CN111797901A - 一种基于拓扑结构估计的视网膜动静脉分类方法及装置 - Google Patents
一种基于拓扑结构估计的视网膜动静脉分类方法及装置 Download PDFInfo
- Publication number
- CN111797901A CN111797901A CN202010519912.5A CN202010519912A CN111797901A CN 111797901 A CN111797901 A CN 111797901A CN 202010519912 A CN202010519912 A CN 202010519912A CN 111797901 A CN111797901 A CN 111797901A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- classification
- retinal
- vessel
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 210000001927 retinal artery Anatomy 0.000 title claims abstract description 21
- 210000001957 retinal vein Anatomy 0.000 title claims abstract description 21
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 137
- 230000011218 segmentation Effects 0.000 claims abstract description 72
- 210000001210 retinal vessel Anatomy 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 208000001491 myopia Diseases 0.000 claims abstract description 33
- 230000008901 benefit Effects 0.000 claims abstract description 31
- 230000004379 myopia Effects 0.000 claims abstract description 23
- 230000002792 vascular Effects 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 210000001367 artery Anatomy 0.000 claims description 28
- 210000003462 vein Anatomy 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002207 retinal effect Effects 0.000 claims description 2
- 230000004438 eyesight Effects 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 208000019553 vascular disease Diseases 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000004256 retinal image Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于拓扑结构估计的视网膜动静脉分类方法。包括通过U‑net深度学习网络对视网膜血管图像进行像素级分割，获得血管分割结果信息；分别通过优势集理论对血管分割结果信息进行拓扑估计，建立完整的拓扑树集合，获得拓扑信息；通过优势集理论对近视盘区域血管进行动静脉分类，获得近视盘区域血管动静脉分类结果；根据标签传播算法处理拓扑信息与近视盘区域血管动静脉分类结果，获得全局动静脉分类。本发明还公开了一种基于拓扑结构估计的视网膜动静脉分类装置。本发明将视网膜血管的拓扑连续加入动静脉的分类工作，通过拓扑信息引导，可有效的解决眼底彩照中远视盘区域血管的动静脉难题。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于拓扑结构估计的视网膜动静脉分类方法及装置。
背景技术
血管类疾病是世界最常见的公共卫生安全之一，最常见的相关疾病包括糖尿病、动脉硬化、心血管疾病和高血压等，这些疾病的早期临床表现不明显，不易被发现并引起重视，晚期的突发性表现对患者的生命安全造成严重威胁。因此早期的筛查与诊断对于公众的生命健康安全具有重要意义。然而，由于目前血管类疾病诊断手段的复杂性与有创性，无法实现大规模的普查。视网膜血管作为人体内在无创伤条件下唯一可获取的血管组织，在临床研究中被证明其形态变化与血管相关的***性疾病（糖尿病，高血压和心血管疾病）有着密切的关系，因此被认为在血管类疾病的筛查中具有非常大的潜力。
临床研究表明糖尿病、高血压以及其他心血管疾病的病变会导致视网膜血管口径的变化，其中包括不同程度的动脉和静脉扩张，因此医学中常用动脉和静脉的管径比（Arteriolar-to-Velar diameter Ratio，AVR）作为相关疾病的临床诊断依据。但是由于潜在患者数量巨大，目前临床上对眼底的筛查中主要是通过人工阅片来实现，然而，这就要求眼科医生具有丰富的临床经验，仅仅依靠眼科专家人工进行大规模普查较为困难。而且，由于人工检测经验标准不统一，可能导致部分漏诊或误诊。因此通过计算机辅助的视网膜血管特异性分析，对于早期血管性疾病的自动检测、诊断以及介入治疗具有非常重要的意义。其中视网膜血管的动脉的和静脉分类作为深入理解血管结构变化具有十分重要的研究意义。目前常见的视网膜血管分类方法大都作用在眼底彩照中通过像素级的分类实现动静脉脉的区分，然而由于光照以及结构本身的影响，远视盘区域的视网膜血管动脉和静脉之间的差异较弱，现有的算法难以实现准确的分类。
发明内容
本发明目的是提供一种基于拓扑结构估计的视网膜动静脉分类方法及装置，通过树状结构的拓扑连续性指导远视盘区域的动静脉分类，能够有效的解决该区域的分类难题。
根据本发明的第一方面，提供了一种基于拓扑结构估计的视网膜动静脉分类方法，包括：
通过U-net深度学习网络对视网膜血管图像进行像素级分割，获得血管分割结果信息；
分别通过优势集理论对血管分割结果信息进行拓扑估计，建立完整的拓扑树集合，获得拓扑信息；
通过优势集理论对近视盘区域血管进行动静脉分类，获得近视盘区域血管动静脉分类结果；
根据标签传播算法处理拓扑信息与近视盘区域血管动静脉分类结果，获得全局动静脉分类。
进一步的，“通过U-net深度学习网络对视网膜血管图像进行像素级分割，获得血管分割结果信息”具体包括：
将成对的眼底彩照图片与只含有血管结构的二值化的金标准图像输入至U-net神经网络中，获得分割模型；
将视网膜血管图像导入至分割模型中，获得血管分割结果信息。
进一步的，“分别通过优势集理论对血管分割结果信息进行拓扑估计，建立完整的拓扑树集合，获得拓扑信息”具体包括：
通过形态学细化算法对分割图像进行处理，获得单位像素宽的血管结构；
检测血管结构的关键节点，并在关键节点中的分叉点和交叉点处将分割图像断开，获得若干独立的血管段；
采用三次样条拟合对血管段进行中心线拟合，获得每一段血管的中心线信息；
根据中心线信息建立视网膜血管网络的无向图并提取血管段的特征向量，建立视网膜血管的带权无向图；
根据自动分割算法提取视盘区域，根据视盘区域确定血管树的起点；
引入虚拟的点将各血管树的起点相连后，通过最小生成树算法得到独立的血管树，获得拓扑树集合。
进一步的，“通过优势集理论对近视盘区域血管进行动静脉分类，获得近视盘区域血管动静脉分类结果”具体包括：
选取预设倍率视盘范围内的血管段中的点作为聚类对象，对每一个点提取特征向量，获得点集；
根据优势集对选择的点集进行聚类并将所有的点分成两类；
根据每类中点的亮度信息的均值定义动脉与静脉；
统计每一段血管段中点的标签分布并对血管段进行动静脉标记。
进一步的，“根据标签传播算法处理拓扑信息与近视盘区域血管动静脉分类结果，获得全局动静脉分类”具体包括：
将同一血管树中起始血管段的标签作为所有血管段的标签；
根据拓扑信息对所有血管段的标签向下传递，获得全局动静脉分类。
根据本发明的第二方面，提供了一种基于拓扑结构估计的视网膜动静脉分类装置，包括：
分割模块：通过U-net深度学习网络对视网膜血管图像进行像素级分割，获得血管分割结果信息；
第一处理模块：分别通过优势集理论对血管分割结果信息进行拓扑估计，建立完整的拓扑树集合，获得拓扑信息；
分类模块：通过优势集理论对近视盘区域血管进行动静脉分类，获得近视盘区域血管动静脉分类结果；
第二处理模块：根据标签传播算法处理拓扑信息与近视盘区域血管动静脉分类结果，获得全局动静脉分类。
进一步的，分割模块包括：
第一处理单元：将成对的眼底彩照图片与只含有血管结构的二值化的金标准图像输入至U-net神经网络中，获得分割模型；
第一获取单元：将视网膜血管图像导入至分割模型中，获得血管分割结果信息。
进一步的，第一处理模块包括：
第二获取单元：通过形态学细化算法对分割图像进行处理，获得单位像素宽的血管结构；
检测单元：检测血管结构的关键节点，并在关键节点中的分叉点和交叉点处将分割图像断开，获得若干独立的血管段；
第三获取单元：采用三次样条拟合对血管段进行中心线拟合，获得每一段血管的中心线信息；
第二处理单元：根据中心线信息建立视网膜血管网络的无向图并提取血管段的特征向量，建立视网膜血管的带权无向图；
分割单元：根据自动分割算法提取视盘区域，根据视盘区域确定血管树的起点；
第四获取单元：引入虚拟的点将各血管树的起点相连后，通过最小生成树算法得到独立的血管树，获得拓扑树集合。
进一步的，分类模块包括：
提取单元：选取预设倍率视盘范围内的血管段中的点作为聚类对象，对每一个点提取特征向量，获得点集；
第三处理单元：根据优势集对选择的点集进行聚类并将所有的点分成两类；
定义单元：根据每类中点的亮度信息的均值定义动脉与静脉；
统计单元：统计每一段血管段中点的标签分布并对血管段进行动静脉标记。
进一步的，第二处理模块包括：
第四处理单元：将同一血管树中起始血管段的标签作为所有血管段的标签；
第五处理单元：根据拓扑信息对所有血管段的标签向下传递，获得全局动静脉分类。
本发明的有益效果为：1. 提供了一种视网膜血管的拓扑结构自动估计以及动静脉分类的方法，为血管性疾病的临床诊断与筛查提供了一种有效的途径。2. 将视网膜血管的拓扑连续加入动静脉的分类工作，通过拓扑信息引导，可有效的解决眼底彩照中远视盘区域血管的动静脉难题。能够有效的提高视网膜血管的分类精度，为临床诊断提供鲁棒的工具。3. 将视网膜血管的拓扑重建问题转化为图优化问题，即将一个实际应用问题转化为数学问题，为解决该问题提供了一种科学性的方法。4. 将优势集理论引入到视网膜血管的拓扑估计问题以及动静脉分类问题，通过使用聚类的方法有效实现血管的拓扑结构重建以及动静脉分类。5. 在三个公开数据库中进行了预实验，结果显示该发明中所用算法能够有效的重建视网膜血管的拓扑结构并且能够准确的实现动静脉的分类。
附图说明
图1是根据本发明一实施例的一种基于拓扑结构估计的视网膜动静脉分类方法的流程图；
图2是根据本发明一实施例的一种基于拓扑结构估计的视网膜动静脉分类装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了根据本发明一实施例的一种基于拓扑结构估计的视网膜动静脉分类方法的流程，包括：
S11、通过U-net深度学习网络对视网膜血管图像进行像素级分割，获得血管分割结果信息。
本方法的执行主体可以是服务器。
S12、分别通过优势集理论对血管分割结果信息进行拓扑估计，建立完整的拓扑树集合，获得拓扑信息。
S13、通过优势集理论对近视盘区域血管进行动静脉分类，获得近视盘区域血管动静脉分类结果。
S14、根据标签传播算法处理拓扑信息与近视盘区域血管动静脉分类结果，获得全局动静脉分类。
在本说明书实施例中，针对现有的视网膜血管动静脉分类算法无法实现远视盘区域血管的准确分类。提出基于优势集的视网膜血管的拓扑估计方法并在此基础上通过标签传播算法实现视网膜血管的动静脉分类。实现上述目的的技术方案如下：1）通过U-net深度学习网络对视网膜血管进行像素级分割；2）对得到的血管分割结果分别使用基于优势集理论的方法进行拓扑估计，建立完整的拓扑树集合；3）采用优势集理论对近视盘区域血管进行动脉和静脉分类；4）根据拓扑信息采用标签传播算法实现全局的动静脉分类。
作为优选实施例，“通过U-net深度学习网络对视网膜血管图像进行像素级分割，获得血管分割结果信息”具体包括：将成对的眼底彩照图片与只含有血管结构的二值化的金标准图像输入至U-net神经网络中，获得分割模型；将视网膜血管图像导入至分割模型中，获得血管分割结果信息。
在本说明书实施例中，由于U-net被证明在医学图像分割中表现出非常高的性能，因此本发明通过将成对的眼底彩照图片与只含有血管结构的二值化的金标准图像输入U-net神经网络，训练一个鲁棒性强的分割模型，并将此模型用于其他视网膜图像进行视网膜血管的完整分割。其中U-net模型包括一个特征编码器用来提取高阶语义特征，一个特征解码器用来将提取到的高级特征映射到血管分割图中。同时采用跳接的方式将每一层的编码器得到的结果传到对应的解码器当中，以提高血管结构的一致性，并且有效的避免了梯度消失的出现。
作为优选实施例，“分别通过优势集理论对血管分割结果信息进行拓扑估计，建立完整的拓扑树集合，获得拓扑信息”具体包括：通过形态学细化算法对分割图像进行处理，获得单位像素宽的血管结构；检测血管结构的关键节点，并在关键节点中的分叉点和交叉点处将分割图像断开，获得若干独立的血管段；采用三次样条拟合对血管段进行中心线拟合，获得每一段血管的中心线信息；根据中心线信息建立视网膜血管网络的无向图并提取血管段的特征向量，建立视网膜血管的带权无向图；根据自动分割算法提取视盘区域，根据视盘区域确定血管树的起点；引入虚拟的点将各血管树的起点相连后，通过最小生成树算法得到独立的血管树，获得拓扑树集合。
在本说明书实施例中，本发明将视网膜血管的拓扑估计转化为图优化问题，即将复杂的血管网络用包含点和边的图G来表示，然后在图G中使用最小生成树算法实现拓扑估计。具体操作步骤如下，首先，在分割图像的基础上采用形态学细化算法，迭代的去除血管外部像素，得到只有一个像素宽的血管结构；然后采用3*3的滑动窗口检测关键节点，其中将检测到的点分为：终点节点（邻域内只有一个相邻像素），连接点（邻域内有两个相邻像素），分叉点（邻域内有三个相邻像素），交叉点（邻域内相邻像素数量大于三），在分叉点和交叉点处将分割图像断开，得到多个独立的血管段，接下来采用三次样条拟合进行中心线拟合，得到每一段血管的中心线信息。将每一段血管的起点和终点作为图论中的点V，根据邻域信息连接相邻的点形成图论中的边E，以此建立视网膜血管网络的无向图G(V,E)。然后提取血管段的特征向量，其中包括方向、灰度，对比度以及直径信息，并在相邻点集
处使用优势集进行特征向量聚类来降低特征向量维数，并以此作为两点之间的相似性度量W。建立视网膜血管的带权无向图G(V,E,W)。然后采用自动分割算法提取视盘区域，视盘区域边缘与血管交点集合作为血管树的起点S，并删除落在视盘范围内的点和边，原则上交点的个数就是视网膜血管树的个数；引入虚拟的点，并与各血管树的起点相连，将视网膜血管拓扑估计问题转化为以该虚拟的点为起点的最小图问题，采用最小生成树算法计算最小子图，最后去除虚拟的点，即可得到
个独立的血管树，完成视网膜血管的拓扑估计。解决图优化问题，关键在于如何建立邻接矩阵，即如何计算相邻节点之间的相似性，本发明提出使用优势集聚类来实现相邻血管段之间的相似性度量，具体来说，图优化问题就是需要寻找在关键点处血管段之间的连接关系，使得损失误差最小。然而由于特征向量之间的二范数无法准确的反映不同血管段之间的相似性，因此本发明使用优势集的方法实现相邻血管段之间的聚类，有效的缩小相同类别的类内间距并且增大不同类别之间的类间间距。其中优势集可通过解决一个标准的二次规划问题来获得，具体公式如下：
其中A是图G的邻接矩阵，得到
为公式1的局部解，如果
中的第i个元素大于零，就意味着G中的第i个元素是属于优势集。
作为优选实施例，“通过优势集理论对近视盘区域血管进行动静脉分类，获得近视盘区域血管动静脉分类结果”具体包括：选取预设倍率视盘范围内的血管段中的点作为聚类对象，对每一个点提取特征向量，获得点集；根据优势集对选择的点集进行聚类并将所有的点分成两类；根据每类中点的亮度信息的均值定义动脉与静脉；统计每一段血管段中点的标签分布并对血管段进行动静脉标记。
在本说明书实施例中，由于视网膜血管的动脉和静脉在颜色、口径上具有差异性，且在近视盘区域表现明显，因此可以比较容易获得精确的聚类结果，同时由于视网膜血管的动脉中含氧量较静脉高，因此在图像中表现出非常强烈的视觉差异，可作为区分动脉和静脉的关键指标。因此本发明提出使用优势集实现近视盘区域血管的动静脉分类方法，首先将近视盘区域的血管通过优势集聚为两类，然后提取两类血管中的亮度信息作为区分血管类别的指标，从而实现血管的动静脉分类。具体操作步骤如下，首先选取1到2倍视盘范围内血管段中的点作为聚类对象，对每一个点提取包含颜色，对比度，血管宽度等信息的特征向量；然后使用优势集对选择的点集进行聚类，将所有的点分成两类；接下来将每类中点的亮度信息的均值作为分类标签的依据，亮度大的一组点被定义为动脉，亮度小的一组被定义为静脉；最后统计每一段血管段中点的标签分布，采用投票机制定义血管段的分类标签，若血管段中标签为动脉的点的个数比标签为静脉的点的个数多，则认为该血管段为动脉，否则标记该血管段为静脉。
作为优选实施例，“根据标签传播算法处理拓扑信息与近视盘区域血管动静脉分类结果，获得全局动静脉分类”具体包括：将同一血管树中起始血管段的标签作为所有血管段的标签；根据拓扑信息对所有血管段的标签向下传递，获得全局动静脉分类。
在本说明书实施例中，在获得完整的视网膜血管的拓扑结构以及起始血管段的动静脉分类标签，本发明使用标签传播算法实现全局的动静脉分类，具体来说，我们认为同一血管树中的所有血管段与该血管树的起始血管段的标签保持一致，因此，将上述步骤获得的起始血管段的标签通过上述步骤获得拓扑信息向下传递即可实现视网膜血管的完全分类。
图2示出了根据本发明一实施例的一种基于拓扑结构估计的视网膜动静脉分类装置的结构，包括：
分割模块21：通过U-net深度学习网络对视网膜血管图像进行像素级分割，获得血管分割结果信息；
第一处理模块22：分别通过优势集理论对血管分割结果信息进行拓扑估计，建立完整的拓扑树集合，获得拓扑信息；
分类模块23：通过优势集理论对近视盘区域血管进行动静脉分类，获得近视盘区域血管动静脉分类结果；
第二处理模块24：根据标签传播算法处理拓扑信息与近视盘区域血管动静脉分类结果，获得全局动静脉分类。
作为优选实施例，分割模块包括：第一处理单元：将成对的眼底彩照图片与只含有血管结构的二值化的金标准图像输入至U-net神经网络中，获得分割模型；第一获取单元：将视网膜血管图像导入至分割模型中，获得血管分割结果信息。
作为优选实施例，第一处理模块包括：第二获取单元：通过形态学细化算法对分割图像进行处理，获得单位像素宽的血管结构；检测单元：检测血管结构的关键节点，并在关键节点中的分叉点和交叉点处将分割图像断开，获得若干独立的血管段；第三获取单元：采用三次样条拟合对血管段进行中心线拟合，获得每一段血管的中心线信息；第二处理单元：根据中心线信息建立视网膜血管网络的无向图并提取血管段的特征向量，建立视网膜血管的带权无向图；分割单元：根据自动分割算法提取视盘区域，根据视盘区域确定血管树的起点；第四获取单元：引入虚拟的点将各血管树的起点相连后，通过最小生成树算法得到独立的血管树，获得拓扑树集合。
作为优选实施例，分类模块包括：提取单元：选取预设倍率视盘范围内的血管段中的点作为聚类对象，对每一个点提取特征向量，获得点集；第三处理单元：根据优势集对选择的点集进行聚类并将所有的点分成两类；定义单元：根据每类中点的亮度信息的均值定义动脉与静脉；统计单元：统计每一段血管段中点的标签分布并对血管段进行动静脉标记。
作为优选实施例，第二处理模块包括：第四处理单元：将同一血管树中起始血管段的标签作为所有血管段的标签；第五处理单元：根据拓扑信息对所有血管段的标签向下传递，获得全局动静脉分类。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其他实施例中所包括的某些特征而不是其他特征，但是不同的实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求的保护的实施例的任意之一都可以以任意的组合方式来使用。
本领域普通技术人员可以理解：以上各实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (10)
1.一种基于拓扑结构估计的视网膜动静脉分类方法，其特征为，包括：
通过U-net深度学习网络对视网膜血管图像进行像素级分割，获得血管分割结果信息；
分别通过优势集理论对所述血管分割结果信息进行拓扑估计，建立完整的拓扑树集合，获得拓扑信息；
通过优势集理论对近视盘区域血管进行动静脉分类，获得近视盘区域血管动静脉分类结果；
根据标签传播算法处理所述拓扑信息与所述近视盘区域血管动静脉分类结果，获得全局动静脉分类。
2.根据权利要求1所述的一种基于拓扑结构估计的视网膜动静脉分类方法，其特征为，“通过U-net深度学习网络对视网膜血管图像进行像素级分割，获得血管分割结果信息”具体包括：
将成对的眼底彩照图片与只含有血管结构的二值化的金标准图像输入至U-net神经网络中，获得分割模型；
将所述视网膜血管图像导入至所述分割模型中，获得血管分割结果信息。
3.根据权利要求1所述的一种基于拓扑结构估计的视网膜动静脉分类方法，其特征为，“分别通过优势集理论对所述血管分割结果信息进行拓扑估计，建立完整的拓扑树集合，获得拓扑信息”具体包括：
通过形态学细化算法对分割图像进行处理，获得单位像素宽的血管结构；
检测所述血管结构的关键节点，并在关键节点中的分叉点和交叉点处将所述分割图像断开，获得若干独立的血管段；
采用三次样条拟合对血管段进行中心线拟合，获得每一段血管的中心线信息；
根据中心线信息建立视网膜血管网络的无向图并提取血管段的特征向量，建立视网膜血管的带权无向图；
根据自动分割算法提取视盘区域，根据视盘区域确定血管树的起点；
引入虚拟的点将各血管树的起点相连后，通过最小生成树算法得到独立的血管树，获得拓扑树集合。
4.根据权利要求1所述的一种基于拓扑结构估计的视网膜动静脉分类方法，其特征为，“通过优势集理论对近视盘区域血管进行动静脉分类，获得近视盘区域血管动静脉分类结果”具体包括：
选取预设倍率视盘范围内的血管段中的点作为聚类对象，对每一个点提取特征向量，获得点集；
根据优势集对选择的所述点集进行聚类并将所有的点分成两类；
根据每类中点的亮度信息的均值定义动脉与静脉；
统计每一段血管段中点的标签分布并对所述血管段进行动静脉标记。
5.根据权利要求1所述的一种基于拓扑结构估计的视网膜动静脉分类方法，其特征为，“根据标签传播算法处理所述拓扑信息与所述近视盘区域血管动静脉分类结果，获得全局动静脉分类”具体包括：
将同一血管树中起始血管段的标签作为所有血管段的标签；
根据拓扑信息对所述所有血管段的标签向下传递，获得全局动静脉分类。
6.一种基于拓扑结构估计的视网膜动静脉分类装置，其特征为，包括：
分割模块：通过U-net深度学习网络对视网膜血管图像进行像素级分割，获得血管分割结果信息；
第一处理模块：分别通过优势集理论对所述血管分割结果信息进行拓扑估计，建立完整的拓扑树集合，获得拓扑信息；
分类模块：通过优势集理论对近视盘区域血管进行动静脉分类，获得近视盘区域血管动静脉分类结果；
第二处理模块：根据标签传播算法处理所述拓扑信息与所述近视盘区域血管动静脉分类结果，获得全局动静脉分类。
7.根据权利要求6所述的一种基于拓扑结构估计的视网膜动静脉分类装置，其特征为，分割模块包括：
第一处理单元：将成对的眼底彩照图片与只含有血管结构的二值化的金标准图像输入至U-net神经网络中，获得分割模型；
第一获取单元：将所述视网膜血管图像导入至所述分割模型中，获得血管分割结果信息。
8.根据权利要求6所述的一种基于拓扑结构估计的视网膜动静脉分类装置，其特征为，第一处理模块包括：
第二获取单元：通过形态学细化算法对分割图像进行处理，获得单位像素宽的血管结构；
检测单元：检测所述血管结构的关键节点，并在关键节点中的分叉点和交叉点处将所述分割图像断开，获得若干独立的血管段；
第三获取单元：采用三次样条拟合对血管段进行中心线拟合，获得每一段血管的中心线信息；
第二处理单元：根据中心线信息建立视网膜血管网络的无向图并提取血管段的特征向量，建立视网膜血管的带权无向图；
分割单元：根据自动分割算法提取视盘区域，根据视盘区域确定血管树的起点；
第四获取单元：引入虚拟的点将各血管树的起点相连后，通过最小生成树算法得到独立的血管树，获得拓扑树集合。
9.根据权利要求6所述的一种基于拓扑结构估计的视网膜动静脉分类装置，其特征为，分类模块包括：
提取单元：选取预设倍率视盘范围内的血管段中的点作为聚类对象，对每一个点提取特征向量，获得点集；
第三处理单元：根据优势集对选择的所述点集进行聚类并将所有的点分成两类；
定义单元：根据每类中点的亮度信息的均值定义动脉与静脉；
统计单元：统计每一段血管段中点的标签分布并对所述血管段进行动静脉标记。
10.根据权利要求6所述的一种基于拓扑结构估计的视网膜动静脉分类装置，其特征为，第二处理模块包括：
第四处理单元：将同一血管树中起始血管段的标签作为所有血管段的标签；
第五处理单元：根据拓扑信息对所述所有血管段的标签向下传递，获得全局动静脉分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010519912.5A CN111797901A (zh) | 2020-06-09 | 2020-06-09 | 一种基于拓扑结构估计的视网膜动静脉分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010519912.5A CN111797901A (zh) | 2020-06-09 | 2020-06-09 | 一种基于拓扑结构估计的视网膜动静脉分类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797901A true CN111797901A (zh) | 2020-10-20 |
Family
ID=72804020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010519912.5A Pending CN111797901A (zh) | 2020-06-09 | 2020-06-09 | 一种基于拓扑结构估计的视网膜动静脉分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797901A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733953A (zh) * | 2021-01-19 | 2021-04-30 | 福州大学 | 基于Non-local CNN-GCN和拓扑子图的肺CT图像动静脉血管分离方法 |
| CN113344893A (zh) * | 2021-06-23 | 2021-09-03 | 依未科技(北京)有限公司 | 一种高精度眼底动静脉识别的方法、装置、介质和设备 |
| CN113436322A (zh) * | 2021-07-08 | 2021-09-24 | 中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所 | 一种眼底血管三维重建方法、装置、设备及存储介质 |
| CN114332043A (zh) * | 2021-12-31 | 2022-04-12 | 深圳市铱硙医疗科技有限公司 | 基于ct灌注影像的侧枝循环测量方法、装置、设备及介质 |
| CN114511512A (zh) * | 2022-01-14 | 2022-05-17 | 江苏金马扬名信息技术股份有限公司 | 一种基于交互指导的血管图像分割方法 |
| CN115908825A (zh) * | 2023-03-10 | 2023-04-04 | 中国科学院宁波材料技术与工程研究所 | 一种基于视觉处理的类圆形结构分割方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101163483A (zh) * | 2005-04-22 | 2008-04-16 | 诺瓦西股份有限公司 | 使用活性维生素d化合物或其模拟物治疗、预防和缓解与化疗和放疗有关的肺部疾患 |
-
2020
- 2020-06-09 CN CN202010519912.5A patent/CN111797901A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101163483A (zh) * | 2005-04-22 | 2008-04-16 | 诺瓦西股份有限公司 | 使用活性维生素d化合物或其模拟物治疗、预防和缓解与化疗和放疗有关的肺部疾患 |
Non-Patent Citations (1)
| Title |
|---|
| YITIAN ZHAO等: "Retinal vascular network topology reconstruction and artery/vein classification via dominant set clustering", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 39, no. 2, pages 341 - 356, XP011769474, DOI: 10.1109/TMI.2019.2926492 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733953A (zh) * | 2021-01-19 | 2021-04-30 | 福州大学 | 基于Non-local CNN-GCN和拓扑子图的肺CT图像动静脉血管分离方法 |
| CN112733953B (zh) * | 2021-01-19 | 2023-03-17 | 福州大学 | 基于Non-local CNN-GCN和拓扑子图的肺CT图像动静脉血管分离方法 |
| CN113344893A (zh) * | 2021-06-23 | 2021-09-03 | 依未科技(北京)有限公司 | 一种高精度眼底动静脉识别的方法、装置、介质和设备 |
| CN113436322A (zh) * | 2021-07-08 | 2021-09-24 | 中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所 | 一种眼底血管三维重建方法、装置、设备及存储介质 |
| CN114332043A (zh) * | 2021-12-31 | 2022-04-12 | 深圳市铱硙医疗科技有限公司 | 基于ct灌注影像的侧枝循环测量方法、装置、设备及介质 |
| CN114511512A (zh) * | 2022-01-14 | 2022-05-17 | 江苏金马扬名信息技术股份有限公司 | 一种基于交互指导的血管图像分割方法 |
| CN114511512B (zh) * | 2022-01-14 | 2024-05-10 | 江苏金马扬名信息技术股份有限公司 | 一种基于交互指导的血管图像分割方法 |
| CN115908825A (zh) * | 2023-03-10 | 2023-04-04 | 中国科学院宁波材料技术与工程研究所 | 一种基于视觉处理的类圆形结构分割方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797901A (zh) | 一种基于拓扑结构估计的视网膜动静脉分类方法及装置 | |
| WO2021169128A1 (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
| Bevilacqua et al. | A novel approach to evaluate blood parameters using computer vision techniques | |
| CN113420826B (zh) | 一种肝脏病灶图像处理***及图像处理方法 | |
| Luo et al. | Micro-vessel image segmentation based on the AD-UNet model | |
| Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
| CN110448319B (zh) | 基于造影影像及冠状动脉的血流速度计算方法 | |
| CN114299072B (zh) | 一种基于人工智能的解剖变异识别提示方法及*** | |
| CN111797900B (zh) | 一种oct-a图像的动静脉分类方法及装置 | |
| CN113781439A (zh) | 超声视频病灶分割方法及装置 | |
| CN111932554A (zh) | 一种肺部血管分割方法、设备及存储介质 | |
| CN111161287A (zh) | 基于对称双向级联网络深度学习的视网膜血管分割方法 | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断*** | |
| CN110767293A (zh) | 一种脑部辅助诊断*** | |
| CN114782358A (zh) | 一种血管形变自动计算的方法、装置及存储介质 | |
| CN114445784B (zh) | 一种crrt屏幕参数实时采集的方法和*** | |
| CN114359284B (zh) | 用于对视网膜眼底图像进行分析的方法及其相关产品 | |
| Mao et al. | Deep learning with skip connection attention for choroid layer segmentation in oct images | |
| CN109003280A (zh) | 一种双通道血管内超声影像的血管中内膜分割方法 | |
| CN110503636B (zh) | 参数调整方法、病灶预测方法、参数调整装置及电子设备 | |
| Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
| CN114078137A (zh) | 一种基于深度学习的***镜图像筛选方法、装置和电子设备 | |
| CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
| CN116739988A (zh) | 一种基于多难度课程学习的深度学习脑出血分类方法 | |
| WO2023221068A1 (zh) | 一种基于人体序参量模型的脉搏波智能辨析方法及*** |
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 |