專利名稱：自動杯盤比測量系統(tǒng)的制作方法
技術領域：
本發(fā)明涉及一種系統(tǒng)，該系統(tǒng)具有自動測量一只眼睛的視盤杯(在此稱為視杯) 和視盤各自直徑的比值的方法和儀器。這就是，眼睛的“杯盤比”(cup-disc-ratio，⑶R)。 這項檢測可用于青光眼的診斷或分析。
背景技術：
青光眼是失明的主要原因，其特征是視神經持續(xù)損失軸突。根據世界衛(wèi)生組織關 于失明的全球數(shù)據庫，全球范圍內青光眼有510萬，占估算失明人數(shù)3800萬的約13. 4%0 隨著世界人口快速老齡化，青光眼發(fā)病率將會上升，導致醫(yī)療保健費用增加和經濟負擔。青 光眼是不治之癥，因為對視神經軸突的傷害是永久性的，且目前不能康復。然而，早期檢測， 可將青光眼視神經病變的發(fā)展顯著減緩甚至停止。因此，大規(guī)模篩查對于阻止青光眼損傷 進一步發(fā)展是至關重要的。然而，沒有找到理想的以社區(qū)為基礎的篩查測試。這樣的測試 對于診斷和治療目的都是有益的。青光眼視神經損傷在臨床診斷視力喪失之前，所以借助 醫(yī)學影像技術的青光眼視神經損傷早期檢測可以幫助眼科醫(yī)師鑒定、監(jiān)視和發(fā)現(xiàn)治療病人 的新方法，并減緩癥狀進度。這種檢測理想情況下應該不依賴臨床醫(yī)生、快捷、無創(chuàng)，并有很 高的專一性(specificity)。青光眼的典型特點是視神經頭特定的反常外觀視盤凹陷，視神經視網膜盤沿損 失，典型的被認為是杯盤比(optic disc cup to disc ratio,CDR)增大。

圖1顯示的是10 年的時間內視杯的增大和CDR的增加。圖1(a)顯示的是一個正常眼睛，圖1(b)顯示的是 10年后的同樣的眼睛。圖1(a)中中心亮區(qū)域就是視杯，而清晰可辨的橢圓就是視盤。如圖 1(b)所示，視杯逐漸擴大，填充了視盤的大部分。CDR被認為是檢測病人出現(xiàn)青光眼以及青 光眼視神經病變程度的一個重要指標。在目前臨床實踐中，⑶R由眼科醫(yī)生人工測量，由于 觀察者自身經驗和訓練的不同，測量是主觀的。對人力的依賴限制了 CDR在大規(guī)模篩查部 署中的使用。目前對青光眼診斷有三種主要的醫(yī)學影像方法視網膜眼底成像(retinal fundus photography)，光學才目干層析成i"象技術(opticalcoherence tomography, OCT)禾口海 德堡視網膜斷層掃描(heidelbergretinal tomography, HRT)。視網膜眼底成像是利用一個眼底照相機來捕捉視網膜眼底的圖像，包括視盤，并 且是目前觀察和診斷眼疾所采用的標準化方法。照相機是基于單眼間接眼底鏡檢查的理 論。OCT是一種干涉、非侵入性光學層析成像技術。由于其橫斷面成像能力，OCT能夠 實現(xiàn)亞微米級分辨率。HRT是為了后段3D圖像的獲取和分析而設計的共焦點激光掃描系 統(tǒng)。HRT能夠定量評估眼睛結構形貌和精確的后續(xù)形貌變化。然而，OCT和HRT系統(tǒng)具有 許多缺點。首先，它們昂貴，且與基于眼底成像的系統(tǒng)相比，需要更多專業(yè)經驗來操作。OCT 對于青光眼診斷的效率被技術上有限的穿透深度和全彩數(shù)據的缺少所限制。通過OCT獲得 的圖像質量也依賴操作者的技術，并會因媒介不透明度的存在而降低。由OCT獲得的一些參數(shù)可能被視盤頭附近的結構變形而影響。用于青光眼應用的變形分析軟件沒有完全開發(fā) 出來，用來將眼睛和視網膜疾病與青光眼進行比對的年齡、性別、種族特異的規(guī)范數(shù)據也很 少。對于HRT，雖然測試只需要幾秒，但是結果對病人的移動非常敏感，包括眼部和頭部運 動，以及眨眼，這些會干擾激光路徑，損害獲得圖像的質量。在嘗試使用視網膜眼底成像時，研究者將努力集中在視盤的自動分割。然而，對于 視杯檢測的研究工作就很少，因為視杯與血管和周圍組織交織(interweavement)。在引用的第一個先前技術中[1]，視盤形狀檢測是通過“調整過的”活動形狀模型 (active shape model，ASM)來實現(xiàn)的。在由作者收集的100組數(shù)據中，它達到了 94%的 視盤邊界檢測率。該文中沒有做視盤或CDR計算。ASM是一個搜索過程，其中，將“形狀模 型”(在圖像空間由多個參數(shù)定義的平滑形狀)擬合為數(shù)據，來產生一個模型，稱為點分布 模型(PDM)。修改過的ASM(如下所述)通過加入一個自調節(jié)權重并且從圖像中排除外圍點 來改進常規(guī)活動形狀模型。特別地，圖像中定義了一系列η “界點”。這些點通過基于該模 型的數(shù)值參數(shù)的變換，變成“形狀空間”。對于每一個界點，使用圖像強度的一階導數(shù)來找到 對應的“匹配點”(或者，對于視盤邊界一部分的情況，所述視盤邊界一部分由于圖像中的血 管而不是很好定義時，基于附近的匹配點或界點)，隨后使用能量函數(shù)來更新界點。反復重 復這個過程。在一給定迭代中，代入一“匹配點”集合，如Y=作^，其中1 = 1，...11，，通 過化簡下述能量函數(shù)可以得到一個對應集合的更新界點{XJEr =Xiri -XjwXYi-Xi) (1.2.1)參數(shù)Wi的集合導致了標準ASM的修改。函數(shù)(1. 2. 1)在每次迭代中關于集合& 化簡(minimized)兩次。第一次，參數(shù)Wi的集合初始化為
直接檢測;^ Wi=^i 廠由附近匹配點估算 0 K由X,.更新
應。第: Wi
對于一些i值將Wi設為0避免了既不是Yi也不是附近的匹配點能被檢測到的效 次，Wi被調整如下 1 Ei <5 5/Ei 5<Et<\5 IIE1 Ei >15
其中Ei是Xi和Yi之間的歐氏距離，函數(shù)1. 2. 1再次被化簡。 引用的第二個先前技術[2]是基于由Tony Chan和Luminita Vese引入的 Chan-Vese(C-V)分割模型。這達到了 94%的視盤檢測，使用包括50個彩色眼底圖像的數(shù) 據庫，其中有20個低對比度的彩色眼底圖像。這個方法這樣來闡述的通過定義一個“擬 合能量”函數(shù)E作為對圖像空間中坐標軸(x，y)的Lipschitz函數(shù)Φ(χ，γ)的圖像空間的 積分，并關于受橢圓形約束的Φ (x, y)化簡擬合能量。文中沒有關于視杯和CDR的計算。
引用的第三個先前技術[3]描述了使用判別分析來確定閾值，接著利用這些閾值 來分割視杯和視盤。雖然在該文中測量了杯盤比，但是沒有給出明確結果，而且用于測試的 圖像集也沒有清楚描述。
引用的第四個先前技術W]，描述視盤和視杯分割以及CDR計算。視盤中心通過應 用圓霍夫變換(Circular Hough Transformation)找到，接著通過活動形狀模型(ASM)，先 定義圍繞視盤的72個點，來完成視盤邊界檢測。最后，第一能量函數(shù)用來將外形變形成最 佳形狀。所述能量函數(shù)取決于五個由各自參數(shù)加權的能量項。視杯檢測使用基于先前檢測 的視盤外形進行初始估算，然后使用第二能量函數(shù)將此變形。此方法得到了如表1所示的 百分比誤差率的平均值和標準差表1先前技術W]的性能統(tǒng)計
權利要求
1.一種從二維OD)視網膜眼底圖像獲得杯盤比(OTR)值的方法，包括步驟(i)進行視盤分割；( )進行視杯分割；以及(iii)將由視盤分割得到的數(shù)據和視杯分割得到的數(shù)據，輸入到自適應模型運行以生 成CDR值。
2.根據權利要求1所述的方法，其中，在所述步驟(i)之后，對所述視盤分割的結果進 行一個平滑的步驟，以產生平滑的視盤分割數(shù)據，所述平滑的視盤分割數(shù)據用于所述步驟 (ii)，并作為輸入到所述自適應模型的數(shù)據。
3.根據權利要求1或2所述的方法，其中，在所述步驟(ii)之后，對從所述視杯分割步 驟(ii)中的輸出數(shù)據執(zhí)行一次或多次平滑算法，以產生平滑的視杯數(shù)據的各自集合，所述 平滑的視杯數(shù)據的集合或各集合在步驟(iii)中輸入到所述自適應模型。
4.根據權利要求3所述的方法，其中，有多個所述平滑算法，產生多個在步驟(iii)中 輸入到所述自適應模型的平滑視杯數(shù)據的各自集合。
5.根據權利要求3或4所述的方法，其中，所述平滑視杯數(shù)據和所述由所述視杯分割步 驟(ii)輸出的數(shù)據，均輸入到所述自適應模型。
6.根據權利要求1所述的方法，其中，所述視盤分割步驟(i)包括一個基于所述圖像中 點的強度在所述眼底圖像中識別一個有用區(qū)域的預備步驟。
7.根據前述任一項權利要求所述的方法，其中，所述視盤分割步驟(i)使用變分水平 集算法。
8.根據前述任一項權利要求所述的方法，其中，所述視杯分割步驟(ii)包括使用閾值 技術來估算視杯邊界的第一分步，和隨后的使用水平集技術的第二分步。
9.根據前述任一項權利要求所述的方法，其中，所述視杯分割步驟(ii)通過多個方法 進行，每個方法產生各自的視杯分割，步驟(iii)包括將從這些視杯分割中的每一個中得 到的數(shù)據輸入到所述自適應模型中。
10.根據前述任一項權利要求所述的方法，其中，眼底圖像包括多個色彩要素，所述分 割步驟(i)和(ii)中的至少一個僅使用所述彩色圖像的一單個要素進行。
11.根據前述任一項權利要求所述的方法，其中，所述自適應模型是一個多層神經網
12.根據前述任一項權利要求所述的方法，包括一個使用包括由臨床產生的目標⑶R 值的訓練集合、來訓練所述自適應模型的預備階段。
13.—種從2D視網膜眼底圖像獲得⑶R值的設備，包括處理器，布置為執(zhí)行下列步驟(i)進行視盤分割；(ii)進行視杯分割；以及(iii)將由視盤分割得到的數(shù)據和視杯分割得到的數(shù)據，輸入到自適應模型工具以生 成CDR值。
14.根據權利要求13所述的設備，其中，所述處理器配置為，以在所述步驟(i)之后，將 視盤分割的結果平滑以產生平滑的視盤分割數(shù)據，所述平滑的視盤分割數(shù)據用作輸入到所 述自適應模型的數(shù)據。
15.根據權利要求13或14所述的設備，其中，所述處理器配置為，以在所述步驟(ii)之后，對從所述視杯分割步驟(ii)中輸出的數(shù)據執(zhí)行一次或多次平滑算法，以產生平滑的 視杯數(shù)據的各自集合，所述平滑的視杯數(shù)據的集合或各集合在步驟(iii)中輸入到所述自 適應模型。
16.根據權利要求15所述的設備，其中，處理器配置為，執(zhí)行多個所述平滑算法，產生 多個在步驟(iii)中輸入到所述自適應模型的平滑視杯數(shù)據的各自集合。
17.根據權利要求15或16所述的設備，其中，所述平滑的視杯數(shù)據和由所述視杯分割 步驟(ii)輸出的數(shù)據，均輸入到所述自適應模型中。
18.根據權利要求13至17任一項所述的設備，其中，所述處理器配置為，作為視盤分割 的所述步驟(i)的一部分，以執(zhí)行一個基于所述圖像中點的強度在所述眼底圖像上識別一 個有用區(qū)域的預備步驟。
19.根據權利要求13至18任一項所述的設備，其中，處理器配置為，在視盤分割的步驟 (i)中使用變分水平集算法。
20.根據權利要求13至19任一項所述設備，其中，處理器配置為，在步驟(ii)，執(zhí)行使 用閾值技術來估算視杯邊界的第一分步，隨后執(zhí)行使用水平集技術的第二分步。
21.根據權利要求13至20任一項所述的設備，其中，所述處理器配置為，通過多個方法 執(zhí)行所述視杯分割步驟(ii)，每個方法產生各自的視杯分割，步驟(iii)包括將從這些視 杯分割中的每一個中得到的數(shù)據輸入到所述自適應模型中。
22.根據權利要求13至21任一項所述的設備，其中，所述處理器配置為，將所述眼底圖 像作為多個色彩要素對待，并僅使用所述彩色圖像的一單個要素來執(zhí)行至少一個所述分割 步驟⑴和(ii)。
23.根據權利要求13至22任一項所述的設備，其中，所述自適應模型是一個多層神經 網絡。
24.一種計算機程序產品，在所述計算機程序產品上存儲有可由計算機讀取以使所述 計算機執(zhí)行根據權利要求1至11任一項所述的方法的可讀程序指令。
全文摘要
一只眼睛視網膜眼底的二維視網膜眼底圖像，通過視盤分割(2)及隨后的視杯分割(4)，進行處理。視盤分割得到的數(shù)據(例如，視盤分割(2)的輸出和/或從視盤分割步驟，如平滑操作(3)，的輸出得到的數(shù)據)和視杯分割輸出得到的數(shù)據(例如，視杯分割(4)的輸出和/或從視盤分割，如平滑操作(5)，輸出得到的數(shù)據)，供給(6)給自適應模型，所述自適應模型受訓以從這種輸入產生一只眼睛杯盤比CDR的指示值。CDR是青光眼的指標。因此，本方法可用來篩查青光眼病人。
文檔編號A61B3/12GK102112044SQ200880129221
公開日2011年6月29日 申請日期2008年5月14日 優(yōu)先權日2008年5月14日
發(fā)明者劉江, 李久偉, 李輝奇, 王鐵銀, 達蒙·王文克 申請人:新加坡保健服務集團, 新加坡國立大學, 科學、技術與研究機構