視網(wǎng)膜圖像分析方法和裝置制造方法
【專利摘要】本申請?zhí)峁┝嗽\斷和/或預(yù)測個體中特征為視網(wǎng)膜病變的疾病的存在、進(jìn)展和/或治療效果的方法和裝置。
【專利說明】視網(wǎng)膜圖像分析方法和裝置
[0001]優(yōu)先權(quán)
[0002]本申請要求2011年4月7日提交的美國臨時專利申請第61/473,027號和2012 年I月20日提交的美國臨時專利申請第61/588,815號的優(yōu)先權(quán)，特此通過援引將所述申請的內(nèi)容整體并入本文。
【技術(shù)領(lǐng)域】
[0003]本申請通常涉及用于診斷和/或預(yù)測疾病的存在、進(jìn)展和/或治療效果的方法和裝置。具體而言，本申請涉及診斷和/或預(yù)測個體中特征為視網(wǎng)膜病變的疾病的存在、進(jìn)展和/或治療效果的方法和裝置。
【背景技術(shù)】
[0004]視網(wǎng)膜彩色 圖像是全身中直接檢查血管及其病理變化的唯一方式。其不僅能反映視網(wǎng)膜疾病，還能反映諸如中風(fēng)的系統(tǒng)性疾病的風(fēng)險。
[0005]大量流行病學(xué)研究表明，許多與長期高血壓和/或糖尿病相關(guān)的視網(wǎng)膜特征與中風(fēng)的發(fā)生率或流行相關(guān)。所檢測的這些視網(wǎng)膜特征包括視網(wǎng)膜血管直徑、小動脈-小靜脈交叉壓迫(arteriole-venule nipping)、視網(wǎng)膜病等。然而,還存在能為中風(fēng)患者分類提供更多信息的新的視網(wǎng)膜特征，如血管曲折度、血管不對稱性。此外，視網(wǎng)膜特征的相互聯(lián)系也為非中風(fēng)患者與中風(fēng)患者的劃分提供了非常重要的信息。我們在臨床研究中已經(jīng)證明， 利用視網(wǎng)膜血管曲折度和不對稱性以及視網(wǎng)膜特征的相互聯(lián)系的結(jié)果有助于非中風(fēng)患者與中風(fēng)患者的劃分。
[0006]除了我們?yōu)橹酗L(fēng)分類手動檢測的新的視網(wǎng)膜信息以外，基于分形分析(fractal analysis)、高階譜分析(high order spectral analysis)以及統(tǒng)計學(xué)紋理分析的計算機(jī)化自動化分析系統(tǒng)也可以根據(jù)對視網(wǎng)膜彩色圖像的分析進(jìn)行非中風(fēng)患者與中風(fēng)患者的劃分。由自動化系統(tǒng)所獲取的數(shù)據(jù)與臨床視網(wǎng)膜特征和其相互聯(lián)系的關(guān)聯(lián)性良好。利用這種關(guān)聯(lián)性，我們證明，自動化分析系統(tǒng)所能獲取的臨床重要的特征優(yōu)于且高于手動操作所能獲得的特征。利用可能的臨床解釋，可以將此擴(kuò)展至其它眼病。
[0007]視網(wǎng)膜病變已被證實(shí)與許多疾病相關(guān)，包括系統(tǒng)性疾病和眼病，所述系統(tǒng)性疾病例如中風(fēng)、高血壓、糖尿病，心血管疾病(包括冠心病和腦血管疾病)，所述眼病例如青光目艮、由于早產(chǎn)而導(dǎo)致的視網(wǎng)膜病、視神經(jīng)乳頭水腫、黃斑裂孔以及年齡相關(guān)性黃斑退變。
[0008]許多重要的眼病以及系統(tǒng)性疾病能在視網(wǎng)膜中表現(xiàn)出來。心血管疾病在視網(wǎng)膜中以多種方式表現(xiàn)出來。高血壓和動脈粥樣硬化使視網(wǎng)膜動脈和靜脈直徑的比發(fā)生變化，所述比稱為A/V比。A/V比降低(例如動脈變細(xì)以及靜脈變寬)與中風(fēng)風(fēng)險增加相關(guān)[bl]。 最近的研究還表明，視網(wǎng)膜動脈和靜脈體系的分支模式具有分形特征[b2]。例如，Patton N、Aslam T等人認(rèn)為，視網(wǎng)膜血管圖像分析是腦血管疾病的潛在篩查工具。他們提到，分形學(xué)提供了視網(wǎng)膜血管樹的天然的、全局的、綜合的描述，這是因?yàn)榉中螌W(xué)同時考慮到視網(wǎng)膜血管直徑的變化和分支模式的變化。Mainster M.A.和Daxer A.提供了與視網(wǎng)膜血管特征相關(guān)的其它研究，他們指出，視網(wǎng)膜動脈和靜脈模式的分形維數(shù)為1.62+0.05和1.7+0.07， 還指出，在視神經(jīng)盤或視神經(jīng)盤附近具有新血管形成(NVD)時的視網(wǎng)膜血管模式的分形維數(shù)為約1.8,相比之下,對照組為約1.7[b3-4] o然而,MacGillivary T.J.、Doubal F.N.等人比較了人視網(wǎng)膜血管系統(tǒng)的單分形分析和多重分形分析，并且他們認(rèn)為，對于檢測視網(wǎng)膜血管系統(tǒng)的小變化，多重分形方法更有效。因此，有理由認(rèn)為，人視網(wǎng)膜血管系統(tǒng)的單分形分析和多重分形分析都是有必要的。因此，相比于經(jīng)典幾何學(xué)，分形幾何學(xué)為眼的解剖學(xué)提供了全局性的且更準(zhǔn)確的描述。分形模式能表征血管模式如何跨越視網(wǎng)膜，并因此能夠提供有關(guān)血管1旲式和視網(wǎng)I吳疾病之丨0]關(guān)系的彳目息。
[0009]最近，Hsu ff.> Lee M.L.以及Wong T.Y.開發(fā)了用于自動分析視網(wǎng)膜圖像的平臺 (專利技術(shù))，其包括自動追蹤視網(wǎng)膜圖像中一個或多個血管的一個或多個路徑，并且由此獲得的信息可以用于形成醫(yī)學(xué)疾病狀態(tài)的診斷[b5]。他們還開發(fā)了自動化視網(wǎng)膜圖像分析系統(tǒng)和/或利用分形分析技術(shù)提供諸如高血壓的疾病的風(fēng)險預(yù)測。然而，與其它方法相 t匕，追蹤血管的方法非常依賴于視網(wǎng)膜圖像的質(zhì)量。同時，限定區(qū)域的血管測量在實(shí)際應(yīng)用中缺少靈活性，即圖像中的視神經(jīng)盤必須位于圖像的中間，因此如果視神經(jīng)盤未被置于中間，則可能無法涵蓋所有有用信息。此外，某些有用(或部分有用)的非視網(wǎng)膜血管系統(tǒng)相關(guān)信息可能會丟失，且更重要的是，幾乎所有視網(wǎng)膜圖像分析都忽略了血管測量的因子和/ 或與諸如高階譜(HOS)和紋理分析有關(guān)風(fēng)險因子的其它因子之間交互作用的效果。Acharya R.和Chua C.K.等人已經(jīng)發(fā)現(xiàn)，應(yīng)用HOS的非線性特征更適合形狀檢測，因此他們應(yīng)用這種技術(shù)來鑒定糖尿病視網(wǎng)膜病分期[b6]。Dobrescu R.和Dobrescu M等人應(yīng)用基于紋理分析和分形分析聯(lián)合的方法來檢測皮膚病變的惡性增殖[b7]。然而，直到現(xiàn)在，仍然沒有利用視網(wǎng)膜圖像、基于其特征的復(fù)合性(即形狀、強(qiáng)度、方向性等交互作用)來提供疾病風(fēng)險預(yù)測的綜合技術(shù)/方法。
[0010]我們開發(fā)了利用視網(wǎng)膜圖像的疾病自動檢測系統(tǒng)。我們首先由彩色圖像產(chǎn)生與糖尿病視網(wǎng)膜病、中風(fēng)和/或其它疾病相關(guān)的所有可能風(fēng)險因子。這包括來自強(qiáng)度變化方面的一些特征(例如高階譜、熵等)，以及來自灰度共生矩陣(或Haralick)以及游程長度矩陣紋理特征的一些特征。例如，我們之前用新血管形成檢測進(jìn)行的視網(wǎng)膜血管模式研究已經(jīng)證明，在某些高階譜特征和與血管形狀相關(guān)的特征之間存在很多顯著的交互作用。其次， 我們存儲了所有產(chǎn)生的因子，并應(yīng)用懲罰監(jiān)督邏輯回歸(penalized supervised logistic regression)來減少維數(shù)(或使用隨機(jī)森林法(random forest approach)來提取重要特征)。該過程用于產(chǎn)生與中風(fēng)和其它疾病相關(guān)的潛在重要特征。接下來我們應(yīng)用利用廣泛線性模型(MIGLM)的多模型推導(dǎo)來選擇能產(chǎn)生所有可能的因子以及它們的成對交互作用的最佳模型。最后，我們應(yīng)用隨機(jī)森林法評價中風(fēng)分類性能。利用懲罰監(jiān)督邏輯回歸和MIGLM 的優(yōu)勢在于它們的交互式作用保持性質(zhì)。隨機(jī)森林法是在高維空間中進(jìn)行非線性分類的值得考慮的合適方法[b8]。
[0011]發(fā)明概述
[0012]在本文所公開的一方面，提供了診斷和/預(yù)測個體中特征為視網(wǎng)膜病變的疾病的存在、進(jìn)展和/或治療效果的方法，包括如下步驟:
[0013](a)從所述個體獲得視網(wǎng)膜眼底圖像；
[0014](b)將所述圖像轉(zhuǎn) 化成灰度圖像和/或從所述圖像提取血管，從而獲得灰度圖像和/或血管圖像；
[0015](c)對所述灰度圖像和/或血管圖像進(jìn)行I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析，并產(chǎn)生一個或多個因子，其中所述I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析選自:
[0016]分形分析，
[0017]統(tǒng)計學(xué)紋理分析，
[0018]高階譜分析，
[0019]異常模式分析，
[0020]及以上的任意組合；以及
[0021](d)將由步驟(C)所獲得的一個或多個因子與對照的一個或多個因子進(jìn)行比較， 所述因子的改變指示所述個體中疾病的存在、進(jìn)展和/或治療效果。
[0022]在另一方面，提供了產(chǎn)生與個體中視網(wǎng)膜圖像改變相關(guān)的一個或多個因子的方法，包括如下步驟:
[0023](a)從所述個體獲得視網(wǎng)膜眼底圖像；
[0024](b)將所述圖像轉(zhuǎn)化為灰度圖像和/或從所述圖像提取血管，從而獲得灰度圖像和/或血管圖像；以及
[0025](C)對所述灰度圖像和/或血管圖像進(jìn)行I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析，并產(chǎn)生一個或多個因子，其中所述I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析選自:
[0026]分形分析，
[0027]統(tǒng)計學(xué)紋理分析，
[0028]高階譜分析，
[0029]異常模式分析，
[0030]及以上的任意組合。
[0031]在本文所公開的方法的一個實(shí)施方案中，步驟(b)包括使用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和/ 或二兀樹復(fù)數(shù)小波變換(dual tree complex wavelet transform)技術(shù)。
[0032]在一些實(shí)施方案中，本文所公開的方法包括對圖像進(jìn)行分形分析并產(chǎn)生與分形相關(guān)的特征。在一個實(shí)施方案中，分形分析可以包括使用復(fù)數(shù)小波方法，優(yōu)選復(fù)數(shù)小波領(lǐng)袖多重分形分析(complex wavelet Leader multifractal analysis)。在另一個實(shí)施方案中， 分形分析可以包括使用多重分形譜分析。在一個實(shí)施方案中，分形分析所產(chǎn)生的因子選自: Sum Average、Cluster Shade、豪斯多夫維數(shù)(Hausdorff dimension)以及以上的任意組合。[0033]在一些實(shí)施方案中，統(tǒng)計學(xué)紋理分析可以包括使用灰度共生矩陣(GLCM)和/ 或游程長度矩陣(RLM)來產(chǎn)生紋理特征，所述紋理特征包括標(biāo)準(zhǔn)化均勻性(normalized Homogeneity)、標(biāo)準(zhǔn)化熵(normalized Entropy)、標(biāo)準(zhǔn)化對比度(normalized Contrast)、 標(biāo)準(zhǔn)化四階矩(normalized4th moment)以及標(biāo)準(zhǔn)化游程百分比(normalized Run percentage)。在一些實(shí)施方案中，從高階譜(HOS)分析獲得的高階譜(HOS)特征可以包括 100級的熵1H0S特征；160級的熵2H0S特征；40級的熵3H0S特征；140和160級的熵3H0S 特征;40、140、160 和 180 級的熵相 HOS 特征;0、20、40、60、100、120、140、160 和 180 級的熵幅度HOS特征。在優(yōu)選的實(shí)施方案中，本文所公開的方法包括對灰度圖像聯(lián)合進(jìn)行統(tǒng)計學(xué)紋理分析與高階譜(HOS)分析，并產(chǎn)生與紋理相關(guān)的特征。[0034]在其它實(shí)施方案中，本文所公開的方法還包括分析灰度圖像和/或血管圖像的血管特性，并產(chǎn)生與血管特性相關(guān)的因子。與血管特性相關(guān)的因子可以是動脈/靜脈比 (AVR),其中 AVR=視網(wǎng)膜中央動脈等值(Central Retinal Artery Equivalent, CRAE) / 視網(wǎng)膜中央靜脈等值(Central Retinal Vein Equivalent, CRVE)。
[0035]在其它實(shí)施方案中，本文所公開的方法包括對灰度圖像和/或血管圖像進(jìn)行異常模式分析，并產(chǎn)生與異常模式相關(guān)的特征。在一個實(shí)施方案中，異常模式分析可以包括使用基于小波變換的小波算法，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。在另一實(shí)施方案中，異常模式分析可以包括聯(lián)合使用高階譜分析和基于小波變換的小波算法，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。在一些實(shí)施方案中，異常模式可以包括出血、滲出物、新血管、微血管瘤、增生性玻璃體視網(wǎng)膜病變或其任意組合。在具體實(shí)施方案中，異常模式是出血。
[0036]在本文所公開的方法的一些實(shí)施方案中，疾病選自:中風(fēng)、亞臨床腦損傷、腦白質(zhì)損傷、癡呆、高血壓、糖尿病、包括冠心病和腦血管疾病在內(nèi)的心血管疾病、青光眼、早產(chǎn)、視神經(jīng)乳頭水腫以及常見的視網(wǎng)膜疾病，如黃斑裂孔、年齡相關(guān)性黃斑退變。在一個實(shí)施方案中，所述疾病是中風(fēng)，且步驟(c)包括對灰度圖像和/或血管圖像進(jìn)行4項(xiàng)分析中的至少2 項(xiàng)，并產(chǎn)生一個或多個因子。在一個實(shí)施方案中，所述疾病是糖尿病，并且步驟(C)包括對灰度圖像和/或血管圖像進(jìn)行4項(xiàng)分析中的至少2項(xiàng)，并產(chǎn)生一個或多個因子。在另一實(shí)施方案中，所述疾病是糖尿病，并且步驟(c)包括對灰度圖像和/或血管圖像進(jìn)行統(tǒng)計學(xué)紋理分析和異常模式分析，并產(chǎn)生一個或多個因子。
[0037]在另一個實(shí)施方案中，本文所公開的方法可以用于對個體的視網(wǎng)膜病變進(jìn)行分級。在一個實(shí)施方案中，視網(wǎng)膜病變是糖尿病視網(wǎng)膜病變。
[0038]在本文所公開的另一方面，提供了用于診斷和/或預(yù)測個體中特征為視網(wǎng)膜病變的疾病的存在、進(jìn)展和/或治療效果的裝置，包括:
[0039]圖像獲取模塊，用于從所述個體獲得視網(wǎng)膜眼底圖像；
[0040]轉(zhuǎn)化模塊，用于將所述圖像轉(zhuǎn)化為灰度圖像和/或從所述圖像提取血管從而獲得所述灰度圖像和/或血管圖像；
[0041]分析模塊，包括I個或至少2個或更多個子模塊，所述子模塊用于執(zhí)行對灰度圖像和/或血管圖像的分析并產(chǎn)生一個或多個因子，其中I個或至少2個或更多個子模塊選自:[0042]分形分析子模塊，
[0043]統(tǒng)計學(xué)紋理分析子模塊，
[0044]高階譜分析子模塊，
[0045]異常模式分析子模塊，
[0046]以及以上的任意組合；以及
[0047]任選的比較模塊，用于將從所述分析模塊獲得的因子與對照的因子進(jìn)行比較。
[0048]在本文所公開的裝置的一個實(shí)施方案中，將轉(zhuǎn)化模塊設(shè)置為執(zhí)行數(shù)學(xué)形態(tài)學(xué)運(yùn)算和/或二元樹復(fù)數(shù)小波變換技術(shù)。
[0049]在一些實(shí)施方案中，分析模塊包括用于對圖像進(jìn)行分形分析并產(chǎn)生與分形相關(guān)的特征的分形分析子模塊。在一個實(shí)施方案中，將分形分析子模塊設(shè)置為執(zhí)行復(fù)數(shù)小波方法，優(yōu)選復(fù)數(shù)小波領(lǐng)袖多重分形分析。在另一實(shí)施方案中，將分形分析子模塊設(shè)置為執(zhí)行多重分形譜分析。在一個實(shí)施方案中，分形分析子模塊所產(chǎn)生的因子選自:Sum Average> Cluster Shade、豪斯多夫維數(shù)以及以上的任意組合。
[0050]在一些實(shí)施方案中，將統(tǒng)計學(xué)紋理分析子模塊設(shè)置為執(zhí)行灰度共生矩陣(GLCM) 和/或游程長度矩陣(RLM)，從而獲得紋理特征，所述紋理特征包括標(biāo)準(zhǔn)化均勻性、標(biāo)準(zhǔn)化熵、標(biāo)準(zhǔn)化對比度、標(biāo)準(zhǔn)化四階矩以及標(biāo)準(zhǔn)化游程百分比。在一些實(shí)施方案中，高階譜分析子模塊所產(chǎn)生的高階譜(HOS)特征包括100級的熵IHOS特征；160級的熵2H0S特征；40 級的熵3H0S特征；140和160級的熵3H0S特征;40、140、160和180級的熵相HOS特征；0、
20、40、60、100、120、140、160以及180級的熵幅度HOS特征。在一些實(shí)施方案中，分析模塊包括用于對灰度圖像和/或血管圖像進(jìn)行紋理分析并產(chǎn)生與紋理相關(guān)的因子的統(tǒng)計學(xué)紋理分析子模塊和/或高階譜分析子模塊。在優(yōu)選的實(shí)施方案中，統(tǒng)計學(xué)紋理分析子模塊與高階譜分析子模塊聯(lián)合使用。
[0051]在其它實(shí)施方案中，分析模塊還包括用于分析灰度圖像和/或血管圖像的血管特性并產(chǎn)生與血管特性相關(guān)的因子的血管特性分析子模塊。與血管特性相關(guān)的因子可以是動脈/靜脈比(AVR)，其中AVR=視網(wǎng)膜中央動脈等值(CRAE)/視網(wǎng)膜中央靜脈等值(CRVE)。
[0052]在其它實(shí)施方案中，分析模塊包括用于檢測灰度圖像和/或血管圖像的異常模式并產(chǎn)生與異常模式相關(guān)的特征的異常模式分析子模塊。在一個實(shí)施方案中，將異常模式分析子模塊設(shè)置為執(zhí)行基于小波變換的小波算法，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。在另一實(shí)施方案中，將異常模式分析子模塊設(shè)置為聯(lián)合執(zhí)行基于小波變換的小波算法和高階譜分析，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的 Radon變換。在一些實(shí)施方案中，異常模式可以包括出血、滲出物、新血管、微血管瘤、增生性玻璃體視網(wǎng)膜病變或其任意組合。在具體實(shí)施方案中，異常模式是出血。
[0053]在本文所公開的裝置的一些實(shí)施方案中，所述疾病選自中風(fēng)、亞臨床腦損傷、腦白質(zhì)損傷、癡呆、高血壓、糖尿病、包括冠心病和腦血管疾病在內(nèi)的心血管疾病、青光眼、早產(chǎn)、 視神經(jīng)乳頭水腫以及常見的視網(wǎng)膜疾病，例如黃斑裂孔、年齡相關(guān)性黃斑退變。在一個實(shí)施方案中，所述疾病是中風(fēng)，且所述分析模塊包括4個子模塊中的至少2個。在一個實(shí)施方案中，所述疾病是糖尿病，且所述分析模塊包括4個子模塊中的至少2個。在另一實(shí)施方案中， 所述疾病是糖尿病，且所述分析模塊包括統(tǒng)計學(xué)紋理分析子模塊和異常模式分析子模塊。
[0054]在另一個實(shí)施方案中，本文所公開的裝置可以用于對個體的視網(wǎng)膜病變進(jìn)行分級。在一個實(shí)施方案中，視網(wǎng)膜病變是糖尿病視網(wǎng)膜病變。
[0055]在本文所公開的另一方面，提供了對個體的糖尿病視網(wǎng)膜病進(jìn)行篩查或分級的方法，所述方法包括以下步驟: [0056]a)從個體獲取視網(wǎng)膜圖像；
[0057]b)利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和小波變換預(yù)處理圖像，從而增強(qiáng)圖像對比度；
[0058]c)通過形態(tài)學(xué)分析在預(yù)處理的圖像中定位視神經(jīng)盤和黃斑；
[0059]d)檢測并分析預(yù)處理圖像中與糖尿病視網(wǎng)膜病相關(guān)的異常模式，其中利用小波算法分析所述異常模式；以及
[0060]e)整合檢測結(jié)果，并基于所整合的結(jié)果對糖尿病視網(wǎng)膜病的嚴(yán)重程度進(jìn)行分級。
[0061]在本文所公開的另一方面，提供了用于對個體的糖尿病視網(wǎng)膜病進(jìn)行篩查或分級的系統(tǒng)，包括:[0062]a)用于從個體獲取視網(wǎng)膜圖像的第一模塊；
[0063]b)用于接收所述圖像并利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和小波變換預(yù)處理所述圖像從而增強(qiáng)圖像對比度的第二模塊；
[0064]c)用于通過形態(tài)學(xué)分析在預(yù)處理的圖像中定位視神經(jīng)盤和黃斑的第三模塊；
[0065]d)用于檢測和分析預(yù)處理的圖像中與視網(wǎng)膜病相關(guān)的異常模式的第四模塊，其任選地包括檢測不同異常模式的多個單元，其中利用小波算法分析所述異常模式；以及
[0066]e)用于整合分析的結(jié)果并基于整合的結(jié)果對視網(wǎng)膜病進(jìn)行分級的第五模塊。
[0067]根據(jù)下文提供的詳細(xì)描述和附圖，本發(fā)明所適用的其它范圍會更加清楚。然而，應(yīng)當(dāng)理解到，盡管以下詳細(xì)描述和實(shí)施例展示了本發(fā)明的優(yōu)選實(shí)施方案，但是其僅是以說明的方式給出，這是因?yàn)楦鶕?jù)以下詳細(xì)描述，本發(fā)明實(shí)質(zhì)和范圍內(nèi)的各種變化和修改對本領(lǐng)域技術(shù)人員而言是顯而易見的，且本發(fā)明的實(shí)質(zhì)和范圍由下文所附權(quán)利要求的范圍限定。
[0068]附圖簡要說明
[0069]圖1:整個系統(tǒng)的方框圖。
[0070]圖2 =AVR測量的整個方案的流程圖。
[0071]圖3:利用分形分析進(jìn)行的血管相關(guān)特征的整個方案的流程圖(除了 AVR測量以外的中風(fēng)相關(guān)特征的補(bǔ)充)。
[0072]圖4:糖尿病視網(wǎng)膜病的篩查或分級的示意圖。
[0073]圖5:糖尿病視網(wǎng)膜病的篩查或分級的示例性過程。
[0074]圖6:本申請的系統(tǒng)所檢測到的正常視網(wǎng)膜圖像和具有新血管的視網(wǎng)膜圖像。A: 正常視網(wǎng)膜圖像:正常視網(wǎng)膜圖像的血管分割；C:在視神經(jīng)盤中具有新血管的視網(wǎng)膜圖像；以及D:視神經(jīng)盤中的卷曲小血管。
[0075]圖7:血管曲折度水平的樣本視網(wǎng)膜彩色圖像。
[0076]圖8:風(fēng)險模型的接受者操作特征(ROC)分析。
[0077]圖9:自動檢測的AUC。
[0078]詳細(xì)描述
[0079]定義
[0080]本文所用的術(shù)語“包括(comprising) ”表示“包括(including)”。該術(shù)語的變形詞，例如“包括(comprise) ”和“包括(comprises) ”具有相應(yīng)的變化涵義。因此,例如，“包括”單元的模塊可以僅由該單元組成，或可以包括一個或多個其它單元。
[0081]在本申請中所用的單數(shù)形式“a”、“an”以及“the”包括復(fù)數(shù)涵義，除非上下文另作其它明確說明。具體而言，如果使用不定冠詞，則應(yīng)當(dāng)將說明書理解為考慮到了復(fù)數(shù)和單數(shù)，除非上下文另作其它要求。
[0082]本文所用術(shù)語“個體”以及“患者”可交換使用，表示包括非靈長類(如駱駝、驢、 斑馬、牛、豬、馬、貓、犬、大鼠和小鼠)和靈長類(如猴、黑猩猩以及人類)的哺乳動物。在某些實(shí)施方案中，個體或患者患有或易患特征為視網(wǎng)膜病變的疾病。
[0083]在本說明書中提到的“一個實(shí)施方案(one embodiment) ””或“一個實(shí)施方案(an embodiment) ” 或“在另一實(shí)施方案中(in another embodiment) ” 或“一些實(shí)施方案(some embodiments) ”或“其它實(shí)施方案(other embodiments) ”表示結(jié)合所述實(shí)施方案描述的具體對象的特點(diǎn)、結(jié)構(gòu)或特征包括在至少一個實(shí)施方案中。因此，在本說明書中各處出現(xiàn)的短語“在一個實(shí)施方案中(in one embodiment) ”或“在一個實(shí)施方案中(in an embodiment) ” 或“在另一實(shí)施方案中”或“在一些實(shí)施方案中”或“其它實(shí)施方案”未必都表不相同的實(shí)施方案。此外，在一個或多個實(shí)施方案中，可以以任何合適的方式組合具體的特點(diǎn)、結(jié)構(gòu)或特征。
[0084]術(shù)語“異常模式”表示在正常視網(wǎng)膜圖像中不存在且與糖尿病視網(wǎng)膜病相關(guān)的圖像信號。所述異常模式包括但不限于出血、滲出物、新血管、微血管瘤以及增生性玻璃體視網(wǎng)膜病。
[0085]以下描述進(jìn)一步詳細(xì)說明上文一個或多個實(shí)施方案，且描述的任何部分都可以單獨(dú)使用，并且以任何合適的方式在一個或多個實(shí)施方案中組合使用。
[0086]在本文所公開的一方面，提供了用于診斷和/或預(yù)測個體中特征為視網(wǎng)膜病變的疾病的存在、進(jìn)展和/或治療效果的方法，包括如下步驟:
[0087](a)從所述個體獲得視網(wǎng)膜眼底圖像；
[0088](b)將所述圖像轉(zhuǎn)化為灰度圖像和/或從所述圖像提取血管，從而獲得灰度圖像和/或血管圖像；
[0089](c)對所述灰度圖像和/或血管圖像進(jìn)行I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析，并產(chǎn)生一個或多個因子，其中所述I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析選自:
[0090]分形分析，
[0091]統(tǒng)計學(xué)紋理分析，
[0092]高階譜分析，
[0093]異常模式分析，
[0094]及以上的任意組合；以及
[0095](d)將步驟(C)獲得的一個或多個因子與對照的一個或多個因子進(jìn)行比較，所述因子的改變指示所述個體中所述疾病的存在、進(jìn)展和/或治療效果。
[0096]在另一方面，提供了用于產(chǎn)生與個體的視網(wǎng)膜圖像改變相關(guān)的一個或多個因子的方法，包括如下步驟:
[0097](a)從所述個體獲得視網(wǎng)膜眼底圖像；
[0098](b)將所述圖像轉(zhuǎn)化為灰度圖像和/或從所述圖像提取血管，從而獲得灰度圖像和/或血管圖像；以及
[0099](c)對所述灰度圖像和/或血管圖像進(jìn)行I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析，并產(chǎn)生一個或多個因子，其中所述I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析選自:
[0100]分形分析，
[0101]統(tǒng)計學(xué)紋理分析，
[0102]高階譜分析，
[0103]異常模式分析，
[0104]以及以上的任意組合。
[0105]在本文所公開的方法的一個實(shí)施方案中，步驟(b)包括使用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和/ 或二元樹復(fù)數(shù)小波變換技術(shù)。
[0106]在一些實(shí)施方案中，本文所公開的方法包括對圖像進(jìn)行分形分析，并產(chǎn)生與分形相關(guān)的特征。在一個實(shí)施方案中，分形分析可以包括使用復(fù)數(shù)小波方法，優(yōu)選復(fù)數(shù)小波領(lǐng)袖多重分形分析。在另一實(shí)施方案中，分形分析可以包括使用多重分形譜分析。在一個實(shí)施方案中，分形分析所產(chǎn)生的因子選自Sum Average、Cluster Shade、豪斯多夫維數(shù)以及以上的任意組合。
[0107]在一些實(shí)施方案中，統(tǒng)計學(xué)紋理分析可以包括使用灰度共生矩陣(GLCM)和/或游程長度矩陣(RLM)來產(chǎn)生紋理特征，所述紋理特征包括標(biāo)準(zhǔn)化均勻性、標(biāo)準(zhǔn)化熵、標(biāo)準(zhǔn)化對比度、標(biāo)準(zhǔn)化四階矩以及標(biāo)準(zhǔn)化游程百分比。在一些實(shí)施方案中，利用高階譜(HOS)分析所獲得的高階譜(HOS)特征可以包括100級的熵IHOS特征；160級的熵2H0S特征；40級的熵 3H0S特征；140和160級的熵3H0S特征;40、140、160和180級的熵相HOS特征;0、20、40、 60、100、120、140、160以及180級的熵幅度HOS特征。在優(yōu)選的實(shí)施方案中，本文所公開的方法包括對灰度圖像聯(lián)合進(jìn)行高階譜(HOS)分析和統(tǒng)計學(xué)紋理分析，并產(chǎn)生與紋理相關(guān)的特征。
[0108]在其它實(shí)施方案中，本文所公開的方法還包括分析灰度圖像和/或血管圖像的血管特性并產(chǎn)生與血管特性相關(guān)的因子。與血管特性相關(guān)的因子可以是動脈/靜脈比(AVR)， 其中AVR=視網(wǎng)膜中央動脈等值(CRAE)/視網(wǎng)膜中央靜脈等值(CRVE)。
[0109]在其它實(shí)施方案中，本文所公開的方法包括對灰度圖像和/或血管圖像進(jìn)行異常模式分析，并產(chǎn)生與異常模式相關(guān)的特征。在一個實(shí)施方案中，異常模式分析可以包括使用基于小波變換的小波算法，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。在另一實(shí)施方案中，異常模式分析可以包括聯(lián)合使用高階譜分析和基于小波變換的小波算法，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。在一些實(shí)施方案中，異常模式可以包括出血、滲出物、新血管、微血管瘤、增生性玻璃體視網(wǎng)膜病變或其任意組合。在具體實(shí)施方案中，異常模式是出血。
[0110]在本文所公開的方法的一些實(shí)施方案中，所述疾病選自中風(fēng)、亞臨床腦損傷、腦白質(zhì)損傷、癡呆、高血壓、糖尿病、包括冠心病和腦血管疾病在內(nèi)的心血管疾病、青光眼、早產(chǎn)、 視神經(jīng)乳頭水腫以及常見的視網(wǎng)膜疾病，如黃斑裂孔、年齡相關(guān)性黃斑退變。在一個實(shí)施方案中，所述疾病是中風(fēng)，且步驟(C)包括對灰度圖像和/或血管圖像進(jìn)行4項(xiàng)分析中的至少 2項(xiàng)，并產(chǎn)生一個或多個因子。在一個實(shí)施方案中，所述疾病是糖尿病，且步驟(C)包括對灰度圖像和/或血管圖像進(jìn)行4項(xiàng)分析中的至少2項(xiàng)，并產(chǎn)生一個或多個因子。在另一實(shí)施方案中，所述疾病是糖尿病，且步驟(C)包括對灰度圖像和/或血管圖像進(jìn)行統(tǒng)計學(xué)紋理分析和異常模式分析，并產(chǎn)生一個或多個因子。
[0111]在另一個實(shí)施方案中，本文所公開的方法可以用于對個體的視網(wǎng)膜病變進(jìn)行分級。在一個實(shí)施方案中，視網(wǎng)膜病變是糖尿病視網(wǎng)膜病變。
[0112]在本文所公開的另一方面，提供了用于診斷和/或預(yù)測個體中特征為視網(wǎng)膜病變的疾病的存在、進(jìn)展和/或治療效果的裝置，所述裝置包括: [0113]圖像獲取模塊，用于從所述個體獲得視網(wǎng)膜眼底圖像；
[0114]轉(zhuǎn)化模塊，用于將所述圖像轉(zhuǎn)化為灰度圖像和/或并從所述圖像提取血管，從而獲得所述灰度圖像和/或血管圖像；
[0115]分析模塊，其包含I個或至少2個或更多個子模塊，所述子模塊用于執(zhí)行對灰度圖像和/或血管圖像的分析，并產(chǎn)生一個或多個因子，其中I個或至少2個或更多個子模塊選自:[0116]分形分析子模塊，
[0117]統(tǒng)計學(xué)紋理分析子模塊，
[0118]高階譜分析子模塊，
[0119]異常模式分析子模塊，
[0120]及以上的任意組合；以及
[0121]任選的比較模塊，用于將從所述分析模塊獲得的因子與對照的因子進(jìn)行比較。
[0122]在本文所公開的裝置的一個實(shí)施方案中，將轉(zhuǎn)化模塊設(shè)置為執(zhí)行數(shù)學(xué)形態(tài)學(xué)運(yùn)算和/或二元樹復(fù)數(shù)小波變換技術(shù)。
[0123]在一些實(shí)施方案中，分析模塊包括用于對圖像進(jìn)行分形分析并產(chǎn)生與分形相關(guān)的特征的分形分析子模塊。在一個實(shí)施方案中，將分形分析子模塊設(shè)置為執(zhí)行復(fù)數(shù)小波方法， 優(yōu)選復(fù)數(shù)小波領(lǐng)袖多重分形分析。在另一實(shí)施方案中，將分形分析子模塊設(shè)置為執(zhí)行多重分形譜分析。在一個實(shí)施方案中，分形分析子模塊所產(chǎn)生的因子選自Sum Average、Cluster Shade、豪斯多夫維數(shù)以及以上的任意組合。
[0124]在一些實(shí)施方案中，將統(tǒng)計學(xué)紋理分析子模塊設(shè)置為執(zhí)行灰度共生矩陣(GLCM) 和/或游程長度矩陣(RLM)來獲得紋理特征，所述紋理特征包括標(biāo)準(zhǔn)化均勻性、標(biāo)準(zhǔn)化熵、 標(biāo)準(zhǔn)化對比度、標(biāo)準(zhǔn)化四階矩以及標(biāo)準(zhǔn)化游程百分比。在一些實(shí)施方案中，高階譜分析子模塊所產(chǎn)生的高階譜(HOS)特征可以包括100級的熵IHOS特征、160級的熵2H0S ；40級的熵 3H0S特征；140和160級的熵3H0S特征;40、140、160和180級的熵相HOS特征;0、20、40、 60、100、120、140、160以及180級的熵幅度HOS特征。在一些實(shí)施方案中，分析模塊包括用于對灰度圖像和/或血管圖像進(jìn)行紋理分析并產(chǎn)生與紋理相關(guān)的因子的統(tǒng)計學(xué)紋理分析子模塊和/或高階譜分析子模塊。在優(yōu)選的實(shí)施方案中，統(tǒng)計學(xué)紋理分析子模塊與高階譜分析子模塊聯(lián)合使用。
[0125]在其它實(shí)施方案中，分析模塊還包括用于分析灰度圖像和/或血管圖像的血管特性并產(chǎn)生與血管特性相關(guān)的因子的血管特性分析子模塊。與血管 特性相關(guān)的因子可以是動脈/靜脈比(AVR)，其中AVR=視網(wǎng)膜中央動脈等值(CRAE)/視網(wǎng)膜中央靜脈等值(CRVE)。
[0126]在其它實(shí)施方案中，分析模塊包括用于檢測灰度圖像和/或血管圖像的異常模式并產(chǎn)生與異常模式相關(guān)的特征的異常模式分析子模塊。在一個實(shí)施方案中，將異常模式分析子模塊設(shè)置為執(zhí)行基于小波變換的小波算法，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。在另一實(shí)施方案中，將異常模式分析子模塊設(shè)置為聯(lián)合執(zhí)行高階譜分析和基于小波變換的小波算法，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的 Radon變換。在一些實(shí)施方案中，異常模式可以包括出血、滲出物、新血管、微血管瘤、增生性玻璃體視網(wǎng)膜病變或其任意組合。在具體實(shí)施方案中，異常模式是出血。
[0127]在本文所公開的裝置的一些實(shí)施方案中，所述疾病選自中風(fēng)、亞臨床腦損傷、腦白質(zhì)損傷、癡呆、高血壓、糖尿病、包括冠心病和腦血管疾病在內(nèi)的心血管疾病、青光眼、早產(chǎn)、 視神經(jīng)乳頭水腫以及常見的視網(wǎng)膜疾病，如黃斑裂孔、年齡相關(guān)性黃斑退變。在一個實(shí)施方案中，所述疾病是中風(fēng)，且分析模塊包括4個子模塊中的至少2個。在一個實(shí)施方案中，所述疾病是糖尿病，且分析模塊包括4個子模塊中的至少2個。在另一實(shí)施方案中，所述疾病是糖尿病，且分析模塊包括統(tǒng)計學(xué)紋理分析子模塊和異常模式分析子模塊。
[0128]在另一個實(shí)施方案中，本文所公開的裝置可以用于對個體的視網(wǎng)膜病變進(jìn)行分級。在一個實(shí)施方案中，視網(wǎng)膜病變是糖尿病視網(wǎng)膜病變。
[0129]在本文所公開的方法或裝置的一些實(shí)施方案中，豪斯多夫維數(shù)與小動脈的標(biāo)準(zhǔn)化直徑(NadjustedCRAE)、小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)(Vasymmetry by NadjustedCRAE)、平均小靜脈不對稱指數(shù)(mean venules Vasymmetry)以及具有調(diào)整后小動脈直徑的出血相關(guān)或統(tǒng)計學(xué)上顯著相關(guān)，和/或豪斯多夫維數(shù)與心房顫動、高血壓、出血、糖尿病、血管曲折以及小動脈-小靜脈狹窄(arteriole-venule nicking)相關(guān)。
[0130]在本文所公開的方法或裝置的一些實(shí)施方案中，分形相關(guān)紋理特征Sum Average 和Cluster Shade與小動脈的標(biāo)準(zhǔn)化直徑(NadjustedCRAE)、小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)、平均小靜脈不對稱指數(shù)以及具有調(diào)整后小動脈直徑的出血(統(tǒng)計學(xué)上顯著)相關(guān)。
[0131]在本文所公開的方法或裝置的一些實(shí)施方案中，標(biāo)準(zhǔn)化均勻性的紋理特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)、小動脈標(biāo)準(zhǔn)化直徑、平均小靜脈不對稱指數(shù)、具有調(diào)整后小動脈直徑的出血以及具有曲折度的小靜脈平均不對稱指數(shù)(Vasymmetry)。
[0132]在本文所 公開的方法或裝置的一些實(shí)施方案中，標(biāo)準(zhǔn)化熵的紋理特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)、小動脈標(biāo)準(zhǔn)化直徑、平均小靜脈不對稱指數(shù)、具有調(diào)整后小動脈直徑的出血以及具有曲折度的小靜脈平均不對稱指數(shù)。
[0133]在本文所公開的方法或裝置的一些實(shí)施方案中，標(biāo)準(zhǔn)化對比度的紋理特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)、小動脈標(biāo)準(zhǔn)化直徑、平均小靜脈不對稱指數(shù)、具有調(diào)整后小動脈直徑的出血以及具有曲折度的小靜脈平均不對稱指數(shù)。
[0134]在本文所公開的方法或裝置的一些實(shí)施方案中，標(biāo)準(zhǔn)化四階矩的紋理特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)、小動脈標(biāo)準(zhǔn)化直徑、平均小靜脈不對稱指數(shù)、具有調(diào)整后小動脈直徑的出血以及具有曲折度的小靜脈平均不對稱指數(shù)。
[0135]在本文所公開的方法或裝置的一些實(shí)施方案中，標(biāo)準(zhǔn)化游程百分比的紋理特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)、小動脈標(biāo)準(zhǔn)化直徑、平均小靜脈不對稱指數(shù)、具有調(diào)整后小動脈直徑的出血以及具有曲折度的小靜脈平均不對稱指數(shù)。
[0136]在本文所公開的方法或裝置的一些實(shí)施方案中，標(biāo)準(zhǔn)化熵的紋理特征與中風(fēng)相關(guān)特征相關(guān)(比值比中的大值):交叉壓迫。
[0137]在本文所公開的方法或裝置的一些實(shí)施方案中，100級的熵I的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):小動脈標(biāo)準(zhǔn)化直徑；和/或160級的熵2的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):具有調(diào)整后小動脈直徑的出血；和/或160級的熵3 的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)和單獨(dú)的小動脈標(biāo)準(zhǔn)化直徑。
[0138]在本文所公開的方法或裝置的一些實(shí)施方案中，140級的熵相的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)；和/或160級的熵相的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):小動脈標(biāo)準(zhǔn)化直徑；和/或 180級的熵相的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):單獨(dú)的小動脈標(biāo)準(zhǔn)化直徑和小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)。
[0139]在本文所公開的方法或裝置的一些實(shí)施方案中，0級的熵幅度的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):具有曲折度的小靜脈平均不對稱指數(shù)；和/或20級的熵幅度的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):具有曲折度的小靜脈平均不對稱指數(shù)；和/或40級的熵幅度的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):小動脈標(biāo)準(zhǔn)化直徑；和/或60級的熵幅度的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)高度相關(guān): 小動脈標(biāo)準(zhǔn)化直徑；和/或100級的熵幅度的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著) 相關(guān):具有曲折度的小靜脈平均不對稱指數(shù)、小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)以及平均小靜脈不對稱指數(shù)；和/或120級的熵幅度的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)高度相關(guān):單獨(dú)的小動脈標(biāo)準(zhǔn)化直徑和具有調(diào)整后小動脈直徑的出血；和/或140 級熵幅度的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)相關(guān):單獨(dú)的小動脈標(biāo)準(zhǔn)化直徑和小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)；和/或160級的熵幅度的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)高度相關(guān):單獨(dú)的小動脈標(biāo)準(zhǔn)化直徑和具有曲折度的小靜脈平均不對稱指數(shù)；和/或180級的熵幅度的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯著)高度相關(guān):小動脈標(biāo)準(zhǔn)化直徑的小靜脈平均不對稱指數(shù)和具有曲折度的小靜脈平均不對稱指數(shù)。
[0140]在本文所公開的方法或裝置的一些實(shí)施方案中，180級的熵相的HOS特征與中風(fēng)相關(guān)特征(統(tǒng)計學(xué)上顯者)相關(guān):AF ;和/或與聞血壓的中風(fēng)相關(guān)特征聞度相關(guān)的其它HOS 特征為:40、60、100、120和140級的熵幅度；和/或與糖尿病的中風(fēng)相關(guān)特征相關(guān)的HOS特征為:40和140級的熵3、140級的熵相、100和120級的熵幅度；和/或與出血的中風(fēng)相關(guān)特征相關(guān)的HOS特征為:0和160級的熵I和120級的熵幅度；和/或與曲折度0_1的中風(fēng)相關(guān)特征相關(guān)的HOS特征為:0級的熵1、40和140級的熵幅度。
[0141]本申請的另一方面涉及用于對個體的糖尿病視網(wǎng)膜病進(jìn)行篩查或分級的系統(tǒng)，包括:
[0142]a)用于從個體獲取視網(wǎng)膜圖像的第一模塊；
[0143]b)用于接受圖像并利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和小波變換預(yù)處理圖像從而增強(qiáng)圖像對比度的第二模塊；
[0144]c)用于通過形態(tài)學(xué)分析在預(yù)處理的圖像中定位視神經(jīng)盤和黃斑的第三模塊；
[0145]d)用于檢測和分析與預(yù)處理圖像中的視網(wǎng)膜病相關(guān)的異常模式的第四模塊，其任選地包括檢測不同異常模式的多個單元，其中利用小波算法分析所述異常模式；以及
[0146]e)用于整合分析的結(jié)果并基于整合的結(jié)果對視網(wǎng)膜病進(jìn)行分級的第五模塊。
[0147]第一模塊可以是適合獲取視網(wǎng)膜圖像的任何成像單元，優(yōu)選將其與其它模塊整合。在一個實(shí)施方案中，第一模塊是數(shù)字眼底照相機(jī)。
[0148]在一個實(shí)施方案中，將用于預(yù)處理的第二模塊設(shè)置為用于檢測并降低獲取的圖像的非均勻性光照(non-uniform illumination),并利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和小波變換增強(qiáng)圖像對比度。
[0149]在優(yōu)選的實(shí)施方案中，將第二模塊設(shè)置為利用去相關(guān)拉伸法(decorrelation stretching method)來檢測并降低獲取的圖像的非均勻性光照,所述去相關(guān)拉伸法利用混合中值過濾(hybrid median filtering)、top-hat、bottom-hat以及用于灰度的形態(tài)學(xué)增強(qiáng)算子(morphological enhancement operator)。
[0150]在另一優(yōu)選的實(shí)施方案中，將第二模塊設(shè)置為利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和二元樹復(fù)數(shù)小波變換(DTCWT)來增強(qiáng)圖像對比度。
[0151]在一個實(shí)施方案中，用于定位視神經(jīng)盤和黃斑的第三模塊執(zhí)行形態(tài)學(xué)分析，其包括利用擴(kuò)張并利用盤形狀上的結(jié)構(gòu)元素來腐蝕預(yù)處理的圖像，用于過濾非圓形樣的斑點(diǎn)。
[0152]在優(yōu)選的實(shí)施方案中，第四模塊所執(zhí)行的小波算法是基于小波變換的算法。更優(yōu)選地，小波算法選自二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。最優(yōu)選地，將第四模塊設(shè)置為聯(lián)合執(zhí)行小波算法和高階譜分析。
[0153]在一個實(shí)施方案中，用于對個體的糖尿病視網(wǎng)膜病進(jìn)行篩查或分級的系統(tǒng)還包括第六模塊，其用于在檢測異常模式之前提取并移除血管。
[0154]優(yōu)選地，將第六模塊設(shè)置為利用基于血管的技術(shù)來確定并提取血管，所述基于血管的技術(shù)選自:數(shù)學(xué)形態(tài)學(xué)運(yùn)算與二元樹復(fù)數(shù)小波變換(DTCWT)法、形態(tài)學(xué)過濾器、匹配過濾器以及其組合。
[0155]在另一實(shí)施方案中，用于對個體的糖尿病視網(wǎng)膜病進(jìn)行篩查或分級的系統(tǒng)還包括第七模塊，其用于分析預(yù)處理圖像的紋理，從而準(zhǔn)確地檢測異常模式。
[0156]在優(yōu)選的實(shí)施方案中，將第七模塊設(shè)置為利用統(tǒng)計學(xué)紋理分析技術(shù)和高階譜分析來分析紋理。更優(yōu)選的是，統(tǒng)計學(xué)紋理分析技術(shù)可以選自灰度共生矩陣(GLCM)方法和游程長度矩陣(RLM)方法。
[0157]在另一優(yōu)選的實(shí)施方案中，將第七模塊設(shè)置為聯(lián)合使用小波變換和高階譜分析來分析紋理。更優(yōu)選的是，小波變換是基于小波的Radon變換，且高階譜特征是第三階譜分析。
[0158]出于方便的目的，可以將多個模塊整合在一起用于糖尿病視網(wǎng)膜病的篩查、診斷或分級。
[0159]本發(fā)明的另一方 面涉及對個體的視網(wǎng)膜病進(jìn)行篩查或分級的方法，包括如下步驟:
[0160]a)從個體獲取視網(wǎng)膜圖像；
[0161]b)利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和小波變換預(yù)處理所述圖像，從而增強(qiáng)圖像對比度；
[0162]c)通過形態(tài)學(xué)分析在預(yù)處理的圖像中定位視神經(jīng)盤和黃斑；以及
[0163]d)檢測并分析預(yù)處理圖像中的視網(wǎng)膜病相關(guān)的異常模式，其中利用小波算法分析所述異常模式；以及
[0164]e)整合檢測結(jié)果，并基于所述整合的結(jié)果對視網(wǎng)膜病的嚴(yán)重程度進(jìn)行分級。
[0165]在一個實(shí)施方案中，獲取的圖像的預(yù)處理包括圖像清晰度評估、輸入圖像的自動評估以及利用小波變換分析增強(qiáng)合格圖像對比度。在優(yōu)選的實(shí)施方案中，圖像清晰度評估包括檢測非均勻性光照并將其降低。在更優(yōu)選的實(shí)施方案中，降低圖像的非均勻性光照是基于去相關(guān)拉伸法，所述去相關(guān)拉伸法利用混合中值過濾、top-hat、bottom-hat以及形態(tài)增強(qiáng)算子。優(yōu)選地，利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和小波變換執(zhí)行預(yù)處理步驟所包括的圖像增強(qiáng)，從而同時降噪并增強(qiáng)對比度。
[0166]有利的是，在優(yōu)選的實(shí)例中，獲取的圖像的預(yù)處理步驟包括:[0167]i)在檢測和降低非均勻性光照中，對于最初的彩色圖像，使用Retinex相關(guān)技術(shù)， 并且對于灰度，使用具有直方圖均衡的梯度場；
[0168]ii)基于清晰度和場定義(field definition)(參閱，F(xiàn)leming, A.D., et al., Automated assessment of diabetic retinal image quality based on clarity and field definition.1nvest Ophthalmol Vis Sci, 2006.47 (3):p.1120—5)自動評估獲取的圖像的質(zhì)量；以及
[0169]iii)用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和二元樹復(fù)數(shù)小波變換(DTCWT)增強(qiáng)合格圖像對比度。
[0170]在一個實(shí)施方案中，視神經(jīng)盤的定位可以基于現(xiàn)有技術(shù)中能區(qū)分視網(wǎng)膜解剖結(jié)構(gòu)與病變的已知方法。例如，Osareh, A.，AutomatedIdentification of Diabetic Retinal Exudates and the Optic Disc, flldrifei!, Department of Computer Sciene, University of Bristol，2004描述了基于視神經(jīng)盤的緊密度特征來鑒定視神經(jīng)盤:緊密度=(區(qū)域邊界長度)2/面積,其中可以用邊界追蹤算法(參閱Sonka, M., V.Hlavac, and R.Boyle, Image processing, analysis, and machine vision.2nd ed.1999, PffS Pub)來獲得區(qū)域邊界長度 (region border length)?；蛘撸梢允褂美?Hough 循環(huán)法(Hough circle method)的圓度檢測、幾何結(jié)構(gòu)(橢圓定位)法或最高強(qiáng)度區(qū)域檢測來檢測并定位視網(wǎng)膜圖像中的視神經(jīng)盤。
[0171]在優(yōu)選的實(shí)施方案中，通過形態(tài)學(xué)分析執(zhí)行視神經(jīng)盤定位，所述形態(tài)學(xué)分析優(yōu)選包括利用擴(kuò)張并利用盤形狀上的結(jié)構(gòu)元素來腐蝕預(yù)處理的圖像，用于過濾非圓形樣的斑點(diǎn)。
[0172]在某些實(shí)施方案中，黃斑檢測是基于與視神經(jīng)盤檢測相似的方式，但在黃斑檢測中調(diào)換背景色(灰度)并隨后應(yīng)用距OD的恒定距離(2.5直徑)來尋找最暗區(qū)域，這是因?yàn)辄S斑經(jīng)常表現(xiàn)為變暗的區(qū)域且距視神經(jīng)盤中心的距離為約2.5倍視神經(jīng)盤直徑。本領(lǐng)域已知的是，黃斑定位有助于威脅視覺銳度的病變的早期檢測，并能增強(qiáng)病變檢測的準(zhǔn)確性。
[0173]在一個實(shí)施方案中，用于對視網(wǎng)膜病進(jìn)行篩查或分級的系統(tǒng)或方法還包括:用于在檢測異常模式前提取并除去血管的模塊或步驟，從而有利于異常模式病變檢測的準(zhǔn)確性。借助于具有光電圖像轉(zhuǎn)化的光學(xué)成像技術(shù)或借助于電子圖像生成技術(shù)(例如血管攝影圖像掃描)可以進(jìn)行血管成像。此外，眼后部中血管的擴(kuò)張測量可以基于在眼底鏡檢圖像中使用光學(xué)準(zhǔn)確性測量技術(shù)，使用攝影底片的準(zhǔn)確性光學(xué)測量技術(shù)和測光密度術(shù)，或基于光電測量方法。鑒定血管的其它裝置或方法在本領(lǐng)域中是已知的(參閱例如Suzuki，Y.Surv.0phthalmol.1995, May39Suppl.1:57-65;Schack et al.Mustererkennung1994,Spr inger-Pub.，475-481 ;DE3, 839，272;美國專利第 5，031，632 號；和美國專利第 6，621，917 號)。
[0174]可選地或另外地 ，基于血管的技術(shù)的實(shí)例可以包括，例如數(shù)學(xué)形態(tài)學(xué)運(yùn)算與二元樹復(fù)數(shù)小波變換(DTCWT)法、形態(tài)過濾器、匹配過濾器以及其組合。
[0175]在另一優(yōu)選的實(shí)施方案中，所述系統(tǒng)或方法還包括分析視網(wǎng)膜圖像的紋理的模塊或步驟，從而準(zhǔn)確地檢測包括出血和滲出物在內(nèi)的異常模式?？梢詫⒓y理描述為表示數(shù)字圖像的某區(qū)域中像素灰度空間排列的屬性。在紋理分析中，其任務(wù)是執(zhí)行分類、分割以及合成。例如，統(tǒng)計學(xué)幾何特征和樹狀小波變換可以用于紋理分析和分類(參閱例 如 Chen, Y.Q.，M.S.Nixon, and D.ff.Thomas, Texture Classification Using.1mageProcessing, 1994:p.446-4501050 ；和 Chang，T.and C.C.J.Kuoj Texture analysis and classification with tree-structured wavelet transform.1eee Transactions on Image Processing, 1993.2(4):p.429-441)。
[0176]在另一優(yōu)選的實(shí)施方案中，分析紋理的方法可以包括但不限于統(tǒng)計學(xué)紋理分析技術(shù)、結(jié)構(gòu)紋理分析技術(shù)、基于模型的紋理分析技術(shù)以及基于變換的紋理分析技術(shù)。
[0177]具體地，統(tǒng)計學(xué)紋理分析技術(shù)的實(shí)例可以包括但不限于灰度共生矩陣(GLCM)方法和游程長度矩陣(RLM)方法，灰度共生矩陣(GLCM)方法基于使用灰度圖像直方圖的二階統(tǒng)計學(xué)，游程長度矩陣(RLM)方法包括灰度直方圖的高階統(tǒng)計學(xué)。結(jié)構(gòu)紋理分析的實(shí)例包括使用不同形狀的結(jié)構(gòu)化元素并將真實(shí)紋理設(shè)想為失真版的理想紋理(參閱例如 Indahl, U.G.and T.Naesj Evaluation of alternative spectral feature extraction methods of textural images for multivariate modeling.Journal of Chemometri cs，1998.12(4):p.261-278)?；谀Ｐ偷募y理分析技術(shù)包括自回歸(AR)模型、馬爾可夫隨機(jī)場(Markov random field, MRF)(參閱 Cross, G.R.and A.K.Jain, Markov Random Field Texture Models.1eee Transactions on Pattern Analysis and Machine Intelligence, 1983.5(1):p.25-39)以及分形模型。基于變換的紋理分析技術(shù)利用像素強(qiáng)度變化的空間頻率特性將圖像轉(zhuǎn)化為新的形式。這類技術(shù)的優(yōu)選實(shí)例包括Gabor過濾器、 小波變換分析以及Angle測量技術(shù)(Angle measure technique, AMT)。具體而言,可以將來源于一組Gabor過濾器的特征用于紋理分析以進(jìn)行圖像分割。提取特征的小波變換方法可以用于表征紋理并處理紋理分割和分類的問題。此外，可以用AMT從展開的圖像像素值提取紋理特征，從而利用多變量統(tǒng)計學(xué)技術(shù)來表征并預(yù)測外部測量的參照紋理。
[0178]在優(yōu)選的實(shí)施方案中，利用統(tǒng)計學(xué)紋理分析技術(shù)(例如GLCM和RLM)和數(shù)字眼底圖像的高階譜(HOS)特征(例如閾值特征強(qiáng)度的三階矩)來分析視網(wǎng)膜圖像的紋理。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解到，可以將整個圖像區(qū)域上提取的特征(即強(qiáng)度的平均值或概率)的閾值強(qiáng)度值的期望面積視為一階統(tǒng)計量。GLCM可以是二階測量，這是因?yàn)槠錅y量相鄰像素的關(guān)系。
[0179]在更優(yōu)選的實(shí)施方案中，聯(lián)合使用小波變換和HOS來分析視網(wǎng)膜圖像的紋理。最優(yōu)選的是，聯(lián)合使用基于小波的Radon變換和HOS來分析紋理。已知HOS由矩和累積譜組成，并可以用于確定性信號和隨機(jī)過程。總共有6個HOS參數(shù)(特征)，可以基于雙譜不變量(b1-spectral invariant)來提取它們。雙譜不變量含有關(guān)于窗口內(nèi)波形形狀的信息， 并且對于移位和放大是不變量。5個參數(shù)為熵I (熵平均值)、熵2 (熵方差)、熵3 (熵三階矩)、熵相、熵幅度。HOS提供的額外信息會實(shí)現(xiàn)更好的參數(shù)評估，并闡明信號源的非線性。 此外，高階譜的使用可以實(shí)現(xiàn)良好的抗噪性。
[0180]在優(yōu)選的實(shí)施方案中，異常模式檢測還包括定量計算異常模式的數(shù)量、面積以及位置。
[0181]優(yōu)選地，利用小波方法檢測和分析本文所定義的異常模式。在更優(yōu)選的實(shí)施方案中，聯(lián)合利用小波處理和高階譜分析來檢測異常模式。最優(yōu)選的是，小波處理是基于小波的 Radon變換或二元樹復(fù)數(shù)小波變換,且高階譜特征為三階譜分析。
[0182]如上文所述，異常模式包括但不限于出血、滲出物、新血管、微血管瘤以及增生性玻璃體視網(wǎng)膜病變(PVR)。這類模式在大小、形狀、糙度、邊緣銳度、亮度以及顏色方面有明石角的定義(表 I)(參閱 Yen, G.G.and ff.F.Leong, A sorting system for hierarchical grading of diabetic fundus images:a preliminary study.1EEE Trans Inf Technol Biomed, 2008.12(1):p.118-30)，并且因此可以利用計算機(jī)程序來測量。
[0183]表1.在計算機(jī)編程中對糖尿病視網(wǎng)膜病診斷中的模式的定義
[0184]
【權(quán)利要求】
1.診斷和/或預(yù)測個體中特征為視網(wǎng)膜病變的疾病的存在、進(jìn)展和/或治療效果的方法，包括如下步驟:(a)從所述個體獲得視網(wǎng)膜眼底圖像；(b)將所述圖像轉(zhuǎn)化為灰度圖像和/或從所述圖像提取血管，從而獲得所述灰度圖像和/或血管圖像；(c)對所述灰度圖像和/或血管圖像進(jìn)行I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析，并產(chǎn)生一個或多個因子，其中所述I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析選自:分形分析，統(tǒng)計學(xué)紋理分析，高階譜分析，異常模式分析，及以上的任何組合；以及(d)將從步驟(c)獲得的所述一個或多個因子與對照的一個或多個因子進(jìn)行比較，所述因子的改變指示所述個體中所述疾病的存在、進(jìn)展和/或治療效果 。
2.如權(quán)利要求1所述的方法，其中所述疾病選自中風(fēng)、高血壓、糖尿病，包括冠心病和腦血管疾病在內(nèi)的心血管疾病、青光眼、早產(chǎn)、視神經(jīng)乳頭水腫以及常見的視網(wǎng)膜疾病，如黃斑裂孔、年齡相關(guān)性黃斑退變。
3.如權(quán)利要求1所述的方法，其中所述疾病是中風(fēng)，且步驟(c)包括對所述灰度圖像和 /或血管圖像進(jìn)行權(quán)利要求1所述的4項(xiàng)分析中的至少2項(xiàng)，并產(chǎn)生一個或多個因子。
4.如權(quán)利要求1所述的方法，其中所述疾病是糖尿病，且步驟(c)包括對所述灰度圖像和/或血管圖像進(jìn)行權(quán)利要求1所述的4項(xiàng)分析中的至少2項(xiàng)，并產(chǎn)生一個或多個因子。
5.如權(quán)利要求1-4中任一項(xiàng)所述的方法，其中步驟(b)包括使用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和/ 或二元樹復(fù)數(shù)小波變換技術(shù)。
6.如權(quán)利要求1-5中任一項(xiàng)所述的方法，其中步驟(c)中的所述分形分析包括使用復(fù)數(shù)小波方法，優(yōu)選復(fù)數(shù)小波領(lǐng)袖多重分形分析。
7.如權(quán)利要求1-6中任一項(xiàng)所述的方法，其中所述步驟(c)中的分形分析包括使用多重分形譜分析。
8.如權(quán)利要求1-7中任一項(xiàng)所述的方法，其中所述分形分析所產(chǎn)生的因子選自Sum Average、Cluster Shade、豪斯多夫維數(shù)以及以上的任意組合。
9.如權(quán)利要求1-8中任一項(xiàng)所述的方法，其中步驟(c)中的所述統(tǒng)計學(xué)紋理分析包括使用灰度共生矩陣(GLCM)和/或游程長度矩陣(RLM)來獲得紋理特征，所述紋理特征包括標(biāo)準(zhǔn)化均勻性、標(biāo)準(zhǔn)化熵、標(biāo)準(zhǔn)化對比度、標(biāo)準(zhǔn)化四階矩以及標(biāo)準(zhǔn)化游程百分比。
10.如權(quán)利要求1-9中任一項(xiàng)所述的方法，其中從步驟(c)中的所述高階譜分析獲得的高階譜(HOS)特征包括100級的熵IHOS特征、160級的熵2H0S特征，40、140和160級的熵 3H0S 特征，40、140、160 和 180 級的熵相 HOS 特征，0、20、40、60、100、120、140、160 和 180 級的熵幅度HOS特征。
11.如權(quán)利要求1-10中任一項(xiàng)所述的方法，其中步驟(c)中的所述異常模式分析包括使用基于小波變換的小波算法，優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。
12.如權(quán)利要求1-10中任一項(xiàng)所述的方法，其中步驟(c)中的所述異常模式分析包括聯(lián)合使用高階譜分析和基于小波變換的小波算法，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。
13.如權(quán)利要求1-12中任一項(xiàng)所述的方法，其中所述異常模式包括出血、滲出物、新血管、微血管瘤、增生性玻璃體視網(wǎng)膜病變或其任意組合。
14.如權(quán)利要求13所述的方法，其中異常模式是出血。
15.產(chǎn)生與個體疾病中的視網(wǎng)膜病變相關(guān)的一個或多個因子的方法，包括以下步驟:(a)從所述個體獲得視網(wǎng)膜眼底圖像；(b)將所述圖像轉(zhuǎn)化為灰度圖像和/或從所述圖像提取血管，從而獲得所述灰度圖像和/或血管圖像；以及(C)對所述灰度圖像和/或血管圖像進(jìn)行I項(xiàng)或多項(xiàng)分析，并產(chǎn)生一個或多個因子，其中所述I項(xiàng)或至少2項(xiàng)或更多項(xiàng)分析選自:分形分析，統(tǒng)計學(xué)紋理分析，高階譜分析，異常模式分析，以及以上的任意組合。
16.如權(quán)利要求15所述的方法，其中所述疾病選自中風(fēng)、高血壓、糖尿病，包括冠心病和腦血管疾病在內(nèi)的心血管疾病、青光眼、早產(chǎn)、視神經(jīng)乳頭水腫以及常見的視網(wǎng)膜疾病， 如黃斑裂孔、年齡相關(guān)性黃斑退變。`
17.如權(quán)利要求15所述的方法，其中所述疾病是中風(fēng)，且步驟(c)包括對所述灰度圖像和/或血管圖像進(jìn)行權(quán)利要求15所述4項(xiàng)分析中的至少2項(xiàng)，并產(chǎn)生一個或多個因子。
18.如權(quán)利要求15所述的方法，其中所述是糖尿病，且步驟(c)包括對所述灰度圖像和 /或血管圖像進(jìn)行權(quán)利要求15所述4項(xiàng)分析中的至少2項(xiàng)，并產(chǎn)生一個或多個因子。
19.如權(quán)利要求15-18中任一項(xiàng)所述的方法，其中步驟(b)包括使用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和 /或二元樹復(fù)數(shù)小波變換技術(shù)。
20.如權(quán)利要求15-19中任一項(xiàng)所述的方法，其中步驟(c)中的所述分形分析包括使用復(fù)數(shù)小波方法，優(yōu)選復(fù)數(shù)小波領(lǐng)袖多重分形分析。
21.如權(quán)利要求15-20中任一項(xiàng)所述的方法，其中步驟(c)中的所述分形分析包括使用多重分形譜分析。
22.如權(quán)利要求15-21中任一項(xiàng)所述的方法，其中所述分形分析所產(chǎn)生的因子選自Sum Average、Cluster Shade、豪斯多夫維數(shù)以及以上的任意組合。
23.如權(quán)利要求15-22中任一項(xiàng)所述的方法，其中步驟(c)中的統(tǒng)計學(xué)紋理分析包括使用灰度共生矩陣(GLCM)和/或游程長度矩陣(RLM)來獲得紋理特征，所述紋理特征包括標(biāo)準(zhǔn)化均勻性、標(biāo)準(zhǔn)化熵、標(biāo)準(zhǔn)化對比度、標(biāo)準(zhǔn)化四階矩以及標(biāo)準(zhǔn)化游程百分比。
24.如權(quán)利要求15-23中任一項(xiàng)所述的方法，其中從步驟(c)中的高階譜分析獲得的高階譜(HOS)特征包括100級的熵IHOS特征、160級的熵2H0S特征，40、140和160級的熵 3H0S 特征，40、140、160 和 180 級的熵相 HOS 特征，0、20、40、60、100、120、140、160 和 180 級的熵幅度HOS特征。
25.如權(quán)利要求15-24中任一項(xiàng)所述的方法，其中步驟(c)中的所述異常模式分析包括使用基于小波變換的小波算法，優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。
26.如權(quán)利要求15-24中任一項(xiàng)所述的方法，其中步驟(c)中的所述異常模式分析包括聯(lián)合利用高階譜分析進(jìn)和基于小波變換的小波算法，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。
27.如權(quán)利要求15-26中任一項(xiàng)所述的方法，其中所述異常模式包括出血、滲出物、新血管、微血管瘤、增生性玻璃體視網(wǎng)膜病變或其任意組合。
28.如權(quán)利要求27所述的方法，其中異常模式是出血。
29.用于診斷和/或預(yù)測個體中特征為視網(wǎng)膜病變的疾病的存在、進(jìn)展和/或治療效果的裝置，包括:用于從所述個體獲得視網(wǎng)膜眼底圖像的圖像獲取模塊；用于將所述圖像轉(zhuǎn)化為灰度圖像和/或從所述圖像獲得血管，從而獲得所述灰度圖像和/或血管圖像的轉(zhuǎn)化模塊；分析模塊，包括I個或至少2個或更多個用于對灰度圖像和/或血管圖像進(jìn)行分析并產(chǎn)生一個或多個因子的子模塊，其中所述I個或至少2個或更多個子模塊選自:分形分析子模塊，統(tǒng)計學(xué)紋理分析子模塊，高階譜分析子模塊，異常模式分析子模塊，及以上的任意組合；以及任選的比較模塊，其用于將 從所述分析模塊獲得的因子與對照的因子進(jìn)行比較。
30.如權(quán)利要求29所述的裝置，其中所述疾病選自中風(fēng)、高血壓、糖尿病，包括冠心病和腦血管疾病在內(nèi)的心血管疾病、青光眼、早產(chǎn)、視神經(jīng)乳頭水腫以及常見的視網(wǎng)膜疾病， 如黃斑裂孔、年齡相關(guān)性黃斑退變。
31.如權(quán)利要求29所述的裝置，其中所述疾病是中風(fēng)，且所述分析模塊包括權(quán)利要求 29所述4個子模塊中的至少2個。
32.如權(quán)利要求29所述的裝置，其中所述疾病是糖尿病，且所述分析模塊包括權(quán)利要求29所述4個子模塊中的至少2個。
33.如權(quán)利要求29-32中任一項(xiàng)所述的裝置，其中所述轉(zhuǎn)化模塊被設(shè)置為能執(zhí)行數(shù)學(xué)形態(tài)學(xué)運(yùn)算和/或二元樹復(fù)數(shù)小波變換技術(shù)。
34.如權(quán)利要求29-33中任一項(xiàng)所述的裝置，其中所述分形分析子模塊被設(shè)置為能執(zhí)行復(fù)數(shù)小波方法，優(yōu)選復(fù)數(shù)小波領(lǐng)袖多重分形分析。
35.如權(quán)利要求29-34中任一項(xiàng)所述的裝置，其中所述分形分析子模塊被設(shè)置為能執(zhí)行多重分形譜分析。
36.如權(quán)利要求29-35中任一項(xiàng)所述的裝置，其中所述分形分析子模塊所產(chǎn)生的因子選自Sum Average、Cluster Shade、豪斯多夫維數(shù)以及以上的任意組合。
37.如權(quán)利要求29-36中任一項(xiàng)所述的裝置，其中所述統(tǒng)計學(xué)紋理分析子模塊被設(shè)置為能執(zhí)行灰度共生矩陣(GLCM)和/或游程長度矩陣(RLM)來獲得紋理特征，所述紋理特征包括標(biāo)準(zhǔn)化均勻性、標(biāo)準(zhǔn)化熵、標(biāo)準(zhǔn)化對比度、標(biāo)準(zhǔn)化四階矩以及標(biāo)準(zhǔn)化游程百分比。
38.如權(quán)利要求29-37中任一項(xiàng)所述的裝置，其中所述高階譜分析子模塊產(chǎn)生的高階譜(HOS)特征包括100級的熵IHOS特征、160級的熵2H0S特征，40、140和160級的熵3H0S 特征，40、140、160 和 180 級的熵相 HOS 特征，0、20、40、60、100、120、140、160 以及 180 級的熵幅度HOS特征。
39.如權(quán)利要求29-38中任一項(xiàng)所述的裝置，其中所述異常模式分析子模塊被設(shè)置為能執(zhí)行基于小波變換的小波算法，優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。
40.如權(quán)利要求29-38中任一項(xiàng)所述的裝置，其中所述異常模式分析子模塊被設(shè)置為能聯(lián)合執(zhí)行高階譜分析和基于小波變換的小波算法，所述小波算法優(yōu)選二元樹復(fù)數(shù)小波變換和基于小波的Radon變換。
41.如權(quán)利要求29-40中任一項(xiàng)所述的裝置，所述異常模式分析子模塊所分析的異常模式包括出血、滲出物、新血管、微血管瘤、增生性玻璃體視網(wǎng)膜病變或其任意組合。
42.如權(quán)利要求41所述的裝置，其中異常模式是出血。
43.用于對個體的糖尿病視網(wǎng)膜病進(jìn)行篩查或分級的方法，所述方法包括以下步驟:a)從所述個體獲取視網(wǎng)膜圖像；b)利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和小波變換預(yù)處理所述圖像，從而增強(qiáng)圖像對比度；c)通過形態(tài)學(xué)分析在預(yù)處理的圖像中定位視神經(jīng)盤和黃斑；d)檢測和分析所述預(yù)處理圖像中與糖尿病視網(wǎng)膜病相關(guān)的異常模式，其中利用小波算法分析所述異常模式；以及e)整合檢測結(jié)果，并基于整 合的結(jié)果對糖尿病視網(wǎng)膜病的嚴(yán)重程度進(jìn)行分級。
44.用于對個體的糖尿病視網(wǎng)膜病進(jìn)行篩查或分級的系統(tǒng)，包括:a)用于從所述個體獲取視網(wǎng)膜圖像的第一模塊；b)用于接收所述圖像和利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算和小波變換預(yù)處理所述圖像從而增強(qiáng)圖像對比度的第二模塊；c)用于通過形態(tài)學(xué)分析在所述預(yù)處理的圖像中定位視神經(jīng)盤和黃斑的第三模塊；d)用于檢測和分析所述預(yù)處理的圖像中與視網(wǎng)膜病相關(guān)的異常模式的第四模塊，其任選地包括用于檢測不同異常模式的多個單元，其中利用小波算法分析所述異常模式；以及e)用于整合分析的結(jié)果并基于整合的結(jié)果對所述視網(wǎng)膜病進(jìn)行分級的第五模塊。
【文檔編號】A61B3/10GK103458772SQ201280015796
【公開日】2013年12月18日 申請日期:2012年4月6日 優(yōu)先權(quán)日:2011年4月7日
【發(fā)明者】徐仲锳, 李作為, 李青 申請人:香港中文大學(xué)