CN106214120A - 一种青光眼的早期筛查方法 - Google Patents
一种青光眼的早期筛查方法 Download PDFInfo
- Publication number
- CN106214120A CN106214120A CN201610689336.2A CN201610689336A CN106214120A CN 106214120 A CN106214120 A CN 106214120A CN 201610689336 A CN201610689336 A CN 201610689336A CN 106214120 A CN106214120 A CN 106214120A
- Authority
- CN
- China
- Prior art keywords
- glaucoma
- cup
- optic disc
- optic
- image
- 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.)
- Pending
Links
Classifications
-
- 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
- A61B3/0016—Operational features thereof
-
- 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
- A61B3/16—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring intraocular pressure, e.g. tonometers
- A61B3/165—Non-contacting tonometers
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明是一种青光眼的早期筛查方法,利用计算机对眼底照片进行全自动分析,快速实时计算出视杯与视盘的杯盘比C/D比值,其特征在于,将杯盘比与设定的青光眼风险值对比判断是否存在青光眼的可能性。本发明的优点:以青光眼病变中视神经进行性损伤产生杯盘比变化为基础,实现计算机辅助下全自动眼底照片阅片分析。由于图像模糊处理、OTSU算法和计算机运算的引入,与以往单纯利用眼底照相阅片诊断的方法相比,大大提高了结果判定的精准性和实时性,同时规避了昂贵复杂的检测设备。通过低成本高效率的筛查,实现青光眼的早发现、早诊断;通过数据库的建立和逐级筛选逐级上传的方式逐步完善三级联网体系下大数据拓展性开发***。
Description
技术领域
本发明一种青光眼的早期筛查方法,涉及医学图像数据化处理技术领域。
技术背景
青光眼是全球三大致盲性眼病之一,是全球性重要公共卫生问题,长期视神经损伤最终将导致不可逆性失明,为患者本人,家庭以及社会均造成沉重的压力和负担。
中国是青光眼患病大国,防治青光眼任重而道远。根据世界卫生组织(WHO)的资料,2010 年中国的原发性青光眼患者人数约1578 万(1111~2364 万),其中原发性开角型青光眼(POAG)831 万(670 万~1042 万),占全球POAG 的18.6%;原发性闭角型青光眼(PACG) 747 万(442 万~1322 万),占全球PACG 的47.5%。在中国的40 岁以上(总人口5.93亿)的人群中,青光眼患病率为2.66%(1.87%~3.98%),POAG 患病率1.4%,PACG 患病率1.26%。估计到2020 年,中国原发性青光眼将达到约2182 万(11556~3201 万),其中40岁以上(那时总人口约7.15 亿)患病率为3.05%(1.64%~1.41%)。
早期发现青光眼并进行合理治疗可以避免致盲。如图1青光眼早期干预与晚期干预结局的差异所示,原发性青光眼均属于慢性进行性疾病,早期发现后进行降眼压治疗使之达到目标眼压,可使绝大多数患者的病情可以通过药物和手术激光等方法得到控制,保持现有视功能不再加重进展;但遗憾的是:在中国至少90% 的POAG 和至少50% 的PACG未被查出或患者自己不知道患有青光眼。待到患者主动到医院就诊时,多数是具有中、晚期视神经损害的青光眼患者,视神经形态损害及视野损害已经比较严重,甚至视野即将完全丢失而失明。
青光眼筛查方式包括机会性筛查和人群筛查两方面:
机会性筛查是指一些人因为健康体检或其他问题来眼科就诊时,眼科医师有意识地进行青光眼方面的必要检查,包括裂隙灯显微镜检查周边前房深度、眼底数码照相、眼压测量,必要时进行前房角镜等检查,它是眼科临床工作的一部分。适用于眼科设备和医务人员素质较高的三级医院。
人群筛查是在普通大众或特定群体中进行的筛查,面向人群基数大,参加普查的设备和人员素质参差有异,但又是青光眼防治中最重要也是最广泛的诊疗第一线。
目前现有青光眼诊断手段有如下几种:
(1)眼压测量法:用眼压检测作为筛查青光眼的方法,难以确定正常眼压阈值线,将眼压>21 mmHg 作为界限,其敏感性为47%,特异性为92%(Baltimore Eye Survey,1991),即有超过一半的早期青光眼患者在日间随机检测眼压并不高。因此,现代青光眼诊断引入了因人而异的靶眼压概念和个性化治疗方案。
(2)标准化自动视野:检查虽然是评估青光眼功能损害的金标准,但其属于主观检查,依赖受试者合作,检查时间较长(目前的SITA-Fast、TOP 检查程序仍然不够短,每眼检查至少用几分钟的时间),另外视野仪的基层普及率较低,体积较大不便于携带,这些都限制了其进行大规模基层人群筛查。
(3)采用倍频视野检查(FDP):虽然检查时间较短(全阈值模式每眼5 分钟;阈上值筛查模式不超过90 秒),但其只对中、重度青光眼检测较敏感。
(4)直接眼底镜:评价视神经具有快速、经济的优点,但其敏感性与特异性较低,受医务人员素质影响误差较大,缺乏客观记录,不利于会诊和数据库建立。
(5)视神经定量测量仪如HRT、GDX、OCT等检查:时间较长,检查仪器价格高昂,基层普及率很低,检查人员专业要求高,结果解释需要特定的专业知识等,对多数人群筛查并不实用。
为了提高青光眼人群筛查的效果/成本比,需注意三个方面的问题。一是应针对目标人群筛查,二是除青光眼外同时联合多病种筛查,三是建立眼底影像数据库,形成拓展性普查诊疗***。因为,所谓目标人群主要指青光眼高危人群,包括40岁以上者、糖尿病患者(有研究显示其患青光眼几率是非糖尿病者的2.12)、近视眼尤其是6D以上的高度近视眼患者(有研究显示其患青光眼几率是正视眼的7.56倍)、青光眼家族史者(有研究显示POAG一级亲属患病风险为10%)。多种疾病联合筛查是指除青光眼外,可对白内障需要手术治疗者、糖尿病视网膜病变、年龄相关性黄斑变性、病理性近视眼底改变等多种致盲性眼病以及全身性慢病(如高血压病、高脂血症、脑卒中等)的眼底并发症同时进行筛查。
医学研究证实,视神经进行性损害是青光眼致盲的病理基础。更有意义的是,青光眼视神经损害有别于其他类型的视神经损害,它以视盘盘沿丢失及相应部位的与盘沿相连的视网膜神经纤维层缺损为特征,杯盘比值随之产生变化,这一特征性病理变化为青光眼筛查提供了依据和便利。通过对眼底成像测定视神经***的杯盘比值(C/D比值),是用于早期发现青光眼的方法之一,已日益为眼科医师所公认。然而,使用简易的测量器具测定杯盘比操作复杂,对检查人员的专业要求和临床经验要求较高,而使用复杂的测量仪器则价格高昂,两者均无法有效地在基层医疗机构推广。我国医学研究证实,目前中国人群中青光眼患病率高,诊治效率低,这使得研发一种性价比高(即青光眼患者检出数/普查投入成本)、高普及率、可拓展性强的人群青光眼筛查体系有非常重要意义。
针对眼科设备和专业人员较匮乏的广大基层医院和非专业眼科防治机构,提供一种性价比高、高普及率、可拓展性强的青光眼早期筛查方法,对眼底照片进行低成本高效率的筛查,提高青光眼患者阳性检出率,实现人群中青光眼的早发现、早诊断、早治疗,并逐步完善三级联网体系下大数据拓展性开发***非常有意义。
发明内容
本发明的目的在于:提供一种性价比高、高普及率、可拓展性强的青光眼早期筛查方法。
本发明的目的通过下述方案实现:一种青光眼的早期筛查方法,利用计算机对眼底照片进行全自动分析,快速实时计算出视杯与视盘的杯盘比C/D比值,其中,将杯盘比与设定的青光眼风险值对比判断是否存在青光眼的可能性,通过以下步骤实现:
步骤1,通过眼底成像设备获得RGB颜色模式的原始眼底照片,输入计算机;
步骤2,对原始眼底照片进行包括HSV颜色模式转换,并提取其中的亮度参数V的预处理,获得眼底亮度灰度图;
步骤3,对眼底亮度灰度图进行二值化形成黑白两色的图像,运用图像形态学方法提取联通区域图,通过视盘区域筛选法标定视盘区域,获得视盘边界图,截取原始眼底照片中的视盘区域照片;
步骤4,对视盘区域照片进行包括RGB灰度转换法和图像模糊处理的预处理,获得视盘区域灰度模糊图;
步骤5,计算视盘区域灰度模糊图的灰度直方图数据,对视盘区域灰度模糊图使用OTSU算法获得视杯边界图;
步骤6,根据上述步骤3和步骤5获得的视盘边界和视杯边界,使用最小外接圆算法分别计算出视盘和视杯的最小外接圆,并通过视盘和视杯的最小外接圆直径计算出杯盘比;
步骤7,将杯盘比与设定的青光眼风险值对比,获得对比结果,计算机输出杯盘比数值与设定的青光眼风险值的对比结果。
在上述方案的基础上,所述的二值化利用亮度阀值将眼底亮度灰度图分成黑白两色的图像,其计算公式为:
T=round(Imax-(Imax-Imin)/2)*K
其中,T为用于图像二值化的亮度阀值,大于T为白色,小于T为黑色,K为眼底成像设备的亮度阀值, K的取值与眼底成像设备的硬件参数有关,可以通过的实验获得,round()是MATLAB软件的标准函数,Imax为眼底亮度灰度图像中亮度的最大值,Imin为眼底亮度灰度图像中亮度的最小值。
RGB灰度转换是根据拍摄眼底照片所用的眼底成像设备的对红绿蓝三色敏感度的输出比例,应用以下公式进行转换:
Gray = R*Sr+G*Sg+B*Sb
从而得到对应的灰度图片。
其中,Sr、Sg和Sb分别为相机输出照片对三种颜色的敏感度比例。
由于每种型号相机或同一部相机拍摄模式不同,对红绿蓝三色的敏感度输出均存在微小差异。因此,Sr、Sg和Sb一般在设备应用前,通过对多个病例的眼底照片的拍摄,并试算后得出一种效果最佳的比例(Sr +Sg+Sb=1)。而后在应用中固定相机的各种拍摄参数,同时固定Sr、Sg和Sb输出比例。
在上述方案的基础上,所述的视盘区域筛选法包括面积排除法和圆近似度排序法,面积排除法是计算联通区域的面积或像素点数量,将面积或像素点数量小于人眼视盘平均面积的68%或人眼视盘照片平均像素点数量的68%的区域排除,然后使用圆近似度排序法是计算联通区域最大包容圆直径与最小包容圆直径之比值来确定,并将比值由高到低排序,比值最高的联通区域即为视盘区域。
在上述方案的基础上,所述的图像模糊处理为散焦模糊、高斯模糊或平均模糊。使用图像模糊处理的原因:由于眼底图中除了视杯、视盘外,还存在大血管的影像,且血管的边界相对于视杯与视盘的边界在眼底图上呈现的更加锐利。如果直接使用OTSU法求取视杯边界,很容易受到这些眼底血管的影响而产生所谓的边界泄漏效应。因此,需要进行图像模糊处理,弱化眼底血管的边界效应。
常用的3种MATLAB图像模糊处理方法分别为散焦模糊、高斯模糊或平均模糊:
r=10;(滤波器半径参数r)
散焦模糊:
PSF1=fspecial('disk',r);(圆形区域均值滤波)
I1=imfilter(Im1,PSF1,'symmetric','conv') (原始图像Im1,输出图像I1)
高斯模糊:
PSF2=fspecial('gaussian',r);(高斯低通滤波)
I2=imfilter(Im2,PSF2,'symmetric','conv') (原始图像Im2,输出图像I2)
平均模糊:
PSF3=fspecial('average',r);(均值滤波)
I3=imfilter(Im3,PSF3,'symmetric','conv') (原始图像Im3,输出图像I3)
经过大量试验对上述三种模糊算法进行比对,散焦模糊相对于其他两种模糊算法,其结果的精度更高和容错性更好,更能适应实际应用中眼底照片的各种参数变化,如眼底照片的色彩饱和度、亮度等参数。
散焦模糊处理后的的特点是图像从中心开始呈放射状模糊。该算法能够极大弱化与放射方向平行的边界效应,而对与放射方向垂直的边界弱化较少。而眼底血管基本都是从眼中心呈放射状向眼周延伸的,因此经过散焦模糊处理后,眼底图上的血管边界就被极大弱化。
模糊算法的参数:经过实验与OCT眼底断层扫描的结果校准来确定,如眼底照片的色彩饱和度、亮度和滤波器半径参数r等。
在上述方案的基础上,所述的灰度直方图数据是通过MATLAB软件的标准函数imhist()统计图像中的数据,将统计后的数据显示为坐标图,其横坐标表示像素的灰度级别,纵坐标为像素点的个数,该坐标图即为灰度直方图。由于OTSU算法是对图像的灰度级进行聚类,所以在执行OTSU算法之前,需要计算该图像的灰度直方图数据。
在上述方案的基础上,所述的OTSU算法利用灰度阈值将视盘区域灰度模糊图分成前景、背景两个图像,其公式为:
g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u),或
g=w0*w1*(u0-u1)*(u0-u1)
其中,设t为前景与背景的灰度阈值,灰度值小于灰度阈值t的为前景,灰度值大于灰度阈值t的为背景,前景像素点数占图像比例为w0,平均灰度为u0,背景像素点数占图像比例为w1,平均灰度为u1,u为图像总平均灰度,u=w0*u0 + w1*u1,g为前景和背景图象的方差,采用遍历t的方法得到使方差g最大的灰度阈值t,即为所求灰度阈值。
OTSU法(最大类间方差法,有时也称之为大律法)使用的是聚类的思想,把图像的灰度数按灰度级分成2个部分,使得两个部分之间的灰度值差异最大,每个部分之间的灰度差异最小,通过方差的计算来寻找一个合适的灰度级别来划分。所以可以在二值化的时候采用OTSU算法来自动选取阈值进行二值化。OTSU算法被认为是图像分割中阈值选取的最佳算法,计算简单,不受图像亮度和对比度的影响。因此,使类间方差最大的分割意味着错分概率最小。对应于视杯视盘的分割,OTSU法能得到无人工辅助情况下的最佳计算结果。
在上述方案的基础上,针对步骤6中,所述最小外接圆算法为以下四个步骤:
步骤6.1,在区域内的像素点中任取三点A、B、C。;
步骤6.2,作一个包含A、B、C三点的最小圆,圆周通过三点或只通过其中两点,只通过其中两点时需包含第三点;
步骤6.3,在区域内的像素点中找出距离步骤6.2所建圆圆心最远的D点,若D点已在圆内或圆周上,则该圆即为所求的圆,算法结束,否则执行下一步骤;
步骤6.4,在A、B、C、D中选三个点,使由它们生成的一个包含这4个点的圆为最小,这三点成为新的A、B、C,若生成的圆的圆周只通过A、B、C、D中的两点,则圆周上的两点取成新的A和B,,从另两点中任取一点作为新的C,返回执行步骤6.2。
在上述方案的基础上,所述的原始眼底照片、杯盘比数值和与设定的青光眼风险值的对比结果可以通过局域网或互联网上传至上级数据库,并可最终形成大数据分析样本。大规模的青光眼普查和建立互联网的影像数据库,便于远程会诊,形成三级层连,不同医疗单位、不同地点的眼科医师通过登录密码可从网络上查看,并将诊治意见与患者交流,利于随诊,与基线筛查结果进行比较,从而监测病情进展。
由经过培训的基层医疗单位(城市社区或农村乡镇医院等)或加盟机构(如健康体检中心、非眼科专科医院等)的医疗相关人员在当地通过网络、广播、电视等手段宣传、组织筛查,尤其是针对目标人群,视力检查、进行免散瞳眼底数码照相,每眼进行包括视盘及黄斑区在内的一张眼底像,眼底像不清楚者,需用眼底照相机照眼前节像,以了解眼前节情况及屈光间质混浊尤其是白内障程度。图像经过本发明的方法进行运算,快速得到杯盘比,即可实时进行青光眼的初步筛查和诊断。同时对初步诊断病例和疑似病例的参数上传到互联网数据库,由三级甲等医院青光眼专业医师实时阅片,将阅片报告实时上传,基层合作单位的医务人员及受试者可在互联网上查看图片与阅片结果。阅片医师依据杯盘比以及视网膜神经纤维层的形态学改变如上方或下方盘沿变窄、双眼视杯不对称、局限性视网膜神经纤维层缺损、盘沿出血等结合病史做出青光眼与可疑青光眼的诊断,及进一步的治疗建议。
本发明的优点:以青光眼病变中视神经进行性损伤产生杯盘比变化为基础,结合眼底照相和自行研发的视杯、视盘边界检测方法,实现计算机辅助下全自动眼底照片阅片分析。眼底彩照***下的视杯、视盘边界检测方法,提高了青光眼的早期检出率,同时规避了昂贵复杂的检测设备,所需设备成本低,使用简单,对操作人员专业要求低,通过对眼底照片进行低成本高效率的筛查,实现人群中青光眼的早发现、早诊断、早治疗;由于图像模糊处理、OTSU算法和计算机运算的引入,与以往单纯利用眼底照相阅片诊断的方法相比,大大提高了结果判定的精准性和实时性,便于数据库的建立和进一步随访研究,大大提高了人群筛查的效果/成本比,并可通过逐级筛选逐级上传上级数据库的方式逐步完善三级联网体系下大数据拓展性开发***。
附图说明
图1为青光眼早期干预与晚期干预结局的差异;
图2为本发明的青光眼筛查方法流程图;
图3为本发明的左眼原始眼底照片;
图4为本发明的右眼原始眼底照片;
图5为本发明的左眼眼底亮度灰度图;
图6为本发明的右眼眼底亮度灰度图;
图7为本发明的二值化后的左眼眼底亮度灰度图;
图8为本发明的二值化后的右眼眼底亮度灰度图;
图9为本发明的左眼视盘边界图;
图10为本发明的右眼视盘边界图;
图11为本发明的左眼视盘区域照片;
图12为本发明的右眼视盘区域照片;
图13为本发明的左眼视盘区域灰度模糊图;
图14为本发明的右眼视盘区域灰度模糊图;
图15为本发明的左眼灰度直方图;
图16为本发明的右眼灰度直方图;
图17为本发明的左眼视杯边界图;
图18为本发明的右眼视杯边界图。
具体实施方式
下面结合附图对本发明的实施例作详细说明,本实施例所使用的眼底成像设备为Canon CR-DGi(免散瞳眼底相机),所使用软件为MATLAB,如图2本发明的青光眼筛查方法流程图所示,通过以下步骤。
步骤1,通过眼底成像设备获得如图3和图4所示的RGB颜色模式的左、右眼原始眼底照片,输入计算机;
步骤2,对原始眼底照片进行HSV颜色模式转换,并提取其中的亮度参数V,获得如图5和图6所示的左、右眼眼底亮度灰度图;
步骤3,对眼底亮度灰度图进行二值化形成如图7和图8所示的黑白两色的二值化后的左、右眼眼底亮度灰度图,运用图像形态学方法提取联通区域图,通过面积排除法和圆近似度排序法标定视盘区域,将像素点数量小于人眼视盘照片平均像素点数量的68%的区域排除,然后使用圆近似度排序法是计算联通区域最大包容圆直径与最小包容圆直径之比值来确定,并将比值由高到低排序,比值最高的联通区域即为视盘区域,获得如图9和图10所示的左、右眼视盘边界图,如图11和图12所示截取原始眼底照片中的左、右眼视盘区域照片,二值化的计算公式为:
T=round(Imax-(Imax-Imin)/2)*K
其中,T为用于图像二值化的亮度阀值,大于T为白色,小于T为黑色,K为眼底成像设备的亮度阀值,本实施例中K取0.92,round()是MATLAB软件的标准函数,Imax为眼底亮度灰度图像中亮度的最大值,Imin为眼底亮度灰度图像中亮度的最小值;
步骤4,对视盘区域照片进行RGB灰度转换和散焦模糊,获得如图13和图14所示的左、右眼视盘区域灰度模糊图;
步骤5,通过MATLAB软件的标准函数imhist()统计图像中的数据,将统计后的数据显示为坐标图,其横坐标表示像素的灰度级别,纵坐标为像素点的个数,如图15和图16所示的左、右眼灰度直方图,根据灰度直方图数据对视盘区域灰度模糊图使用OTSU算法获得如图17和图18所示的左、右眼视杯边界图;
步骤6,根据上述步骤3和步骤5获得的视盘边界和视杯边界,使用最小外接圆算法分别计算出视盘和视杯的最小外接圆,并通过视盘和视杯的最小外接圆直径计算出杯盘比;
步骤7,将杯盘比与设定的青光眼风险值0.3对比,计算机输出对比结果当杯盘比小于0.3时提示正常,当杯盘比大于0.3时提示患青光眼的可能较高,需要进一步检测,并将对比结果通过局域网或互联网上传至上级数据库,最终形成大数据分析样本。
Claims (8)
1.一种青光眼的早期筛查方法,利用计算机对眼底照片进行全自动分析,快速实时计算出视杯与视盘的杯盘比C/D比值,其特征在于,将杯盘比与设定的青光眼风险值对比判断是否存在青光眼的可能性,通过以下步骤实现:
步骤1,通过眼底成像设备获得RGB颜色模式的原始眼底照片,输入计算机;
步骤2,对原始眼底照片进行HSV颜色模式转换,并提取其中的亮度参数V的预处理,获得眼底亮度灰度图;
步骤3,对眼底亮度灰度图进行二值化形成黑白两色的图像,运用图像形态学方法提取联通区域图,通过视盘区域筛选法标定视盘区域,获得视盘边界图,截取原始眼底照片中的视盘区域照片;
步骤4,对视盘区域照片进行包括RGB灰度转换法和图像模糊处理的预处理,获得视盘区域灰度模糊图;
步骤5,计算视盘区域灰度模糊图的灰度直方图数据,对视盘区域灰度模糊图使用OTSU算法获得视杯边界图;
步骤6,根据上述步骤3和步骤5获得的视盘边界和视杯边界,使用最小外接圆算法分别计算出视盘和视杯的最小外接圆,并通过视盘和视杯的最小外接圆直径计算出杯盘比;
步骤7,将杯盘比与设定的青光眼风险值对比,获得对比结果,计算机输出杯盘比数值与设定的青光眼风险值的对比结果。
2.根据权利要求1所述的一种青光眼的早期筛查方法,其特征在于:所述的二值化利用亮度阀值将眼底亮度灰度图分成黑白两色的图像,其计算公式为:
T=round(Imax-(Imax-Imin)/2)*K
其中,T为用于图像二值化的亮度阀值,大于T为白色,小于T为黑色,K为眼底成像设备的亮度阀值,round()是MATLAB软件的标准函数,Imax为眼底亮度灰度图像中亮度的最大值,Imin为眼底亮度灰度图像中亮度的最小值。
3.根据权利要求1所述的一种青光眼的早期筛查方法,其特征在于: 所述的视盘区域筛选法包括面积排除法和圆近似度排序法,面积排除法是计算联通区域的面积或像素点数量,将面积或像素点数量小于人眼视盘平均面积的68%或人眼视盘照片平均像素点数量的68%的区域排除,然后使用圆近似度排序法是计算联通区域最大包容圆直径与最小包容圆直径之比值来确定,并将比值由高到低排序,比值最高的联通区域即为视盘区域。
4.根据权利要求1所述的一种青光眼的早期筛查方法,其特征在于:所述的图像模糊处理为散焦模糊、高斯模糊或平均模糊。
5.根据权利要求1所述的一种青光眼的早期筛查方法,其特征在于:所述的灰度直方图数据是通过MATLAB软件的标准函数imhist()统计图像中的数据,将统计后的数据显示为坐标图,其横坐标表示像素的灰度级别,纵坐标为像素点的个数,该坐标图即为灰度直方图。
6.根据权利要求1或5所述的一种青光眼的早期筛查方法,其特征在于:所述的OTSU算法利用灰度阈值将视盘区域灰度模糊图分成前景、背景两个图像,其公式为:
g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u),或
g=w0*w1*(u0-u1)*(u0-u1)
其中,设t为前景与背景的灰度阈值,灰度值小于灰度阈值t的为前景,灰度值大于灰度阈值t的为背景,前景像素点数占图像比例为w0,平均灰度为u0,背景像素点数占图像比例为w1,平均灰度为u1,u为图像总平均灰度,u=w0*u0 + w1*u1,g为前景和背景图象的方差,采用遍历t的方法得到使方差g最大的灰度阈值t,即为所求灰度阈值。
7.根据权利要求1所述的一种青光眼的早期筛查方法,其特征在于:针对步骤6中,所述最小外接圆算法为以下四个步骤:
步骤6.1,在区域内的像素点中任取三点A、B、C。;
步骤6.2,作一个包含A、B、C三点的最小圆,圆周通过三点或只通过其中两点,只通过其中两点时需包含第三点;
步骤6.3,在区域内的像素点中找出距离步骤6.2所建圆圆心最远的D点,若D点已在圆内或圆周上,则该圆即为所求的圆,算法结束,否则执行下一步骤;
步骤6.4,在A、B、C、D中选三个点,使由它们生成的一个包含这4个点的圆为最小,这三点成为新的A、B、C,若生成的圆的圆周只通过A、B、C、D中的两点,则圆周上的两点取成新的A和B,,从另两点中任取一点作为新的C,返回执行步骤6.2。
8.根据权利要求1所述的一种青光眼的早期筛查方法,其特征在于:所述的原始眼底照片、杯盘比数值和与设定的青光眼风险值的对比结果可以通过局域网或互联网上传至上级数据库,并可最终形成大数据分析样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610689336.2A CN106214120A (zh) | 2016-08-19 | 2016-08-19 | 一种青光眼的早期筛查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610689336.2A CN106214120A (zh) | 2016-08-19 | 2016-08-19 | 一种青光眼的早期筛查方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106214120A true CN106214120A (zh) | 2016-12-14 |
Family
ID=57553583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610689336.2A Pending CN106214120A (zh) | 2016-08-19 | 2016-08-19 | 一种青光眼的早期筛查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106214120A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684981A (zh) * | 2018-12-19 | 2019-04-26 | 上海鹰瞳医疗科技有限公司 | 青光眼图像识别方法、设备和筛查*** |
CN109697716A (zh) * | 2018-12-19 | 2019-04-30 | 上海鹰瞳医疗科技有限公司 | 青光眼图像识别方法、设备和筛查*** |
CN109712693A (zh) * | 2018-12-14 | 2019-05-03 | 贵州大学 | 一种智能病理诊断方法及*** |
WO2019218482A1 (zh) * | 2018-05-14 | 2019-11-21 | 平安科技(深圳)有限公司 | 基于大数据的人群筛选方法、装置、终端设备及可读存储介质 |
CN111080630A (zh) * | 2019-12-20 | 2020-04-28 | 腾讯医疗健康(深圳)有限公司 | 眼底图像检测设备、方法、装置及存储介质 |
CN112765563A (zh) * | 2020-10-24 | 2021-05-07 | 昆明医科大学 | 基于视网膜神经节细胞估算值评估青光眼进展的方法 |
CN113780477A (zh) * | 2021-10-11 | 2021-12-10 | 深圳硅基智能科技有限公司 | 基于紧框标的深度学习的眼底图像的测量方法及测量装置 |
US11295178B2 (en) | 2017-11-01 | 2022-04-05 | Tencent Technology (Shenzhen) Company Limited | Image classification method, server, and computer-readable storage medium |
-
2016
- 2016-08-19 CN CN201610689336.2A patent/CN106214120A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11295178B2 (en) | 2017-11-01 | 2022-04-05 | Tencent Technology (Shenzhen) Company Limited | Image classification method, server, and computer-readable storage medium |
WO2019218482A1 (zh) * | 2018-05-14 | 2019-11-21 | 平安科技(深圳)有限公司 | 基于大数据的人群筛选方法、装置、终端设备及可读存储介质 |
CN109712693A (zh) * | 2018-12-14 | 2019-05-03 | 贵州大学 | 一种智能病理诊断方法及*** |
WO2020125319A1 (zh) * | 2018-12-19 | 2020-06-25 | 上海鹰瞳医疗科技有限公司 | 青光眼图像识别方法、设备和筛查*** |
WO2020125318A1 (zh) * | 2018-12-19 | 2020-06-25 | 上海鹰瞳医疗科技有限公司 | 青光眼图像识别方法、设备和诊断*** |
CN109684981A (zh) * | 2018-12-19 | 2019-04-26 | 上海鹰瞳医疗科技有限公司 | 青光眼图像识别方法、设备和筛查*** |
CN109697716B (zh) * | 2018-12-19 | 2021-04-02 | 上海鹰瞳医疗科技有限公司 | 青光眼图像识别方法、设备和筛查*** |
CN109697716A (zh) * | 2018-12-19 | 2019-04-30 | 上海鹰瞳医疗科技有限公司 | 青光眼图像识别方法、设备和筛查*** |
CN111080630A (zh) * | 2019-12-20 | 2020-04-28 | 腾讯医疗健康(深圳)有限公司 | 眼底图像检测设备、方法、装置及存储介质 |
CN111080630B (zh) * | 2019-12-20 | 2024-03-08 | 腾讯医疗健康(深圳)有限公司 | 眼底图像检测设备、方法、装置及存储介质 |
CN112765563A (zh) * | 2020-10-24 | 2021-05-07 | 昆明医科大学 | 基于视网膜神经节细胞估算值评估青光眼进展的方法 |
CN113780477A (zh) * | 2021-10-11 | 2021-12-10 | 深圳硅基智能科技有限公司 | 基于紧框标的深度学习的眼底图像的测量方法及测量装置 |
CN113780477B (zh) * | 2021-10-11 | 2022-07-22 | 深圳硅基智能科技有限公司 | 基于紧框标的深度学习的眼底图像的测量方法及测量装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106214120A (zh) | 一种青光眼的早期筛查方法 | |
Cao et al. | Hierarchical method for cataract grading based on retinal images using improved Haar wavelet | |
Zhang et al. | A survey on computer aided diagnosis for ocular diseases | |
Gao et al. | Automatic feature learning to grade nuclear cataracts based on deep learning | |
Markowitz et al. | Microperimetry and clinical practice: an evidence-based review | |
Patton et al. | Retinal image analysis: concepts, applications and potential | |
Nayak et al. | Automated identification of diabetic retinopathy stages using digital fundus images | |
Xiong et al. | An approach to evaluate blurriness in retinal images with vitreous opacity for cataract diagnosis | |
US20120150029A1 (en) | System and Method for Detection and Monitoring of Ocular Diseases and Disorders using Optical Coherence Tomography | |
WO2020042500A1 (zh) | 一种基于远程眼底筛查的健康大数据服务方法和*** | |
WO2012136079A1 (en) | Method and device for retinal image analysis | |
Shao et al. | Quantitative assessment of fundus tessellated density and associated factors in fundus images using artificial intelligence | |
WO2010131944A2 (en) | Apparatus for monitoring and grading diabetic retinopathy | |
CN111785363A (zh) | 一种基于ai引导的慢性病辅助诊断*** | |
Adalarasan et al. | Automatic detection of blood vessels in digital retinal images using soft computing technique | |
Naveed et al. | Clinical and technical perspective of glaucoma detection using OCT and fundus images: a review | |
Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
CN111402184B (zh) | 一种实现远程眼底筛查和健康服务的方法和*** | |
Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
de Moura et al. | Automatic characterization of the serous retinal detachment associated with the subretinal fluid presence in optical coherence tomography images | |
Consejo et al. | Detection of subclinical keratoconus with a validated alternative method to corneal densitometry | |
Frampton et al. | Accuracy of fundus autofluorescence imaging for the diagnosis and monitoring of retinal conditions: a systematic review | |
Ajaz et al. | Association between optical coherence tomography and fluorescein angiography based retinal features in the diagnosis of macular edema | |
Tugashetti et al. | Design of algorithms for diagnosis of primary glaucoma through estimation of CDR in different types of fundus images using IP techniques | |
WO2019157113A1 (en) | Segmentation-based corneal mapping |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161214 |
|
WD01 | Invention patent application deemed withdrawn after publication |