CN109829942A - 一种眼底图像视网膜血管管径自动量化方法 - Google Patents
一种眼底图像视网膜血管管径自动量化方法 Download PDFInfo
- Publication number
- CN109829942A CN109829942A CN201910128419.8A CN201910128419A CN109829942A CN 109829942 A CN109829942 A CN 109829942A CN 201910128419 A CN201910128419 A CN 201910128419A CN 109829942 A CN109829942 A CN 109829942A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- retinal
- scale
- blood 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 210000001210 retinal vessel Anatomy 0.000 title claims abstract description 66
- 238000013139 quantization Methods 0.000 title claims abstract description 6
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 210000003733 optic disk Anatomy 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011002 quantification Methods 0.000 claims description 12
- 210000001525 retina Anatomy 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000002207 retinal effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000003902 lesion Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000002792 vascular Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008719 thickening Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000004256 retinal image Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明属于医学图像处理技术领域,公开了一种眼底图像视网膜血管管径自动量化方法;利用粗细定位相结合的两步定位法自动检测视盘;对眼底图像进行预处理,包含眼底图像的去噪和增强处理;采用多尺度分析的方法把视网膜血管从眼底图像背景中分离出来,利用数学形态学开重构剔除分割中的伪血管;利用边界法测量血管管径,并将结果显示出来。本发明在眼底图像特征的基础上,先检测出视盘,然后增强图像对比度,分割出视网膜血管,最后测量视网膜血管管径的大小,将结果显示在***界面上,给临床医生的早期预测和辅助诊断提供参考,节省人工,提高效率。
Description
技术领域
本发明属于医学图像处理技术领域,尤其涉及一种眼底图像视网膜血管管径自动量化方法。
背景技术
目前,业内常用的现有技术是这样的:视网膜血管的眼底图像是一种经济而又有效的眼科疾病临床辅助手段,其发展得到人们的普遍关注。在视网膜动静脉交叉处、动脉分支处、静脉行走路径及形态方面改变是视网膜动脉发生硬化病变的重要症状。医生在观察眼底图像时,主要采用摄片法、投影法、检眼镜测像法、定标观测法等测量视网膜血管管径。这些方法大多根据靠人工观察、手工测量和经验进行判断,不能从技术上准确地检测与提取视网膜血管、量化血管管径大小,这将不利于心脑血管疾病的早期预测与辅助诊断,导致患者对自己病情没有清晰的认识。因此人工分析眼底图像存在主观性强、诊断效率低、可重复性差、耗时较长、劳动强度大、准确性和一致性难以得到很好的保证等诸多不足。本发明利用数字图像处理技术测量视网膜血管管径,克服了人为主观误差较大、重复性差的不足,具有测量数据客观、可重复测量、节约人力成本的优势。
发明内容
针对现有技术存在的问题,本发明提供了一种眼底图像视网膜血管管径自动量化方法。
本发明是这样实现的,一种眼底图像视网膜血管管径自动量化方法,所述眼底图像视网膜血管管径自动量化方法包括以下步骤:
步骤一,利用粗细定位相结合的两步定位法检测视盘。
视盘定位是眼底图像视网膜血管跟踪、黄斑和病变提取等工作的基础,视盘的各种参数对早期预测和临床辅助诊断具有十分重要的意义。视盘的边缘形状介于椭圆与圆形之间,粗定位把它看成是圆形,精定位检测出真实的形状。
(1)视盘粗定位
根据眼底图像的灰度分布情况进行二值化,采用数学形态学知识,去除部分干扰,获得视盘区间,粗定位视盘质心,将视盘粗定位为圆形。假设视盘质心为O,分别沿O点的水平和垂直方向找到视盘边缘上下点A、B和左右点C、D,共四点,利用最小二乘法拟合圆寻求质心,然后获取视盘子图像,
质心O的坐标(xo,yo)计算如下,
其中xi和yi分别为视盘边缘点的横坐标和纵坐标,N为视盘边缘点的总数。
在误差平方和最小的原则下,圆参数的最小二乘估计为:
X=(UTU)-1UTV=U-1V (2)
其中
(x1,y1),(x2,y2),(x3,y3)是A、B、C、D中的任意3点的坐标,将4种情况下的圆心坐标均值分别作为视盘质心坐标。
(2)视盘精定位
利用视盘亮度信息和局部血管信息来粗定位视盘,能够大致确定视盘所在的位置,以此截取子图像。采用基于非重新初始化的变分水平集的动态轮廓跟踪方法可以方便地得到最佳的视盘边界曲线,具有很好的容错性和健壮性,实现视盘的精确定位。
图像能量函数可表示为
式中Ω表图像域,为符号距离函数。其中d是点(x,y)到曲线的最短距离,表惩罚项,它确保水平集函数为符号距离函数,μ为惩罚项权重,常系数λ和v,λ>0,δ(■)是Dirac函数,停止函数H(■)是Heaviside函数。
步骤二,对眼底图像进行预处理,进行去噪和增强处理,采用多尺度方法把视网膜血管从眼底图像背景中分离出来,剔除分割中存在的伪血管。
个别图像出现畸变现象,采用线性内插值法和归一化图像处理方法实现畸变校正。对于眼底图像成像过程中,非理想采集条件以及成像传感器等特征差异影响,所采集到图像往往存在噪声、光照不均匀、图像对比度较低等问题。因此,在视网膜血管分割前对眼底图像进行预处理。预处理主要包括图像去噪和对比度增强、数学形态学处理等。
(1)基于Contourlet变换的眼底图像去噪和对比度增强。在Contourlet域采用软阈值去噪的方法抑制噪声;采用非线性增强算子对变换的各带通方向子带系数做增强处理,经反变换得到对比度增强图像。
非线性增强算子如下:
E(xi,j)=xi,j.sign(xi,j).tanh(b.u).(1+c.exp(-u.u) (4)
其中,
(2)基于多尺度分析线性跟踪的视网膜血管分割
利用多尺度分析方法对视网膜血管分割的过程就是在不同尺度下提取不同区域和宽度大小血管的过程。首先从图像中选取一部分种子像素后开始跟踪,跟踪过程中对满足条件的像素点赋予较高置信度,跟踪结束后对所有像素点置信度矩阵进行量化,从而获得最***管。
①线性跟踪初始种子的选取
跟踪初始种子的血管路径被定义为:
Vs={(x,y:Tlow<I(x,y)<Thigh) (5)
Vs为选取的种子序列,I(x,y)表示图像在(x,y)处像素的灰度级,Tlow和Thigh表示图像最小和最高灰度值,通过图像中血管区域的大小来估计,像素低于Tlow的点属于视网膜图像血管较暗区域,像素高于Thigh的点,其属于视网膜图像血管较亮区域,这些像素点的置信度较高。
线性跟踪过程中,将属于血管像素的置信度保存在序列Cw中,若置信度矩阵中某个像素的置信度较高,则其属于血管的概率也相对较高。初始时,将置信度矩阵中所有尺度下的元素都设置为0。
Cw(x,y):=0 (6)
②线性跟踪的初始化
视网膜血管线性跟踪的初始化过程可以用式(7)表示:
k:=1,Vc(k):=Vs(t),Cc:={} (7)
其中,Vc为当前循环变量t下跟踪得到的像素序列,Cc为新跟踪像素序列。
③新跟踪像素的估计
当前跟踪的像素点为最后一个进入Vc的对象,Cc是一个由候选像素点构成的序列,候选像素点就是当前跟踪像素周围最近的8个像素点,不包括属于Vc的点,如式(8)所示:
Cc=N8(Vc(k))-Vc (8)
将当前的跟踪像素加入到Vc中,如式(9)所示:
k:=k+1,Vc(k):=(x,y) (9)
则置信度矩阵Cw可以更新为:
Cw(x,y):=Cw(x,y)+1,(x,y):=(xc,yc) (10)
式(9)中所有的参数值均小于T时,开始寻找下一个种子像素点(t:=t+1)。
④多尺度线性跟踪
按照一定的尺度对所有种子点进行重复跟踪,尺度数由视网膜图像中待检测血管的宽度决定,若视网膜图像中的血管有较大的可变性,则其对应尺度数也较多。经过多次仿真实验,尺度W=3,5,7,9,11时效果较好。
⑤视网膜血管的初始提取
采用映射量化法对血管进行初始估计。最初的血管是由置信度矩阵中大于TC的像素点构建,通常TC值等于尺度W的值。
步骤三,采用边界法测量血管管径,并将结果显示在***界面上。
(1)血管测量图像区域选择
从分割出来的视网膜血管图像中,选择感兴趣的区域截取血管子图像做边缘检测,然后对子图像的血管进行宽度测量,可以减少处理的时间。
(2)血管管径宽度的计算
子图像中的血管方向尽量与水平方向平行,如果不是水平的,可以采用旋转角度的方法,使其尽量平行水平方向。采用最小距离法实现视网膜血管管径宽度的自动测量。
对垂直方向上下边缘点的坐标,利用两点间的距离公式计算,算出距离值作为血管宽度值,可表示为:
其中,wi是i列的宽度值,(xi,yi)和(xk,yk)分别是血管上下边缘的坐标。距离法具有适应范围广、稳定性好、精度高的优点。
(3)标尺定位及像素间距计算
为把以像素标定的血管管径转变为血管管径的实际大小,需测量像素间距,因此,必须在图像中对标尺定位。
通过最小刻度值与相邻刻度线之间的像素个数计算出像素的物理长度。在与截取子图像同样大小的图像中设定标尺,如尺度为10mm×10mm,对标尺图像进行边缘检测处理之后,得到的是二值图像,设标尺的像素值为1,背景的像素值为0。对二值化标尺图像从上到下遍历二值图像,计算其像素数目。
设固定标尺尺寸为10mm,刻度间的像素数为Num,则像素的物理长度p可以由决定,p的单位为mm/pixel。
(4)把血管管径的像素大小转换为物理大小
每个标记点测得的像素与p相乘就可知视网膜血管管径宽度的物理大小。
本发明的另一目的在于提供一种实现所述眼底图像视网膜血管管径测量方法的自动量化***,该***包括:
眼底图像视盘检测模块,用于实现眼底图像视盘的检测;
预处理与血管分割模块,用于实现眼底图像去噪和对比度增强,实现视网膜血管的分割;
血管宽度测量与应用模块,用于实现视网膜血管管径测量、临床医生的早期预测和辅助诊断。
综上所述,本发明的优点及积极效果为:在检测出眼底图像视盘的基础上,对图像进行预处理,改善了眼底图像对比度。采用多尺度分析方法分割出视网膜血管,采用边界法测量管径的大小,将结果显示在***界面上,给临床医生的早期预测和辅助诊断提供参考,节省人工,提高效率。
附图说明
图1是本发明实施例提供的眼底图像视网膜血管管径自动量化方法流程图。
图2是本发明实施例提供的眼底图像视网膜血管管径自动量化***结构示意图;
图中:1、图像预处理模块;2、检测与分割模块;3、量化与应用模块。
图3是本发明实施例提供的眼底图像视网膜血管管径自动量化方法实现流程图。
图4是本发明实施例提供的粗定位过程效果示意图。
图中:a、去干扰后的视盘;b、质心定位原理图;c、视盘子图像;d、粗定位结果。
图5是本发明实施例提供的精定位效果示意图。
图中:a、动态跟踪过程图;b、跟踪结果图;c、跟踪曲线加粗;d、精定位结果。
图6是本发明实施例提供的预处理与视网膜血管分割效果示意图。
图中:a、原始图像;b、对比度增强图像;c、血管初始分割;d、去除干扰后的血管。
图7是本发明实施例提供的视网膜血管宽度测量过程测量效果示意图。
图中:a、截取血管;b、边缘检测;c、移除孤立噪声;d、旋转血管;e、建立标尺;f、测量结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术采用人工观察、手工测量血管管径劳动强度大、耗时较长的问题。本发明通过图像处理技术自动测量视网膜血管管径,给医生提供早期预测和辅助诊断提供参考,减轻医生劳动强度,提高诊断效率。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的眼底图像视网膜血管管径自动量化方法包括以下步骤:
S101:利用粗细定位相结合的两步定位法自动检测视盘;
S102:对眼底图像进行预处理,对把视网膜血管从眼底图像背景中分离出来,剔除分割中存在的伪血管;
S103:采用边界法测量血管管径,并将结果显示在***界面上。
所述步骤S101中,自动检测视盘中视盘定位是眼底图像视网膜血管跟踪、黄斑和病变提取等工作的基础,视盘的各种参数对临床的诊断具有十分重要的意义。视盘的边缘形状在椭圆与圆形之间,粗定位把它看成是圆形,精定位检测出真实的形状。
(1)视盘粗定位
根据眼底图像的灰度分布情况对图像二值化,采用数学形态学知识,去除部分干扰,获得视盘区间,粗定位视盘质心,将视盘粗定位为圆形。假设视盘质心为O,分别沿O点的水平和垂直方向找到视盘边缘上下点A、B和左右点C、D,共四点,利用最小二乘法拟合圆寻求质心,然后获取视盘子图像,
质心O的坐标(xo,yo)计算如下,
其中xi和yi分别为视盘边缘点的横坐标和纵坐标,N为视盘边缘点的总数。
在误差平方和最小的原则下,圆参数的最小二乘估计为:
X=(UTU)-1UTV=U-1V (2)
其中
(x1,y1),(x2,y2),(x3,y3)是A、B、C、D中的任意3点的坐标,将4种情况下的圆心坐标均值分别作为视盘质心坐标。
(2)视盘精定位
利用视盘亮度信息和局部血管信息来粗定位视盘,能够大致确定视盘所在的位置,以此截取子图像。采用基于非重新初始化的变分水平集的动态轮廓跟踪方法可以方便地得到最佳的视盘边界曲线,具有很好的容错性和健壮性,实现视盘的精确定位。
图像能量函数可表示为
式中Ω表图像域,为符号距离函数。其中d是点(x,y)到曲线的最短距离,表惩罚项,它确保水平集函数为符号距离函数,μ为惩罚项权重,常系数λ和v,λ>0,δ(■)是Dirac函数,停止函数H(■)是Heaviside函数。
所述步骤S102中,个别图像出现畸变现象,采用线性内插值法和归一化图像处理方法实现畸变校正。对于眼底图像成像过程中,非理想采集条件以及成像传感器等特征差异影响,所采集到图像往往存在噪声、光照不均匀、图像对比度较低等问题。因此,在视网膜血管分割前对眼底图像进行预处理。预处理主要包括图像去噪和对比度增强、数学形态学处理等。
(1)基于Contourlet变换的眼底图像去噪和对比度增强。在Contourlet域采用软阈值去噪的方法抑制噪声;采用非线性增强算子对变换的各带通方向子带系数做增强处理,经反变换得到对比度增强图像。
非线性增强算子如下:
E(xi,j)=xi,j.sign(xi,j).tanh(b.u).(1+c.exp(-u.u) (4)
其中,
(2)基于多尺度分析线性跟踪的视网膜血管分割
利用多尺度分析方法对视网膜血管分割的过程就是在不同尺度下提取不同区域和宽度大小血管的过程。首先从图像中选取一部分种子像素后开始跟踪,在跟踪过程中对满足条件的像素点赋予较高置信度,跟踪结束后对所有像素点置信度矩阵进行量化,从而获得最***管。
①线性跟踪初始种子的选取
跟踪初始种子的血管路径被定义为:
Vs={(x,y:Tlow<I(x,y)<Thigh) (5)
Vs为选取的种子序列,I(x,y)表示图像在(x,y)处像素的灰度级,Tlow和Thigh是图像最小灰度值和最高灰度值,通过图像中血管区域的大小来估计,像素低于Tlow的点属于视网膜图像血管较暗区域,像素高于Thigh的点,其属于视网膜图像血管较亮区域,这些像素点的置信度较高。
线性跟踪过程中,将属于血管像素的置信度保存在序列Cw中,若置信度矩阵中的某个像素的置信度较高,则其属于血管的概率也相对较高。初始时,将置信度矩阵中所有尺度下的元素都设置为0。
Cw(x,y):=0 (6)
②线性跟踪的初始化
视网膜血管线性跟踪的初始化过程可用式(7)表示:
k:=1,Vc(k):=Vs(t),Cc:={} (7)
其中,Vc为当前循环变量t下跟踪得到的像素序列,Cc为新跟踪像素序列。
③新跟踪像素的估计
当前跟踪的像素点为最后一个进入Vc的对象,Cc是一个由候选像素点构成的序列,候选像素点就是当前跟踪像素周围最近的8个像素点,不包括属于Vc的点,如式(8)所示:
Cc=N8(Vc(k))-Vc (8)
将当前的跟踪像素加入到Vc中,如式(9)所示:
k:=k+1,Vc(k):=(x,y) (9)
则置信度矩阵Cw可以更新为:
Cw(x,y):=Cw(x,y)+1,(x,y):=(xc,yc) (10)
式(9)中所有的参数值均小于T时,开始寻找下一个种子像素点(t:=t+1)。
④多尺度线性跟踪
按照一定的尺度对所有种子点进行重复跟踪,尺度数由视网膜图像中待检测血管宽度决定,若视网膜图像中血管有较大的可变性,则其对应的尺度数也较多。经过多次仿真实验,尺度W=3,5,7,9,11时效果较好。
⑤视网膜血管的初始提取
采用映射量化法对血管进行初始估计。最初的血管是由置信度矩阵中大于TC的像素点构建,通常TC的值等于尺度W值。
所述步骤S103中,边界法测量血管管径具体过程,如下:
(1)血管测量图像区域选择
从分割出来的视网膜血管图像中,选择感兴趣的区域截取血管子图像做边缘检测,然后对子图像的血管进行宽度测量,可以减少处理的时间。
(2)血管管径宽度的计算
子图像中血管方向尽量与水平方向平行,如果不是水平的,可以采用旋转角度的方法,使其尽量平行水平方向。采用最小距离法实现视网膜血管管径宽度的自动测量。
对垂直方向上下边缘点的坐标,利用两点间的距离公式计算,算出距离值作为血管宽度值,可表示为:
其中,wi是i列的宽度值,(xi,yi)和(xj,yj)分别是血管上下边缘的坐标。距离法具有适应范围广、稳定性好、精度高的优点。
(3)标尺定位及像素间距计算
为把以像素标定的血管管径转变为血管管径的实际大小,需测量像素间距,因此,必须在图像中对标尺定位。
通过最小刻度值与相邻刻度线之间的像素个数计算出像素的物理长度。在与截取子图像同样大小的图像中设定标尺,尺度为10mm×10mm,对标尺图像进行边缘检测处理之后,得到的是二值图像,设标尺的像素值为1,背景的像素值为0。对二值化标尺图像从上到下遍历二值图像,计算其像素数目。
设固定标尺尺寸为10mm,刻度间的像素数为Num,则像素的物理长度p可以由决定,p的单位为mm/pixel。
(4)把血管管径的像素大小转换为物理大小
每个标记点测得的像素与p相乘就可知视网膜血管管径宽度的物理大小。
如图2所示,本发明实施例提供的眼底图像视网膜血管管径自动量化***包括:视盘检测模块1、预处理与血管分割模块2、血管宽度测量与应用模块3。
视盘检测模块1,用于实现视网膜图像盘检测。
预处理与血管分割模块2,用于改善图像质量,提取视网膜血管。
血管宽度测量与应用模块3,用于实现视网膜血管管径测量和给临床医生提供参考。
下面结合具体的实施例对本发明的应用原理作详细的描述。
视网膜视盘检测:
如图4所示,本发明实施例提供的粗定位过程:寻找视盘质心,找到质心后粗定位为圆形,截取子图像。
如图5所示,本发明实施例提供的精定位过程为:动态跟踪过程图、跟踪结果图、跟踪曲线加粗、精定位结果。
预处理与视网膜血管分割:
如图6所示,本发明实施例提供的预处理与视网膜血管分割过程为:原始图像、对比度增强图像、血管初始分割、去除干扰后的血管。
视网膜血管宽度测量:
如图7所示,本发明实施例提供的视网膜血管宽度测量过程为:截取血管、边缘检测、移除孤立噪声、旋转血管、建立标尺、测量结果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种眼底图像视网膜血管管径自动量化方法,其特征在于,所述眼底图像视网膜血管管径自动量化方法包括以下步骤:
步骤一,对利用粗细定位相结合的两步定位法检测视盘;
步骤二,对眼底图像预处理,进行去噪和增强处理,采用多尺度方法把视网膜血管从眼底图像背景中分离出来,剔除分割中存在的伪血管;
步骤三,采用边界法测量血管管径,并将结果显示在***界面上。
2.如权利要求1所述的眼底图像视网膜血管管径自动量化方法,其特征在于,所述步骤一中,自动检测视盘中视盘定位是眼底图像视网膜血管跟踪、黄斑和病变提取等工作的基础:
(1)视盘粗定位
根据眼底图像的灰度分布情况对图像二值化,采用数学形态学知识,去除部分干扰,获得视盘区间,粗定位视盘质心,将视盘粗定位为圆形;假设视盘质心为O,分别沿O点的水平和垂直方向找到视盘边缘上下点A、B和左右点C、D,共四点,利用最小二乘法拟合圆寻求质心,然后获取视盘子图像;
质心O的坐标(xo,yo)计算如下:
其中xi和yi分别为视盘边缘点的横坐标和纵坐标,N为视盘边缘点的总数;
在误差平方和最小的原则下,圆参数的最小二乘估计为:
X=(UTU)-1UTV=U-1V (2)
其中
(x1,y1),(x2,y2),(x3,y3)是A、B、C、D中的任意3点的坐标,将4种情况下的圆心坐标均值分别作为视盘质心坐标;
(2)视盘精定位
利用视盘亮度信息和局部血管信息来粗定位视盘,采用基于非重新初始化的变分水平集的动态轮廓跟踪方法可以方便地得到最佳的视盘边界曲线,具有很好的容错性和健壮性,实现视盘的精确定位:
图像能量函数可表示为:
式中Ω表图像域,为符号距离函数;其中d是点(x,y)到曲线的最短距离,表惩罚项,它确保水平集函数为符号距离函数,μ为惩罚项权重,常系数λ和v,λ>0,δ(·)是Dirac函数,停止函数H(·)是Heaviside函数。
3.如权利要求1所述的眼底图像视网膜血管管径自动量化方法,其特征在于,所述步骤二中,个别图像出现畸变现象,采用线性内插值法和归一化图像处理方法实现畸变校正;对于眼底图像成像过程中,非理想采集条件以及成像传感器等特征差异影响,所采集到图像往往存在噪声、光照不均匀、图像对比度较低等问题;预处理主要包括图像去噪和对比度增强、数学形态学处理;
(1)基于Contourlet变换的眼底图像去噪和对比度增强;在Contourlet域采用软阈值去噪的方法抑制噪声;采用非线性增强算子对变换的各带通方向子带系数做增强处理,经反变换得到对比度增强图像;
非线性增强算子如下:
E(xi,j)=xi,j.sign(xi,j).tanh(b.u).(1+c.exp(-u.u) (4)
其中,
(2)基于多尺度分析线性跟踪的视网膜血管分割
将图像表示成多个尺度,利用多尺度分析方法对视网膜血管分割的过程就是在不同尺度下提取不同区域和宽度大小血管的过程;首先从图像中选取一部分种子像素后开始跟踪,在跟踪过程中对满足条件的像素点赋予较高置信度,跟踪结束后对所有像素点置信度矩阵进行量化,获得最***管;
①线性跟踪初始种子的选取
跟踪初始种子的血管路径定义为:
Vs={(x,y:Tlow<I(x,y)<Thigh) (5)
Vs为选取的种子序列,I(x,y)表示图像在点(x,y)处像素的灰度级,Tlow和Thigh是图像最小灰度值和最高灰度值,通过图像中血管区域的大小来估计,像素低于Tlow的点属于视网膜图像血管较暗区域,像素高于Thigh的点,其属于视网膜图像血管较亮区域,这些像素点的置信度较高;
线性跟踪过程中,将属于血管像素的置信度保存在序列Cw中,若置信度矩阵中某个像素的置信度较高,则其属于血管的概率也相对较高;初始时,将置信度矩阵中所有尺度下的元素都设置为0;
Cw(x,y):=0 (6)
②线性跟踪的初始化
视网膜血管线性跟踪的初始化过程可以用式(7)表示:
k:=1,Vc(k):=Vs(t),Cc:={} (7)
其中,Vc为当前循环变量t下跟踪得到的像素序列,Cc为新跟踪像素序列;
③新跟踪像素的估计
当前跟踪的像素点为最后一个进入Vc的对象,Cc是一个由候选像素点构成的序列,候选像素点就是当前跟踪像素周围最近的8个像素点,不含Vc的点,如式(8)所示:
Cc=N8(Vc(k))-Vc (8)
将当前的跟踪像素加入到Vc中,如式(9)所示:
k:=k+1,Vc(k):=(x,y) (9)
则置信度矩阵Cw可以更新为:
Cw(x,y):=Cw(x,y)+1,(x,y):=(xc,yc) (10)
式(9)中所有参数值均小于T时,开始寻找下一个种子像素点(t:=t+1);
④多尺度线性跟踪
按照一定尺度对所有种子点进行重复跟踪,尺度数由视网膜图像中待检测血管的宽度决定,若视网膜图像中血管有较大的可变性,则其对应的尺度数目也比较多;经过多次仿真实验,尺度W=3,5,7,9,11时比较恰当;
⑤视网膜血管的初始提取
采用映射量化法对血管进行初始估计;最初的血管是由置信度矩阵中大于TC的像素点构建,通常TC值等于尺度W的值。
4.如权利要求1所述的眼底图像视网膜血管管径自动量化方法,其特征在于,所述步骤三中,边界法测量血管管径具体过程,如下:
(1)血管测量图像区域选择
从分割出来的视网膜血管图像中,选择感兴趣的区域截取血管子图像做边缘检测,然后对子图像的血管进行宽度测量,可以减少处理的时间;
(2)血管管径宽度的计算
子图像中的血管方向尽量与水平方向平行,如果不是水平的,可以采用旋转角度的方法,使其尽量平行水平方向;采用最小距离法实现视网膜血管管径宽度的自动测量;
对垂直方向上下边缘点的坐标,利用两点间的距离公式计算,算出距离值作为血管宽度值,可表示为:
其中,wi是i列的宽度值,(xi,yi)和(xj,yj)分别是血管上下边缘的坐标;距离法具有适应范围广、稳定性好、精度高的优点;
(3)标尺定位及像素间距计算
为把以像素标定的血管管径转变为血管管径的实际大小,需测量像素间距,因此,必须解决在图像中对标尺定位;
通过最小刻度值与相邻刻度线之间的像素个数计算出像素的物理长度;在与截取子图像同样大小的图像中设定标尺,尺度为10mm×10mm,对标尺图像进行边缘检测处理之后,得到的是二值图像,设标尺的像素值为1,背景的像素值为0;对二值化标尺图像从上到下遍历二值图像,计算其像素数目;
设固定标尺尺寸为10mm,刻度间的像素数为Num,则像素的物理长度p可以由决定,p的单位为mm/pixel;
(4)把血管管径的像素大小转换为物理大小
每个标记点测得像素与p相乘就可知视网膜血管管径宽度的物理大小。
5.一种实现权利要求1所述眼底图像视网膜血管管径自动量化方法的眼底图像视网膜血管管径自动量化,其特征在于,所述眼底图像视网膜血管管径自动量化***包括:
视盘检测模块,用于实现眼底图像视盘检测;
图像预处理与分割模块,用于实现眼底图像去噪和对比度增强、视网膜血管分割与边缘检测;
量化与应用模块,用于实现视网膜血管管径测量、临床早期预测及辅助诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910128419.8A CN109829942B (zh) | 2019-02-21 | 2019-02-21 | 一种眼底图像视网膜血管管径自动量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910128419.8A CN109829942B (zh) | 2019-02-21 | 2019-02-21 | 一种眼底图像视网膜血管管径自动量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829942A true CN109829942A (zh) | 2019-05-31 |
CN109829942B CN109829942B (zh) | 2023-04-28 |
Family
ID=66863968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910128419.8A Active CN109829942B (zh) | 2019-02-21 | 2019-02-21 | 一种眼底图像视网膜血管管径自动量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829942B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110448267A (zh) * | 2019-09-06 | 2019-11-15 | 重庆贝奥新视野医疗设备有限公司 | 一种多模眼底动态成像分析***及其方法 |
CN111489353A (zh) * | 2020-05-07 | 2020-08-04 | 清华大学深圳国际研究生院 | 一种眼底图像中央凹定位方法 |
CN111840794A (zh) * | 2020-09-07 | 2020-10-30 | 复旦大学附属眼耳鼻喉科医院 | 一种人工耳蜗电极植入深度快速测量方法及*** |
CN112288794A (zh) * | 2020-09-04 | 2021-01-29 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的测量方法及测量装置 |
CN112617789A (zh) * | 2020-07-28 | 2021-04-09 | 上海大学 | 激光散斑血流成像方法及*** |
CN112668360A (zh) * | 2019-10-15 | 2021-04-16 | 深圳市理邦精密仪器股份有限公司 | 瞳孔的测量方法、装置、医疗设备及存储介质 |
CN112826442A (zh) * | 2020-12-31 | 2021-05-25 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的心理状态识别方法及设备 |
CN113344895A (zh) * | 2021-06-23 | 2021-09-03 | 依未科技(北京)有限公司 | 高精度的眼底血管管径测量方法、装置、介质和设备 |
CN113724315A (zh) * | 2021-09-03 | 2021-11-30 | 上海海事大学 | 眼底视网膜血管宽度测量方法、电子设备及计算机可读存储介质 |
CN114119579A (zh) * | 2021-10-08 | 2022-03-01 | 北京理工大学 | 一种基于血管结构相似度的视网膜图像主血管识别方法 |
CN117952994A (zh) * | 2024-03-27 | 2024-04-30 | 北京智想创源科技有限公司 | 一种心血管ct影像智能分割方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050157939A1 (en) * | 2004-01-16 | 2005-07-21 | Mark Arsenault | Processes, products and systems for enhancing images of blood vessels |
US20070282302A1 (en) * | 2003-11-25 | 2007-12-06 | F.D. Cardio Ltd | Stent Positioning Using Inflation Tube |
US20100094127A1 (en) * | 2008-10-14 | 2010-04-15 | Lightlab Imaging, Inc. | Methods for stent strut detection and related measurement and display using optical coherence tomography |
CN101984916A (zh) * | 2010-11-17 | 2011-03-16 | 哈尔滨工程大学 | 基于数字图像处理技术的血管管径测量方法 |
EP2835750A1 (en) * | 2013-08-09 | 2015-02-11 | Fujitsu Limited | Apparatus, method, and program for generating vascular data |
US20160345819A1 (en) * | 2015-05-27 | 2016-12-01 | The Regents Of The University Of Michigan | Optic disc detection in retinal autofluorescence images |
CN107292835A (zh) * | 2017-05-31 | 2017-10-24 | 瑞达昇科技(大连)有限公司 | 一种眼底图像视网膜血管自动矢量化的方法及装置 |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
CN109166124A (zh) * | 2018-11-20 | 2019-01-08 | 中南大学 | 一种基于连通区域的视网膜血管形态量化方法 |
-
2019
- 2019-02-21 CN CN201910128419.8A patent/CN109829942B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070282302A1 (en) * | 2003-11-25 | 2007-12-06 | F.D. Cardio Ltd | Stent Positioning Using Inflation Tube |
US20050157939A1 (en) * | 2004-01-16 | 2005-07-21 | Mark Arsenault | Processes, products and systems for enhancing images of blood vessels |
US20100094127A1 (en) * | 2008-10-14 | 2010-04-15 | Lightlab Imaging, Inc. | Methods for stent strut detection and related measurement and display using optical coherence tomography |
CN101984916A (zh) * | 2010-11-17 | 2011-03-16 | 哈尔滨工程大学 | 基于数字图像处理技术的血管管径测量方法 |
EP2835750A1 (en) * | 2013-08-09 | 2015-02-11 | Fujitsu Limited | Apparatus, method, and program for generating vascular data |
US20160345819A1 (en) * | 2015-05-27 | 2016-12-01 | The Regents Of The University Of Michigan | Optic disc detection in retinal autofluorescence images |
CN107292835A (zh) * | 2017-05-31 | 2017-10-24 | 瑞达昇科技(大连)有限公司 | 一种眼底图像视网膜血管自动矢量化的方法及装置 |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
CN109166124A (zh) * | 2018-11-20 | 2019-01-08 | 中南大学 | 一种基于连通区域的视网膜血管形态量化方法 |
Non-Patent Citations (1)
Title |
---|
罗忠亮: "一种基于模糊集的医学超声图像增强的新方法", 《韶关学院学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110448267A (zh) * | 2019-09-06 | 2019-11-15 | 重庆贝奥新视野医疗设备有限公司 | 一种多模眼底动态成像分析***及其方法 |
CN110448267B (zh) * | 2019-09-06 | 2021-05-25 | 重庆贝奥新视野医疗设备有限公司 | 一种多模眼底动态成像分析***及其方法 |
CN112668360A (zh) * | 2019-10-15 | 2021-04-16 | 深圳市理邦精密仪器股份有限公司 | 瞳孔的测量方法、装置、医疗设备及存储介质 |
CN111489353A (zh) * | 2020-05-07 | 2020-08-04 | 清华大学深圳国际研究生院 | 一种眼底图像中央凹定位方法 |
CN112617789A (zh) * | 2020-07-28 | 2021-04-09 | 上海大学 | 激光散斑血流成像方法及*** |
CN112288794A (zh) * | 2020-09-04 | 2021-01-29 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的测量方法及测量装置 |
CN113643354B (zh) * | 2020-09-04 | 2023-10-13 | 深圳硅基智能科技有限公司 | 基于增强分辨率的眼底图像的血管管径的测量装置 |
CN113643353A (zh) * | 2020-09-04 | 2021-11-12 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的增强分辨率的测量方法 |
CN113643354A (zh) * | 2020-09-04 | 2021-11-12 | 深圳硅基智能科技有限公司 | 基于增强分辨率的眼底图像的血管管径的测量装置 |
CN113643353B (zh) * | 2020-09-04 | 2024-02-06 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的增强分辨率的测量方法 |
CN111840794A (zh) * | 2020-09-07 | 2020-10-30 | 复旦大学附属眼耳鼻喉科医院 | 一种人工耳蜗电极植入深度快速测量方法及*** |
CN111840794B (zh) * | 2020-09-07 | 2024-05-10 | 复旦大学附属眼耳鼻喉科医院 | 一种人工耳蜗电极植入深度快速测量方法及*** |
CN112826442A (zh) * | 2020-12-31 | 2021-05-25 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的心理状态识别方法及设备 |
CN113344895A (zh) * | 2021-06-23 | 2021-09-03 | 依未科技(北京)有限公司 | 高精度的眼底血管管径测量方法、装置、介质和设备 |
CN113724315B (zh) * | 2021-09-03 | 2024-04-02 | 上海海事大学 | 眼底视网膜血管宽度测量方法、电子设备及计算机可读存储介质 |
CN113724315A (zh) * | 2021-09-03 | 2021-11-30 | 上海海事大学 | 眼底视网膜血管宽度测量方法、电子设备及计算机可读存储介质 |
CN114119579A (zh) * | 2021-10-08 | 2022-03-01 | 北京理工大学 | 一种基于血管结构相似度的视网膜图像主血管识别方法 |
CN114119579B (zh) * | 2021-10-08 | 2024-06-21 | 北京理工大学 | 一种基于血管结构相似度的视网膜图像主血管识别方法 |
CN117952994A (zh) * | 2024-03-27 | 2024-04-30 | 北京智想创源科技有限公司 | 一种心血管ct影像智能分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109829942B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829942B (zh) | 一种眼底图像视网膜血管管径自动量化方法 | |
WO2022007352A1 (zh) | 一种基于光学相干断层扫描***的脉络膜三维血管成像及定量化分析方法与装置 | |
US7970196B2 (en) | Automatic detection and quantification of plaque in the coronary arteries of subjects from CT scans | |
CN107798679B (zh) | 乳腺钼靶图像***区域分割与钙化点检测方法 | |
CN105279759B (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
CN108186051B (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理*** | |
WO2012126070A1 (en) | Automatic volumetric analysis and 3d registration of cross sectional oct images of a stent in a body vessel | |
CN108378869B (zh) | 一种从超声图像中自动测量胎儿头围长度的图像处理方法及处理*** | |
Chen et al. | Segmentation of the breast region with pectoral muscle removal in mammograms | |
CN110717888A (zh) | 一种血管内光学相干层析成像血管壁内轮廓自动识别方法 | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、***及装置 | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
CN108257126B (zh) | 三维视网膜oct图像的血管检测和配准方法、设备及应用 | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN109035283A (zh) | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 | |
CN108961278B (zh) | 基于影像数据的腹壁肌肉分割的方法及其*** | |
CN110310323A (zh) | 基于Hessian矩阵和二维高斯拟合的视网膜血管管径测量方法 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及*** | |
CN109035227A (zh) | 对ct图像进行肺部肿瘤检测与诊断的*** | |
CN109308462B (zh) | 一种指静脉和指节纹感兴趣区域定位方法 | |
CN110706218B (zh) | 基于动态增强磁共振成像的乳腺肿瘤定位分析方法 | |
CN111145155B (zh) | 一种睑板腺腺体的识别方法 | |
Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
CN106384343A (zh) | 一种基于形态学处理的硬性渗出区域检测方法 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 |
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 |