專利名稱：一種用于檢測視盤出血的方法及系統(tǒng)的制作方法
技術領域：
本發(fā)明涉及一種用于在非立體視網膜眼底圖像中檢測視盤出血的方法及系統(tǒng)，該方法和系統(tǒng)可輔助檢測青光眼。
背景技術：
青光眼是ー種慢性的眼睛狀態(tài)，在此狀態(tài)中，連接大腦和眼睛的神經(即視神經)被日益破壞。早期青光眼患者沒有視覺癥狀，但輕微進展的青光眼患者就可能會主訴“隧道視野”(即只能看到中心視野)，這是由于疾病的進展導致邊緣視覺的損失。晩期青光眼患者在后期甚至完全失明。在新加坡已經有兩項針對青光眼的大規(guī)模調查(丹戎巴葛研究和新加坡馬來眼科研究)[1，2]。這些調查表明，新加坡成年人(40歲及以上)中青光眼的患病率為3-4%，超過90%的患者不知道他們患青光眼[1，2]。在世界范圍內，青光眼是導致失明的第二位原因。到2010年，預計有6千萬人將罹患青光眼[3]。此外，5. 2百萬例失明病例與青光眼有關(占全球失明總負擔的15% ) [4]。這個問題在亞洲更為明顯，因為亞洲人大約占了全世界青光眼病例的一半[3]。此外，由于青光眼是ー種老化的狀態(tài)，由于受人口老齡化的影響，在新加坡和亞洲會有更大比例的人群罹患青光眼。早期發(fā)現(xiàn)青光眼對于預防失明是至關重要的，因為青光眼是無法治愈的，而青光眼的治療能夠阻止其進展。然而，在整個人口中例行篩查青光眼是不符合成本效益的，并且受到目前檢測方法敏感性差的限制。但是青光眼的篩查可能適用于高危人群，如青光眼患者的ー級親屬，65歲及以上的老年人和中國老年婦女(其存在閉角型青光眼的患病風險)。目前，在新加坡還沒有系統(tǒng)的方法來檢測和管理早期青光眼。青光眼患者往往不知道他們已經患病，并且因此，這些患者通常只有當已出現(xiàn)嚴重的視カ喪失時才去看眼科醫(yī)生。不幸的是，這個階段的治療限于手術，費用昂貴且需要技術熟練的人員，并無法恢復視力。目前可用于檢測青光眼的方法包括(I)評估升高的眼內壓(IOP)，(2)評估異常視野和(3)評估受損的視神經。方法(I)中眼內壓的檢測既不是特異，也不靈敏，不足以作為ー種有效的篩檢工具，而方法(2)中的視野測試需要特殊的設備，這些設備只有如新加坡國家眼科中心，國立大學醫(yī)院等三級醫(yī)院才有。盡管檢測視神經受損的方法(方法(3))更有希望并且優(yōu)于檢測眼內壓的方法(方法(2))和視野測試的方法(方法(3))，視神經評估通常由訓練有素的專家(眼科醫(yī)生)來進行，而且這樣的評估可能是主觀的。視神經評估也可以使用專門設備如HRT(海德堡視網膜斷層掃描儀)來實現(xiàn)。然而，受所包括的成本的限制，這種專門設備的可用性是非常有限的，另外ー個原因通常是缺少這種專門設備的訓練有素的操作員。目前可用于檢測青光眼的方法也包括如下ARGALI (青光眼杯盤比自動測量系統(tǒng))系統(tǒng)是先前開發(fā)的用于檢測青光眼的系統(tǒng)。在該系統(tǒng)中，使用杯盤比自動測量視神經的損害量。ARGALI系統(tǒng)通過分析整個視網膜圖像的像素梯度強度值，使用以輪廓為基礎的方法，從視網膜圖像確定視杯和視盤。少數(shù)情況下梯度值是漸進的，在識別正確視杯中可能會發(fā)生困難。先前也開發(fā)了用于青光眼檢測的基于扭結(Kink-based)的分析方法。在基于扭結的分析方法中，血管結構分析被用來確定視盤內視杯的位置。超出視杯/盤邊界的視網膜血管彎曲，也被稱為扭結，用于確定視杯的物理位置。雖然這種方法不依賴彩色或蒼白，但正確識別扭結仍然存在挑戰(zhàn)，在一些視網膜圖像中不存在扭結時出現(xiàn)的挑戰(zhàn)也存在。先前還開發(fā)了一種基于顏色強度的方法用于青光眼檢測[8]，在該方法中具有辨識力的基于顏色的分析被用來從視網膜圖像中確定視杯和視盤的位置。在視網膜圖像上進行顏色直方圖分析，以確定視杯和視盤之間的閾值臨界，關于視網膜圖像的不同特征的像素強度進行統(tǒng)計分析以確定視盤的位置。然而，從基于顏色強度的方法得到結果的準確性與臨床真實情況之間比較并未被評估。
·
使用立體照片的信息來確定視杯和視盤的方法也已被開發(fā)[9，10]，雖然從這些方法得到的一些結果似乎是有希望的，這些方法的缺點是立體攝影(與ARGALI和扭結方法中使用的單眼攝影相反)需要特定的硬件以及專門的培訓。這可能令使用立體攝影的青光眼檢測方法不適合大規(guī)模篩查。

發(fā)明內容
本發(fā)明目的在于提供一個新的且有用的用于自動檢測青光眼的方法及系統(tǒng)?？傮w而言，本發(fā)明提出，醫(yī)學得出的標示(landmark)，如視盤出血，會自動從單眼的圖像中得出，用于在檢測青光眼中使用。在一些實施方式中，這項技術被集成到使用其他技術檢測青光眼的方法和系統(tǒng)中，以提高青光眼檢測的準確性。事實上除了杯盤比(OTR)之外，對于臨床醫(yī)生在臨床視神經頭檢查(ONH)過程中將要評估的各種級別的特性已經被知道，并在青光眼檢測中被考慮，并且一個這樣的圖像線索為視盤出血的出現(xiàn)。這種技術在過去一直需要人的參與，因此，不僅時間密集，也是主觀的。以前一直都沒有意識到有可能自動檢測視盤出血并具有可以接受的準確性。具體來說，本發(fā)明的第一個方面是在視網膜眼底圖像中檢測視盤出血的方法，包括步驟(a)在包含視盤邊界的視網膜眼底圖像中識別環(huán)形的感興趣區(qū)域；(b)在已識別的感興趣區(qū)中去除血管區(qū)；(C)利用基于顏色的分析，從去除血管區(qū)的已識別的感興趣區(qū)內檢測視盤出血，以識別候選的視盤出血；及(d)對候選的視盤出血進行篩查。另外，本發(fā)明可以被表現(xiàn)為用于執(zhí)行這樣的方法的計算機系統(tǒng)。該計算機系統(tǒng)可與非立體眼底視網膜圖像拍攝設備集成。本發(fā)明也可以表現(xiàn)為計算機程序產品，如在有形的計算機介質上錄制含有可由電腦系統(tǒng)運行的程序指令以執(zhí)行該方法的步驟。


為了示例性目的，現(xiàn)僅參考如下附圖，說明本發(fā)明的具體實施方式
。所述附圖包括圖l(a)_(b)分別說明在彩色和無紅光的視網膜眼底圖像中視盤出血的位置；圖2說明本發(fā)明中用于自動檢測視盤出血的方法200的流程圖3說明在方法200中進行了步驟202的每個子步驟后得到的圖像；圖4(a)_(c)說明在方法200中進行了步驟204和206的每個子步驟后得到的圖像；圖5說明在方法200中進行了步驟208的每個子步驟后獲得的圖像；圖6 (a)說明從方法200中步驟210獲得的圖像，圖6(b)說明在圖6(a)的圖像上進行了方法200中的步驟212后獲得的圖像；圖7說明利用方法200檢測的帶有視盤出血的圖像。
具體實施例方式如圖I所示，在彩色和無紅光的視網膜眼底圖像中，視盤出血的位置用箭頭指出。視盤出血是青光眼重要的負面預后因素[14]。有研究報道在青光眼或高眼壓癥的主體中，視盤出血或穿過視盤的出血發(fā)生在視網膜神經纖維層損害和視野缺失之前。因此，將視盤出血檢測引入青光眼檢測系統(tǒng)可以提供更為強大的青光眼的檢測。例如，一些青光眼的視網膜神經頭確實表現(xiàn)為正常的CDR，在這種病例中，諸如視盤出血的標示將是檢測青光眼的ー個重要線索。正常人眼極少出現(xiàn)視盤出血，約有4% _7%的患青光眼的眼中可以檢測到視盤出血[15]，和至少三分之一的青光眼患者在某個時候表現(xiàn)出[13]視盤出血。神經視網膜邊緣之內的視盤出血通常為點狀，在視盤邊緣上或鄰近視盤邊緣的視盤出血為火焰狀(碎片狀)。在穿過鞏膜環(huán)的視網膜神經纖維層(RNFL)內的火焰狀視盤出血不伴視盤水腫(如Drance (德朗斯)出血)是進展性視神經損傷的高度提示[16]。在青光眼的早期階段，視盤出血較為常見。出血常位于顳下部或顳上部的視盤區(qū)，在正常壓カ性青光眼中出現(xiàn)地更為頻繁。根據(jù)其原始大小，首次出血后在約I周至12周可見。相應于視野缺損，可檢測到已定位的視網膜神經纖維層缺損和/或神經視網膜邊緣(NRR)的缺ロ [15]。參見圖2，本發(fā)明的一種實施方式的方法200的步驟的說明被示出，該方法可以執(zhí)行視盤出血的自動檢測。通過詞語“自動”，意味著一旦由用戶發(fā)起，在本實施方式中的整個運行過程在無需人工干預下運行。另外，該實施例可以以半自動的方式執(zhí)行，即以最小的人為干預來運行。方法200的輸入為單ー的非立體視網膜眼底圖像。在步驟202中首先在視網膜圖像上劃定出感興趣的區(qū)域。然后執(zhí)行步驟204對該感興趣區(qū)的視盤邊界進行分割。盡管步驟204中是對感興趣的區(qū)域進行分割，也可以對整個圖像進行分割。然而，這是非優(yōu)選的，因為所述圖像的其它區(qū)域的出血與方法200無關。在步驟206中對已分割的視盤邊界進行平滑和擴張，由此得到ー個“甜甜圈環(huán)”的區(qū)域，它代表了ー個已更新的感興趣區(qū)。然后在步驟208中執(zhí)行從更新的感興趣區(qū)中提取血管區(qū)域。在此之后為步驟210，步驟210執(zhí)行在更新的感興趣區(qū)中的視盤出血檢測。隨后，對步驟212中檢測到的視盤出血進行后續(xù)處理，以去除可能的被誤識別是視盤出血的假陽性區(qū)域。步驟202-212詳述如下。步驟202 :感興趣區(qū)的劃分在步驟202中，使用基于直方圖和強度的方法在視網膜圖像上劃定感興趣區(qū)，具體方法如下所述。視網膜邊界的高亮度在視網膜眼底圖像中較常見，并且會影響分割，通常是由曝光不平衡或曝光過度所致。為了克服這個問題，在步驟202中，通過基于直方圖的研究對視網膜眼底圖像的亮度效果進行分析。在所述基于直方圖的研究中，事先進行了一組1500份的基準圖像的分析。曝光不平衡導致的亮度效果與1500份圖像的每一份的直方圖分布之間聯(lián)系被使用-I到I之間的評分量化。然后通過將視網膜眼底圖像的直方圖與基準圖像的直方圖進行匹配對視網膜眼底圖像進行評分，這個評分被稱為亮度效果評分。在分析的基礎上生成一種適應性的掩模(mask)，該掩模用于過濾視網膜圖像，以去除視網膜邊界的高亮度。首先生成了一個初步的掩模，它是一個以圖像中心為中心的圓，該圓的直徑與圖像的高度相等。然后，掩模的中心會通過遠離具有較高量的亮度效果的圖像部分的移動進行調整。例如，如果圖像的左側具有較高亮度效果，那么初步掩模的中心就會移動到圖像的右側，并且如果圖像上緣被高度照亮，則所述初步掩模的中心會向下移動。掩模中心移動的距離取決于在基于直方圖的研究中所得出的亮度效果評分。所得的具有移 動的中心的掩模即為所述適應性的掩模，用于過濾的視網膜圖像以去除不平衡的曝光引起的噪聲。在去除視網膜邊緣的高亮度后，使用基于強度的方法來估計視盤的中心，該方法提取圖像中最亮的O. 5%的像素，隨后將視盤中心估計為最亮的O. 5%的像素的重心。然后在所估計的視盤中心的基礎上創(chuàng)建感興趣區(qū)域，該感興趣區(qū)被定義為一個圍繞視盤的正方形，該正方形的中心被估計為視盤中心。圖3說明了在執(zhí)行步驟202的每一子步驟后獲得的圖像。如圖3所示，在分析了視網膜眼底圖像的亮度效果后得到一個圓形的邊界302，并在此分析的基礎上生成了適應性的掩模304。在去除視網膜邊界的高亮度后得到圖像306，并使用基于強度的方法估計到視盤中心308。在估計的視盤中心的基礎上，創(chuàng)建感興趣區(qū)(以正方形310表示)。優(yōu)選的，所述感興趣區(qū)是一個圍繞視盤的正方形，在3072X2048像素的圖像內具有800X800的大小。然而，感興趣區(qū)可能為不同的形狀和大小。在方法200的步驟202中，使用基于直方圖和強度的方法劃定了感興趣區(qū)。然而，感興趣區(qū)的劃分還可通過其他分割方法來實現(xiàn)如邊緣檢測方法，區(qū)域生長方法或基于模型的分割方法。步驟204和206 :視盤邊界的分割，平滑和擴張在步驟204和206中，視盤邊界被分割，平滑和擴張，以獲取更新的感興趣區(qū)。在步驟204中，首先對步驟202中獲得的感興趣區(qū)應用變分水平集算法[11]以檢測視盤邊界，其使用最優(yōu)的顏色通道執(zhí)行。所述最優(yōu)顏色通道由顏色直方圖分析和邊緣分析確定。變分水平集算法基于全局優(yōu)化的概念，所述全局優(yōu)化的概念分析整個感興趣區(qū)，以為視盤找到全局的最優(yōu)的邊界。利用變分水平集算法的優(yōu)點是，通過引入一個內部項和外部項組成的能量函數(shù)劃定再初始化，所述內部項使水平集函數(shù)靠近符號距離函數(shù)，而所述外部項使圖像中的輪廓移向目標。在步驟204中使用了紅色通道，因為據(jù)觀察，與其它通道相比，在視盤區(qū)和非視盤區(qū)之間，紅色通道存在更好的對比度。在分割中，據(jù)觀察，檢測到的輪廓經常不均勻，這是由于穿過視盤邊緣的血管導致被檢測到的視盤邊界不準確，這種不準確被稱為泄露。盡管使用了全局的優(yōu)化技術，使用水平集算法檢測到的視盤邊界可能并不代表視盤的實際形狀，因為視盤邊界能夠被大量進入視盤的血管影響。這常常會導致曲率的突然變化。為了避免這種情況，在步驟206中，使用了橢圓擬合[12]重塑在步驟204中檢測到的視盤邊界以使其平滑。在步驟206中，在平滑過的視盤邊界的基礎上對神經視網膜邊緣區(qū)域進行分段，并使用視盤邊界擴張，該視盤邊界擴張使所述平滑過的視盤邊界成為“甜甜圈環(huán)”，該“甜甜圈環(huán)”的寬度被設置為視盤直徑的ー個分數(shù)。在步驟206中，“甜甜圈環(huán)”的寬度設置為視盤直徑的1/3?！疤鹛鹑Νh(huán)”區(qū)域是更新后的感興趣區(qū)，隨后會在此更新后的感興趣區(qū)執(zhí)行視盤出血檢測。圖4(a)_(c)說明在步驟204和206的每個子步驟后得到的圖像。圖4(a)示出使用水平集方法得到的邊界402，而圖4(b)示出使用橢圓擬合平滑后得到的邊界404，圖4(c)示出“甜甜圈環(huán)”區(qū)406，隨后將在該區(qū)執(zhí)行視盤出血檢測。在方法200的步驟204中，使用變分水平集法執(zhí)行視盤邊界的分割。然而其他方法，如聚類方法，基于直方圖的方法，邊緣檢測方法，區(qū)域生長的方法和圖形劃分的方法也可以用于分割視盤邊界。步驟208 :檢測和去除血管在步驟208中，在緑色和灰色通道中應用邊界檢測后得到第一份擴張的圖像，以在此圖像上檢測和去除血管。當RGB格式的視網膜圖像被轉換到灰度圖像吋，即形成灰色通道。在步驟208中，在緑色和灰色的通道中進行邊緣檢測，因為這些邊緣代表血管中心線。緑色和灰色通道因其均對紅色敏感而優(yōu)選，但也可使用其他通道，隨后擴張檢測到的邊緣以形成血管的像素并且隨后被去除。在視網膜圖像的紅色通道中應用檢測邊緣后，得到第二份包括視盤區(qū)(較細的顆粒通過填補低于預定大小的孔被去除)的擴張的圖像。紅色通道被用于獲得第二份擴張的圖像，因為出血和血管像素(紅色像素)被從在紅色通道中的邊緣檢測的結果中排除。將從單個通道得到的結果(如第一和第二份擴張的圖像)一起相加，以去除血管區(qū)，然后，使用由步驟206中得到的更新后的感興趣區(qū)對相加后的圖像施加掩模。得到由此產生的圖像，所述圖像中更新后的“甜甜圈環(huán)”區(qū)內不含血管區(qū)，因為圖像中的血管已被去除。圖5說明執(zhí)行步驟208的每一子步驟后獲得的圖像。第一份擴張的圖像504是在在視網膜圖像綠色和灰色通道502中執(zhí)行邊緣檢測后得到，第二份擴張的圖像508是在視網膜圖像紅色通道506中執(zhí)行邊緣檢測后得到。將第一份和第二份擴張的圖像504和508相加后得到圖像510，并使用步驟206中得到的更新后的感興趣區(qū)對所述相加后的圖像施加掩模。在方法200的步驟208中，使用邊緣檢測方法執(zhí)行血管的檢測。然而在其他實施方式中，血管檢測也可以通過其他途徑來實現(xiàn)。存在幾類血管檢測算法?；谀Ｐ偷姆椒ǎ勺冃蔚哪Ｐ?，參數(shù)模型和模板匹配?；诟櫟姆椒ㄐ枰脩艚换?，因此優(yōu)選不在本發(fā)明的實施方式中使用?；谌斯ぶ悄艿姆椒ㄊ腔谥R的和需要預先定義的ー套規(guī)則。其他方法包括模式識別的方法，包括分水嶺分割，骨架化，多尺度方法，中心線提取和形態(tài)學方法等。步驟210 :視盤出血的檢測步驟210，使用基于知識的方法檢測視盤出血。
基于知識的方法，采用視盤出血必須穿過血管位置或與血管位置相結合的知識，以及包含視盤出血的區(qū)域在紅色通道中強度最高，而在不含紅色的通道中強度最低。在步驟210中，在步驟208得到的去除血管的區(qū)域中檢測視盤出血。首先計算視網膜眼底圖像紅色通道中的通道中去除血管區(qū)域的所有像素的直方圖以及視網膜眼底圖像紅色通道中不含紅色的通道中去除血管區(qū)域的所有像素的直方圖，然后使用直方圖峰和谷來定位紅色通道中的最高強度和不含紅色的通道中的最低強度的像素集群，這些像素群被檢測為視盤出血。
步驟212:后處理步驟210中基于直方圖的強度提取可能會選取多個可能的出血點的位置(候選的視盤出血區(qū)域)。因此，在步驟212中，對在步驟210檢測到的視盤出血中執(zhí)行后處理，以去除假陽性視盤出血區(qū)。這是基于對視網膜圖像中出現(xiàn)一個以上的視盤出血點的機率非常低以及視盤出血點的大小大于預定值的知識而執(zhí)行的。根據(jù)臨床知識，預定值的范圍為80-275像素。在步驟212中，檢查每個候選的視盤出血區(qū)的大小，并篩去大小小于預定值的候選的視盤出血區(qū)域。然后，在每個視網膜圖像中只能保留一個視盤出血區(qū)域的規(guī)則被應用以只保留最大尺寸的視盤出血區(qū)域。圖6 (a)說明步驟210得到的圖像，該圖像包含候選的視盤出血像素形成的候選的視盤出血區(qū)域。而圖6(b)說明了在圖6(a)上執(zhí)行后處理后的圖像。實驗結果從新加坡眼科研究所(SERI)開展的新加坡馬來人眼的研究中獲得共計71幅圖像，用于本實驗。該群組研究已經調查了新加坡總人口的4.5%。由SERI的資深眼科醫(yī)生對這些圖像進行分析，并評估是否存在青光眼和視盤出血。在本實驗中，將眼科醫(yī)生做出的評估結果作為真實情況使用。據(jù)眼科醫(yī)生的評估，發(fā)現(xiàn)11幅圖像存在視盤出血，而其余60幅圖像則發(fā)現(xiàn)未有視盤出血。圖7說明使用方法200檢測出的四例存在視盤出血的圖像(用十叉表示)，而表I顯示了使用方法200所得結果。在表I中，DH(Il)指示根據(jù)眼科醫(yī)生評估，有11例視網膜圖像存在視盤出血，而Normal (60)指示根據(jù)眼科醫(yī)生評估，60例視網膜圖像不存在視盤出血。DH P和Normal P分別指示使用方法200確定的視網膜圖像中存在和不存在視盤出血。如表I所示，使用方法200在11例存在視盤出血的圖像中正確識別出10例，而在60例不包含視盤出血的圖像中被錯誤地識別出8例為包含視盤出血(即假陽性)。根據(jù)本實驗，方法200檢測視盤出血的特異性和敏感性分別是86. 7%和90. 9%。
DH(Il) Normal(60)
DH—P108
Normal—PI52
表I視盤出血的自動檢測是具有挑戰(zhàn)性的，因為視盤出血與血管以及視盤周圍的組織相互交織。受到視盤周圍的血管和組織的影響。實驗結果表明，方法200能夠克服在視盤出血的自動檢測中的困難以實現(xiàn)比較準確的視盤出血檢測。通過對視網膜圖像應用方法200，可以檢測視網膜圖像上視盤出血的位置，繼而可以用來確定青光眼的風險。在一個實例中，如果視盤出血位于視網膜圖像中，則青光眼的風險被設置為高。視網膜圖像上視盤出血的位置也可以結合其他青光眼的指標如高杯盤比等，以提高青光眼檢測的準確性。在一個實例中，將基于視網膜圖像上視盤出血的存在提示青光眼的風險和基于杯盤比提示青光眼的風險相結合，最終得出青光眼的風險。所述杯盤比使用ARGALI方法獲得。盡管以上僅僅描述了視盤出血的檢測，其他的圖像線索如“ ISNT Rule (ISNI^i
則)”和視乳頭萎縮也可以用來輔助評估青光眼。這種圖像線索補充了如ARGALI方法計算杯盤比的方法，因為并不是所有的青光眼實例都可以通過杯盤比檢測。此外，通過檢測多個圖像線索，也能更為信賴地得到青光眼的風險。因此本發(fā)明的實施方式為從非立體眼底視網膜圖像的青光眼分析和檢測的提出了一個創(chuàng)新性的框架。非立體眼底視網膜圖像的使用増加了低成本設備的功能。通過基于知識的標示選擇的青光眼的計算機輔助診斷能夠使用本發(fā)明的實施方式實現(xiàn)。此外，通過利用醫(yī)學領域的專家在標示選擇中一般推薦的分級特征，可將臨床專業(yè)知識嵌入到用于檢測青光眼的系統(tǒng)中。此外，在方法200中，在進行后續(xù)步驟的進ー步處理之前，首先在視網膜圖像上劃定了ー個感興趣區(qū)。這有助于降低計算成本，以及提高分割的準確性。方法200的另ー個優(yōu)點是，它可以很容易地被整合到現(xiàn)有的眼部篩查如青光眼篩查的儀器中而不需大范圍的修改。與現(xiàn)有技術的比較上述的本發(fā)明實施方式與現(xiàn)有技術[6-10]的比較總結在表2中。
權利要求
1.一種用于在視網膜眼底圖像中檢測視盤出血的方法，所述方法包括步驟如下 (a)在包含視盤邊界的視網膜眼底圖像中識別環(huán)形的感興趣區(qū)； (b)在已識別的感興趣區(qū)中去除血管區(qū)； (c)通過基于顏色的分析，在去除血管區(qū)的已識別的感興趣區(qū)中檢測視盤出血，以識別候選的視盤出血； (d)篩查候選的視盤出血。
2.根據(jù)權利要求I所述的方法，其中步驟(a)包括子步驟 (i)識別初始的感興趣區(qū)； ( )在初始的感興趣區(qū)中估計視盤邊界的位置；以及 (iii)擴張所估計的視盤邊界以得到環(huán)形的感興趣區(qū)。
3.根據(jù)權利要求2所述的方法，其中步驟(i)中包括子步驟 估計視網膜眼底圖像的視盤中心；以及 基于所估計的視盤中心創(chuàng)建初始的感興趣區(qū)。
4.根據(jù)權利要求3所述的方法，其中步驟(i)進一步包括在估計所述視網膜眼底圖像的視盤中心之前，過濾所述視網膜眼底圖像以去除所述視網膜眼底圖像的視網膜邊界處的高亮度的子步驟。
5.根據(jù)權利要求4所述的方法，其中過濾所述視網膜眼底圖像的子步驟進一步包括子步驟 使用基于直方圖的研究分析視網膜眼底圖像，其包括子步驟 計算復數(shù)個基準圖像和所述視網膜眼底圖像的直方圖； 給所述復數(shù)個基準圖像的每一幅基準圖像賦予一個評分，該評分指示基準圖像中亮度效果的量； 將視網膜眼底圖像的直方圖與所述復數(shù)個基準圖像的每一幅基準圖像的直方圖相比較； 基于所述比較和賦予所述復數(shù)個基準圖像的每一幅基準圖像的評分，給視網膜眼底圖像賦予評分； 在所述分析的基礎上生成一個適應性的掩模； 在所述視網膜眼底圖像上應用所述適應性掩模以過濾所述視網膜眼底圖像。
6.根據(jù)權利要求5所述的方法，其中在所述分析的基礎上生成一個適應性的掩模的子步驟進一步包括子步驟 生成初級掩模，該初級掩模為一個圓形，所述圓形的中心為視網膜眼底圖像的中心，直徑與所述圖像的高度相等； 通過移動該初級掩模的中心使其遠離具有較高量的亮度效果的區(qū)域來調整該初級掩模，所述移動以基于賦予所述視網膜眼底圖像的評分的距離來實現(xiàn)；以及將所述適應性的掩模設置為調整過的初級掩模。
7.根據(jù)權利要求2-6中任一項所述的方法，其中在步驟(iii)之前，平滑所估計的視網膜邊界。
8.根據(jù)權利要求2-7中任一項所述的方法，其中步驟(ii)使用變分水平集算法執(zhí)行。
9.根據(jù)權利要求2-8中任一項所述的方法，其中步驟(ii)僅在視網膜眼底圖像的紅色通道中執(zhí)行。
10.根據(jù)權利要求2-9中任一項所述的方法，其中步驟(i)中識別的初始的感興趣區(qū)的形狀為正方形。
11.根據(jù)前述任一權利要求所述的方法，其中步驟(b)進一步包括子步驟 通過在視網膜眼底圖像的綠色和灰色通道上應用邊界檢測形成第一擴張圖像，用于檢測和去除血管； 通過在視網膜眼底圖像的紅色通道上應用邊界檢測形成第二擴張圖像以獲得視網膜眼底圖像中視盤區(qū)域的輪廓； 將第一和第二擴張圖像相加以得到相加后的圖像； 用已識別的感興趣區(qū)對相加后的圖像施加掩模以去除所述識別的感興趣區(qū)中的血管區(qū)。
12.根據(jù)前述任一權利要求所述的方法，其中去除血管區(qū)包括復數(shù)個像素，并且步驟(c)包括子步驟 (ix)在視網膜眼底圖像的紅色通道中，為已去除血管區(qū)的復數(shù)個像素計算第一直方圖； (χ)在視網膜眼底圖像的不含紅色的通道中，為已去除血管區(qū)的復數(shù)個像素計算第二直方圖； (xi)使用第一和第二直方圖的峰和谷來分別定位視網膜眼底圖像的紅色通道中的最高強度和視網膜眼底圖像的不含紅色的通道中的最低強度的像素集群； (χ )檢測視盤出血為定位的像素集群。
13.根據(jù)前述任一權利要求所述的方法，其中步驟(d)包括子步驟 將每個候選的視盤出血的大小與預定值相比較；以及 若候選的視盤出血點的大小小于所述預定值，則去除所述候選的視盤出血。
14.根據(jù)權利要求13所述的方法，進一步包括子步驟 若候選的視盤出血不是最大的，則去除所述候選的視盤出血。
15.一種用于在視網膜眼底圖像中確定青光眼風險的方法，所述方法包括步驟 根據(jù)前述任一權利要求所述的方法，在視網膜眼底圖像中檢測視盤出血；以及 如果在視網膜眼底圖像中檢測到至少一個視盤出血則確定青光眼的風險高。
16.—種計算機系統(tǒng),具有被安排執(zhí)行根據(jù)前述任一權利要求所述的方法。
17.一種計算機程序產品，可被計算機讀取，并含有計算機系統(tǒng)的處理器可以執(zhí)行的指令以使所述處理器執(zhí)行根據(jù)權利要求1-15中任一項所述的方法。
全文摘要
一種用于在視網膜眼底圖像中檢測視盤出血的方法。該方法包括(a)在包含視盤邊界的視網膜眼底圖像中識別環(huán)形感興趣區(qū)；(b)在已識別的感興趣區(qū)中去除血管區(qū)；(c)從去除血管的區(qū)的已識別的感興趣區(qū)中檢測候選的視盤出血；(d)篩查候選的視盤出血。檢測到的視盤出血可用于輔助檢測青光眼。
文檔編號A61B3/12GK102843957SQ200980162129
公開日2012年12月26日 申請日期2009年8月24日 優(yōu)先權日2009年8月24日
發(fā)明者張卓, 劉江, 黃永基, 林如暉, 陳彥鳴, 李慧琦, 呂士健, 黃天蔭 申請人:新加坡保健服務集團有限公司, 新加坡科技研究局, 新加坡國立大學