CN112075922A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112075922A CN112075922A CN202011095729.3A CN202011095729A CN112075922A CN 112075922 A CN112075922 A CN 112075922A CN 202011095729 A CN202011095729 A CN 202011095729A CN 112075922 A CN112075922 A CN 112075922A
- Authority
- CN
- China
- Prior art keywords
- fundus
- image
- measurement
- blood vessel
- type
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 208000033679 diabetic kidney disease Diseases 0.000 title claims abstract description 26
- 208000007342 Diabetic Nephropathies Diseases 0.000 title claims abstract description 25
- 208000001072 type 2 diabetes mellitus Diseases 0.000 title claims abstract description 25
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 210000001367 artery Anatomy 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 210000003462 vein Anatomy 0.000 claims abstract description 10
- 230000002093 peripheral effect Effects 0.000 claims description 11
- 210000002565 arteriole Anatomy 0.000 claims description 9
- 206010012601 diabetes mellitus Diseases 0.000 claims description 8
- 210000000264 venule Anatomy 0.000 claims description 6
- XUKUURHRXDUEBC-KAYWLYCHSA-N Atorvastatin Chemical compound C=1C=CC=CC=1C1=C(C=2C=CC(F)=CC=2)N(CC[C@@H](O)C[C@@H](O)CC(O)=O)C(C(C)C)=C1C(=O)NC1=CC=CC=C1 XUKUURHRXDUEBC-KAYWLYCHSA-N 0.000 claims description 5
- 230000002792 vascular Effects 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 210000004220 fundus oculi Anatomy 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract 1
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 10
- 108060006698 EGF receptor Proteins 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 208000020832 chronic kidney disease Diseases 0.000 description 8
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 8
- 235000012000 cholesterol Nutrition 0.000 description 5
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 4
- 108010010234 HDL Lipoproteins Proteins 0.000 description 4
- 102000015779 HDL Lipoproteins Human genes 0.000 description 4
- 108010007622 LDL Lipoproteins Proteins 0.000 description 4
- 102000007330 LDL Lipoproteins Human genes 0.000 description 4
- 229940109239 creatinine Drugs 0.000 description 4
- 108091005995 glycated hemoglobin Proteins 0.000 description 4
- 210000002966 serum Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000035488 systolic blood pressure Effects 0.000 description 3
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 3
- 108010023302 HDL Cholesterol Proteins 0.000 description 2
- 108010028554 LDL Cholesterol Proteins 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000024924 glomerular filtration Effects 0.000 description 2
- 238000011862 kidney biopsy Methods 0.000 description 2
- 210000001328 optic nerve Anatomy 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 150000003626 triacylglycerols Chemical class 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 208000006550 Mydriasis Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012742 biochemical analysis Methods 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 208000028208 end stage renal disease Diseases 0.000 description 1
- 201000000523 end stage renal failure Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 210000001232 limbus corneae Anatomy 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000004256 retinal image Effects 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- A61B3/14—Arrangements specially adapted for eye photography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Ophthalmology & Optometry (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种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。该眼底图像指标的测量包括眼底测量指标纹理、眼底测量几何边缘和眼底血管直径测量。眼底测量指标纹理对以目标中心线像素为中心的图像补丁进行直方图和灰度共生矩阵分析。眼底测量几何边缘:分形维数采用盒计数法计算，血管弯曲度计算为所有血管段的整体曲率除以总血管长度，通过计算图像中血管内空间面积来评估非血管面积，眼底血管直径:以视盘为中心，将血管分为三个同心区，计算每个区域的动脉和小静脉平均直径。通过该测量方法获取2型糖尿病眼底图像指标，用于研究与糖尿病肾病相关性，对糖尿病肾病的诊断具有重要的意义。
Description
技术领域
本发明涉及一种眼底图像指标测量及分析方法，特别是一种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。属于医学图像处理领域。
背景技术
糖尿病是一种发病率很高的系统性疾病，其中90％以上为2型糖尿病。糖尿病肾病(DN)是糖尿病的一种常见微血管并发症，如果不能及时的诊断和治疗，可能会引起终末期肾病，甚至导致死亡。目前临床上用于DN的检测方法主要有肾活检、微量尿白蛋白(MAU)和肾小球滤过率(eGFR)等。但是这些方法面临诸多问题：肾活检会造成很大的创伤；有些DN患者的MAU处于正常范围内，因此MAU检查容易造成漏诊；eGFR检查也是有创的检查方法而且测量过程比较复杂。眼底检查能够通过无创、简单、快速的观察到眼底微血管，对于DN的诊断具有潜在的临床价值。
目前有许多的研究利用眼底血管结构的变化来诊断DN，但眼底指标测量需要人工辅助测量，人工测量的方法不仅效率低下，还受到测量环境和主观判断的干扰，导致测量结果不准确，不能够准确的反映血管结构的变化情况。同时，对2型糖尿病患者眼底图像指标与糖尿病肾病相关性的研究未见报道。
发明内容
为了解决上述现有技术存在的不足，本发明的目的是：提供了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。本发明测量得到的相关参数能分别实现对眼底图像上动脉和静脉血管的量化，眼底纹理和图像几何参数的测量。在2型糖尿病人群中，2型糖尿病眼底图像指标与糖尿病肾病相关性的分析，对糖尿病肾病的早期诊断具有重要的意义。
本发明的技术方案：一种2型糖尿病眼底图像指标的测量，该测量包括眼底测量指标纹理、眼底测量几何边缘和眼底血管直径测量。
进一步，所述的眼底测量指标纹理：对以目标中心线像素为中心的图像补丁进行直方图和灰度共生矩阵分析；具体为描述图像子区域内像素强度值均值和标准差的一阶统计量和二阶统计量，用于描述图像子区域内纹理的粗糙度、粗度和方向性，从灰度共生矩阵分析中提取的测量参数，测量参数包括平均强度、强度标准差、对比度和均匀性。
进一步，所述的平均强度利用加权平均的方法来融合不同尺度的图像，保留不同大小的血管；具体方法为：首先，将各个尺度的图像都变换到原图的大小；然后，图像灰度值的范围变换到0～255，并得到整张图的平均强度值；最后，用255与平均值的差的平方作为权重，将各个尺度图像加权平均。
进一步，所述的眼底测量几何边缘：分形维数采用盒计数法计算，小动脉和小静脉分形维数分别记为G_aDf和G_vDf；血管弯曲度计算为所有血管段的整体曲率除以总血管长度，小动脉和小静脉弯曲度分别记为G_aTor和G_vTor；通过计算图像中血管内空间面积来评估非血管面积，记为G_Nonv。
进一步，所述的眼底测量血管直径以视盘为中心，将血管分为三个同心区，计算每个区域的动脉和小静脉平均直径分别记为C_aCtr、C_aMdl、C_aPeri、C_vCtr、 C_vMdl和C_vPeri。
进一步，所述的三个同心区为：中心区、中间区和外周区，其中，中心区为0.5-1.0视乳头直径，中间区为1.0-2.0视乳头直径，外周区为大于2.0视乳头直径。
2型糖尿病眼底图像指标与糖尿病肾病相关性的分析方法，以上述中任意一项所述的一种2型糖尿病眼底图像指标的测量的2型糖尿病眼底图像指标作为连续变量进行分析。
本发明的有益效果：本发明通过图像处理和边缘量化的过程，获取眼底指标参数不局限于某个特定区域，能够将所有的血管有效利用起来。这些参数从不同的角度对血管进行了量化。各种参数之间相互补充，通过将这个方法获取DN眼底指标效率高，测量结果准确；通过从DN眼底图像指标与糖尿病肾病的相关性分析，能更好辅助糖尿病肾病诊断，对糖尿病肾病的早期诊断具有重要的意义。
附图说明
图1是图像处理及眼底图像指标测量流程图。
具体实施方式
下面结合附图及实施例对本发明作进一步说明，但不作为对本发明的限定。
实施例1
一种2型糖尿病眼底图像指标的测量，该测量包括眼底测量指标纹理、眼底测量几何边缘和眼底血管直径测量。
进一步，所述的眼底测量指标纹理：对以目标中心线像素为中心的图像补丁进行直方图和灰度共生矩阵分析；具体为描述图像子区域内像素强度值均值和标准差的一阶统计量和二阶统计量，用于描述图像子区域内纹理的粗糙度、粗度和方向性，从灰度共生矩阵分析中提取的测量参数，测量参数包括平均强度、强度标准差、对比度和均匀性。
进一步，所述的平均强度利用加权平均的方法来融合不同尺度的图像，保留不同大小的血管；具体方法为：首先，将各个尺度的图像都变换到原图的大小；然后，图像灰度值的范围变换到0～255，并得到整张图的平均强度值；最后，用255与平均值的差的平方作为权重，将各个尺度图像加权平均。
进一步，所述的眼底测量几何边缘：分形维数采用盒计数法计算，小动脉和小静脉分形维数分别记为G_aDf和G_vDf；血管弯曲度计算为所有血管段的整体曲率除以总血管长度，小动脉和小静脉弯曲度分别记为G_aTor和G_vTor；通过计算图像中血管内空间面积来评估非血管面积，记为G_Nonv。
进一步，所述的眼底测量血管直径以视盘为中心，将血管分为三个同心区，计算每个区域的动脉和小静脉平均直径分别记为C_aCtr、C_aMdl、C_aPeri、C_vCtr、 C_vMdl和C_vPeri。
进一步，所述的三个同心区为：中心区、中间区和外周区，其中，中心区为 0.5-1.0视乳头直径，中间区为1.0-2.0视乳头直径，外周区为大于2.0视乳头直径。
实施例2
2型糖尿病眼底图像指标的测量还包括：
1、测量前的血管分割：首先去除动脉血管的中心光反射和照度不均匀，然后进行显著特征提取，最后通过自动阈值的方法分离出背景和血管；具体包括如下步骤：
1)通过腐蚀算法加粗血管消除中心反射，再用同样大小的结构原件做膨胀，使血管变回原来的直径大小，以保证血管分割不会过粗或过细；
2)对去除中心反射后的图像做了高斯模糊处理，使高频信息消失、血管不见，只保留下模糊的背景；然后，将高斯模糊图像与原图作差，即：背景调整，不均匀曝光得以矫正；
所述的背景调整的计算公式如下：
I'(x,y)＝I0(x,y)-φ(x,y)*I0(x,y) (1)
式中：I'(x,y)为处理背景照度调整后的图像；
为高斯函数，σ为标准差；
3)显著特征提取
具体分别包括以下特征提取：强度特征提取、形态学特征提取、方向特征提取和自信息特征提取；
进一步，所述的强度特征提取：
a)将步骤2)得到的图像做高斯处理降低噪声，得到I'(x,y)；然后，将I'0(x,y) 下采样得到I1(x,y)，I1(x,y)图像的尺度变为原来的一半；重复这两个步骤，得到多个不同尺度的眼底图像；该过程用如下公式表示：
In+1(x,y)＝I′n(2x,2y) (4)
式中：I'n(x,y)为高斯金字塔；
b)在不同的尺度的图像上利用离散傅里叶变换提取高频的血管信息；即：先通过变换得到频域信息；然后将频域做平均滤波处理，并将滤波前后的图像相减，在去除掉低频的背景的同时，将高频的血管信息保留下来；最后，通过反变换得到血管强度增强图像；该过程用如下公式表示：
Mδ(u,v)＝log(Aδ(u,v))-log(Aδ(u,v))*h(x,y) (6)
式中：
为相位；Aδ(u,v)为振幅；h(x,y)为均值滤波器；
通过以上方法处理之后得到的灰度图像中包含负值。本发明将大于零的点设置为零、小于零的点取绝对值处理。这样能够在尽可能的保留血管信息的前提下去除掉背景。
2、动静脉分类：首先去除了图像照度的不均匀和图像间的灰度差异；然后在血管中心线上，提取了颜色、一维剖面特征和二维纹理特征；最后用kNN分类器区分动静脉。
进一步，眼底测量血管直径参数测量方法：具体方法如下：
首先，利用血管分割方法分割出血管网络，并通过细化得到血管中心线像素；去除中心线上的交叉点和分支点，得到独立的血管片段；
其次，利用动静脉分类算法将每个血管片段进行分类；
再次，利用图论的方法，分别得到动脉和静脉血管上的每个中心线像素所对应的血管直径；
然后，定位视神经盘的位置，并根据血管与距离视神经盘的距离，将血管分为近、中和远三组；
最后，计算出每一组中血管直径的平均值；距离视神经盘近的血管直径较大，随着距离越远，血管分支越多，血管的平均直径越小。所以，这些血管参数在一定程度上能够反映图像中的较大血管、中等血管和较小血管。
进一步，分形维数的测量方法采用盒子法，用边长为a的格子构成的网格将特定大小的血管图像划分。其中格子的边长a小于图像短边长的一半。然后统计出整张图像上血管像素所覆盖的格子数，记为A。如果改变a的大小，那么网格的密度也随之改变，从而可以得到不同的A值。边长a的值越小，网格密度越大，就更容易捕捉到血管的细节信息。当a趋近于0的时候，所述的分形维数FD的计算公式如下：
式中：a为格子的边长；A为血管像素所覆盖的格子总数；
由于实际的图像是由离散的像素点构成的，因此a的值不能无穷小。可以通过改变边长的大小，得到多组a和A。然后，在以log(1/a)为横坐标、logA为纵坐标的坐标系中画出这些点。最后，利用最小二乘法拟合出一条直线，该线的斜率即是所求的分形维数。
进一步，灰度共生矩阵：将原始灰度图像的灰度级为255降为16；对于图像上具有确定位置关系的两点a和b，得到它们的灰度值组合h1，h2；遍历整张图像，得到每种组合出现的频率；将两点的灰度值分别作为矩阵的行和列，频率作为对应坐标的元素值，这样就生成了的灰度共生矩阵；点a和b的位置关系由图像的大小决定。例如，对于分辨率为3872×2592的临床图像而言，a和b有四种位置关系：若(xa,ya)表示点a的坐标，点b的坐标为(xa+50,ya)、(xa+50,ya+50)、(xa,ya+50) 和(xa-50,ya+50)四种，分别代表0度、45度、90度和135度方向的纹理关系。
实施例3
2型糖尿病眼底图像指标与糖尿病肾病相关性的分析方法，以上述所述的任意一项所述的一种2型糖尿病眼底图像指标的测量的2型糖尿病眼底图像指标作为连续变量进行分析。具体过程如下：
研究对象：
中国西北糖尿病(NCD)研究是一项横断面研究，研究对象为2016年6月至2018 年8月在中国空军军医大学第一附属医院就诊的2397名糖尿病患者。在这项研究中，我们纳入了年龄从18岁到70岁的2型糖尿病患者(n＝2,339,97.6％)。在2339名合格的参与者中，1925名(80.3％)有可分级的视网膜照片和血清肌酐，他们构成了这项研究的基础人群。所有数据的收集都得到了中国空军军医大学机构审查委员会的批准。
糖尿病肾病的测定：
肾小球滤过率(eGFR)计算血清肌酐浓度使用修改的饮食在肾脏疾病研究方程定义为:eGFR(ml/min/1.73m2)＝186.3×(血清肌酐(mg/dL))-1.154×年龄-0.203×(女性：0.742)。慢性肾脏病(CKD)定义为eGFR<60mL/min/1.73m2。
其他变量的测量：
数字视网膜图像进行使用45°视网膜相机(佳能CR-DGI、佳能、东京、日本)，散瞳后测量。为了更好地显示远端分支，我们捕获了以中央凹为中心的视网膜图像。对于每个受试者，使用右眼，当无法使用时，用左眼代替。所有参与者都在诊室接受了面对面的访谈，了解过去的病史和目前的药物治疗。收缩压和舒张压的测量使用数字自动血压监测仪(OrionInstruments,Inc)。体重指数(BMI)由体重(kg)除以身高平方(m2)计算。空腹静脉血标本采用DX-800自动分析仪(BeckmanKurtInc)对糖化血红蛋白、血清肌酐、总胆固醇、甘油三酯、高密度脂蛋白(HDL)和低密度脂蛋白(LDL) 进行生化分析。
眼底指标的测量：
眼底指标的测量是使用我们小组开发的全自动计算机程序进行的。图1说明了图像处理和边缘量化过程。从建立的小动脉和小静脉树中提取三组边缘，包括血管口径、血管几何形状和图像纹理。第一组眼底指标是血管管径。以视盘为中心，将血管分为三个同心区:中心区(0.5-1.0视乳头直径(discdiameter,DD))、中间区(1.0-2.0DD)和外周区(>2.0DD)。计算每个区域的平均动脉径和小静脉径，分别表示为C_aCtr、C_aMdl、C_aPeri、C_vCtr、C_vMdl和C_vPeri。对于血管几何，采用盒数方法实现分形维数。小动脉和小静脉分形维数分别计算为G_aDf和G_vDf。将所有血管节段的平均综合曲率计算为血管弯曲度，分别用G_aTor和G_vTor计算小动脉和小静脉的弯曲度。通过计算图像中血管内空间面积来评估非血管面积，记为 G_Nonv。最后一组是眼底指标测量值，包括描述图像子区域内像素强度值均值和标准差的一阶统计量和二阶统计量(即灰度共生矩阵，GLCM)用于描述图像子区域内纹理的粗糙度、粗度和方向性。从GLCM分析中提取的具体测量包括平均强度、强度标准差、对比度和均匀性(即T_Mn、T_Std、T_Ctr和T_Hom)。
统计方法：
基线时，连续数据以平均值±标准差表示，分类数据以百分比表示。连续资料采用Mann-WhitneyU检验，分类资料χ2检验，评估两组间差异。眼底测量指标作为连续变量进行分析。在logistic回归中，我们使用两个模型来分析眼底测量指标与CKD的关系。首先，为了消除已知的影响视网膜血管的因素，在第一个模型中对年龄和性别进行了调整。我们进一步在第二个模型中纳入已知与CKD相关的协变量，包括BMI(kg/m2)、收缩压和舒张压(mmHg)、糖化血红蛋白(％)、总胆固醇(mmol/L)、高密度脂蛋白胆固醇(mmol/L)、低密度脂蛋白胆固醇(mmol/L)和甘油三酯(mmol/L)。p值<0.05为差异有统计学意义。对于ORs的估计给出了95％CI，如果它们不超过 1.0，则认为具有统计学意义。所有的统计分析都使用社会科学17.0版的统计软件包(SPSSInc.,Chicago,IL,USA)完成。
分析结果：
基线特征：基线特征表1中给出。慢性肾病组和非慢性肾病组在年龄和性别上有显著差异。没有CKD的受试者更有可能是男性、年轻、收缩压、总胆固醇、高密度脂蛋白和低密度脂蛋白水平更低。BMI、DBP、HbA1c和甘油三酯无显著差异。CKD 患者非血管面积(G_Nonv)较小，所有区域(C_vCtr、C_vMdl、C_vPeri)小静脉血管径较小，小动脉和小静脉分形维数(G_aDf、G_vDf)较大。两组在所有纹理测量(即T_Mn、 T_Sd、T_Ctr和T_Hom)上也显示出显著差异。
表1.研究对象的基线特征
连续变量以均数±标准差表示。
缩写:G_Nonv，无血管区；G_aTor,动脉弯曲度；G_vTor,静脉弯曲度；G_aDf, 动脉分形维数；G_vDf,静脉分形维数；C_aCtr,中心动脉管径；C_aMdl,中间动脉管径； C_aPeri,外周动脉管径；C_vCtr,中心静脉管径；C_vMdl,中间静脉管径,C_vPeri, 外周静脉管径,T_Mn,平均强度；T_Sd,强度标准偏差；T_Ctr,图像纹理对比度； T_Hom,图像纹理一致性。
逻辑回归：
表2使用逻辑回归分析眼底测量指标和eGFR的<60ml/min/1.732的关系。eGFR 与所有区域(C_vCtr、C_vMdl、C_vPeri)的静脉径及中心区域(C_aCtr)的细动脉径有关。eGFR也与所有的图像纹理测量(T_Mn,T_Sd,T_Ctr，和T_Hom)相关。在调整了 BMI、糖化血红蛋白、血压、总胆固醇、甘油三酯、高密度脂蛋白和低密度脂蛋白后，这些发现仍然具有重要意义。eGFR还与小动脉弯曲(G_aTor)以及小动脉和小静脉分形维数(G_aDf和G_vDf)有关。但在第二种模型中，在调整了更多的风险因素后，这种关联减弱了，不再显著。
表2.型糖尿病中角膜缘与慢性肾脏病的关系
*Model 1校正了年龄和性别。
**Model 2校正了年龄、性别、体重指数、糖化血红蛋白、收缩压、舒张压、总胆固醇、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇。
缩写:G_Nonv，无血管区；G_aTor,动脉弯曲度；G_vTor,静脉弯曲度；G_aDf,动脉分形维数；G_vDf,静脉分形维数；C_aCtr,中心动脉管径；C_aMdl,中间动脉管径； C_aPeri,外周动脉管径；C_vCtr,中心静脉管径；C_vMdl,中间静脉管径,C_vPeri, 外周静脉管径,T_Mn,平均强度；T_Sd,强度标准偏差；T_Ctr,图像纹理对比度； T_Hom,图像纹理一致性。
本实施例没有详细叙述的部分和英文缩写属本行业的公知常识，在网上可以搜索到，没有详细描述的步骤均为常用手段或公知技术，这里不一一叙述。
Claims (7)
1.一种2型糖尿病眼底图像指标的测量，其特征是：该测量包括眼底测量指标纹理、眼底测量几何边缘和眼底血管直径测量。
2.根据权利要求1所述的一种2型糖尿病眼底图像指标的测量，其特征是：所述的眼底测量指标纹理：对以目标中心线像素为中心的图像补丁进行直方图和灰度共生矩阵分析；具体为描述图像子区域内像素强度值均值和标准差的一阶统计量和二阶统计量，用于描述图像子区域内纹理的粗糙度、粗度和方向性，从灰度共生矩阵分析中提取的测量参数，测量参数包括平均强度、强度标准差、对比度和均匀性。
3.根据权利要求1所述的一种2型糖尿病眼底图像指标的测量，其特征是：所述的平均强度利用加权平均的方法来融合不同尺度的图像，保留不同大小的血管；具体方法为：首先，将各个尺度的图像都变换到原图的大小；然后，图像灰度值的范围变换到0～255，并得到整张图的平均强度值；最后，用255与平均值的差的平方作为权重，将各个尺度图像加权平均。
4.根据权利要求1所述的一种2型糖尿病眼底图像指标的测量，其特征是：所述的眼底测量几何边缘：分形维数采用盒计数法计算，小动脉和小静脉分形维数分别记为G_aDf和G_vDf；血管弯曲度计算为所有血管段的整体曲率除以总血管长度，小动脉和小静脉弯曲度分别记为G_aTor和G_vTor；通过计算图像中血管内空间面积来评估非血管面积，记为G_Nonv。
5.根据权利要求1所述的一种2型糖尿病眼底图像指标的测量，其特征是：所述的眼底测量血管直径以视盘为中心，将血管分为三个同心区，计算每个区域的动脉和小静脉平均直径分别记为C_aCtr、C_aMdl、C_aPeri、C_vCtr、C_vMdl和C_vPeri。
6.根据权利要求5所述的一种2型糖尿病眼底图像指标的测量，其特征是：所述的三个同心区为：中心区、中间区和外周区，其中，中心区为0.5-1.0视乳头直径，中间区为1.0-2.0视乳头直径，外周区为大于2.0视乳头直径。
7.2型糖尿病眼底图像指标与糖尿病肾病相关性的分析方法，其特征是：以权利要求1-6中任意一项所述的一种2型糖尿病眼底图像指标的测量的2型糖尿病眼底图像指标作为连续变量进行分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011095729.3A CN112075922A (zh) | 2020-10-14 | 2020-10-14 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011095729.3A CN112075922A (zh) | 2020-10-14 | 2020-10-14 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112075922A true CN112075922A (zh) | 2020-12-15 |
Family
ID=73729856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011095729.3A Pending CN112075922A (zh) | 2020-10-14 | 2020-10-14 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112075922A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686855A (zh) * | 2020-12-28 | 2021-04-20 | 博奥生物集团有限公司 | 一种眼象与症状信息的信息关联方法 |
| CN113269737A (zh) * | 2021-05-17 | 2021-08-17 | 西安交通大学 | 一种眼底视网膜动静脉血管直径计算方法及系统 |
| CN113470102A (zh) * | 2021-06-23 | 2021-10-01 | 依未科技(北京)有限公司 | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 |
| CN114255875A (zh) * | 2022-02-28 | 2022-03-29 | 北京鹰瞳科技发展股份有限公司 | 用于评估肾病风险的方法、装置、系统和计算机可读存储介质 |
| CN116245823A (zh) * | 2023-02-08 | 2023-06-09 | 中日友好医院(中日友好临床医学研究所) | 基于肺血管分形维数和弯曲度的慢性血栓栓塞性肺动脉高压量化评估方法 |
| CN117876801A (zh) * | 2024-03-13 | 2024-04-12 | 中国人民解放军总医院第一医学中心 | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010046321A1 (en) * | 1997-08-22 | 2001-11-29 | Akira Murakawa | Image data processing apparatus and image data processing method |
| 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 |
| CN103559496A (zh) * | 2013-11-15 | 2014-02-05 | 中南大学 | 泡沫图像多尺度多方向纹理特征的提取方法 |
| US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
| CN106407917A (zh) * | 2016-09-05 | 2017-02-15 | 山东大学 | 基于动态尺度分配的视网膜血管提取方法及系统 |
| CN107610107A (zh) * | 2017-09-01 | 2018-01-19 | 华中科技大学 | 一种基于分数维的三维血管斑块超声图像特征描述方法 |
| 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 |
| CN107832695A (zh) * | 2017-11-01 | 2018-03-23 | 齐鲁工业大学 | 在视网膜图像中基于纹理特征的视盘识别方法及装置 |
| WO2018127815A1 (en) * | 2017-01-03 | 2018-07-12 | Universidade De Coimbra | Method and equipment for central nervous system characterization from retina oct imaging data |
| CN110033861A (zh) * | 2019-03-26 | 2019-07-19 | 西安交通大学 | 适用于octa图像的血管及黄斑无血管区定量分析方法及系统 |
| CN110288588A (zh) * | 2019-07-01 | 2019-09-27 | 齐鲁工业大学 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
| CN110837802A (zh) * | 2019-11-06 | 2020-02-25 | 齐鲁工业大学 | 一种基于灰度共生矩阵的面部图像特征提取方法 |
-
2020
- 2020-10-14 CN CN202011095729.3A patent/CN112075922A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010046321A1 (en) * | 1997-08-22 | 2001-11-29 | Akira Murakawa | Image data processing apparatus and image data processing method |
| 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 |
| US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
| CN103559496A (zh) * | 2013-11-15 | 2014-02-05 | 中南大学 | 泡沫图像多尺度多方向纹理特征的提取方法 |
| CN106407917A (zh) * | 2016-09-05 | 2017-02-15 | 山东大学 | 基于动态尺度分配的视网膜血管提取方法及系统 |
| WO2018127815A1 (en) * | 2017-01-03 | 2018-07-12 | Universidade De Coimbra | Method and equipment for central nervous system characterization from retina oct imaging data |
| CN107610107A (zh) * | 2017-09-01 | 2018-01-19 | 华中科技大学 | 一种基于分数维的三维血管斑块超声图像特征描述方法 |
| 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 |
| CN107832695A (zh) * | 2017-11-01 | 2018-03-23 | 齐鲁工业大学 | 在视网膜图像中基于纹理特征的视盘识别方法及装置 |
| CN110033861A (zh) * | 2019-03-26 | 2019-07-19 | 西安交通大学 | 适用于octa图像的血管及黄斑无血管区定量分析方法及系统 |
| CN110288588A (zh) * | 2019-07-01 | 2019-09-27 | 齐鲁工业大学 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
| CN110837802A (zh) * | 2019-11-06 | 2020-02-25 | 齐鲁工业大学 | 一种基于灰度共生矩阵的面部图像特征提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| XIAYU XU等: "《comprehensive retinal vascular measurements: a novel association with renal function in type 2 diabetic patients in china》", no. 10 * |
| XIAYU XU等: "comprehensive retinal vascular measurements: a novel association with renal function in type 2 diabetic patients in china", 《SCIENTIFIC REPORTS》 * |
| XIAYU XU等: "comprehensive retinal vascular measurements: a novel association with renal function in type 2 diabetic patients in china", 《SCIENTIFIC REPORTS》, no. 10, 13 August 2020 (2020-08-13), pages 2 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686855A (zh) * | 2020-12-28 | 2021-04-20 | 博奥生物集团有限公司 | 一种眼象与症状信息的信息关联方法 |
| CN112686855B (zh) * | 2020-12-28 | 2024-04-16 | 博奥生物集团有限公司 | 一种眼象与症状信息的信息关联方法 |
| CN113269737A (zh) * | 2021-05-17 | 2021-08-17 | 西安交通大学 | 一种眼底视网膜动静脉血管直径计算方法及系统 |
| 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 |
| CN113470102A (zh) * | 2021-06-23 | 2021-10-01 | 依未科技(北京)有限公司 | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 |
| CN113470102B (zh) * | 2021-06-23 | 2024-06-11 | 依未科技(北京)有限公司 | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 |
| CN114255875A (zh) * | 2022-02-28 | 2022-03-29 | 北京鹰瞳科技发展股份有限公司 | 用于评估肾病风险的方法、装置、系统和计算机可读存储介质 |
| CN114255875B (zh) * | 2022-02-28 | 2022-06-21 | 北京鹰瞳科技发展股份有限公司 | 用于评估肾病风险的方法、装置、系统和计算机可读存储介质 |
| CN116245823A (zh) * | 2023-02-08 | 2023-06-09 | 中日友好医院(中日友好临床医学研究所) | 基于肺血管分形维数和弯曲度的慢性血栓栓塞性肺动脉高压量化评估方法 |
| CN117876801A (zh) * | 2024-03-13 | 2024-04-12 | 中国人民解放军总医院第一医学中心 | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 |
| CN117876801B (zh) * | 2024-03-13 | 2024-05-28 | 中国人民解放军总医院第一医学中心 | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112075922A (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 | |
| Odstrcilik et al. | Retinal vessel segmentation by improved matched filtering: evaluation on a new high‐resolution fundus image database | |
| US9418423B2 (en) | Motion correction and normalization of features in optical coherence tomography | |
| EP2162054B1 (en) | Pattern analysis of retinal maps for diagnosis of optic nerve diseases by optical coherence tomography | |
| CN111222361A (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 | |
| Qureshi | Glaucoma detection in retinal images using image processing techniques: a survey | |
| WO2010030159A2 (en) | A non invasive method for analysing the retina for ocular manifested diseases | |
| Huang et al. | Stability analysis of fractal dimension in retinal vasculature | |
| Kumar et al. | Automated detection of eye related diseases using digital image processing | |
| Yao et al. | Generic features for fundus image quality evaluation | |
| Jiang et al. | Isotropic undecimated wavelet transform fuzzy algorithm for retinal blood vessel segmentation | |
| Bhardwaj et al. | Appraisal of pre-processing techniques for automated detection of diabetic retinopathy | |
| CN117372284A (zh) | 眼底图像处理方法及系统 | |
| Wang et al. | Deep learning for diagnosing and segmenting choroidal neovascularization in OCT angiography in a large real-world data set | |
| Wu et al. | Computer aided quantification for retinal lesions in patients with moderate and severe non-proliferative diabetic retinopathy: a retrospective cohort study | |
| WO2021046418A1 (en) | Systems and methods for detection and grading of diabetic retinopathy | |
| Garg et al. | Semi-automated algorithm using directional filter for the precise quantification of non-perfusion area on widefield swept-source optical coherence tomography angiograms | |
| Yulianti et al. | No reference image quality assessment of retinal image for diabetic retinopathy detection based on feature extraction | |
| Kubicek et al. | Segmentation based on gabor transformation with machine learning: Modeling of retinal blood vessels system from retcam images and tortuosity extraction | |
| Novosel et al. | Segmentation of locally varying numbers of outer retinal layers by a model selection approach | |
| JP7510141B2 (ja) | ３次元光コヒーレンストモグラフィデータ及び画像を用いた医用診断装置及び病態評価方法 | |
| Kugamourthy et al. | eOphthalmologist--Intelligent Eye Disease Diagnosis System | |
| Escobar et al. | A proposal to measure the similarity between retinal vessel segmentations images | |
| Gende et al. | Fully Automatic Epiretinal Membrane Segmentation in OCT Scans Using Convolutional Networks | |
| Praveenkumar | Feature extraction of retinal image for diagnosis of abnormal eyes |
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 |