【技术实现步骤摘要】
本申请涉及智能医疗领域，具体涉及一种视网膜血管曲率的计算方法、系统、设备及计算机可读存储介质。
技术介绍
1、视网膜是目前唯一可以非创伤性直接观察人体微血管的部位。视网膜微血管异常与高血压、动脉硬化和心血管疾病有关。此外,视网膜动脉狭窄可能反映心血管疾病并发症的严重程度,并作为心血管疾病的独立危险因素。因此,识别视网膜血管异常并定量血管曲率,对于心血管疾病的长期监测可能发挥重要作用。
2、过去几十年,研究人员开发了各种方法来分类由高血压引起的视网膜血管异常。这些分类系统主要根据动脉全面性收缩、动静脉压迫、动脉衬套、动脉光反射改变以及高血压视网膜病变(包括微动脉瘤、视网膜内出血、棉絮样斑、硬性渗出和视盘水肿)来确定。虽然这些分类在眼底检查中很容易进行,但它们相对主观,重复性存疑。此外,视网膜血管曲率弯曲度变化与高血压、冠状动脉疾病和中风有关。因此,需要一种可以自动测量动、静脉曲率弯曲度的程序。
技术实现思路
1、人工智能,尤其是深度学习,在自然图像的分类任务中取得了巨大成功,提供了与手工设计的图像特征不同的各种纹理和语义信息。最近的研究表明,深度学习可以改进眼底图像血管结构的传统分析。因此，针对上述问题，本专利技术利用深度学习，提出一种视网膜血管曲率的计算方法，具体包括：
2、获取眼底图像；
3、对眼底图像进行血管分割得到动脉血管和静脉血管；
4、对所述动脉血管和静脉血管进行骨架提取得到骨架图像；
5、筛除所述骨架图像中的存
6、基于筛除后的图像进行计算得到血管的曲率。
7、进一步，所述筛除是通过图数据结构识别出血管分叉点，再将含有所述血管分叉点的血管筛除得到筛除后的图像；
8、优选地，所述图数据结构采用无向图进行识别，所述识别对骨架图像的每一个像素点构建一个图节点，再对相邻的像素点构建一条边形成无向图；对所述无向图的节点的度进行判断，当所述无向图的节点的度大于预设阈值时判定为分叉点。
9、所述筛除还包括对所述骨架图像进行过短或过细的血管筛除，对所述骨架图像进行过短或过细的血管筛除后得到初筛血管，再对所述初筛血管进行血管分叉点识别，并将含有血管分叉点血管筛除得到筛除后的图像；
10、优选地，所述过短或过细的血管筛除的具体步骤为：
11、第一步，将骨架图像进行二值化处理得到二值化图像；
12、第二步，对所述二值化图像进行中心线提取得到中心线，基于所述中心线得到血管上每个像素到所述中心线的距离；
13、第三步，计算所述距离的平均值得到平均距离并将所述平均距离作为血管宽度；
14、第四步，删除所述血管宽度小于预设阈值的血管，并删除长度小于m个像素点的血管得到初筛血管，m为小于等于20的正数；
15、可选地，所述预设阈值是将计算得到的所有血管宽度进行排序，挑选前n个血管宽度并计算均值得到宽度均值，n为大于2的自然数；将所述宽度均值减去k倍标准差得到的值作为阈值，k为大于1的自然数；
16、优选地，所述过短或过细的血管筛除步骤中还包括选取目标区域，在得到血管上每个像素到所述中心线的距离后以视盘中心为圆心，c倍视盘直径形成的区域作为目标区域，对所述目标区域内的血管进行计算得到血管宽度，c为大于等于1的自然数。
17、所述分割通过下列的一种或几种的分割模型进行分割：u-net、fcn、segnet、deeplab v3、faster r-cnn、pspnet、espnet、mask r-cnn；
18、优选地，所述分割通过u-net网络框架和边界增强模块进行分割，通过对所述眼底图像进行边缘检测生成边缘注意力映射特征，将所述边缘注意力映射特征输至所述u-net网络框架编码模块的卷积层中增强特征表示；
19、优选地，所述分割还包括视盘分割，对所述眼底图像进行所述视盘分割得到视盘；基于所述视盘选取目标区域；
20、优选地，所述方法还包括数据预处理，所述预处理包括下列的一种或几种：暗通道先验假设、图像裁剪与填充、灰度化、几何变换、二值化、直方图均衡化。
21、所述计算是通过将所述筛除后的图像中像素点坐标拟合为曲线得到血管近似曲线，再基于所述曲线进行曲率计算得到血管的曲率；
22、优选地，所述像素点坐标拟合为曲线通过三次多项式进行拟合；
23、优选地，所述筛除后的图像中像素点坐标拟合为曲线替换为：连接所述筛除后的图像中的血管两端得到连线中点并作为旋转中心，基于所述旋转中心旋转血管使得所述连线中点与横轴坐标中的横轴平行得到旋转后的血管，将旋转后的血管映射至横纵坐标中得到更新的像素点坐标，基于所述更新的像素点坐标拟合为曲线得到血管近似曲线；
24、可选地，对所述曲线还包括下列的一种或几种的计算：曲线的弧长计算、曲线曲率平方的积分计算、ctort计算；
25、可选地，所述ctort的计算公式为：
26、
27、其中tsc(c)表示曲率平方的积分，s(c)表示曲线的弧长，c表示曲线。
28、本专利技术的目的在于提供一种视网膜血管直径的计算方法，包括：
29、所述方法执行实现任意一项所述的视网膜血管曲率的计算方法，将所述基于筛除后的图像进行计算得到血管的曲率的步骤替换为：基于筛除后的图像进行直径计算得到血管的直径；
30、可选地，所述直径的计算包括下列的一种或几种参数：血管直径、血管平均厚度、crae、crve、avr；
31、优选地，对所述识别出血管分叉点的步骤替换为：先提取所述骨架图像的中心线并基于所述中心线得到血管分布的拓扑结构，再通过滑动窗口方法识别所述拓扑结构中的分叉点；
32、优选地，将含有所述血管分叉点的血管筛除的步骤替换为：将目标区域中靠近视盘中心的血管作为主血管，其中，所述主血管中含有血管分叉点的筛除分叉后的分叉血管筛除保留主干；将分叉点距离目标区域边界小于d个像素距离的血管筛除主干保留分叉血管，d为大于1的自然数；最后得到筛除后的图像；
33、优选地，所述血管平均厚度的计算是先通过计算血管厚度，再对所述血管厚度求平均得到血管平均厚度；
34、优选地，所述血管厚度为中心线到血管边界之间的距离；
35、优选地，对筛除后的图像中血管直径进行排序，选取前h条血管直径并求均值得到平均血管直径，h为大于1的自然数。
36、本专利技术的目的在于提供一种基于视网膜血管进行疾病风险预测的方法，包括：
37、所述方法执行实现任意一项所述的视网膜血管曲率的计算方法得到视网膜血管的曲率；
38、所述方法执行实现任意一项所述的视网膜血管直径的计算方法得到视网膜血管直径；
39、优选的，所述方法执行实现任意一项所述的视网膜血管曲率的计算方法，同时基于筛除后的图像进行直径计算本文档来自技高网...
【技术保护点】
1.一种视网膜血管曲率的计算方法，其特征在于，所述方法包括：
2.根据权利要求1所述的视网膜血管曲率的计算方法，其特征在于，所述筛除是通过图数据结构识别出血管分叉点，再将含有所述血管分叉点的血管筛除得到筛除后的图像；
3.根据权利要求1所述的视网膜血管曲率的计算方法，其特征在于，所述筛除还包括对所述骨架图像进行过短或过细的血管筛除，对所述骨架图像进行过短或过细的血管筛除后得到初筛血管，再对所述初筛血管进行血管分叉点识别，并将含有血管分叉点血管筛除得到筛除后的图像；
4.根据权利要求1所述的视网膜血管曲率的计算方法，其特征在于，所述分割通过下列的一种或几种的分割模型进行分割：U-net、FCN、SegNet、DeepLab v3、Faster R-CNN、PSPnet、ESPNet、Mask R-CNN；
5.根据权利要求1所述的视网膜血管曲率的计算方法，其特征在于，所述计算是通过将所述筛除后的图像中像素点坐标拟合为曲线得到血管近似曲线，再基于所述曲线进行曲率计算得到血管的曲率；
6.一种视网膜血管直径的计算方法，其特征在
7.一种基于视网膜血管进行疾病风险预测的方法，其特征在于，包括：
8.一种系统，其特征在于，包括：
9.一种设备，其特征在于，包括：
10.一种计算机可读存储介质设备，其特征在于，包括：
...【技术特征摘要】
1.一种视网膜血管曲率的计算方法，其特征在于，所述方法包括：
2.根据权利要求1所述的视网膜血管曲率的计算方法，其特征在于，所述筛除是通过图数据结构识别出血管分叉点，再将含有所述血管分叉点的血管筛除得到筛除后的图像；
3.根据权利要求1所述的视网膜血管曲率的计算方法，其特征在于，所述筛除还包括对所述骨架图像进行过短或过细的血管筛除，对所述骨架图像进行过短或过细的血管筛除后得到初筛血管，再对所述初筛血管进行血管分叉点识别，并将含有血管分叉点血管筛除得到筛除后的图像；
4.根据权利要求1所述的视网膜血管曲率的计算方法，其特征在于，所述分割通过下列的一种或几种的分割模型进行分割：u-...
【专利技术属性】
技术研发人员：张岩，李建平，张立，杨光正奥，骆星谕，范芳芳，贾佳，姜一梦，赵杰，
申请(专利权)人：北京大学第一医院北京大学第一临床医学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。