CN117893836B - 基于眼底血管几何参数预测糖尿病肾病的方法和系统 - Google Patents
基于眼底血管几何参数预测糖尿病肾病的方法和系统 Download PDFInfo
- Publication number
- CN117893836B CN117893836B CN202410281615.XA CN202410281615A CN117893836B CN 117893836 B CN117893836 B CN 117893836B CN 202410281615 A CN202410281615 A CN 202410281615A CN 117893836 B CN117893836 B CN 117893836B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- calculating
- diabetic nephropathy
- vessel
- 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 174
- 238000000034 method Methods 0.000 title claims abstract description 63
- 208000007342 Diabetic Nephropathies Diseases 0.000 title claims abstract description 61
- 208000033679 diabetic kidney disease Diseases 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000007477 logistic regression Methods 0.000 claims abstract description 13
- 230000002792 vascular Effects 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000002207 retinal effect Effects 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims description 31
- 210000003462 vein Anatomy 0.000 claims description 18
- 210000001367 artery Anatomy 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 13
- 102000007330 LDL Lipoproteins Human genes 0.000 claims description 12
- 108010007622 LDL Lipoproteins Proteins 0.000 claims description 12
- 230000002093 peripheral effect Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000005452 bending Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 206010012689 Diabetic retinopathy Diseases 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 9
- 206010012601 diabetes mellitus Diseases 0.000 claims description 9
- 230000035488 systolic blood pressure Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 210000001210 retinal vessel Anatomy 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 6
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 6
- 102000012192 Cystatin C Human genes 0.000 description 3
- 108010061642 Cystatin C Proteins 0.000 description 3
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 3
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 3
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 3
- 235000012000 cholesterol Nutrition 0.000 description 3
- 229940109239 creatinine Drugs 0.000 description 3
- 230000024924 glomerular filtration Effects 0.000 description 3
- 201000001474 proteinuria Diseases 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 244000201986 Cassia tora Species 0.000 description 2
- 101710194425 Dehydrogenase/reductase SDR family member 4 Proteins 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 208000020832 chronic kidney disease Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003734 kidney Anatomy 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
- NCAIGTHBQTXTLR-UHFFFAOYSA-N phentermine hydrochloride Chemical compound [Cl-].CC(C)([NH3+])CC1=CC=CC=C1 NCAIGTHBQTXTLR-UHFFFAOYSA-N 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 102000015779 HDL Lipoproteins Human genes 0.000 description 1
- 108010010234 HDL Lipoproteins Proteins 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 102000007562 Serum Albumin Human genes 0.000 description 1
- 108010071390 Serum Albumin Proteins 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 208000028208 end stage renal disease Diseases 0.000 description 1
- 201000000523 end stage renal failure Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011862 kidney biopsy Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000004256 retinal image Effects 0.000 description 1
- 150000003626 triacylglycerols Chemical class 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了基于眼底血管几何参数预测糖尿病肾病的方法和系统，属于图像数据处理或产生技术领域，所述方法包括以下步骤：获得数据集，所述数据集包括临床数据和视网膜血管成像数据；从所述临床数据和眼底血管几何参数中，筛选建模指标，并建立训练集；基于逻辑回归的方法，对所述训练集进行训练，获得预测模型；通过预测模型对待测数据进行分析，预测为糖尿病肾病或非糖尿病肾病。从视膜血管成像数据中提取眼底血管几何参数，并利用数据集训练预测模型，对待测数据进行分析，预测患者为糖尿病肾病或非糖尿病肾病；实现无创、快速地预测糖尿病肾病；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几何参数预测糖尿病肾病的方法和系统。
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。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几何参数预测糖尿病肾病的方法和系统，基于逻辑回归模型对眼底血管几何参数进行分析，预测糖尿病肾病。
本发明公开了基于眼底血管几何参数预测糖尿病肾病的方法，包括以下步骤：获得数据集，所述数据集包括临床数据和视网膜血管成像数据，所述视网膜血管成像数据包括以下任一眼底血管几何参数或它们的组合：血管直径、血管分形维数、血管弯曲度和血管分支角度；从所述临床数据和眼底血管几何参数中，筛选建模指标，并建立训练集；基于逻辑回归的方法，对所述训练集进行训练，获得预测模型；通过预测模型对待测数据进行分析，预测为糖尿病肾病或非糖尿病肾病。
优选的，所述预测模型表示为：
其中，D为常数，PDN表示为预测为糖尿病肾病的概率，DM表示为糖尿病病程，DR表示为糖尿病视网膜病变的量化值，FDv表示为静脉血管分形维数，LDL表示为低密度脂蛋白，SBP表示为收缩压；
若PDN大于或等于第二阈值，预测为糖尿病肾病；
若PDN小于第二阈值，预测为非糖尿病肾病。
优选的，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，其中，所述矩形框的尺寸分别为：4×4、8×8、16×16、32×32和64×64，以4、8、16、32、64为第一向量；
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。
优选的，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；
根据血管分形维数的计算方法对动脉或静脉进行计算，获得动脉血管分形维数和静脉分形维数；
根据动脉血管分形维数和静脉分形维数的均值，计算血管总分形维数。
优选的，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；
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。
优选的，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。
优选的，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。
优选的，血管分支角的计算方法包括：
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。
优选的，本发明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。
本发明还提供一种用于实现上述方法的系统，包括采集模块和预测模块，所述采集模块用于采集待测数据；所述预测模块用于通过所述预测模型对所述待测数据进行分析，预测为糖尿病肾病或非糖尿病肾病。
与现有技术相比，本发明的有益效果为：从视膜血管成像数据中提取眼底血管几何参数，并利用数据集训练预测模型，通过预测模型对待测数据进行分析，预测患者为糖尿病肾病或非糖尿病肾病；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几何参数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3是第一模型、第二模型和第三模型的ROC曲线；
图4是预测模型的ROC曲线；
图5是本发明的预测糖尿病肾病的系统逻辑框图。
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基于眼底血管几何参数预测糖尿病肾病的方法，如图1所示，包括以下步骤：
步骤S1：获得数据集。所述数据集包括临床数据和视网膜血管成像数据，所述视网膜血管成像数据包括以下任一眼底血管几何参数它们的组合：血管直径、血管分形维数、血管弯曲度和血管分支角度。
步骤S2：从所述临床数据和眼底血管几何参数中，筛选建模指标，并建立训练集。
步骤S3：基于逻辑回归的方法，对所述训练集进行训练，获得预测模型。
步骤S4：通过预测模型对待测数据进行分析，预测为糖尿病肾病或非糖尿病肾病。
从视膜血管成像数据中提取眼底血管几何参数，并利用数据集训练预测模型，通过预测模型对待测数据进行分析，预测患者为糖尿病肾病或非糖尿病肾病；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的数据集中，筛选了成年2型糖尿病和慢性肾脏病患者，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。
数据集中临床数据的一般临床指标包括：性别、年龄、高血压病程、糖尿病病程、吸烟史、饮酒史、糖尿病视网膜病变DR、收缩压、舒张压、身体质量指数（BMI，根据身高和体重计算）；实验室指标：血红蛋白、糖化血红蛋白、血清白蛋白、尿素氮、肌酐、血尿酸、肾小球滤过率eGFR、胱抑素C、总胆固醇TC、甘油三酯TG、高密度脂蛋白HDL、低密度脂蛋白LDL和蛋白尿。
眼底血管几何参数的指标包括：总血管直径CB、动脉直径CBa、静脉直径CBv、动静脉直径比率AVR、血管总分形维数FD、动脉分形维数FDa、静脉分形维数FDv、总血管弯曲度TOR、动脉弯曲度TORa、静脉弯曲度TORv、总血管弯曲密度TD、动脉弯曲密度TDa、静脉弯曲密度TDv、分支角度BA。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，并从眼底照片中提取几何参数。总血管弯曲度TOR、动脉弯曲度TORa、静脉弯曲度TORv、总血管弯曲密度TD、动脉弯曲密度TDa、静脉弯曲密度TDv从C区中提取。分支角度BA为B+C区血管可识别分支角度的平均值。
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。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，获得正方形区域旋转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，其中，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FD。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表示为曲线长度，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。相应地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，总血管直径CB、动脉直径CBa、静脉直径CBv分别计算B区各直径的中位数，动静脉直径比率AVR为动脉直径CBa和静脉直径CBv的比值。提取眼底图像区域内的整个视网膜血管树，并分别计算总血管以及动脉和静脉血管的分形维度，获得血管总分形维数FD、动脉分形维数FDa、静脉分形维数FDv。分形维度的计算采用盒计数法。
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幅图像，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。
位置得分反映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法识别步骤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。相应地，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。
步骤S2中，可基于单因素逻辑回归筛选建模指标，糖尿病肾病组和非糖尿病肾病组一般临床指标的组间比较参见表1。
表1
眼底血管几何参数的组间比较参见表2。
表2
其中，为方便呈现数据，血管弯曲密度均将原参数乘以10的4次方计算。单因素逻辑回归P<0.1的所有参数如表3，结果表明，眼底血管几何参数中，FD、FDa、FDv均与DN相关。
表3
多因素二元逻辑回归分析结果显示对多个变量进行校正，参见表4，FD、FDa和FDv在DN和NDRD组间的差异仍有统计学意义。
表4
其中，推断模型1通过年龄和性别调整；推断模型2通过年龄、性别、糖尿病病程、吸烟史、身体质量指数、收缩压、血红蛋白、糖化血红蛋白、尿素氮、肌酐、肾小球滤过率、胱抑素C、总胆固醇、低密度脂蛋白和蛋白尿调整。与模型2相比，推断模型3通过年龄、性别、糖尿病病程、吸烟史、身体质量指数、收缩压、血红蛋白、糖化血红蛋白、尿素氮、肌酐、肾小球滤过率、胱抑素C、总胆固醇、低密度脂蛋白、蛋白尿和糖尿病视网膜病变进行调整。
以上单因素及多因素逻辑回归显示，视网膜血管几何参数中，总分形维数、动脉分形维数、静脉分形维数与糖尿病肾病的相关性具有统计学意义。因此我们分别单独将三个分形维数纳入第一模型、第二模型和第三模型，并建立ROC曲线以展示它们的预测能力，如图3所示，横坐标为1-特异性(1-Specificity)、纵坐标为灵敏度（Sensitivity），总分形维数、动脉分形维数、静脉分形维数建立的模型曲线下面积AUC分别为0.697、0.617和0.719。因三个参数考虑有共线性，因此当中只挑选静脉分形维数FDv进入最终的预测模型。
根据单因素、多因素逻辑回归统计分析的结果及临床经验挑选变量，并通过共线性检测，最后采用正向逐步逻辑回归法进行筛选。在多因素二元逻辑回归建立的模型中，糖尿病病程DM、糖尿病视网膜病变DR、静脉分形维数FDv、低密度脂蛋白LDL和收缩压SBP最终被纳入模型。
所述预测模型表示为：
其中，D为常数，PDN表示为预测为糖尿病肾病的概率，DM表示为糖尿病病程，DR表示为糖尿病视网膜病变的量化值，FDv表示为静脉血管分形维数，LDL表示为低密度脂蛋白，SBP表示为收缩压。
若PDN大于或等于第二阈值，预测为糖尿病肾病；若PDN小于第二阈值，预测为非糖尿病肾病。其中第二阈值可以取值为0.5-0.9。
在一个具体的训练中，预测模型为：
PDN = exp(3.840 + 0.012DM + 2.812DR - 5.536FDv - 0.462LDL + 0.020SBP)/[1+exp(3.840 + 0.012DM + 2.812DR - 5.536FDv - 0.462LDL + 0.020SBP)] （6）
但不限于此，应当指出的是，不同的训练集所训练的模型，各个常数和系数值有所不同。图4示出了所述预测模型的ROC曲线，曲线下面积为 0.930，95% CI 为 0.903-0.958，P 值小于 0.001。
本发明通过较易采集的眼底图像及其眼底血管几何参数预测糖尿病肾病，实现无创、快速地预测，为临床医生提供重要的数据支持。
在第一实施例中，患者A的糖尿病病程24个月、无糖尿病视网膜病变、FDv值为1.59844、低密度脂蛋白10.20 mmol/L、收缩压152mmHg，代入公式6：PDN = exp(3.840 +0.012×24 + 2.812×0 - 5.536×1.59844 - 0.462×10.20 + 0.020×152) / [1 + exp(3.840 + 0.012×24 + 2.812×0 - 5.536×1.59844 - 0.462×10.20 + 0.020×152)]= 0.002，PDN < 0.5说明该患者验证为NDRD，非糖尿病肾病。
在第二实施例中，患者B的糖尿病病程312个月、有糖尿病视网膜病变、FDv值为1.36572、低密度脂蛋白2.36 mmol/L、收缩压153mmHg，代入公式6：PDN = exp(3.840 +0.012×312 + 2.812×1 - 5.536×1.36572 - 0.462×2.36 + 0.020×153) / [1 + exp(3.840 + 0.012×312 + 2.812×1 - 5.536×1.36572 - 0.462×2.36 + 0.020×153)]= 0.992，PDN≥0.5说明该患者验证为DN，糖尿病肾病。
本发明第二方面还提供一种用于实现上述方法的系统，如图5所示，包括采集模块1和预测模块2，所述采集模块1用于采集待测数据；所述预测模块2用于通过所述预测模型对所述待测数据进行分析，预测为糖尿病肾病或非糖尿病肾病。
上述系统还可以包括训练模块3，用于从所述临床数据和眼底血管几何参数中，筛选建模指标，并建立训练集；并基于逻辑回归的方法，对所述训练集进行训练，获得预测模型。
本发明第三方面还提供一种用于实现上述方法的终端，包括输入单元、预测单元和输出单元。输入单元用于采集建模指标值；所述预测单元用于通过预测模型对所述建模指标值进行计算获得糖尿病肾病的概率，并根据所述概率和第二阈值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。
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 (9)
1.基于眼底血管几何参数预测糖尿病肾病的方法，其特征在于，包括以下步骤：
步骤S1：获得数据集，
所述数据集包括临床数据和视网膜血管成像数据，所述视网膜血管成像数据包括以下任一眼底血管几何参数或它们的组合：血管直径、血管分形维数、血管弯曲度和血管分支角度；
步骤S2：从所述临床数据和眼底血管几何参数中，筛选建模指标，并建立训练集；
步骤S3：基于逻辑回归的方法，对所述训练集进行训练，获得预测模型；
步骤S4：通过预测模型对待测数据进行分析，预测为糖尿病肾病或非糖尿病肾病；
其中，所述预测模型表示为：
;
其中，D为常数，PDN表示为预测为糖尿病肾病的概率，DM表示为糖尿病病程，DR表示为糖尿病视网膜病变的量化值，FDv表示为静脉血管分形维数，LDL表示为低密度脂蛋白，SBP表示为收缩压；
其中，获得血管直径的方法包括：
提取待识别区域的绿色通道；
对所述绿色通道进行图像增强，获得增强图像；
通过自适应阈值处理的方法，提取增强图像的边缘；
对所述边缘的内部进行填充，获得第一血管图像；
根据所述第一血管图像，以1°为步长旋转图像，切分出12点钟方向的正方形区域；
对所述正方形区域进行旋转，获得旋转后正方形区域的纵向灰度值叠加数值，并获得纵向灰度值叠加数值的分布曲线；
根据所述分布曲线，判断所述第一血管图像是否具有血管；
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；
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；
从所述竖直正方形区域中，选出血管定位框；
根据所述血管定位框获得血管分割图像；
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；
计算所述坐标数组中相邻两点间的距离，获得距离数组；
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；
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；
计算两条边缘曲线间的距离，获得血管直径。
2.根据权利要求1所述的方法，其特征在于，
若糖尿病肾病的概率大于或等于第二阈值，预测为糖尿病肾病；
若糖尿病肾病的概率小于第二阈值，预测为非糖尿病肾病。
3.根据权利要求2所述的方法，其特征在于，血管分形维数的计算方法包括：
获得眼底图像的血管分割图像；
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，其中，所述矩形框的尺寸分别为：4×4、8×8、16×16、32×32和64×64，以4、8、16、32和64为第一向量；
累计每组切分图中有血管的图片数量，获得五组数量，设置为第二向量；
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；
根据所述参数值，建立血管分形维数。
4.根据权利要求3所述的方法，其特征在于，血管分形维数的计算方法还包括：
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和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，利用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；
根据血管分形维数的计算方法对动脉或静脉进行计算，获得动脉血管分形维数和静脉分形维数；
所述血管分形维数包括血管总分形维数，根据动脉血管分形维数和静脉分形维数的均值，计算血管总分形维数。
5.根据权利要求1所述的方法，其特征在于，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；
根据所拟合的曲线方程，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。
6.根据权利要求5所述的方法，其特征在于，还包括血管弯曲密度的计算方法：
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，将曲线方程的曲线分成n+1条子曲线，并按照以下公式计算血管弯曲密度：
;
其中，TD表示为血管弯曲密度，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。
7.根据权利要求1所述的方法，其特征在于，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，以摆正血管；
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、二阶和三阶曲线拟合，获得三组曲线；
分别计算每组曲线在分支点的两个切线方程，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。
8.根据权利要求1所述的方法，其特征在于，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，
(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，则通过绿色通道数据计算视盘的圆心和通过蓝色通道数据计算视盘的直径。
9.一种预测糖尿病肾病的系统，其特征在于，用于实现如权利要求1-8任一项所述的方法，所述系统包括采集模块和预测模块，
所述采集模块用于采集待测数据；
所述预测模块用于通过所述预测模型对所述待测数据进行分析，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 |
|---|---|---|---|
| CN202410281615.XA CN117893836B (zh) | 2024-03-13 | 2024-03-13 | 基于眼底血管几何参数预测糖尿病肾病的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410281615.XA CN117893836B (zh) | 2024-03-13 | 2024-03-13 | 基于眼底血管几何参数预测糖尿病肾病的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117893836A CN117893836A (zh) | 2024-04-16 |
| CN117893836B true CN117893836B (zh) | 2024-05-28 |
Family
ID=90645037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410281615.XA Active CN117893836B (zh) | 2024-03-13 | 2024-03-13 | 基于眼底血管几何参数预测糖尿病肾病的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117893836B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881862A (zh) * | 2015-04-03 | 2015-09-02 | 南通大学 | 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用 |
| CN110889846A (zh) * | 2019-12-03 | 2020-03-17 | 哈尔滨理工大学 | 一种基于fcm的糖尿病视网膜图像视盘分割方法 |
| CN116205897A (zh) * | 2023-03-16 | 2023-06-02 | 广州黄埔银海光圈医疗科技有限公司 | 基于局部整体比率的血管弯曲度评价方法及系统 |
| 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 |
| CN116913508A (zh) * | 2023-09-13 | 2023-10-20 | 中国人民解放军总医院第一医学中心 | 一种基于白睛特征预测糖尿病肾病的方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010071898A2 (en) * | 2008-12-19 | 2010-06-24 | The Johns Hopkins Univeristy | A system and method for automated detection of age related macular degeneration and other retinal abnormalities |
| CN108615051B (zh) * | 2018-04-13 | 2020-09-15 | 博众精工科技股份有限公司 | 基于深度学习的糖尿病视网膜图像分类方法及系统 |
-
2024
- 2024-03-13 CN CN202410281615.XA patent/CN117893836B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881862A (zh) * | 2015-04-03 | 2015-09-02 | 南通大学 | 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用 |
| CN110889846A (zh) * | 2019-12-03 | 2020-03-17 | 哈尔滨理工大学 | 一种基于fcm的糖尿病视网膜图像视盘分割方法 |
| 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 |
| CN116205897A (zh) * | 2023-03-16 | 2023-06-02 | 广州黄埔银海光圈医疗科技有限公司 | 基于局部整体比率的血管弯曲度评价方法及系统 |
| 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 |
| CN116913508A (zh) * | 2023-09-13 | 2023-10-20 | 中国人民解放军总医院第一医学中心 | 一种基于白睛特征预测糖尿病肾病的方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于糖尿病视网膜病变的诊断模型对糖尿病肾病有较好诊断效能;李莹 等;《南方医科大学学报》;20230920;第43卷(第09期);第1585-1589页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117893836A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340789B (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
| Muramatsu et al. | Detection of retinal nerve fiber layer defects on retinal fundus images for early diagnosis of glaucoma | |
| US9848765B2 (en) | Quantifying a blood vessel reflection parameter of the retina | |
| CN111681242B (zh) | 视网膜血管动静脉区分方法和装置、设备 | |
| WO2022142030A1 (zh) | 高血压性视网膜病变的病变特征的测量方法及测量系统 | |
| CN109658393B (zh) | 眼底图像拼接方法及系统 | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
| Jordan et al. | A review of feature-based retinal image analysis | |
| CN110415216B (zh) | 基于sd-oct和octa视网膜图像的cnv自动检测方法 | |
| CN111882566A (zh) | 视网膜图像的血管分割方法、装置、设备及存储介质 | |
| US11974811B2 (en) | Detecting avascular and signal reduction areas in retinas using neural networks | |
| Dubey et al. | Recent developments on computer aided systems for diagnosis of diabetic retinopathy: a review | |
| CN116309235A (zh) | 一种针对糖尿病预测的眼底图像的处理方法和系统 | |
| 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 | |
| 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 | |
| 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 | |
| CN116452571A (zh) | 一种基于深度神经网络的图像识别方法 | |
| CN115908795A (zh) | 眼底动静脉分割方法、血管参数计算方法，装置和设备 | |
| CN116313037A (zh) | 一种基于多模态数据的糖尿病预测方法和系统 | |
| CN111598838B (zh) | 心脏mr图像自动分割方法、装置、电子设备和存储介质 | |
| Carmona et al. | Modeling, localization, and segmentation of the foveal avascular zone on retinal OCT-angiography images | |
| Huang et al. | From local to global: a graph framework for retinal artery/vein classification | |
| CN118262402B (zh) | 用于眼底血管图像分类的训练方法及相关系统和方法 | |
| Sindhusaranya et al. | Hybrid algorithm for retinal blood vessel segmentation using different pattern recognition techniques |
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 |