CN115969310A - 高血压性视网膜病变的病变特征的测量***及测量方法 - Google Patents
高血压性视网膜病变的病变特征的测量***及测量方法 Download PDFInfo
- Publication number
- CN115969310A CN115969310A CN202310182680.2A CN202310182680A CN115969310A CN 115969310 A CN115969310 A CN 115969310A CN 202310182680 A CN202310182680 A CN 202310182680A CN 115969310 A CN115969310 A CN 115969310A
- Authority
- CN
- China
- Prior art keywords
- vessel
- arteriovenous
- blood vessel
- examples
- preset
- 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
- 206010038926 Retinopathy hypertensive Diseases 0.000 title claims abstract description 37
- 201000001948 hypertensive retinopathy Diseases 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000036285 pathological change Effects 0.000 title claims abstract description 13
- 231100000915 pathological change Toxicity 0.000 title claims abstract description 13
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 199
- 238000005259 measurement Methods 0.000 claims abstract description 138
- 210000003462 vein Anatomy 0.000 claims abstract description 82
- 210000001367 artery Anatomy 0.000 claims abstract description 70
- 230000003902 lesion Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims description 201
- 238000002372 labelling Methods 0.000 claims description 71
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 62
- 230000036262 stenosis Effects 0.000 claims description 62
- 208000037804 stenosis Diseases 0.000 claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 14
- 210000001927 retinal artery Anatomy 0.000 claims description 10
- 210000001957 retinal vein Anatomy 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000001575 pathological effect Effects 0.000 claims description 3
- 206010020772 Hypertension Diseases 0.000 abstract description 12
- 238000005192 partition Methods 0.000 abstract description 10
- 208000017442 Retinal disease Diseases 0.000 abstract description 2
- 206010038923 Retinopathy Diseases 0.000 abstract description 2
- 238000000691 measurement method Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 210000002565 arteriole Anatomy 0.000 description 16
- 238000007781 pre-processing Methods 0.000 description 7
- 230000036772 blood pressure Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000002792 vascular Effects 0.000 description 6
- 210000001508 eye Anatomy 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 210000005252 bulbus oculi Anatomy 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 230000005923 long-lasting effect Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 210000003733 optic disk Anatomy 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 208000037157 Azotemia Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 208000037111 Retinal Hemorrhage Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 210000004379 membrane Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000009852 uremia Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
-
- 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
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30204—Marker
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Ophthalmology & Optometry (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本公开提供一种高血压性视网膜病变的病变特征的测量***及测量方法,测量***包括:获取模块获取眼底图像,分区模块接收眼底图像并对视盘区域进行识别和分区,分割模块利用动静脉分割模型对眼底图像进行动脉和静脉分割获得分割结果的三值图像,其中动静脉血管标记结果包括通过对所述训练眼底图像中血管管径大于预设血管管径的血管的边界进行标记而形成的动脉标记结果和静脉标记结果,以及对不大于所述预设血管管径的血管的走向进行标记而形成的小血管标记结果,测量模块基于分区和分割结果中大于预设血管管径的血管对眼底图像进行高血压性视网膜病变的病变特征进行测量。本公开能够高效且客观地对高血压性视网膜病变特征进行测量。
Description
本申请是申请日为2020年12月28日、申请号为202011585139.9、发明名称为高血压性视网膜病变的病变特征的测量方法及测量***的专利申请的分案申请。
技术领域
本申请涉及视网膜病变测量领域,具体涉及一种高血压性视网膜病变的病变特征的测量***及测量方法。
背景技术
目前已有上亿的人患有高血压,更让人忧心的是,高血压的患病年龄正在日趋年轻化。高血压容易引发心梗、肾衰竭、脑溢血、脑梗和***等并发症,进而危及生命。因此对高血压进行早期识别并干预具有重要意义。
在临床上,可以通过测量血压来判断高血压。然而,测量血压一般无法评估患者近期或者长期的高血压情况。目前通过观察眼底的血管变化可以获取能够反映高血压情况的高血压性视网膜病变的病变特征(例如动静脉交叉压迹特征、小动脉局部狭窄特征或小动脉普遍狭窄特征),从而可以评估患者高血压的严重程度。一般而言,小动脉局部狭窄特征可以反映患者近期存在血压升高的情况,动静脉交叉压迹特征和小动脉普遍狭窄特征可以反映患者长期持续的血压升高的情况。在这种情况下,可以结合其他特征(例如视网膜出血或微血管瘤)辅助眼科医生对高血压情况进行识别。现有的方法中,通常利用眼底照相技术获取眼底图像以方便眼科医生对高血压性视网膜病变的病变特征进行观察和测量。然而,人为测量病变特征耗时较长且存在一定的主观性。
发明内容
本公开是有鉴于上述的状况而提出的,其目的在于提供一种能够高效且客观地对高血压性视网膜病变的病变特征进行测量的高血压性视网膜病变的病变特征的测量方法及测量***。
为此,本公开第一方面提供了一种高血压性视网膜病变的病变特征的测量方法,包括:获取眼底图像;对所述眼底图像的视盘区域进行识别并基于所述视盘区域将所述眼底图像至少分成包括第一区域、第二区域和第三区域的三个区域;利用基于训练眼底图像和动静脉血管标记结果进行训练的且基于深度学习的动静脉分割模型对所述眼底图像进行动脉和静脉分割以获取动静脉分割结果,其中,所述动静脉分割结果包括动脉分割结果和静脉分割结果;并且基于所述三个区域和所述动静脉分割结果对所述眼底图像中的高血压性视网膜病变的所述病变特征进行测量,所述病变特征包括动静脉交叉压迹特征、小动脉局部狭窄特征和小动脉普遍狭窄特征中的至少一种,所述动静脉血管标记结果包括通过对所述训练眼底图像中血管管径大于预设血管管径的血管的边界进行标记而形成的动脉标记结果和静脉标记结果以及对不大于预设血管管径的血管的走向进行标记而形成的小血管标记结果,计算损失函数时,基于所述小血管标记结果调整所述小血管标记结果对应的区域的权重。在这种情况下,基于视盘区域对眼底图像进行分区以获取至少三个区域,并利用基于深度学习的动静脉分割模型对眼底图像进行动脉和静脉分割以获取动静脉分割结果,基于三个区域和动静脉分割结果对眼底图像中的高血压性视网膜病变的病变特征进行自动测量。由此,能够高效且客观地对高血压性视网膜病变的病变特征进行测量。
另外,在本公开第一方面所涉及的测量方法中,可选地,所述第一区域为以所述视盘区域的外接圆的圆心为中心和所述外接圆的直径的第一预设倍数为直径形成的第一圆的区域,所述第二区域为所述第一区域边缘到以所述圆心为中心和所述外接圆的直径的第二预设倍数为直径形成的第二圆之间的区域,所述第三区域为所述第二区域边缘到以所述圆心为中心和所述外接圆的直径的第三预设倍数为直径形成的第三圆之间的区域,其中,v1<v2<v3,v1表示第一预设倍数,v2表示第二预设倍数,v3表示第三预设倍数。由此,能够基于视盘区域获取三个区域。
另外,在本公开第一方面所涉及的测量方法中,可选地,若对所述动静脉交叉压迹特征进行测量,则对除所述第一区域和所述第二区域两个区域以外的眼底区域的所述动静脉分割结果进行细化以获取包括作为第一测量像素点的多个骨架像素点的第一血管骨架,并获取各个所述第一测量像素点的预设范围内的骨架像素点的数量并作为第一相邻点数量,将所述动静脉分割结果中与所述第一相邻点数量大于第一预设数量的所述第一测量像素点对应的像素点作为动静脉交叉位置,基于所述动静脉分割结果中沿着所述静脉分割结果的延伸方向并位于所述动静脉交叉位置两侧的每侧的近端和远端的血管管径的比值测量所述动静脉交叉压迹特征。由此,能够基于动静脉交叉位置对动静脉交叉压迹特征进行测量。
另外,在本公开第一方面所涉及的测量方法中,可选地,若对所述小动脉局部狭窄特征进行测量,则对所述动脉分割结果进行细化以获取包括作为第二测量像素点的多个骨架像素点的第二血管骨架,获取各个所述第二测量像素点的预设范围内的骨架像素点的数量作为第二相邻点数量,将所述第二相邻点数量大于第二预设数量的所述第二测量像素点进行删除以获得多个血管段,基于各个血管段的最小的血管管径和最大的血管管径的比值测量所述小动脉局部狭窄特征。由此,能够对小动脉局部狭窄特征进行测量。
另外,在本公开第一方面所涉及的测量方法中,可选地,若对所述小动脉普遍狭窄特征进行测量,则获取所述动静脉分割结果中所述第三区域内的动脉血管段和静脉血管段,基于所述动脉血管段、所述静脉血管段和预设公式获得动静脉血管管径比值以测量所述小动脉普遍狭窄特征,所述预设公式为Knudtson的修正公式。由此,能够基于第三区域内的动脉血管段和静脉血管段对小动脉普遍狭窄特征进行测量。
另外,在本公开第一方面所涉及的测量方法中,可选地,在测量所述动静脉交叉压迹特征时,对所述动脉分割结果进行膨胀以使膨胀后的所述动脉分割结果与所述静脉分割结果相交以确定所述动静脉交叉位置。由此,能够更准确的获取动静脉交叉位置。
另外,在本公开第一方面所涉及的测量方法中,可选地,若所述动静脉分割结果中所述静脉分割结果在所述动静脉交叉位置不连续,则每侧的所述近端为所述静脉分割结果的所述第一血管骨架上与所述动静脉交叉位置的距离最近的骨架像素点,若所述动静脉分割结果中所述静脉分割结果在所述动静脉交叉位置连续,则每侧的所述近端为所述动静脉交叉位置;每侧的所述远端为所述静脉分割结果的所述第一血管骨架上与所述动静脉交叉位置的距离为第一预设距离的骨架像素点。由此,能够基于动静脉交叉位置确定静脉分割结果的两侧的近段和远端。
另外,在本公开第一方面所涉及的测量方法中,可选地,所述第一预设距离为最大血管管径的2至4倍,所述第一预设数量为3。由此,能够获取第一预设距离和第一预设数量。
另外,在本公开第一方面所涉及的测量方法中,可选地,所述第二预设数量为2,v1为1,v2为2,v3为3,所述预设血管管径为50μm。由此,能够获取第二预设数量、第一预设倍数、第二预设倍数、第三预设倍数和预设血管管径。
另外,在本公开第一方面所涉及的测量方法中,可选地,测量血管管径包括将所述动静脉分割结果按照预设倍数进行分辨率增强以生成增强动静脉分割结果;提取所述增强动静脉分割结果中的血管骨架并对所述血管骨架进行拟合以获取连续血管骨架和第三测量像素点的管径测量方向,所述第三测量像素点为所述连续血管骨架上的多个像素点,所述管径测量方向垂直于所述连续血管骨架在所述第三测量像素点的切线;利用插值算法并基于所述增强动静脉分割结果、所述第三测量像素点、所述第三测量像素点的管径测量方向和预设精度生成所述第三测量像素点对应的血管轮廓;基于所述第三测量像素点对应的所述血管轮廓中的血管像素点的个数、所述预设倍数和所述预设精度计算所述第三测量像素点对应的血管管径,所述第三测量像素点对应的血管管径l满足:l=n×s/e,其中,n为所述第三测量像素点对应的所述血管轮廓中的血管像素点的个数,s为所述预设精度,e为所述预设倍数。在这种情况下,能够增加眼底图像中的血管的分辨率并利用更多的像素点对血管管径进行测量。由此,能够对血管管径进行自动超分辨率测量并提高血管管径的测量准确度。
另外,在本公开第一方面所涉及的测量方法中,可选地,所述权重被调整为零。在这种情况,可以排除仅标记走向的小血管标记结果及其附近区域对损失函数的贡献。由此,能够避免对动静脉分割而言精度较低的小血管标记结果对动静脉分割模型的影响。
本公开第二方面提供了一种高血压性视网膜病变的病变特征的测量方法,包括:获取模块,其用于获取眼底图像;分区模块,其用于接收所述眼底图像,对所述眼底图像的视盘区域进行识别并基于所述视盘区域将所述眼底图像至少分成包括第一区域、第二区域和第三区域的三个区域;分割模块,其利用基于训练眼底图像和动静脉血管标记结果进行训练的且基于深度学习的动静脉分割模型对所述眼底图像进行动脉和静脉分割以获取动静脉分割结果,其中,所述动静脉分割结果包括动脉分割结果和静脉分割结果;以及测量模块,其基于所述三个区域和所述动静脉分割结果对所述眼底图像中的高血压性视网膜病变的所述病变特征进行测量,所述病变特征包括动静脉交叉压迹特征、小动脉局部狭窄特征和小动脉普遍狭窄特征中的至少一种,所述动静脉血管标记结果包括通过对所述训练眼底图像中血管管径大于预设血管管径的血管的边界进行标记而形成的动脉标记结果和静脉标记结果以及对不大于预设血管管径的血管的走向进行标记而形成的小血管标记结果,计算损失函数时,基于所述小血管标记结果调整所述小血管标记结果对应的区域的权重。在这种情况下,基于视盘区域对眼底图像进行分区以获取三个区域,并利用基于深度学习的动静脉分割模型对眼底图像进行动脉和静脉分割以获取动静脉分割结果,基于三个区域和动静脉分割结果对眼底图像中的高血压性视网膜病变的病变特征进行自动测量。由此,能够高效且客观地对高血压性视网膜病变的病变特征进行测量。
根据本公开,提供一种能够高效且客观地对高血压性视网膜病变的病变特征进行测量的高血压性视网膜病变的病变特征的测量方法及测量***。
附图说明
现在将仅通过参考附图的例子进一步详细地解释本公开,其中:
图1是示出了本公开示例所涉及的高血压性视网膜病变的病变特征的测量方法的应用场景的示意图。
图2是示出了本公开示例所涉及的高血压性视网膜病变的病变特征的测量方法的流程图。
图3是示出了本公开示例所涉及的眼底图像的示意图。
图4是示出了本公开示例所涉及的视盘区域的示意图。
图5是示出了本公开示例所涉及的眼底图像的三个区域的示意图。
图6是示出了本公开示例所涉及的基于深度学习的动静脉分割模型的训练方法的流程图。
图7(a)是示出了本公开示例所涉及的动静脉血管标记结果的示意图。
图7(b)是示出了本公开示例所涉及的动静脉血管标记结果的局部的示意图。
图8是示出了本公开示例所涉及的动静脉分割结果的示意图。
图9是示出了本公开示例所涉及的测量动静脉交叉压迹特征的流程图。
图10是示出了本公开示例所涉及的测量小动脉局部狭窄特征的流程图。
图11是示出了本公开示例所涉及的测量血管管径的流程图。
图12是示出了本公开示例所涉及的管径测量方向的示意图。
图13是示出了本公开示例所涉及的血管轮廓生成的流程图。
图14是示出了本公开示例所涉及的拉直血管图像的示意图。
图15是示出了本公开示例所涉及的高血压性视网膜病变的病变特征的测量***的框图。
主要标号说明:
100…应用场景,110…操作员,120…终端,130…采集设备,140…人眼,150…服务器,A…血管,B…视盘区域,C1…第一区域,C2…第二区域,C3…第三区域,D1…第一圆,D2…第二圆,D3…第三圆,E1…动脉标记结果,E2…静脉标记结果,E3…小血管标记结果,F1…动脉分割结果,F2…静脉分割结果,G1…第三测量像素点,L1…连续血管骨架,L2…切线,L3…管径测量方向,A'…拉直血管,200…测量***,210…获取模块,220…分割模块,230…测量模块。
具体实施方式
以下,参考附图,详细地说明本公开的优选实施方式。在下面的说明中,对于相同的部件赋予相同的符号,省略重复的说明。另外,附图只是示意性的图,部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。需要说明的是,本公开中的术语“包括”和“具有”以及它们的任何变形,例如所包括或所具有的一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本公开所描述的所有方法可以以任何合适的顺序执行,除非在此另有指示或者与上下文明显矛盾。
图1是示出了本公开示例所涉及的高血压性视网膜病变的病变特征的测量方法的应用场景的示意图。在一些示例中,本公开涉及的高血压性视网膜病变的病变特征的测量方法(有时可以简称为测量方法)可以应用于如图1所示的应用场景100中。在应用场景100中,操作员110可以通过控制连接在终端120上的采集设备130,以采集人眼140的眼底图像。在采集设备130完成眼底图像采集后,终端120可以将眼底图像通过计算机网络提交至服务器150。服务器150通过执行计算机程序指令以实现测量方法,该测量方法可以获得眼底图像中的高血压性视网膜病变的病变特征(稍后描述,有时可以简称为病变特征)并返回给终端120。在一些示例中,终端120可以显示是否存在病变特征。在另一些示例中,病变特征可以作为中间结果存储在终端120或者服务器150的存储器中。
在一些示例中,操作员110可以是具有对眼底图像中的病变特征进行测量的专业知识的医师。在另一些示例中,操作员110可以是熟悉如何通过操作终端120自动对病变特征进行测量的普通人员。终端120可以包括但不限于是笔记本电脑、平板电脑或台式机等。在一些示例中,终端120可以是包括处理器、存储器、显示屏和采集设备130的对病变特征进行测量的专用设备。采集设备130可以包括但不限于是相机等。相机例如可以是彩色眼底相机。在一些示例中,采集设备130可以通过串口与终端120相连接或者集成在终端120中。
在一些示例中,人眼140的眼底是指眼球内后部的组织,可以包括眼球的内膜、视网膜、黄斑和血管(视网膜动静脉)。在一些示例中,可以通过监测人眼140的眼底的血管变化对病变特征进行识别。在一些示例中,服务器150可以包括一个或多个处理器和一个或多个存储器。其中,处理器可以包括中央处理单元、图形处理单元以及能够处理数据的其它任何电子部件,能够执行计算机程序指令。存储器可以用于存储计算机程序指令。在一些示例中,可以通过执行存储器中的计算机程序指令以实现测量方法。在一些示例中,服务器150也可以是云端服务器。
图2是示出了本公开示例所涉及的高血压性视网膜病变的病变特征的测量方法的流程图。图3是示出了本公开示例所涉及的眼底图像的示意图。在一些示例中,如图2所示,测量方法可以包括获取眼底图像(步骤S110),对眼底图像进行分区以获取至少三个区域(步骤S120),对眼底图像进行动静脉分割以获取动静脉分割结果(步骤S130)和基于三个区域和动静脉分割结果对眼底图像中的病变特征进行测量(步骤S140)。在这种情况下,能够对眼底图像中的高血压性视网膜病变的病变特征进行自动测量。由此,能够高效且客观地对高血压性视网膜病变的病变特征进行测量。
在一些示例中,在步骤S110中,可以获取眼底图像。在一些示例中,眼底图像可以为彩色的眼底图像。彩色的眼底图像能够清晰的呈现眼球的内膜、视网膜、黄斑和血管(视网膜动静脉)等眼底信息。在另一些示例中,眼底图像可以为灰度图像。在一些示例中,眼底图像可以为由采集设备130采集的眼底图像。作为眼底图像的示例,例如图3示出了由眼底相机拍摄的眼底图像,其中,眼底图像可以包括血管A。血管A可以包括动脉和静脉(未图示)。
在一些示例中,在步骤S110中,可以对眼底图像进行预处理。一般而言,由于眼底图像可能存在图像格式、尺寸不同等问题,对眼底图像进行预处理,能够使眼底图像转换为固定标准形式的图像。固定标准形式可以指图像的格式相同,尺寸一致。例如,在一些示例中,眼底图像经过预处理后的尺寸可以统一宽度为512或1024像素。
图4是示出了本公开示例所涉及的视盘区域B的示意图。在一些示例中,在步骤S120中,可以对眼底图像进行分区以获取至少三个区域。在一些示例中,可以对眼底图像的视盘区域B(参见图4)进行识别。在一些示例中,可以利用图像分割算法对眼底图像的视盘区域B进行分割以定位视盘区域B。在一些示例中,可以利用深度学习图像分割模型(例如U-Net模型)对眼底图像进行分割以定位视盘区域B。作为视盘区域B的示例,例如图4示出了利用U-Net模型定位的视盘区域B的示意图。但本公开的示例不限于此,在另一些示例中,图像分割算法还可以是主动轮廓、Grabcut(图割)或阈值分割法等。
图5是示出了本公开示例所涉及的眼底图像的三个区域的示意图。
在一些示例中,可以基于视盘区域B将眼底图像至少分成三个区域。如图5所示,在一些示例中,三个区域可以包括第一区域C1、第二区域C2和第三区域C3。由此,能够基于视盘区域B获取三个区域。
在一些示例中,第一区域C1可以为以视盘区域B的外接圆的圆心为中心和外接圆的直径的第一预设倍数为直径形成的第一圆D1的区域。在一些示例中,可以用v1表示第一预设倍数。在一些示例中,v1可以为1。在一些示例中,第二区域C2可以为第一区域C1边缘到以外接圆的圆心为中心和外接圆的直径的第二预设倍数为直径形成的第二圆D2之间的区域。在一些示例中,可以用v2表示第二预设倍数。在一些示例中,v2可以为2。在一些示例中,第三区域C3可以为第二区域C2边缘到以外接圆的圆心为中心和外接圆的直径的第三预设倍数为直径形成的第三圆D3之间的区域。在一些示例中,可以用v3表示第三预设倍数。在一些示例中,v3可以为3。在一些示例中,可以令v1<v2<v3。在另一些示例中,可以根据实际的需要,按其他方式对眼底图像进行分区。例如可以将第一区域C1和第二区域C2合并成一个区域并且第三区域C3作为另外一个区域。
在一些示例中,在步骤S130中,可以对眼底图像进行动静脉分割以获取动静脉分割结果。由此,能够识别动脉和静脉区域,从而去除动脉和静脉以外的其他结构的影响。
在一些示例中,可以对眼底图像中的动脉和静脉进行分割以直接获得动脉分割结果和静脉分割结果(也即动静脉分割结果)。在一些示例中,可以利用训练眼底图像及其动静脉血管标记结果作为训练集对基于深度学习的动静脉分割模型进行训练以对步骤S110中的眼底图像进行动静脉分割。以下结合附图详细说明基于深度学习的动静脉分割模型的训练方法。图6是示出了本公开示例所涉及的基于深度学习的动静脉分割模型的训练方法的流程图。
如图6所示,在一些示例中,动静脉分割模型的训练方法可以包括获取训练眼底图像和动静脉血管标记结果(步骤S121),对训练眼底图像和动静脉血管标记结果进行预处理以获取预处理眼底图像和预处理动静脉血管标记结果(步骤S122)和基于预处理眼底图像和预处理动静脉血管标记结果对动静脉分割模型进行训练以获取最优模型(步骤S123)。在这种情况下,基于深度学习的动静脉分割模型可以自动学习动脉和静脉特征并输出动静脉分割结果。
图7(a)是示出了本公开示例所涉及的动静脉血管标记结果的示意图。图7(b)是示出了本公开示例所涉及的动静脉血管标记结果的局部的示意图。在一些示例中,在步骤S121中,训练眼底图像可以是拍摄眼底获得的眼底图像。在一些示例中,可以对训练眼底图像进行标注以获取训练眼底图像的动静脉血管标记结果。在一些示例中,动静脉血管标记结果可以包括动脉标记结果和静脉标记结果(未图示)。
在一些示例中,动静脉血管标记结果可以是通过对训练眼底图像中血管进行标记而形成的。在一些示例中,动静脉血管标记结果可以是通过对训练眼底图像中的血管的边界进行标记而形成的。在一些示例中,动静脉血管标记结果可以是通过对训练眼底图像中的全部的血管的边界进行标记而形成的。
在一些示例中,动静脉血管标记结果可以是通过对训练眼底图像中的部分的血管的边界进行标记而形成的。一般而言,由于血管特征的相似性,若仅对大于预设血管管径的血管的边界进行标记,会导致非动静脉区域(即背景)和小于预设血管管径的血管(简称小血管)被混淆在一起。由于小于预设血管管径的血管和大于预设血管管径的血管的高度相似性,因此仅标记大于预设管径的血管会严重影响动静脉分割的准确性。所以有必要对小血管进行标记,后续可以通过调整权重的方法控制该区域对损失函数的贡献以提高动静脉分割的准确性。在一些示例中,预设血管管径可以为50μm。
具体地,可以对训练眼底图像中血管管径大于预设血管管径的血管的边界进行标记而形成动脉标记结果和静脉标记结果,并对小血管的走向进行标记而形成小血管标记结果,也即动静脉血管标记结果可以包括大于预设血管管径的动脉标记结果E1、大于预设血管管径的静脉标记结果E2和小血管标记结果E3(参见图7)。在计算损失函数时,可以基于小血管标记结果调整小血管标记结果对应的区域的权重。在这种情况下,相比于精确的标记小血管的边界,只标记小血管的走向可以降低标记难度以及标记工作量,从而降低标记成本。在训练动静脉分割模型时通过调整小血管标记结果对应的区域的权重可以控制仅标记走向的小血管标记结果对损失函数的贡献,进而提高动静脉分割的准确性。
在一些示例中,小血管的走向可以为精度较低的血管边界,可以用于估计小血管对应的区域。在一些示例中,小血管的走向可以为顺着小血管走向的任意曲线。在一些示例中,计算损失函数时,可以将小血管标记结果对应的区域的权重调整为0。在这种情况,可以排除仅标记走向的小血管标记结果对损失函数的贡献。由此,能够避免对动静脉分割而言精度较低的小血管标记结果对动静脉分割模型的影响。需要注意的是,虽然针对大于预设血管管径的血管进行训练,但由于血管特征的相似性,仍可以准确地分割出部分小血管。在一些示例中,小血管标记结果对应的区域可以是小血管标记结果对应的眼底区域及其膨胀区域。
在一些示例中,可以由经验丰富的医师利用标记工具对训练眼底图像进行标记以生成动静脉血管标记结果。作为动静脉血管标记结果的示例,例如图7(a)示出了对训练眼底图像进行标记后生成的动静脉血管标记结果。其中,动静脉血管标记结果可以包括动脉标记结果E1和静脉标记结果E2和小血管标记结果E3。为了更清楚地展示动静脉血管标记结果,图7(b)示出了局部的动静脉血管标记结果。在一些示例中,动静脉血管标记结果还可以包括背景区域(未图示)。
在一些示例中,在步骤S122中,可以对训练眼底图像进行预处理以生成预处理眼底图像。在一些示例中,对训练眼底图像进行预处理可以包括对训练眼底图像进行裁切、降噪、灰度化等。由此,能够突显训练眼底图像中的血管。在一些示例中,可以对动静脉血管标记结果进行预处理以生成预处理动静脉血管标记结果。在一些示例中,对动静脉血管标记结果进行预处理与对训练眼底图像进行预处理的方式可以一样。
在一些示例中,在步骤S123中,预处理动静脉血管标记结果可以作为真值计算损失函数,并通过损失函数不断地对动静脉分割模型进行优化直至损失函数的值(也即损失)收敛达到最优从而获得最优模型。在一些示例中,最优模型可以输出预处理眼底图像中的各个像素点属于动脉、静脉或背景的概率,由此,能够识别出与预处理动静脉血管标记结果相匹配的动脉的区域和静脉的区域,进而直接获得动脉分割结果和静脉分割结果(也即动静脉分割结果)。由此,能够利用动静脉分割模型直接获得动静脉分割结果。在一些示例中,动静脉分割模型可以是U-Net模型。
图8是示出了本公开示例所涉及的动静脉分割结果的示意图。在一些示例中,可以将步骤S110获取的眼底图像输入通过上述训练方法获得的最优模型以对眼底图像进行动静脉分割,进而生成动静脉分割结果。作为动静脉分割结果的示例,例如图8示出了对眼底图像进行动静脉分割生成的动静脉分割结果。其中,动静脉分割结果可以包括动脉分割结果F1和静脉分割结果F2。在一些示例中,动静脉分割结果可以是三值图像。在一些示例中,三值图像可以包括三种灰度值,分别表示动脉、静脉和背景。
但本公开的示例不限于此,在另外一些示例中,可以先对眼底图像进行血管分割获取血管分割结果(也即先不区分动脉和静脉),再基于血管分割结果对动脉和静脉进行分类以获取动脉分割结果F1和静脉分割结果F2。
在一些示例中,在测量方法的步骤S140中,基于三个区域和动静脉分割结果可以对眼底图像中的高血压性视网膜病变的病变特征进行测量。在一些示例中,病变特征可以包括动静脉交叉压迹特征、小动脉局部狭窄特征和小动脉普遍狭窄特征中的至少一种。例如病变特征可以为动静脉交叉压迹特征、小动脉局部狭窄特征或小动脉普遍狭窄特征中的一种。例如病变特征可以为动静脉交叉压迹特征和小动脉局部狭窄特征、动静脉交叉压迹特征和小动脉普遍狭窄特征、小动脉局部狭窄特征和小动脉普遍狭窄特征等。在一些示例中,病变特征可以为动静脉交叉压迹特征、小动脉局部狭窄特征和小动脉普遍狭窄特征。
如上所述,虽然针对大于预设血管管径的血管进行训练,但由于血管特征的相似性,仍可以分割出小血管。在一些示例中,可以筛选出动静脉分割结果中大于预设血管管径的血管用于病变特征的测量。但本公开的示例不限于此,在另一些示例中,也可以不筛选,直接用于病变特征的测量。由此,能够进一步地提高病变特征测量的准确率。
图9是示出了本公开示例所涉及的测量动静脉交叉压迹特征的流程图。如图9所示,在一些示例中,测量动静脉交叉压迹特征可以包括对动静脉分割结果中的血管进行细化以获取第一血管骨架(步骤S1411),获取动静脉交叉位置(步骤S1412),获取动静脉交叉位置两侧的近端和远端的血管管径的比值(步骤S1413)和基于比值测量动静脉交叉压迹特征(步骤S1414)。
在一些示例中,在步骤S1411中,可以对动静脉分割结果中的血管进行细化以获取第一血管骨架。一般而言,第一区域C1和第二区域C2中的神经纤维致密,容易显得动静脉交叉位置的血管狭窄,不属于测量动静脉交叉压迹特征的范畴。在这种情况下,可以对除第一区域C1和第二区域C2两个区域以外的眼底区域的动静脉分割结果进行细化以获取第一血管骨架。在一些示例中,第一血管骨架可以包括作为第一测量像素点的多个骨架像素点。眼底区域可以是眼球轮廓内的区域。在一些示例中,可以采用形态学细化算法对动静脉动静脉分割结果进行细化。在一些示例中,形态学细化算法可以包括但不限于Hilditch细化算法、Pavlidis细化算法或Rosenfeld细化算法等。
在一些示例中,在步骤S1412中,可以获取动静脉交叉位置。在一些示例中,可以获取第一血管骨架的各个第一测量像素点的预设范围内的骨架像素点的数量并作为第一相邻点数量。在一些示例中,可以获取第一相邻点数量大于第一预设数量的第一测量像素点并作为交叉点。在一些示例中,可以将动静脉分割结果中与交叉点对应的像素点作为动静脉交叉位置。在一些示例中,预设范围内可以是第一测量像素点周围的八个邻域。在一些示例中,第一预设数量可以为3。
由于静脉分割结果F2可能在动静脉交叉位置不连续,一般表现为动脉分割结果F1和静脉分割结果F2在动静脉交叉位置不相交,导致部分动静脉交叉位置无法直接通过步骤S1411和步骤S1412获得。在一些示例中,可以对动脉分割结果F1进行膨胀以使膨胀后的动脉分割结果F1与静脉分割结果F2相交以确定动静脉交叉位置。具体地,可以对相交的膨胀后的动脉分割结果F1与静脉分割结果F2进行细化以获取血管骨架,并基于该血管骨架确定动静脉交叉位置。具体内容参照步骤S1411和步骤S1412中基于第一血管骨架获取动静脉交叉位置的相关描述。由此,能够获取更准确的动静脉交叉位置。
在一些示例中,最大血管管径可以是预估的最大血管管径。在一些示例中,预估的最大血管管径可以为第一血管骨架上的骨架像素点与其最近的非血管像素的距离中的最大距离的2倍。其中距离可以是欧几里德距离。具体地,计算每个骨架像素点与其最近的非血管像素的欧几里德距离,选择最大欧几里德距离的2倍作为预估的最大血管管径。但本公开的示例不限于此,在另一些示例中,可以使用其他方式估算最大血管管径。
在一些示例中,在步骤S1413中,可以计算动静脉分割结果中静脉分割结果F2在动静脉交叉位置两侧的近端和远端的血管管径的比值。在一些示例中,动静脉交叉位置两侧的近端和远端可以是动静脉分割结果中沿着静脉分割结果F2的延伸方向并位于动静脉交叉位置两侧的每侧的近端和远端。
在一些示例中,若动静脉分割结果中静脉分割结果F2在动静脉交叉位置不连续,则每侧的近端可以为静脉分割结果F2的第一血管骨架上与动静脉交叉位置的距离最近的骨架像素点。在一些示例中,若动静脉分割结果中静脉分割结果F2在动静脉交叉位置连续,则每侧的近端可以为动静脉交叉位置。在一些示例中,每侧的远端可以为静脉分割结果F2的第一血管骨架上与动静脉交叉位置的距离为第一预设距离的骨架像素点。由此,能够基于动静脉交叉位置确定静脉分割结果的两侧的近段和远端。在一些示例中,第一预设距离可以为最大血管管径的2至4倍。在一些示例中,第一预设距离可以为最大血管管径的3倍。
在一些示例中,在步骤S1413中,可以以动静脉交叉位置为圆心,以最大血管管径的4至6倍为半径对动静脉分割结果进行截取。由此,能够方便地显示各个动静脉交叉位置附近的动脉分割结果F1和静脉分割结果F2。
在一些示例中,在步骤S1414中,可以基于比值测量动静脉交叉压迹特征。在一些示例中,若两侧的比值均不大于1/2,则表示存在动静脉交叉压迹特征。在一些示例中,若仅有一侧的比值不大于1/2,则表示存在疑似动静脉交叉压迹特征。在一些示例中,若两侧的比值均大于1/2,则表示不存在动静脉交叉压迹特征。
图10是示出了本公开示例所涉及的测量小动脉局部狭窄特征的流程图。如上所述,病变特征可以包括小动脉局部狭窄特征。如图10所示,在一些示例中,测量小动脉局部狭窄特征可以包括对动脉分割结果进行细化以获取第二血管骨架(步骤S1421),获取第二相邻点数量(步骤S1422),基于第二相邻点数量对第二测量像素点进行删除以获得多个血管段(步骤S1423),获取各个血管段的最小的血管管径和最大的血管管径的比值(步骤S1424)和基于比值测量小动脉局部狭窄特征(步骤S1425)。
在一些示例中,在步骤S1421中,可以对血管管径大于预设血管管径的动脉分割结果F1进行细化以获取第二血管骨架。关于细化处理的相关描述参见步骤S1411中的相关描述。在一些示例中,第二血管骨架可以包括作为第二测量像素点的多个骨架像素点。在一些示例中,预设血管管径可以为50μm。
在一些示例中,在步骤S1422中,可以将各个第二测量像素点的预设范围内的骨架像素点的数量作为第二相邻点数量。在一些示例中,预设范围内可以是第二测量像素点周围的八个邻域。
在一些示例中,在步骤S1423中,可以对第二相邻点数量大于第二预设数量的第二测量像素点进行删除以获得多个血管段。在一些示例中,第二预设数量可以为2。
在一些示例中,在步骤S1424中,可以计算各个血管段在各个骨架像素点上的血管管径,获取各个血管段的最小的血管管径wmin和最大的血管管径wmax的比值。在一些示例中,在步骤S1425中,可以基于比值测量小动脉局部狭窄特征。在一些示例中,若wmin/wmax≥2/3,则不存在动脉局部狭窄特征,否则存在动脉局部狭窄特征。
如上所述,病变特征可以包括小动脉普遍狭窄特征。在一些示例中,在对小动脉普遍狭窄特征进行测量时,可以获取动静脉分割结果中第三区域C3内的动脉血管段和静脉血管段。在一些示例中,可以基于动脉血管段、静脉血管段和预设公式获得动静脉血管管径比值(arteriole-to-venule ratio,AVR)。在一些示例中,可以基于动静脉血管管径比值测量小动脉普遍狭窄特征。由此,能够基于第三区域C3内的动脉血管段和静脉血管段对小动脉普遍狭窄特征进行测量。在一些示例中,动静脉血管管径比值可以是中央视网膜动脉等效直径(central retinal artery equivalent,CRAE)和中央视网膜静脉等效直径(centralretinal vein equivalent,CRVE)的比值。
在一些示例中,预设公式可以为Knudtson的修正公式。由此,能够基于Knudtson的修正公式对小动脉普遍狭窄特征进行测量。具体地,以Knudtson的修正公式为例,介绍对小动脉普遍狭窄特征进行测量的过程。一般而言,第三区域C3内的动脉血管段和静脉血管段是独立的血管段。在一些示例中,若存在分叉的血管段,可以参见上述测量小动脉局部狭窄特征中关于获取血管段的相关描述。
在一些示例中,中央视网膜动脉等效直径CRAE可以由第三区域C3内的动脉血管段的血管管径通过迭代的方式得到。在计算时,可以将血管管径最大的动脉血管段与血管管径最小的动脉血管段进行配对,血管管径第二大的动脉血管段与血管管径第二小的动脉血管段进行配对,以此类推,并可以按照式(1)进行迭代以计算中央视网膜动脉等效直径CRAE:其中,w1为较小的血管管径,w2为较大的血管管径。由此产生的多个中间值w继续作为血管管径并按照上述的方式进行迭代,直至只剩一个中间值w并将该中间值w作为中央视网膜动脉等效直径CRAE。在一些示例中,若动脉血管段的条数为奇数,那么可以将单独的一条动脉血管段的血管管径留到下一轮进行迭代。
在一些示例中,可以基于静脉血管段并按照式(2)进行迭代以计算中央视网膜静脉等效直径CRVE:其中,x1为较小的血管管径,x2为较大的血管管径,x为产生的中间值。具体内容参见计算中央视网膜动脉等效直径CRAE的相关描述。
通过上述步骤可以获得中央视网膜动脉等效直径CRAE和中央视网膜静脉等效直径CRVE,则动静脉血管管径比值AVR的公式可以如式(3):AVR=CRAE/CRVE(3)。在一些示例中,若AVR小于2/3,则存在小动脉普遍狭窄特征,否则不存在小动脉普遍狭窄特征。
图11是示出了本公开示例所涉及的测量血管管径的流程图。
在一些示例中,如图11所示,测量上述的血管管径可以包括增强分辨率(步骤S210),获取连续血管骨架和管径测量方向(步骤S220),生成血管轮廓(步骤S230)和计算血管管径(步骤S240)。在这种情况下,能够增加眼底图像中的血管的分辨率并利用更多的像素点对血管管径进行测量。由此,能够对血管管径进行自动超分辨率测量并提高血管管径的测量准确度。
一般而言,对眼底图像中血管管径测量的宽度(也即像素点个数)为正整数,例如测量宽度可以为1、3、6或8等。而基于分辨率增强和预设精度的超分辨率技术可以进行血管管径的亚像素级别的测量,从而使测量宽度可以为小数,例如测量宽度可以为1.23、3.12、5.63或7.56等。由此,能够更加准确地对血管管径进行测量。
在一些示例中,在步骤S210中,动静脉分割结果可以是二值图像,如上所述,动静脉分割结果可以是三值图像。在一些示例中,可以按是否是血管像素点将动静脉分割结果转成二值图像以用于血管管径测量,其中,血管像素点为白色,非血管像素点为黑色。但本公开的示例不限于此,在另一些示例中,也可以直接用三值图像对血管管径进行测量。在一些示例中,可以按照预设倍数将动静脉分割结果进行分辨率增强以生成增强动静脉分割结果。例如,在一些示例中,可以对分辨率大小为140×63的动静脉分割结果进行10倍分辨率增强,以生成分辨率大小为1400×630的增强动静脉分割结果。
另外,在一些示例中,可以利用线性插值方法对动静脉分割结果进行分辨率增强。但本公开的示例不限于此,在另一些示例中,可利用基于深度学习的图像超分辨率方法对动静脉分割结果进行分辨率增强。另外,在一些示例中,预设倍数可以为大于1的整数。由此,能够增加眼底图像中血管的分辨率,进而能够提高后续对血管管径进行测量的测量准确度。在一些示例中,预设倍数可以为5至15。例如,预设倍数可以为5、10或15等。
在一些示例中,在步骤S220中,在获取步骤S210生成的增强动静脉分割结果后,可以提取增强动静脉分割结果中的血管骨架(也可以称为血管中心线)。血管骨架可以为血管的中线。在一些示例中,血管骨架是由离散的像素点组成。在一些示例中,在步骤S220中,可以采用形态学细化算法对增强动静脉分割结果进行细化以提取血管骨架。也即将增强动静脉分割结果中血管宽度向血管中心方向细化成一个像素的宽度,形成血管骨架,并保持增强动静脉分割结果中的血管形状的基本拓扑结构不变。在一些示例中,对增强动静脉分割结果进行血管骨架提取前可以对增强动静脉分割结果进行中值滤波运算。由此,能够去除血管骨架末端可能出现的分叉。在一些示例中,可以对血管骨架进行拟合以获取连续血管骨架。在一些示例中,可以使用最小二乘三次样条插值算法对血管骨架进行拟合。由此,能够获得连续血管骨架和拟合方程。
图12是示出了本公开示例所涉及的管径测量方向的示意图。
另外,在一些示例中,在步骤S220中,第三测量像素点可以为连续血管骨架上的多个像素点。在一些示例中,管径测量方向可以垂直于连续血管骨架在第三测量像素点的切线。在一些示例中,可以通过上述拟合方程的一阶导数获取第三测量像素点的切线。如图12所示,血管A的连续血管骨架L1在第三测量像素点G1的切线可以为切线L2。经过第三测量像素点G1并垂直于切线L2的直线可以为管径测量方向L3。
在一些示例中,在步骤S230中,可以基于步骤S210获得的增强动静脉分割结果、步骤S220获得的第三测量像素点、步骤S220获得的第三测量像素点的管径测量方向和预设精度生成第三测量像素点对应的血管轮廓。在一些示例中,可以利用插值算法并基于增强动静脉分割结果、第三测量像素点、第三测量像素点的管径测量方向和预设精度,对增强动静脉分割结果进行插值操作以生成第三测量像素点对应的血管轮廓。由此,能够基于预设精度对增强血管图像进行插值操作以获取血管轮廓。在一些示例中,插值算法可以为三次样条插值算法。由此,能够利用三次样条插值算法对增强动静脉分割结果进行插值操作。另外,在一些示例中,预设精度可以为大于0且小于1的小数。由此,能够增加眼底图像中的血管的分辨率,进而能够提高后续对血管管径进行测量的测量准确度。在一些示例中,预设精度可以为0.01至0.10。例如,预设精度可以为0.01、0.05或0.10等。
以下,结合附图详细说明血管轮廓的生成过程。图13是示出了本公开示例所涉及的血管轮廓生成的流程图。如图13示,在一些示例中,步骤S230中血管轮廓的生成过程可以包括获取血管轮廓的宽度(步骤S231),获取插值采样间隔(步骤S232),生成插值点(步骤S233),对动静脉分割结果进行插值操作以确定血管轮廓的像素值(步骤S234)和基于血管轮廓的像素值生成血管轮廓(步骤S235)。
在一些示例中,在步骤S231中,血管轮廓的宽度可以为最大血管管径的N倍。其中,N可以为2到5之间的整数。在一些示例中,血管轮廓的宽度可以为最大血管管径的2倍。在一些示例中,最大血管管径可以是预估的最大血管管径,具体内容可以参见步骤S1413关于最大血管管径的相关描述。由此,能够使增强动静脉分割结果中最宽的血管完整地呈现在血管轮廓中。
在一些示例中,在步骤S232中,基于血管轮廓的宽度、预设精度可以获取插值采样间隔。具体地,假设血管轮廓的宽度可以用wi表示,预设精度可以用s表示。则插值采样间隔的值可以为在-(wi-1)/2至(wi-1)/2之间,以预设精度s为步长递增的值。例如插值采样间隔的值可以为-(wi-1)/2、(wi-1)/2+s、(wi-1)/2+2×s或(wi-1)/2等。
在一些示例中,在步骤S233中,可以基于步骤S232获得的插值采样间隔、管径测量方向和连续血管骨架生成插值点。具体地,假设插值采样间隔用inc表示、管径测量方向可以用(dx,dy)表示,连续血管骨架可以用(x,y)表示。则插值点可以表示为(x+dx×inc,y+dy×inc)。在这种情况下,生成的插值点沿着管径测量方向分布。由此,能够增加管径测量方向附近的像素点个数,进而能够提高血管管径的测量准确度。
在一些示例中,在步骤S234中,在一些示例中,可以使用插值算法,基于步骤S233获得的插值点对动静脉分割结果进行插值操作以确定血管轮廓的像素值。在一些示例中,插值算法可以为三次样条插值算法。由此,能够利用三次样条插值算法对增强动静脉分割结果进行插值操作。
图14是示出了本公开示例所涉及的拉直血管图像的示意图。
在一些示例中,在步骤S235中,在一些示例中,可以基于血管轮廓的像素值输出各个第三测量像素点对应的血管轮廓。在一些示例中,各个第三测量像素点对应的血管轮廓可以按照第三测量像素点在连续血管骨架上的排列顺序以中心共直线的方式并排以形成拉直血管图像。作为拉直血管图像的示例,图14示出了拉直血管图像。其中,拉直血管A'为拉直后的血管。由此,能够方便地获取各个第三测量像素点对应的血管轮廓。
在一些示例中,在测量血管管径的步骤S240中,可以基于第三测量像素点对应的血管轮廓中的血管像素点的个数、预设倍数和预设精度计算第三测量像素点对应的血管管径。其中,第三测量像素点对应的血管轮廓可以由步骤S230获得。在一些示例中,第三测量像素点对应的血管轮廓中的血管像素点的个数n可以通过以下公式计算:n=card({p:p∈P,f(p)>T}),其中,p为第三测量像素点,f(p)为第三测量像素点p对应的像素值,T为预设的阈值参数,P为第三测量像素点p对应的血管轮廓中的像素点集合,card表示集合的基数。由此,能够计算第三测量像素点对应的血管轮廓中的血管像素点的个数。在一些示例中,T可以为0.9。由此,能够区分第三测量像素点对应的血管轮廓中的血管像素点和非血管像素点。在一些示例中,第三测量像素点对应的血管管径l可以满足:l=n×s/e,其中,n为第三测量像素点对应的血管轮廓中的血管像素点的个数,s为预设精度,e为预设倍数。由此,能够计算血管管径。
如上所述,预设倍数可以为大于1的整数。预设精度可以为大于0且小于1的小数。在一些示例中,可以利用不同的预设倍数e和预设精度s对同一段血管的血管管径进行测量以获取准确度较高的血管管径的测量结果。在一些示例中,对同一段血管进行测量的结果如表1所示,其中,均值为血管管径的平均值,标准差为血管管径的标准差。
表1血管管径测量结果对比的部分结果
测量参数 | 均值 | 标准差 |
人工标注 | 6.4094 | 0.421 |
e=1,s=1 | 5.9365 | 0.7319 |
e=5,s=0.5 | 6.4457 | 0.4737 |
e=5,s=0.1 | 6.435 | 0.4723 |
e=5,s=0.05 | 6.4341 | 0.4707 |
e=5,s=0.01 | 6.4345 | 0.471 |
e=10,s=0.5 | 6.5142 | 0.4799 |
e=10,s=0.1 | 6.5078 | 0.4791 |
e=10,s=0.05 | 6.5069 | 0.4787 |
e=10,s=0.01 | 6.507 | 0.4788 |
e=15,s=0.5 | 6.5341 | 0.4757 |
e=15,s=0.1 | 6.5293 | 0.4757 |
e=15,s=0.05 | 6.5288 | 0.4754 |
e=15,s=0.01 | 6.5289 | 0.4755 |
从血管管径测量结果对比表1中可以看,人工标注的血管管径均值为6.4094,标准差为0.421。在不使用超分辨技术(即e=1,s=1)时,本发明测量出的血管管径的均值为5.9365,标准差为0.7319,与人工标注结果有较大差异。而在使用超分辨技术(即e∈{5,10,15}且s∈{0.01,0.05,0.1,0.5})时,管径测量的均值和标准差都接近于人工标注结果。特别地,在e=5,s=0.05时,血管管径的均值为6.4341,标准差为0.4707,与人工标注的血管管径相当。由此可见,使用超分辨率技术的测量结果与人工标注的结果更接近,说明超分辨率技术有效地提高了血管管径测量的准确度。
在一些示例中,动静脉交叉压迹特征、小动脉局部狭窄特征和小动脉普遍狭窄特征可以反映高血压的情况。例如小动脉局部狭窄特征可以反映患者近期存在血压升高的情况。又例如,动静脉交叉压迹特征和小动脉普遍狭窄特征可以反映患者长期持续的血压升高的情况。基于本公开的测量方法能够辅助眼科医生对高血压情况进行识别。
以下,结合附图详细描述本公开涉及的高血压性视网膜病变的病变特征的测量***200(有时也可以简称为测量***200)。本公开涉及的测量***200用于实施上述的测量方法。图15是示出了本公开示例所涉及的高血压性视网膜病变的病变特征的测量***200的框图。
如图15所示,在一些示例中,测量***200可以包括获取模块210、分区模块220、分割模块230和测量模块240。获取模块210可以用于获取眼底图像。分区模块220可以用于对眼底图像进行分区以获取至少三个区域。分割模块230可以用于对眼底图像进行动静脉分割以获取动静脉分割结果。测量模块240可以基于三个区域和动静脉分割结果对眼底图像中的病变特征进行测量。在这种情况下,能够对眼底图像中的高血压性视网膜病变的病变特征进行自动测量。由此,能够高效且客观地对高血压性视网膜病变的病变特征进行测量。
在一些示例中,获取模块210可以用于获取眼底图像。眼底图像可以包括血管,血管可以包括动脉和静脉。具体描述可以参见步骤S110中的相关描述,此处不再赘述。
在一些示例中,在分区模块220中,三个区域可以包括第一区域、第二区域和第三区域。由此,能够基于视盘区域获取三个区域。在一些示例中,第一区域可以为以视盘区域的外接圆的圆心为中心和外接圆的直径的第一预设倍数为直径形成的第一圆的区域。在一些示例中,可以用v1表示第一预设倍数。在一些示例中,v1可以为1。在一些示例中,第二区域可以为第一区域边缘到以外接圆的圆心为中心和外接圆的直径的第二预设倍数为直径形成的第二圆之间的区域。在一些示例中,可以用v2表示第二预设倍数。在一些示例中,v2可以为2。在一些示例中,第三区域可以为第二区域边缘到以外接圆的圆心为中心和外接圆的直径的第三预设倍数为直径形成的第三圆之间的区域。在一些示例中,可以用v3表示第三预设倍数。在一些示例中,v3可以为3。在一些示例中,可以令v1<v2<v3。具体描述可以参见步骤S120中的相关描述,此处不再赘述。
在一些示例中,在分割模块230中可以利用基于深度学习的动静脉分割模型对眼底图像进行动脉和静脉分割以获取动静脉分割结果。在一些示例中,动静脉分割模型可以是基于训练眼底图像和动静脉血管标记结果进行训练的。在一些示例中,动静脉分割结果可以包括动脉分割结果和静脉分割结果。在一些示例中,可以对眼底图像中的动脉和静脉进行分割以直接获得动静脉分割结果。在一些示例中,动静脉血管标记结果可以包括动脉标记结果和静脉标记结果。在一些示例中,动静脉血管标记结果可以是通过对训练眼底图像中血管进行标记而形成的。在一些示例中,动静脉血管标记结果可以是对训练眼底图像中血管管径大于预设血管管径的血管的边界进行标记而形成动脉标记结果和静脉标记结果,并对小血管的走向的进行标记而形成小血管标记结果。在一些示例中,计算损失函数时,可以基于小血管标记结果调整小血管标记结果对应的区域的权重。在这种情况下,对训练眼底图像中的较大的血管的边界进行标记和小血管的走向进行标记,有效地减少标注的用时,能够降低标注成本和标注难度,并且通过调整小血管标记结果对应的区域的权重可以控制仅标记走向的小血管标记结果对损失函数的贡献,进而提高动静脉分割的准确性。在一些示例中,预设血管管径可以为50μm。在一些示例中,小血管可以是不大于预设血管管径的血管。在一些示例中,计算损失函数时,可以将小血管标记结果对应的区域的权重调整为0。在这种情况,可以排除仅标记走向的小血管标记结果对损失函数的贡献。由此,能够避免对动静脉分割而言精度较低的小血管标记结果对动静脉分割模型的影响。具体描述可以参见步骤S130中的相关描述,此处不再赘述。
在一些示例中,在测量模块240中可以基于三个区域和动静脉分割结果可以对眼底图像中的高血压性视网膜病变的病变特征进行测量。在一些示例中,病变特征可以包括动静脉交叉压迹特征、小动脉局部狭窄特征和小动脉普遍狭窄特征中的至少一种。
在一些示例中,在测量模块240中可以对动静脉交叉压迹特征进行测量。在一些示例中,可以对除第一区域和第二区域两个区域以外的眼底区域的动静脉分割结果进行细化以获取第一血管骨架。在一些示例中,第一血管骨架可以包括作为第一测量像素点的多个骨架像素点。在一些示例中,可以获取各个第一测量像素点的预设范围内的骨架像素点的数量并作为第一相邻点数量。在一些示例中,可以将动静脉分割结果中与第一相邻点数量大于第一预设数量的第一测量像素点对应的像素点作为动静脉交叉位置。在一些示例中,可以对动脉分割结果进行膨胀以使膨胀后的动脉分割结果与静脉分割结果相交以确定动静脉交叉位置。由此,能够获取更准确的动静脉交叉位置。在一些示例中,可以基于动静脉分割结果中静脉分割结果在动静脉交叉位置两侧的近端和远端的血管管径的比值测量动静脉交叉压迹特征。在一些示例中,动静脉交叉位置两侧的近端和远端可以是动静脉分割结果中沿着静脉分割结果的延伸方向并位于动静脉交叉位置两侧的每侧的近端和远端。在一些示例中,若动静脉分割结果中静脉分割结果在动静脉交叉位置不连续,则每侧的近端可以为静脉分割结果的第一血管骨架上与动静脉交叉位置的距离最近的骨架像素点。在一些示例中,若动静脉分割结果中静脉分割结果在动静脉交叉位置连续,则每侧的近端可以为动静脉交叉位置。在一些示例中,每侧的远端可以为静脉分割结果的第一血管骨架上与动静脉交叉位置的距离为第一预设距离的骨架像素点。由此,能够基于动静脉交叉位置确定静脉分割结果的两侧的近段和远端。在一些示例中,第一预设距离可以为最大血管管径的2至4倍。在一些示例中,第一预设距离可以为最大血管管径的3倍。具体描述可以参见步骤S140中的关于测量动静脉交叉压迹特征的相关描述,此处不再赘述。
在一些示例中,在测量模块240中可以对小动脉局部狭窄特征进行测量。在一些示例中,可以对动脉分割结果进行细化以获取的第二血管骨架。在一些示例中,第二血管骨架可以包括作为第二测量像素点的多个骨架像素点。在一些示例中,可以获取各个第二测量像素点的预设范围内的骨架像素点的数量作为第二相邻点数量。在一些示例中,可以将第二相邻点数量大于第二预设数量的第二测量像素点进行删除以获得多个血管段。在一些示例中,可以基于各个血管段的最小的血管管径和最大的血管管径的比值测量小动脉局部狭窄特征。具体描述可以参见步骤S140中的关于测量小动脉局部狭窄特征的相关描述,此处不再赘述。
在一些示例中,在测量模块240中可以对小动脉普遍狭窄特征进行测量。在一些示例中,可以获取动静脉分割结果中第三区域内的动脉血管段和静脉血管段。在一些示例中,可以基于动脉血管段、静脉血管段和预设公式获得动静脉血管管径比值以测量小动脉普遍狭窄特征。由此,能够基于第三区域内的动脉血管段和静脉血管段对小动脉普遍狭窄特征进行测量。在一些示例中,动静脉血管管径比值可以是中央视网膜动脉等效直径和中央视网膜静脉等效直径的比值。在一些示例中,预设公式可以为Knudtson的修正公式。由此,能够基于Knudtson的修正公式对小动脉普遍狭窄特征进行测量。具体描述可以参见步骤S140中的关于测量小动脉普遍狭窄特征的相关描述,此处不再赘述。
在一些示例中,测量***200还可以包括管径计算模块(未图示)。管径计算模块可以用于对血管管径进行测量。在一些示例中,可以将动静脉分割结果按照预设倍数进行分辨率增强以生成增强动静脉分割结果。在一些示例中,可以提取增强动静脉分割结果中的血管骨架并对血管骨架进行拟合以获取连续血管骨架和第三测量像素点的管径测量方向。在一些示例中,第三测量像素点可以为连续血管骨架上的多个像素点。在一些示例中,管径测量方向可以垂直于连续血管骨架在第三测量像素点的切线。在一些示例中,可以利用插值算法并基于增强动静脉分割结果、第三测量像素点、第三测量像素点的管径测量方向和预设精度生成第三测量像素点对应的血管轮廓。在一些示例中,可以基于第三测量像素点对应的血管轮廓中的血管像素点的个数、预设倍数和预设精度计算第三测量像素点对应的血管管径。在这种情况下,能够增加眼底图像中的血管的分辨率并利用更多的像素点对血管管径进行测量。由此,能够对血管管径进行自动超分辨率测量并提高血管管径的测量准确度。在一些示例中,第三测量像素点对应的血管管径l可以满足:l=n×s/e,其中,n为第三测量像素点对应的血管轮廓中的血管像素点的个数,s为预设精度,e为预设倍数。具体描述可以参见步骤S210至步骤S240中的相关描述,此处不再赘述。但本公开的示例不限于此,在另一些示例中,可以使用其他方式计算血管管径。
虽然以上结合附图和示例对本公开进行了具体说明,但是可以理解,上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化,这些变形和变化均落入本公开的范围内。
Claims (10)
1.一种高血压性视网膜病变的病变特征的测量***,其特征在于,包括获取模块、分区模块、分割模块和测量模块;
所述获取模块用于获取眼底图像;
所述分区模块用于接收所述眼底图像,对所述眼底图像的视盘区域进行识别并基于所述视盘区域将所述眼底图像分成至少三个区域;
所述分割模块用于利用基于训练眼底图像和动静脉血管标记结果进行训练的且基于深度学习的动静脉分割模型对所述眼底图像进行动脉和静脉分割以直接获取动静脉分割结果的三值图像,其中,所述动静脉血管标记结果包括通过对所述训练眼底图像中血管管径大于预设血管管径的血管的边界进行标记而形成的动脉标记结果和静脉标记结果,以及对不大于所述预设血管管径的血管的走向进行标记而形成的小血管标记结果,所述走向为顺着血管走向的曲线且用于估计不大于所述预设血管管径的血管对应的区域,计算损失函数时,调整所述小血管标记结果对应的区域的权重为零;
所述测量模块用于基于所述三个区域和所述动静脉分割结果中大于所述预设血管管径的血管对所述病变特征进行测量。
2.根据权利要求1所述的测量***,其特征在于:
所述病变特征包括动静脉交叉压迹特征、小动脉局部狭窄特征和小动脉普遍狭窄特征中的至少一种。
3.根据权利要求2所述的测量***,其特征在于:
所述三个区域包括第一区域、第二区域和第三区域;
若对所述动静脉交叉压迹特征进行测量,则对除所述第一区域和所述第二区域两个区域以外的眼底区域的所述动静脉分割结果进行细化以获取包括作为第一测量像素点的多个骨架像素点的第一血管骨架,并获取各个所述第一测量像素点的预设范围内的骨架像素点的数量并作为第一相邻点数量,将所述动静脉分割结果中与所述第一相邻点数量大于第一预设数量的所述第一测量像素点对应的像素点作为动静脉交叉位置,基于所述动静脉分割结果中沿着所述动静脉分割结果的静脉分割结果的延伸方向并位于所述动静脉交叉位置两侧的每侧的近端和远端的血管管径的比值测量所述动静脉交叉压迹特征;和/或
若对所述小动脉局部狭窄特征进行测量,则对所述动静脉分割结果的动脉分割结果进行细化以获取包括作为第二测量像素点的多个骨架像素点的第二血管骨架,获取各个所述第二测量像素点的预设范围内的骨架像素点的数量作为第二相邻点数量,将所述第二相邻点数量大于第二预设数量的所述第二测量像素点进行删除以获得多个血管段,基于各个血管段的最小的血管管径和最大的血管管径的比值测量所述小动脉局部狭窄特征;和/或
若对所述小动脉普遍狭窄特征进行测量,则获取所述动静脉分割结果中所述第三区域内的动脉血管段和静脉血管段,基于所述动脉血管段、所述静脉血管段和预设公式获得动静脉血管管径比值以测量所述小动脉普遍狭窄特征。
4.根据权利要求3所述的测量***,其特征在于:
所述动静脉血管管径比值为中央视网膜动脉等效直径和中央视网膜静脉等效直径的比值。
7.根据权利要求3所述的测量***,其特征在于:
所述第一测量像素点的预设范围为所述第一测量像素点周围的八个邻域,所述第二测量像素点的预设范围为所述第二测量像素点周围的八个邻域。
8.根据权利要求3所述的测量***,其特征在于:
所述细化的算法包括Hilditch算法、Pavlidis算法或Rosenfeld算法。
9.根据权利要求1所述的测量***,其特征在于:
所述预设血管管径为50μm。
10.一种高血压性视网膜病变的病变特征的测量方法,其特征在于,包括:
获取眼底图像;
对所述眼底图像的视盘区域进行识别并基于所述视盘区域将所述眼底图像分成至少三个区域;
利用基于训练眼底图像和动静脉血管标记结果进行训练的且基于深度学习的动静脉分割模型对所述眼底图像进行动脉和静脉分割以直接获取动静脉分割结果的三值图像,其中,所述动静脉血管标记结果包括通过对所述训练眼底图像中血管管径大于预设血管管径的血管的边界进行标记而形成的动脉标记结果和静脉标记结果,以及对不大于所述预设血管管径的血管的走向进行标记而形成的小血管标记结果,所述走向为顺着血管走向的曲线且用于估计不大于所述预设血管管径的血管对应的区域,计算损失函数时,调整所述小血管标记结果对应的区域的权重为零;
基于所述三个区域和所述动静脉分割结果中大于所述预设血管管径的血管对所述病变特征进行测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310182680.2A CN115969310A (zh) | 2020-12-28 | 2020-12-28 | 高血压性视网膜病变的病变特征的测量***及测量方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011585139.9A CN112716446B (zh) | 2020-12-28 | 2020-12-28 | 高血压性视网膜病变的病变特征的测量方法及测量*** |
CN202310182680.2A CN115969310A (zh) | 2020-12-28 | 2020-12-28 | 高血压性视网膜病变的病变特征的测量***及测量方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011585139.9A Division CN112716446B (zh) | 2020-12-28 | 2020-12-28 | 高血压性视网膜病变的病变特征的测量方法及测量*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115969310A true CN115969310A (zh) | 2023-04-18 |
Family
ID=75606972
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011585139.9A Active CN112716446B (zh) | 2020-12-28 | 2020-12-28 | 高血压性视网膜病变的病变特征的测量方法及测量*** |
CN202310182680.2A Pending CN115969310A (zh) | 2020-12-28 | 2020-12-28 | 高血压性视网膜病变的病变特征的测量***及测量方法 |
CN202310165125.9A Pending CN116236150A (zh) | 2020-12-28 | 2020-12-28 | 基于眼底图像的动静脉血管图像分割方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011585139.9A Active CN112716446B (zh) | 2020-12-28 | 2020-12-28 | 高血压性视网膜病变的病变特征的测量方法及测量*** |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310165125.9A Pending CN116236150A (zh) | 2020-12-28 | 2020-12-28 | 基于眼底图像的动静脉血管图像分割方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240074658A1 (zh) |
CN (3) | CN112716446B (zh) |
WO (1) | WO2022142030A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288794B (zh) * | 2020-09-04 | 2021-09-07 | 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 |
CN113269737B (zh) * | 2021-05-17 | 2024-03-19 | 北京鹰瞳科技发展股份有限公司 | 一种眼底视网膜动静脉血管直径计算方法及*** |
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 |
CN113344897B (zh) * | 2021-06-24 | 2022-01-11 | 推想医疗科技股份有限公司 | 肺部图像的管径测量方法及装置、图像处理方法及装置 |
CN113689954A (zh) * | 2021-08-24 | 2021-11-23 | 平安科技(深圳)有限公司 | 高血压风险预测方法、装置、设备及介质 |
CN114299018B (zh) * | 2021-12-29 | 2024-07-05 | 福州大学 | 基于中心线拓扑连通和多视角信息的ct图像血管分割方法 |
KR20230137605A (ko) * | 2022-03-22 | 2023-10-05 | 사회복지법인 삼성생명공익재단 | 동맥 및 정맥을 기준으로 안저 영상을 표준화하는 방법 및 영상처리장치 |
CN115100222B (zh) * | 2022-08-24 | 2022-12-09 | 首都医科大学附属北京朝阳医院 | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
CN116721760B (zh) * | 2023-06-12 | 2024-04-26 | 东北林业大学 | 融合生物标志物的多任务糖尿病性视网膜病变检测算法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3548473B2 (ja) * | 1999-11-19 | 2004-07-28 | 日本電信電話株式会社 | 眼底画像の動静脈識別方法、記録媒体及び装置 |
WO2015003225A1 (en) * | 2013-07-10 | 2015-01-15 | Commonwealth Scientific And Industrial Research Organisation | Quantifying a blood vessel reflection parameter of the retina |
CN107292887B (zh) * | 2017-06-20 | 2020-07-03 | 电子科技大学 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
CN108073918B (zh) * | 2018-01-26 | 2022-04-29 | 浙江大学 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
CN108537789B (zh) * | 2018-04-13 | 2021-02-09 | 深圳大学 | 管腔识别方法、装置及计算机存储介质 |
CN108765422A (zh) * | 2018-06-13 | 2018-11-06 | 云南大学 | 一种视网膜图像血管自动分割方法 |
CN109544525A (zh) * | 2018-11-15 | 2019-03-29 | 北京工业大学 | 一种基于自适应窗口模型匹配的眼底图片血管识别方法 |
CN111222361B (zh) * | 2018-11-23 | 2023-12-19 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和*** |
CN111435612B (zh) * | 2018-12-26 | 2022-06-21 | 福州依影健康科技有限公司 | 一种移动医疗个性化健康服务的方法和*** |
EP3719808A1 (en) * | 2019-04-04 | 2020-10-07 | Optos PLC | Determining levels of hypertension from retinal vasculature images |
CN110197493B (zh) * | 2019-05-24 | 2021-04-23 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
CN111047613B (zh) * | 2019-12-30 | 2021-04-27 | 北京小白世纪网络科技有限公司 | 基于分支注意力及多模型融合的眼底血管分割方法 |
CN111340789A (zh) * | 2020-02-29 | 2020-06-26 | 平安科技(深圳)有限公司 | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 |
CN111815562B (zh) * | 2020-06-10 | 2024-04-09 | 重庆贝奥新视野医疗设备有限公司 | 一种U-Net与自适应PCNN相结合的视网膜血管分割方法 |
CN111681242B (zh) * | 2020-08-14 | 2020-11-17 | 北京至真互联网技术有限公司 | 视网膜血管动静脉区分方法和装置、设备 |
CN111932535A (zh) * | 2020-09-24 | 2020-11-13 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备以及存储介质 |
-
2020
- 2020-12-28 CN CN202011585139.9A patent/CN112716446B/zh active Active
- 2020-12-28 CN CN202310182680.2A patent/CN115969310A/zh active Pending
- 2020-12-28 CN CN202310165125.9A patent/CN116236150A/zh active Pending
-
2021
- 2021-04-29 US US18/259,391 patent/US20240074658A1/en active Pending
- 2021-04-29 WO PCT/CN2021/091226 patent/WO2022142030A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN112716446B (zh) | 2023-03-24 |
CN116236150A (zh) | 2023-06-09 |
US20240074658A1 (en) | 2024-03-07 |
CN112716446A (zh) | 2021-04-30 |
WO2022142030A1 (zh) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112716446B (zh) | 高血压性视网膜病变的病变特征的测量方法及测量*** | |
Narasimha-Iyer et al. | Robust detection and classification of longitudinal changes in color retinal fundus images for monitoring diabetic retinopathy | |
CN112465772B (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
Mittal et al. | Computerized retinal image analysis-a survey | |
Abdullah et al. | A new and effective method for human retina optic disc segmentation with fuzzy clustering method based on active contour model | |
CN112288794B (zh) | 眼底图像的血管管径的测量方法及测量装置 | |
CN108629769B (zh) | 基于最佳兄弟相似度的眼底图像视盘定位方法及*** | |
CN110751636A (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
Maaliw et al. | An enhanced segmentation and deep learning architecture for early diabetic retinopathy detection | |
Bharali et al. | Detection of hemorrhages in diabetic retinopathy analysis using color fundus images | |
Rodrigues et al. | Retinal vessel segmentation using parallel grayscale skeletonization algorithm and mathematical morphology | |
CN111145155B (zh) | 一种睑板腺腺体的识别方法 | |
CN113516644B (zh) | 一种血管内光学相干层析成像分支血管识别方法 | |
Lermé et al. | Segmentation of retinal arteries in adaptive optics images | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
Rodtook et al. | Optic disc localization using graph traversal algorithm along blood vessel in polar retinal image | |
Ghorab et al. | Computer-Based Detection of Glaucoma Using Fundus Image Processing | |
CN117974692B (zh) | 一种基于区域生长的眼科医学影像处理方法 | |
Khan et al. | Diabetic retinopathy detection by image processing algorithms and machine learning technique | |
de Moura et al. | Artery/vein vessel tree identification in near-infrared reflectance retinographies | |
Sumithra et al. | Automatic Optic disc localization and optic cup segmentation from monocular color retinal images for glaucoma assessment | |
Elbalaoui et al. | Boundary segmentation of optic disc in fundus images | |
CN117876801B (zh) | 基于眼底血管特征和人工智能预测糖尿病肾病的方法 | |
Huang et al. | Vascular biomarkers for diabetes and diabetic retinopathy screening | |
Pan | Deep learning-based medical image processing of lung CT |
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 |