准方法研究》(第2期);第4、21-44页 *

Also Published As

Publication number Publication date
WO2020103289A1 (zh) 2020-05-28
GB202104436D0 (en) 2021-05-12
GB2591919A (en) 2021-08-11
CN111222361A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
CN111222361B (zh) 一种高血压视网膜血管改变特征数据分析的方法和系统
CN111340789B (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
Cao et al. Hierarchical method for cataract grading based on retinal images using improved Haar wavelet
McGrory et al. Towards standardization of quantitative retinal vascular parameters: comparison of SIVA and VAMPIRE measurements in the Lothian Birth Cohort 1936
US9898818B2 (en) Automated measurement of changes in retinal, retinal pigment epithelial, or choroidal disease
Tavakoli et al. A complementary method for automated detection of microaneurysms in fluorescein angiography fundus images to assess diabetic retinopathy
AU2014289978B2 (en) Quantifying a blood vessel reflection parameter of the retina
Garway-Heath et al. Quantitative evaluation of the optic nerve head in early glaucoma
Patton et al. Retinal image analysis: concepts, applications and potential
CN110875092B (zh) 一种基于远程眼底筛查的健康大数据服务方法和系统
Medhi et al. An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images
TWI719587B (zh) 眼底圖像定量分析的前置處理方法及存放裝置
Abdel-Ghafar et al. Progress towards automated detection and characterization of the optic disc in glaucoma and diabetic retinopathy
CN112075922B (zh) 2型糖尿病眼底图像指标的测量及与糖尿病肾病相关性的分析方法
WO2010131944A2 (en) Apparatus for monitoring and grading diabetic retinopathy
Ortíz et al. Support system for the preventive diagnosis of hypertensive retinopathy
Huang et al. Stability analysis of fractal dimension in retinal vasculature
SG172159A1 (en) A method and system for determining the position of an optic cup boundary
Kumar et al. Automated detection of eye related diseases using digital image processing
Abràmoff Image processing
CN111402184B (zh) 一种实现远程眼底筛查和健康服务的方法和系统
CN111383775B (zh) 一种基于眼底筛查的会员用户匿名交流方法及存储设备
Zafar et al. A comprehensive convolutional neural network survey to detect glaucoma disease
GB2593824A (en) Analysis method and system for feature data change of diabetic retinopathy fundus, and storage device
WO2021046418A1 (en) Systems and methods for detection and grading of diabetic retinopathy

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