CN112465772B - 眼底彩照图像血管评估方法、装置、计算机设备和介质 - Google Patents

眼底彩照图像血管评估方法、装置、计算机设备和介质 Download PDF

Info

Publication number
CN112465772B
CN112465772B CN202011344724.XA CN202011344724A CN112465772B CN 112465772 B CN112465772 B CN 112465772B CN 202011344724 A CN202011344724 A CN 202011344724A CN 112465772 B CN112465772 B CN 112465772B
Authority
CN
China
Prior art keywords
blood vessel
image
vessel
center line
error
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
CN202011344724.XA
Other languages
English (en)
Other versions
CN112465772A (zh
Inventor
柳杨
吕彬
吕传峰
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011344724.XA priority Critical patent/CN112465772B/zh
Publication of CN112465772A publication Critical patent/CN112465772A/zh
Priority to PCT/CN2021/084542 priority patent/WO2021208739A1/zh
Application granted granted Critical
Publication of CN112465772B publication Critical patent/CN112465772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • 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

Abstract

本申请为数字医疗的疾病风险评估技术领域，本申请提供了一种眼底彩照图像血管评估方法、装置、计算机设备和介质，其中，所述方法包括：通过利用预先训练好的分割模型从眼底彩照图像中提取出拓扑结构的视网膜血管图像，并提取视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带，根据误差带计算所述血管中心线相较于与所述标准血管中心线的误差，得到所述视网膜血管图像的血管拓扑结构误差，根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果，从而用于评估血管拓扑结构的完整性和准确性，评估效果更好。

Description

眼底彩照图像血管评估方法、装置、计算机设备和介质
技术领域
本申请涉及数字医疗的疾病风险评估技术领域，具体而言，本申请涉及一种眼底彩照图像血管评估方法、装置、计算机设备和介质。
背景技术
眼底彩照是一种无创、非接触式成像技术，能直接观察到视网膜血管、视盘、黄斑等眼底组织结构，被广泛用于临床视网膜眼底病变筛查和诊断。其中，视网膜血管是人体唯一能直接观察到的血管系统。视网膜血管形态上的变化(如血管密度、管径大小、弯曲度、分支角度等)是糖尿病、高血压、肾病等很多心血管慢病早期诊断及跟踪随访的重要依据。
目前关于视网膜血管分割或动静脉分类算法方面的研究很多，但它们均采用Dice、Accuracy等指标对血管分割准确率进行评估，然而这类指标无法体现血管分割结果在拓扑结构上的完整性，评估效果较差。
发明内容
为克服以上技术问题，特别是现有技术中对血管分割准确率进行评估时，无法体现血管分割结果在拓扑结构上的完整性的缺陷，特提出以下技术方案：
第一方面，本申请提供一种眼底彩照图像血管评估方法，其包括以下步骤：
获取眼底彩照图像，利用预先训练好的分割模型从所述眼底彩照图像中提取视网膜血管图像，其中，所述视网膜血管图像为拓扑结构图像；
提取所述视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带，其中，所述误差带为距离预设的标准血管中心线预设距离的图像区域；
根据所述误差带计算所述各血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像的血管拓扑结构误差；
根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果。
在其中一个实施例中，提取所述视网膜血管图像中的血管中心线，包括：
对所述视网膜血管图像二值化处理，得到二值图像；
利用形态学骨架提取算法对所述二值图像的血管结构进行骨架提取，得到各血管中心线，所述血管中心线为血管结构各处内切圆的圆心连接线。
在其中一个实施例中，提取所述视网膜血管图像中的血管中心线之后，还包括：
计算每两根血管中心线之间的最短距离及夹角；
若所述最短距离小于阈值且夹度小于预设角度，获取所述两根血管中心线之间距离最短的断点，将所述断点相连。
在其中一个实施例中，提取所述视网膜血管图像中的血管中心线之后，还包括：
计算所述视网膜血管图像的面积，利用预设大小的盒子遍历所述视网膜血管图像，并根据盒子的面积及视网膜血管图像的面积计算盒子遍历次数；
计算盒子在遍历时覆盖所述视网膜血管图像的区域中包括所述血管中心线的累计次数；
更换盒子的大小，继续执行利用预设大小的盒子遍历所述视网膜血管图像，并根据盒子的面积及视网膜血管图像的面积计算盒子遍历次数，计算盒子在遍历时覆盖所述视网膜血管图像的区域中包括所述血管中心线的累计次数的步骤，得到不同尺寸的盒子的遍历次数及累计次数；
根据所述不同尺寸的盒子的遍历次数及累计次数计算血管结构的分形维数。
在其中一个实施例中，提取所述视网膜血管图像中的血管中心线之后，还包括：
提取所述血管中心线上的任一点作为圆心，以所述圆心为中心设置一固定的ROI区域，在所述ROI区域内进行血管边界探测；
计算血管边界距离所述圆心的最短距离，得到血管半径。
在其中一个实施例中，提取所述视网膜血管图像中的血管中心线之后，还包括：
测量所述血管中心线的弧长，计算所述血管中心线各点曲率的平方和；
根据所述弧长及平方和计算血管结构的血管平均曲率。
在其中一个实施例中，计算所述血管中心线各点曲率的平方和之前，还包括：
从血管中心线上任意选取一点作为目标点，依次计算血管中心线上其余点与所述目标点的夹角余弦，选取夹角余弦最大的值作为所述目标点的曲率；
从血管中心线上的其余点中选取一点作为目标点，重新执行依次计算血管中心线上其余点与所述目标点的夹角余弦，选取夹角余弦最大的值作为所述目标点的曲率的步骤，直至得到所述血管中心线各点的曲率。
在其中一个实施例中，根据所述误差带计算所述血管中心线相较于所述标准血管中心线的误差的步骤，包括：
获取眼底彩照图像中血管中心线的总数量；
计算所述血管中心线中未落入所述误差带内的第一数量；
根据所述第一数量及总数量计算所述误差。
第二方面，本申请还提供一种眼底彩照图像血管评估装置，其包括：
提取模块，用于获取眼底彩照图像，利用预先训练好的分割模型从所述眼底彩照图像中提取视网膜血管图像，其中，所述视网膜血管图像为拓扑结构图像；
设置模块，用于提取所述视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带，其中，所述误差带为距离预设的标准血管中心线预设距离的图像区域；
计算模块，用于根据所述误差带计算所述血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像的血管拓扑结构误差；
生成模块，用于根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果。
第三方面，本申请还提供一种计算机设备，其包括：
一个或多个处理器；
存储器；
一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于执行第一方面中任意实施例中所述的眼底彩照图像血管评估方法。
第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现第一方面中任意实施例中所述的眼底彩照图像血管评估方法。
本申请所提供的一种眼底彩照图像血管评估方法、装置、计算机设备和计算机可读存储介质，通过利用预先训练好的分割模型从眼底彩照图像中提取出拓扑结构的视网膜血管图像，并提取视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带，根据误差带计算所述各血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像的血管拓扑结构误差，根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果。由于视网膜血管图像为拓扑结构图像，因此可直接地从视网膜血管图像中确定血管中心线，利于后续计算血管拓扑结构误差，以及用于分析各血管中心线的关系。此外，本申请的血管拓扑结构误差用于评估血管拓扑结构的完整性和准确性，以对分割模型分割所述眼底彩照图像进行更加全面地评估，评估效果更好。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请中的一个实施例的眼底彩照图像血管评估方法的流程图；
图2为本申请中的标准血管中心线的误差带的位置示意图；
图3是本申请中的从眼底彩照图像中提取视网膜血管图像的示意图；
图4为本申请中的眼底彩照图像、视网膜血管图像、血管中心线的示意图；
图5为本申请中的血管结构断点修复前后的示意图；
图6为本申请中的血管半径的测量示意图；
图7为本申请中的计算血管曲率时各点选取的示意图；
图8是本申请中的一个实施例的眼底彩照图像血管评估装置的模块图；
图9为本申请中的一个实施例的计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通讯链路上，执行双向通讯的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通讯设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通讯设备；PCS(Personal Communications Service，个人通讯系统)，其可以组合语音、数据处理、传真和/或数据通讯能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通讯终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
本技术领域技术人员可以理解，这里所使用的远端网络设备，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。在此，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。本申请的实施例中，远端网络设备、终端设备与WNS服务器之间可通过任何通讯方式实现通讯，包括但不限于，基于3GPP、LTE、WIMAX的移动通讯、基于TCP/IP、UDP协议的计算机网络通讯以及基于蓝牙、红外传输标准的近距无线传输方式。为了解决上述问题，本申请提供了一种眼底彩照图像血管评估方法，可参考图1，图1是一个实施例的眼底彩照图像血管评估方法的流程图，该方法包括以下步骤：
S110、获取眼底彩照图像，利用预先训练好的分割模型从所述眼底彩照图像中提取视网膜血管图像，其中，所述视网膜血管图像为拓扑结构图像。
视网膜血管分割是眼科计算机辅助诊断和大规模疾病筛查系统的基础，当眼器官发生视觉疾病的时候，视网膜血管的直径、颜色和弯曲程度等就会出现异常，辅助眼科医生作出诊断。对眼底彩照图像进行血管分割常用的方法有：基于血管跟踪的方法、基于匹配滤波的方法、基于形态学处理的方法、基于形变模型的方法和基于机器学习的方法等。本申请对眼底彩照图像运用深度学习方法，首先获取待分割的眼底彩照图像，利用预先训练好的分割模型从所述眼底彩照图像中提取视网膜血管图像，并将视网膜血管图像转换成拓扑结构的图像，从而将眼底彩照图像中的血管结构单独分割出来，便于观察研究。其中，拓扑结构图像可把实体抽象成与其大小、形状无关的“点”，而把连接实体的线路抽象成“线”，进而以图的形式来表示这些点与线之间关系的方法，从而可直观地研究这些点、线之间的相连关系。
此外，本申请在生成训练好的分割模型时，首先获取多张眼底彩照图像，对所述多张眼底彩照图像进行标注，以得到每张所述眼底彩照图像人工分割血管后的准确标签；基于所述每张眼底彩照图像和所述准确标签，生成样本集，将所述样本集作为训练集和测试集，将训练集输入预设的深度神经网络模型对其进行训练，再将测试集输入训练完成的深度神经网络模型进行测试，获取所述深度神经网络模型输出的测试结果，将所述测试结果与预设的比对标签进行匹配，当所述测试结果与所述比对标签匹配时，将所述深度神经网络模型作为训练好的分割模型。
S120、提取所述视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带，其中，所述误差带为距离预设的标准血管中心线预设距离的图像区域；由于尖端毛细血管边缘不清晰且比较细小，在整个血管结构中的占比比较小，常规采用Dice系数和Accuracy作为目标函数指导神经网络模型训练的方式仅对全局血管分割误差进行计算，忽视了毛细血管在血管拓扑结构中的重要性。因此本申请为了使得血管分割保留更完整的拓扑结构，分割模型的损失函数可采用全局血管分割误差和血管拓扑结构误差的形式。
具体的，结合图2所示，本申请获取分割后的视网膜血管图像后，根据分割后的视网膜血管图像确定血管的起始血管段的起始血管层和终止血管段的终止血管层，并将所述起始血管段的起始血管层的中心作为血管中心线的起点，将所述终止血管段的终止血管层的中心作为血管中心线的终点，根据所述起点和所述终点在所述分割后的视网膜血管图像中提取血管中心线，并以对应专家标记的标准血管中心线为基准设置所述血管中心线的矩形误差带，具体地，将距离预设的标准血管中心线预设距离的图像区域设置为所述血管中心线的误差带，例如，将包裹标准血管中心线矩形或圆形区域设置为误差带。
S130、根据所述误差带计算所述血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像的血管拓扑结构误差；
进一步地，本步骤根据矩形误差带计算所述血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像在拓扑结构的血管拓扑结构误差；例如，计算任一根血管中心线与该血管中心线对应的标准血管中心线的误差时，可将距离标准血管中心线预设距离或预设角度的区域作为误差带，若所述血管中心线全部或大部分落入误差带内，则表示该血管中心线为真实的血管结构。需要说明的是，误差带的设置区域越小，则计算得到的误差的精准度越高。其中，所述标准血管中心线为真实的血管结构，所述血管拓扑结构误差包括完整性误差及准确性误差，所述完整性误差用于评估眼底彩照图像中真实的血管结构未被分割模型提取的占比，所述准确性误差用于评估分割模型提取视网膜血管图像的血管结构为非真实的血管结构的占比。
所述标准血管中心线还可通过大数据分析确定。具体的，可预先收集大量的健康人眼的视网膜血管图像，从视网膜血管图像中分别提取出健康的血管中心线，得到多根血管中心线，并分析各根血管中心线的特征点，从所述多根血管中心线中筛选出具有特征点最多的一根血管中心线作为标准血管中心线。
其中，所述血管中心线可以由一根或多根支线组成，所述血管拓扑结构误差包括完整性误差及准确性误差，所述完整性误差可用于评估眼底彩照图像中真实的血管结构未被分割模型提取的占比，用于评估血管拓扑结构的完整性，所述完整性误差越大，血管拓扑结构的完整性越低，所述血管拓扑结构的完整性可采用以下公式计算：
Topology_Completeness＝TP/(TP+FN)；
其中，所述TP为被提取出的血管结构为真实的血管结构的数量，所述FN为真实的血管结构未被分割模型提取的数量。例如，假设眼底彩照图像中真实的血管结构有100根，被分割模型准确提取的真实的血管结构有80根，而其余20根都未被提取出来，则所述全局血管分割误差的比例为20％，完整性为80％。
所述准确性误差用于评估分割模型提取视网膜血管图像的血管结构为非真实的血管结构的占比，用于评估血管拓扑结构的准确性，所述准确性误差越大，所述血管拓扑结构的准确性越低。所述血管拓扑结构的准确性可采用以下公式计算：
Topology_Correctness＝TP/(TP+FP)；
其中，所述TP为被提取出的血管结构为真实的血管结构的数量，所述FP为被提取出的血管结构为非真实的血管结构的数量。例如，假设从眼底彩照图像中共提取出100根血管结构，生成视网膜血管图像，被分割模型准确提取的真实的血管结构有90根，而其余10根都是非真实的血管结构，为眼底彩照图像其他的结构，则准确性误差的比例为10％，所述血管拓扑结构的准确性为90％。
S140、根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果。
本步骤血管拓扑结构误差结合完整性误差和准确性误差进行综合评价，生成视网膜血管图像的评估结果。其中，所述血管拓扑结构误差可采用如下公式计算：
TopologyLoss＝1-TP/(TP+FP+FN)；
其中，所述TP为被提取出的血管结构为真实的血管结构的数量，所述FN为真实的血管结构未被分割模型提取的数量，所述FP为被提取出的血管结构为非真实的血管结构的数量。当然，如图3所示，本申请的评估结果还可结合血管拓扑结构误差及全局血管分割误差，从而综合评估分割模型分割后的血管结构，用于后续精准指导血管分割模型的训练。所述全局血管分割误差可采用常规的Dice_loss计算方式，在此不再赘述。
如图4所示，图4示出了眼底彩照图像各阶段处理后的结果，其中，图4中的(a)为眼底彩照图像，(b)为视网膜血管图像，(c)为血管中心线图像，从而经过本申请上述方式处理，得到清晰的血管中心线图像，以辅助眼科医生作出诊断。其中，所述评估结果可根据所述血管拓扑结构误差以图表的形式生成，以评估分割模型分割所述眼底彩照图像的分割效果。
本申请所提供的一种眼底彩照图像血管评估方法，通过利用预先训练好的分割模型从眼底彩照图像中提取出拓扑结构的视网膜血管图像，并提取视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带，根据误差带计算所述各血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像的血管拓扑结构误差，根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果。由于视网膜血管图像为拓扑结构图像，因此可直接地从视网膜血管图像中确定血管中心线，利于后续计算血管拓扑结构误差，以及用于分析各血管中心线的关系。此外，本申请的血管拓扑结构误差用于评估血管拓扑结构的完整性和准确性，以对分割模型分割所述眼底彩照图像进行更加全面地评估，评估效果更好。在其中一个实施例中，提取所述视网膜血管图像中的血管中心线，可包括：
对所述视网膜血管图像二值化处理，得到二值图像；
利用形态学骨架提取算法对所述二值图像的血管结构进行骨架提取，得到血管中心线，所述血管中心线为血管结构各处内切圆的圆心连接线。
二值化处理是让视网膜血管图像的像素点矩阵中的每个像素点的灰度值为0(黑色)或者255(白色)，也就是让整个视网膜血管图像呈现只有黑和白的效果。在灰度化的图像中灰度值的范围为0～255，在二值化处理后的视网膜血管图像中的灰度值范围是0或者255，更加有利于对视网膜血管图像的血管结构进行判别。
本申请进一步对二值化的血管结构采用形态学骨架提取算法，提取血管中心线，形态学骨架提取算法是提取视网膜血管图像的中心像素轮廓，其以骨架中心为准，对骨架进行细化，形成血管中心线，以精准地从所述视网膜血管图像中提取出血管中心线。
此外，本申请还提出了一种基于距离和偏差角度的血管中心线断点修正方法，并进一步实现了分形维数、管径大小、弯曲度等量化指标的自动测量，以综合血管的强度信息和形态信息，对血管的特征参数进行量化，能够更为准确、全面的量化视网膜血管图像的血管特征，以用于识别血管疾病。
在其中一个实施例中，提取所述视网膜血管图像中的血管中心线之后，还可包括：
计算每两根血管中心线之间的最短距离及夹角；
若所述最短距离小于阈值且夹度小于预设角度，获取所述两根血管中心线之间距离最短的断点，将所述断点相连。
在本实施例中，如图5所示，目前基于深度学习的血管提取模型多为像素级分割网络，没有考虑血管连续性，因此提取的血管结构可能存在断点问题，因此，本申请对于距离比较近的血管段，通过距离和偏差角度判定进行断点重连，生成连续的血管中心线。具体的，本申请两两选取视网膜血管图像的血管中心线，计算每两根血管中心线之间的最短距离及夹角，若最短距离小于阈值T＝5且每两根血管中心线之间的夹角小于30度，则将所述两根血管中心线之间距离最短的断点相连，实现将属于同一根血管的断点进行连接，生成完整的血管中心线，并确保相连的两根血管中心线同属一根血管。
在其中一个实施例中，根据所述误差带计算所述血管中心线相较于所述标准血管中心线的误差的步骤，包括：
获取眼底彩照图像中血管中心线的总数量；
计算所述血管中心线中未落入所述误差带内的第一数量；
根据所述第一数量及总数量计算所述误差。
本实施例先计算眼底彩照图像中所有血管中心线的总数量，并获取完全未落入所述误差带内的所述血管中心线中，计算所述血管中心线中完全未落入所述误差带内的数量，得到第一数量，根据第一数量及总数量计算血管中心线相较于所述标准血管中心线的误差，操作方式简单，且精度高。
在其中一个实施例中，提取所述视网膜血管图像中的血管中心线之后，还可包括：
计算所述视网膜血管图像的面积，利用预设大小的盒子遍历所述视网膜血管图像，并根据盒子的面积及视网膜血管图像的面积计算盒子遍历次数；
计算盒子在遍历时覆盖所述视网膜血管图像的区域中包括所述血管中心线的累计次数；
更换盒子的大小，继续执行利用预设大小的盒子遍历所述视网膜血管图像，并根据盒子的面积及视网膜血管图像的面积计算盒子遍历次数，计算盒子在遍历时覆盖所述视网膜血管图像的区域中包括所述血管中心线的累计次数的步骤，得到不同尺寸的盒子的遍历次数及累计次数；
根据所述不同尺寸的盒子的遍历次数及累计次数计算血管结构的分形维数。
具体的，假设所述视网膜血管图像的面积为S，可依次使用2n大小的盒子遍历视网膜血管图像，若盒子覆盖的视网膜血管图像的区域中包含血管中心线，则计数一次，计算盒子在遍历时覆盖所述视网膜血管图像的区域中包括所述血管中心线的累计次数。更换盒子的大小，采用不同尺寸的盒子重新遍历视网膜血管图像，得到不同尺寸的盒子在遍历时覆盖视网膜血管图像的区域中包括所述血管中心线的累计次数，根据所述不同尺寸的盒子的遍历次数及累计次数计算血管结构的分形维数。这种血管结构的分形维数的计算方式操作简单、计算简便；且由于通过不同尺寸的盒子多次遍历视网膜血管图像，使计算得到的分形维数误差较小，精准度更高，所得分形维数能完整、有效反映被血管形态的复杂性和数量。
其中，分形维数可采用如下计算公式进行计算：
其中，ε＝2n/S，所述S为视网膜血管图像的面积，2n为盒子的面积，N(ε)为盒子在遍历时覆盖视网膜血管图像的区域中包括所述血管中心线的累计次数，若盒子覆盖的区域中包含血管中心线，则N(ε)加1。进一步地，采用不同尺寸的盒子进行遍历，得到一系列logN(ε)，log(1/ε))配对的点，logN(ε)为横轴坐标，log(1/ε)为纵轴坐标，可采用最小二乘拟合直线，所得直线斜率即为血管的分形维数。所述最小二乘法，又称最小平方法。它通过最小化误差的平方和寻找数据的最佳函数匹配。主要作用是从一堆相关数据中求解数据的一般性规律。在图像处理方面多用于各种形状的拟合。最小二乘拟合直线，主要体现为找到一条直线，使得所有已知的点到这条直线的欧式距离的和最小(或者理解为点到直线的误差平方和最小)。
在其中一个实施例中，提取所述视网膜血管图像中的血管中心线之后，还可包括：
提取所述血管中心线上的任一点作为圆心，以所述圆心为中心设置一固定的ROI区域，在所述ROI区域内进行血管边界探测；
计算血管边界距离所述圆心的最短距离，得到血管半径。
在本实施例中，眼底彩照图像分析需要首先获取ROI区域，这样在后续的处理中能有效避免ROI区域外的像素的影响，降低运算的复杂度。本申请可提取血管中心线上的任一点作为圆心，以所述圆心为中心设置一固定的ROI区域，该ROI区域可以是矩形区域，在所述ROI区域内进行血管边界探测；计算提取的血管边界到血管中心线的最短距离作为血管半径。如图6所示，可在ROI区域内对1、2、3的位置进行血管边界探测，分别计算血管中心线到1、2、3血管边界距离，将提取的血管边界到血管中心线的最短距离作为血管半径，从图中可以看出，血管中心线到2的位置最近，因此将血管中心线到2的距离作为血管半径。
本申请通过以圆心为中心设置一固定的ROI区域，在ROI区域内进行血管边界探测，以缩小血管边界的探测范围，进而减少血管边界的探测次数，便于快速确定距离圆心最短的血管边界，提高血管半径的计算效率及准确性，以辅助医生根据血管半径进行疾病诊断，提高医疗效率。
在其中一个实施例中，提取所述视网膜血管图像中的血管中心线之后，还可包括：
测量所述血管中心线的弧长，计算所述血管中心线各点曲率的平方和；
根据所述弧长及平方和计算血管结构的血管平均曲率。
进一步地，在计算所述血管中心线各点曲率的平方和之前，还可包括：
从血管中心线上任意选取一点作为目标点，依次计算血管中心线上其余点与所述目标点的夹角余弦，选取夹角余弦最大的值作为所述目标点的曲率；
从血管中心线上的其余点中选取一点作为目标点，重新执行依次计算血管中心线上其余点与所述目标点的夹角余弦，选取夹角余弦最大的值作为所述目标点的曲率的步骤，直至得到所述血管中心线各点的曲率。
具体的，本申请从血管中心线上任意选取一点作为目标点，依次计算血管中心线上其余点与所述目标点的夹角余弦，选取夹角余弦最大的值作为所述目标点的曲率；再从血管中心线上的其余点中选取一点作为目标点，重新执行依次计算血管中心线上其余点与所述目标点的夹角余弦，选取夹角余弦最大的值作为所述目标点的曲率的步骤，直至完成血管中心线各点的曲率计算，得到所述血管中心线各点的曲率，并计算各点曲率的平方和，最后根据弧长及平方和计算血管结构的血管平均曲率。其中，计算血管中心线所有点的曲率时，可从血管中心线的起点至终点依次计算各点的曲率。
本申请通过遍历计算血管中心线上所有点的曲率，得到血管结构的血管平均曲率，以综合评估血管结构的弯曲度，使计算得到的血管结构弯曲度的精准度更高。
可选地，血管平均曲率τ的计算公式为：
τ＝tsc(C)/s(C)；
其中，s(C)为血管中心线的弧长，tsc(C)为血管中心线上各点曲率的平方和。具体的，假设该血管中心线由n个点组成，则弧长的近似计算为：
其中，xi、yi分别为血管中心线某一点的横坐标和纵坐标；xi+1、yi+1为血管中心线另一点的横坐标和纵坐标。
如图7所示，计算各点曲率的平方和时，可在血管中心线上选取任一点K，采用K余弦曲率方式近似计算各点的曲率，依次计算曲线上前后各点与该K点形成的夹角余弦，取最大的夹角余弦值作为该点的曲率值。
本申请实现了血管分形维数、管径大小、弯曲度等血管指标的自动量化计算，弥补了现阶段临床上使用的半自动测量方法鲁棒性较差、无法复现的不足，有助于提高临床诊断效率，为实现糖尿病、高血压、肾病等相关心血管慢病的早期诊断及跟踪随访的提供了重要的量化依据。
基于与上述眼底彩照图像血管评估方法相同的申请构思，本申请实施例还提供了一种眼底彩照图像血管评估装置，如图8所示，包括：
提取模块310，用于获取眼底彩照图像，利用预先训练好的分割模型从所述眼底彩照图像中提取视网膜血管图像，其中，所述视网膜血管图像为拓扑结构图像；
设置模块320，用于提取所述视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带；
计算模块330，用于根据所述误差带计算所述各血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像的全局血管分割误差及血管拓扑结构误差；生成模块340，用于根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果。
进一步地，所述提取模块310进一步被配置为：
对所述视网膜血管图像二值化处理，得到二值图像；
利用形态学骨架提取算法对所述二值图像的血管结构进行骨架提取，得到各血管中心线，所述血管中心线为血管结构各处内切圆的圆心连接线。
在其中一个实施例中，本申请的眼底彩照图像血管评估装置还可包括：
第一计算模块，用于计算每两根血管中心线之间的最短距离及夹角；
连接模块，用于若所述最短距离小于阈值且夹度小于预设角度，获取所述两根血管中心线之间距离最短的断点，将所述断点相连。
在其中一个实施例中，本申请的眼底彩照图像血管评估装置还可包括：
第一遍历模块，用于计算所述视网膜血管图像的面积，利用预设大小的盒子遍历所述视网膜血管图像，并根据盒子的面积及视网膜血管图像的面积计算盒子遍历次数；
累计模块，用于计算盒子在遍历时覆盖所述视网膜血管图像的区域中包括所述血管中心线的累计次数；
第二遍历模块，用于更换盒子的大小，继续执行利用预设大小的盒子遍历所述视网膜血管图像，并根据盒子的面积及视网膜血管图像的面积计算盒子遍历次数，计算盒子在遍历时覆盖所述视网膜血管图像的区域中包括所述血管中心线的累计次数的步骤，得到不同尺寸的盒子的遍历次数及累计次数；
第二计算模块，用于根据所述不同尺寸的盒子的遍历次数及累计次数计算血管结构的分形维数。
在其中一个实施例中，本申请的眼底彩照图像血管评估装置还可包括：
边界探测模块，用于提取所述血管中心线上的任一点作为圆心，以所述圆心为中心设置一固定的ROI区域，在所述ROI区域内进行血管边界探测；
第三计算模块，用于计算血管边界距离所述圆心的最短距离，得到血管半径。
在其中一个实施例中，本申请的眼底彩照图像血管评估装置还可包括：
测量模块，用于测量所述血管中心线的弧长，计算所述血管中心线各点曲率的平方和；
第四计算模块，用于根据所述弧长及平方和计算血管结构的血管平均曲率。
在其中一个实施例中，所述测量模块还被配置为：
从血管中心线上任意选取一点作为目标点，依次计算血管中心线上其余点与所述目标点的夹角余弦，选取夹角余弦最大的值作为所述目标点的曲率；
从血管中心线上的其余点中选取一点作为目标点，重新执行依次计算血管中心线上其余点与所述目标点的夹角余弦，选取夹角余弦最大的值作为所述目标点的曲率的步骤，直至得到所述血管中心线各点的曲率。
在其中一个实施例中，所述设置模块320还被配置为：
将距离预设的标准血管中心线预设距离的图像区域设置为所述血管中心线的误差带。
在其中一个实施例中，所述计算模块330还被配置为：
获取眼底彩照图像中血管中心线的总数量；
计算所述血管中心线中未落入所述误差带内的第一数量；
根据所述第一数量及总数量计算所述误差。
请参考图9，图9为一个实施例中计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器410、存储介质420、存储器430和网络接口440。其中，该计算机设备的存储介质420存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器410执行时，可使得处理器410实现一种眼底彩照图像血管评估方法，处理器410能实现上述所示实施例中的一种眼底彩照图像血管评估装置中的功能。该计算机设备的处理器410用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器430中可存储有计算机可读指令，该计算机可读指令被处理器410执行时，可使得处理器410执行一种眼底彩照图像血管评估方法。该计算机设备的网络接口440用于与终端连接通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
若所述计算机设备为终端，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端可以为包括手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Point of Sales，销售终端)、车载电脑等任意终端设备。
在一个实施例中，本申请还提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：获取眼底彩照图像，利用预先训练好的分割模型从所述眼底彩照图像中提取视网膜血管图像，其中，所述视网膜血管图像为拓扑结构图像；提取所述视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带；根据所述误差带计算所述血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像的血管拓扑结构误差；根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果。
综合上述实施例可知，本申请最大的有益效果在于：
本申请所提供的一种眼底彩照图像血管评估方法、装置、计算机设备和计算机可读存储介质，通过利用预先训练好的分割模型从眼底彩照图像中提取出拓扑结构的视网膜血管图像，并提取视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带，根据误差带计算所述各血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像的血管拓扑结构误差，根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果。由于视网膜血管图像为拓扑结构图像，因此可直接地从视网膜血管图像中确定血管中心线，利于后续计算血管拓扑结构误差，以及用于分析各血管中心线的关系。此外，本申请的血管拓扑结构误差用于评估血管拓扑结构的完整性和准确性，以对分割模型分割所述眼底彩照图像进行更加全面地评估，评估效果更好。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种眼底彩照图像血管评估方法，其特征在于，包括以下步骤：
获取眼底彩照图像，利用预先训练好的分割模型从所述眼底彩照图像中提取视网膜血管图像，其中，所述视网膜血管图像为拓扑结构图像；
提取所述视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带，其中，所述误差带为距离预设的标准血管中心线预设距离的图像区域；
根据所述误差带计算所述血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像的血管拓扑结构误差；
根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果；
所述提取所述视网膜血管图像中的血管中心线，包括：
对所述视网膜血管图像二值化处理，得到二值图像；
利用形态学骨架提取算法对所述二值图像的血管结构进行骨架提取，得到各血管中心线，所述血管中心线为血管结构各处内切圆的圆心连接线；
根据所述误差带计算所述血管中心线相较于所述标准血管中心线的误差的步骤，包括：
获取眼底彩照图像中血管中心线的总数量；
计算所述血管中心线中未落入所述误差带内的第一数量；
根据所述第一数量及总数量计算所述误差。
2.根据权利要求1所述的眼底彩照图像血管评估方法，其特征在于，提取所述视网膜血管图像中的血管中心线之后，还包括：
计算每两根血管中心线之间的最短距离及夹角；
若所述最短距离小于阈值且夹度小于预设角度，获取所述两根血管中心线之间距离最短的断点，将所述断点相连。
3.根据权利要求1所述的眼底彩照图像血管评估方法，其特征在于，提取所述视网膜血管图像中的血管中心线之后，还包括：
计算所述视网膜血管图像的面积，利用预设大小的盒子遍历所述视网膜血管图像，并根据盒子的面积及视网膜血管图像的面积计算盒子遍历次数；
计算盒子在遍历时覆盖所述视网膜血管图像的区域中包括所述血管中心线的累计次数；
更换盒子的大小，继续执行利用预设大小的盒子遍历所述视网膜血管图像，并根据盒子的面积及视网膜血管图像的面积计算盒子遍历次数，计算盒子在遍历时覆盖所述视网膜血管图像的区域中包括所述血管中心线的累计次数的步骤，得到不同尺寸的盒子的遍历次数及累计次数；
根据所述不同尺寸的盒子的遍历次数及累计次数计算血管结构的分形维数。
4.根据权利要求1所述的眼底彩照图像血管评估方法，其特征在于，提取所述视网膜血管图像中的血管中心线之后，还包括：
测量所述血管中心线的弧长，计算所述血管中心线各点曲率的平方和；
根据所述弧长及平方和计算血管结构的血管平均曲率。
5.根据权利要求4所述的眼底彩照图像血管评估方法，其特征在于，计算所述血管中心线各点曲率的平方和之前，还包括：
从血管中心线上任意选取一点作为目标点，依次计算血管中心线上其余点与所述目标点的夹角余弦，选取夹角余弦最大的值作为所述目标点的曲率；
从血管中心线上的其余点中选取一点作为目标点，重新执行依次计算血管中心线上其余点与所述目标点的夹角余弦，选取夹角余弦最大的值作为所述目标点的曲率的步骤，直至得到所述血管中心线各点的曲率。
6.一种眼底彩照图像血管评估装置，其特征在于，包括：
提取模块，用于获取眼底彩照图像，利用预先训练好的分割模型从所述眼底彩照图像中提取视网膜血管图像，其中，所述视网膜血管图像为拓扑结构图像；
设置模块，用于提取所述视网膜血管图像中的血管中心线，以预设的标准血管中心线为基准设置所述血管中心线的误差带，其中，所述误差带为距离预设的标准血管中心线预设距离的图像区域；
计算模块，用于根据所述误差带计算所述各血管中心线相较于所述标准血管中心线的误差，得到所述视网膜血管图像的血管拓扑结构误差；
生成模块，用于根据所述血管拓扑结构误差对分割模型分割所述眼底彩照图像进行评估，生成评估结果；
所述提取所述视网膜血管图像中的血管中心线，包括：
对所述视网膜血管图像二值化处理，得到二值图像；
利用形态学骨架提取算法对所述二值图像的血管结构进行骨架提取，得到各血管中心线，所述血管中心线为血管结构各处内切圆的圆心连接线；
根据所述误差带计算所述血管中心线相较于所述标准血管中心线的误差的步骤，包括：
获取眼底彩照图像中血管中心线的总数量；
计算所述血管中心线中未落入所述误差带内的第一数量；
根据所述第一数量及总数量计算所述误差。
7.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于执行根据权利要求1至5任一项所述的眼底彩照图像血管评估方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-5任一项所述的眼底彩照图像血管评估方法。
CN202011344724.XA 2020-11-25 2020-11-25 眼底彩照图像血管评估方法、装置、计算机设备和介质 Active CN112465772B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011344724.XA CN112465772B (zh) 2020-11-25 2020-11-25 眼底彩照图像血管评估方法、装置、计算机设备和介质
PCT/CN2021/084542 WO2021208739A1 (zh) 2020-11-25 2021-03-31 眼底彩照图像血管评估方法、装置、计算机设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011344724.XA CN112465772B (zh) 2020-11-25 2020-11-25 眼底彩照图像血管评估方法、装置、计算机设备和介质

Publications (2)

Publication Number Publication Date
CN112465772A CN112465772A (zh) 2021-03-09
CN112465772B true CN112465772B (zh) 2023-09-26

Family

ID=74808435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011344724.XA Active CN112465772B (zh) 2020-11-25 2020-11-25 眼底彩照图像血管评估方法、装置、计算机设备和介质

Country Status (2)

Country Link
CN (1) CN112465772B (zh)
WO (1) WO2021208739A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465772B (zh) * 2020-11-25 2023-09-26 平安科技（深圳）有限公司 眼底彩照图像血管评估方法、装置、计算机设备和介质
CN113177038B (zh) * 2021-04-25 2022-02-18 首都医科大学附属北京同仁医院 一种视网膜神经纤维层数据校正方法、装置及电子设备
CN113205492B (zh) * 2021-04-26 2022-05-13 武汉大学 胃粘膜染色放大成像的微血管扭曲程度量化方法
CN113160189A (zh) * 2021-04-27 2021-07-23 中国科学院深圳先进技术研究院 血管中心线提取方法、装置、设备及存储介质
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
CN116740049B (zh) * 2023-07-12 2024-02-27 强联智创（北京）科技有限公司 用于盲补连头颈胸血管中心线的方法、设备及存储介质
CN116664644B (zh) * 2023-07-28 2023-11-28 北京清影华康科技有限公司 一种基于磁共振图像的血管中心线配准方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203758A (zh) * 2017-06-06 2017-09-26 哈尔滨理工大学 糖尿病人视网膜血管图像分割方法
CN110189295A (zh) * 2019-04-16 2019-08-30 浙江工业大学 基于随机森林和中心线的眼底视网膜血管分割方法
CN111340789A (zh) * 2020-02-29 2020-06-26 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9349220B2 (en) * 2013-03-12 2016-05-24 Kabushiki Kaisha Toshiba Curve correction in volume data sets
CN109685813B (zh) * 2018-12-27 2020-10-13 江西理工大学 一种自适应尺度信息的u型视网膜血管分割方法
EP3719808A1 (en) * 2019-04-04 2020-10-07 Optos PLC Determining levels of hypertension from retinal vasculature images
CN111612743B (zh) * 2020-04-24 2023-05-02 杭州电子科技大学 一种基于ct图像的冠状动脉中心线提取方法
CN112465772B (zh) * 2020-11-25 2023-09-26 平安科技（深圳）有限公司 眼底彩照图像血管评估方法、装置、计算机设备和介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203758A (zh) * 2017-06-06 2017-09-26 哈尔滨理工大学 糖尿病人视网膜血管图像分割方法
CN110189295A (zh) * 2019-04-16 2019-08-30 浙江工业大学 基于随机森林和中心线的眼底视网膜血管分割方法
CN111340789A (zh) * 2020-02-29 2020-06-26 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112465772A (zh) 2021-03-09
WO2021208739A1 (zh) 2021-10-21

Similar Documents

Publication Publication Date Title
CN112465772B (zh) 眼底彩照图像血管评估方法、装置、计算机设备和介质
CN109325942B (zh) 基于全卷积神经网络的眼底图像结构分割方法
CN105513077B (zh) 一种用于糖尿病性视网膜病变筛查的系统
CN111340789A (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
US8194936B2 (en) Optimal registration of multiple deformed images using a physical model of the imaging distortion
Lu et al. Automatic optic disc detection from retinal images by a line operator
WO2022142030A1 (zh) 高血压性视网膜病变的病变特征的测量方法及测量系统
CN109658393B (zh) 眼底图像拼接方法及系统
CN110751636B (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
CN108764342B (zh) 一种对于眼底图中视盘和视杯的语义分割方法
US20220383661A1 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
CN104545792B (zh) 眼底图像的动静脉视网膜血管视盘定位方法
CN112164043A (zh) 一种用于多眼底图像拼接的方法及系统
Jordan et al. A review of feature-based retinal image analysis
KR20210014267A (ko) 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법
CN111797900B (zh) 一种oct-a图像的动静脉分类方法及装置
KR20190087681A (ko) 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법
CN116309235A (zh) 一种针对糖尿病预测的眼底图像的处理方法和系统
CN108665474B (zh) 一种基于b-cosfire的眼底图像视网膜血管分割方法
Luo et al. Two-stage topological refinement network for retinal artery/vein classification
CN110276772B (zh) 一种肌肉组织中结构要素的自动定位方法及系统
CN116452571A (zh) 一种基于深度神经网络的图像识别方法
Lin et al. Res-UNet based optic disk segmentation in retinal image
CN115456974A (zh) 基于人脸关键点的斜视检测系统、方法、设备及介质
CN115393239A (zh) 一种多模态眼底图像配准和融合方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40040364

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant