CN116823828B - 黄斑变性程度参数确定方法、装置、设备及存储介质 - Google Patents
黄斑变性程度参数确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116823828B CN116823828B CN202311093144.1A CN202311093144A CN116823828B CN 116823828 B CN116823828 B CN 116823828B CN 202311093144 A CN202311093144 A CN 202311093144A CN 116823828 B CN116823828 B CN 116823828B
- Authority
- CN
- China
- Prior art keywords
- area
- lutein
- region
- vitrification
- characteristic
- 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
Links
- 208000002780 macular degeneration Diseases 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004017 vitrification Methods 0.000 claims abstract description 115
- 229960005375 lutein Drugs 0.000 claims abstract description 101
- 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 claims abstract description 101
- 235000012680 lutein Nutrition 0.000 claims abstract description 101
- 239000001656 lutein Substances 0.000 claims abstract description 101
- 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 claims abstract description 101
- 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 claims abstract description 101
- 210000001525 retina Anatomy 0.000 claims abstract description 91
- 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 claims abstract description 83
- 230000005856 abnormality Effects 0.000 claims abstract description 52
- 230000002207 retinal effect Effects 0.000 claims description 154
- 210000004204 blood vessel Anatomy 0.000 claims description 32
- 210000002189 macula lutea Anatomy 0.000 claims description 26
- 206010025421 Macule Diseases 0.000 claims description 20
- 125000002635 lutein group Chemical group 0.000 claims description 18
- 206010020718 hyperplasia Diseases 0.000 claims description 16
- 238000005286 illumination Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000002390 hyperplastic effect Effects 0.000 claims description 13
- 238000000926 separation method Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 239000008280 blood Substances 0.000 claims description 6
- 230000035755 proliferation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011521 glass Substances 0.000 description 5
- 210000004240 ciliary body Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 230000009477 glass transition Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000001927 retinal artery Anatomy 0.000 description 1
- 210000001957 retinal vein Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本申请提供一种黄斑变性程度参数确定方法、装置、设备及存储介质，通过自动对预先获取的第一视网膜眼底图像进行分析，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；然后依次获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征、所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；最后对所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行综合分析，避免了因单个特征造成的误判，提高了对所述视网膜区域的黄斑变性程度参数进行确定的准确性和智能化。
Description
技术领域
本申请涉及辅助医疗技术领域，具体涉及一种黄斑变性程度参数确定方法、装置、设备及存储介质。
背景技术
眼底黄斑区位于我们眼睛的视网膜中央，它感受外界光的刺激，接收外界物体的信号，然后传递到大脑形成视觉，是眼睛视觉最敏锐的部位。一旦黄斑区出现病变，就会引起视力下降、眼前黑影或视物变形，严重的情况下会迅速影响中心视力，若未及时发现及时治疗，三年内就有可能导致失明。然而，相关技术中仍无法准确、智能地确定出视网膜区域的黄斑变性情况。
因此，如何准确、智能地确定出视网膜区域的黄斑变性情况，是当前辅助医疗技术领域亟需解决的技术问题。
发明内容
本申请提供一种黄斑变性程度参数确定方法、装置、设备及存储介质，旨在解决如何准确、智能地确定出视网膜区域的黄斑变性情况的技术问题。
一方面，本申请提供一种黄斑变性程度参数确定方法，所述方法包括：
基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；
获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征；
获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；
基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数。
在本申请一种可能的实现方式中，所述基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征，包括：
对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集，所述通道图像集包括红色通道图像，绿色通道图像以及蓝色通道图像；
基于所述红色通道图像和所述绿色通道图像，确定黄斑中心点坐标、黄斑感兴趣区域以及所述黄斑感兴趣区域的面积；
对所述第一视网膜眼底图像中的叶黄素进行分割，得到所述叶黄素的二值图像；
从所述二值图像中提取所述叶黄素的目标外轮廓，并基于所述目标外轮廓和所述黄斑中心点坐标，确定叶黄素区域的面积；
基于所述叶黄素区域的面积和所述黄斑感兴趣区域的面积，确定叶黄素占比特征。
在本申请一种可能的实现方式中，所述基于所述红色通道图像和所述绿色通道图像，确定黄斑中心点坐标、黄斑感兴趣区域以及所述黄斑感兴趣区域的面积，包括：
获取所述红色通道图像中视盘的第一矩形框的坐标，并基于所述第一矩形框的坐标，确定所述视盘的中心点坐标、所述视盘的长和宽；
分割所述绿色通道图像中血管，得到血管分割图；
提取所述血管分割图中所有子血管的骨架集；
从所述骨架集中确定出目标骨架，并将所述目标骨架作为主血管的骨架；
获取所述主血管的曲线方程；
基于所述曲线方程的焦点坐标，确定黄斑中心点坐标；
基于所述黄斑中心点坐标、所述视盘的中心点坐标以及所述视盘的长和宽，确定黄斑感兴趣区域以及所述黄斑感兴趣区域的面积。
在本申请一种可能的实现方式中，所述基于所述目标外轮廓和所述黄斑中心点坐标，确定叶黄素区域的面积，包括：
将所述黄斑中心点坐标设置为种子点；
基于所述种子点的目标特征，将所述目标外轮廓内的所有像素点进行聚类，得到聚类后的目标区域；
计算所述目标区域的面积，并将所述目标区域的面积作为叶黄素区域的面积。
在本申请一种可能的实现方式中，所述获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征，包括：
对所述第一视网膜眼底图像的玻璃化进行识别，得到所述玻璃化的第二矩形框的坐标，并基于所述第二矩形框的坐标，计算所述玻璃化的面积；
基于所述玻璃化的面积，对所述玻璃化中增生玻璃化和硬性玻璃化进行分类，并统计所述增生玻璃化的数量和硬性玻璃化的数量；
基于所述增生玻璃化的数量和硬性玻璃化的数量，确定所述第一视网膜眼底图像中玻璃化异常程度特征。
在本申请一种可能的实现方式中，所述基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数，包括：
将所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行加权拟合，得到拟合参数；
将所述拟合参数和预设的黄斑变性程度阈值进行比较，得到比较结果；
基于所述比较结果，确定所述视网膜区域的黄斑变性程度参数。
在本申请一种可能的实现方式中，在对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集之前，所述方法还包括：
获取初始视网膜眼底图像；
调整所述初始视网膜眼底图像的尺寸，得到尺寸调整后的视网膜眼底图像；
对尺寸调整后的视网膜眼底图像进行光照修正处理，得到光照修正后的第一视网膜眼底图像。
另一方面，本申请提供一种黄斑变性程度参数确定装置，所述装置包括：
第一确定单元，用于基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；
第一获取单元，用于获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征；
第二获取单元，用于获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；
第二确定单元，用于基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数。
在本申请一种可能的实现方式中，所述第一确定单元，具体包括：
第一通道分离单元，用于对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集，所述通道图像集包括红色通道图像，绿色通道图像以及蓝色通道图像；
第三确定单元，用于基于所述红色通道图像和所述绿色通道图像，确定黄斑中心点坐标、黄斑感兴趣区域以及所述黄斑感兴趣区域的面积；
第一分割单元，用于对所述第一视网膜眼底图像中的叶黄素进行分割，得到所述叶黄素的二值图像；
第四确定单元，用于从所述二值图像中提取所述叶黄素的目标外轮廓，并基于所述目标外轮廓和所述黄斑中心点坐标，确定叶黄素区域的面积；
第五确定单元，用于基于所述叶黄素区域的面积和所述黄斑感兴趣区域的面积，确定叶黄素占比特征。
在本申请一种可能的实现方式中，所述第三确定单元，具体用于：
获取所述红色通道图像中视盘的第一矩形框的坐标，并基于所述第一矩形框的坐标，确定所述视盘的中心点坐标、所述视盘的长和宽；
分割所述绿色通道图像中血管，得到血管分割图；
提取所述血管分割图中所有子血管的骨架集；
从所述骨架集中确定出目标骨架，并将所述目标骨架作为主血管的骨架；
获取所述主血管的曲线方程；
基于所述曲线方程的焦点坐标，确定黄斑中心点坐标；
基于所述黄斑中心点坐标、所述视盘的中心点坐标以及所述视盘的长和宽，确定黄斑感兴趣区域以及所述黄斑感兴趣区域的面积。
在本申请一种可能的实现方式中，所述第四确定单元，具体用于：
将所述黄斑中心点坐标设置为种子点；
基于所述种子点的目标特征，将所述目标外轮廓内的所有像素点进行聚类，得到聚类后的目标区域；
计算所述目标区域的面积，并将所述目标区域的面积作为叶黄素区域的面积。
在本申请一种可能的实现方式中，所述第二获取单元，具体用于：
对所述第一视网膜眼底图像的玻璃化进行识别，得到所述玻璃化的第二矩形框的坐标，并基于所述第二矩形框的坐标，计算所述玻璃化的面积；
基于所述玻璃化的面积，对所述玻璃化中增生玻璃化和硬性玻璃化进行分类，并统计所述增生玻璃化的数量和硬性玻璃化的数量；
基于所述增生玻璃化的数量和硬性玻璃化的数量，确定所述第一视网膜眼底图像中玻璃化异常程度特征。
在本申请一种可能的实现方式中，所述第二确定单元，具体用于：
将所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行加权拟合，得到拟合参数；
将所述拟合参数和预设的黄斑变性程度阈值进行比较，得到比较结果；
基于所述比较结果，确定所述视网膜区域的黄斑变性程度参数。
在本申请一种可能的实现方式中，在对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集之前，所述装置还用于：
获取初始视网膜眼底图像；
调整所述初始视网膜眼底图像的尺寸，得到尺寸调整后的视网膜眼底图像；
对尺寸调整后的视网膜眼底图像进行光照修正处理，得到光照修正后的第一视网膜眼底图像。
另一方面，本申请还提供一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的黄斑变性程度参数确定方法。
另一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的黄斑变性程度参数确定方法中的步骤。
本申请中的黄斑变性程度参数确定方法，通过自动对预先获取的第一视网膜眼底图像进行分析，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；然后依次获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征、所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；最后对所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行综合分析，避免了因单个特征造成的误判，提高了对所述视网膜区域的黄斑变性程度参数进行确定的准确性和智能化。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的黄斑变性程度参数确定系统的场景示意图；
图2是本申请实施例中提供的黄斑变性程度参数确定方法的一个实施例流程示意图；
图3是本申请实施例中提供的视网膜眼底图像的一个实施例结构示意图；
图4是本申请实施例中提供的红色通道图像的一个实施例结构示意图；
图5是本申请实施例中提供的绿色通道图像的一个实施例结构示意图；
图6是本申请实施例中提供的黄斑变性程度参数确定装置的一个实施例结构示意图；
图7是本申请实施例中提供的计算机设备的一个实施例结构示意图；
图8是本申请实施例中提供的黄斑感兴趣区域的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，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所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种黄斑变性程度参数确定方法、装置、设备及存储介质，以下分别进行详细说明。
如图1所示，图1是本申请实施例提供的黄斑变性程度参数确定系统的场景示意图，该黄斑变性程度参数确定系统可以包括计算机设备100，计算机设备100中集成有黄斑变性程度参数确定装置，如图1中的计算机设备100。
本申请实施例中计算机设备100主要用于基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征；获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数。
本申请实施例中，该计算机设备100可以为终端或者服务器，当计算机设备100为服务器时，可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的计算机设备100，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以构建的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器以构建。
可以理解的是，本申请实施例中计算机设备100为终端时，所使用的终端可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，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信设备。具体的计算机设备100具体可以是台式终端或移动终端，计算机设备100具体还可以是手机、平板电脑、笔记本电脑、医疗辅助仪器等中的一种。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不以构建对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个计算机设备，可以理解的，该黄斑变性程度参数确定系统还可以包括一个或多个其他计算机设备，具体此处不作限定。
另外，如图1所示，该黄斑变性程度参数确定系统还可以包括存储器200，用于存储数据，如存储第一视网膜眼底图像和黄斑变性程度参数确定数据，例如黄斑变性程度参数确定系统运行时的黄斑变性程度参数确定数据。
需要说明的是，图1所示的黄斑变性程度参数确定系统的场景示意图仅仅是一个示例，本申请实施例描述的黄斑变性程度参数确定系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着黄斑变性程度参数确定系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
接下来，介绍本申请实施例提供的黄斑变性程度参数确定方法。
本申实施例黄斑变性程度参数确定方法的实施例中以黄斑变性程度参数确定装置作为执行主体，为了简化与便于描述，后续方法实施例中将省略该执行主体，该黄斑变性程度参数确定装置应用于计算机设备，该方法包括：基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征；获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数。
请参阅图2至图8，图2为本申请实施例中提供的黄斑变性程度参数确定方法的一个实施例流程示意图，该黄斑变性程度参数确定方法包括步骤201至步骤204：
201、基于预先获取的第一视网膜眼底图像，确定第一视网膜眼底图像中视网膜区域的叶黄素占比特征。
本实施例中，第一视网膜眼底图像可以通过从预置的视网膜眼底图像数据库中获取。如图3所示，即为视网膜眼底图像。视网膜眼底是人体眼球内后部的组织，即眼球的内膜，其一般包括视网膜、视乳头、黄斑和视网膜中央动静脉，视网膜为眼球壁的内层，分为视网膜盲部和视部。盲部包括视网膜虹膜部和视网膜睫状体部，各贴附于虹膜和睫状体内面，是虹膜和睫状体的组成部分。叶黄素是存在于人眼视网膜黄斑区的主要色素，而叶黄素占比特征是视网膜区域的叶黄素区域的面积与视网膜黄斑区域的面积的比值特征。
在本申请的一些实施例中，示例性的，所述基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征，可以包括步骤A1至步骤A5：
A1、对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集，其中，所述通道图像集包括红色通道图像，绿色通道图像以及蓝色通道图像。
本实施例中，如图4和图5，分别为该通道图像集中的红色通道图像和绿色通道图像，其蓝色通道图像未示出。
A2、基于所述红色通道图像和所述绿色通道图像，确定黄斑中心点坐标、黄斑感兴趣区域以及所述黄斑感兴趣区域的面积。
本申请发明人发现在红色通道图像中视盘特征最显著，绿色通道图像中血管特征最显著，其中，视盘（optic disc）：全称视神经盘，也叫视神经乳头，视网膜由黄斑向鼻侧约3mm处有一直径约1.5mm，境界清楚的淡红色圆盘状结构，称为视神经盘，简称视盘，如图8中所示的视盘，因此，根据红色通道图像和绿色通道图像的这些特性，可以利用红色通道图像和绿色通道图像，去确定黄斑中心点坐标、黄斑感兴趣区域（黄斑ROI区域）以及所述黄斑感兴趣区域的面积。
在本申请的一些实施例中，示例性的，所述基于所述红色通道图像和所述绿色通道图像，确定黄斑中心点坐标、黄斑感兴趣区域以及所述黄斑感兴趣区域的面积，包括步骤B1至步骤B7：
B1、获取所述红色通道图像中视盘的第一矩形框的坐标，并基于所述第一矩形框的坐标，确定所述视盘的中心点坐标、所述视盘的长和宽。
示例性的，可以通过预先训练的视盘检测模型对将该红色通道图像进行检测，得到该视盘的中心点坐标、所述视盘的长和宽，如图8中，其点Z0为该视盘的中心点坐标。其中，视盘检测模型优选Yolov7模型。
B2、分割所述绿色通道图像中血管，得到血管分割图。
示例性的，可以通过预先训练的血管分割模型分割该绿色通道图像中血管，得到血管分割图，该血管分割图为其血管的二值图像，其中，血管分割模型优选U-Net++模型。
B3、提取所述血管分割图中所有子血管的骨架集。
示例性的，在连通域的基础上，分别提取该血管分割图中各子血管的骨架，得到所有子血管的骨架集。
B4、从所述骨架集中确定出目标骨架，并将所述目标骨架作为主血管的骨架。
示例性的，可以比较骨架集中各骨架对应的连通域大小，筛选出连通域最大的骨架，即为目标骨架。如图8中所标注的主血管。
B5、获取所述主血管的曲线方程。
示例性的，可以通过待定系数法以及预设的椭圆方程，对所述主血管的曲线方程进行拟合，得到拟合后的曲线方程如下：
；
其中，m，n为该曲线方程的系数。
B6、基于所述曲线方程的焦点坐标，确定黄斑中心点坐标。
本申请实施例中，首先，可以基于上述曲线方程，计算出其焦点坐标F1和F2，然后再基于该曲线方程的交点坐标和如下公式，确定黄斑中心点坐标F0：
；
B7、基于所述黄斑中心点坐标、所述视盘的中心点坐标以及所述视盘的长和宽，确定黄斑感兴趣区域以及所述黄斑感兴趣区域的面积。
在本申请实施例中，可以先基于所述黄斑中心点坐标F0、所述视盘的中心点坐标Z0，确定两个中心点的距离d，然后再根据该两个中心点的距离d和所述视盘的长w和宽h，确定黄斑感兴趣区域的半径r1，结合黄斑中心点坐标F0和其半径r1，即可确定黄斑感兴趣区域以及所述黄斑感兴趣区域的面积。
A3、对所述第一视网膜眼底图像中的叶黄素进行分割，得到所述叶黄素的二值图像。
示例性的，可以通过预先训练的叶黄素分割模型分割该第一视网膜眼底图像中的叶黄素，得到叶黄素的二值图像，其中，叶黄素分割模型优选U-Net++模型。
A4、从所述二值图像中提取所述叶黄素的目标外轮廓，并基于所述目标外轮廓和所述黄斑中心点坐标，确定叶黄素区域的面积。
示例性的，可以在连通域的基础上，从该二值图像中提取所述叶黄素的目标外轮廓。
在本申请的一些实施例中，示例性的，所述基于所述目标外轮廓和所述黄斑中心点坐标，确定叶黄素区域的面积，可以包括步骤C1至步骤C3：
C1、将所述黄斑中心点坐标设置为种子点。
本实施例中，种子点是在后续进行扩张（或者生长）的起始像素点。
C2、基于所述种子点的目标特征，将所述目标外轮廓内的所有像素点进行聚类，得到聚类后的目标区域。
本实施例中，该种子点的目标特征包括灰度特征、纹理特征。
C3、计算所述目标区域的面积，并将所述目标区域的面积作为叶黄素区域的面积。
示例性的，可以通过预置的面积计算程序，计算该目标区域的面积Sy。例如，对该目标区域的所有像素点进行扫描，然后求和计算得到该目标区域的面积。
A5、基于所述叶黄素区域的面积和所述黄斑感兴趣区域的面积，确定叶黄素占比特征。
示例性的，可以基于如下公式，计算叶黄素占比特征：
；
其中，Sy是叶黄素区域的面积，r1是黄斑感兴趣区域对应的圆的半径。
202、获取第一视网膜眼底图像中视网膜区域的中央凹清晰度特征。
本实施例中，中央凹（foveal），是视网膜中视觉（辨色力、分辨力）最敏锐的区域。以人为例，在视神经盘颞侧约3.5mm处，有一黄色小区，称黄斑，其中央的凹陷，就是中央凹。中央凹清晰度特征是一种表示中央凹的清晰程度的特征。
示例性的，可以通过预先训练的中央凹的清晰程度分类模型对将该第一视网膜眼底图像进行检测分类，得到该第一视网膜眼底图像中视网膜区域的中央凹清晰度特征。其中，该模型的标签为0-不清晰中央凹和1-清晰中央凹。
203、获取第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征。
本实施例中，玻璃化（或称玻璃膜化）是胶样或透明的小体，是色素上皮细胞异常代谢产物在视网膜上的异常沉积所致。玻璃化异常程度特征是视网膜区域内玻璃化异常程度的特征，该玻璃花异常程度特征具体是一种玻璃化增生特征。
在本申请的一些实施例中，示例性的，所述获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征，包括步骤D1至步骤D3：
D1、对所述第一视网膜眼底图像的玻璃化进行识别，得到所述玻璃化的第二矩形框的坐标，并基于所述第二矩形框的坐标，计算所述玻璃化的面积。
示例性的，可以通过预先训练的玻璃化检测模型对将该第一视网膜眼底图像的玻璃化进行检测，得到所述玻璃化的第二矩形框的坐标。其中，玻璃化检测模型优选Yolov7模型。
示例性的，在知晓第二矩形框的坐标（矩形框的四个顶点的坐标）后，即可根据其坐标，计算其矩形框的长和宽，然后再根据长宽计算出玻璃化的面积。
需要说明的，第一视网膜眼底图像中可能不存在玻璃化，也可能只存在一个玻璃化，也可能存在多个玻璃化，因此，对所述第一视网膜眼底图像的玻璃化进行识别时，是对第一视网膜眼底图像中所有的玻璃化进行识别，然后得到这所有的玻璃化中每个玻璃化的第二矩形框的坐标。
D2、基于所述玻璃化的面积，对所述玻璃化中增生玻璃化和硬性玻璃化进行分类，并统计所述增生玻璃化的数量和硬性玻璃化的数量。
示例性的，将所述玻璃化的面积，与预设的玻璃化阈值/>进行比较，若/>时，则标记此玻璃化为硬性玻璃化，若/>，则将此玻璃化标记为增生玻璃化。其中，该玻璃化阈值可根据实际需求进行设置。
D3、基于所述增生玻璃化的数量和硬性玻璃化的数量，确定所述第一视网膜眼底图像中玻璃化异常程度特征。
示例性的，可以根据如下公式，确定第一视网膜眼底图像中玻璃化异常程度特征：
；
其中，为增生玻璃化的数量和/>为硬性玻璃化的数量，α是权重，θ是防止分母为0的偏置项。
204、基于叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定视网膜区域的黄斑变性程度参数。
本实施例中，视网膜区域的黄斑变性程度参数是对视网膜区域的黄斑变性程度进行量化的参数。
在本申请的一些实施例中，示例性的，所述基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数，包括步骤E1至步骤E3：
E1、将所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行加权拟合，得到拟合参数。
示例性的，可以根据如下公式，将所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行加权拟合，得到拟合参数：
；
其中，、/>为机器学习算法训练出的权重，/>、/>、/>分别为叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征。
E2、将所述拟合参数和预设的黄斑变性程度阈值进行比较，得到比较结果。
其中，黄斑变性程度阈值，可根据实际需求进行设置。示例性的，该比较结果包括拟合参数大于黄斑变性程度阈值的第一比较结果、拟合参数等于黄斑变性程度阈值的第二比较结果以及拟合参数小于黄斑变性程度阈值的第三比较结果。
E3、基于所述比较结果，确定所述视网膜区域的黄斑变性程度参数。
本实施例中，示例性的，可以通过所述比较结果与预置的比较结果和黄斑变性程度参数关系映射表，去确定所述视网膜区域的黄斑变性程度参数。例如，当比较结果为第一比较结果的情况下，可以确定所述视网膜区域的黄斑变性程度参数为1，当比较结果为第二比较结果或者第三比较结果时，可以确定所述视网膜区域的黄斑变性程度参数为0。进一步的，当确定黄斑变性程度参数为1时，可以说明该视网膜区域的黄斑变性程度严重。反之不严重或者不存在。
本申请中的黄斑变性程度参数确定方法，通过自动对预先获取的第一视网膜眼底图像进行分析，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；然后依次获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征、所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；最后对所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行综合分析，避免了因单个特征造成的误判，提高了对所述视网膜区域的黄斑变性程度参数进行确定的准确性和智能化。
在本申请的其他实施例中，在对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集之前，所述方法还包括步骤F1至步骤F3：
F1、获取初始视网膜眼底图像。
本实施例中，可以从预置的图像数据库里获取初始视网膜眼底图像。
F2、调整所述初始视网膜眼底图像的尺寸，得到尺寸调整后的视网膜眼底图像。
尺寸调整后的视网膜眼底图像有一个目标尺寸，当发现初始视网膜眼底图像的初始尺寸与该目标尺寸不同时，则调整所述初始视网膜眼底图像的尺寸，具体可以根据两者尺寸差异进行调整。例如，如果初始尺寸过大，则可对初始视网膜眼底图像进行裁剪，如果初始尺寸过小，则可对初始视网膜眼底图像进行补边处理。
F3、对尺寸调整后的视网膜眼底图像进行光照修正处理，得到光照修正后的第一视网膜眼底图像。
示例性的，可以通过预置的光照归一化模型对尺寸调整后的视网膜眼底图像进行光照修正处理，得到光照修正后的第一视网膜眼底图像。
本申请实施例，通过对初始视网膜眼底图像进行尺寸调整、光照修正处理，提高后续图像处理准确度。
为了更好实施本申请实施例中黄斑变性程度参数确定方法，在黄斑变性程度参数确定方法基础之上，本申请实施例中还提供一种黄斑变性程度参数确定装置，如图6所示，所述黄斑变性程度参数确定装置600包括：
第一确定单元601，用于基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征。
第一获取单元602，用于获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征。
第二获取单元603，用于获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征。
第二确定单元604，用于基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数。
在本申请的一些实施例中，所述第一确定单元601，具体包括：
第一通道分离单元，用于对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集，所述通道图像集包括红色通道图像，绿色通道图像以及蓝色通道图像。
第三确定单元，用于基于所述红色通道图像和所述绿色通道图像，确定黄斑中心点坐标、黄斑感兴趣区域以及所述黄斑感兴趣区域的面积。
第一分割单元，用于对所述第一视网膜眼底图像中的叶黄素进行分割，得到所述叶黄素的二值图像。
第四确定单元，用于从所述二值图像中提取所述叶黄素的目标外轮廓，并基于所述目标外轮廓和所述黄斑中心点坐标，确定叶黄素区域的面积。
第五确定单元，用于基于所述叶黄素区域的面积和所述黄斑感兴趣区域的面积，确定叶黄素占比特征。
在本申请的一些实施例中，所述第三确定单元，具体用于：
获取所述红色通道图像中视盘的第一矩形框的坐标，并基于所述第一矩形框的坐标，确定所述视盘的中心点坐标、所述视盘的长和宽。
分割所述绿色通道图像中血管，得到血管分割图。
提取所述血管分割图中所有子血管的骨架集。
从所述骨架集中确定出目标骨架，并将所述目标骨架作为主血管的骨架。
获取所述主血管的曲线方程。
基于所述曲线方程的焦点坐标，确定黄斑中心点坐标。
基于所述黄斑中心点坐标、所述视盘的中心点坐标以及所述视盘的长和宽，确定黄斑感兴趣区域以及所述黄斑感兴趣区域的面积。
在本申请的一些实施例中，所述第四确定单元，具体用于：
将所述黄斑中心点坐标设置为种子点。
基于所述种子点的目标特征，将所述目标外轮廓内的所有像素点进行聚类，得到聚类后的目标区域。
计算所述目标区域的面积，并将所述目标区域的面积作为叶黄素区域的面积。
在本申请的一些实施例中，所述第二获取单元603，具体用于：
对所述第一视网膜眼底图像的玻璃化进行识别，得到所述玻璃化的第二矩形框的坐标，并基于所述第二矩形框的坐标，计算所述玻璃化的面积。
基于所述玻璃化的面积，对所述玻璃化中增生玻璃化和硬性玻璃化进行分类，并统计所述增生玻璃化的数量和硬性玻璃化的数量。
基于所述增生玻璃化的数量和硬性玻璃化的数量，确定所述第一视网膜眼底图像中玻璃化异常程度特征。
在本申请的一些实施例中，所述第二确定单元604，具体用于：
将所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行加权拟合，得到拟合参数。
将所述拟合参数和预设的黄斑变性程度阈值进行比较，得到比较结果。
基于所述比较结果，确定所述视网膜区域的黄斑变性程度参数。
在本申请的一些实施例中，在对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集之前，所述装置还用于：
获取初始视网膜眼底图像。
调整所述初始视网膜眼底图像的尺寸，得到尺寸调整后的视网膜眼底图像。
对尺寸调整后的视网膜眼底图像进行光照修正处理，得到光照修正后的第一视网膜眼底图像。
本申请中的黄斑变性程度参数确定装置，通过第一确定单元601自动对预先获取的第一视网膜眼底图像进行分析，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；然后通过第一获取单元602和第二获取单元603依次获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征、所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；最后通过第二确定单元604，对所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行综合分析，避免了因单个特征造成的误判，提高了对所述视网膜区域的黄斑变性程度参数进行确定的准确性和智能化。
除了上述介绍用于黄斑变性程度参数确定方法与装置之外，本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种黄斑变性程度参数确定装置，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述黄斑变性程度参数确定方法实施例中任一实施例中所述的任一方法的操作。
本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种黄斑变性程度参数确定装置。如图7所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器701、一个或一个以上计算机可读存储介质的存储单元702、电源703和输入单元704等部件。本领域技术人员可以理解，图7中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器701是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储单元702内的软件程序和/或模块，以及调用存储在存储单元702的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器701可包括一个或多个处理核心；优选的，处理器701可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器701中。
存储单元702可用于存储软件程序以及模块，处理器701通过运行存储在存储单元702的软件程序以及模块，从而执行各种功能应用以及数据处理。存储单元702可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储单元702可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储单元702还可以包括存储器控制器，以提供处理器701对存储单元702的访问。
计算机设备还包括给各个部件供电的电源703，优选的，电源703可以通过电源管理系统与处理器701逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源703还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元704，该输入单元704可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本申请实施例中，计算机设备中的处理器701会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元702中，并由处理器701来运行存储在存储单元702中的应用程序，从而实现各种功能，如下：
基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征；获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数。
本申请中的黄斑变性程度参数确定方法，通过自动对预先获取的第一视网膜眼底图像进行分析，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；然后依次获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征、所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；最后对所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行综合分析，避免了因单个特征造成的误判，提高了对所述视网膜区域的黄斑变性程度参数进行确定的准确性和智能化。
为此，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random AccessMemory）、磁盘或光盘等。该计算机可读存储介质中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种黄斑变性程度参数确定方法中的步骤。例如，该指令可以执行如下步骤：
基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征；获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征；获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征；基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上对本申请实施例所提供的一种黄斑变性程度参数确定方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种黄斑变性程度参数确定方法，其特征在于，所述方法包括：
基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征，所述叶黄素占比特征为叶黄素区域的面积与黄斑感兴趣区域的面积的比值；
获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征；
获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征，所述玻璃化异常程度特征包括所述视网膜区域内玻璃化增生特征；
基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数；
其中，所述基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征，包括：
对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集，所述通道图像集包括红色通道图像，绿色通道图像以及蓝色通道图像；
基于所述红色通道图像和所述绿色通道图像，确定黄斑中心点坐标、黄斑感兴趣区域以及所述黄斑感兴趣区域的面积；
对所述第一视网膜眼底图像中的叶黄素进行分割，得到所述叶黄素的二值图像；
从所述二值图像中提取所述叶黄素的目标外轮廓，并基于所述目标外轮廓和所述黄斑中心点坐标，确定叶黄素区域的面积；
基于所述叶黄素区域的面积和所述黄斑感兴趣区域的面积，确定叶黄素占比特征。
2.根据权利要求1所述的黄斑变性程度参数确定方法，其特征在于，所述基于所述红色通道图像和所述绿色通道图像，确定黄斑中心点坐标、黄斑感兴趣区域以及所述黄斑感兴趣区域的面积，包括：
获取所述红色通道图像中视盘的第一矩形框的坐标，并基于所述第一矩形框的坐标，确定所述视盘的中心点坐标、所述视盘的长和宽；
分割所述绿色通道图像中血管，得到血管分割图；
提取所述血管分割图中所有子血管的骨架集；
从所述骨架集中确定出目标骨架，并将所述目标骨架作为主血管的骨架；
获取所述主血管的曲线方程；
基于所述曲线方程的焦点坐标，确定黄斑中心点坐标；
基于所述黄斑中心点坐标、所述视盘的中心点坐标以及所述视盘的长和宽，确定黄斑感兴趣区域以及所述黄斑感兴趣区域的面积。
3.根据权利要求1所述的黄斑变性程度参数确定方法，其特征在于，所述基于所述目标外轮廓和所述黄斑中心点坐标，确定叶黄素区域的面积，包括：
将所述黄斑中心点坐标设置为种子点；
基于所述种子点的目标特征，将所述目标外轮廓内的所有像素点进行聚类，得到聚类后的目标区域；
计算所述目标区域的面积，并将所述目标区域的面积作为叶黄素区域的面积。
4.根据权利要求1所述的黄斑变性程度参数确定方法，其特征在于，所述获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征，包括：
对所述第一视网膜眼底图像的玻璃化进行识别，得到所述玻璃化的第二矩形框的坐标，并基于所述第二矩形框的坐标，计算所述玻璃化的面积；
基于所述玻璃化的面积，对所述玻璃化中增生玻璃化和硬性玻璃化进行分类，并统计所述增生玻璃化的数量和硬性玻璃化的数量；
基于所述增生玻璃化的数量和硬性玻璃化的数量，确定所述第一视网膜眼底图像中玻璃化异常程度特征。
5.根据权利要求1所述的黄斑变性程度参数确定方法，其特征在于，所述基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数，包括：
将所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征进行加权拟合，得到拟合参数；
将所述拟合参数和预设的黄斑变性程度阈值进行比较，得到比较结果；
基于所述比较结果，确定所述视网膜区域的黄斑变性程度参数。
6.根据权利要求1所述的黄斑变性程度参数确定方法，其特征在于，在对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集之前，所述方法还包括：
获取初始视网膜眼底图像；
调整所述初始视网膜眼底图像的尺寸，得到尺寸调整后的视网膜眼底图像；
对尺寸调整后的视网膜眼底图像进行光照修正处理，得到光照修正后的第一视网膜眼底图像。
7.一种黄斑变性程度参数确定装置，其特征在于，所述装置包括：
第一确定单元，用于基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征，所述叶黄素占比特征为叶黄素区域的面积与黄斑感兴趣区域的面积的比值；
第一获取单元，用于获取所述第一视网膜眼底图像中视网膜区域的中央凹清晰度特征；
第二获取单元，用于获取所述第一视网膜眼底图像中视网膜区域的玻璃化异常程度特征，所述玻璃化异常程度特征包括所述视网膜区域内玻璃化增生特征；
第二确定单元，用于基于所述叶黄素占比特征、中央凹清晰度特征以及玻璃化异常程度特征，确定所述视网膜区域的黄斑变性程度参数；
其中，所述基于预先获取的第一视网膜眼底图像，确定所述第一视网膜眼底图像中视网膜区域的叶黄素占比特征，包括：
对预先获取的第一视网膜眼底图像进行通道分离，得到分离后的RGB颜色通道图像集，所述通道图像集包括红色通道图像，绿色通道图像以及蓝色通道图像；
基于所述红色通道图像和所述绿色通道图像，确定黄斑中心点坐标、黄斑感兴趣区域以及所述黄斑感兴趣区域的面积；
对所述第一视网膜眼底图像中的叶黄素进行分割，得到所述叶黄素的二值图像；
从所述二值图像中提取所述叶黄素的目标外轮廓，并基于所述目标外轮廓和所述黄斑中心点坐标，确定叶黄素区域的面积；
基于所述叶黄素区域的面积和所述黄斑感兴趣区域的面积，确定叶黄素占比特征。
8.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至6中任一项所述的黄斑变性程度参数确定方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至6任一项所述的黄斑变性程度参数确定方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093144.1A CN116823828B (zh) | 2023-08-29 | 2023-08-29 | 黄斑变性程度参数确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093144.1A CN116823828B (zh) | 2023-08-29 | 2023-08-29 | 黄斑变性程度参数确定方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116823828A CN116823828A (zh) | 2023-09-29 |
| CN116823828B true CN116823828B (zh) | 2023-12-08 |
Family
ID=88126066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311093144.1A Active CN116823828B (zh) | 2023-08-29 | 2023-08-29 | 黄斑变性程度参数确定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823828B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
| CN110327013A (zh) * | 2019-05-21 | 2019-10-15 | 北京至真互联网技术有限公司 | 眼底图像检测方法、装置及设备和存储介质 |
| CN110400289A (zh) * | 2019-06-26 | 2019-11-01 | 平安科技（深圳）有限公司 | 眼底图像识别方法、装置、设备和存储介质 |
| CN111046717A (zh) * | 2019-10-11 | 2020-04-21 | 平安科技（深圳）有限公司 | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 |
| CN111419173A (zh) * | 2020-04-03 | 2020-07-17 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的黄斑色素密度测量方法及设备 |
| CN112017187A (zh) * | 2020-11-02 | 2020-12-01 | 平安科技（深圳）有限公司 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
| CN114627078A (zh) * | 2022-03-15 | 2022-06-14 | 平安科技（深圳）有限公司 | 视网膜病变识别设备、装置及存储介质 |
| CN115272231A (zh) * | 2022-07-28 | 2022-11-01 | 浙江工业大学 | 一种非增殖性糖尿病视网膜病变分级方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8896682B2 (en) * | 2008-12-19 | 2014-11-25 | The Johns Hopkins University | System and method for automated detection of age related macular degeneration and other retinal abnormalities |
| JP5936254B2 (ja) * | 2012-02-29 | 2016-06-22 | 国立大学法人京都大学 | 眼底観察装置及び眼底画像解析装置 |
-
2023
- 2023-08-29 CN CN202311093144.1A patent/CN116823828B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
| CN110327013A (zh) * | 2019-05-21 | 2019-10-15 | 北京至真互联网技术有限公司 | 眼底图像检测方法、装置及设备和存储介质 |
| CN110400289A (zh) * | 2019-06-26 | 2019-11-01 | 平安科技（深圳）有限公司 | 眼底图像识别方法、装置、设备和存储介质 |
| CN111046717A (zh) * | 2019-10-11 | 2020-04-21 | 平安科技（深圳）有限公司 | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 |
| CN111419173A (zh) * | 2020-04-03 | 2020-07-17 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的黄斑色素密度测量方法及设备 |
| CN112017187A (zh) * | 2020-11-02 | 2020-12-01 | 平安科技（深圳）有限公司 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
| CN114627078A (zh) * | 2022-03-15 | 2022-06-14 | 平安科技（深圳）有限公司 | 视网膜病变识别设备、装置及存储介质 |
| CN115272231A (zh) * | 2022-07-28 | 2022-11-01 | 浙江工业大学 | 一种非增殖性糖尿病视网膜病变分级方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Automatic Grading of Macular Degeneration from Color Fundus Images";Jyoti Prakash Medhi.et al;《IEEE》;全文 * |
| 孙武等."年龄相关性黄斑变性营养质量的研究进展".2022,第32卷(第11期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116823828A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Odstrcilik et al. | Retinal vessel segmentation by improved matched filtering: evaluation on a new high‐resolution fundus image database | |
| US11995821B2 (en) | Medical image region screening method and apparatus and storage medium | |
| Kauppi et al. | DIARETDB0: Evaluation database and methodology for diabetic retinopathy algorithms | |
| He et al. | Structured layer surface segmentation for retina OCT using fully convolutional regression networks | |
| Chutatape | A model-based approach for automated feature extraction in fundus images | |
| Li et al. | Automated feature extraction in color retinal images by a model based approach | |
| CN108985210A (zh) | 一种基于人眼几何特征的视线追踪方法及系统 | |
| EP1499110A2 (en) | Detecting and correcting red-eye in a digital-image | |
| CN111507932B (zh) | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 | |
| Vigueras-Guillén et al. | Corneal endothelial cell segmentation by classifier-driven merging of oversegmented images | |
| CN112384127B (zh) | 眼睑下垂检测方法及系统 | |
| Zhen et al. | Assessment of central serous chorioretinopathy depicted on color fundus photographs using deep learning | |
| CN113012093B (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
| CN115423870A (zh) | 一种瞳孔中心定位方法和装置 | |
| Singh et al. | Optimized convolutional neural network for glaucoma detection with improved optic-cup segmentation | |
| CN116823828B (zh) | 黄斑变性程度参数确定方法、装置、设备及存储介质 | |
| Sahoo et al. | Improved detection accuracy of red lesions in retinal fundus images with superlearning approach | |
| CN116030042A (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| WO2022227108A1 (zh) | 基于中央凹残差网络的前列腺多模mr图像分类方法和系统 | |
| CN115206494A (zh) | 基于眼底图像分类的阅片系统及阅片方法 | |
| CN109447995B (zh) | 一种眼前节图像的分割方法及其相关装置 | |
| Kotyk et al. | Semi-automated system for cup to disc measurement for diagnosing glaucoma using classification paradigm | |
| Nair et al. | Categorization of diabetic retinopathy severity levels of transformed images using clustering approach | |
| Hussein et al. | Convolutional Neural Network in Classifying Three Stages of Age-Related Macula Degeneration | |
| CN117455838A (zh) | 眼底图像的病灶预测模型的训练方法、预测方法及装置 |
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 |