CN117876801B - 基于眼底血管特征和人工智能预测糖尿病肾病的方法 - Google Patents
基于眼底血管特征和人工智能预测糖尿病肾病的方法 Download PDFInfo
- Publication number
- CN117876801B CN117876801B CN202410281591.8A CN202410281591A CN117876801B CN 117876801 B CN117876801 B CN 117876801B CN 202410281591 A CN202410281591 A CN 202410281591A CN 117876801 B CN117876801 B CN 117876801B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- fundus
- obtaining
- diabetic nephropathy
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 60
- 208000007342 Diabetic Nephropathies Diseases 0.000 title claims abstract description 59
- 208000033679 diabetic kidney disease Diseases 0.000 title claims abstract description 59
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 69
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000005452 bending Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 11
- 210000001367 artery Anatomy 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 210000003462 vein Anatomy 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 239000008280 blood Substances 0.000 claims 1
- 230000002792 vascular Effects 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000004393 prognosis Methods 0.000 abstract description 3
- 101710194425 Dehydrogenase/reductase SDR family member 4 Proteins 0.000 description 31
- 230000000694 effects Effects 0.000 description 21
- 238000007637 random forest analysis Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 5
- 230000002207 retinal effect Effects 0.000 description 5
- 208000020832 chronic kidney disease Diseases 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000000502 dialysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000011862 kidney biopsy Methods 0.000 description 2
- 230000004089 microcirculation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000004256 retinal image Effects 0.000 description 2
- 210000001210 retinal vessel Anatomy 0.000 description 2
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 206010018372 Glomerulonephritis membranous Diseases 0.000 description 1
- 206010055171 Hypertensive nephropathy Diseases 0.000 description 1
- 208000010159 IgA glomerulonephritis Diseases 0.000 description 1
- 206010021263 IgA nephropathy Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 208000028208 end stage renal disease Diseases 0.000 description 1
- 201000000523 end stage renal failure Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 201000008350 membranous glomerulonephritis Diseases 0.000 description 1
- 231100000855 membranous nephropathy Toxicity 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了基于眼底血管特征和人工智能预测糖尿病肾病的方法,属于图像数据处理或产生技术领域,包括以下步骤:获得待预测的眼底图像;根据所述眼底图像获得眼底血管特征,所述眼底血管特征包括以下任一特征或它们的组合:血管直径、血管分形维数、血管弯曲度、血管弯曲密度和血管分支角;获得基于人工智能的预测模型;通过所述预测模型对所述眼底血管特征进行分析,预测为糖尿病肾病或非糖尿病肾病。从眼底照片中提取眼底血管特征,并通过人工智能来识别糖尿病肾病,实现无创、快速地预测糖尿病肾病;为医生的诊断和进一步预后提供重要的参考数据;同时有力地证明了眼底血管特征与糖尿病肾病之间的关联。
Description
技术领域
本发明涉及图像数据处理或产生技术领域,具体涉及基于眼底血管特征和人工智能预测糖尿病肾病的方法。
背景技术
糖尿病已经成为全球的严重慢性病负担。糖尿病肾病DN、糖尿病视网膜病变DR都是2型糖尿病最常见的并发症,DN是全球终末期肾脏疾病的主要原因。目前临床常通过尿蛋白、DR等来鉴别DN,但这些因素并不能准确判断。肾穿刺活检能够较准确地识别,但肾穿刺活检为有创操作,有一定的风险和禁忌症。患者的接受程度有限,因此未能在临床工作中普及。
视网膜血管是全身唯一可以直接观察并测量的血管,是全身微循环的一部分,通过视网膜可简单、快速、无创地观察微循环变化。
CN116309235 A公开了一种针对糖尿病预测的眼底图像的处理方法和系统。将血管断点进行补全后提取的血管特征更准确,并且使用提出的模型在基于图像和血管特征进行糖尿病预测,但其没有公开眼底图像与糖尿病肾病之间的联系。因此,研究眼底血管特征与糖尿病肾病之间的关联,并基于眼底血管的视网膜血管特征预测糖尿病肾病成为一个重要的开发方向。
发明内容
针对现有技术中存在的上述技术问题,本发明提供基于眼底血管特征和人工智能预测糖尿病肾病的方法和系统,通过对眼底图像数据进行处理,获得眼底血管特征,并通过眼底血管特征预测糖尿病肾病。
本发明公开了基于眼底血管特征和人工智能预测糖尿病肾病的方法,包括以下步骤:获得待预测的眼底图像;根据所述眼底图像获得眼底血管特征,所述眼底血管特征包括以下任一特征或它们的组合:血管直径、血管分形维数、血管弯曲度、血管弯曲密度和血管分支角度;获得基于人工智能的预测模型;通过所述预测模型对所述眼底血管特征进行分析,预测为糖尿病肾病DN或非糖尿病肾病NDRD。
优选的,预测模型训练的方法包括:采集数据集,并对数据集进行分组:糖尿病肾病组和非糖尿病肾病组;根据所述数据集的眼底照片,获得眼底血管特征;根据所述眼底血管特征和临床特征,构建第一训练集;基于人工智能机器学习的方法,通过所述第一训练集训练预测模型。
本发明还公开了获得血管直径的方法、血管分形维数的计算方法、血管弯曲度的计算方法、血管弯曲密度的计算方法、血管分支角度的计算方法、眼底图像划分区域的方法、视盘识别的方法、识别单血管和多血管的方法以及识别动静脉的方法。
本发明第二方面还提供一种用于实现上述方法的预测系统。
与现有技术相比,本发明的有益效果为:从眼底照片中提取眼底血管特征,并通过人工智能来识别糖尿病肾病,实现无创、快速地预测糖尿病肾病;为医生的诊断和进一步预后提供重要的参考数据;同时有力地证明了眼底血管特征与糖尿病肾病之间的关联。
附图说明
图1是本发明的基于眼底血管特征预测糖尿病肾病的方法流程图;
图2A是眼底图像分区示意图;
图2B是血管分支角度测量示意图;
图2C是用于计算血管分形维数的血管分割图像;
图2D是血管弯曲度的拟合曲线示意图;
图3A是基于SVM对DN组以及NDRD组训练的ROC曲线图;
图3B是基于SVM对DN+MG组以及NDRD组训练的ROC曲线图;
图3C是基于SVM对DN组以及NDRD+MG组训练的ROC曲线图;
图4A是基于随机森林对DN组以及NDRD组训练的ROC曲线图;
图4B是基于随机森林对DN+MG组以及NDRD组训练的ROC曲线图;
图4C是基于随机森林对DN组以及NDRD+MG组训练的ROC曲线图;
图5A是基于Adaboost对DN组以及NDRD组训练的ROC曲线图;
图5B是基于Adaboost对DN+MG组以及NDRD组训练的ROC曲线图;
图5C是基于Adaboost对DN组以及NDRD+MG组训练的ROC曲线图;
图6A是基于XGBoost对DN组以及NDRD组训练的ROC曲线图;
图6B是基于XGBoost对DN+MG组以及NDRD组训练的ROC曲线图;
图6C是基于XGBoost对DN组以及NDRD+MG组训练的ROC曲线图;
图7A是基于HBGboost对DN组以及NDRD组训练的ROC曲线图;
图7B是基于HBGboost对DN+MG组以及NDRD组训练的ROC曲线图;
图7C是基于HBGboost对DN组以及NDRD+MG组训练的ROC曲线图;
图8A是基于Lightboost对DN组以及NDRD组训练的ROC曲线图;
图8B是基于Lightboost对DN组+MG以及NDRD组训练的ROC曲线图;
图8C是基于Lightboost对DN组以及NDRD+MG组训练的ROC曲线图;
图9是本发明的预测系统的逻辑框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
下面结合附图对本发明做进一步的详细描述:
本发明第一方面提供一种基于眼底血管特征和人工智能预测糖尿病肾病的方法,如图1所示,包括以下步骤:
步骤S1:采集训练数据集,并对数据集进行分组。
所述数据集包括以下类别的眼底血管特征数据:第一类:糖尿病肾病组DN;第二类:非糖尿病肾病组NDRD,例如膜性肾病、IgA肾病和高血压肾病等。还包括第三类:糖尿病肾病合并非糖尿病肾病组MG。
步骤S2:根据所述眼底照片,获得眼底血管特征;并根据所述眼底血管特征和临床特征,构建第一训练集。
步骤S3:基于人工智能机器学习的方法,通过第一训练集训练预测模型。
步骤S4:获得待预测的眼底图像。
步骤S5:从所述待预测眼底图像获得眼底血管特征。
其中,所述血管特征包括血管直径、血管分形维数、血管弯曲度、血管弯曲密度和血管分支角度。
步骤S6:通过所述预测模型对所述眼底血管特征进行分析,预测为糖尿病肾病或非糖尿病肾病。
从眼底照片中提取眼底血管特征,并通过人工智能来识别糖尿病肾病,实现无创、快速地预测糖尿病肾病;为医生的诊断和进一步预后提供重要的参考数据;同时有力地证明了眼底血管特征与糖尿病肾病之间的关联。
步骤S1中,所述训练数据集包括眼底图像。可通过眼底照相机给患者拍摄眼底,获取患者的45°视野的眼底照片,图像需包含视盘及黄斑。可选择成年2型糖尿病和慢性肾脏病患者人群,这些患者未接受透析治疗,年龄在18至80岁之间,有明确的肾活检病理报告,并能配合视网膜摄影。排除病史不完整、双眼视网膜照片不清晰或视网膜图像识别参数不完整的病例。数据集在患者同意、且经过伦理委员会审核的情况下采集。
步骤S2中,更具体的血管直径的特征包括:总血管直径、动脉直径、静脉直径;血管分形维数的特征包括:血管总分形维数、动脉分形维数、静脉分形维数及分形维数拟合方程的截距;血管弯曲度的特征包括:总血管弯曲度、动脉弯曲度、静脉弯曲度;血管弯曲密度的特征包括:总血管弯曲密度、动脉弯曲密度、静脉弯曲密度;血管分支角的特征包括:总血管分支角度。
更具体的,获得血管直径的方法包括:
步骤301:提取待识别区域的绿色通道。
步骤302:对所述绿色通道进行图像增强,获得增强图像。例如高斯滤波、直方图均衡处理、自适应直方图均衡处理等。
步骤303:通过自适应阈值处理的方法,提取图像绿色通道或其增强图像的边缘。
步骤304:对所述边缘的内部进行填充,获得第一血管图像。
通过步骤301-304实现血管分割。
步骤311:根据所述第一血管图像,获得1°为步长旋转图像,切分出12点钟方向的正方形区域。
步骤312:对所述正方形区域进行旋转,获得正方形区域的纵向灰度值叠加数值的分布曲线。
步骤313:根据所述分布曲线,判断所述第一血管图像是否具有血管。
步骤314:若所述第一血管图像具有血管,对正方形区域的血管竖直程度进行评分,获得竖直分。
步骤315:若所述第一血管图像没有血管,则跳过第一血管图像。
步骤316:通过最大化所述竖直分,获得竖直旋转角及相应的竖直正方形区域。
步骤317:从所述竖直正方形区域中,选出血管定位框。可获得竖直正方形区域的四个顶点坐标,作为每根血管的径向切割的血管定位框。
步骤318:根据所述血管定位框获得血管分割图像。即根据血管定位框从第一血管图像中切分出相应的血管图像。
步骤319:基于边缘检测的方法,获得血管分割图像的边缘检测点及其坐标数组。例如可通过canny边缘检测的方法,获得血管分割图像,并将检测到的点存储在所述坐标数组中。
步骤320:计算所述坐标数组中相邻两点间的距离,获得距离数组。
步骤321:根据距离数组,对坐标数组元素进行聚类分组,获得两组边缘检测点。
步骤322:对分组后的两组边缘检测点进行曲线拟合,获得两条边缘曲线。
步骤323:计算两条边缘曲线间的距离,获得血管直径。
其中,可以取眼底图像中某个区域的第一血管图像计算血管直径,例如取B区或C区的第一血管图像。
其中,血管分形维数的计算方法包括以下步骤:
步骤341:获得眼底图像的血管分割图像。图2C示出了用于计算血管分形维数的血管分割图像。
步骤342:分别使用五种尺寸的矩形框对血管分割图像进行切分,获得五组切分图,根据所述五种尺寸建立第一向量。如所述矩形框的尺寸分别为:4*4、8*8、16*16、32*32、64*64,则以4、8、16、32、64为第一向量X。
步骤343:计算每组切分图中有血管的切分图数量,获得五组数量,设置为第二向量Y。
步骤344:以第一向量的对数Log(X)为横坐标、第二向量的对数Log(Y)为纵坐标进行直线方程拟合,获得拟合直线方程及其参数值。
步骤345:根据所述参数值,建立血管分形维数。
更具体的,拟合直线方向的两个参数为分形维数的两个值。拟合的直线方程y=kx+b中,k作为分形维数Fk,b作为分形维数拟合的方程截距Fb。通过上述方法对动脉或静脉图像进行分析,可以得到动脉分形维数和静脉分形维数。
其中,所述血管弯曲度的计算方法包括:
步骤371:预处理:对血管分割图像进行灰度化和二值化处理,获得多个血管轮廓。
步骤372:计算所述血管轮廓的面积,并对所述面积从大到小排序,取前A个血管轮廓,如前20个血管轮廓,并将相应区域的像素赋值为背景像素。
步骤373:获得其余血管轮廓的连通域,及其最小外接矩形。
步骤374:根据所述最小外接矩形的顶点坐标进行透视变换操作,得到单根血管的图像。
步骤375:对所述血管的图像进行轮廓识别,并根据识别结果拟合曲线方程。图2D示出了血管弯曲度计算的拟合曲线。
步骤376:根据所述曲线方程,计算曲线弧长与弦长。
步骤377:根据所述弧长和弦长的比值,计算血管弯曲度。
血管弯曲度的计算公式可以表示为:TOR= Lc/Lx,其中TOR表示为血管弯曲度,Lc表示为曲线弧长,Lx表示为曲线弦长。可以通过步骤371-377计算C区的血管弯曲度,但不限于此。
血管弯曲密度的计算方法包括:
步骤381:计算步骤375的曲线方程二阶导数等于零的n个点的坐标。
步骤382:利用所述n个点,将曲线分成n+1条子曲线,并按照以下公式计算弯曲密度:
其中,TD表示为弯曲密度,n表示为曲线方程二阶导数等于零的点的数量,Lc表示为曲线弧长,Lcsi表示为第i个子曲线的弧长,Lxsi表示为第i个子曲线弦长。n也可以称为拐点。
更具体的,对眼底图像所有动脉血管弯曲度进行计算后,求得的平均值作为参数平均动脉弯曲度DMa,对眼底图像所有动脉血管弯曲密度进行计算后,求得的平均值作为参数平均动脉弯曲密度TDa。相应的可以获得平均静脉弯曲度DMv、平均静脉弯曲密度TDv;对眼底图像所有动脉和静脉血管计算弯曲度和弯曲密度后,分别求得的平均值作为参数平均弯曲度DM和平均弯曲密度TD。
其中,血管分支角的计算方法包括:
步骤401:获得待识别区域的血管分割图像。可采用步骤304中的第一血管图像。
步骤402:根据所述血管分割图像的连通域,分割出第二血管图像。
步骤403:根据连通域的中心线,对第二血管图像进行旋转,将血管摆正。
步骤404:从所述第二血管图像中筛选出具有至少一个分支的第三血管图像。同时删除具有一个分支的血管图像。
步骤405:计算所述第三血管图像的血管直径,并计算分支点坐标。
步骤406:利用基于密度的聚类算法,获得分支点左右两侧像素点的第一点集,所述第一点集包括左侧子集和右侧子集。
步骤407:从所述第一点集中,筛选靠近所述分支点的第二点集。例如躬行靠近分支点部位的1/3像素点。
步骤408:对所述第二点集分别进行一阶、二阶、三阶曲线拟合,获得三组曲线。
步骤409:分别计算每组曲线在分支点的切线方程,获得两个切线方程的角度。
步骤410:取三组曲线角度的平均值,获得血管分支角度。
可通过上述方法计算出静脉和动脉的一阶拟合平均分支角度、二阶拟合平均分支角度以及三阶拟合平均分支角度;对静脉或动脉的上述三个参数取平均值,可计算出平均分支角度B。图2B示出了一个具体的血管分支。
本发明还提供眼底图像划分的方法,所述眼底图像包括视盘以及依次设置在视盘外侧的A区、B区和C区,三个区呈环状;其中,A区距视盘边缘0-0.5个视盘直径、B区距视盘边缘 0.5-1个视盘直径、C 区距视盘边缘 1-2个视盘直径。如图2A所示,在一个具体实施例中,A区和B区的大半径与小半径的差值都设置为0.5个视盘直径,C区的大半径与小半径的差值为1个视盘直径DD,但不限于此。
其中,视盘识别的方法包括:
步骤201:基于滑窗算法,获得所述眼底图像中视盘的候选区域。更具体的,可采用滑窗算法遍历整副图像,得到m个候选视盘所在候选区域。
步骤202:将候选区域切分为三横三纵的子图,所述子图包括中心子图和多个周边子图。
各子组形成为九宫格的形状。每一子图包括红色通道图、绿色通道图、蓝色通道图、色调通道图、饱和度通道图、亮度通道图、灰度图等,可分别计算不同通道图的像素值平均值和像素值方差值。
步骤203:获得中心子图的平均明度和绿色通道的标准差值,以及多个周边子图的平均明度和绿色通道的标准差值。
步骤204:计算候选区域的第一得分,并通过最大化第一得分的方式,从候选区域中筛选视盘区域。其中,所述第一得分的计算公式表示为:
Score1 = v_mean1*0.95 - v_mean2*0.75 + g_std1*1.8 - g_std2*0.6 (1)
其中,v_mean1表示为中心子图的平均明度,v_mean2表示为多个周边子图的平均明度,g_std1表示为中心子图绿色通道的标准差值,g_std2表示为多个周边子图绿色通道的标准差值。通过对图像进行色彩特征统计分析,获得视盘区域。
步骤205:若所述视盘区域的明度中位数大于第一阈值,如220-300,优选250,通过亮度通道筛选的方法获得视盘的定位圆:
在所述视盘区域中遍历候选圆,并计算所述候选圆的第二得分,通过最大化第二得分的方式,筛选候选圆作为视盘的定位圆,并计算所述定位圆的直径和圆心。其中,所述第二得分的计算公式表示为:
(2)
(3)
(4)
(5)
其中,Score2表示为第二得分,SPosition表示为位置得分,Sroundness表示为圆度得分,Sradius表示为半径得分,Xc、Yc表示为候选圆中心坐标,Xp、Yp表示为图片中心坐标;Sod表示为视盘区域的像素面积,Scir表示候选圆的最小外接圆面积;Rcir表示为候选圆的半径,Dp表示为圆形眼底图像的直径。min()表示为取最小值,max()表示为取最大值。
位置得分反应出视盘的位置和图片中心的距离,候选圆越靠近图片中心,得分越高,反之得分越低,得分最高为1。圆度得分反应视盘分割图的圆度,越圆得分越高,得分最高为1。候选圆的半径越接近圆形眼底图像直径的0.2,半径得分越高。
步骤206:若所述视盘区域的明度中位数小于或等于第一阈值,通过绿色通道数据计算视盘的圆心,通过蓝色通道数据计算视盘的直径。
通过大量数据验证得到的规律,当明度大于第一阈值时,使用hsv色彩区间进行视盘识别的效果最好;当明度小于250时,hsv色彩空间上视盘区域的呈现效果不如使用rgb色彩空间的绿色通道好,因此以明度中位数250为第一阈值。
本发明还提供识别单血管和多血管的方法,以及识别动静脉的方法。在具体实施例中,可通过单血管和多血管的方法识别步骤304中第一血管图像的类别为单血管或多血管;通过识别动静脉的方识别步骤304中第一血管图像的类别为动脉或静脉。
其中,识别单血管和多血管的方法包括:
步骤501:获得第二训练集,所述第二训练集包括单血管图像和多血管图像,并包括这些图像的数据标注。相应的,还构建有第二测试集和第二验证集。
步骤502:基于ResNet152神经网络,对所述第二训练集进行训练,获得第二分类模型。具体的测试中,调整算法超参数后,训练单血管与多血管的神经网络分类模型准确率为91%。
步骤503:基于所述第二分类模型,识别单血管和多血管。
识别动静脉的方法包括:
步骤511:对第四血管图像进行增强,获得第五血管图像。例如可基于CLAHE算法对第四血管图像的多个通道分别进行增强。
步骤512:获得第四血管图像的平均灰度,以及第五血管图像的最大灰度、中值灰度、平均灰度、最小灰度、色调通道像素的最大值、饱和度通道像素的最大值、亮度通道像素的最大值、色调通道像素的中值、饱和度通道像素的中值、亮度通道像素的中值,并构建第三训练集。
步骤513:基于机器学习的方法,对所述第三训练集进行训练,获得第三分类模型。在具体的测试中,采用的算法及其准确率如下:随机森林87%,XGBoost:84%,Adaboost:85%,Lightboost:89%,ResNet152:91%,但不限于此。
步骤514:基于第三分类模型,识别动脉和静脉。
在一个具体的测试中,数据集中的数据选择成年2型糖尿病和慢性肾脏病患者人群,这些患者未接受透析治疗,年龄在18至80岁之间,有明确的肾活检病理报告,并能配合视网膜摄影。排除病史不完整、双眼视网膜照片不清晰或视网膜图像识别参数不完整的病例。
训练中,眼底血管特征的变量为:直径中位数D,动脉直径中位数Da,静脉直径中位数Dv;分形维数Fk和分形维数方程截距Fb,动脉分形维数Fka和分形维数方程截距Fba,静脉分形维数Fkv和分形维数方程截距Fbv;平均弯曲度DM,平均动脉弯曲度DMa,平均静脉弯曲度DMv;平均弯曲密度TD,平均动脉弯曲密度TDa,平均静脉弯曲密度TDv;平均分支角度B,动脉一阶拟合平均分支角度Ba1,动脉二阶拟合平均分支角度Ba2,动脉三阶拟合平均分支角度Ba3,静脉一阶拟合平均分支角度Bv1,静脉二阶拟合平均分支角度Bv2,静脉三阶拟合平均分支角度Bv3。初始参数变量选取上述血管直径、弯曲度、弯曲密度、分形维数、分支角度进行模型拟合。
预实验调优后变量选择为:直径中位数D,动脉直径中位数 Da,静脉直径中位数Dv,分形维数Fk、方程截距Fb,动脉分形维数Fka、方程截距Fba,静脉分形维数Fkv、方程截距Fbv;平均弯曲度DM,平均动脉弯曲度DMa,平均静脉弯曲度DMv;平均弯曲密度TD,平均动脉弯曲密度TDa,平均静脉弯曲密度TDv;平均分支角度B。预实验后,剔除分支角度的部分参数,只保留平均分支角度,进行模型拟合,原因是分支角度数据在图像上不全,缺失较多,将所有分支角度合并后计算了平均分支角度。
对于上述数据,可采用平均值插值的方法,对缺失值进行处理。
训练中,利用以下几种第一训练集分别进行训练:1.糖尿病肾病组DN和非糖尿病肾病组NDRD;2. 非糖尿病肾病组NDRD和糖尿病肾病包含或不包含非糖尿病肾病,即DN+MG组;3. 糖尿病肾病组DN和非糖尿病肾病包含或不包含糖尿病肾病,即NDRD+MG组。
建模过程中,分别采用了以下人工智能机器学习方法:SVM、随机森林、Adaboost、XGBoost以及HBGboost,可通过python编程语言开发的机器学习工具实现上述机器学习方法。通过fit_transform()对第一训练集进行归一化,具体的采用StandardScaler类处理数据归一化和标准化,可将参数处理成均值为0、标准差为1的范围内。
采用五折交叉检验使用网格参数搜索进行分类方法最优参数确定。将全部数据分为5等份,取4个等份进行模型训练,剩余1个等份用于测试。网格搜索,在指定的参数范围内,按步长依次调整参数,利用调整的参数训练分类器,从所有的参数中找到在验证集上精度最高的参数,是一个训练和比较的过程,可查找出对于当前数据集来说评价指标最高的超参数组合。
对于每种机器学习方法选择如下评价指标评价训练的模型对于当前数据集拟合效果:五折交叉验证过程正确率的平均值、五折交叉验证过程精确率的平均值、五折交叉验证过程召回率的平均值、五折交叉验证过程F1分数的平均值。同时,计算每个指标的五折交叉验证得到结果的标准差、置信区间。得到五折交叉验证过程中每一折的ROC曲线与AUC指标。
图3A示出基于SVM对糖尿病肾病组DN组和非糖尿病肾病NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.70,拟合效果如表1所示。
表1
图3B示出了基于SVM对NDRD组和DN+MG组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.62,拟合效果如表2所示。
表2
图3C示出了基于SVM对DN组和NDRD+MG组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.67,拟合效果如表3所示。
表3
图4A示出了基于随机森林对DN组和NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.68,拟合效果如表4所示。
表4
图4B示出了基于随机森林对DN+MG组、以及NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.65,拟合效果如表5所示。
表5
图4C示出了基于随机森林对DN组、以及NDRD+MG组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.67,拟合效果如表6所示。
表6
图5A示出了基于Adaboost对DN组和NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.70,拟合效果如表7所示。
表7
图5B示出了基于Adaboost对DN+MG组、以及NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.65,拟合效果如表8所示。
表8
图5C示出了基于Adaboost对DN组、以及NDRD+MG组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.66,拟合效果如表9所示。
表9
图6A示出了基于XGBoost对DN组和NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.71,拟合效果如表10所示。
表10
图6B示出了基于XGBoost对DN+MG组、以及NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.64,拟合效果如表11所示。
表11
图6C示出了基于XGBoost对DN组、以及NDRD+MG组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.68,拟合效果如表12所示。
表12
图7A示出了基于HBGboost对DN组和NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.72,拟合效果如表13所示。
表13
图7B示出了基于HBGboost对DN+MG组、以及NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.57,拟合效果如表14所示。
表14
图7C示出了基于HBGboost对DN组、以及NDRD+MG组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.67,拟合效果如表15所示。
表15
图8A示出了基于Lightboost对DN组和NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.70,拟合效果如表16所示。
表16
图8B示出了基于Lightboost对DN+MG组、以及NDRD组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.65,拟合效果如表17所示。
表17
图8C示出了基于Lightboost对DN组、以及NDRD+MG组进行训练时的五次ROC曲线及其平均曲线,平均AUC为0.66,拟合效果如表18所示。
表18
综合多种机器学习方法来看,肾病分组中,将NDRD和MG组合并会获得最佳分类效果。
眼底图像诊断眼底病变临床应用比较普遍,眼底照片获取容易;本发明首次从眼底照片提取视网膜血管特征通过人工智能机器学习来识别糖尿病肾病,从而无创、快速地识别糖尿病肾病。
应当指出的是,本发明的预测方法用于为医生的诊断和治疗提供方向和建议,不可用于作为糖尿病肾病DN和非糖尿病肾病NDRD的诊断方法。
本发明第二方面提供一种用于实现上述方法的预测系统,如图9所示,包括采集模块1、特征提取模块2和预测模块3,所述采集模块1用于获得待预测的眼底图像;所述特征提取模块2用于从所述眼底图像获得眼底血管特征,所述预测模块3用于通过所述预测模型对所述眼底血管特征进行分析,预测为糖尿病肾病或非糖尿病肾病。
所述预测系统还包括训练模块4,用于训练所述预测模型。
本发明第三方面还提供一种用于实现上述方法的预测装置,包括输入单元、预测单元和输出单元,所述输入单元用于获得待预测的眼底图像;
所述预测单元用于根据所述眼底图像获得眼底血管特征,并通过预测模型对所述眼底血管特征进行分析,预测为糖尿病肾病或非糖尿病肾病;
所述输出单元用于输出或展示预测结果。
本发明第四方面还提供一种用于实现上述方法的指令或程序,以及保存或安装所述指令或程序的存储介质。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包含在本发明的保护范围之内。
Claims (7)
1.基于眼底血管特征和人工智能预测糖尿病肾病的方法,其特征在于,包括以下步骤:
获得待预测的眼底图像;
根据所述眼底图像获得眼底血管特征,所述眼底血管特征包括以下任一特征或它们的组合:血管直径、血管分形维数、血管弯曲度、血管弯曲密度和血管分支角度;
获得基于人工智能的预测模型;
通过所述预测模型对所述眼底血管特征进行分析,预测为糖尿病肾病或非糖尿病肾病;
其中,血管分形维数的计算方法包括:
步骤341:获得眼底图像的血管分割图像;
步骤342:分别使用五种尺寸的矩形框对血管分割图像进行切分,获得五组切分图,根据所述五种尺寸建立第一向量;
步骤343:计算每组切分图中有血管的切分图数量,获得五组数量,设置为第二向量;
步骤344:以第一向量的对数为横坐标、第二向量的对数为纵坐标进行直线方程拟合,获得拟合直线方程、及其参数值;
步骤345:根据所述参数值,建立血管分形维数;
其中,预测模型训练的方法包括:采集数据集,并对数据集进行分组:糖尿病肾病组和非糖尿病肾病组;根据所述数据集的眼底照片,获得眼底血管特征;根据所述眼底血管特征和临床特征,构建第一训练集;基于人工智能机器学习的方法,通过所述第一训练集训练预测模型;
其中,获得血管直径的方法包括:
步骤301:提取待识别区域的绿色通道;
步骤302:对所述绿色通道进行图像增强,获得增强图像;
步骤303:通过自适应阈值处理的方法,提取图像绿色通道或其增强图像的边缘;
步骤304:对所述边缘的内部进行填充,获得第一血管图像;
步骤311:根据所述第一血管图像,获得1°为步长旋转图像,切分出12点钟方向的正方形区域;
步骤312:对所述正方形区域进行旋转,获得正方形区域的纵向灰度值叠加数值的分布曲线;
步骤313:根据所述分布曲线,判断所述第一血管图像是否具有血管;
步骤314:若所述第一血管图像具有血管,对正方形区域的血管竖直程度进行评分,获得竖直分;
步骤316:通过最大化所述竖直分,获得竖直旋转角及相应的竖直正方形区域;
步骤317:从所述竖直正方形区域中,选出血管定位框;
步骤318:根据所述血管定位框获得血管分割图像;
步骤319:基于边缘检测的方法,获得血管分割图像的边缘检测点及其坐标数组;
步骤320:计算所述坐标数组中相邻两点间的距离,获得距离数组;
步骤321:根据距离数组,对坐标数组元素进行聚类分组,获得两组边缘检测点;
步骤322:对分组后的两组边缘检测点进行曲线拟合,获得两条边缘曲线;
步骤323:计算两条边缘曲线间的距离,获得血管直径;
血管分支角度的计算方法包括:
获得待识别区域的血管分割图像;
根据所述血管分割图像的连通域,分割出第二血管图像;
根据连通域的中心线,对第二血管图像进行旋转,将血管摆正;
从所述第二血管图像中筛选出具有至少一个分支的第三血管图像;
计算所述第三血管图像的血管直径,并计算分支点坐标;
利用基于密度的聚类算法,获得分支点左右两侧像素点的第一点集,所述第一点集包括左侧子集和右侧子集;
从所述第一点集中,筛选靠近所述分支点的第二点集;
对所述第二点集分别进行一阶、二阶、三阶曲线拟合,获得三组曲线;
分别计算每组曲线在分支点的切线方程,获得两个切线方程的角度;
取三组曲线角度的平均值,获得血管分支角度;
还包括眼底图像划分区域的方法,所述眼底图像包括视盘以及依次设置在视盘外侧的A区、B区和C区;
其中,视盘识别的方法包括:
步骤201:基于滑窗算法,获得所述眼底图像中视盘的候选区域;
步骤202:将候选区域切分为三横三纵的子图,所述子图包括中心子图和多个周边子图;
步骤203:获得中心子图的平均明度和绿色通道的标准差值,以及多个周边子图的平均明度和绿色通道的标准差值;
步骤204:计算候选区域的第一得分,并通过最大化第一得分的方式,从候选区域中筛选视盘区域,
其中,所述第一得分的计算公式表示为:
Score1 = v_mean1*0.95 - v_mean2*0.75 +g_std1*1.8-g_std2*0.6 (1)
其中,v_mean1表示为中心子图的平均明度,v_mean2表示为多个周边子图的平均明度,g_std1表示为中心子图绿色通道的标准差值,g_std2表示为多个周边子图绿色通道的标准差值;
步骤205:若所述视盘区域的明度中位数大于第一阈值,通过亮度通道筛选的方法获得视盘的定位圆:
在所述视盘区域中遍历候选圆,并计算所述候选圆的第二得分,通过最大化第二得分的方式,筛选候选圆作为视盘的定位圆,并计算所述定位圆的直径和圆心,
其中,所述第二得分的计算公式表示为:
(2)
(3)
(4)
(5);
其中,Score2表示为第二得分,SPosition表示为位置得分,Sroundness表示为圆度得分,Sradius表示为半径得分,Xc、Yc表示为候选圆中心坐标,Xp、Yp表示为图片中心坐标;Sod表示为视盘区域的像素面积,Scir表示候选圆的最小外接圆面积;Rcir表示为候选圆的半径,Dp表示为圆形眼底图像的直径;
步骤206:若所述视盘区域的明度中位数小于或等于第一阈值,通过绿色通道数据计算视盘的圆心,通过蓝色通道数据计算视盘的直径。
2.根据权利要求1所述的方法,其特征在于,所述矩形框的尺寸分别为:4*4、8*8、16*16、32*32、64*64,以4、8、16、32、64为第一向量。
3.根据权利要求1所述的方法,其特征在于,所述血管弯曲度的计算方法包括:
对血管分割图像进行灰度化和二值化处理,获得多个血管轮廓;
计算所述血管轮廓的面积,并对所述面积从大到小排序,取前A个血管轮廓,并将相应区域的像素赋值为背景像素;
获得其余血管轮廓的连通域,及其最小外接矩形;
根据所述最小外接矩形的顶点坐标进行透视变换操作,得到单根血管的图像;
对所述血管的图像进行轮廓识别,并根据识别结果拟合曲线方程;
根据所述曲线方程,计算曲线弧长与弦长;
根据所述弧长和弦长的比值,计算血管弯曲度。
4.根据权利要求3所述的方法,其特征在于,血管弯曲密度的计算方法包括:
计算所述曲线方程二阶导数等于零的n个点的坐标;
利用所述n个点,将曲线分成n+1条子曲线,并按照以下公式计算弯曲密度:
;
其中,TD表示为弯曲密度,n表示为曲线方程二阶导数等于零的点的数量,Lc表示为曲线弧长,Lcsi表示为子曲线弧长,Lxsi表示为子曲线弦长。
5.根据权利要求1所述的方法,其特征在于,还包括识别单血管和多血管的方法:
获得第二训练集,所述第二训练集包括单血管图像和多血管图像;
基于ResNet152神经网络,对所述第二训练集进行训练,获得第二分类模型;
基于所述第二分类模型,识别单血管和多血管。
6.根据权利要求5所述的方法,其特征在于,还包括识别动静脉的方法:
对第四血管图像进行增强,获得第五血管图像;
获得第四血管图像的平均灰度,以及第五血管图像的最大灰度、中值灰度、平均灰度、最小灰度、色调通道像素的最大值、饱和度通道像素的最大值、亮度通道像素的最大值、色调通道像素的中值、饱和度通道像素的中值、亮度通道像素的中值,并构建第三训练集;
基于机器学习的方法,对所述第三训练集进行训练,获得第三分类模型;
基于第三分类模型,识别动脉和静脉。
7.一种预测系统,其特征在于,用于实现如权利要求1-6任一项所述的方法,包括采集模块、特征提取模块和预测模块,
所述采集模块用于获得待预测的眼底图像;所述特征提取模块用于从所述眼底图像获得眼底血管特征,所述预测模块用于通过所述预测模型对所述眼底血管特征进行分析,预测为糖尿病肾病或非糖尿病肾病。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281591.8A CN117876801B (zh) | 2024-03-13 | 2024-03-13 | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281591.8A CN117876801B (zh) | 2024-03-13 | 2024-03-13 | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117876801A CN117876801A (zh) | 2024-04-12 |
CN117876801B true CN117876801B (zh) | 2024-05-28 |
Family
ID=90581514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410281591.8A Active CN117876801B (zh) | 2024-03-13 | 2024-03-13 | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876801B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
CN109978848A (zh) * | 2019-03-19 | 2019-07-05 | 电子科技大学 | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 |
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 |
CN112927242A (zh) * | 2021-03-24 | 2021-06-08 | 上海大学 | 基于区域定位与群体智能搜索算法的快速视盘定位方法 |
CN116309235A (zh) * | 2021-12-07 | 2023-06-23 | 北京航空航天大学 | 一种针对糖尿病预测的眼底图像的处理方法和系统 |
CN116913524A (zh) * | 2023-09-08 | 2023-10-20 | 中国人民解放军总医院第一医学中心 | 一种基于视网膜血管成像预测糖尿病肾病的方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7474775B2 (en) * | 2005-03-31 | 2009-01-06 | University Of Iowa Research Foundation | Automatic detection of red lesions in digital color fundus photographs |
-
2024
- 2024-03-13 CN CN202410281591.8A patent/CN117876801B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
CN109978848A (zh) * | 2019-03-19 | 2019-07-05 | 电子科技大学 | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 |
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 |
CN112927242A (zh) * | 2021-03-24 | 2021-06-08 | 上海大学 | 基于区域定位与群体智能搜索算法的快速视盘定位方法 |
CN116309235A (zh) * | 2021-12-07 | 2023-06-23 | 北京航空航天大学 | 一种针对糖尿病预测的眼底图像的处理方法和系统 |
CN116913524A (zh) * | 2023-09-08 | 2023-10-20 | 中国人民解放军总医院第一医学中心 | 一种基于视网膜血管成像预测糖尿病肾病的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117876801A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197493B (zh) | 眼底图像血管分割方法 | |
Narasimha-Iyer et al. | Robust detection and classification of longitudinal changes in color retinal fundus images for monitoring diabetic retinopathy | |
Mendonça et al. | Ph2: A public database for the analysis of dermoscopic images | |
Cheng et al. | Superpixel classification based optic disc and optic cup segmentation for glaucoma screening | |
CN112465772B (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
KR102250694B1 (ko) | 안구 영상 내 혈관 분할을 이용한 자동 질환 판단 장치 및 그 방법 | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
CN111681242B (zh) | 视网膜血管动静脉区分方法和装置、设备 | |
Vázquez et al. | On the automatic computation of the arterio-venous ratio in retinal images: Using minimal paths for the artery/vein classification | |
Oloumi et al. | Parabolic modeling of the major temporal arcade in retinal fundus images | |
CN109658393B (zh) | 眼底图像拼接方法及系统 | |
CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
Jaafar et al. | Automated detection and grading of hard exudates from retinal fundus images | |
Jordan et al. | A review of feature-based retinal image analysis | |
CN102567734A (zh) | 基于比值的视网膜细小血管分割方法 | |
US11974811B2 (en) | Detecting avascular and signal reduction areas in retinas using neural networks | |
Shaik et al. | Glaucoma identification based on segmentation and fusion techniques | |
Zhang et al. | Automatic detection of microaneurysms in fundus images based on multiple preprocessing fusion to extract features | |
CN108230306A (zh) | 眼底彩照血管及动静脉的识别方法 | |
CN117876801B (zh) | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 | |
CN112669273A (zh) | 眼底图像中玻璃膜疣自动分割方法、装置及可读存储介质 | |
CN116452571A (zh) | 一种基于深度神经网络的图像识别方法 | |
Thanh et al. | A real-time classification of glaucoma from retinal fundus images using AI technology | |
Huang et al. | From local to global: a graph framework for retinal artery/vein classification | |
CN117893836B (zh) | 基于眼底血管几何参数预测糖尿病肾病的方法和系统 |
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 |