CN104102899B - 视网膜血管识别方法及装置 - Google Patents

Abstract

本发明涉及医学技术领域，具体而言，涉及视网膜血管识别方法及装置。该方法，包括：从RGB格式的视网膜眼底图像中提取绿色通路中的视网膜灰度图；设置多个对比尺度，在每个对比尺度下均从多个方向对所述视网膜灰度图上的像素点进行对比度量化，得到视网膜二值化对比度图，其中视网膜二值化对比度图中的像素分为视网膜血管上的像素及非视网膜血管上的像素；对获取的多个所述视网膜二值化对比度图进行差分融合，并去除融合后获得的图像中的噪音及伪影，得到视网膜融合图；从视网膜融合图中确定中央反光区域，并对中央反光区域进行填充，得到视网膜血管分布图。本发明提供的方法及装置，提高了视网膜血管识别的准确性及可靠性。

Description

视网膜血管识别方法及装置

技术领域

本发明涉及医学技术领域，具体而言，涉及视网膜血管识别方法及装置。

背景技术

视网膜居于眼球壁的内层，是一层透明的薄膜。视网膜是唯一可以使用光学非侵入方式观察到的中枢神经组织，它负责向大脑实时传送外界的图像信息。为了保证足够其正常的生理功能，视网膜内含有丰富的血管网络，视网膜中任何的血管异常均会导致视网膜功能的损伤。许多全身疾病，如糖尿病、高血压、动脉硬化、心脑血管意外及中风等，以及许多眼部疾病，如早产儿视网膜病变、视网膜静脉阻塞及老年黄斑变性等，均与视网膜血管的变化密切相关。对视网膜血管的直径、长度、分支角度、迂曲程度的准确横向定量评价及其随时间、病情进展变化的纵向定量评价对于眼科医生提高相关疾病诊断的准确性及效率均有重要的意义，许多疾病的诊疗标准亦基于上述指标的变化。

免散瞳眼底照相技术的普及很好地解决了视网膜血管图像采集的问题，其已广泛应用于眼科临床、体检、眼病筛查等领域，结果证明基于眼底照相检查可以很好地对视网膜血管相关疾病做出准确诊断。但是眼底照相仅仅实现了视网膜血管的采集，相关结果的分析还依赖于人工识别、标注视网膜血管边界，进一步结合临床诊疗规范做出诊断。由于视网膜血管众多，直径、走形、形态各异，人工识别、标注视网膜血管是一项非常费时、费力的工作，并且还存在较大的测量者间与测量者之间的差异。因此，临床非常需要一种能够对视网膜血管形态进行高效且客观的定量分析方法，将采集到的视网膜血管图像数值化，实现这一目标的基本前提是对视网膜血管边界的勾画。

近些年来已有一系列关于对眼底照片上的视网膜血管进行自动识别的计算机算法，如线或边缘跟踪法、多尺度滤波法、形态变形及机器学习法。其中线或边缘跟踪法利用视网膜血管的线状结构，首先设置一个起始点，从起始点开始逐渐延伸、跟踪血管的走形。多尺度滤波法则是利用视网膜血管在宽度、密度及方向性上的特点，采取渐进的方式设置不同的角度、亮度阈值，将视网膜血管上的像素点从背景中过滤出来。机器学习法则先选定图像上每个像素的某一特点为判别指标，人为制定该指标的阈值，根据是否超过阈值将其该像素点分为血管组织或非血管组织，并通过不断与人工识别的结果进行对比对阈值进行不断地调整，提高识别的准确性，常用的方法包括神经网络、支持向量机等。

当前的视网膜血管识别算法均基于不同的图像特征，如颜色、强度、形状、灰度梯度、对比度及解剖结构的连续性等，来识别视网膜血管的边界，其对于视网膜小血管识别的可靠性及准确性仍然无法满足视网膜血管识别的实际需求。

发明内容

本发明的目的在于提供视网膜血管识别方法及装置，以解决上述的问题。

在本发明的实施例中提供了视网膜血管识别方法，包括：从RGB格式的视网膜眼底图像中提取绿色通路中的视网膜灰度图；设置多个对比尺度，在每个对比尺度下均从多个方向对所述视网膜灰度图上的像素点进行对比度量化，得到视网膜二值化对比度图，其中所述视网膜二值化对比度图中的像素分为视网膜血管上的像素及非视网膜血管上的像素；对获取的多个所述视网膜二值化对比度图进行差分融合，并去除融合后获得的图像中的噪音及伪影，得到视网膜融合图；从所述视网膜融合图中确定中央反光区域，并对所述中央反光区域进行填充，得到视网膜血管分布图。

优选地，所述设置多个对比尺度，在每个对比尺度下均从多个方向对所述视网膜灰度图上的像素点进行对比度量化，得到视网膜二值化对比度图，包括：以当前像素点为圆心，以当前确定的对比尺度为半径，确定当前像素点的对比范围；从多个方向计算所述当前像素点与所述对比范围内的各个线状结构亮度均值的差值，并从多个差值中选取最大值作为所述当前像素点的对比度值，其中所述对比度值的计算公式为：

其中，t_θ为所述差值，d为所述线状结构的长度，I^θ为所述线状结构上的一个像素点的亮度值，I(i,j)为所述当前像素点的亮度值，k为常整数，取值范围为1～d；利用上述计算当前像素点的方法计算当前对比尺度内所述视网膜灰度图上的所有像素点的对比度值，利用所有所述像素点的对比度值得到当前对比尺度下的视网膜二值化对比度图；利用该方法得到多个对比尺度下的视网膜二值化对比度图。

优选地，所述对获取的多个所述视网膜二值化对比度图进行差分融合，并去除融合后获得的图像中的噪音及伪影，得到视网膜融合图，包括：

步骤A：从多个所述对比尺度中确定对比尺度d₀，将在所述对比尺度d₀下获取的视网膜二值化对比度图像确定为参照对比图R₀，其中所述对比尺度d₀在多个所述对比尺度中非最小；

步骤B：将所述对比尺度d₀减少间隔Δd得到对比尺度d_i，将在所述对比尺度d_i下获取的视网膜二值化对比度图像确定为对比图R_i；

步骤C：利用所述参照对比图R₀及所述对比图R_i的同一位置上的对比度值的均值得到融合图像U_i；利用所述参照对比图R₀及所述对比图R_i的同一位置上的对比度值的差值得到差分图像D_i，其中当所述参照对比图R₀及所述对比图R_i的同一位置上的对比度值相同时，D_i在该位置上的值为1，否则D_i在该位置上的值为0；

步骤D：去除所述融合图像U_i及所述差分图像D_i上的噪音及伪影，并利用去除噪音及伪影后的所述融合图像U_i及所述差分图像D_i得到融合图；

步骤E：利用所述融合图替换所述参照对比图R₀，且所述融合图的对比尺度d_i替换为所述对比尺度d₀，重复步骤B～D直至得到的d₀等于1；

步骤F：从最终获取的参照对比图R₀中去除噪音及伪影，得到所述视网膜融合图。

优选地，所述去除所述融合图像U_i及所述差分图像D_i上的噪音及伪影，包括：利用公式计算所述融合图像U_i及所述差分图像D_i上的目标图像的细长度，其中S为所述目标图像的最长径，V为所述目标图像的容积；判断所述细长度是否小于设定的细长度阈值，如果是，所述目标图像判定为小的簇状结构或非细长状结构，且去除所述目标图像。

优选地，所述从多个所述对比尺度中确定对比尺度d₀，包括：根据所述视网膜眼底图像中的视网膜血管的最大宽度确定所述对比尺度d₀。

优选地，该方法还包括：根据所述视网膜眼底图像的分辨率确定所述间隔Δd。

优选地，所述从所述视网膜融合图中确定中央反光区域，包括：从水平方向及垂直方向扫描所述视网膜融合图，得到细长状结构非血管区域；将所述细长状结构非血管区域确定为中央反光区域。

本发明实施例还提供了一种视网膜血管识别装置，包括：图像提取模块，用于从RGB格式的视网膜眼底图像中提取绿色通路中的视网膜灰度图；多尺度多方向量化模块，用于设置多个对比尺度，在每个对比尺度下均从多个方向对所述视网膜灰度图上的像素点进行对比度量化，得到视网膜二值化对比度图，其中所述视网膜二值化对比度图中的像素分为视网膜血管上的像素及非视网膜血管上的像素；差分融合模块，用于对获取的多个所述视网膜二值化对比度图进行差分融合，并去除融合后获得的图像中的噪音及伪影，得到视网膜融合图；填充模块，用于从所述视网膜融合图中确定中央反光区域，并对所述中央反光区域进行填充，得到视网膜血管分布图。

优选地，所述多尺度多方向量化模块，包括：对比范围确定子模块，用于以当前像素点为圆心，以当前确定的对比尺度为半径，确定当前像素点的对比范围；对比量化子模块，用于从多个方向计算所述当前像素点与所述对比范围内的各个线状结构亮度均值的差值，并从多个差值中选取最大值作为所述当前像素点的对比度值，其中所述对比度值的计算公式为：

其中，t_θ为所述差值，d为所述线状结构的长度，I^θ为所述线状结构上的一个像素点的亮度值，I(i,j)为所述当前像素点的亮度值，k为常整数，取值范围为1～d；利用上述计算当前像素点的方法计算当前对比尺度内所述视网膜灰度图上的所有像素点的对比度值，利用所有所述像素点的对比度值得到当前对比尺度下的视网膜二值化对比度图；利用该方法得到多个对比尺度下的视网膜二值化对比度图。

本发明实施例提供的视网膜血管识别方法及装置，首先从RGB格式的视网膜眼底图像中提取绿色通路中的图像，因为在该通路中视网膜血管与视网膜背景有最高的对比度，之后采用多尺度多方向对比度量化法将绿色通路的图像转化为二值化对比度图像，在二值化对比度图像中每个像素点的值代表了其与周围背景相比是否具有差别，使用该方法可以避免由于视网膜血管直径、密度、位置不同对识别的影响，提高了血管识别的准确性。进一步地，采用差分融合法在多个尺度将不同方向的图像进行差分融合同时去除图像上的噪音。最后，填充视网膜融合图中确定中央反光区域，由此可以去除因视网膜血管中央反光而在血管识别结果中造成的暗区，进一步提高了视网膜血管识别的可靠性及准确性，由此利用本发明实施例的方法及装置提高了视网膜血管识别的准确性及可靠性，也更能满足视网膜血管识别的实际需求。

附图说明

图1示出了示出了本发明实施例中视网膜血管识别方法的流程图；

图2-1～2-3示出了本发明实施例中多尺度及方向的说明示意图；

图3-1～3-2示出了本发明实施例中在不同对比尺度下获得的视网膜二值化对比度图；

图4-1示出了图3-1中的视网膜二值化对比度图的局部放大图；

图4-2示出了图3-2中的视网膜二值化对比度图的局部放大图；

图5示出了本发明实施例中差分融合方法的流程图；

图6示出了本发明实施例中差分融合方法的效果示意图；

图7示出了本发明实施例中中央反光区填充方法的效果示意图；

图8示出了本发明实施例中视网膜血管识别装置的结构示意图；

图9示出了对本发明实施例的视网膜血管识别方法的验证效果图。

具体实施方式

下面通过具体的实施例子并结合附图对本发明做进一步的详细描述。

本发明实施例提供了一种视网膜血管识别方法，如图1所示，主要处理步骤包括：

步骤S11：从RGB格式的视网膜眼底图像中提取绿色通路中的视网膜灰度图；

步骤S12：设置多个对比尺度，在每个对比尺度下均从多个方向对视网膜灰度图上的像素点进行对比度量化，得到视网膜二值化对比度图，其中视网膜二值化对比度图中的像素分为视网膜血管上的像素及非视网膜血管上的像素；

步骤S13：对获取的多个视网膜二值化对比度图进行差分融合，并去除融合后获得的图像中的噪音及伪影，得到视网膜融合图；

步骤S14：从视网膜融合图中确定中央反光区域，并对中央反光区域进行填充，得到视网膜血管分布图。

本发明实施例提供的视网膜血管识别方法，首先从RGB格式的视网膜眼底图像中提取绿色通路中的图像，因为在该通路中视网膜血管与视网膜背景有最高的对比度，之后采用多尺度多方向对比度量化法将绿色通路的图像转化为二值化对比度图像，在二值化对比度图像中每个像素点的值代表了其与周围背景相比是否具有差别，使用该方法可以避免由于视网膜血管直径、密度、位置不同对识别的影响，提高了血管识别的准确性。进一步地，采用差分融合法在多个尺度将不同方向的图像进行差分融合同时去除图像上的噪音。最后，填充视网膜融合图中确定中央反光区域，由此可以去除因视网膜血管中央反光而在血管识别结果中造成的暗区，进一步提高了视网膜血管识别的可靠性及准确性，由此利用本发明实施例的方法提高了视网膜血管识别的准确性及可靠性，也更能满足视网膜血管识别的实际需求。

由于眼球后极部呈圆弧状，眼底相机的照明光在成像时照明强度并不均一，相应的眼底照片上相同组织结构的亮度已存在不均一性，中央亮度较高，周边亮度较低。除了位置外，血管的粗细、成像质量均会引起相同组织结构亮度的不均一。为了克服由各种原因引起的视网膜眼底图像中相同组织结构亮度不均一的问题，基于视网膜血管的线性特征，本发明实施例中采用多尺度方向对比量化法对视网膜血管进行识别。

多尺度方向对比量化法是指从多尺度与方向两个角度对图像中的像素进行对比度量化，以将视网膜灰度图像中的像素进行二值化，即将视网膜灰度图像中的像素分为视网膜血管上的像素及非视网膜血管中的像素。

具体地采用多尺度方向对视网膜血管进行识别的方法为：设置多个对比尺度，在每个对比尺度下均从多个方向对视网膜灰度图上的像素点进行对比度量化，得到视网膜二值化对比度图，包括：以当前像素点为圆心，以当前确定的对比尺度为半径，确定当前像素点的对比范围；

从多个方向计算当前像素点与对比范围内的各个线状结构亮度均值的差值，并从多个差值中选取最大值作为当前像素点的对比度值，其中对比度值的计算公式为：

其中，t_θ为差值，d为线状结构的长度，I^θ为线状结构上的一个像素点的亮度值，I(i,j)为当前像素点的亮度值，k为常整数，取值范围为1～d；

利用上述计算当前像素点的方法计算当前对比尺度内视网膜灰度图上的所有像素点的对比度值，利用所有像素点的对比度值得到当前对比尺度下的视网膜二值化对比度图；利用该方法得到多个对比尺度下的视网膜二值化对比度图。

按照上述对比度值的计算方法计算像素点的对比度值时，如果当前像素点的亮度高于其背景的亮度，则T(i,j)值为负，如果当前像素点的值低于其背景的亮度，则T(i,j)值为正。

因为视网膜血管的亮度值一般情况下较视网膜背景要低，因此将T(i,j)最大的正值定义为该像素点的对比度值。

在现有方法中多通过比较相邻点亮度的差别评断亮度是否存在“阶梯样变化”，而本发明中通过比较目标像素点与周围线状结构的亮度是否存在“阶梯样变化”。

鉴于视网膜血管多为细长结构，采用上述的多角度方向的方法主要用于识别视网膜血管在横向上亮度出现“阶梯样变化”的位置，即确定血管的边界，如图2-1示出了血管边界的示意图。

图2-1～2-3中进一步对对“多尺度”与“方向”的概念进行说明。

其中图2-1中示出了血管边界的示意图，图2-2示出了对于当前像素点可以从8个分布方向比较其与周围线状结构亮度值的差别。图2-3示出了以当前像素点Pi为圆心，以设定的对比尺度d为半径确定当前像素点的对比范围，从对比范围内扫描寻找线状结构，利用扫描到的线状结构与当前像素点进行亮度比对，其中对比尺度d的取值可以为1～50个像素，对比尺度d与视网膜眼底图像的分辨率有关，当视网膜眼底图像的分辨率不同时，视网膜血管的直径也会发生相应的变化，因此对比尺度d需要根据视网膜眼底图像的分辨率进行调整。

本发明实施例中采用多尺度方向量化方法识别视网膜灰度图中的视网膜血管，其中多尺度对比度量化是为了解决个体间视网膜血管密度、宽度各不相同的问题，方向对比度量化是为了解决不同方向视网膜血管的识别问题。通过该方法可以去除由于成像照明不均引起的血管亮度不均对识别的影响，不仅可以加强血管的图像，还能提高整个图像亮度的均一性。

通过上述的多尺度方向对比量化方法可以将视网膜灰度图转化为视网膜二值化对比度图。

图3-1左侧示出了分辨率为565x584像素的低分辨率图像，右侧a为对比尺度d取1像素时转化后的视网膜二值化对比度图；b为对比尺度d取3像素时转化后的视网膜二值化对比度图；c为对比尺度d取5像素时转化后的视网膜二值化对比度图；d为对比尺度d取7像素时转化后的视网膜二值化对比度图。

图3-2左侧示出了分辨率为1924x1556像素的高分辨率图像，右侧a为对比尺度d取5像素时转化后的视网膜二值化对比度图；b为对比尺度d取10像素时转化后的视网膜二值化对比度图；c为对比尺度d取20像素时转化后的视网膜二值化对比度图；d为对比尺度d取30像素时转化后的视网膜二值化对比度图。

其中在图3-1～3-2中黑色像素代表着该像素点的亮度高于周围线状结构的平均亮度，从图3-1～3-2中可看出视网膜小血管得到了增强。

图4是图3的局部放大图，其中图4-1中的a是图3-1中对比尺度d取1像素的视网膜二值化对比度图的放大图，图4-1中的b是图3-1中对比尺度d取7像素的视网膜二值化对比度图的放大图；图4-2中的c是图3-2中对比尺度d取5像素的视网膜二值化对比度图的放大图，图4-2中的d是图3-2中对比尺度d取30像素的视网膜二值化对比度图的放大图。

从图4-1～4-2中可以看出当对比尺度d较小时，视网膜小血管得到一定程度的增强但噪音较大，相反当对比尺度d较大时，噪音较小但会丢失一部分小血管。

因为得到的视网膜二值化对比度图上的噪音及伪影出现的位置是随机的，本方法中采用渐进性的方式对在不同对比尺度d下获得的视网膜二值化对比度图进行融合，以去除对比度图上的噪音及伪影。

本发明实施例中采用差分融合的方法对对获取的多个视网膜二值化对比度图进行融合，并去除融合后获得的图像中的噪音及伪影，得到视网膜融合图，如图5所示主要处理步骤包括：

步骤A：从多个对比尺度中确定对比尺度d₀，将在对比尺度d₀下获取的视网膜二值化对比度图像确定为参照对比图R₀，其中对比尺度d₀在多个对比尺度中非最小。

为了说明本发明实施例差分融合方法去除噪音及伪影的效果，进一步结合具体示例对差分融合的效果进行说明。

对于此步骤A，如图6中的a子图示出了对比尺度d₀为30像素时的参照对比图R₀。

步骤B：将对比尺度d₀减少间隔Δd得到对比尺度d_i，将在对比尺度d_i下获取的视网膜二值化对比度图像确定为对比图R_i。

为了体现对比图R_i与对比图R₀的区别，在步骤B的示例中，对比图R_i的对比尺度d_i取为5个像素，如图6中的b子图示出了对比尺度d_i取为5个像素时的对比图R_i。

步骤C：利用参照对比图R₀及对比图R_i的同一位置上的对比度值的均值得到融合图像U_i；利用参照对比图R₀及对比图R_i的同一位置上的对比度值的差值得到差分图像D_i，其中当参照对比图R₀及对比图R_i的同一位置上的对比度值相同时，D_i在该位置上的值为1，否则D_i在该位置上的值为0。

如图6中的c子图示出了利用图6中的a子图及图6中的b子图进行差分融合后获取的差分图像D_i，图6中的d子图示出了获取的融合图像U_i。

步骤D：去除融合图像U_i及差分图像D_i上的噪音及伪影，并利用去除噪音及伪影后的融合图像U_i及差分图像D_i得到融合图；

根据上述的示例，图6中的e子图示出了获取得到的融合图。

步骤E：利用融合图替换参照对比图R₀，且融合图的对比尺度d_i替换为对比尺度d₀，重复步骤B～D直至得到的d₀等于1；

步骤F：从最终获取的参照对比图R₀中去除噪音及伪影，得到视网膜融合图。

图6中的f子图为只用图6中的a子图(d＝30像素)与图6中的b子图(d＝5像素)进行差分融合法消除噪音后的效果。

图6中的g子图是利用差分融合法逐渐将d值由30像素减小至5像素的消除噪音后的效果。

本发明实施例中去除融合图像U_i及差分图像D_i上的噪音及伪影，包括：利用公式计算融合图像U_i及差分图像D_i上的目标图像的细长度，其中S为目标图像的最长径，V为目标图像的容积；

判断细长度是否小于设定的细长度阈值，如果是，目标图像判定为小的簇状结构或非细长状结构，且去除目标图像。

从多个对比尺度中确定对比尺度d₀，包括：根据视网膜眼底图像中的视网膜血管的最大宽度确定对比尺度d₀。

该方法还包括：根据视网膜眼底图像的分辨率确定间隔Δd。

采取上述的差分融合方法差分图像中的血管逐渐被融合同时噪音(如图6中用方框标出的黄斑区域)亦被去除。如图6中f子图所示，当Δd值较大(例如取25像素)时，一些噪音可能会被识别为血管。而当Δd值较小时(例如取5像素)，噪音很少会被识别为血管，而采用本发明实施例的渐进式差分融合法能够有效地克服上述的问题，能够有效去除噪音同时可有效避免血管被识别为噪音或噪音被识别为血管。

在眼底照片中直径较粗的视网膜动静脉一、二级分支的中央往往有明显的反光现象，这使得血管中央位置原本较低的亮度出现假性增高，影响视网膜血管的识别，表现为在对比度图上血管中央会出现“暗区”，如图7的b子图中的箭头所指。为了解决血管中央反光区域出现的暗区，常规需要执行“关闭”操作来填充暗区。但是当执行填充操作的内核设定不恰当时，有可能会导致将周围相邻的血管错误的与现有血管融合在一起。

本发明实施例中提供了一种填充中央反光区的方法，具体包括

从水平方向及垂直方向扫描视网膜融合图，得到细长状结构非血管区域；将细长状结构非血管区域确定为中央反光区域。

如图7中的a子图示出了视网膜血管中央的高亮度反光带，b子图所示在水平及垂直方向扫描寻找小型非血管区域(即细长状结构非血管区域)并加以填充，填充后的效果如如图7中的c子图所示。

由此看出利用本发明实施例的中央反光区的填充方法可以有效地去除视网膜血管中央的暗区，防止将周围相邻的血管错误的与现有血管融合在一起，提高视网膜血管识别的准确性。

本发明实施例还提供了一种视网膜血管识别装置，如图8所示包括：

图像提取模块81，用于从RGB格式的视网膜眼底图像中提取绿色通路中的视网膜灰度图；

多尺度多方向量化模块82，用于设置多个对比尺度，在每个对比尺度下均从多个方向对视网膜灰度图上的像素点进行对比度量化，得到视网膜二值化对比度图，其中视网膜二值化对比度图中的像素分为视网膜血管上的像素及非视网膜血管上的像素；

差分融合模块83，用于对获取的多个视网膜二值化对比度图进行差分融合，并去除融合后获得的图像中的噪音及伪影，得到视网膜融合图；

填充模块84，用于从视网膜融合图中确定中央反光区域，并对中央反光区域进行填充，得到视网膜血管分布图。

其中多尺度多方向量化模块82，包括：对比范围确定子模块，用于以当前像素点为圆心，以当前确定的对比尺度为半径，确定当前像素点的对比范围；对比量化子模块，用于从多个方向计算当前像素点与对比范围内的各个线状结构亮度均值的差值，并从多个差值中选取最大值作为当前像素点的对比度值，其中对比度值的计算公式为：

其中，t_θ为差值，d为线状结构的长度，I^θ为线状结构上的一个像素点的亮度值，I(i,j)为当前像素点的亮度值，k为常整数，取值范围为1～d；

利用上述计算当前像素点的方法计算当前对比尺度内视网膜灰度图上的所有像素点的对比度值，利用所有像素点的对比度值得到当前对比尺度下的视网膜二值化对比度图；利用该方法得到多个对比尺度下的视网膜二值化对比度图。

视网膜学血管的计算机识别其本质是将眼底照片上的每个像素分为两类：血管上的像素或非血管(血管周围组织)上的像素。因此，识别的结果可能有四种可能(两种正确结果和两种错误结果)：(1)真阳性：将血管上的像素识别为血管像素；(2)真阴性：将不在血管上的像素识别为非血管像素；(3)假阳性：将不在血管上的像素识别为血管像素；(4)假阴性：将血管上的像素识别为非血管像素。真阳性代表着算法正确识别血管组织的能力。

参考其他视网膜识别算法研究性能验证的方法，使用DRIVE(Digital RetinalImages for Vessel Extaction)与STARE(STructured Analysis of the Retina)两个公共数据库对本发明实施例的视网膜血管识别方法的识别性能进行评测。

DRIVE数据库由40张彩色眼底照片，其中20张用于验证，另外20张用于训练。使用佳能CR-5免散瞳眼底照相机拍摄，视场大小为550×550像素。数据库中20张用于验证的图片由两位阅片者人工勾画视网膜血管的边界。

STARE包括20张眼底图片，使用TopCon TRV-50拍摄，20张有10张图片为有病变图片。视场大小为650×550像素，与DRIVE数据库类似，由两位阅片者手工勾画视网膜血管的边界。

由于DRIVE与STARE数据库所含图片的分辨率较低，因此还使用第三种图像分辨率较高的数据库HRF(High-Resolution Fundus)验证识别算法的性能。

在HRF数据库中包含15张正常人、15张青光眼、15张糖尿病患者的眼底图像，使用Canon CR-1拍摄。

以上述三个数据库中人工识别的结果为参考标准，从准确性、敏感性、精确性三个方面评价本方法对视网膜血管长度、容积识别的性能。准确性指正确识别的像素点(包括血管及非血管)与整个视场内所有像素点的比值。在对视网膜血管骨架识别性能进行评价时没有计算准确性，因为视网膜血管骨架为仅有一个像素的线状结构，会有很好的准确性。敏感性指正确识别的像素点与人工识别像素点的比值，反映有多少像素被正确识别为血管组织。精确性指算法正确识别的像素点与算法识别的所有点的比值，反应有多少像素被错误识别为血管组织。

考虑到手动分割可能不能100％准确分割视网膜血管的边界，设定了不同的允许误差范围，即在某像素位置，如果算法识别的结果与人工识别的结果的差别在误差范围内(像素)，则认为两种方法在该点的识别结果一致。在结果中分别列出不同误差范围算法的性能，在DRIVE和STARE数据库，误差范围为0到3像素，在HFR数据库为0-10像素。

在传统评测方法之外增加了一个视网膜血管骨架识别程序，辅助比较人工识别与计算机识别在视网膜血管骨架(中心线)识别上的一致性。为了避免局部噪音对骨架(中心线)的提取，同样设定了误差范围。

在方法中，使用Cornea等人研发的骨架提取算法。图9是使用该算法提取的视网膜血管骨架，不同级别的分支使用不同颜色标注。

DRIVE数据库测试结果

利用本发明实施例的视网膜血管识别方法得到的识别的结果与DRIVE数据库的一致性如表1所示。

与阅片者一和阅片者二人工识别的结果相比在血管容积与长度的敏感性在90％至70％，准确性在99％，容积及长度的精确性在94％。

STARE数据库测试结果

利用本发明实施例的视网膜血管识别方法在STARE数据库的识别性能如表2所示。当允许误差取3像素时，与两位阅片者的人工识别结果相比，血管的容积、长度敏感性分别为90％与70％。准确性在97％。在阅片者一血管容积及长度的精确性约为85％，在阅片者二血管容积及长度的精确性约为93％。

HRF数据库测试结果

与HRF数据库比较的结果如表3所示。当允许误差为6个像素时，在健康人血管容积及长度的敏感性为92％与83％。在青光眼患者中血管容积及长度的敏感性为92％与75％。在糖尿病视网膜患者中血管容积及长度的敏感性为91％与73％。

综上可得出，本发明实施例提供了基于多尺度方向对比度量化的视网膜血管识别方法。该方法既考虑了视网膜血管局部低亮度的特点又使用多尺度的方法考虑了因拍照时光照不均引起的眼底照片中不同位置、宽度、方向血管亮度的不同。本方法的创新点包括以下两点：(1)通过将原始眼底图像转化为视网膜二值化对比度图提高血管识别的正确率；(2)通过多尺度渐进式差分融合的方式将转化后的图像融合，将视网膜血管分割出来。局部对比度量化的过程将眼底图像强度根据组织特性进行标准化，去除了眼底照片中视网膜血管因为大小、位置、图像分辨率等因素对血管成像亮度的影响。差分融合的过程一方面将多尺度量化获得的图像连接成一体，另一方面可以利用一系列对比对图像的差异及空间连续性显著降低图像噪音及伪影对视网膜血管分割的影响。另外，本发明实施例提供的视网膜血管识别方法易于实施，与基于机器学习及神经网络的算法不同，本发明实施例的视网膜血管识别方法不需要事先收集大量数据及指定明确的规则对算法进行训练。在使用不同的公共数据库对算法的识别性能进行的测试中，算法在正常人、眼病患者、使用不同眼底相机、不同分辨率的图片均显示了良好的稳定性及准确性。

由于使用了公共数据库，使得可以将本发明实施例的视网膜血管识别方法与其他视网膜血管识别算法的性能做横向比较。现有方法中多数算法使用STARE或DRIVE数据库进行性能的评价。在这些算法中表现最好的是Lupascu等人研发的名为“基于图像特征的Adaboost分类器”(AdaBoost classifier，FABC)，在DRIVE数据库其最好准确性为95.9％，敏感性为72％。的算法在同样的数据库准确性为99％，敏感性为90％并且不需要机器学习的过程。Odstrcilik等人的算法在使用HRF数据库进行性能测试时可以获得95％的准确性及74％-79％的敏感性，算法的准确性约为98％，敏感性约为90％。但现有的算法依然会丢失一些细小的血管并且会受噪音及伪影的干扰而出现假阳性的情况。

从表3中可以看出，当允许误差为0时，计算机分割与人工分割的结果存在一定的差别。两种方法中到底那种的结果更加接近真实仍不十分明确，但认为因为计算机能够反应局部最大的对比度所以其识别的结果会更加准确，可重复性会更好。因为图像识别的最终目的是通过对视网膜血管形态变化的准确量化辅助疾病诊断，所以对算法分割血管边界准确性的评估是十分重要的。但在由于在人工勾画血管边界时手部抖动的影响，实际工作中很难依靠人工识别建立血管分割准确性评估的金标准。如在STARE数据库中，阅片者一将眼底图像中10.4％的像素划为血管，而阅片者一将眼底图像中14.9％的像素划为血管，阅片者二发现的小血管数量明显多于阅片者一。

过去在评价识别算法的性能时大多数的方法仅计算识别血管容积的准确性及敏感性。由于小血管的容积要远远小于大血管，因此基于血管的评估方法可能不足以考核算法对小血管的识别能力。为了克服这一不足，认为还应同时计算视网膜血管骨架或中心线识别的准确性及敏感性，结果显示算法对视网膜血管骨架的识别敏感性要低于视网膜血管容积识别的敏感性。计算机在识别视网膜四级及以下分支血管上的敏感性还比较差。视网膜血管骨架识别相关参数的计为算法的进一步改进提供了更加客观、准确的评价标准。

本方法是一种使用计算机全自动识别彩色眼底照片上视网膜血管边界的方法。识别包括三个过程：对比度量化、图像融合及中央反光带填充。在简便性、可靠性、准确性上均优于现有方法，可以很好的去除图像背景噪音对识别的影响。通过与三个含有不同疾病、分辨率眼底图像的公共数据库中人工识别结果的对比验证了算法的识别性能。

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.视网膜血管识别方法，其特征在于，包括：

从RGB格式的视网膜眼底图像中提取绿色通路中的视网膜灰度图；

设置多个对比尺度，在每个对比尺度下均从多个方向对所述视网膜灰度图上的像素点进行对比度量化，得到当前对比尺度下的视网膜二值化对比度图，其中所述视网膜二值化对比度图中的像素分为视网膜血管上的像素及非视网膜血管上的像素；

对获取的多个所述视网膜二值化对比度图进行差分融合，并去除融合后获得的图像中的噪音及伪影，得到视网膜融合图；

从所述视网膜融合图中确定中央反光区域，并对所述中央反光区域进行填充，得到视网膜血管分布图；

所述设置多个对比尺度，在每个对比尺度下均从多个方向对所述视网膜灰度图上的像素点进行对比度量化，得到当前对比尺度下的视网膜二值化对比度图，包括：

以当前像素点为圆心，以当前确定的对比尺度为半径，确定当前像素点的对比范围；

从多个方向计算所述当前像素点与所述对比范围内的各个线状结构亮度均值的差值，并从多个差值中选取最大值作为所述当前像素点的对比度值，其中所述对比度值的计算公式为：

$T(i,j)=max\{t_{\mathrm{\θ}}=\frac{1}{d}\underset{k=1}{\overset{d}{\Σ}}{I}_k^{\mathrm{\θ}}-I(i,j),\mathrm{\θ}\∈\[0,2\mathrm{\π}\]\};$

其中，t_θ为所述差值，d为所述线状结构的长度，I^θ为所述线状结构上的一个像素点的亮度值，I(i,j)为所述当前像素点的亮度值，k为常整数，取值范围为1～d；

利用上述计算当前像素点的方法计算当前对比尺度内所述视网膜灰度图上的所有像素点的对比度值，利用所有所述像素点的对比度值得到当前对比尺度下的视网膜二值化对比度图；利用该方法得到多个对比尺度下的视网膜二值化对比度图。

2.根据权利要求1所述的方法，其特征在于，所述对获取的多个所述视网膜二值化对比度图进行差分融合，并去除融合后获得的图像中的噪音及伪影，得到视网膜融合图，包括：

步骤A：从多个所述对比尺度中确定对比尺度d₀，将在所述对比尺度d₀下获取的视网膜二值化对比度图像确定为参照对比图R₀，其中所述对比尺度d₀在多个所述对比尺度中非最小；

步骤B：将所述对比尺度d₀减少间隔Δd得到对比尺度d_i，将在所述对比尺度d_i下获取的视网膜二值化对比度图像确定为对比图R_i；

步骤C：利用所述参照对比图R₀及所述对比图R_i的同一位置上的对比度值的均值得到融合图像U_i；利用所述参照对比图R₀及所述对比图R_i的同一位置上的对比度值的差值得到差分图像D_i，其中当所述参照对比图R₀及所述对比图R_i的同一位置上的对比度值相同时，D_i在该位置上的值为1，否则D_i在该位置上的值为0；

步骤D：去除所述融合图像U_i及所述差分图像D_i上的噪音及伪影，并利用去除噪音及伪影后的所述融合图像U_i及所述差分图像D_i得到融合图；

步骤E：利用所述融合图替换所述参照对比图R₀，且所述融合图的对比尺度d_i替换为所述对比尺度d₀，重复步骤B～D直至得到的d₀等于1；

步骤F：从最终获取的参照对比图R₀中去除噪音及伪影，得到所述视网膜融合图。

3.根据权利要求2所述的方法，其特征在于，所述去除所述融合图像U_i及所述差分图像D_i上的噪音及伪影，包括：

利用公式计算所述融合图像U_i及所述差分图像D_i上的目标图像的细长度，其中S为所述目标图像的最长径，V为所述目标图像的容积；

判断所述细长度是否小于设定的细长度阈值，如果是，所述目标图像判定为小的簇状结构或非细长状结构，且去除所述目标图像。

4.根据权利要求2所述的方法，其特征在于，所述从多个所述对比尺度中确定对比尺度d₀，包括：

根据所述视网膜眼底图像中的视网膜血管的最大宽度确定所述对比尺度d₀。

5.根据权利要求2所述的方法，其特征在于，该方法还包括：根据所述视网膜眼底图像的分辨率确定所述间隔Δd。

6.根据权利要求1所述的方法，其特征在于，所述从所述视网膜融合图中确定中央反光区域，包括：

从水平方向及垂直方向扫描所述视网膜融合图，得到细长状结构非血管区域；将所述细长状结构非血管区域确定为中央反光区域。

7.视网膜血管识别装置，其特征在于，包括：

图像提取模块，用于从RGB格式的视网膜眼底图像中提取绿色通路中的视网膜灰度图；

多尺度多方向量化模块，用于设置多个对比尺度，在每个对比尺度下均从多个方向对所述视网膜灰度图上的像素点进行对比度量化，得到当前对比尺度下的视网膜二值化对比度图，其中所述视网膜二值化对比度图中的像素分为视网膜血管上的像素及非视网膜血管上的像素；

差分融合模块，用于对获取的多个所述视网膜二值化对比度图进行差分融合，并去除融合后获得的图像中的噪音及伪影，得到视网膜融合图；

填充模块，用于从所述视网膜融合图中确定中央反光区域，并对所述中央反光区域进行填充，得到视网膜血管分布图；所述多尺度多方向量化模块，包括：

对比范围确定子模块，用于以当前像素点为圆心，以当前确定的对比尺度为半径，确定当前像素点的对比范围；

对比量化子模块，用于从多个方向计算所述当前像素点与所述对比范围内的各个线状结构亮度均值的差值，并从多个差值中选取最大值作为所述当前像素点的对比度值，其中所述对比度值的计算公式为：其中，t_θ为所述差值，d为所述线状结构的长度，I^θ为所述线状结构上的一个像素点的亮度值，I(i,j)为所述当前像素点的亮度值，k为常整数，取值范围为1～d；

利用上述计算当前像素点的方法计算当前对比尺度内所述视网膜灰度图上的所有像素点的对比度值，利用所有所述像素点的对比度值得到当前对比尺度下的视网膜二值化对比度图；利用该方法得到多个对比尺度下的视网膜二值化对比度图。