一种针对眼底图像视网膜血管的层次结构划分方法专利检索-眼底照相机医疗设备专利检索查询-专利查询网

一种针对 眼底图像视网膜血管的层次结构划分方法

阅读：721发布：2020-06-14

专利汇可以提供一种针对眼底图像视网膜血管的层次结构划分方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种针对眼底图像视网膜血管的层次结构划分方法，包括如下步骤：S1、利用眼底照相机获取患者的眼底图象；S2、对眼底图象进行预处理；S3：对预处理后的眼底图象进行分割，获取视网膜血管；S4、对获取的视网膜血管进行细化处理；S5、提取细化后视网膜血管的端点、分支点及交叉点，并生成血管树图；S6、对生成的血管树图中的血管分支点进行层级分类；S7、根据血管分支点的层级，确定以该分支点为起点的血管的层级，实现视网膜血管的层次结构划分。本发明解决了传统诊断方法观察困难、准确度低、容易导致诊断结果偏离、工作量大和投入人工成本大的问题。，下面是一种针对眼底图像视网膜血管的层次结构划分方法专利的具体信息内容。

权利要求

1.一种针对眼底图像视网膜血管的层次结构划分方法，其特征在于，包括如下步骤：
S1：获取眼底图象：利用眼底照相机获取患者的眼底图象；
S2：进行预处理：对步骤S1中获取的眼底图象进行预处理；
S3：获取视网膜血管：对步骤S2中预处理后的眼底图象进行分割，获取视网膜血管；
S4：进行细化处理：对步骤S3中获取的视网膜血管进行细化处理，其中，所述步骤S4中，进行细化处理的方法，包括如下步骤：
S4-1：计算骨架中目标像素个数：对视网膜血管进行初步细化，获取视网膜血管骨架，并计算视网膜血管骨架中目标像素的个数；
S4-2：计算轮廓中目标像素个数：提取视网膜血管的轮廓，并计算视网膜血管轮廓中目标像素的个数；
S4-3：判读是否大于阈值：判断步骤S4-1得到的骨架中目标像素个数和步骤S4-2得到的轮廓中目标像素个数的比值是否大于阈值，若是则结束处理，输出细化后视网膜血管，若否则进入步骤S4-4；
S4-4：进行扫描：对视网膜血管进行扫描，计算最大行像素个数和最大列像素个数；
S4-5：进行像素值取反处理：根据步骤S4-4得到的最大行像素个数和最大列像素个数在视网膜血管获取像素区域，对该像素区域进行像素值取反处理；
S4-6：进行二次细化：对根据步骤S4-5进行处理后的视网膜血管进行二次细化，输出细化后视网膜血管；
S5：生成血管树图：提取细化后视网膜血管的端点、分支点及交叉点，并生成血管树图；
S6：进行层级分类：对步骤S5中生成的血管树图中的血管分支点进行层级分类；
S7：划分层次结构：根据步骤S6标记的血管分支点的层级，确定以该分支点为起点的血管的层级，实现视网膜血管的层次结构划分。
2.根据权利要求1所述的针对眼底图像视网膜血管的层次结构划分方法，其特征在于，所述步骤S1中，眼底图象的获取方法，包括如下步骤：
S1-1：准备眼底照相机：接通电源，并打开眼底照相机开关；
S1-2：准备拍摄环境：调暗室内光线，调整患者眼睛水平位置和定位眼睛前室；
S1-3：获取眼底图象：将眼底照相机聚焦后进行拍摄，获取眼底图象。
3.根据权利要求1所述的针对眼底图像视网膜血管的层次结构划分方法，其特征在于，所述步骤S2中，预处理为眼底图象的局部亮度和对比度的归一化处理。
4.根据权利要求1所述的针对眼底图像视网膜血管的层次结构划分方法，其特征在于，所述步骤S3中，利用卷积神经网络CNN对预处理后的眼底图象进行分割，获取视网膜血管。
5.根据权利要求4所述的针对眼底图像视网膜血管的层次结构划分方法，其特征在于，所述进行分割的方法，包括如下步骤：
S3-1：建立模型：利用卷积神经网络，建立卷积神经网络结构模型；
S3-2：输入眼底图象：将步骤S2中预处理后的眼底图象输入到卷积神经网络结构模型，提取眼底图象的网络特征；
S3-3：获取视网膜血管：根据步骤S3-2提取的网络特征，对预处理后的眼底图象进行分割，获取视网膜血管。
6.根据权利要求1所述的针对眼底图像视网膜血管的层次结构划分方法，其特征在于，所述步骤S6中，进行层级分类的方法，包括如下步骤:
S6-1：访问血管端点：访问血管树图中的血管端点；
S6-2：访问血管分支点：访问与端点相邻的血管树图中的血管分支点，标记该血管分支点的层级；
S6-3：访问下层血管分支点；访问与步骤S6-2中血管分支点相邻且未被访问过的下层血管分支点，标记该下层血管分支点的层级；
S6-4：实现层级分类：重复步骤S6-3，访问所有血管分支点，并标记所有层的层级，实现层级分类。

说明书全文

一种针对眼底图像视网膜血管的层次结构划分方法

技术领域

[0001] 本发明属于图像处理技术领域，具体涉及一种针对眼底图像视网膜血管的层次结构划分方法。

背景技术

[0002] 在日常生活中，医生为了能够准确的为患者进行诊断，了解患者眼底病变情况，往往会对患者做眼底检查，得到眼底图像，眼底图像结构特征的变化可以直接反应患者眼底病变程度和治疗情况。眼底图像血管是眼底图像中可检测的最稳定和最主要的结构，当眼器官发生视觉疾病的时候，眼底图像血管的直径、颜色和弯曲程度等会出现异常。目前，对于患者眼部健康状况的把握，医生只能凭经验从眼底图像中肉眼进行观察。在眼底图像中，病变部位离视神经乳头越近，病情越严重。视网膜血管布满整个眼底，传统诊断方法眼科医生进行诊断时观察困难，准确度低，容易导致诊断结果偏离；眼科医生工作量大，投入人工成本大，

发明内容

[0003] 针对现有技术中的上述不足，本发明提供了一种便于观察、准确度高和人工成本低的针对眼底图像视网膜血管的层次结构划分方法，解决了传统诊断方法观察困难、准确度低、容易导致诊断结果偏离、工作量大和投入人工成本大的问题。

[0004] 为了达到上述发明目的，本发明采用的技术方案为：

[0005] 一种针对眼底图像视网膜血管的层次结构划分方法，包括如下步骤：

[0006] S1：获取眼底图象：利用眼底照相机获取患者的眼底图象；

[0007] S2：进行预处理：对步骤S1中获取的眼底图象进行预处理；

[0008] S3：获取视网膜血管：对步骤S2中预处理后的眼底图象进行分割，获取视网膜血管；

[0009] S4：进行细化处理：对步骤S3中获取的视网膜血管进行细化处理；

[0010] S5：生成血管树图：提取细化后视网膜血管的端点、分支点及交叉点，并生成血管树图；

[0011] S6：进行层级分类：对步骤S5中生成的血管树图中的血管分支点进行层级分类；

[0012] S7：划分层次结构：根据步骤S6标记的血管分支点的层级，确定以该分支点为起点的血管的层级，实现视网膜血管的层次结构划分。

[0013] 进一步地，步骤S1中，眼底图象的获取方法，包括如下步骤：

[0014] S1-1：准备眼底照相机：接通电源，并打开眼底照相机开关；

[0015] S1-2：准备拍摄环境：调暗室内光线，调整患者眼睛水平位置和定位眼睛前室；

[0016] S1-3：获取眼底图象：将眼底照相机聚焦后进行拍摄，获取眼底图象。

[0017] 进一步地，步骤S2中，预处理为眼底图象的局部亮度和对比度的归一化处理。

[0018] 进一步地，步骤S3中，利用卷积神经网络CNN对预处理后的眼底图象进行分割，获取视网膜血管。

[0019] 进一步地，进行分割的方法，包括如下步骤：

[0020] S3-1：建立模型：利用卷积神经网络，建立卷积神经网络结构模型；

[0021] S3-2：输入眼底图象：将步骤S2中预处理后的眼底图象输入到卷积神经网络结构模型，提取眼底图象的网络特征；

[0022] S3-3：获取视网膜血管：根据步骤S3-2提取的网络特征，对预处理后的眼底图象进行分割，获取视网膜血管。

[0023] 进一步地，步骤S4中，进行细化处理的方法，包括如下步骤：

[0024] S4-1：计算骨架中目标像素个数：对视网膜血管进行初步细化，获取视网膜血管骨架，并计算视网膜血管骨架中目标像素的个数；

[0025] S4-2：计算轮廓中目标像素个数：提取视网膜血管的轮廓，并计算视网膜血管轮廓中目标像素的个数；

[0026] S4-3：判读是否大于阈值：判断步骤S4-1得到的骨架中目标像素个数和步骤S4-2得到的轮廓中目标像素个数的比值是否大于阈值，若是则结束处理，输出细化后视网膜血管，若否则进入步骤S4-4；

[0027] S4-4：进行扫描：对视网膜血管进行扫描，计算最大行像素个数和最大列像素个数；

[0028] S4-5：进行像素值取反处理：根据步骤S4-4得到的最大行像素个数和最大列像素个数在视网膜血管获取像素区域，对该像素区域进行像素值取反处理；

[0029] S4-6：进行二次细化：对根据步骤S4-5进行处理后的视网膜血管进行二次细化，输出细化后视网膜血管。

[0030] 进一步地，步骤S6中，进行层级分类的方法，包括如下步骤:

[0031] S6-1：访问血管端点：访问血管树图中的血管端点；

[0032] S6-2：访问血管分支点：访问与端点相邻的血管树图中的血管分支点，标记该血管分支点的层级；

[0033] S6-3：访问下层血管分支点；访问与步骤S6-2中血管分支点相邻且未被访问过的下层血管分支点，标记该下层血管分支点的层级；

[0034] S6-4：实现层级分类：重复步骤S6-3，访问所有血管分支点，并标记所有层的层级，实现层级分类。附图说明

[0035] 图1为针对眼底图像视网膜血管的层次结构划分方法流程图；

[0036] 图2为眼底图象的获取方法流程图；

[0037] 图3为进行分割的方法流程图；

[0038] 图4为进行细化处理的方法流程图；

[0039] 图5为进行层级分类的方法流程图。

具体实施方式

[0040] 下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

[0041] 本发明实施例中，一种针对眼底图像视网膜血管的层次结构划分方法，如图1所示，包括如下步骤：

[0042] S1：获取眼底图象：利用眼底照相机获取患者的眼底图象；

[0043] 眼底图象的获取方法，如图2所示，包括如下步骤：

[0044] S1-1：准备眼底照相机：接通电源，并打开眼底照相机开关；

[0045] S1-2：准备拍摄环境：调暗室内光线，调整患者眼睛水平位置和定位眼睛前室；

[0046] S1-3：获取眼底图象：将眼底照相机聚焦后进行拍摄，获取眼底图象；

[0047] S2：进行预处理：对步骤S1中获取的眼底图象进行预处理，预处理为眼底图象的局部亮度和对比度的归一化处理；

[0048] S3：获取视网膜血管：对步骤S2中预处理后的眼底图象进行分割，获取视网膜血管；

[0049] 进行分割的方法，如图3所示，包括如下步骤：

[0050] S3-1：建立模型：利用卷积神经网络，建立卷积神经网络结构模型；

[0051] S3-2：输入眼底图象：将步骤S2中预处理后的眼底图象输入到卷积神经网络结构模型，提取眼底图象的网络特征；

[0052] S3-3：获取视网膜血管：根据步骤S3-2提取的网络特征，对预处理后的眼底图象进行分割，获取视网膜血管；

[0053] S4：进行细化处理：对步骤S3中获取的视网膜血管进行细化处理；

[0054] 进行细化处理的方法，如图4所示，包括如下步骤：

[0055] S4-1：计算骨架中目标像素个数：对视网膜血管进行初步细化，获取视网膜血管骨架，并计算视网膜血管骨架中目标像素的个数；

[0056] S4-2：计算轮廓中目标像素个数：提取视网膜血管的轮廓，并计算视网膜血管轮廓中目标像素的个数；

[0057] S4-3：判读是否大于阈值：判断步骤S4-1得到的骨架中目标像素个数和步骤S4-2得到的轮廓中目标像素个数的比值是否大于阈值，若是则结束处理，输出细化后视网膜血管，若否则进入步骤S4-4；

[0058] S4-4：进行扫描：对视网膜血管进行扫描，计算最大行像素个数和最大列像素个数；

[0059] S4-5：进行像素值取反处理：根据步骤S4-4得到的最大行像素个数和最大列像素个数在视网膜血管获取像素区域，对该像素区域进行像素值取反处理；

[0060] S4-6：进行二次细化：对根据步骤S4-5进行处理后的视网膜血管进行二次细化，输出细化后视网膜血管；

[0061] S5：生成血管树图：提取细化后视网膜血管的端点、分支点及交叉点，并生成血管树图；

[0062] S6：进行层级分类：对步骤S5中生成的血管树图中的血管分支点进行层级分类；

[0063] 进行层级分类的方法，如图5所示，包括如下步骤:

[0064] S6-1：访问血管端点：访问血管树图中的血管端点；

[0065] S6-2：访问血管分支点：访问与端点相邻的血管树图中的血管分支点，标记该血管分支点的层级；

[0066] S6-3：访问下层血管分支点；访问与步骤S6-2中血管分支点相邻且未被访问过的下层血管分支点，标记该下层血管分支点的层级；

[0067] S6-4：实现层级分类：重复步骤S6-3，访问所有血管分支点，并标记所有层的层级，实现层级分类；

[0068] S7：划分层次结构：根据步骤S6标记的血管分支点的层级，确定以该分支点为起点的血管的层级，实现视网膜血管的层次结构划分。

标题	发布/更新时间	阅读量
一种无显示屏的可视手持式眼底照相机	2020-05-27	527
眼底照相机	2020-05-11	412
眼底照相机	2020-05-12	969
一种双目眼底照相机	2020-05-16	253
一种眼底照相机	2020-05-18	162
一种眼底照相机镜头	2020-05-23	204
手持式眼底照相机	2020-05-25	768
手持式眼底照相机	2020-05-25	883
手持式眼底照相机	2020-05-25	378
手持式眼底照相机	2020-05-26	524

一种针对眼底图像视网膜血管的层次结构划分方法

一种针对眼底图像视网膜血管的层次结构划分方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：