CN113470102A - 高精度测量眼底血管弯曲度的方法、装置、介质和设备 - Google Patents
高精度测量眼底血管弯曲度的方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN113470102A CN113470102A CN202110695308.2A CN202110695308A CN113470102A CN 113470102 A CN113470102 A CN 113470102A CN 202110695308 A CN202110695308 A CN 202110695308A CN 113470102 A CN113470102 A CN 113470102A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- fundus
- pixel point
- determining
- 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.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 261
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000000605 extraction Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 230000002792 vascular Effects 0.000 claims description 4
- 238000005452 bending Methods 0.000 abstract description 12
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000007797 corrosion Effects 0.000 description 12
- 238000005260 corrosion Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000005252 bulbus oculi Anatomy 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 210000001210 retinal vessel Anatomy 0.000 description 3
- 206010025421 Macule Diseases 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- KBPHJBAIARWVSC-RGZFRNHPSA-N lutein Chemical compound C([C@H](O)CC=1C)C(C)(C)C=1\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\[C@H]1C(C)=C[C@H](O)CC1(C)C KBPHJBAIARWVSC-RGZFRNHPSA-N 0.000 description 1
- 229960005375 lutein Drugs 0.000 description 1
- ORAKUVXRZWMARG-WZLJTJAWSA-N lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C ORAKUVXRZWMARG-WZLJTJAWSA-N 0.000 description 1
- 235000012680 lutein Nutrition 0.000 description 1
- 239000001656 lutein Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- KBPHJBAIARWVSC-XQIHNALSSA-N trans-lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C KBPHJBAIARWVSC-XQIHNALSSA-N 0.000 description 1
- FJHBOVDFOQMZRV-XQIHNALSSA-N xanthophyll Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C=C(C)C(O)CC2(C)C FJHBOVDFOQMZRV-XQIHNALSSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Ophthalmology & Optometry (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明实施例提供精确测量眼底血管弯曲度的方法、装置、介质和设备，该方法包括：根据眼底图像确定眼底血管对应的血管中心线；获得所述血管中心线上每个像素点的曲率值；根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度。该方法可提高血管弯曲度的测量精度。
Description
技术领域
本发明涉及眼底图像处理，具体涉及一种精确测量眼底血管弯曲度的方法、装置、介质和设备。
背景技术
眼底就是眼球内后部的组织，即眼球的内膜，包含了视盘、黄斑、视网膜血管等基本生理结构，眼底图像由专门的眼底相机拍摄获取，其是医学影像中一类重要的图像。在正常眼底图像上，视盘通常表现为近似圆形的亮色区域，与背景区域的对比度最强，为视神经和血管的起始区域；黄斑由于其含有丰富的叶黄素，因此在正常的眼底图像中表现为暗色区域，且该暗色区域无血管结构，在黄斑的正中央有一个向内凹陷的区域称为中央凹；血管由视盘区域开始并延伸到整个眼球内部，呈现树状分布在整个眼底图像中。
视网膜血管在正常情况下，其形态跟结构一直处于稳定状态。然而高血压、糖尿病及冠状动脉硬化等心脑血管疾病会引起视网膜血管弯曲度等结构变化。如果能够尽早发现视网膜血管弯曲度变化，可以及时采取措施防止这些疾病的危害。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：当前的眼底图像识别方式视网膜血管弯曲度识别精度有待提高。
发明内容
有鉴于此，本发明实施例的目的在于提供一种精确测量眼底血管弯曲度的方法、装置、介质和设备，以提高眼底血管弯曲度的测量精度。
第一方面，本发明实施例提供了一种精确测量眼底血管弯曲度的方法，其包括：
根据眼底图像确定眼底血管对应的血管中心线；
获得所述血管中心线上每个像素点的曲率值；
根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度。
第二方面，本发明实施例提供了一种精确测量眼底血管弯曲度的装置，其包括：
血管中心线确定模块，用于根据眼底图像确定眼底血管对应的血管中心线；
像素点曲率值确定模块，用于获得所述血管中心线上每个像素点的曲率值；
眼底血管弯曲度确定模块，用于根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的精确测量眼底血管弯曲度的方法，包括：
根据眼底图像确定眼底血管对应的血管中心线；
获得所述血管中心线上每个像素点的曲率值；
根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度。
第四方面，本发明实施例提供了一种电子设备，其特征在于，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现：
根据眼底图像确定眼底血管对应的血管中心线；
获得所述血管中心线上每个像素点的曲率值；
根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度。
上述技术方案具有如下有益效果：
本发明提供了一种精确测量眼底血管弯曲度的方法、装置、介质和设备，基于精确提取血管中心线确定血管每一处的弯曲度，眼底血管平均弯曲度，具体包括根据眼底图像确定眼底血管对应的血管中心线；获得所述血管中心线上每个像素点的曲率值；根据获得的每个像素点的曲率值，获得所述血管中心线的平均曲率值，即眼底血管的平均弯曲度。该方法不仅可以精确的测量血管的弯曲度，并且能够自动获得眼底血管每一处弯曲度。本发明实施例可以获得血管中心线上任意像素点的曲率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种精确测量眼底血管弯曲度的方法的流程图；
图2是本发明实施例的一种精确测量眼底血管弯曲度的方法的流程图；
图3是本发明实施例的一种目标像素点的曲率值解析示意图；
图4是本发明实施例的一种精确测量眼底血管弯曲度的装置的功能框图；
图5是本发明实施例的一种计算机可读存储介质的功能框图；
图6是本发明实施例提供的一种电子设备的功能框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例的一种精确测量眼底血管弯曲度的方法的流程图。如图1所示，其包括如下步骤：
S110：根据眼底图像确定眼底血管对应的血管中心线；
S120：获得所述血管中心线上每个像素点的曲率值；
S130：根据每个像素点的曲率值，确定眼底血管的平均弯曲度。
在可选的实施例中，S110中的根据眼底图像确定眼底血管对应的血管中心线，具体可以包括：
根据眼底图像获得血管预选区域图像；
根据特征提取算子，计算所述血管预选区域图像中每个像素点的特征值和特征向量；
根据所述每个像素点的特征值和特征向量，计算每个像素点垂直血管方向的亚像素级位移；
根据所述特征向量和所述垂直血管方向的亚像素级位移，获得包括多个种子点的第一种子点图像；
根据对所述第一种子点图像的筛选处理，获得包括多个种子点的第二种子点图像；
根据所述第二种子点图像上的多个种子点，获得所述眼底图像的血管中心线。
在可选的实施例中，所述的根据所述特征向量和所述垂直血管方向的亚像素级位移，获得包括多个种子点的第一种子点图像，具体可以包括：
根据所述特征向量和所述垂直血管方向的亚像素级位移，基于非极大值抑制算法，获得包括多个种子点的第一种子图像。
在可选的实施例中，所述的根据对所述第一种子点图像的筛选处理，获得包括多个种子点的第二种子点图像，具体可以包括：
根据所述第一种子点图像和预设的梯度阈值，对所述第一种子点图像上的种子点进行筛选处理，获得包括多个种子点第二种子点图像；在一些实施例中，根据对第一种子点图像的筛选处理，获得包括多个种子点的第二种子点图像，具体可以包括：根据第一种子点图像和预设的梯度阈值，对第一种子点图像上的种子点进行筛选处理，获得包括多个种子点第二种子点图像。在本步骤中，选取梯度阈值，对第一种子点图像上的种子点进行筛选处理，获得梯度值满足预设条件的种子点，例如去掉梯度值在该预设的梯度阈值以下的种子点或像素点，获得梯度值大于或等于该梯度阈值的种子点，这些被筛选出的多个种子点形成第二种子点图像，通过上述步骤可以获得满足要求的种子点，去除一些非中心线点。
所述特征提取算子可以包括如下中的任意一种或任意多种的组合：Laplace算子、角点检测算法、Zuniga-Haralick定位算子、Hessian矩阵、Log算子。
在一些实施例中，通过Hessian函数提取中心线，具体如下：
S110-11，设置一个矩阵，矩阵的宽度大于等于待测血管的管径宽度；
S110-12，将矩阵沿着血管方向移动，在Hessian函数提取的点中，将离矩阵中心点最近的点这定位为血管中心线上的点；
S110-13，将设定的中心线上的点通过插值/拟合的方法获得血管中心线。在一些实施例中，通过边缘提取算子提取血管中心线，具体如下：
S110-21，获取血管图像，将血管图像进行二值化处理；
S110-22，通过边缘提取算子提取血管边缘，然后通过腐蚀算子从血管两边边缘开始腐蚀(即两边对称腐蚀一个像素点)，反复进行腐蚀操作，直至只剩下一个像素点；
S110-23，将剩下的像素点通过插值或拟合的方法获得血管中心线，此处的插值可以为线性插值，也可以是非线性插值。
具体腐蚀过程为：使用一个nXn结构元素去扫描血管图像中的每一个像素，用结构元素预期覆盖的二值图像做“与”操作，如果都为1，这图像的像素为1，否则为0。腐蚀过程中沿着血管图像的边界像内收缩。
在可选的实施例中，所述的根据眼底图像获得血管预选区域图像，具体可以包括：
从眼底图像中分离出单一通道图像，或多个通道的组合通道图像；具体地，该眼底图像可以是原始眼底图像或者对原始眼底图像进行预处理后得到的预处理眼底图像。作为举例，眼底图像的类型可能包括如下任意一种：彩色图像、黑白图像、或者多光谱图像。彩色图像可以提取R通道图像、G通道图像、或者B通道图像，也可以提取H通道、I通道、S通道中的任一通道图像；或者，提取R通道图像和G通道图像，或者，R通道图像和B通道图像，或者，B通道图像和G通道图像，或者R通道图像、G通道图像、B通道图像三个通道的重新的加权组合形成的组合通道图像；或者H通道、I通道、S通道中的任意两个通道，进行组合形成组合通道图像。对于多光谱图像或高光谱图像，其可能包括3个以上的通道，例如包括10个通道，则从上述3个以上的通道中提取一个通道或多个通道进行加权组合，以获得单一通道图像，或组合通道图像。在其他的情况下，还可以对分离出的单一通道图像或组合通道图像进行归一化或增强处理，以达到图像特征增强目的。
对所述单一通道图像，或多个通道的组合通道图像，使用阈值分割法得到基础血管区域图像；
基于blob分析，对所述基础血管区域图像中的错误区域进行去除，获得包括主血管和毛细血管在内的血管预选区域图像。
在可选的实施例中，S120所述的获得所述血管中心线上每个像素点的曲率值，具体可以包括：
针对待测量的目标像素点，在所述血管中线上所述目标像素点的两侧确定第一辅助像素点和第二辅助像素点；
此处，所述的第一辅助像素点与第二辅助像素点，应选取目标像素点两侧距离分别为0.5-1倍D血管的两个像素点，其中，D血管为血管管径；
根据所述目标像素点、第一辅助像素点和第二辅助像素点构造一个三角形；
确定所述三角形的最小外接圆；
根据所述最小外接圆确定所述目标像素点的曲率值。
图2是本发明实施例的一种精确测量眼底血管弯曲度方法的流程图。如图2所示，在可选的实施例中，在S110所述的根据眼底图像确定眼底血管对应的血管中心线之后，还可以包括：
S210：利用垂直于血管中心线的方向对眼底血管进行截取处理，根据灰度值变化拐点确定血管中心线上每个像素点对应的两个边缘点；根据边缘点的位置信息确定血管的亚像素边界；或者，执行步骤S220；
S220：根据血管中心线，确定包含眼底血管的目标区域；根据边缘提取算子，提取目标区域内的血管的亚像素边界；边缘提取算子包括如下中的任意一种或者任意多种的组合：Sobel算子、Canny算子、mshen算子、Prewitt算子、Roberts算子；
S230：获得血管的亚像素边界上每个像素点的曲率值；
本实施例中，确定亚像素边界上每个像素点的曲率值的解析方式与确定血管中心线目标像素点曲率值的方式相同。
S240：根据亚像素边界上每个像素点的曲率值，获得血管的亚像素边界的平均曲率值；
S250：根据每个像素点的曲率值，确定血管中心线的平均曲率值；根据血管中心线的平均曲率值和血管的亚像素边界的平均曲率值，确定眼底血管的弯曲度。
将血管中心线的平均曲率值和血管的亚像素边界的平均曲率值进行加权求和处理，确定眼底血管的弯曲度。具体的，血管中心线的平均曲率值和亚像素边界的平均曲率值分别具有相应的权重值，确定权重值的方法包括如下中的任意一种或任意多种的组合：因子分析法、主成分法、AHP(Analytic Hierarchy Process,AHP)层次法、优序图法、熵值法、CRITIC(Criteria Importance Though Intercrieria Correlation)方法、独立性权重和信息量权重。
本实施例中对求取血管中心线的平均曲率值和求取血管的亚像素边界的平均曲率值的先后顺序不做限定，两种方法可以同步执行或者互换执行顺序。
本发明实施例的血管弯曲度测量方法，通过根据输入的眼底图像确定血管中心线；根据获得的每个像素点的曲率值，获得血管中心线的平均曲率值，以所述平均曲率值作为该血管中心线的弯曲度。具体地，求取血管中心线上的每个像素点的曲率值，根据每个像素点的曲率值，获得血管中心线的平均曲率值，作为血管中心线的弯曲度。其中，通过三个像素点拟合，获得每个像素点的曲率值。具体地，参考图3，通过在血管中心线上的目标像素点A，辅助像素点B和C(优选的，辅助像素点B、C应选取目标像素点两侧距离分别例如为0.5倍-1倍D血管的两个像素点。其中，D血管为血管管径)，依据这三个像素点，构造一个三角形ABC；然后，确定这个三角形的最小外接圆；依据公式
计算外接圆的半径，公式中，a、b、c为三角形的三条边，S为三角形面积；最后，根据这个最小外接圆确定这个三角形中目标像素点A对应的像素点的曲率值
依次循环执行该方法，可获取血管中心线上，或者血管边缘上每个像素点的曲率值ρ。通过上述方法，可以求取任意范围内血管的亚像素级平均弯曲度，提高了眼底血管弯曲度的提取精度。
本发明实施例提供的另一种测量血管弯曲度的方法，通过确定血管中心线的弯曲度；确定血管亚像素级边界或边缘的弯曲度；根据血管中心线的弯曲度和血管边缘的弯曲度，进行联合处理，获得二者的加权平均弯曲度，从而实现亚像素级的弯曲度指标测量。
图4是本发明实施例的一种精确测量眼底血管弯曲度的装置的功能框图。如图3所示基于类似的发明构思，该装置400包括：
血管中心线确定模块410，用于根据眼底图像确定眼底血管对应的血管中心线；
像素点曲率值确定模块420，用于获得所述血管中心线上每个像素点的曲率值；
眼底血管弯曲度确定模块430，用于根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5是本发明实施例的一种计算机可读存储介质的功能框图。如图4所示，该计算机可读存储介质500内存储有计算机程序510，计算机程序510被处理器执行时实现：
根据眼底图像确定眼底血管对应的血管中心线；
获得所述血管中心线上每个像素点的曲率值；
根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度。
在一些实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：根据眼底图像获得血管预选区域图像；根据特征提取算子，计算所述血管预选区域图像中每个像素点的特征值和特征向量；根据所述每个像素点的特征值和特征向量，计算每个像素点的垂直血管方向的亚像素级位移；根据所述特征向量和所述垂直血管方向的亚像素级位移，获得包括多个种子点的第一种子点图像；根据对所述第一种子点图像的筛选处理，获得包括多个种子点的第二种子点图像；根据所述第二种子点图像上的多个种子点，获得所述眼底图像的血管中心线。
在一些实施例中，通过Hessian函数提取中心线，具体如下：
S110-11，设置一个矩阵，矩阵的宽度大于等于待测血管的管径宽度；
S110-12，将矩阵沿着血管方向移动，在Hessian函数提取的点中，将离矩阵中心点最近的点这定位为血管中心线上的点；
S110-13，将设定的中心线上的点通过插值/拟合的方法获得血管中心线。在一些实施例中，通过边缘提取算子提取血管中心线，具体如下：
S110-21，获取血管图像，将血管图像进行二值化处理；
S110-22，通过边缘提取算子提取血管边缘，然后通过腐蚀算子从血管两边边缘开始腐蚀(即两边对称腐蚀一个像素点)，反复进行腐蚀操作，直至只剩下一个像素点；
S110-23，将剩下的像素点通过插值或拟合的方法获得血管中心线，此处的插值可以为线性插值，也可以是非线性插值。
具体腐蚀过程为：使用一个nXn结构元素去扫描血管图像中的每一个像素，用结构元素预期覆盖的二值图像做“与”操作，如果都为1，这图像的像素为1，否则为0。腐蚀过程中沿着血管图像的边界像内收缩。
在一些实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：根据所述特征向量和所述垂直血管方向的亚像素级位移，基于非极大值抑制算法，获得包括多个种子点的第一种子图像。
在一些实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：根据所述第一种子点图像和预设的梯度阈值，对所述第一种子点图像上的种子点进行筛选处理，获得包括多个种子点第二种子点图像；所述特征提取算子包括如下中的任意一种或任意多种的组合：Laplace算子、角点检测算法、Zuniga-Haralick定位算子、Hessian矩阵、Log算子。
在一些实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：从眼底图像中分离出单一通道图像，或多个通道的组合通道图像；对所述单一通道图像，或多个通道的组合通道图像，使用阈值分割法得到基础血管区域图像；基于blob分析，对所述基础血管区域图像中的错误区域进行去除，获得包括主血管和毛细血管在内的血管预选区域图像。
在一些实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：
针对待测量的目标像素点，在所述血管中线上所述目标像素点的两侧确定第一辅助像素点和第二辅助像素点；
根据所述目标像素点、第一辅助像素点和第二辅助像素点构造一个三角形；
确定所述三角形的最小外接圆；
根据所述最小外接圆确定所述目标像素点的曲率值。
在一些实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：利用垂直于所述血管中心线的方向对所述眼底血管进行截取处理，根据灰度值变化拐点确定所述血管中心线上每个像素点对应的两个边缘点；根据所述边缘点的位置信息确定血管的亚像素边界；或者，根据所述血管中心线，确定包含眼底血管的目标区域；根据边缘提取算子，提取所述目标区域内的血管的亚像素边界；所述边缘提取算子包括如下中的任意一种或者任意多种的组合：Sobel算子、Canny算子、mshen算子、Prewitt算子、Roberts算子；获得所述血管的亚像素边界上每个像素点的曲率值；根据获得的每个像素点的曲率值，获得所述血管的亚像素边界的平均曲率值；所述的根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度，具体包括：根据每个像素点的曲率值，确定所述血管中心线的平均曲率值；根据所述血管中心线的平均曲率值和所述血管的亚像素边界的平均曲率值，确定所述眼底血管的弯曲度。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
图6是本发明实施例提供的一种电子设备的功能框图。如图6所示，电子设备包括一个或多个处理器610、通信接口620、存储器630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。
存储器630，用于存放计算机程序；
处理器610，用于执行存储器630上所存放的程序时，实现如下操作：
根据眼底图像确定眼底血管对应的血管中心线；
获得所述血管中心线上每个像素点的曲率值；
根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度。
一种可能的设计中，处理器610执行的处理中，所述的根据眼底图像确定眼底血管对应的血管中心线，具体包括：
根据眼底图像获得血管预选区域图像；
根据特征提取算子，计算所述血管预选区域图像中每个像素点的特征值和特征向量；
根据所述每个像素点的特征值和特征向量，计算每个像素点的垂直血管方向的亚像素级位移；
根据所述特征向量和所述垂直血管方向的亚像素级位移，获得包括多个种子点的第一种子点图像；
根据对所述第一种子点图像的筛选处理，获得包括多个种子点的第二种子点图像；
根据所述第二种子点图像上的多个种子点，获得所述眼底图像的血管中心线。
在一些实施例中，通过Hessian函数提取中心线，具体如下：
S110-11，设置一个矩阵，矩阵的宽度大于等于待测血管的管径宽度；
S110-12，将矩阵沿着血管方向移动，在Hessian函数提取的点中，将离矩阵中心点最近的点这定位为血管中心线上的点；
S110-13，将设定的中心线上的点通过插值/拟合的方法获得血管中心线。在一些实施例中，通过边缘提取算子提取血管中心线，具体如下：
S110-21，获取血管图像，将血管图像进行二值化处理；
S110-22，通过边缘提取算子提取血管边缘，然后通过腐蚀算子从血管两边边缘开始腐蚀(即两边对称腐蚀一个像素点)，反复进行腐蚀操作，直至只剩下一个像素点；
S110-23，将剩下的像素点通过插值或拟合的方法获得血管中心线，此处的插值可以为线性插值，也可以是非线性插值。
具体腐蚀过程为：使用一个nXn结构元素去扫描血管图像中的每一个像素，用结构元素预期覆盖的二值图像做“与”操作，如果都为1，这图像的像素为1，否则为0。腐蚀过程中沿着血管图像的边界像内收缩。一种可能的设计中，处理器610执行的处理中，所述的根据所述特征向量和所述垂直血管方向的亚像素级位移，获得包括多个种子点的第一种子点图像，具体可以包括：
根据所述特征向量和所述垂直血管方向的亚像素级位移，基于非极大值抑制算法，获得包括多个种子点的第一血管种子图像。
一种可能的设计中，处理器610执行的处理中，所述的根据对所述第一种子点图像的筛选处理，获得包括多个种子点的第二种子点图像，具体可以包括：
根据所述第一种子点图像和预设的梯度阈值，对所述第一种子点图像上的种子点进行筛选处理，获得包括多个种子点第二种子点图像；
所述特征提取算子包括如下中的任意一种或任意多种的组合：Laplace算子、角点检测算法、Zuniga-Haralick定位算子、Hessian矩阵、Log算子。
一种可能的设计中，处理器610执行的处理中，所述的根据眼底图像获得血管预选区域图像，具体包括：
从眼底图像中分离出单一通道图像，或多个通道的组合通道图像；
对所述单一通道图像，或多个通道的组合通道图像，使用阈值分割法得到基础血管区域图像；
基于blob分析，对所述基础血管区域图像中的错误区域进行去除，获得包括主血管和毛细血管在内的血管预选区域图像。
一种可能的设计中，处理器610执行的处理中，所述的获得所述血管中心线上每个像素点的曲率值，具体可以包括：
针对待测量的目标像素点，在所述血管中线上所述目标像素点的两侧确定第一辅助像素点和第二辅助像素点；
根据所述目标像素点、第一辅助像素点和第二辅助像素点构造一个三角形；
确定所述三角形的最小外接圆；
根据所述最小外接圆确定所述目标像素点的曲率值。
一种可能的设计中，处理器610执行的处理中，在所述的根据眼底图像确定眼底血管对应的血管中心线之后，还可以包括：
利用垂直于所述血管中心线的方向对所述眼底血管进行截取处理，根据灰度值变化拐点确定所述血管中心线上每个像素点对应的两个边缘点；根据所述边缘点的位置信息确定血管的亚像素边界；或者，根据所述血管中心线，确定包含眼底血管的目标区域；根据边缘提取算子，提取所述目标区域内的血管的亚像素边界；所述边缘提取算子包括如下中的任意一种或者任意多种的组合：Sobel算子、Canny算子、mshen算子、Prewitt算子、Roberts算子；
获得所述血管的亚像素边界上每个像素点的曲率值；
根据血管的亚像素边界上每个像素点的曲率值，获得所述血管的亚像素边界的平均曲率值；
所述的根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度，具体包括：
根据血管中心线上每个像素点的曲率值，确定所述血管中心线的平均曲率值；
根据所述血管中心线的平均曲率值和所述血管的亚像素边界的平均曲率值，确定所述眼底血管的弯曲度。
本发明提供了一种精确测量眼底血管弯曲度的方法、装置、介质和设备，基于精确的提取血管中心线确定血管每一处的弯曲度，眼底血管平均弯曲度，具体包括根据眼底图像确定眼底血管对应的血管中心线；获得所述血管中心线上每个像素点的曲率值；根据获得的每个像素点的曲率值，获得所述血管中心线的平均曲率值，即眼底血管的平均弯曲度。该方法不仅可以精确的测量血管的弯曲度，并且能够自动获得眼底血管每一处弯曲度。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备及可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种精确测量眼底血管弯曲度的方法，其特征在于，包括：
根据眼底图像确定眼底血管对应的血管中心线；
获得所述血管中心线上每个像素点的曲率值；
根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度。
2.根据权利要求1所述的方法，其特征在于，所述的根据眼底图像确定眼底血管对应的血管中心线，具体包括：
根据眼底图像获得血管预选区域图像；
根据特征提取算子，计算所述血管预选区域图像中每个像素点的特征值和特征向量；
根据所述每个像素点的特征值和特征向量，计算每个像素点的垂直血管方向的亚像素级位移；
根据所述特征向量和所述垂直血管方向的亚像素级位移，获得包括多个种子点的第一种子点图像；
根据对所述第一种子点图像的筛选处理，获得包括多个种子点的第二种子点图像；
根据所述第二种子点图像上的多个种子点，获得所述眼底图像的血管中心线。
3.根据权利要求1所述的方法，其特征在于，所述的根据所述特征向量和所述垂直血管方向的亚像素级位移，获得包括多个种子点的第一种子点图像，具体包括：
根据所述特征向量和所述垂直血管方向的亚像素级位移，基于非极大值抑制算法，获得包括多个种子点的第一种子点图像。
4.根据权利要求2或3所述的方法，其特征在于，所述的根据对所述第一种子点图像的筛选处理，获得包括多个种子点的第二种子点图像，具体包括：
根据所述第一种子点图像和预设的梯度阈值，对所述第一种子点图像上的种子点进行筛选处理，获得包括多个种子点的第二种子点图像；
所述特征提取算子包括如下中的任意一种或任意多种的组合：Laplace算子、角点检测算法、Zuniga-Haralick定位算子、Hessian矩阵、Log算子。
5.根据权利要求2所述的方法，其特征在于，所述的根据眼底图像获得血管预选区域图像，具体包括：
从眼底图像中分离出单一通道图像，或多个通道的组合通道图像；
对所述单一通道图像，或多个通道的组合通道图像，使用阈值分割法得到基础血管区域图像；
基于blob分析，对所述基础血管区域图像中的错误区域进行去除，获得包括主血管和毛细血管在内的血管预选区域图像。
6.根据权利要求1所述的方法，其特征在于，所述的获得所述血管中心线上每个像素点的曲率值，具体包括：
针对待测量的目标像素点，在所述血管中心线上所述目标像素点的两侧确定第一辅助像素点和第二辅助像素点；根据所述目标像素点、第一辅助像素点和第二辅助像素点构造一个三角形；
确定所述三角形的最小外接圆；
根据所述最小外接圆确定所述目标像素点的曲率值。
7.根据权利要求2所述的方法，其特征在于，在所述的根据眼底图像确定眼底血管对应的血管中心线之后，还包括：
利用垂直于所述血管中心线的方向对所述眼底血管进行截取处理，根据灰度值变化拐点确定所述血管中心线上每个像素点对应的两个边缘点；根据所述边缘点的位置信息确定血管的亚像素边界；或者，根据所述血管中心线，确定包含眼底血管的目标区域；根据边缘提取算子，提取所述目标区域内的血管的亚像素边界；所述边缘提取算子包括如下中的任意一种或者任意多种的组合：Sobel算子、Canny算子、mshen算子、Prewitt算子、Roberts算子；
获得所述血管的亚像素边界上每个像素点的曲率值；
根据亚像素边界上每个像素点的曲率值，获得所述血管的亚像素边界的平均曲率值；
获取所述血管中心线上每个像素点的曲率值；根据血管中心线上每个像素点的曲率值，确定所述血管中心线的平均曲率值；
根据所述血管中心线的平均曲率值和所述血管的亚像素边界的平均曲率值，确定所述眼底血管的平均弯曲度。
8.一种精确测量眼底血管弯曲度的装置，其特征在于，包括：
血管中心线确定模块，用于根据眼底图像确定眼底血管对应的血管中心线；
像素点曲率值确定模块，用于获得所述血管中心线上每个像素点的曲率值；
眼底血管弯曲度确定模块，用于根据每个像素点的曲率值，确定所述眼底血管的平均弯曲度。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任意一项所述的精确测量眼底血管弯曲度的方法。
10.一种电子设备，其特征在于，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7中任一所述的精确测量眼底血管弯曲度的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110695308.2A CN113470102B (zh) | 2021-06-23 | 2021-06-23 | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110695308.2A CN113470102B (zh) | 2021-06-23 | 2021-06-23 | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113470102A true CN113470102A (zh) | 2021-10-01 |
| CN113470102B CN113470102B (zh) | 2024-06-11 |
Family
ID=77869348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110695308.2A Active CN113470102B (zh) | 2021-06-23 | 2021-06-23 | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113470102B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643299A (zh) * | 2021-10-18 | 2021-11-12 | 武汉楚精灵医疗科技有限公司 | 微血管的弯曲程度量化方法、装置及计算机可读存储介质 |
| CN114387210A (zh) * | 2021-12-03 | 2022-04-22 | 依未科技(北京)有限公司 | 眼底特征获取的方法、装置、介质和设备 |
| CN114387219A (zh) * | 2021-12-17 | 2022-04-22 | 依未科技(北京)有限公司 | 眼底动静脉交叉压迫特征的检测方法、装置、介质及设备 |
| CN115511883A (zh) * | 2022-11-10 | 2022-12-23 | 北京鹰瞳科技发展股份有限公司 | 确定视网膜眼底血管的弯曲度的方法、设备和存储介质 |
| CN116596950A (zh) * | 2023-05-31 | 2023-08-15 | 东北林业大学 | 特征加权聚类的视网膜眼底血管追踪方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050110791A1 (en) * | 2003-11-26 | 2005-05-26 | Prabhu Krishnamoorthy | Systems and methods for segmenting and displaying tubular vessels in volumetric imaging data |
| CN101334263A (zh) * | 2008-07-22 | 2008-12-31 | 东南大学 | 圆形目标的圆心定位方法 |
| CN102243759A (zh) * | 2010-05-10 | 2011-11-16 | 东北大学 | 一种基于几何形变模型的三维肺血管图像分割方法 |
| CN106767506A (zh) * | 2016-12-13 | 2017-05-31 | 智车优行科技（北京）有限公司 | 用于检测道路中的弯道曲率的方法、装置及车辆 |
| CN107154036A (zh) * | 2017-03-24 | 2017-09-12 | 中南大学 | 基于亚像素的血管分割方法及其分割系统 |
| US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
| CN111028201A (zh) * | 2019-11-13 | 2020-04-17 | 东北大学 | 一种基于多尺度水平集的眼底血管图像分割系统及方法 |
| CN111798451A (zh) * | 2020-06-16 | 2020-10-20 | 北京理工大学 | 基于血管3d/2d匹配的3d导丝跟踪方法及装置 |
| CN111899267A (zh) * | 2020-07-24 | 2020-11-06 | 哈尔滨理工大学 | 基于水平集的视网膜血管分割算法 |
| CN112075922A (zh) * | 2020-10-14 | 2020-12-15 | 中国人民解放军空军军医大学 | 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 |
| CN112465772A (zh) * | 2020-11-25 | 2021-03-09 | 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 |
| CN112734828A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 一种眼底血管中心线确定的方法、装置、介质和设备 |
| CN112991307A (zh) * | 2021-03-25 | 2021-06-18 | 中南大学 | 一种用于钻孔爆破的缺陷圆拟合方法、装置及介质 |
-
2021
- 2021-06-23 CN CN202110695308.2A patent/CN113470102B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050110791A1 (en) * | 2003-11-26 | 2005-05-26 | Prabhu Krishnamoorthy | Systems and methods for segmenting and displaying tubular vessels in volumetric imaging data |
| CN101334263A (zh) * | 2008-07-22 | 2008-12-31 | 东南大学 | 圆形目标的圆心定位方法 |
| CN102243759A (zh) * | 2010-05-10 | 2011-11-16 | 东北大学 | 一种基于几何形变模型的三维肺血管图像分割方法 |
| CN106767506A (zh) * | 2016-12-13 | 2017-05-31 | 智车优行科技（北京）有限公司 | 用于检测道路中的弯道曲率的方法、装置及车辆 |
| CN107154036A (zh) * | 2017-03-24 | 2017-09-12 | 中南大学 | 基于亚像素的血管分割方法及其分割系统 |
| US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
| CN111028201A (zh) * | 2019-11-13 | 2020-04-17 | 东北大学 | 一种基于多尺度水平集的眼底血管图像分割系统及方法 |
| CN111798451A (zh) * | 2020-06-16 | 2020-10-20 | 北京理工大学 | 基于血管3d/2d匹配的3d导丝跟踪方法及装置 |
| CN111899267A (zh) * | 2020-07-24 | 2020-11-06 | 哈尔滨理工大学 | 基于水平集的视网膜血管分割算法 |
| CN112075922A (zh) * | 2020-10-14 | 2020-12-15 | 中国人民解放军空军军医大学 | 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 |
| CN112465772A (zh) * | 2020-11-25 | 2021-03-09 | 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 |
| CN112734828A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 一种眼底血管中心线确定的方法、装置、介质和设备 |
| CN112991307A (zh) * | 2021-03-25 | 2021-06-18 | 中南大学 | 一种用于钻孔爆破的缺陷圆拟合方法、装置及介质 |
Non-Patent Citations (5)
| Title |
|---|
| ALEXANDER B.BRUMMER等: "Improving Blood Vessel Tortuosity Measurements via Highly Sampled Numerical Integration of the Frenet-Serret Equations", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 40, no. 1, XP011827615, DOI: 10.1109/TMI.2020.3025467 * |
| 周密;谷圣美;赵俊;: "适用于三维微血管成像的定量分析方法", 北京生物医学工程, no. 02 * |
| 张立泽清: "基于FCN的视网膜血管图像分割与研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, 15 February 2021 (2021-02-15) * |
| 杨春芝: "基于曲率计算血管中心线特征点的提取方法", 《河南科技》 * |
| 高向军: "医学影像中的视网膜血管特征表现及建模方法分析", 《科技视界》, no. 24 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643299A (zh) * | 2021-10-18 | 2021-11-12 | 武汉楚精灵医疗科技有限公司 | 微血管的弯曲程度量化方法、装置及计算机可读存储介质 |
| CN114387210A (zh) * | 2021-12-03 | 2022-04-22 | 依未科技(北京)有限公司 | 眼底特征获取的方法、装置、介质和设备 |
| CN114387219A (zh) * | 2021-12-17 | 2022-04-22 | 依未科技(北京)有限公司 | 眼底动静脉交叉压迫特征的检测方法、装置、介质及设备 |
| CN115511883A (zh) * | 2022-11-10 | 2022-12-23 | 北京鹰瞳科技发展股份有限公司 | 确定视网膜眼底血管的弯曲度的方法、设备和存储介质 |
| CN116596950A (zh) * | 2023-05-31 | 2023-08-15 | 东北林业大学 | 特征加权聚类的视网膜眼底血管追踪方法 |
| CN116596950B (zh) * | 2023-05-31 | 2023-11-17 | 东北林业大学 | 特征加权聚类的视网膜眼底血管追踪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113470102B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113470102B (zh) | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 | |
| CN108416344B (zh) | 眼底彩照视盘与黄斑定位识别方法 | |
| CN108764286B (zh) | 一种基于迁移学习的血管图像中特征点的分类识别方法 | |
| 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 | |
| Medhi et al. | An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images | |
| CN109685770B (zh) | 视网膜血管弯曲度确定方法 | |
| CN112734774B (zh) | 一种高精度眼底血管提取方法、装置、介质、设备和系统 | |
| González-López et al. | Robust segmentation of retinal layers in optical coherence tomography images based on a multistage active contour model | |
| CN113344894B (zh) | 眼底豹纹斑特征提取及特征指数确定的方法和装置 | |
| KR101761586B1 (ko) | 홍채와 공막의 경계선 검출 방법 | |
| Haloi et al. | A Gaussian scale space approach for exudates detection, classification and severity prediction | |
| Martinez-Perez et al. | Automatic optic disc detection in colour fundus images by means of multispectral analysis and information content | |
| CN111145155B (zh) | 一种睑板腺腺体的识别方法 | |
| CN114723677A (zh) | 图像缺陷检测方法、检测装置、检测设备及存储介质 | |
| CN109614858B (zh) | 一种瞳孔中心的检测方法和装置 | |
| CN112734773B (zh) | 一种亚像素级眼底血管分割方法、装置、介质和设备 | |
| CN113344895A (zh) | 高精度的眼底血管管径测量方法、装置、介质和设备 | |
| CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
| CN115829980B (zh) | 一种眼底照片的图像识别方法、装置、设备及存储介质 | |
| Bhuiyan et al. | Retinal artery and venular caliber grading: a semi-automated evaluation tool | |
| CN115100178A (zh) | 一种眼底血管形态特征评估的方法、装置、介质和设备 | |
| CN114387218A (zh) | 基于视计算的眼底特征的识别方法、装置、介质和设备 | |
| CN115908795A (zh) | 眼底动静脉分割方法、血管参数计算方法，装置和设备 | |
| Panda et al. | Hausdorff symmetry operator towards retinal blood vessel segmentation | |
| CN114387209A (zh) | 眼底结构特征确定的方法、装置、介质和设备 |
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 |