CN107203758A - 糖尿病人视网膜血管图像分割方法 - Google Patents
糖尿病人视网膜血管图像分割方法 Download PDFInfo
- Publication number
- CN107203758A CN107203758A CN201710418711.4A CN201710418711A CN107203758A CN 107203758 A CN107203758 A CN 107203758A CN 201710418711 A CN201710418711 A CN 201710418711A CN 107203758 A CN107203758 A CN 107203758A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- vessel
- mistake
- segmentation
- diabetes patient
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Eye Examination Apparatus (AREA)
Abstract
糖尿病人视网膜血管图像分割方法,属于图像处理技术领域。本发明的步骤1、按照预设的二值化阈值对经过预处理的眼底图像进行二值化处理,并提取二值化处理后的眼底图像中的中心线和边缘,得到血管树;步骤2、对所述的血管树分叉处做断开处理得到血管段,并对各个血管段进行线分割得到血管,得到原始血管集;步骤3、确定误分割血管,并从原始血管集中去除得到全局血管集。本发明在得到原始血管集后进一步还利用血管的背景和形状确定误分割的血管,可以有效去除因为拍照造成的环状反光、视盘周围的非血管的跃阶边缘、斑状病变以及出血病变等原因造成的误分割血管。
Description
技术领域
本发明涉及一种图像分割方法,具体涉及一种糖尿病人视网膜血管图像分割方法,属于图像处理技术领域。
背景技术
视网膜是人体中唯一可以以非创伤方式直接观察到较深层血管,而且视网膜血管是眼底图像中可见的最主要解剖结构,其结构特征变化直接反映糖尿病、高血压和动脉硬化等心血管疾病对血管网络形态结构的影响。有研究表明,通过周期性的眼底筛查以及早期诊断,可以极大地降低患心血管疾病的风险。考虑到眼底筛查结果客观性、可重复性、准确性以及大批量的需要,临床上对视网膜血管的自动检测以及定量分析提出了迫切的要求。因此,采取有效的方法分割视网膜眼底图像中的血管结构,有助于对心血管疾病的早期诊断、治疗跟踪以及术后评估,在临床上具有重要的应用价值。
图像分割是图像处理的基本内容之一,图像分割可以提高图像的视觉效果,也有利于对图像做进一步的处理。图像分割可以只强调或抑制图像中的某些细节,使它更加适合于某个具体的应用。图像分割处理的好坏直接影响后续的图像分析和模式识别,其应用价值得到了广泛重视。
现有的图像分割方法分为非监督方法和监督方法两大类,非监督方法主要包括局部滤波法、局部自适应阈值法和血管追踪法等。有监督的方法包括基于极薄的血管分割法和基于神经网络的像素分类法。但是,通过分析现有方法,发现现有方法存在分割精度低的问题,而且实时性较低,难于在对实时性有较高要求的临床中广泛应用。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,根据本发明的一个方面,本发明旨在提出糖尿病人视网膜血管图像分割方法,来解决上述技术问题。
本发明所采取的方案为:糖尿病人视网膜血管图像分割方法,
具体方法为,
步骤1、按照预设的二值化阈值对经过预处理的眼底图像进行二值化处理,并提取二值化处理后的眼底图像中的中心线和边缘,得到血管树;
步骤2、对所述的血管树分叉处做断开处理得到血管段,并对各个血管段进行线分割得到血管,得到原始血管集;
步骤3、确定误分割血管,并从原始血管集中去除得到全局血管集。
本发明中对眼底图像进行小波变换以对眼底图像进行预处理。
进一步地:所述步骤1中,二值化阈值为二值化处理后为血管的像素点个数占整个眼底图像的像素点比例,通常取值为4~20%。二值化阈值越大,则越宽松。作为优选,所述的二值化阈值为14%。
进一步地:所述步骤三中,误分割血管包括分为两类,第一类误分割血管基于血管两侧的背景差异确定,第二类基于血管形状确定。
所述背景差异通过如下步骤确定第一类误分割血管:
(a1)针对每个血管,提取该血管两侧背景的特征向量;
任意一侧背景的特征向量根据该侧距离中心线5~10个像素点以内区域中所有像素点(即与中心线的距离小于5~10个像素点)的RGB三个通道上的颜色值得到。每侧的特征向量为一个三维向量,分别表示血管两侧背景的在RGB三个通道上的颜色值信息。具体实现时获取该侧距离中心线5~10个像素点的区域中的所有像素点在R、G、B三个通道上的颜色值并分别在每个通道上求平均,进而得到该侧的特征向量。
(a2)根据所述特征向量的采用聚类法将所有血管聚为两类,得到的小类即为视盘周围误分割血管。
针对每个血管,计算两侧特征向量的欧氏距离,然后对所有血管对应的欧式距离进行聚类,即完成对血管的聚类。由于K均值聚类(即K-means算法)不需要调整参数,且运行速度较快。作为优选,所述步骤(a2)中采用K均值聚类法将所有血管聚为两类。
本发明中所述的血管形状实际上指各个血管的连接关系,通过如下步骤确定第二类误分割血管:确定划分出原始血管集的眼底图像中的环状结构,针对各个环状结构,若该环状结构中长度最大的血管的长度小于预设的分割长度阈值,则认为该环状结构中所有血管均为第二类误分割血管,进一步进行如下操作:确定该环状结构的中心,并计算该中心到长度大于或等于分割长度阈值的血管的最短距离(即该中心到距离其最近的长度大于或等于分割长度阈值的血管的距离),认为以该中心为圆心、最短距离为半径的圆形区域内所有血管为第二类误分割血管。分割长度阈值的设定根据实际经验值设定,通常为分割长度阈值为α=x/60~x/45,x为眼底图像的横向大小,即眼底图像沿横轴的长度。未作特殊说明,本发明中对长度、距离、图片大小等参数进行衡量时统一以像素点为单位。
与现有技术相比,本发明在得到原始血管集后进一步还利用血管的背景和形状确定误分割的血管,可以有效去除因为拍照造成的环状反光、视盘周围的非血管的跃阶边缘、斑状病变以及出血病变等原因造成的误分割血管。
具体实施方式
在下文中将对本发明的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与***及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本发明公开内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,省略了与本发明关系不大的其他细节。
具体实施方式一、糖尿病人视网膜血管图像分割方法,具体方法为,
步骤1、按照预设的二值化阈值对经过预处理的眼底图像进行二值化处理,并提取二值化处理后的眼底图像中的中心线和边缘,得到血管树;
步骤2、对所述的血管树分叉处做断开处理得到血管段,并对各个血管段进行线分割得到血管,得到原始血管集;
步骤3、确定误分割血管,并从原始血管集中去除得到全局血管集。
虽然本发明所揭示的实施方式如上,但其内容只是为了便于理解本发明的技术方案而采用的实施方式,并非用于限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭示的核心技术方案的前提下,可以在实施的形式和细节上做任何修改与变化,但本发明所限定的保护范围,仍须以所附的权利要求书限定的范围为准。
Claims (4)
1.糖尿病人视网膜血管图像分割方法,其特征在于:具体方法为,
步骤1、按照预设的二值化阈值对经过预处理的眼底图像进行二值化处理,并提取二值化处理后的眼底图像中的中心线和边缘,得到血管树;
步骤2、对所述的血管树分叉处做断开处理得到血管段,并对各个血管段进行线分割得到血管,得到原始血管集;
步骤3、确定误分割血管,并从原始血管集中去除得到全局血管集。
2.根据权利要求1所述的糖尿病人视网膜血管图像分割方法,其特征在于:所述步骤1中,二值化阈值为二值化处理后为血管的像素点个数占整个眼底图像的像素点比例,取值为4~20%。
3.根据权利要求1所述的糖尿病人视网膜血管图像分割方法,其特征在于:所述步骤三中,误分割血管包括分为两类,第一类误分割血管基于血管两侧的背景差异确定,第二类基于血管形状确定。
4.根据权利要求3所述的糖尿病人视网膜血管图像分割方法,其特征在于:所述背景差异通过如下步骤确定第一类误分割血管:
(a1)针对每个血管,提取该血管两侧背景的特征向量;
(a2)根据所述特征向量的采用聚类法将所有血管聚为两类,得到的小类即为视盘周围误分割血管。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418711.4A CN107203758A (zh) | 2017-06-06 | 2017-06-06 | 糖尿病人视网膜血管图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418711.4A CN107203758A (zh) | 2017-06-06 | 2017-06-06 | 糖尿病人视网膜血管图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107203758A true CN107203758A (zh) | 2017-09-26 |
Family
ID=59906759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710418711.4A Pending CN107203758A (zh) | 2017-06-06 | 2017-06-06 | 糖尿病人视网膜血管图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203758A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230322A (zh) * | 2018-01-28 | 2018-06-29 | 浙江大学 | 一种基于弱样本标记的眼底特征检测装置 |
CN109711286A (zh) * | 2018-12-11 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 一种基于人工视网膜空间感知的控制方法及装置 |
CN110060258A (zh) * | 2019-03-27 | 2019-07-26 | 山东师范大学 | 基于高斯混合模型聚类的视网膜水肿sd-oct图像分割方法和*** |
CN112465772A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
Citations (4)
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 |
CN104537669A (zh) * | 2014-12-31 | 2015-04-22 | 浙江大学 | 眼底图像的动静脉视网膜血管分割方法 |
CN104545792A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 眼底图像的动静脉视网膜血管视盘定位方法 |
CN104573712A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 基于眼底图像的动静脉视网膜血管分类方法 |
-
2017
- 2017-06-06 CN CN201710418711.4A patent/CN107203758A/zh active Pending
Patent Citations (4)
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 |
CN104537669A (zh) * | 2014-12-31 | 2015-04-22 | 浙江大学 | 眼底图像的动静脉视网膜血管分割方法 |
CN104545792A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 眼底图像的动静脉视网膜血管视盘定位方法 |
CN104573712A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 基于眼底图像的动静脉视网膜血管分类方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230322A (zh) * | 2018-01-28 | 2018-06-29 | 浙江大学 | 一种基于弱样本标记的眼底特征检测装置 |
CN108230322B (zh) * | 2018-01-28 | 2021-11-09 | 浙江大学 | 一种基于弱样本标记的眼底特征检测装置 |
CN109711286A (zh) * | 2018-12-11 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 一种基于人工视网膜空间感知的控制方法及装置 |
CN109711286B (zh) * | 2018-12-11 | 2022-11-11 | 中国科学院深圳先进技术研究院 | 一种基于人工视网膜空间感知的控制方法及装置 |
CN110060258A (zh) * | 2019-03-27 | 2019-07-26 | 山东师范大学 | 基于高斯混合模型聚类的视网膜水肿sd-oct图像分割方法和*** |
CN112465772A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
WO2021208739A1 (zh) * | 2020-11-25 | 2021-10-21 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
CN112465772B (zh) * | 2020-11-25 | 2023-09-26 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573712B (zh) | 基于眼底图像的动静脉视网膜血管分类方法 | |
US11210789B2 (en) | Diabetic retinopathy recognition system based on fundus image | |
CN105513077B (zh) | 一种用于糖尿病性视网膜病变筛查的*** | |
Welfer et al. | Fovea center detection based on the retina anatomy and mathematical morphology | |
Sarathi et al. | Blood vessel inpainting based technique for efficient localization and segmentation of optic disc in digital fundus images | |
CN104537669B (zh) | 眼底图像的动静脉视网膜血管分割方法 | |
CN107203758A (zh) | 糖尿病人视网膜血管图像分割方法 | |
CN104545792B (zh) | 眼底图像的动静脉视网膜血管视盘定位方法 | |
CN109472781A (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测*** | |
Qureshi et al. | Detection of glaucoma based on cup-to-disc ratio using fundus images | |
CN104573716A (zh) | 基于广度搜索算法的眼底图像的动静脉视网膜血管分类方法 | |
CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
WO2010030159A2 (en) | A non invasive method for analysing the retina for ocular manifested diseases | |
Rajashekar et al. | Comprehensive retinal image analysis for aggressive posterior retinopathy of prematurity | |
Qin et al. | Optic disc and cup segmentation based on deep learning | |
Kumar et al. | Image processing in diabetic related causes | |
CN111797900B (zh) | 一种oct-a图像的动静脉分类方法及装置 | |
Zheng et al. | Five-category intelligent auxiliary diagnosis model of common fundus diseases based on fundus images | |
Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
Prentasic et al. | Weighted ensemble based automatic detection of exudates in fundus photographs | |
Maqsood et al. | Detection of macula and recognition of aged-related macular degeneration in retinal fundus images | |
Phridviraj et al. | A bi-directional Long Short-Term Memory-based Diabetic Retinopathy detection model using retinal fundus images | |
CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
Lazar et al. | A novel approach for the automatic detection of microaneurysms in retinal images | |
Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170926 |