CN105513077A - 一种用于糖尿病性视网膜病变筛查的*** - Google Patents

Abstract

本发明提供一种用于糖尿病性视网膜病变筛查的***，所述***包括：眼底图像获取设备、图像处理及筛查设备以及报告输出设备，所述眼底图像获取设备用于采集或接收被检人员的眼底图像；所述图像处理及筛查设备用于对所述眼底图像进行处理并检测其中是否存在病变，然后将检测结果输送给所述报告输出设备；所述报告输出设备基于所述检测结果输出相应检测报告。本发明的***判定糖网图片的灵敏度可达93.8％，特异度可达94.5％，与人工判定精度是相当的，但检测时间却大大减少，平均为8.7秒，仅为工人阅片时间的1/30。因此，对于糖网，不仅能大幅节省筛查成本，而且能做到早发现早治疗，大大减少病人的痛苦，具有很好的临床应用前景和社会效益。

Description

一种用于糖尿病性视网膜病变筛查的***

技术领域

本发明涉及医疗设备领域，具体涉及一种用于糖尿病性视网膜病变筛查的***。

背景技术

糖尿病性视网膜病变，简称糖网(DR)，是糖尿病患者最常见的慢性并发症之一。据世界卫生组织(WHO)预测，到2030年，全球DR患者人数将增加到3.66亿，已成为四大致盲眼病之一，糖网病防治将成为一个严重的世界性问题。

研究表明，对DR患者进行早期诊断和治疗能有效防止视觉的损失以及失明，而防治的关键则是通过眼底照相检查，定期随访发现病情的进展，及时进行激光干预治疗。但是目前世界上超过50％糖尿病患者没有接受任何形式的眼部检查，基于眼底影像的糖尿病视网膜病变的筛查工作基本还是依靠眼科医生的肉眼观察进行。

但当面临大规模筛查时，需要医生分析和处理的数据量非常大，人工判读方法既费时又费力，人工筛查无法实施。而且人工筛查主观性强，数据分析复杂并且难以量化，很难做到定量随访。

所以上述问题已成为实施大规模糖尿病视网膜病变筛查的主要障碍，临床上迫切需要一种客观、准确、高效的方法，来辅助眼科医生对糖尿病患者眼底照相的结果进行快速分析。

近年来，随着计算机辅助诊断技术的发展，基于计算机视觉的相关技术已经在肝脏疾病、呼吸***疾病的影像诊断中得到开发和应用。

但是，目前市场上还没有一种准确高效的筛查***，能够用于对糖尿病性视网膜病变进行快速筛查。

虽然有人提出了利用计算机算法通过对患者图片进行特征提取来判断患者是否患有糖尿病性视网膜病变，但是，目前还没有人制造出相应的设备并且，现有的算法经验证后筛查的准确率偏低。

发明内容

针对上述问题，本发明希望提供一种基于图像的糖尿病性视网膜病变筛查***，其能够实现糖网病的大规模自动筛查，进而大幅提高医生的诊断效率，让医生从繁重的阅片工作中解脱出来，并且能去除人的主观性，避免因个人知识和经验差异引起诊断误差，更加准确，客观、高效的完成眼科影像的糖网筛查工作，节省医疗成本。

具体而言，本发明提供一种用于糖尿病性视网膜病变筛查的***，其特征在于，所述***包括：眼底图像获取设备、图像处理及筛查设备以及报告输出设备，

所述眼底图像获取设备用于采集或接收被检人员的眼底图像；

所述图像处理及筛查设备用于对所述眼底图像进行处理并检测其中是否存在病变，然后将检测结果输送给所述报告输出设备；

所述报告输出设备基于所述检测结果输出相应检测报告。

在一种优选实现方式中，所述眼底图像获取设备为彩色眼底相机，或者，所述眼底图像获取设备为眼底图像接收设备。

在一种优选实现方式中，所述图像处理及筛查设备包括：图像预处理模块、图像校正模块、血管分割模块、视盘定位模块、红色病变检测模块、亮度病变检测模块以及分类模块，所述分类模块基于所述红色病变检测模块、亮度病变检测模块、血管分割模块和视盘定位模块的输出来判定被检测图片所对应患者是否具有糖尿病性视网膜病变。

在一种优选实现方式中，所述图像校正模块用于对图像进行颜色、亮度以及曝光分布的归一化处理，归一化的具体过程包括：根据图像的曝光分布，拟合出一个二次曲面，然后根据拟合的曲面对图像的亮度分布进行反补偿；然后，选定一幅质量较好的图像作为参考图像，计算其颜色和亮度通道上的灰度直方图峰值，把被处理图像的色调、饱和度和亮度信息的灰度直方图都归一化到参考图像的参考值上。

在一种优选实现方式中，所述血管分割模块用于分割血管和视盘，分割视盘的过程包括：基于所述眼底图像生成不同尺度的特征图；基于所述特征图建立相应的特征显著性描述；对不同的特征显著性描述进行归一化，并相加获得显著性图；采用局部阈值分割算法提取所得的显著性图，输出亮度值最大的区域作为视盘的位置。

在一种优选实现方式中，所述血管分割模块在进行血管分割时，把图像的兴趣区由直角坐标转为极坐标表示，并且采用亚像素精度提取方法，首先求取每个像素点处的灰度值的梯度，利用Canny算子求得血管初始的轮廓。

本发明通过计算机视觉的相关技术来辅助医生判别和精确提取影像的病变指标，智能分析病人的疾病信息。本发明通过提取包括出血、渗出、微血管瘤等各类糖网病变特征，再根据DR的临床诊断标准，对眼底影像进行自动分级诊断，从而实现了糖网病的大规模自动筛查。

由于计算机可以全面利用影像信息进行精确的定量计算，不仅可以大幅提高医生的诊断效率，让医生从繁重的阅片工作中解脱出来，而且能去除人的主观性，避免因个人知识和经验差异引起诊断误差，更加准确，客观、高效的完成眼科影像的糖网筛查工作，大大节省了医疗成本，同时便于未来建立客观准确的大规模健康数据管理***。对于建立客观准确的临床诊断标准很有价值。

将本发明的***筛查的结果与经专家验证过的筛查结果进行对比表明，本发明的***能准确、高效地完成通过眼底图像的糖网筛查工作，大大节省了医疗成本，同时便于未来建立客观准确的大规模健康数据管理***，展现出很好的临床应用前景。

附图说明

图1示出了本发明一个实施例中的筛查***的结构示意图；

图2示出了一个实施例中所采用的图像获取设备；

图3示出了一个实施例中所采用的输出设备；

图4示出了本发明的***在工作时，对图像的具体处理过程；

图5示出了对眼底图像进行处理过程中，处理前及处理各个阶段的眼底图像，其中，a为Messidor数据的原图，b为图像预处理后的图像，c增强后的图像，d为血管分割的输出结果，e为视盘定位的输出结果，f为两种病变的提取结果；

图6示出了一个检测结果的示例；

图7为按照视觉注意理论生成的眼底图像各特征的显著性图，其中，(a)为亮度显著性图，(b)为颜色显著性图，(c)为方向显著性图；

图8为利用显著性图定位视盘的结果，其中，(a)为原始图像，(b)为显著图性图，(c)为FOA提取图，(d)为定位视盘图；

图9为血管抹除效果对比图，其中，(a)为绿色通道原图，(b)为抹除血管后图；

图10为图像极坐标转换前后的对比图，其中，(a)为极坐标转换前，(b)为极坐标转换后；

图11为边缘提取过程的示意图，其中，(a)为亚像素边缘提取，(b)为连接边缘视盘。

具体实施方式

实施例1

如图1所示，在本实施例中，筛查***包括一台彩色眼底相机、图像处理及筛查设备(其可以通过安装有糖网智能分析软件的计算机实现，也可以通过专用的处理器实现)以及诊断报告打印机。其他医院或基层筛查单位所采集的图像也可以传输给图像处理及筛查设备。

图2示出了本实施例中所采用的彩色眼底相机的结构示意图；图3示出了本实施例中所采用的诊断报告打印机的结构示意图。彩色眼底相机用于获取患者的彩色眼底图像，由专业的医生操作获取并把图像传输到计算机的固定路径下。

所采集的图像要直接或间接传输给图像处理及筛查设备，图像处理及筛查设备基于所采集的图像进行图像处理并最终输出检测结果给诊断报告打印机，后者根据检测结果打印相应报告。

本发明的核心在于图像处理及筛查设备，下面主要对本实施例的图像处理及筛查设备进行更详细的描述。

图像处理及筛查设备包括：图像预处理模块、图像校正模块、血管分割模块、视盘定位模块、红色病变检测模块、亮度病变检测模块以及分类模块。

图像预处理模块用于对眼底图像进行预处理。在检测眼底图像中的解剖结构和病变之前，眼底图像的视场(ROI)需要通过自适应阈值分割和模板匹配的方法预先找到，使图像的黑色背景得以去除，图像预处理模块就是用于实现该功能。

图像校正模块用于对不同图像进行补偿。为了从千差万别的眼底图像中获得稳定的信息，对图像进行颜色、亮度以及曝光分布的归一化处理十分必要。图像校正模块先根据图像的曝光分布拟合出一个图像亮度二次曲面，然后根据拟合的曲面对图像的亮度分布进行反补偿，使亮的减弱，同时暗的区域增强，从而保证曝光的均匀，然后从国际Messidor标准眼底图库选定一幅质量较好的图像作为参考图像，计算参考图像颜色和亮度通道上的灰度直方图峰值，把被处理图像的色调、饱和度和亮度信息的灰度直方图都归一化到参考图像的参考值上，从而保证了被处理图像的稳定性。

血管分割模块用于从图像中分割出图像中的血管。血管***是视网膜中最重要的解剖结构之一。血管的准确分割对于从红色病变中区分毛细血管以及其他解剖结构，比如视盘的检测都非常关键。本实施例中，血管分割模块通过亮度阈值分割以及基于颜色特征的监督分类方法有效地分割出血管边界。

视盘定位模块用于对图像中视盘进行定位。视盘是眼底另一个很重要的解剖结构。视盘的正确定位对于后期减少亮度病变的错判非常有用。视盘是通过其亮度、形状以及血管的方向等特征进行定位的。

红色病变检测模块用于对红色病变进行检测。红色病变，包括微血管瘤、出血和增殖血管，是DR的重要特征，因此，他们的正确检测对DR筛查***而言非常重要。小的红色病灶的定位基于数学形态学来获得候选区域，大的红色病灶的定位则通过基于颜色特征的监督分类来完成。使用有监督的分类器和一组描述候选区域形状、结构、颜色和对比度的特征，可计算出所检测出的候选区域是一个真正红色病变的概率。

亮度病变检测模块用于检测出图像中的亮度病变。亮度病变，如渗出、棉絮斑或玻璃膜疣，经常出现在DR人群筛查中。只有前两种病变与DR相关。与红色病变的检出相类似，本实施例采用像素级的有监督分类用于获得候选的亮度病变区域。每个候选区域是真正亮度病变的概率通过使用一组候选区域特征的监督分类平均值获得，这些特征包括形状、对比度、色彩和与最近红色病变的距离。

分类模块用于基于上述各个处理和检测模块获得的血管、视盘、红色病变以及亮度病变等来对眼底图像进行检测分类。上述这些不同的处理和检测模块的输出必须被组合在一起以获得关于病人检查的一个最终结果。为了实现这个目标，就需要计算上述模块的各个输出的特征。本实施例中，分类模块采用监督分类器来判定病变的可能性，从而为进一步的诊断标准提供依据，实现对DR的自动筛查。分类模块根据病变信息以及国际糖网分级标准，分出不同的等级，并提供诊断建议。

经实验验证，本发明的糖网筛查***判定糖网图片的灵敏度为93.8％，特异度为94.5％，与人工判定精度是相当的，但检测时间却大大减少，平均为8.7秒，仅为工人阅片时间的1/30，这些实验说明表明，基于计算机视觉算法开发的糖网自动筛查***能准确、高效的完成眼科影像的糖网筛查工作，而且计算机另一个巨大的优势是可以24小时不间断工作，这是阅片医生无法做到的，对于未来处理百万张图片级别的筛查，这种自动筛查的巨大优势就体现出来了。未来随着人口老龄化和人们对健康需求的日益提高，大面积的健康筛查将成为一种必要，利用计算机的技术辅助筛查，不仅能大幅节省了医疗成本，而且能做到早发现早治疗，大大减少病人的痛苦，具有很好的临床应用前景和社会效益。另外，计算机实现的糖网自动筛查，对于那些缺乏医疗资源的偏远地区的糖尿病患者，将带来福音。因为计算机的低成本和方便快捷，这些偏远地区的患者就可以进行常规化的基层检查，有效防止疾病到很严重的时候才去医院问诊的情况。

下表为采用本发明的***与人工检测相比的对比表，从表中可以看出采用本发明***的优势。

表1人工检测与自动运行时长对比表

实施例2

在本实施例中，筛查***包括眼底图像接收器、计算机(其安装有糖网智能分析软件)以及诊断报告显示设备。

在本实施例中，眼底图像接收器远程接收其他非本地的眼底相机发来的眼底图像。计算机包括处理器、存储器，计算机中安装有糖网智能分析软件。

糖网智能分析软件可以执行图4中所示的各个流程步骤。如图所示，首先接收远处眼底相机或其他设备获得的眼底图像，然后进行图像预处理。

接下来进行图像质量校正、分割血管、视盘定位、红色病变提取、亮度病变提取。然后，利用上述各步骤获得的血管、视盘、病变等特征信息，进行分析，判定图像是否具有糖网病变。

图5示出了一个眼底图像示例经过各个步骤处理后的输出结果。图6示出了检测报告的实例。

实施例3

在本实施例中，***的构造与实施例1相同，只是视盘定位模块采用了一种特殊的定位方法。

具体而言，本实施例中，视盘定位模块借助于计算神经学的一些进展，首次提出基于人类视觉注意模型的方法定位视盘。原理如下：首先生成多个不同尺度的特征图。具体而言，对图像预处理后，通过高斯滤波和不断的下采样，提取图像在多个不同尺度的高斯金字塔，建立高斯金字塔后，单一尺度的特征图的提取通过线性的“中心-周边差”操作计算。生成亮度，颜色，方向特征图，如图7所示：其中，(a)为亮度显著性图，(b)为颜色显著性图，(c)为方向显著性图。

基于3个特征图，建立3个特征显著性描述和对不同特征显著性描述进行归一化，相加得到显著性图S，其最大值点则为视觉的注意点。公式如下，结果如图8所示。

然后，采用局部阈值分割算法提取所得的显著性图，输出亮度值最大的区域，即为视盘的位置。

此外，本实施例中，血管分割模块还采用了一种更好的分割方式。具体而言，在视盘定位以后，为了缩小计算范围，减少其他结构的干扰，本实施例的血管分割模块选取包含视盘一定范围内的区域作为分割区域，如图9(a)所示。

为减少视盘中血管边缘对视盘分割的干扰，血管分割模块首先采用统计排序滤波器来擦除视盘血管——抹除血管，如图9(b)所示。统计排序滤波器是一种非线性滤波器，它是基于滤波器所在图像区域内像素的排序，由排序结果决定的值代替中心像素的值。如图9(b)可见，统计排序滤波后的图像的视盘边缘仍然非常清晰，易于分割。

获得视盘分割的感兴趣区后，血管分割模块对图9(b)开始进行边缘提取。注意到视盘的边缘区域接近圆形，如果把图像的兴趣区由直角坐标转为极坐标表示，那么视盘的边缘将变成一条水平方向的曲线，这就极大的方便了视盘边缘的定位和提取。血管分割模块以区域中心为原点，以区域内最大半径为转换半径，进行二维极坐标转换。转换后的结果为图10(b)所示。转换公式为：

${\mathrm{\ρ}}^2=x^2+y^2;\tan \mathrm{\θ}=\frac{y}{x}(x\≠0)$

经极坐标转换之后，视盘边缘由之前的近似椭圆形封闭曲线成为水平方向一条清晰可见的曲线。因视盘的精确分割对后续疾病诊断十分重要，血管分割模块为提高边缘分割的精度，采用亚像素精度提取方法，首先求取每个像素点处的灰度值的梯度，利用Canny算子等求得初始的轮廓。假设灰度值梯度在沿边缘法线方向呈抛物线分布。基于这样的假设，可以利用初始轮廓点沿法线方向的邻域梯度拟合出该抛物线，则该抛物线的峰值点对应轮廓点。注意到视盘的边缘是纵向方向上变化最快的区域，因此，求取视盘边缘的算法便成为求纵向方向上最大梯度值的位置，结果如图11(a)所示。为了准确计算，实施例中，血管分割模块把图像水平切分为32等分，在每个等分上求最大梯度，这种方法可以有效排除一些噪声的干扰和边缘的重叠。最后把每个图像切片的最大梯度的边缘连接起来，即为视盘的边缘。如图11(b)所示。

采用本实施例的这种视盘定位和边缘确定方式，视盘定位模块能够更准确地定位出视盘的位置，血管分割模块能够更加清晰地分割出视盘及其他血管部分。

虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案的等效变换、简单替换等显而易见的改变，均落在本发明保护范围之内。

Claims (7)

1.一种用于糖尿病性视网膜病变筛查的***，其特征在于，所述***包括：眼底图像获取设备、图像处理及筛查设备以及报告输出设备，

所述眼底图像获取设备用于采集或接收被检人员的眼底图像；

所述图像处理及筛查设备用于对所述眼底图像进行处理并检测其中是否存在病变，然后将检测结果输送给所述报告输出设备；

所述报告输出设备基于所述检测结果输出相应检测报告。

2.根据权利要求1所述的用于糖尿病性视网膜病变筛查的***，其特征在于，所述眼底图像获取设备为彩色眼底相机，或者，所述眼底图像获取设备为眼底图像接收设备。

3.根据权利要求1所述的用于糖尿病性视网膜病变筛查的***，其特征在于，所述图像处理及筛查设备包括：图像预处理模块、图像校正模块、血管分割模块、视盘定位模块、红色病变检测模块、亮度病变检测模块以及分类模块，所述分类模块基于所述红色病变检测模块、亮度病变检测模块、血管分割模块和视盘定位模块的输出来判定被检测图片所对应患者是否具有糖尿病性视网膜病变。

4.根据权利要求3所述的用于糖尿病性视网膜病变筛查的***，其特征在于，所述图像校正模块用于对图像进行颜色、亮度以及曝光分布的归一化处理，归一化的具体过程包括：根据图像的曝光分布，拟合出一个二次曲面，然后根据拟合的曲面对图像的亮度分布进行反补偿；然后，选定一幅质量较好的图像作为参考图像，计算其颜色和亮度通道上的灰度直方图峰值，把被处理图像的色调、饱和度和亮度信息的灰度直方图都归一化到参考图像的参考值上。

5.根据权利要求4所述的用于糖尿病性视网膜病变筛查的***，其特征在于，所述血管分割模块用于分割血管和视盘，分割视盘的过程包括：基于所述眼底图像生成不同尺度的特征图；基于所述特征图建立相应的特征显著性描述；对不同的特征显著性描述进行归一化，并相加获得显著性图；采用局部阈值分割算法提取所得的显著性图，输出亮度值最大的区域作为视盘的位置。

6.根据权利要求5所述的用于糖尿病性视网膜病变筛查的***，其特征在于，所述血管分割模块在进行血管分割时，把图像的兴趣区由直角坐标转为极坐标表示，并且采用亚像素精度提取方法，首先求取每个像素点处的灰度值的梯度，利用Canny算子求得血管初始的轮廓。

7.根据权利要求6所述的用于糖尿病性视网膜病变筛查的***，其特征在于，所述血管分割模块在进行血管分割时采用统计排序滤波器来擦除视盘血管。