一種眼底照片圖像智能獲取識別系統(tǒng)的制作方法
【專利說明】一種眼底照片圖像智能獲取識別系統(tǒng)
[0001]
技術領域
[0002]本發(fā)明涉及一種眼病的診斷設備，具體是一種眼底照片圖像獲取及識別系統(tǒng)。
【背景技術】
[0003]眼睛是人體最重要的器官之一，人從外界獲取的信息有80%是通過眼睛來實現(xiàn)的。一旦發(fā)生眼疾，輕則影響視覺質量及外觀，重則致盲致殘。視力的缺損勢必讓患者的生活質量大打折扣。眼病治療關鍵不僅在于及早就醫(yī)治療，更關鍵的是得到權威專家的準確診斷以及科學的治療建議。
[0004]隱匿性眼病如青光眼、糖尿病視網膜病變等在早期無視力改變的癥狀，眼底照相是早期發(fā)現(xiàn)隱匿性眼病的有效方法，對指導眼底疾病的診治、評估全身健康狀況都有重要意義。眼底照相是近年來在臨床采用得比較多的眼底檢查，就是利用特殊的一起如數(shù)碼相機，和眼底鏡連接，將眼底的圖像在計算機上顯示，可以打印下來保存在病歷，還可以再治療前后做個對比。它能夠客觀的記錄眼底后極部視網膜形態(tài)學變化，具有較好的客觀性、重復性和可對比性。用眼底圖像進行眼底篩查，由讀片中心的眼科專家對眼底圖片進行讀片分級，可以使患者得到早期的治療，延緩病情進展，實現(xiàn)從疾病治療到疾病預防的轉變。
[0005]但是，采用眼底照相技術的眼底篩查項目通常會產生大量需要讀片員讀片分級的眼底圖像，其中，80%以上的眼底照片是正常視網膜，這種情況將導致大部分的分級工作時間消耗在沒有任何眼部疾病征兆的正常眼底照片中。

【發(fā)明內容】

[0006]本發(fā)明的目的是克服現(xiàn)有技術中的不足，提供一種在保證準確率的前提下顯著提高眼底疾病診斷速度的眼底照片圖像智能獲取識別系統(tǒng)。
[0007]為實現(xiàn)上述目的，本發(fā)明所采用的技術方案是:
一種眼底照片圖像智能獲取識別系統(tǒng)，包括眼底照相機、電腦以及安裝在電腦中的人工智能處理程序；所述人工智能處理程序包括:
1)眼底照片圖像的特征識別單元，該單元包括:
(1)視盤識別模塊:用以在眼底照相機傳送過來的眼底照片圖像中查找視盤區(qū)域；
(2)視杯識別模塊:用以在視盤識別模塊查找到的視盤區(qū)域內查找視杯區(qū)域；
(3)黃斑識別模塊:用以在視盤區(qū)域的附近查找黃斑區(qū)域；
(4)滲出識別模塊:用以在眼底照片圖像中查找是否有滲出物，如果發(fā)現(xiàn)眼底照片圖像中存在邊界清晰但不規(guī)則的黃白色小點或蠟黃色區(qū)域，則存在滲出物；
(5)血管識別模塊:用以在眼底照片圖像中查找血管的分布，在眼底照片圖像中呈細長條狀且顏色較深的圖樣則為血管；
(6)出血識別模塊:用以在眼底照片圖像中查找是否有出血現(xiàn)象，如在在眼底照片圖像中呈現(xiàn)塊狀的暗紅色區(qū)域或長條狀的暗紅色區(qū)域，則存在出血現(xiàn)象；
2)眼底照片圖像的特征標記單元，該單元包括:
(1)視杯視盤掃描線標記模塊:用以標記V⑶R掃描線和Rim掃描線；從左至右掃描視盤及視杯區(qū)域，對于每一條垂直掃描線，查找以下交點:掃描線與視盤上邊緣的交點，記為A，掃描線與視杯上邊緣的交點，記為B，掃描線與視杯下邊緣的交點，記為C，掃描線與視盤下邊緣的交點，記為D;當|BC|取得最大值時，當前掃描線記為V⑶R掃描線，并標記BC線段；當MIN( I AB I，I⑶I)取得最小值時，當前掃描線記為Rim掃描線，并標記AB或CD中較短的線段；
(2)動靜脈標記模塊:用以對動脈血管和靜脈血管進行標記，血管識別模塊查找到的血管中，較粗的血管為動脈血管，較細的血管為靜脈血管，將動脈血管和靜脈血管用不同的顏色進行標記；
3)眼底照片圖像的特征測量單元，該單元包括:
(1)垂直杯盤比測量模塊:利用V⑶R掃描線，計算BC/AD的比值，記為垂直杯盤比；
(2)盤緣厚度測量模塊:利用Rim掃描線，計算MIN(AB，⑶)的值，記為盤緣厚度；
(3)動靜脈比測量模塊:動靜脈比的計算為:
AVR (動靜脈比)=多條動脈血管的寬度的均值/靜脈血管的寬度的最大值，
其中:血管的寬度=血管圖像的面積/血管的長度，所述血管圖像是指以視盤中心為圓心，2.67至3倍半徑所形成的環(huán)形區(qū)域內的血管區(qū)域；所述血管長度是指對血管圖像進行骨架計算后的像素點數(shù)；
4)眼底照片圖像的評定單元:根據垂直杯盤比、動靜脈比、出血識別模塊的識別結果以及滲出識別模塊的識別結果來評定眼底照片圖像中的視網膜是否正常，并對眼底照片圖像進行分類。
[0008]進一步地，所述人工智能處理程序還包括平面拼接單元，當眼底照片圖像不完整時，平面拼接單元用以將多幅指向不同方位拍攝的眼底照片圖像拼接為一幅圖像，以得到完整的包含各區(qū)域的眼底照片。
[0009]進一步地，還包括云平臺，所述電腦將眼底照片圖像的評定單元評出的非正常的眼底照片圖像通過互聯(lián)網傳送給云平臺。
[0010]進一步地，所述云平臺中安裝有所述的人工智能處理程序。
[0011]進一步地，所述視盤識別模塊所采用的識別方法如下:A、初步確定視盤所在的候選區(qū)域；B、對候選區(qū)域進行模糊化處理，與此同時對候選區(qū)域進行均一化處理；C、對模糊化處理的候選區(qū)域采用內擴算法尋找到模糊化處理的視盤，對均一化處理的候選區(qū)域采用外伸算法尋找到均一化處理的視盤；D、尋找模糊化處理的視盤和均一化處理的視盤的重疊區(qū)域；E、在重疊區(qū)域，通過血管找到視盤的中心，從而最終確定視盤的區(qū)域。
[0012]本發(fā)明的有益效果:
提供一種眼底照片圖像智能獲取識別系統(tǒng)，在拍攝完成眼底照片后，自動通過其內置的眼底圖片人工智能處理程序對于超常量的眼底照片直接給出正常分級報告，而僅將疑似病灶的病例發(fā)送到其人工智能處理云平臺，通過更大的樣本庫、更強的計算能力提供云端的自動評定，同時允許眼科專家通過云計算平臺進行手動分級，是一種在保證準確率的前提下顯著提高眼底疾病診斷速度的有效解決方案。
【附圖說明】
[0013]下面結合附圖和【具體實施方式】對本發(fā)明作進一步詳細說明:
圖1為本發(fā)明的結構示意框圖；
圖2為底照片圖像人工智能處理程序模塊化的結構框圖；
圖3為視盤識別模塊所采用的識別方法的流程圖；
圖4為視杯識別模塊的具體算法的流程圖；
圖5為視盤區(qū)域和視杯區(qū)域掃描線的示意圖；
圖6為眼底照片圖像的評定單元的具體算法的流程圖；
圖7為拼接后的完整的包含各區(qū)域的眼底照片圖像；
圖8為視盤識別前后的一組眼底照片圖像的對比圖；
圖9為視杯識別前后的一組眼底照片圖像的對比圖；
圖10為黃斑識別前后的一組眼底照片圖像的對比圖；
圖11為滲出識別前后的一組眼底照片圖像的對比圖；
圖12為出血識別前后的一組眼底照片圖像的對比圖；
圖13為動靜脈標記前后的一組眼底照片圖像的對比圖。
【具體實施方式】
[0014]如圖1所示，一種眼底照片圖像智能獲取識別系統(tǒng)，包括眼底照相機、電腦、云平臺以及安裝在電腦中的人工智能處理程序。所述電腦將眼底照片圖像的評定單元評出的非正常的眼底照片圖像通過互聯(lián)網傳送給云平臺，所述云平臺中安裝有所述的人工智能處理程序。
[0015]如圖2所示，所述人工智能處理程序包括:
1)平面拼接單元:為了呈現(xiàn)更多的局部細節(jié)，拍照人員通常以幾個重要的眼底方位為中心利用眼底照相機對眼底區(qū)域進行拍照，每張圖片只覆蓋部分眼底區(qū)域，平面拼接單元用以將多幅指向不同方位拍攝的眼底照片圖像拼接為一幅圖像，以得到完整的包含各區(qū)域的眼底照片，拼接后的圖像如圖7所示。如果拍照人員已經拍攝了包含完整區(qū)域的眼底照片則跳過此步驟。
[0016]2)眼底照片圖像的特征識別單元，該單元包括:
(1)視盤識別模塊:用以在眼底照相機傳送過來的眼底照片圖像中查找視盤區(qū)域。
[0017]視盤全稱視神經盤或視神經乳頭，視網膜由黃斑向鼻側約3mm處有一直徑約
1.5_，境界清楚的淡紅色圓盤狀結構。
[0018]視盤的特征:1、通常表現(xiàn)為近似圓形的黃色或白色區(qū)域；2、血管從視盤中心延伸出來。
[0019]如圖3所示，所述視盤識別模塊所采用的識別方法如下:A、初步確定視盤所在的候選區(qū)域；B、對候選區(qū)域進行模糊化處理，與此同時對候選區(qū)域進行均一化處理；C、對模糊化處理的候選區(qū)域采用內擴算法尋找到模糊化處理的視盤，對均一化處理的候選區(qū)域采用外伸算法尋找到均一化處理的視盤；D、尋找模糊化處理的視盤和均一化處理的視盤的重疊區(qū)域；E、在重疊區(qū)域，通過血管找到視盤的中心，從而最終確定視盤的區(qū)域。眼底照片圖像如圖8所示，圖中的左圖為需要識別的眼底照片圖像，圖中的右圖為眼底照片圖像中紅色區(qū)域為識別到的視盤區(qū)域。
[0020] (2)視杯識別模塊:用以在視盤識別模塊查找到的視盤區(qū)域內查找視杯區(qū)域。
[0021 ] 視杯是視盤中心的白色杯狀區(qū)域。視杯大小與視盤大小的比值是診斷青光眼的重要依據。
[0022]視杯的特征:1、位于視盤內部；2、亮度通常比視盤平均亮度高；3、在邊緣處血管發(fā)生轉折。視盤識別模塊主要根據視杯的特征來對視杯進行查找的。視杯識別模塊的具體算法的流程圖如圖4所示，眼