CN109887582A - 一种智能眼科图像管理及分析***及图像处理方法 - Google Patents
一种智能眼科图像管理及分析***及图像处理方法 Download PDFInfo
- Publication number
- CN109887582A CN109887582A CN201910153716.8A CN201910153716A CN109887582A CN 109887582 A CN109887582 A CN 109887582A CN 201910153716 A CN201910153716 A CN 201910153716A CN 109887582 A CN109887582 A CN 109887582A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- patient
- management
- ophthalmology
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000007689 inspection Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 17
- 210000001508 eye Anatomy 0.000 claims description 7
- 210000005252 bulbus oculi Anatomy 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 239000006002 Pepper Substances 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 230000010354 integration Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 25
- 238000001914 filtration Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 210000000795 conjunctiva Anatomy 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013070 change management Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007323 disproportionation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000007491 morphometric analysis Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- XXPDBLUZJRXNNZ-UHFFFAOYSA-N promethazine hydrochloride Chemical compound Cl.C1=CC=C2N(CC(C)N(C)C)C3=CC=CC=C3SC2=C1 XXPDBLUZJRXNNZ-UHFFFAOYSA-N 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明提供一种智能眼科图像管理及分析***，包括用于对***用户信息进行管理的用户管理模块、用以对患者信息进行管理的患者管理模块、用以对患者的检查情况进行记录的检查记录管理模块、用以对患者的眼科图像进行处理的图像处理模块。该***集成了图像管理和分析，便于使用者管理。
Description
技术领域
本发明涉及眼科医疗领域，尤其涉及一种智能眼科图像管理及分析***及图像处理方法。
背景技术
智能眼科图像管理及自定义分析***对于眼科病例收集，病史追踪及病理特征分析提供有效解决方案，为临床诊断提供更多有效依据。建立自适应、一体化、流程化、能满足不同分析需求的眼科图像管理及自定义分割分析模型***，为临床人工智能辅助诊断提供标准化和智能化数据。针对眼科图像不同的特征分割提取没有统一模型及算法，建立开发有效的自适应的一体化分割及分析解决方案，对眼科医学图像特征部位进行分割提取，进而对特征部分进行几何及形态特征分析，病理特征的定量分析，由此来判别病变及其严重程度。
发明内容
本发明的主要目的在于提供一种眼科智能图像管理及分析***及图像处理方法，能够实现眼科疾病治疗的信息管理与图像分析。
为达到以上目的，本发明采用的技术方案为：一种智能眼科图像管理及分析***，包括用于对***用户信息进行管理的用户管理模块、用以对患者信息进行管理的患者管理模块、用以对患者的检查情况进行记录的检查记录管理模块、用以对患者的眼科图像进行处理的图像处理模块。
优选地，所述眼科图像为眼底图像，所述图像处理模块用以获取眼底图像中的眼球微血管图像。
优选地，所述用户管理模块用以管理***用户的注册、登录以及注销。
优选地，所述患者管理模块用以对患者的信息进行管理，包括患者的基本信息，并且通过患者管理模块能够对患者的信息进行添加、修改以及删除。
优选地，所述检查记录管理模块用以记录患者的疾病检查情况，所述检查记录管理模块与患者管理模块相关联或者集成到患者管理模块，通过检查记录管理模块和/患者管理模块能够查看患者以往的看病记录。
优选地，本发明还提供一种前述***中的图像处理模块的图像处理方法，具体包括如下步骤：步骤a)：去除图像中的高斯噪声和椒盐噪声；
步骤b)：对去除噪声后的图像增强图像对比度；
步骤c)：对步骤b)中的得到的图像进行二值化处理。
优选地，在步骤b中，通过限制对比度的自适应直方图均衡(CLAHE)增强图像对比度。
优选地，还包括步骤d：将步骤c中得到的图像进行分割。
与现有技术相比，本发明具有以下有益效果：
上述***将图像管理与分析集成到同一软件中，便于使用者的操作以及管理，简化了管理流程，提高了管理效率。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
一种智能眼科图像管理及分析***，包括用于对***用户信息进行管理的用户管理模块、用以对患者信息进行管理的患者管理模块、用以对患者的检查情况进行记录的检查记录管理模块、用以对患者的眼科图像(眼底)进行处理的图像处理模块。
通过用户管理模块能够实现对***用户的管理，不同的***用户具有不同的账号与密码，新用户可以通过注册获取账号与密码，同时通过用户管理模块可以设置管理员用户和普通用户，管理员用户具有查看普通用户相关信息的权限，普通用户具有查看与该普通用户关联的相关信息，例如，不同的医生具有不同的账号，将大部分医生设置为普通用户，小部分医生或者管理者设置为管理员用户。管理员用户可以实现对普通用户的账号的删除。
所述患者管理模块用以对患者的信息进行管理，包括患者的基本信息，并且通过患者管理模块能够对患者的信息进行添加、修改以及删除。
所述检查记录管理模块用以记录患者的疾病检查情况，所述检查记录管理模块与患者管理模块相关联或者可以集成到患者管理模块，通过检查记录管理模块可以查看患者以往的看病记录，优选地，通过患者管理模块也可以查看患者的以往的看病记录。
所述图像处理模块用以对眼底彩照等图像进行处理。以获取眼底彩照的图像为例，在对眼球拍摄获取的初级图片中，不仅仅包含有眼底彩照的图像，也包括眼球其它组织的图像，为了对眼底彩照进行分析，需要将眼底彩照的图像从初级图片中提取出来，在提取出眼底彩照图像之后可以对眼底彩照图像进行分析以获取眼底彩照的变异率，医生能够根据变异率获知眼球当前所患的相关疾病，当然也可以通过图像处理模块在获取变异率之后自动生成相应的检查报告，在检查报告中会体现出相关的疾病。
图像处理过程包括图像的滤波、灰度转换、二值化等。
具体包括如下步骤：步骤a)：去除图像中的高斯噪声和椒盐噪声，具体地，先运动高斯滤波滤除高斯噪声，然后通过中值滤波取出椒盐噪声。所述高斯滤波和中值滤波的原理属于现有技术，此处不再详述。
步骤b)：对去除噪声后的图像通过限制对比度的自适应直方图均衡(CLAHE)增强图像对比度。对比度增强可以定义为灰阶映射函数的斜率，当设定滑动窗口大小为MxM,则局部映射函数为：
其中，CDF(i)为滑动窗口局部直方图的累积分布函数，其导数为直方图Hist(i)(像素颜色统计分布函数)，那么局部映射函数m(i)的斜率S为：
若限定最大斜率为Smax，则允许的最大直方图高度为：
改进后的直方图为：
其中T为像素阈值。
通过上述“限制对比度的自适应直方图均衡(CLAHE)”方法，实现图像中血管部分与背景部分对比度增加，为接下来进行二值化处理提供更小阈值选择区间。
步骤c)：采用阈值方法进行二值化处理。
由于眼结膜微血管图像采集采是通过光源照射之后采集反射光成像，固定光源在照射眼球时，由于眼球为圆形球体，靠近光源部分表现是亮，离光源较远的表现为暗，这种光照不均会影响结膜微血管图像的提取。先对图像进行最大值滤波以平滑毛刺，增强二值化效果，再通过均值滤波减去原图的方法，去除背景及亮度不均特征，能实现较好的眼结膜微血管图像的分割效果，原理如下：
假设原图为g(x,y)，则
最大值滤波：g1(x,y)＝MAX{f(xs，yt)，(s，tW)}
均值滤波:g2(x,y)＝MEAN{f(xs，yt)，(s，tW)}，
处理后的图像为：g3(x,y)＝g2(x,y)-g(x,y)。
经过预处理之后的图像g3(x,y)，微血管灰度较为均匀，可采用阈值方法进行二值化处理以使得眼微血管在图像中呈白色，非血管部分呈黑色。
具体原理如下，假定阈值为T，那么:
通过以上方法处理得到的二值血管图像，会存在少量不连续，空心，孤立点等问题，可以通过二值图像形态操作进行相关处理:
E＝A·B
A为待处理二值图像，B为结构元素，通过选取不同的结构元素，使用结构元素B对A进行形态处理，实现区域填充和形态学的开闭运算，最终获得二值化图像E。
对上述最终获得的二值化图E像，图像分析可实现眼图像的眼表血管提取，微血管分形维度分析及多重分形分析；血管直径及斜率计算等功能。
为了对得到的图像进行分析，采用U-NET或者V-gan智能神经网络分割模型对得到的图像进行分割，根据初始提供的眼底彩照图像及分割图像进对分割模型训练，针对不同的图像、部位、特征进行分割模型训练，通过对分割模型训练，能够得到更加准确的模型实例，通过模型实例，当输入微血管图像时，能够得到更加准确的分割图像。分割模型支持训练代数及学习率等参数设置，训练结果可通过Tensorboard在线查看。
图像处理模块，采用Python及OpenCV实现在线WEB的图像处理及多定量指标分析功能，采用灵活的***架构，可在***里动态增加图像处理及分析的原子功能脚本，通过原子功能脚本针对分割完成的图像进行分析。
U-Net是医学图像分割中常用的方法。V-GAN是通过生成对抗网络进行图片分割的方法，也属于现有技术。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种智能眼科图像管理及分析***，其特征在于，包括用于对***用户信息进行管理的用户管理模块、用以对患者信息进行管理的患者管理模块、用以对患者的检查情况进行记录的检查记录管理模块、用以对患者的眼科图像进行处理的图像处理模块。
2.根据权利要求1所述的一种智能眼科图像管理及分析***，其特征在于，所述眼科图像为眼底图像，所述图像处理模块用以获取眼底图像中的眼球微血管图像。
3.根据权利要求2所述的一种智能眼科图像管理及分析***，其特征在于，所述用户管理模块用以管理***用户的注册、登录以及注销。
4.根据权利要求1所述的一种智能眼科图像管理及分析***，其特征在于，所述患者管理模块用以对患者的信息进行管理，并且通过患者管理模块能够对患者的信息进行添加、修改以及删除。
5.根据权利要求4所述的一种智能眼科图像管理及分析***，其特征在于，所述检查记录管理模块用以记录患者的疾病检查情况，所述检查记录管理模块与患者管理模块相关联或者集成到患者管理模块，通过检查记录管理模块和/患者管理模块能够查看患者以往的看病记录。
6.一种权利要求1-5任一项所述的***中的图像处理模块的图像处理方法，具体包括如下步骤：步骤a)：去除图像中的高斯噪声和椒盐噪声；
步骤b)：对去除噪声后的图像增强图像对比度；
步骤c)：对步骤b)中的得到的图像进行二值化处理。
7.根据权利要求6所述的方法，在步骤b中，通过限制对比度的自适应直方图均衡(CLAHE)增强图像对比度。
8.根据权利要求6所述的方法，还包括步骤d：将步骤c中得到的图像进行分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910153716.8A CN109887582A (zh) | 2019-03-01 | 2019-03-01 | 一种智能眼科图像管理及分析***及图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910153716.8A CN109887582A (zh) | 2019-03-01 | 2019-03-01 | 一种智能眼科图像管理及分析***及图像处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109887582A true CN109887582A (zh) | 2019-06-14 |
Family
ID=66930117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910153716.8A Pending CN109887582A (zh) | 2019-03-01 | 2019-03-01 | 一种智能眼科图像管理及分析***及图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109887582A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069460A (zh) * | 2015-08-21 | 2015-11-18 | 航天长征火箭技术有限公司 | 一种isar图像舰船目标特征提取方法 |
| CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的*** |
| US20160183796A1 (en) * | 2013-08-08 | 2016-06-30 | Kabushiki Kaisha Topcon | Patient management system and patient management server |
-
2019
- 2019-03-01 CN CN201910153716.8A patent/CN109887582A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160183796A1 (en) * | 2013-08-08 | 2016-06-30 | Kabushiki Kaisha Topcon | Patient management system and patient management server |
| CN105069460A (zh) * | 2015-08-21 | 2015-11-18 | 航天长征火箭技术有限公司 | 一种isar图像舰船目标特征提取方法 |
| CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的*** |
Non-Patent Citations (2)
| Title |
|---|
| 刘晓宇等: "眼科临床病案多媒体数据管理***的设计及应用", 《生物医学工程研究》 * |
| 王耿媛等: "基于裂隙灯的眼微血管形态学参数分析在眼科疾病诊断的应用", 《中国医学物理学杂志》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumar et al. | An automated early diabetic retinopathy detection through improved blood vessel and optic disc segmentation | |
| CN108986106B (zh) | 面向青光眼的视网膜血管自动分割方法 | |
| CN106530279B (zh) | 一种图像处理方法及*** | |
| Kavitha et al. | Early detection of glaucoma in retinal images using cup to disc ratio | |
| CN110276356A (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
| Naveen et al. | Diabetic retinopathy detection using image processing | |
| Mane et al. | Progress towards automated early stage detection of diabetic retinopathy: Image analysis systems and potential | |
| Bala et al. | Computerised retinal image analysis to detect and quantify exudates associated with diabetic retinopathy | |
| Naz et al. | Glaucoma detection in color fundus images using cup to disc ratio | |
| Zhao et al. | Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation | |
| Muddamsetty et al. | Multi-level quality assessment of retinal fundus images using deep convolution neural networks | |
| Sreejini et al. | Severity grading of DME from retina images: A combination of PSO and FCM with bayes classifier | |
| Saravanan et al. | Automated red lesion detection in diabetic retinopathy | |
| Pathak et al. | Development of portable and robust cataract detection and grading system by analyzing multiple texture features for Tele-Ophthalmology | |
| Zabihi et al. | Vessel extraction of conjunctival images using LBPs and ANFIS | |
| CN109887582A (zh) | 一种智能眼科图像管理及分析***及图像处理方法 | |
| Zhang et al. | Deep learning for three types of keratitis classification based on confocal microscopy images | |
| Bessaid et al. | Detection of blood vessels from retinal images using watershed transformation | |
| Zulfahmi et al. | Techniques for exudate detection for diabetic retinopathy | |
| Park et al. | Diabetic retinopathy classification using c4. 5 | |
| Xie et al. | Retinopathy diagnosis using semi-supervised multi-channel generative adversarial network | |
| Khan et al. | Diabetic retinopathy detection by image processing algorithms and machine learning technique | |
| Khattar et al. | Investigation of Denoising Techniques for Removal of Hair and Noise from Dermoscopic Images | |
| Audytra et al. | Application of dynamic segmentation in stroke detection software with ANN | |
| Shilpa et al. | An Ensemble Approach to Detect Diabetic Retinopathy using the Residual Contrast Limited Adaptable Histogram Equalization Method |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |