CN115272333B - 一种杯盘比数据的存储系统 - Google Patents

Abstract

本发明公开了一种杯盘比数据的存储系统，涉及图像识别领域。主要包括：利用神经网络从眼底图像中提取粗视盘区域图像；对粗视盘区域图像进行灰度化获得灰度图像，并利用K‑means聚类将灰度图像中像素聚成4类区域；分别计算每一类区域属于视盘的概率，以筛选出4类区域中第一疑似视盘区域和第二疑似视盘区域；确定出第一疑似视盘区域和第二疑似视盘区域中视盘区域以及视杯区域；分别对视盘区域及视杯区域的边缘进行椭圆拟合，分别获得视盘椭圆以及视杯椭圆，以根据视盘椭圆及视杯椭圆获得眼底图像的杯盘比。本发明实施例能够避免肉眼观察的主观性，提高了杯盘比的获取效率及精度。

Description

一种杯盘比数据的存储系统

技术领域

本申请涉及图像识别领域，具体涉及一种杯盘比数据的存储系统。

背景技术

青光眼（glaucoma）是一组以视乳头萎缩及凹陷、视野缺损及视力下降为共同特征的疾病，是导致人类失明的三大致盲眼病之一的慢性眼科疾病，虽然不能彻底治愈，但是如果早期发现并加以治疗可以延缓病情发展，甚至可以避免失明。所以早期发现和治疗对青光眼患者来说至关重要。

在青光眼的眼底照相检查中，杯盘比(Cup Disc ratio，CDR)是一个重要的检测参数，同时杯盘比一般是指视杯与视盘垂直直径之比。仅通过医师凭肉眼对患者的杯盘比进行估计存在一定误差，且眼底图像中视杯与视盘颜色差异较小，肉眼观察有时难以对两者进行区分。

发明内容

针对上述技术问题，本发明实施例提供了一种杯盘比数据的存储系统，通过对眼底图像中的视盘区域图像进行提取，并通过k-means算法对视盘区域图像进行聚类，以根据视杯及视盘的特征，从聚类结果中筛选出视盘区域以及视杯区域，从而获得杯盘比用于辅助青光眼的筛查，能够避免肉眼观察的主观性，提高了杯盘比的获取效率及精度。

本发明实施例提出了一种杯盘比数据的存储系统，包括：

区域提取模块，用于利用神经网络从眼底图像中提取粗视盘区域图像；

区域划分模块，用于对粗视盘区域图像进行灰度化获得灰度图像，并利用K-means聚类将灰度图像中像素聚成4类区域；

视盘概率计算模块，用于获得以每一类区域的重心点为圆心、每一类区域的重心点到每一区域边缘点的最大距离为半径的圆形区域，将每一类区域的面积与每一类区域对应的圆形区域的面积之比，分别作为每一类区域属于视盘的概率；

视杯区域获取模块，用于筛选出4类区域中属于视盘的概率最大的前2类区域分别作为第一疑似视盘区域和第二疑似视盘区域，将第一疑似视盘区域和第二疑似视盘区域中面积最大的作为视盘区域，将另一疑似视盘区域作为视杯区域；

杯盘比确定模块，用于对视盘区域的边缘进行椭圆拟合获得视盘椭圆，对视杯区域的边缘进行椭圆拟合获得视杯椭圆，将视杯椭圆的长轴的在竖直方向的分量与视盘椭圆的长轴的在竖直方向的分量之比作为眼底图像的杯盘比；

数据存储模块，将所述杯盘比打上标签存储于数据管理器中。

进一步的，杯盘比数据的存储系统中，对视盘区域的边缘进行椭圆拟合获得视盘椭圆时，所采用的椭圆拟合方法为最小二乘法。

进一步的，杯盘比数据的存储系统中，获得视盘区域后所述方法还包括：

对视盘区域进行形态学闭运算，直至视盘区域中包含的连通域数量为1。

进一步的，杯盘比数据的存储系统中，利用神经网络从眼底图像中提取粗视盘区域图像，包括：

利用DNN对眼底图像进行图像分割，使得分割得到的图像中属于视盘区域以外部分的像素点的像素值为0，将分割得到的图像作为所提取的视盘区域图像。

进一步的，杯盘比数据的存储系统中，对视盘区域的边缘进行椭圆拟合获得视盘椭圆前，还包括对视盘区域进行边缘检测获得视盘区域的边缘。

进一步的，杯盘比数据的存储系统中，对视盘区域进行边缘检测获得视盘区域的边缘所采用的算子为sobel算子。

进一步的，杯盘比数据的存储系统中，对粗视盘区域图像进行灰度化获得灰度图像，包括：

将视盘区域图像中像素点在RGB三个通道中像素值的最大值，作为灰度图像中的像素点的灰度值。

本发明实施例提供了一种杯盘比数据的存储系统，相比于现有技术，本发明实施例的有益效果在于：通过对眼底图像中的视盘区域图像进行提取，并通过k-means算法对视盘区域图像进行聚类，以根据视杯及视盘的特征，从聚类结果中筛选出视盘区域以及视杯区域，从而获得杯盘比用于辅助青光眼的筛查，能够避免肉眼观察的主观性，提高了杯盘比的获取效率及精度。

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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种杯盘比数据的存储系统的系统框图；

图2是本发明实施例提供的眼底图像的示意图；

图3是本发明实施例提供的粗视盘区域图像的示意图；

图4是本发明实施例提供的对视盘区域图像进行聚类后的各类区域的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

青光眼（glaucoma）是一组以视乳头萎缩及凹陷、视野缺损及视力下降为共同特征的疾病，是导致人类失明的三大致盲眼病之一的慢性眼科疾病，虽然不能彻底治愈，但是如果早期发现并加以治疗可以延缓病情发展，甚至可以避免失明。所以早期发现和治疗对青光眼患者来说至关重要。

在青光眼的眼底照相检查中，杯盘比(Cup Disc ratio，CDR)是一个重要的检测参数，同时杯盘比一般是指视杯与视盘垂直直径之比。仅通过医师凭肉眼对患者的杯盘比进行估计存在一定误差，且眼底图像中视杯与视盘颜色差异较小，肉眼观察有时难以对两者进行区分。

为解决上述技术问题，本发明实施例提供了一种杯盘比数据的存储系统，如图1所示，包括：

区域提取模块10，用于利用神经网络从眼底图像中提取粗视盘区域图像。

区域划分模块20，用于对粗视盘区域图像进行灰度化获得灰度图像，并利用K-means聚类将灰度图像中像素聚成4类区域。

视盘概率计算模块30，用于获得以每一类区域的重心点为圆心、每一类区域的重心点到每一区域边缘点的最大距离为半径的圆形区域，将每一类区域的面积与每一类区域对应的圆形区域的面积之比，分别作为每一类区域属于视盘的概率。

视杯区域获取模块40，用于筛选出4类区域中属于视盘的概率最大的前2类区域分别作为第一疑似视盘区域和第二疑似视盘区域，将第一疑似视盘区域和第二疑似视盘区域中面积最大的作为视盘区域，将另一疑似视盘区域作为视杯区域。

杯盘比确定模块50，用于对视盘区域的边缘进行椭圆拟合获得视盘椭圆，对视杯区域的边缘进行椭圆拟合获得视杯椭圆，将视杯椭圆的长轴的在竖直方向的分量与视盘椭圆的长轴的在竖直方向的分量之比作为眼底图像的杯盘比。

数据存储模块60，用于将所述杯盘比打上标签存储于数据管理器中。

本发明实施例的主要目的是：利用神经网络和图像处理技术，对眼底图像中的视盘和视杯区域进行提取，从而获得杯盘比，以便利用杯盘比辅助青光眼的筛查。

进一步的，区域提取模块10，用于利用神经网络从眼底图像中提取粗视盘区域图像。

对应眼底图像的获取通过眼底照相设备实现，作为一个示例，可以采用欧堡Daytona免散瞳眼底照相机进行眼底图像的获取，图2是本发明实施例提供的眼底图像的示意图，如图2所示，眼底图像中所存在的大致视盘区域即粗视盘区域为所框选的部分，所采集到的眼底图像为RGB图像，RGB是一种颜色标准，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，RGB即是代表红、绿、蓝三个通道的颜色。

本发明实施例中所采用的神经网络为DNN(Deep Neural Networks，深度神经网络)，利用DNN对眼底图像进行图像分割，使得分割得到的图像中属于视盘区域以外部分的像素点的像素值为0，将分割得到的图像作为所提取的视盘区域图像。

需要说明的是对于DNN的训练过程，可以采用包括大量眼底图像的图像集作为神经网络的输入集，将与输入集对应的标签图像集作为检验集，其中标签图像中属于视盘区域以外部分的像素点的像素值为0，作为一个示例，所采用的输入集可以是APTOS2019数据集，该数据集包含能够大量的眼底照片，能够有效实现对DNN网络的训练。

需要说明的是，神经网络的损失函数可以采用均方和误差函数，来对神经网络的训练过程进行监督。

图3是本发明实施例提供粗视盘区域图像的示意图，如图3所示，粗视盘区域图像中包括视盘区域、视盘区域中所存在的视杯区域、各种血管以及眼底背景部分。需要说明的是，本发明实施例中粗视盘区域图像即包括视盘区域在内的大致范围的视盘区域图像。

进一步的，区域划分模块20，用于对粗视盘区域图像进行灰度化获得灰度图像，并利用K-means聚类将灰度图像中像素聚成4类区域。

对粗视盘区域图像进行灰度化获得灰度图像，将视盘区域图像中像素点在RGB三个通道中像素值的最大值，作为灰度图像中的像素点的灰度值。

k-means算法是一种基于划分的聚类算法，它以k为参数，把待聚类的对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。

图4是本发明实施例提供的对粗视盘区域图像进行聚类后的各类区域的示意图，如图4所示通过k-means聚类算法，能够有效地对粗视盘区域中存在的各类进行划分，以便在后续过程中对所存在的视盘区域以及视杯区域进行提取。

进一步的，视盘概率计算模块30，用于获得以每一类区域的重心点为圆心、每一类区域的重心点到每一区域边缘点的最大距离为半径的圆形区域，将每一类区域的面积与每一类区域对应的圆形区域的面积之比，分别作为每一类区域属于视盘的概率。

首先，根据每一类区域的重心点到每一类区域边缘点的最大距离以及每一类区域的面积，分别计算每一类区域属于视盘的概率。

获得以每一类区域的重心点为圆心、以每一类区域的重心点到每一区域边缘点的最大距离为半径的圆形区域；将每一类区域的面积与每一类区域对应的圆形区域的面积之比，分别作为每一类区域属于视盘的概率。即当闭合连通域越像一个圆形，其面积之比就越接近，属于视盘的概率越大，就越可能是视盘或者杯盘。

进一步的，视杯区域获取模块40，用于筛选出4类区域中属于视盘的概率最大的前2类区域分别作为第一疑似视盘区域和第二疑似视盘区域，将第一疑似视盘区域和第二疑似视盘区域中面积最大的作为视盘区域，将另一疑似视盘区域作为视杯区域。

筛选出4类区域中属于视盘的概率最大的前2类区域分别作为第一疑似视盘区域和第二疑似视盘区域，其中任一疑似视盘区域为视盘区域或视杯区域，同时由于视杯区域的面积小于视盘区域，因此本发明实施例根据两疑似视盘区域的面积的相对关系，实现对视杯区域及视盘区域的确定。

可选的，由于视盘区域中可能存在血管，使得聚类后得到的视盘区域存在着彼此分离的部分，为使得视盘区域尽可能地完整，可以对所得到的视盘区域进行多次形态学闭运算，直至视盘区域中仅存在唯一的连通域，如此，便于后续过程中根据其边缘部分进行椭圆拟合。

进一步的，杯盘比确定模块50，用于对视盘区域的边缘进行椭圆拟合获得视盘椭圆，对视杯区域的边缘进行椭圆拟合获得视杯椭圆，将视杯椭圆的长轴的在竖直方向的分量与视盘椭圆的长轴的在竖直方向的分量之比作为眼底图像的杯盘比。

首先分别对视盘区域以及视杯区域进行边缘检测，需要说明的是，图像边缘是图像最基本的特征，所谓边缘(Edge)是指图像局部特性的不连续性。灰度或结构等信息的突变处称之为边缘。例如，灰度级的突变、颜色的突变、纹理结构的突变等。边缘是一个区域的结束，也是另一个区域的开始，利用该特征可以分割图像。图像的边缘有方向和幅度两种属性。边缘通常可以通过一阶导数或二阶导数检测得到。一阶导数是以最大值作为对应的边缘的位置，而二阶导数则以过零点作为对应边缘的位置。

一阶导数的边缘算子进行边缘检测的过程包括：通过模板作为核与图像的每个像素点做卷积和运算，然后选取合适的阈值来提取图像的边缘。常见的一阶导数的边缘算子有：Roberts算子、Sobel算子和Prewitt算子。二阶导数的边缘算子进行边缘检测的过程依据于二阶导数过零点这一特性，常见的有二阶导数的边缘算子有Laplacian算子。

作为一个示例，本发明实施例中利用Sobel算子进行边缘检测，分别获得视盘区域以及视杯区域的边缘轮廓。

其次，对视盘区域的边缘进行椭圆拟合获得视盘椭圆，对视杯区域的边缘进行椭圆拟合获得视杯椭圆，所采用的椭圆拟合方法为最小二乘法。

最后，将视杯椭圆的长轴的在竖直方向的分量与视盘椭圆的长轴的在竖直方向的分量之比作为眼底图像的杯盘比，如此，获得了眼底图像的杯盘比，能够有助于青光眼的筛查。

进一步的，数据存储模块60，将杯盘比打上标签存储于数据管理器中。在本发明实施例中，根据杯盘比的大小在数据管理器中分为多个类别，每个类别对应一个存储空间，将获得的杯盘比及其对应的视盘区域图像和患者基本信息合并存储至对应的存储空间中，方便后续医师的调用与分析。

综上所述，本发明实施例提供了一种杯盘比数据的存储系统，通过对眼底图像中的视盘区域图像进行提取，并通过k-means算法对视盘区域图像进行聚类，以根据视杯及视盘的特征，从聚类结果中筛选出视盘区域以及视杯区域，从而获得杯盘比用于辅助青光眼的筛查，能够避免肉眼观察的主观性，提高了杯盘比的获取效率及精度。

本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本发明的系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (6)

1.一种杯盘比数据的存储系统，其特征在于，该系统包括以下模块，包括：

区域提取模块，用于利用神经网络从眼底图像中提取粗视盘区域图像；

区域划分模块，用于对粗视盘区域图像进行灰度化获得灰度图像，并利用K-means聚类将灰度图像中像素聚成4类区域；

视盘概率计算模块，用于获得以每一类区域的重心点为圆心、每一类区域的重心点到每一区域边缘点的最大距离为半径的圆形区域，将每一类区域的面积与每一类区域对应的圆形区域的面积之比，分别作为每一类区域属于视盘的概率；

视杯区域获取模块，用于筛选出4类区域中属于视盘的概率最大的前2类区域分别作为第一疑似视盘区域和第二疑似视盘区域，将第一疑似视盘区域和第二疑似视盘区域中面积最大的作为视盘区域，将另一疑似视盘区域作为视杯区域；对视盘区域进行形态学闭运算，直至视盘区域中包含的连通域数量为1；

杯盘比确定模块，用于对视盘区域的边缘进行椭圆拟合获得视盘椭圆，对视杯区域的边缘进行椭圆拟合获得视杯椭圆，将视杯椭圆的长轴的在竖直方向的分量与视盘椭圆的长轴的在竖直方向的分量之比作为眼底图像的杯盘比；

数据存储模块，将所述杯盘比打上标签存储于数据管理器中；根据杯盘比的大小在数据管理器中分为多个类别，每个类别对应一个存储空间，将获得的杯盘比及其对应的视盘区域图像和患者基本信息合并存储至对应的存储空间中。

2.根据权利要求1所述的一种杯盘比数据的存储系统，其特征在于，对视盘区域的边缘进行椭圆拟合获得视盘椭圆时，所采用的椭圆拟合方法为最小二乘法。

3.根据权利要求1所述的一种杯盘比数据的存储系统，其特征在于，利用神经网络从眼底图像中提取粗视盘区域图像，包括：

利用DNN对眼底图像进行图像分割，使得分割得到的图像中属于视盘区域以外部分的像素点的像素值为0，将分割得到的图像作为所提取的视盘区域图像。

4.根据权利要求1所述的一种杯盘比数据的存储系统，其特征在于，对视盘区域的边缘进行椭圆拟合获得视盘椭圆前，还包括对视盘区域进行边缘检测获得视盘区域的边缘。

5.根据权利要求4所述的一种杯盘比数据的存储系统，其特征在于，对视盘区域进行边缘检测获得视盘区域的边缘所采用的算子为sobel算子。

6.根据权利要求1所述的一种杯盘比数据的存储系统，其特征在于，对粗视盘区域图像进行灰度化获得灰度图像，包括：

将视盘区域图像中像素点在RGB三个通道中像素值的最大值，作为灰度图像中的像素点的灰度值。