CN111789572A

CN111789572A - 从视网膜脉管系统图像中确定高血压水平

Info

Publication number: CN111789572A
Application number: CN202010265830.2A
Authority: CN
Inventors: 加文·罗伯逊; 艾伦·邓肯·弗莱明
Original assignee: Optos PLC
Current assignee: Optos PLC
Priority date: 2019-04-04
Filing date: 2020-04-07
Publication date: 2020-10-20
Also published as: JP2020185375A; JP7066959B2; EP3719808A1; US20200320693A1

Abstract

本申请涉及从视网膜脉管系统图像中确定高血压水平。一种用于确定人的高血压水平的计算机实现的方法、系统和计算机可读介质。该方法具有以下步骤：获取图像数据，该图像数据定义已经由视网膜成像系统捕获的人的视网膜的视网膜图像；处理图像数据，以识别视网膜图像中存在的多个血管段；确定视网膜图像中存在的多个血管段的至少一个子集的血管段的各自的宽度；以及计算视网膜图像中存在的血管段的确定的宽度的至少一个平均值或中值作为血管概要度量，以确定已经影响了人的高血压水平。

Description

从视网膜脉管系统图像中确定高血压水平

领域

本文的示例方面总体涉及图像处理领域，且更具体地，涉及对受试者视网膜的图像的处理，以确定影响了受试者的高血压水平。

背景

高血压是一种常见的、通常无症状的状况，是世界范围内死亡和残疾的主要危险因素。例如，在英国，大约30％的成年人被认为患有高血压(参见Campbell等人和国际高血压协会执行官Burrell,L.于2016年在The Journal of Clinical Hypertension,18(8),pp.714-717发表的“High blood pressure 2016：why prevention and control areurgent and important”)，并且估计这一群体的大约30％未被诊断，这使他们患心血管疾病和中风的风险增加的。通常，高血压可以定义为收缩压水平超过140mmHg。然而，管理处于高血压的中度至高度风险的人们的血压升高可能涉及基于新出现的医学证据，定义不同的高血压水平和/或下降目标为<140mmHg(例如<130mmHg或120mmHg)。

已知视网膜血管的特性与系统性疾病(诸如糖尿病和高血压)相关联。这些血管的可见性使它们成为系统性疾病的健康指标或生物标志物的高度可及的来源。视网膜的图像可以通过眼底照相机或扫描激光检眼镜(SLO)获取，例如，允许通过非侵入性检查获得身体微循环的详细视图。源自视网膜的定量特征(诸如血管口径的测量值，即视神经盘附近的血柱的厚度或直径)与升高的血压和高血压的存在相关联。通常，这种关联的特征是视网膜小动脉变窄，小静脉几乎没有变化。为了减轻受试者之间的身体尺寸和眼睛放大倍数，动脉-静脉口径比(通常缩写为AVR)被用作小动脉口径的替代物(Knudtson等人于2003年在Current Eye Research,27(3),143-149发表的“Revised formulas for summarizingretinal vessel diameters”)。这种量度可以转化为使用视网膜成像对未确诊的高血压的测试。

概述

然而，视网膜脉管系统是高度可变的，这使得指定一种系统性方法来获得用于由视网膜血管确定高血压水平的度量非常困难。

例如，如果决定使用视网膜的某部分(关注区域)来进行血管度量的测量，那么在个体之间，该区域内可能有不同数量的血管段(vessel segment)。此外，该区域内或该区域与视神经头之间的分支点的分布也会因人而异。因此，在(视神经内)视网膜中央动脉和静脉与关注区域内的动脉和静脉之间，分支出现的次数未知(即不可见)。这些因素会影响血管宽度。

处理视网膜图像以检测或预测高血压的已知方法依赖于基于中央视网膜脉管系统(CRV)的直径和对高血压(的水平)的趋势的关系。然而，CRV在视网膜图像中是不可见的，因此有必要由视网膜图像中可见的脉管系统计算或导出CRV直径的估计。也就是说，有必要引入一个近似值，因为这种方法依赖于在分支点处连接的血管的口径之间的关系。此外，血管段的口径以与图像中可见的实际分支无关的方式组合。

更具体地说，克努特森方法(Knudtson method)(Knudtson等人于2003年在Current Eye Research,27(3),143-149发表的“Revised formulas for summarizingretinal vessel diameters”)已经用于估计隐藏CRV的直径或宽度。为了做到这一点，克努特森方法对血管的分支构造做出假设，因为这一信息是未知的，因为眼睛中的分叉数目因人而异而有相当大的变化。具体而言，克努特森方法利用经验推导出的分支系数，并且以血管宽度递减的顺序任意地将分支公式应用于血管，具体而言，通过当确定两个血管的母干(parent trunk)的估计时，使用将最大宽度的血管与最小宽度的血管配对的迭代过程，即使该假设可能与血管的实际物理分支排列无关。例如，在专利号为9,924,867B2的美国专利中使用了这种方法，从视网膜中央动脉当量(CRAE)和视网膜中央静脉当量(CRVE)的比率中迭代地确定小动脉与小静脉的比率AVR。

本发明人进行了模拟，其中使用克努特森方法的分支公式来确定应用于(a)100个随机选择的排序中的血管宽度的集合和(b)克努特森方法指定的顺序中的相同血管宽度的CRV(即，如上所述的CRVE或CRAE)。图1以条形图显示模拟结果。在条形图中，白色条指示使用克努特森方法确定的CRV的估计宽度(其高度是不相关的)。当使用随机选择的排序对血管宽度的集合进行排序时，条形图中的黑色条指示在特定值被确定为估计的CRV宽度时的频率。从图1可以清楚地看出，在100个随机选择的排序中，估计的CRV宽度明显不一致。

图1所示的结果表明，实际的CRV宽度可能与估计的CRV宽度明显不同，这证明克努特森方法的失败。这反过来说明，基于高血压水平和CRV的直径之间的关系，在使用视网膜图像来检测或预测高血压时可能缺乏准确性或精确性。

因此，需要一种用于从视网膜图像中(早期)检测高血压以及从视网膜图像中(早期)确定高血压水平的改进方法。

本发明人已经令人惊讶和意外地确定，并非依赖于高血压水平和CRV直径(或CRAE或CRVE的值)之间的关系，而是通过依赖于在视网膜图像中可见的视网膜脉管系统的测量值和高血压水平之间的直接关系，有可能使用视网膜图像来预测高血压。因此，本发明人设计了一种确定高血压水平的方法，而无需做出关于隐藏的CRV、分支系数、血管当量等的任何估计或假设。因此，可以避免由估计引入的可能的变化。

在这方面，根据本文的第一示例方面，本发明人设计了一种用于确定人的高血压水平的计算机实现的方法。该方法包括：获取图像数据，该图像数据定义已经由视网膜成像系统捕获的人的视网膜的视网膜图像；处理图像数据，以识别视网膜图像中存在的多个血管段；确定视网膜图像中存在的多个血管段的至少一个子集中的血管段的各自的宽度；以及计算视网膜图像中存在的血管段的确定的宽度的至少一个平均值或中值作为血管概要度量(vascular summary metric)，以确定高血压水平，该高血压水平已经影响此人。

根据本文的第二示例方面，本发明人还设计了一种计算机程序，当由计算机执行时，该计算机程序使得计算机执行根据本文的第一示例方面的方法。

根据本文的第三示例方面，本发明人还设计了一种用于确定人的高血压水平的装置，所述装置包括获取模块、处理模块、确定模块和计算模块。获取模块被配置成：获取图像数据，该图像数据定义已经由视网膜成像系统捕获的人的视网膜的视网膜图像。处理模块被配置成处理图像数据，以识别视网膜图像中存在的多个血管段。确定模块被配置成：确定视网膜图像中存在的多个血管段的至少一个子集中的血管段的各自的宽度。计算模块被配置成：计算视网膜图像中存在的血管段的确定的宽度的至少一个平均值或中值作为血管概要度量，以确定已经影响了人的高血压水平。

附图简述

现在将参考下面描述的附图仅以非限制性示例的方式详细解释本发明的实施例。在所述附图中的不同附图中出现的相似的参考数字可以表示相同的或在功能上相似的元素，除非另有指示。

图1是显示模拟结果的条形图，该模拟结果指示实际CRV宽度可能不同于使用克努特森方法估计的估计CRV宽度。

图2是根据本文的示例实施例的用于确定受试者(诸如人)的高血压水平的装置的示意图。

图3是示出根据本文的示例实施例的图2的装置的示例信号处理硬件配置的框图。

图4是示出根据本文的示例实施例的过程的流程图，通过该过程，图2的装置处理图像数据以确定人的高血压。

图5(a)是根据本文的示例实施例的使用扫描激光检眼镜SLO捕获的受试者的视网膜的一部分的视网膜图像的示意图，其中定义视网膜图像的图像数据已经被处理以定位视网膜标志(landmarks)。

图5(b)是根据本文的示例实施例的使用扫描激光检眼镜SLO捕获的受试者的视网膜的一部分的视网膜图像的示意图，其中已经选择了关注区域。

图6(a)至6(d)显示了根据本文的示例实施例的视网膜图像，其中定义视网膜图像的图像数据已经被处理以改善对于血管段的识别。

图7(a)至7(d)显示了根据本文的示例实施例的视网膜图像，其中已经处理了定义视网膜图像的图像数据，以通过增强图像数据来改善对于血管段的识别，以便使用海森滤波(Hessian filtering)来帮助检测视网膜特征。

图8是显示根据本文的示例实施例可以如何在定义多个受试者的视网膜图像的图像数据上训练分类算法的示意图。

图9是神经网络的特定示例的示意图，该神经网络包括人工神经元和输入层、隐藏层和输出层。

图10(a)至10(c)显示其中示出了根据本文的示例实施例的在关注区域中识别多个血管段的过程的图像。

图11是根据本文的示例实施例的用于将多个血管段中的每一个血管段归类为动脉或非动脉的卷积神经网络的示意图。

图12是动静脉比(AVR)相对于收缩压(mm Hg)绘制的曲线图，其中可以观察到AVR和收缩压之间的线性关系。

图13显示了对于左眼的半自动的和自动的高血压分类的接收器操作者曲线下的面积(AUC)，其使用AVR对高血压个体进行分类。

示例实施例的详细描述

图2是根据本文的示例实施例的用于确定受试者(诸如，例如人)的高血压水平的装置100的示意图。装置100包括获取模块110、处理模块120、确定模块130和计算模块140。另外，装置100可以可选地包括显示控制信号生成器150(其用虚线表示)。

获取模块110被配置成获取图像数据，该图像数据定义由视网膜成像系统200(如图3所示)从人捕获的视网膜图像500(如图5(a)所示)。处理模块120被配置成处理图像数据，以识别视网膜图像中存在的多个血管段。确定模块130被配置成确定多个血管段的至少一个子集的宽度(各自的宽度)。计算模块140被配置成计算多个血管段的子集的宽度的平均值或中值中的至少一项作为血管概要度量，以确定此人是否已经受到高血压的影响和/或此人的高血压水平。

获取模块110被配置成获取图像数据，该图像数据定义了由视网膜成像系统200从人(即，被成像的受试者)捕获的视网膜图像500。由所获取的图像数据定义的视网膜图像可以是对于视网膜眼底的表示、视网膜眼底特征的表示或视网膜的任何合适部分的表示。从这种表示(诸如照片)中，可以探索和测量视网膜眼底特征。如在本示例实施例中，所获取的图像数据可以定义二维图像，或者它可以可替代地定义视网膜的成像部分的三维图像。接收的图像数据可以是以本领域技术人员已知的任何合适的格式(无论是压缩的还是未压缩的)提供的。

视网膜成像系统200可以是适于对眼睛的视网膜成像的任何眼部成像系统。例如，视网膜成像系统200可以是眼底照相机或一种扫描成像系统。举例而言，本示例实施例的视网膜成像系统200是扫描激光检眼镜(SLO)的示例性形式的扫描成像系统，其被配置成获取受试者眼睛的视网膜的图像。本示例实施例的SLO被配置成捕获红-绿(RG)反射率(reflectance)图像。如在本实施例中，在视网膜成像系统200是生成同时的红色图像和绿色图像的扫描激光检眼镜的情况下，红色图像和绿色图像可以被组合以给出视网膜的伪彩色图像。

举例而言，在532nm波长的绿光具有对视网膜的短穿透，并迅速被血柱吸收。633nm的红光优先被脱氧血红蛋白吸收，导致静脉以比动脉更大的对比度显现。可替代地，可以使用其他波长。以SLO的示例性形式的视网膜成像系统200可替代地或额外地被配置成获取一种或更多种其他类型的图像，诸如，例如自发荧光(AF)图像或来自其他荧光模式的图像。

例如，SLO可以是能够生成视网膜表面的高达80％的超宽视场图像的超宽视场SLO(UWF-SLO)。每个超宽视场图像可以具有例如4000×4000像素的尺寸，其中轴上分辨率大约为15.0μm，并且代表视网膜表面的立体投影。

可替代地，视网膜成像系统200可以具有另一种成像模式(例如光学相干断层扫描(OCT)扫描仪)，在这种情况下，本文描述的图像处理技术适用于由OCT扫描仪捕获的断层扫描图像。作为另一种可替代方案，视网膜成像系统200可以是组合的SLO-OCT扫描仪，在这种情况下，本文描述的图像处理技术适用于由组合的SLO-OCT扫描仪捕获的SLO视网膜扫描和OCT扫描。眼部成像系统的成像模式可以例如采用本领域技术人员已知的许多不同形式(包括OCT、彩色眼底照相术、荧光素血管造影术(FA)、吲哚青绿血管造影术(ICG)和自发荧光(AF)等)中的一种形式。作为另一种可替代方案，视网膜成像系统200可以被配置成执行对于组织氧合的成像。这种成像模式可用于基于动脉血和静脉血之间的血液氧含量差异的动脉和静脉(AV)分类。此外，视网膜成像系统200可以被配置成执行散斑(speckle)分析，该散斑分析可以用于确定血流方向，并从而确定AV分类以及可能的血管分类。

获取模块110被配置成：通过本领域中的技术人员已知的任何合适的手段来获取定义由视网膜成像系统200捕获的视网膜图像的图像数据。例如，获取模块110可以经由直接通信链路(通信链路可以由任何合适的有线或无线连接(例如通用串行总线(USB)或Bluetooth^TM连接)提供)或间接通信链路(通信链路可以由包括局域网(LAN)、广域网(WAN)和/或互联网的网络提供)从视网膜成像系统200接收图像数据。此外，在由视网膜成像系统200捕获图像数据之后，可以由获取(例如，通过从存储介质(诸如CD或硬盘)读取，或者经由网络(诸如互联网)接收)这种图像数据的获取模块110来获取图像数据。

此外，当由视网膜成像系统200正在生成图像数据的时候，这种图像数据可以由获取模块110获取(并且此外可以随后被处理，以确定正被成像的人的高血压(的水平)，如下所述)，即，图像数据可以“即时”被获取而无需等待视网膜成像系统200完成生成形成视网膜的一部分的图像的所有图像数据。然而，在本示例实施例中并且为了这个描述的目的，获取模块110被配置成：在处理模块120开始处理该图像数据之前，获取定义视网膜的部分的图像(视网膜图像)的所有图像数据。

可替代地，获取模块110本身可以包括如上所述的视网膜成像系统200。

在与本图示实施例类似的实施例中，其中，装置100包括显示控制信号生成器150，显示控制信号生成器150可以被布置成生成显示控制信号，用于控制显示设备(如图3中的315处所示)(诸如LCD屏或其他类型的视觉显示单元)，以显示视网膜图像、所识别的多个血管段的表示、血管概要度量的表示以及被成像的人是否受到高血压影响的确定结果中的至少一个。

图3是示出根据本文的示例实施例的图2的装置100的示例信号处理硬件配置300的框图。可编程信号处理硬件300包括通信接口(I/F)310，用于获取上述图像数据，并且可选地，用于输出显示控制信号，用于控制显示设备315显示视网膜图像、所识别的多个血管段的表示、血管概要度量的表示以及被成像的人是否受到高血压影响的确定结果中的至少一个。信号处理装置300还包括处理器(例如中央处理单元CPU或图形处理单元GPU)320、工作存储器330(例如随机存取存储器)和存储计算机程序的指令储存装置340，该计算机程序包括计算机可读指令，该计算机可读指令在由处理器320执行时使处理器320执行各种功能，包括上述处理模块120、确定模块130、计算模块140以及可选的显示控制信号生成器150(以及获取模块110和显示设备315)的功能。

指令储存装置340可以包括预加载有计算机可读指令的ROM(例如，以电可擦除可编程只读存储器(EEPROM)或闪存的形式)。可替代地，指令储存装置340可以包括RAM或类似类型的存储器，并且计算机程序的计算机可读指令可以从计算机程序产品(诸如CD-ROM、DVD-ROM等形式的非易失性计算机可读存储介质350)或者携带计算机可读指令的计算机可读信号360输入到指令储存装置340。在任何情况下，当由处理器执行时，计算机程序使处理器执行本文描述的至少一种用于确定人的高血压水平的方法。然而，应当注意的是，装置100可以可替代地以不可编程硬件(诸如专用集成电路(ASIC))的方式实现。

在本示例实施例中，在图3中所示的硬件部件的组合370(包括处理器320、工作存储器330和指令储存装置340)被配置成执行处理模块120、确定模块130和计算模块140的功能，这些功能将在下面被详细描述。在与本图示实施例类似的实施例中，其中，装置100包括显示控制信号生成器150，该可选部件的功能也可以由硬件部件的组合370与通信I/F 310一起提供。

如从本示例实施例的装置100执行的操作的以下描述将变得更加明显的是，提供了一种方法，通过该方法，通过对视网膜图像的分析来提供对高血压(的水平)的(早期)检测，而无需对隐藏的视网膜中央脉管系统进行任何估计或假设。

图4是示出根据本文的示例实施例的过程的流程图，通过该过程，图2的装置100处理图像数据，以确定受试者(例如，人)的高血压。

在图4的处理步骤S10中，获取模块110获取定义由视网膜成像系统从人捕获的视网膜图像的图像数据。

如上所述，获取模块110可以被认为通过本领域已知的任何合适的手段获取定义视网膜图像的图像数据。

在图4的处理步骤S12中，处理模块120处理图像数据，以识别视网膜图像中存在的多个血管段。

处理图像数据以识别视网膜图像中存在的多个血管段可以称为血管分割(vesselsegmentation)。血管分割是将定义图像、子图像、图像的集合、子图像的集合或图像的表示(包括一些或整个原始视网膜眼底图像)的图像数据作为输入并输出血管可能性的表示和可选的视网膜图像表示的任何方法。例如，血管可能性的表示可以是血管概率图，其中，对于输入图像数据中的每个像素或每个像素组，提供了该像素或像素组构成血管的概率。在一些实施例中，血管可能性的表示可以与视网膜图像表示相结合，作为单个输出。

另外，可以使用阈值来处理血管可能性的表示，以便产生二元图，其中，已经被识别为以高于某个阈值的概率构成血管的像素或像素组具有第一值，并且所有其他像素是具有第二值的像素组。示例性的二元图在图6(d)中显示，并在下面进行详细描述。

此外，在处理图像数据以识别多个血管段包括预处理(即，在血管分割之前处理图像数据)图像数据以改善对于血管段的识别的情况下，预处理的输出可以被提供作为血管分割处理的输入。

所识别的多个血管段可以是视网膜脉管系统(即视网膜静脉、动脉和其他血管)的多个部分，其可以使用视网膜成像系统300进行成像作为视网膜的一部分。多个血管段中的每个血管段可以是视网膜脉管系统的唯一识别的部分，其可以被装置100作为不同的单元单独处理(例如，确定面积、宽度、位置)。

由处理模块120对图像数据的处理以识别多个血管段可以包括处理图像数据以定位视网膜标志。视网膜标志是在视网膜图像或视网膜的其他表示中可见或可被识别的任何视网膜解剖标志(视网膜特征)。视网膜标志可以包括在视神经盘、视神经头、中央凹和/或视网膜脉管系统中的至少一个。视网膜标志的定位可以使用本领域已知的任何方法来执行，以在视网膜眼底的图像或其他表示中定位视网膜眼底解剖标志。

举例而言，如在本示例实施例中，视网膜标志可以由处理模块120使用计算机算法自动识别和定位。可替代地，视网膜标志可以由装置100的用户通过手动操作来识别和定位。作为非限制性示例，在类似于本实施例的实施例中，其中，装置100包括显示控制信号生成器150，显示控制信号生成器150可以被布置成生成显示控制信号，用于控制显示设备在屏幕上显示所获取的视网膜图像，并且可以通过用户使用鼠标点击或任何其他合适的选择手段在所显示的视网膜图像上选择视网膜特征来识别视网膜特征(标志)。定位的视网膜标志可用于进一步探索视网膜眼底的特定区域中的视网膜特征。

图5(a)是根据本文的示例实施例的使用扫描激光检眼镜SLO捕获的受试者的视网膜的一部分的视网膜图像500的示意图，其中定义视网膜图像的图像数据已经被处理以定位视网膜标志。在图5(a)的示例中，获取的图像数据已经被处理以识别中央凹510、视神经盘520和视网膜脉管系统530。

如在本实施例中，由处理模块120处理图像数据以识别多个血管段可以包括选择关注区域，并处理图像数据，以识别所选择的关注区域中的多个血管段。

所选择的关注区域也可以被称为测量区。所选择的关注区域可以是整个视网膜图像，或者是所获取的视网膜图像的一部分。举例而言，所选择的关注区域可以是近鼻周边(nasal near periphery)中视网膜图像的一部分。在视网膜的这个区域中，与在血管经常交叉的视神经盘附近相比，血管被更好地分离且更清晰。因此，有可能更方便地识别该区域中的多个血管段。可替代地，所选择的关注区域可以是视网膜的任何其他合适的部分。

如在本示例实施例中，在其中处理图像数据以识别多个血管段包括选择关注区域并处理图像数据以识别所选择的关注区域中的多个血管段的情况下，可以使用定位的视网膜标志来选择关注区域。

图5(b)是根据本文的示例实施例的使用SLO捕获的受试者的视网膜的一部分的视网膜图像500的示意图，其中已经选择了关注区域540。在该示例中，所选择的关注区域540是近鼻周边中视网膜图像的一部分。

在图5(b)的示例中，视网膜标志(中央凹510、视神经盘520和视网膜脉管系统530)用于建立关注区域540，以用于计算血管概要度量(如下所述)。如在本示例中，关注区域540可以是鼻到视神经盘520对向180°的环形段，并且环形段固定在穿过中央凹510和视神经盘520的中心的线550上，然而该示例是非限制性的。环形段540从视神经盘的中心开始从3个延伸到5个视神经盘半径R。视神经盘半径R可以是定义为例如多个像素的固定值。

在图5(b)的示例中，如上所述，使用所识别的中央凹510和视神经盘520的位置来选择关注区域540。可替代地，可以使用定位的视网膜标志的任何组合或者通过本领域已知的任何其他合适的手段以任何合适的方式选择关注区域。举例而言，关注区域可以被选择为以定位的视网膜标志(例如，视神经盘520的中央凹510)为中心的预定形状(例如，椭圆形、矩形或环形)，或者被选择为图像的预定部分(例如，视网膜图像的左上角)。此外，所选择的关注区域可以具有任何合适的尺寸。

由处理模块120处理图像数据以识别多个血管段可以包括处理图像数据以改善对血管段的识别。

举例而言，处理图像数据以改善对血管段的识别可以包括以下各项中的至少一项：

·使用自适应直方图均衡技术和/或使用形态学图像交叉技术预处理图像数据；

·增强图像数据或预处理后的图像数据，以便使用海森滤波来帮助检测视网膜特征；

·通过分离分段的血管网络，创建血管段；和/或

·通过去除不太可能是血管段的不连续区域、分枝和侧枝来清理多个血管段。

图像预处理可以包括将定义视网膜眼底图像或其部分(诸如，例如视网膜图像500)的图像数据作为输入并且输出可能有助于检测视网膜特征(诸如视网膜脉管系统)的图像或图像系列的任何方法。

在本文的一个示例实施例中，图像预处理可以包括使用自适应直方图均衡技术。自适应直方图均衡技术通过计算多个直方图(每个直方图对应于图像的不同部分)并使用它们来重新分配图像的亮度值来提高图像的对比度。自适应直方图均衡技术适用于提高图像的每个区域中的局部对比度和增强边缘的清晰度。举例而言，在示例情况下，如在本实施例中，其中，视网膜成像系统200生成同时的红色图像和绿色图像，定义绿色图像平面的图像数据可以使用自适应直方图均衡技术进行预处理，以去除图像上的背景变化，如图6(a)所示。可替代地，自适应直方图均衡技术可应用于定义红色图像平面的图像数据、应用于任何其他合适的彩色图像平面、或应用于定义视网膜图像或其部分的获取的图像数据。

额外地或可替代地，图像预处理可以包括通过使用形态学图像处理技术在保留视网膜脉管系统的同时来去除背景噪声。形态学图像处理技术用一种叫做结构元素的小形状或模板来测试图像。结构元素位于图像中所有可能的位置，并且它与像素的相应邻域进行比较。形态学图像处理技术创建新的图像，其中，在灰度图像的情况下，每个像素具有例如结构元素的边界内的像素的最大值或最小值，并且在二元图像的情况下，只有在输入图像中的该位置处(例如，结构元素是否“适合”邻域或与邻域相交的)测试成功时，每个像素才具有非零值。举例而言，在图6(b)的示例中，使用尺寸为1×17像素的旋转线性结构元素打开和关闭的形态图像处理技术被应用于所获取的图像数据。作为替代方案，结构元素可以是任何合适的尺寸或形状。

处理图像数据以改善血管段的识别可以包括执行血管增强。血管增强是将定义视网膜眼底图像或其一部分的图像数据或视网膜眼底图像的其他表示(诸如已经过预处理的表示)作为输入并输出已经增强了视网膜特征的图像(诸如视网膜脉管系统或上述任何视网膜标志)的任何方法。这可能有助于检测视网膜特征以进行分割或测量。

举例而言，在图6(c)和图7(a)至7(d)的示例中，已经将海森滤波应用于视网膜图像以生成血管增强参数图。如图7(a)至7(d)所示，分别在四个尺度(例如，3、7、11、15个像素)下执行海森滤波以增强不同口径的血管。可选地，如在本实施例中，海森处理步骤也可以用于将血管方向信息编码到附加参数图中。图6(c)示出了示例性的血管方向编码图。这五个参数图(即，四个血管增强参数图和一个血管方向信息参数图)随后可以用于自动分割视网膜脉管系统。

作为替代，血管增强可以包括以任何数量的尺度、以及以上述讨论的任何尺度(即，3、7、11、15个像素)和任何其他合适的尺度执行海森滤波。此外，血管增强可以可替代地或额外地包括本领域已知的任何其他合适的滤波技术。

处理图像数据以改善对血管段的识别还可以包括在多个血管段被识别之后执行这种处理。举例而言，处理图像数据以改善对血管段的识别可以包括通过去除不太可能是血管段的不连续区域、分支和侧枝(支脉(spurs))来清理多个血管段。这样的方法可被称为血管清理。在使用阈值处理血管可能性的表示以产生二元图(诸如图6(d)所示的图)的情况下，可以将血管清理方法应用于二元图。举例而言，如在本实施例中，具有少于50个像素的区域和支脉像素可以从血管可能性或二元图的表示中去除。

为了执行血管分割，在一些实施例中(诸如本实施例)，处理模块120可以基于分类算法处理图像数据以识别多个血管段，该分类算法在定义多个受试者的视网膜图像的图像数据上进行训练。

图8是显示根据本文的示例实施例可以如何在定义多个受试者的视网膜图像的图像数据801上训练分类算法830的示意图。在图8的示例中，由图像数据801定义的图像是使用SLO捕获的多个受试者的视网膜的一部分的图像，但是可以是使用任何合适的眼部成像系统捕获的任何形式的视网膜图像。具体而言，图像数据801定义了视网膜的图像，其中视网膜脉管系统是可见的或者可以被识别。分类算法830被配置成：通过从输入数据的示例训练集800构建模型840，从输入数据中学习并基于输入数据做出预测，输入数据的示例训练集800包括定义视网膜的图像的图像数据801。

如在本实施例中，分类算法830可以是监督学习算法。在分类算法830是监督学习算法(诸如神经网络、支持向量机或进化算法)的实施例中，示例训练集800中的每个示例图像由定义视网膜的部分的图像的输入图像数据组成，其中每个像素或像素组具有指示像素是否构成血管的相关联的期望输出值。举例而言，在像素构成血管的情况下，期望输出值可以是一，否则为零。可替代地，可使用任何其他合适的成对的二元值。监督学习算法830分析示例训练集800中的图像数据，并产生模型840，模型840可用于对新的未看到的图像数据中的像素或像素组进行分类，该像素或像素组将视网膜的部分的图像定义为是否构成血管。

如在本示例实施例中，监督学习算法830可以是神经网络，诸如例如卷积神经网络。卷积神经网络特别适用于图像和视频识别任务。神经网络通过处理输入数据(诸如示例训练集800中的图像数据)，自动生成识别特征，而无需任何先验知识。

图9是可用于学习算法830的神经网络900的一个特定的非限制性示例的示意图，其中神经网络900包括人工神经元和输入层910、隐藏层920和输出层930(当然，在其他示例实施例中，也可以使用其他神经网络结构)。在图9的示例中，神经网络900包括对应于构成输入向量的五个输入参数(例如，视网膜图像(诸如图像500)、其一部分和/或经处理的视网膜图像，诸如图6(a)至6(d)和图7(a)至7(d)中的任何经处理的视网膜图像)的五个输入节点910。如在图9的示例中，神经网络900可以使用例如但不限于量化网络预测和训练类别之间的差异的交叉熵损失函数来训练。图9的示例的神经网络900包含一个具有12个神经元和logsig激活函数(logsig activation)的隐藏层920。在本文的一个示例实施例中，softmax激活函数(softmax activation)可用于输出层930，以提供像素属于血管的概率。

一旦被应用到输入图像数据的每个像素，神经网络的输出就是血管概率图。随后，可以将阈值应用于血管概率图以产生二元图。在图9的示例的情况下，可以使用滞后阈值技术，其将双阈值应用于血管概率图。在这种情况下，用于上限阈值的值可以是例如0.65(即，高于该值的任何像素都被认为是血管像素)。然后可以使用下限阈值来保留接触血管像素的像素(具有例如大于0.5的值)。

因此，图4的处理步骤S12的输出是由处理模块120提供的血管可能性的表示，其识别视网膜图像中存在的多个血管段。

在图4的处理步骤S14中，确定模块130确定多个血管段的至少一个子集的宽度。

确定多个血管段的至少一个子集的宽度可以包括任何合适的方法，该方法可以用于例如诸如通过测量视网膜血管边界之间的横截面来确定或估计血管的宽度(然而该示例不是限制性的)。确定模块130可以确定由处理模块120识别的多个血管段(或者其子集)中的每一个血管的宽度。

在确定模块130确定多个血管段的子集的宽度的情况下，可以以任何合适的方式选择该子集。例如，在已经在整个视网膜图像中识别了多个血管段的情况下，可以随后选择关注区域，并且确定模块130可以被配置成仅确定关注区域中的多个血管段中的每一个血管段的宽度。可替代地，作为另一个示例，确定多个血管段中的至少一个子集的宽度可以包括确定每个被识别的血管段的宽度，该宽度超过关于例如大小和/或长度的某个阈值。作为非限制性示例，在示例性实施例中，对于其框架包含≥25个像素(即，血管段的面积大于或等于25个像素)的每个血管段，确定模块130以微米为单位估计血管段的口径，作为自动拟合到检测到的血管边缘的平行样条线之间的平均距离。

如在本实施例中，确定多个血管段的至少一个子集的宽度可以包括缩短血管段，使得血管段可能具有均匀的宽度。这种缩短过程可以称为血管段的创建。

血管段的创建可以包括任何合适的方法，该方法进一步将分段的视网膜脉管系统分成足够短的子段(或部分或组成部分)，以便有可能沿着子段的整个长度具有均匀的宽度。额外地或可替代地，血管段的创建可以包括将分段的视网膜脉管系统分成有可能具有很少分支或没有分支的子段和/或有可能完全由来自同一血管的像素组成的子段(即，不包含血管交叉点)。

图10(a)至10(c)示出了根据本文的示例实施例的在关注区域中识别多个血管段的过程。在图10(a)至10(c)的示例中，在关注区域(如图10(a)所示)的扩张范围(在这种情况下，图5(b)的关注区域540分别为区外半径和内半径的±15％)内修剪血管二元图。在图10(a)的示例中，对于外半径，这是5×60×1.15＝345个像素，并且对于内半径，这是3×60×0.85＝153个像素。可以包括扩张范围，以减轻在关注区域的边缘处的而未被识别的接合点。

接下来，生成修剪的血管分割的形态学框架，并由此识别交叉点和分叉点。如图10(b)所示，在每个交叉点或分叉点处，半径为10个像素的神经盘内的像素被掩蔽，以便去除交叉点和分叉点。只剩下明显的血管段。如图10(c)所示，作为最后一步，血管段图被修剪到未扩张的关注区域(即，作为非限制性示例，对于内半径3×60＝180像素，并且外半径5×60＝300像素)。在一些示例实施例中，未扩张的关注区域中的明显血管段可以用作所识别的多个血管段。

如在本示例实施例中，确定模块130可以被配置成通过测量视网膜图像中所识别的多个血管段中的每个血管段的宽度(口径或直径)并将所测量的宽度转换成实际单位来确定多个血管段的至少一个子集的宽度。

宽度或口径到真实测量单位的转换可以包括执行任何合适的方法，该方法可以用于将在视网膜的表示上进行的测量(诸如由获取模块110获取的图像数据所定义的视网膜图像)转换为真实单位(例如度量单位(诸如纳米、微米和/或毫米))。在本示例性实施例中，使用可以随着图像中的位置而变化的像素至微米尺度，将血管宽度的像素估计值转换成微米。

在图4的处理步骤S16中，计算模块140计算视网膜图像中存在的血管段的所确定宽度的至少一个平均值或中值作为血管概要度量，以确定影响了人的高血压水平。与上述克努特森方法相比，该血管概要度量的计算是非迭代计算，特别是不依赖于关于隐藏CRV、分支系数、血管当量等的估计或假设，因此仅基于可直接测量的宽度。

由计算模块140进行的血管概要度量的计算可以包括能够用于汇总血管段宽度测量的任何合适的方法。具体来说，血管概要度量可以是汇总多个血管段的子集的宽度的单个度量或值(即，提供其某个属性的综述或概要)，所述多个血管段的宽度由确定模块130确定。

在一些实施例中，计算模块140可以被配置成将多个血管段中的每一个血管段归类为动脉或非动脉，作为计算血管概要度量的一部分。在这样的实施例中，计算模块140还可以被配置成计算平均小静脉宽度和平均动脉宽度和/或中值小静脉宽度和中值动脉宽度作为血管概要度量，其中平均小静脉宽度或中值小静脉宽度可以使用被分类为非动脉的血管段的宽度来计算。

将多个血管段中的每一个血管段归类为动脉或非动脉(这实际上可以允许将多个血管中的每一个血管分类为静脉和动脉)可以称为动静脉分类。动静脉分类可以包括任何方法，该方法将图像的集合或子图像或图像的表示(包括原始视网膜眼底图像的一些或全部、预处理(如果执行的话)的输出、血管增强步骤(如果执行的话)的输出、血管可能性的表示和/或二元图)作为输入，并且输出视网膜血管的表示和它们的类别的表示，即动脉或非动脉(静脉)。

为了执行动静脉分类，在一些实施例(诸如本实施例)中，计算模块140还可以使用监督学习算法来处理图像数据，监督学习算法在定义多个受试者的视网膜图像的图像数据上进行训练。如在本示例实施例中，监督学习算法可以是神经网络(诸如例如卷积神经网络)，并且可以以类似于上面关于图4的处理步骤S14描述的分类算法的方式操作。

作为非限制性示例，图11是根据本文的示例实施例的卷积神经网络的示意图，该卷积神经网络可用于将多个血管段中的每一个血管段归类为动脉和非动脉(并因此分类为静脉)。在图11的示例中，训练卷积神经网络(CNN)以将具有65×65像素的图像块分类为包含动脉或静脉。围绕每个血管段中心线的每个像素的图像块(65×65像素)被提供给网络。卷积神经网络的输出是图像块属于动脉类别的概率。通过将图像的每个块输入到神经网络，可以得出对于每个血管段的平均概率。然后，如果平均概率例如大于或等于0.5，则可以将段分类为动脉，如果平均概率小于0.5，则可以将段分类为静脉。图11详细说明了卷积神经网络的层中的每一层的功能以及它们的输入和输出。

作为替代方案，动静脉分类可以由装置100的用户手动执行。作为非限制性示例，在类似于本实施例的实施例中，其中装置100包括显示控制信号生成器150，显示控制信号生成器150可以被布置成生成显示控制信号，显示控制信号用于控制显示设备显示由处理单元120产生的血管可能性的表示，或者可以通过用户使用鼠标点击或任何其他合适的选择手段在显示图像上选择血管段来识别屏幕上的视网膜脉管系统和构成动脉的血管段的二元图。

计算模块140可以被配置成以任何合适的方式计算血管概要度量。举例而言，计算模块140可以被配置成通过计算平均动脉宽度与平均小静脉宽度的比率来计算血管概要度量。

平均动脉宽度与平均小静脉宽度的比率也可称为动脉-静脉比率(AVR)，但不是基于如在克努特森方法中的CRAE和CRVE的比率，克努特森方法基于关于隐藏CRV、分支系数、血管当量等的额外估计或假设。当前的AVR是视网膜血管的形态测量参数，并且可以提供比例如平均动脉宽度更精确的结果。

可替代地，由计算模块140计算的血管概要度量可以是平均血管宽度、中值血管宽度或任何其他合适的度量中的任何一个。此外，如在本实施例中，在其中多个血管段被归类为静脉和动脉的情况下，血管概要度量可以被计算为中值动脉宽度与中值小静脉宽度的比率、平均或中值动脉宽度、平均或中值静脉宽度或任何其他合适的度量中的任何一个。

在一些实施例中，通过计算模块140计算血管概要度量可以包括选择已经确定宽度的多个血管段的子集的缩减子集；以及基于多个血管段的已选择的缩减子集的宽度来计算血管概要度量。

选择多个血管段的缩减子集(已经确定了这些血管段的宽度)可以被称为血管段选择。血管段选择可包括可用于选择用于进一步测量的血管段的任何方法。举例而言，在多个血管段中的每一个血管段已经被归类为静脉或动脉的实施例中，选择多个血管段的缩减子集可以包括从被归类为静脉的血管段中选择预定数量的最宽血管段，并且从被归类为动脉的血管段中选择第二预定数量的最宽血管段。

作为具体示例，在本实施例中，由计算模块140在分类为动脉的段中选择了三个最宽的段，并且在分类为静脉的段中选择了三个最宽的段。可替代地，可以选择任何合适数量的静脉和/或动脉。作为另一替代方案，包括预定数量(例如，三个或任何其他数量)的最宽血管段的子集可以从多个血管段的子集中选择，其中每个段的宽度是确定的。在其中比预定数量更少的血管段或更少的动脉段和静脉段可用的情况下，可以选择所有可用的血管段或动脉段和静脉段。

可替代地，并非基于血管段宽度执行血管段选择，而是可以基于脉管系统的分支结构或基于宽度直方图或通过任何其他合适的手段来执行血管段选择。

在一些实施例中，计算模块140可以被配置成通过将血管概要度量与预定阈值进行比较来确定视网膜脉管系统是否已经受到高血压的影响。也就是说，计算模块140可以确定医疗风险指示。

医疗风险指示是医疗风险的任何合适指示，或用于治疗指导或标准数据库的生成。举例而言，在将阈值应用于血管概要度量(例如，AVR)的实施例中，医疗风险指示可以是关于此人被认为是血压正常还是高血压的指示。例如，AVR小于阈值的受试者可被归类为血压正常，而AVR等于或大于阈值的受试者可被归类为高血压。

图12是如上定义的动静脉比(AVR)相对于收缩压(mm Hg)绘制的曲线图，其中可以观察到AVR(平均动脉宽度与平均静脉宽度的比率)和收缩压之间的线性关系。具体来说，可以观察到随着血压的升高，AVR降低。这证明了直接由(如上定义的)AVR来确定影响了人的高血压水平的令人惊讶的能力，而不需要参照克努特森方法中所要求的关于血管的分支构造的假设。

这些结果来自对460名受试者(年龄50-59岁；平均年龄54.6±2.9岁；259名(56.3％)女性)的分析。根据他们的临床血压测量结果被归类为高血压的研究受试者数量为151人(32.8％)，其中57人(37.7％)为女性。如图13所示，观察到AVR和收缩压之间的线性关系。具体来说，存在着AVR随着血压的升高而降低(R2＝0.118,p<0.005)。

表1中呈现了对于高血压分类的全自动和半自动AVR分析的结果，其中，接收器操作者曲线下的面积(AUC)用于评估针对左眼和右眼以及针对在AVR计算中使用不同数量的血管段：AVR_3(最多3段)；和AVR_m(最宽的动脉段和静脉段)的表现。还给出了所用群体中受试者的百分比(n)。左眼给出了对于半自动(0.73)和全自动(0.69)方法的卓越的表现。对于全自动方法，使用的受试者百分比为94％(432/460)，相比之下，对于半自动方法使用的受试者百分比为99％(455/460)。

表1

图13显示了针对左眼的半自动1310和自动1320高血压分类的接收器操作者曲线下的面积(AUC)，其使用AVR对高血压个体进行分类，如上所述。半自动结果描述了手动执行动静脉分类的结果。

以上结果是从超宽场SLO所捕获的组合的红绿图像获得的，该超宽场SLO具有波长在532nm的绿光和波长在633nm的红光。每个超宽视场图像具有例如4000×4000像素的尺寸，轴上分辨率大约为15.0μm，并且代表视网膜表面的立体投影。在确定AVR时，使用了如上关于图5(b)所述的关注区域。

使用自适应直方图均衡技术、形态图像处理技术和在四个尺度上执行的海森滤波对图像进行预处理，如以上关于图6(a)至6(d)和图7(a)至7(d)所讨论的。血管可能性的表示是使用如上关于图10所述的神经网络获得的，并且用滞后阈值技术处理以产生二元图。用于上限阈值的值为0.65，也就是说，高于该值的任何像素都被视为血管像素。使用下限阈值来保留接触血管像素的(其值大于0.5的)像素。

然后通过去除少于50个像素的区域和支脉像素来清理分段的血管。此外，在关注区域(分别为区外半径和内半径的±15％)的扩张范围内修剪血管二元图。对于外半径，这是5x 60x 1.15＝345像素，并且对于内半径，这是3x 60x 0.85＝153像素。包括扩张范围，以减轻在关注区域的边缘处的而未被识别的接合点。接下来，生成修剪的血管分割的形态学框架，并由此识别交叉点和分叉点。在每个交叉点或分叉点处，半径为10个像素的神经盘内的像素被掩蔽，以便仅保留明显的血管段。作为最后一步，血管段图被修剪到未扩张的关注区域(即，对于内半径3×60＝180像素，并且外半径5×60＝300像素)。

然后，对于其框架包含>25个像素的每个段，以微米为单位的口径被估计为自动拟合到检测到的血管边缘的平行样条线之间的平均距离，并且使用随图像中的位置而变化的像素到微米尺度，将血管口径的像素估计转换为微米。然后训练卷积神经网络(CNN)来将图像块分类为包含动脉或静脉，如上面关于图12所述。动静脉分类也是手动进行的(参见结果中的半自动方法)。

在以下示例E1至E19中概述了上述实施例中的至少一些实施例。

E1.一种用于确定人的高血压水平的装置(100)，所述装置包括：获取模块(110)，获取模块(110)被配置成获取图像数据，该图像数据定义已经由视网膜成像系统捕获的人的视网膜的视网膜图像；处理模块(120)，处理模块(120)被配置成处理图像数据以识别视网膜图像中存在的多个血管段；确定模块(130)，确定模块(130)被配置成确定视网膜图像中存在的多个血管段的至少一个子集的血管段的各自的宽度；以及计算模块(140)，计算模块(140)被配置成计算视网膜图像中存在的血管段的确定的宽度的至少一个平均值或中值作为血管概要度量，以确定已经影响此人的高血压水平。

E2.根据E1的装置(100)，其中，计算模块(140)还被配置成：通过将多个血管段中的每一个归类为动脉或非动脉来计算血管概要度量；以及计算平均动脉宽度或中值动脉宽度中的至少一个。

E3.根据E1-E2中任一项的装置(100)，其中，计算模块(140)还被配置成通过以下至少一项来计算血管概要度量：计算平均动脉宽度与平均小静脉宽度的比率，或计算中值动脉宽度与中值小静脉宽度的比率，其中平均小静脉宽度或中值小静脉宽度是使用被分类为非动脉的血管段的宽度来计算的。

E4.根据E1-E3中任一项的装置(100)，其中，计算模块(140)还被配置成通过以下方式来计算血管概要度量：通过选择已经确定宽度的多个血管段的子集的缩减子集；以及基于多个血管段的所选择的缩减子集的宽度来计算血管概要度量。

E5.根据E4的装置(100)，其中，计算模块(140)还被配置成通过以下方式选择缩减子集：在多个血管段中的每一个血管段已经被归类为静脉或动脉的情况下，从被归类为静脉的血管段中选择第一预定数量的最宽血管段，并且从被归类为动脉的血管段中选择第二预定数量的最宽血管段。

E6.根据E1-E5中任一项的装置(100)，其中，处理模块还被配置成：基于在定义多个受试者的视网膜图像的图像数据上训练的分类算法，处理图像数据，以识别多个血管段。

E7.根据E1-E6中任一项的装置(100)，其中，分类算法基于监督学习算法。

E8.根据E7的装置(100)，其中，监督学习算法是神经网络。

E9.根据E1-E8中任一项的装置(100)，其中，处理模块还被配置成通过以下方式处理图像数据以识别多个血管段：选择关注区域；以及处理图像数据，以识别所选择的关注区域中的多个血管段。

E10.根据E1-E9中任一项的装置(100)，处理模块还被配置成：通过处理图像数据来定位视网膜标志，来处理图像数据以识别多个血管段。

E11.根据E10的装置(100)，其中，在处理模块还被配置成通过选择关注区域并处理图像数据以识别所选择的关注区域中的多个血管段，以处理图像数据以识别多个血管段包括的情况下，关注区域使用所定位的视网膜标志来选择。

E12.根据E1-E11中任一项的装置(100)，其中，处理模块还被配置成通过以下至少一项来处理图像数据以改善对血管段的识别，处理图像数据以识别多个血管段：使用自适应直方图均衡技术或使用形态学图像交叉技术中的至少一项来预处理图像数据；增强图像数据或预处理的图像数据，以便使用海森滤波来帮助检测视网膜特征；通过分离分段的血管网络，创建血管段；或者通过去除不太可能是血管段的不连续区域、分支和侧枝来清理多个血管段。

E13.根据E1-E12中任一项的装置(100)，其中，确定模块还被配置成：通过缩短血管段使得血管段具有更均匀的宽度，来确定多个血管段的至少一个子集的宽度。

E14.根据E1-E13中任一项的装置(100)，其中，确定模块还被配置成通过以下方式来确定多个血管段的至少一个子集的宽度：测量视网膜图像中所识别的多个血管段中的每个血管段的宽度；以及将测量的宽度转换成实际单位。

E15.根据E1-E14中任一项所述的装置(100)，其中，确定模块还被配置成：通过将血管概要度量与预定阈值进行比较，确定视网膜脉管系统是否已经受到高血压的影响。

E16.根据E1-E15中任一项的装置(100)，其中，视网膜图像由扫描激光检眼镜SLO或检眼镜中的任一个捕获。

E17.一种计算机程序，当由计算机执行时，使计算机执行一种方法，该方法包括：获取图像数据，该图像数据定义已经由视网膜成像系统捕获的人的视网膜的视网膜图像；处理图像数据，以识别视网膜图像中存在的多个血管段；确定视网膜图像中存在的多个血管段的至少一个子集的血管段的各自的宽度；以及计算视网膜图像中存在的血管段的确定的宽度的至少一个平均值或中值作为血管概要度量，以确定已经影响此人的高血压水平。

E18.一种存储根据E17的计算机程序的非暂态计算机可读存储介质。

E19.一种携带根据E17的计算机程序的信号。

本文描述的至少一些示例方面避免了与基于视网膜图像检测或预测高血压的常规计算机化和自动化方法(诸如克努特森方法)相关的限制，特别是根植于计算机技术的限制。常规方法(诸如克努特森方法)在使用视网膜图像来检测或预测高血压时往往缺乏准确性和/或精确性，这是因为这些方法依赖于高血压水平和隐藏CRV直径之间的关系，而这在视网膜图像中是不可见的。并非如常规方法一样依赖于高血压水平和CRV直径(或CRAE或CRVE的值)之间的这种关系，本文的至少一些示例方面相反可以通过依赖于在视网膜图像中可见的视网膜脉管系统的测量值和高血压水平之间的直接关系，使用视网膜图像来预测高血压。本文的示例方面可以确定高血压的水平，而无需做出关于隐藏的CRV、分支系数、血管当量等的任何估计或假设。因此，可以避免由估计引入的可能的变化。本文的至少一些示例方面也可以比常规方法更准确地检测和/或预测高血压。正因如此，本文描述的示例方面改善了用于从视网膜图像中(早期)检测高血压的方法，以及用于从视网膜图像中(早期)确定高血压水平的方法，并且改善了医学成像、医疗设备、高血压检测和相关临床方案的领域(多个领域)。

此外，由于本文所述的至少一些示例方面的能力(其植根于计算机技术)，本文所述的这些示例方面还例如但不限于通过以下方式来改善计算机技术：通过避免估计或确定关于隐藏的CRV、分支系数、血管当量等的假设所需的处理和存储要求，并且还提供与通过常规方法(诸如克努特森方法)实现的确定相比关于高血压检测和/或预测的更准确和更快速的确定。

在前述描述中，参考几个示例实施例描述了示例方面。因此，说明书应被视为说明性的而不是限制性的。类似地，在附图中示出的突出示例实施例的功能和优点的附图仅仅是为了示例目的而被呈现的。示例实施例的体系结构是足够灵活的和可配置的，使得它可以以除了在附图中所示的方式以外的方式被利用(和导航)。

在一个示例实施例中，在本文呈现的示例的软件实施例可以被提供为计算机程序或软件，例如具有被包括或存储在制品(例如机器可访问或机器可读介质、指令储存装置或计算机可读存储设备，其中每一个制品都可以是非暂态的)中的指令或指令序列的一个或更多个程序。在非暂态机器可访问介质、机器可读介质、指令储存装置、或计算机可读存储设备或介质上的程序或指令可用于对计算机系统或其他电子设备编程。机器或计算机可读设备/介质、指令储存装置和存储设备可以包括但不限于软盘、光盘、和磁光盘或适合于存储或传输电子指令的其他类型的介质/机器可读介质/指令储存装置/存储设备。本文描述的技术不限于任何特定的软件配置。它们可能在任何计算或处理环境中得到应用。本文使用的术语“计算机可读”、“机器可访问介质”、“机器可读介质”、“指令储存装置”、“计算机可读存储介质”和“计算机可读存储设备”应当包括能够存储、编码或传输指令或指令序列以由机器、计算机或计算机处理器执行并且使机器/计算机/计算机处理器执行本文描述的方法中的任一个的任何介质。此外，在本领域常见的是，谈到软件以一种或另一种形式(例如，程序(program)、进程(procedure)、过程、应用、模块、单元、逻辑等)采取动作或引起结果。这种表达仅仅是陈述由处理系统执行软件使处理器执行动作以产生结果的简略方式。

一些实施例也可以通过准备专用集成电路、现场可编程门阵列、或者通过使常规部件电路的适当网络互连来实现。

一些实施例包括计算机程序产品。计算机程序产品可以是在其上或其中存储有可用于控制或促使计算机或计算机处理器执行本文所述的示例实施例的任何过程的指令的一种或更多种存储介质、指令储存装置或存储设备。存储介质/指令储存装置/存储设备可以作为示例且非限制性地包括光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪存、闪存卡、磁卡、光卡、纳米系统、分子存储器集成电路、RAID、远程数据存储/存档/仓储装置、和/或适合于存储指令和/或数据的任何其他类型的设备。

存储在一种或更多种计算机可读介质、指令储存装置(多个指令储存装置)或存储设备(多个存储设备)中的任一个上的一些实现方式包括用于控制系统的硬件和用于使系统或微处理器能够利用本文描述的示例实施例的结果与人类用户或其他机构交互的软件。这种软件可以非限制性地包括设备驱动器、操作系统和用户应用。最终，如上所述，这种计算机可读介质或存储设备还包括用于执行本发明的示例方面的软件。

在系统的编程和/或软件中包括用于实现本文描述的过程的软件模块。在本文的一些示例实施例中，模块包括软件，但是在本文的其他示例实施例中，模块包括硬件或硬件和软件的组合。

虽然上面描述了本发明的各种示例实施例，但是应当理解，它们作为示例而不是限制被呈现。对在相关领域中的技术人员将明显的是，可以在形式和细节上做出各种改变。因此，本发明不应受上述示例实施例中的任一个的限制，而应仅根据随附的权利要求及其等同物来被定义。

此外，摘要的目的是使通常专利局和公众、以及尤其是不熟悉专利或法律术语或措辞的本领域中的科学家、工程师和从业人员能够根据粗略的检查快速确定本申请的技术公开的性质和本质。摘要并不意欲以任何方式关于在本文呈现的示例实施例的范围进行限制。还应该理解的是，在权利要求中叙述的过程不需要以所呈现的顺序来执行。

虽然本说明书包含很多特定实施例细节，但这些不应被解译为对任何发明的范围或可被要求保护的内容的限制，而是作为特定于本文描述的特定实施例的特征的描述。在单独的实施例的背景下本说明书中所描述的某些特征也可在单个实施例中结合实施。相反地，也可以在多个实施例中单独地或以任何合适的子组合实现在单一实施例的背景下描述的各种特征。此外，尽管特征在上文中可被描述为作用在特定组合中并甚至起初如此要求保护，但是来自所要求保护的组合的一个或更多个特征可在一些情况下从组合中删除，且所要求保护的组合可针对子组合或子组合的变体。

在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种组件的分离不应被理解为在所有实施例中都需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中或者封装到多个软件产品内。

现在已经描述了一些说明性实施例和实施例，显然，前面的实施例是说明性的而不是限制性的，已经通过示例的方式给出。具体而言，尽管本文呈现的许多示例涉及装置或软件元素的特定组合，但是这些元素可以以其他方式组合以实现相同的目的。仅结合一个实施例讨论的动作、元素和特征并不意欲从实施例或其它实施例中的类似角色中被排除。

在不脱离其特性的情况下，本文描述的装置和计算机程序可以以其他特定形式来实施。前述实施例是说明性的，而不是对所描述的系统和方法的限制。因此，本文描述的装置和计算机程序的范围由所附权利要求而不是前述描述指示，并且因此落入权利要求的等价物的意义和范围内的变化都被包括在其中。

Claims

1.一种用于确定人的高血压水平的计算机实现的方法，所述方法包括：

获取(S10)图像数据，所述图像数据定义已经由视网膜成像系统捕获的人的视网膜的视网膜图像；

基于已经在定义多个受试者的视网膜图像的图像数据上被训练的分类算法，处理(S12)所述图像数据，以识别所述视网膜图像中存在的多个血管段；

确定(S14)所述视网膜图像中存在的所述多个血管段的至少一个子集的血管段的各自的宽度；和

计算(S16)所述视网膜图像中存在的所述血管段的所确定的宽度的至少一个平均值或中值作为血管概要度量，以确定已经影响人的高血压水平。

2.根据权利要求1所述的计算机实现的方法，其中，计算所述血管概要度量包括：

将所述多个血管段中的每一个血管段归类为动脉或非动脉；和

计算以下各项中的至少一项：

平均动脉宽度，或

中值动脉宽度。

3.根据权利要求2所述的计算机实现的方法，其中，计算所述血管概要度量还包括以下各项中的至少一项：

计算所述平均动脉宽度与平均小静脉宽度的比率；或者

计算所述中值动脉宽度与中值小静脉宽度的比率，

其中，所述平均小静脉宽度或中值小静脉宽度使用被分类为非动脉的血管段的宽度计算。

4.根据任一前述权利要求所述的计算机实现的方法，其中，计算所述血管概要度量包括：

选择已确定宽度的所述多个血管段的子集的缩减子集；以及

基于所述多个血管段的所选择的缩减子集的宽度来计算所述血管概要度量。

5.根据权利要求4所述的计算机实现的方法，其中，选择所述缩减子集包括：在所述多个血管段中的每一个血管段已经被归类为静脉或动脉的情况下，从被归类为静脉的血管段中选择第一预定数量的最宽血管段，并且从被归类为动脉的血管段中选择第二预定数量的最宽血管段。

6.根据任一前述权利要求所述的计算机实现的方法，其中，处理所述图像数据以识别多个血管段包括：

选择关注区域；和

处理所述图像数据，以识别所选择的关注区域中的多个血管段。

7.根据权利要求6所述的计算机实现的方法，其中，处理所述图像数据以识别多个血管段还包括：处理所述图像数据，以定位视网膜标志。

8.根据权利要求7所述的计算机实现的方法，其中，在处理所述图像数据以识别多个血管段包括选择关注区域并处理所述图像数据以识别所选择的关注区域中的多个血管段的情况下，所述关注区域使用所定位的视网膜标志来选择。

9.根据任一前述权利要求所述的计算机实现的方法，其中，处理所述图像数据以识别所述多个血管段包括通过以下至少一项来处理所述图像数据以改善对血管段的识别：

使用自适应直方图均衡技术或使用形态学图像交叉技术预处理所述图像数据；

增强所述图像数据或预处理后的图像数据，以便使用海森滤波来帮助检测视网膜特征；

通过分离分段的血管网络，创建所述血管段；或

通过去除不太可能是所述血管段的不连续区域、分支和侧枝来清理所述多个血管段。

10.根据任一前述权利要求所述的方法，其中，确定所述多个血管段的至少一个子集的宽度包括缩短所述血管段，使得所述血管段具有更均匀的宽度。

11.根据任一前述权利要求所述的方法，其中，确定所述多个血管段的至少一个子集的宽度包括：

测量所述视网膜图像中所识别的多个血管段中的每一个血管段的宽度；和

将所测量的宽度转换为实际单位。

12.根据任一前述权利要求所述的计算机实现的方法，其中，确定已经影响人的高血压水平包括：通过将所述血管概要度量与预定阈值进行比较来确定视网膜脉管系统是否受到高血压的影响。

13.一种计算机程序，所述计算机程序在由计算机执行时，使所述计算机执行根据权利要求1到12中任一项所述的方法。

14.一种用于确定人的高血压水平的装置(100)，所述装置包括：

获取模块(110)，所述获取模块(110)被配置成获取图像数据，所述图像数据定义已经由视网膜成像系统捕获的人的视网膜的视网膜图像；

处理模块(120)，所述处理模块(120)被配置成基于分类算法来处理所述图像数据以识别所述视网膜图像中存在的多个血管段，所述分类算法已经在定义多个受试者的视网膜图像的图像数据上被训练；

确定模块(130)，所述确定模块(130)被配置成：确定所述视网膜图像中存在的所述多个血管段的至少一个子集的血管段的各自的宽度；和

计算模块(140)，所述计算模块(140)被配置成：计算所述视网膜图像中存在的所述血管段的所确定的宽度的至少一个平均值或中值作为血管概要度量，以确定已经影响人的高血压水平。