用於評估視網膜圖像以及從視網膜圖像獲得信息的方法和系統與流程

2023-05-29 21:47:57

本發明涉及用於評估圖像並且在圖像被確定為具有足夠好的質量的情況下用於從圖像獲得信息來提供治療建議的計算機實現方法和裝置，所述圖像被認為是眼部的視網膜的圖像。
背景技術：
：失明的主要原因包括白內障、青光眼、年齡相關性黃斑變性、糖尿病性視網膜病變以及病理性近視。其中，在白內障中的視力喪失通常可以通過利用人造手術中鏡片代替不透明的晶狀體來恢復。然而，在諸如青光眼和amd的許多其他疾病中，視力喪失往往是永久性的和不可恢復的。因此，公眾和臨床上對於在儘可能早的階段檢測這些疾病以便挽救視力並降低治療費用有相當關心。許多眼部疾病的無症狀性質經常使早期檢測進一步複雜化，通常只能通過在發展期的患者中觀察到可見症狀。視網膜是在眼部內表面形成的一層組織。它是眼部的光敏部分，晶狀體將光線聚焦在視網膜上，然後光線作為信號傳輸到大腦用來解釋。視網膜層的損傷和變性是永久性視力喪失的關鍵原因。特別地，在視網膜內存在被稱為視盤和黃斑(macula)的兩個關鍵區域，它們在人類視覺系統中具有最重要的作用。圖1作為眼部後部的眼底圖像，標有這些區域。1、視盤視盤也被稱為視神經頭，並且是視網膜中神經節神經纖維細胞聚集形成將眼部連接到大腦的視神經的位置。信號正是通過視神經從感光細胞(photoreceptor)傳輸到大腦。與視盤相關的主要疾病稱為青光眼。青光眼在世界範圍內是永久性失明的主要原因。在青光眼中，神經節神經纖維的變性導致視力喪失。圖2(a)示意性地示出了與該疾病的晚期相關的視力喪失。青光眼的早期通常不被受檢對象注意到。然而，使用諸如視網膜成像之類的模式直接觀察視盤可能對青光眼檢測有指導作用。視網膜神經纖維的變性表現為陷凹(excavation)在視盤中的擴大，其被稱為視杯。視杯相對於視盤的增大的直徑與青光眼有聯繫。這在圖3中圖示出，其中圖3(a)示出了正常眼部的視盤，並且圖3(b)示出了具有升高的杯盤比(cdr)的視盤。除青光眼之外，還可以通過觀察視盤來檢測病理性近視。在病理性近視中，與眼球的軸向伸長相關的變性變化導致視盤周圍出現視乳頭周圍萎縮(ppa)。這在圖3(c)中被圖示出。2、黃斑黃斑是視網膜的中心部分，負責具體的中央視覺和諸如閱讀、駕駛或認人之類的相關的任務。它是一個高度著色的區域，位於視網膜中央並與視盤相連。黃斑包含眼部中的最高濃度的感光細胞。與黃斑最相關的疾病稱為年齡相關性黃斑變性(amd)。這產生了圖2(b)中示意性地示出的視力喪失。在amd中，視網膜的黃斑區域的變性導致視野中心的直接視力喪失。amd主要影響老齡化人群，其患病率隨著年齡的增長而提高。該疾病通常大致分為早期和晚期，在晚期會出現明顯的中央盲點。amd的早期通常與黃斑區域中的玻璃膜疣和視網膜色素上皮變化的出現有聯繫。可以從視網膜的圖像中觀察到這樣的損傷。這由圖4示出，圖4示出了(a)正常黃斑、(b)具有玻璃膜疣的黃斑以及(c)具有黃斑孔的黃斑的圖像。包括黃斑部位特異性損傷在內的其他眼部疾病包括源於出現黃斑水腫的糖尿病性視網膜病變以及源於存在黃斑裂孔和漆裂紋的病理性變性。近年來，大量人群中對早期且有效地檢測致盲眼部疾病的急切需求激發了計算機輔助工具的發展。特別地，自動計算機輔助診斷和分析技術，由於政策制定者、學者、臨床醫師和產業的關注，從對個體損傷和線索的檢測到圖像級的對疾病的檢測已經得到快速發展。潛在地，對這些技術的成功實施將導致更好、更有效和更有效率地篩查這種具有巨大社會和經濟影響的致盲疾病。許多這些方法是基於乾淨的、濾波後的圖像的數據集而開發的。由於評估算法和技術對有關疾病和損傷檢測的性能的必要性，通常選擇乾淨的、清晰可辨的和清楚的圖像用於技術開發、訓練和測試。這在圖像具有高質量的許多用於研究和開發的例如drive資料庫的公共資料庫中經常看到。然而，在實踐中，這種乾淨的高質量圖像通常難以獲得。這可能是由於在圖像捕獲期間源於採集光學器件的未對準、意外的受檢對象移動或散焦而產生的成像偽影。其他原因可能包括在受檢對象存在白內障，其充當了光學光路中導致圖像模糊的不透明體。圖5(a)和5(b)是質量差的眼底圖像的示例。當自動分析系統遇到這樣的圖像時，生成的結果可能不可靠。這是因為這些系統是假設圖像質量好、並且與規範的任何偏差都是由於現有的病變而不是成像偽影而開發的。因而，這種質量差的圖像的診斷結果可能不準確。由於在採集過程中獲得的質量差的圖像部分由於成像光學元件或疾病病變而不是壓縮的結果，所以很難將這些圖像恢復到沒有人工插值的提高質量後狀態。因而，仍然需要在預處理級檢測這些質量差的圖像以便在任何計算機輔助檢測方法中使用之前將其濾掉。圖像質量評估是許多領域的興趣所在。這種方法可以分為全參考和無參考方法。全參考方法是待評估的圖像與相同圖像受檢對象的被認為具有理想質量的參考圖像進行比較的方法。這種方法主要用於比較圖像壓縮算法的效果，而與當前任務幾乎沒有太多關聯。而我們專注於無參考方法。p1：基於分布式的方法該方法使用邊緣全局分布的直方圖和局部圖像直方圖。直方圖被建模為瑞利(rayleigh)分布。然後使用相似性測量來相對於參考統計確定圖像質量。這在光學眼底圖像的自動視覺質量評估(automaticvisualqualityassessmentinopticalfundusimages)(lalonde,m.、gagnon,l.和boucher,m.c.(2001)，視覺界面的會議記錄(proceedingsofvisioninterface)，第259-264頁)中有所描述。p2：基於分段的方法在該方法中，首先使用霍夫變換進行對視盤、脈管和黃斑的初步分割。然後，利用精細脈管的可視性確定圖像質量。這與來自視盤和黃斑的空間位置的場信息相結合以產生圖像的最終評分。這在，基於清晰度和視野清晰度自動評估糖尿病性視網膜圖像質量(automatedassessmentofdiabeticretinalimagequalitybasedonclarityandfielddefinition)(fleming，a.d.、philip，s.、goatman，k.a.、olson，j.a.和sharp，p.f.(2006)，調查性眼科和視覺科學(investigativeophthalmologyandvisualscience)47(3)：1120-1125)中有所描述。p3：基於詞袋(bagofwords，bow)的方法該方法使用採用歸一化直方圖的基於顏色的兩組特徵、以及採用多尺度高斯濾波器得到的二階圖像結構不變量。視覺詞的直方圖被用來以詞袋法的方式對圖像質量分類。這在用於在糖尿病性視網膜病變篩查中對彩色視網膜圖像的圖像質量驗證的圖像結構聚類(imagestructureclusteringforimagequalityverificationofcolorretinaimagesindiabeticretinopathyscreening)(niemeijer，m.、abramoff，m.d.和vanginneken，b.(2006)，醫學圖像分析(medicalimageanalysis)10(6)：第888-898頁)中有描述。p4：基於脈管及顏色的方法在該方法中，顏色直方圖與hsv顏色空間中的脈管分割一起用作特徵。然後將這些特徵在類似於p3的詞袋技術中被結合。在另一種方法中，首先基於圖像中的各向異性斑塊計算噪聲和模糊的全局評分。然後，通過將脈管信息的方差結合到局部斑塊中來獲得加權質量評分。這在：橢圓局部脈管密度：視網膜圖像的快速和魯棒的質量度量(ellipticallocalvesseldensity:afastandrobustqualitymetricforretinalimages)(giancardo，l.、abramoff，m.d.、chaum，e.、karnowski，t.p.、meriaudeau，f.和tobin，k.w.(2008)，ieeeembs的會議記錄)中有描述。另外可參見kohler，t.、budai，a.、kraus，mf、odstrcilik，j.、michelson，g.和hornegger，j.發表的「使用脈管分割對視網膜眼底圖像的自動無參考質量評估(automaticno-referencequalityassessmentforretinalfundusimagesusingvesselsegmentation)」(基於計算機醫療系統(cbms)，2013年第26屆ieee國際學術報告會，第95卷，第100期，第22-22頁，2013年6月)。技術實現要素：本發明旨在提供用於評價視網膜圖像的新的且有用的方法和系統。可選地，被確定為高質量的任何圖像被用來獲得關於眼部的信息，該信息例如可以與其他信息結合以用來對眼部的治療提供建議。一般來說，本發明提出，作為評估視網膜圖像(諸如眼底圖像)的質量的一部分，在視網膜圖像內對應於眼部的特定結構(諸如視盤或黃斑)選擇至少一個感興趣區域，並且關於所述感興趣區域或者每個感興趣區域計算質量評分。如同視盤和黃斑，每個感興趣區域通常是與病變相關聯的感興趣區域。可選地，也可以關於整個眼部(即，如果整個圖像對應於視網膜，則在整個圖像上)計算質量評分。這個概念與已知的評估整個圖像的質量的圖像評估方法形成對比。由於成像偽影可能是局部的，因此本發明的某些實施例有助於通過評估檢測到的焦點感興趣區域的質量來確保對輸入圖像的使用最大化，而不是基於全局特徵而拒絕整個圖像。如果初始感興趣區域不合適，則可以提取並重新評估另一個roi。這可以重複直至找到合適的roi為止，或者重複到窮盡所有可能的roi時。因而，即使另一個roi(例如，黃斑或視盤)的質量較低，和/或即使整個圖像的質量較低，仍然可以關於第一roi(例如，視盤或黃斑)獲得有用的結果。這在獲取替代圖像將會很昂貴的情況下顯然是有益的。此外，如果將本實施例用於與特定感興趣區域相關聯的醫療狀況的計算機輔助診斷(cad)，則即使圖像的其他區域質量較差，仍然可以使用本發明的實施例來獲得針對該感興趣區域的可靠的質量評分。如果該質量評分表明感興趣的區域具有足夠好的質量，則圖像的相應部分可以用作cad過程的一部分，得出可靠的結果。優選地，本發明還包括自動地檢查輸入圖像是正確圖像類型(例如眼底圖像)的過程。本發明的實施例可以容易地用於當前技術中，而不需要進行大量的修改。例如，可以在兩種情況下使用實施例。1)可以通過評估視網膜興趣區域的質量，本實施例用作針對當前自動化疾病檢測系統的預濾波器。此外，通過將本實施例相繼地應用到後續的區域，圖像可以被完全探測到以找到可用區域，而不是基於全局質量而拒絕圖像。本實施例可以確保輸入區域具有可用的質量，並且基於視網膜興趣度質量提供關於結果的可靠性的反饋。2)本發明的實施例還可以在採集期間使用，以幫助攝影者捕獲良好的視網膜感興趣區域或整體圖像。例如，通過將本實施例應用於攝影者已捕獲的圖像，可以判定是否需要捕獲另一視網膜圖像。本發明的實施例可以通過考慮到有用的視網膜感興趣區域或整個圖像來提高現有視網膜圖像處理系統的可靠性，提供一種控制輸入質量的方法以及提供一種潛在的採集工具。本發明可以表達為評估圖像的質量的計算機實現方法，或者表達為用於使用輸入圖像執行cad的計算機實現方法，該方法包括檢查輸入圖像的至少一部分的質量具有足夠好的質量的預處理步驟。本發明還可以被表達為經編程為執行這種方法的計算機，或表達為電腦程式產品(例如，存儲在非易失性存儲設備中的有形記錄介質上)，包括由計算機運行以執行這種方法的程序指令在內。可選地，隨著可以進行cad進一步測試，例如在使用本技術已經對醫療狀況進行診斷的情況下，可以使用更複雜(昂貴)的方法來驗證診斷。最後，可以依據診斷來建議甚至進行醫學治療。附圖說明現在將參考以下附圖僅以舉例的目的來描述本發明的非限制性實施例，其中：圖1是標記出視盤和黃斑的眼部的典型的眼底圖像；圖2由圖2(a)和2(b)組成，示意性地示出了與(a)青光眼和(b)年齡相關性黃斑變性有關的視力喪失；圖3由圖3(a)至3(c)組成，示出了在(a)正常眼部、(b)具有高杯盤比的視盤、以及(c)具有ppa的視盤的情況下的眼底圖像的代表視盤的部分；圖4由圖4(a)至(c)組成，示出了在(a)正常黃斑、(b)具有玻璃膜疣的黃斑、以及(c)具有黃斑孔的黃斑的情況下的眼底圖像的代表黃斑的部分；圖5由作為典型的質量差的圖像的圖5(a)和5(b)組成；圖6是本發明實施例的方法的流程圖；圖7示出了圖6的方法中的視網膜圖像識別步驟的子步驟；圖8是圖7的示意性的形式；圖9示出了圖6的方法中的確認步驟的子步驟；圖10由作為參考視網膜圖像的圖10(a)、作為非眼底圖像的圖10(b)、以及作為具有一些偽影的眼底圖像的圖10(c)組成；圖11示出了圖6的方法中的質量評估步驟的子步驟；圖12由圖12(a)至(f)組成，示出了檢測視盤的roi的過程；圖13由圖13(a)至(d)組成，示出了來自兩個不同眼底圖像的視盤roi及其相應的脈管結構；圖14示出了用於執行該方法的計算機系統的技術體系結構；圖15示出了使用本發明的實施例和現有技術系統得到的全圖像的roc曲線；如圖16由圖16(a)至(c)組成，示出了通過圖6的方法給出不同質量評分的三種不同眼底圖像的視盤區域；圖17示出了使用本發明的實施例和現有技術系統得到的視盤roi的roc曲線；以及圖18示出了使用本發明的實施例獲得的黃斑roi的roc曲線。具體實施方式首先參照圖6，示出了作為本方法的實施例的方法100的流程圖。本實施例被稱為aries(自動視網膜興趣度估計器系統)。aries作為將處理後的圖像遞交用於後續分析之前的預處理步驟，自動地評估輸入圖像的質量。以這種方式，aries將控制輸入的質量用於後續分析。aries的一個關鍵特徵是其分析至少一個焦點感興趣區域。一個具體示例是視盤。由於成像偽影可以是局部的，因此aries將有助於通過評估檢測到的焦點感興趣區域的質量來確保對輸入圖像的使用最大化，而不是基於全局特徵拒絕整個圖像。如果初始的感興趣區域不合適，則會提取並重新評估另一個roi。重複此操作，直到找到合適的roi，或者窮盡所有可能的roi時。aries以下面三個步驟來評估輸入圖像的質量：視網膜圖像識別步驟1，其中對輸入圖像是否為視網膜圖像進行初始評估；如果初始評估是否定的，則進行重新評價圖像以進行確認2的步驟2；如果初始評估是肯定的，或者如果確認步驟2指示圖像終究是視網膜圖像(即，初始評估步驟1得出了錯誤的結論)，則在質量評估步驟3產生全圖像質量評分並且將給出焦點區域(視盤或黃斑)質量評分。這些步驟可用於濾掉低質量圖像或為進一步處理步驟提供低可信度警告。1、視網膜圖像識別步驟在眼部疾病的計算機輔助診斷(cad)中，視網膜和非視網膜圖像識別步驟1在濾掉不相關圖像方面是重要的。穩健的cad系統應當能夠識別出並隔離出未知類型的圖像，並且僅處理具有正確圖像類型的那些圖像。圖7示出了步驟1的一種可能實現方式的利用弱監督式學習方法的子步驟。在這種方法中，我們可以在沒有對對象的分割或對特徵的手動選擇的情況下來判決圖像是否具有某些特徵。在第一子步驟11中，使用視覺詞袋錶示來表示訓練圖像以產生多個提取的特徵。在子步驟12中，支持向量機(svm)分類器使用提取的特徵來生成分類結果。通過使用包括多個各圖像的訓練集訓練來獲得svm，並且針對每個圖像通過視覺詞袋錶示獲得了提取的特徵，並且相應的標記指示圖像是否為視網膜圖像。這一旦完成，經訓練的svm分類器就可以應用於新圖像的測試。在一種情況下，可以使用步驟2來具體地識別輸入圖像是否為眼底圖像。在這種情況下，標記表示訓練集中的每個圖像是眼底圖像還是非眼底圖像。即使對於作為另一類型的視網膜圖像(諸如，眼底成像系統(retcam)圖像、oct圖像和裂隙燈圖像(slit-lampimage))的輸入圖像，也使用後一種分類。該過程在圖8中示意性地示出。雖然輸入圖像14、15和16都是眼部圖像(輸入圖像13不是)，但是僅輸入圖像14是眼底圖像，並且被這樣分類。2、確認步驟在上一步中，眼底圖像中的偽影可能會影響圖像分類的準確度。偽影，特別是曝光過度，往往導致眼底圖像被錯誤分類成非眼底類型。因此，期望確認步驟2區分實際的非眼底圖像與具有導致步驟1中的錯誤分類的偽影的眼底圖像。識別出的具有偽影的眼底圖像可以直接被分類為劣質眼底圖像或被提供到用於評估焦點區域的aries質量評估步驟。為了減小錯誤分類率，我們引入了基於結構相似性指數(ssim)的確認方法。圖9中示出了確認步驟2的子步驟。ssim是一種用於測量兩個圖像之間的相似度的方法。某些現有技術使用全參考度量，其經設計用於通過將圖像劣化視為結構信息的覺察到的變化來改進諸如psnr和mse的傳統度量。兩個窗口x和y之間的ssim是：其中，ux和uy是平均值，和是方差，σxy分別是x和y的協方差。然而，在步驟2中以不同的方式使用ssim。代替全參考方法，通過對一組高質量眼底圖像求平均來生成參考圖像。將輸入圖像逐一地與該參考圖像進行比較，以生成相應的ssim值(子步驟21)。可以將ssim值與預定的閾值進行比較，從而獲得對圖像是否為眼底圖像的判決(子步驟22)。直觀地，諸如風景圖像以及其他眼部圖像的非眼底圖像應該具有低ssim。相比之下，具有偽影的眼底圖像(例如，曝光過度的圖像)應具有高ssim。因此，我們可以將曝光過度的眼底圖像與非眼底圖像分離開。圖10示出了這是如何發生的。圖10(a)是普通眼底圖像。圖10(b)示出了具有0.42的ssim的非眼底圖像(實際上是風景圖像)。圖10(c)示出了質量差的眼底圖像，其仍然具有0.73的ssim。因而，如果閾值低於該值，則圖10(c)被識別為眼底圖像。應當注意，在圖6的過程中，在確認步驟中而不是在初始視網膜圖像識別步驟中使用ssim。這是因為我們發現ssim在圖像識別方面相比於所述的bow過程具有較低準確度，但是在識別被錯誤分類的視網膜圖像和非視網膜圖像方面是準確的。如果省略確認步驟，則一些質量非常差的眼底圖像可能被錯誤分類為非視網膜圖像。3.對視網膜圖像的圖像質量評估圖像質量評估步驟3區分具有高質量的視網膜圖像與具有質量差的視網膜圖像。如前所述，aries評估圖像的焦點區域以及整個圖像。該過程在圖11中示出，並且包括roi質量評估31的子步驟和全圖像質量評估的子步驟32。子步驟32可以執行多於一次，每次將眼部的不同結構區域用作roi(例如，一次使用對應於視盤的roi，一次使用對應於黃斑的roi)。應當理解，子步驟31和32是獨立的，因而可以以相反的順序執行或甚至並行執行。因而，焦點區域圖像質量評估31的第一子子步驟是檢測焦點感興趣區域(roi)311。實際上，本實施例試圖以預定的順序檢測多個roi。如果不能檢測到根據該預定順序的第一個roi，則將提取和評估另一個roi。對可能的roi的預定序列重複該過程，直到找到合適的roi，或者當窮盡所有可能的roi時。換句話說，當某個roi已被檢測出具有高準確度時，本實施例不測試預定列表上的其餘roi。對高質量圖像的初始roi檢測的成功率非常高。因而，只有初始質量測試失敗的圖像才會重複進行該過程。隨後，高級別圖像質量測度(hiqm)從roi圖像被提取312以形成特徵空間。最後，執行svm分類313，以產生roi圖像質量評分。除了使用全圖像而不使用roi圖像來提取hiqm特徵之外，全圖像質量評估過程32遵循相似的流程。因而，子步驟32包括hiqm特徵提取的子子步驟321，以及可以通過svm分類執行的分類和回歸的子步驟322，給出了完整的圖像質量評分。roi圖像質量評分和全圖像質量評分是一般質量評分，並且可以根據應用以各種方式使用。一個選擇是將它們之中的任意一個或多個與相應的閾值進行比較，然後如果評分低於閾值，則拒絕它們(至少為了某些目的)。例如，如果對roi中的第一roi的質量評分低於閾值，但是對第二roi的質量評分高於閾值，則可能拒絕該圖像用於獲得關於第一roi的信息，但是它仍然可以用於獲得關於第二roi的信息。然而，對高於相應的閾值的全圖像質量評分而言，這可能是有條件的。在下面的文本中，我們將使用視盤圖像來說明該過程。a)子子步驟311：視盤roi檢測在視盤(od)定位中，我們首先找到屬於od的像素。感興趣區域(roi)是來自原始圖像的包含od的裁切子圖像。od通常比眼底圖像的其他區域更亮。然而，由於不均勻的照度或離焦圖像，眼球的邊緣也可能很亮。為了根據強度值精確地檢測od中心，我們識別出了亮邊並將其去除。該邊緣通過在灰度圖像中定位稍小於眼球的圓圈來提取，並且作為該圓圈外的高強度像素的臨界。可以通過從灰度圖像中減去亮邊來獲得邊緣去除的圖像。然後該圖像作為臨界來獲得在強度上前0.5％的像素。od的中心近似為其餘的亮像素的質心。然後，roi被定義為約正常od的直徑的兩倍的圖像。圖12示出了od定位和roi檢測的示例。圖12(a)是原始圖像(以黑白色示出，但實際上原始圖像是彩色的)；圖12(b)是從原始圖像獲得的灰度圖像；圖12(c)示出了提取出的高強度邊緣；圖12(d)是去除了高強度邊緣的圖12(b)的圖像；圖12(e)示出了臨界高強度像素；並且圖12(f)通過白色矩形示出了圖12(b)的圖像的被作為roi提取的部分。b)子子步驟312hiqm特徵提取我們建議使用高級別圖像質量測度(hiqm)來代替使用具有極高尺度的低級別圖像特徵，因為高級別圖像質量測度與本實施例所解決的問題高度相關，以及它們的低尺度和由此引起的高速度。hiqm特徵有三類，並且它們被概括如下。·對比和模糊特徵高級別對比度和模糊度測度包括對比度測量、模糊測度、強度較差(intensityrange)和飽和度度量。對比度被計算為其中是圖像i在rgb顏色空間中的通道j中的所有像素的平均強度，sj＝std(ij)是所有像素強度的標準差，j可以是紅色通道r、綠色通道g、藍色通道b和灰度級gs。越高的對比度對應于越高的模糊度。這在直觀上是對的，因為模糊圖像在強度上通常具有小方差，導致了高對比度。與對比度類似，我們還在圖像的非重疊子窗口上使用局部對比度，其被定義為其中，w是nxn像素窗口，並且n是子窗口的總數。模糊度量(bm)是基於相同圖片上可感知的不同的模糊級別之間的辨識度。它不需要參考來計算，並具有低成本實現方式。該測度在測量局部模糊和運動模糊方面是穩健的。在數學上，它通過比較原始圖像及其通過低通濾波器的模糊形式的強度變化而獲得。包括全強度較差(r)、相對強度較差和四分位差(iqr)在內的強度較差是測量圖像灰度級擴展的重要度量。相比於具有質量差的圖像，具有高質量或高對比度的圖像通常具有較大的強度較差。r＝max(i)-min(i)iqr＝q3(i)-q1(i)其中，i是灰度圖像的所有像素強度的陣列，q1和q3是第1個和第3個四分位值。飽和度度量包括分別測量處於最高強度和最低強度的像素的比例的最大百分比(pmax)和最小百分比(pmin)。前者用於識別曝光過度的圖像；而後者能夠識別出曝光不足的圖像。·熵特徵圖像的熵可以用於表示其中的信息量。它被計算為：其中pi是兩個相鄰像素之間的差值等於i的概率。如果圖像已經被理想地直方圖均衡化，則灰度值的擴展處於最大。因而，該圖像具有最大熵。另一方面，二進位圖像的熵是很低的，因為它只有兩個狀態。如果圖像具有均勻值像素，則熵為零。對於視盤感興趣區域，高質量圖像應當包含視盤、視杯和血管的對應於高圖像熵的清晰結構。另一方面，質量差的圖像不包含這些結構的精細特徵，因而具有低圖像熵。·圖像結構特徵視盤區域具有高密度的血管。因而，血管密度(bvd)能夠被用作區分低質量和高質量視盤圖像的重要特徵。圖13示出了兩個不同圖像中的檢測出的脈管系統的差異，如圖13(a)(質量差的圖像)和圖13(c)(高質量圖像)所示。對應的檢測出的血管如圖13(b)和圖13(d)所示。另一個重要的結構特徵是最大邊緣長度或邊緣擴展(es)。脈管和視盤邊界的邊緣對於高質量圖像通常是連續的，最大邊緣擴展也是如此。為了計算bvd和es，我們首先使用快速底帽濾波(fastbottom-hatfiltering)方法檢測圖像中的血管。底帽濾波器應用於直方圖均衡化的綠色通道圖像(g)以獲得隨後，血管圖m通過下式來確定在獲得脈管圖後，可以通過下式來獲得bvd其中m和n分別表示圖像的寬度和高度。邊緣擴展被計算為m中所有連接分量的最大主軸長度除以圖像的對角線長度其中l表示m中的每個連接分量的主軸長度。因此，結合所有三類的特徵，hiqm包含38個高級別圖像質量測度。這些特徵將在下一步中使用。c)子子步驟313圖像質量分類與評估在子子步驟313中，使用支持向量機(svm)來訓練分類器。基於svm的分類可以被公式化為具有線性約束的二次規劃問題：受限於yi(ωtφ(xi)+b)≥1-ξiξi≥0,i＝1,…,n其中xi是訓練向量，yi是訓練標記，ω是法向量，b是偏移量，ξi是實現軟間隔的鬆弛變量，c是懲罰項，以及φ是內核函數。還使用svm判決函數的輸出(判決值)來代替使用僅來自svm的二進位分類結果。我們將判決值歸一化來產生視網膜圖像質量評分(rqs)：rqs＝wd+b其中d表示判決值，w和b是常數係數。rqs具有從0到1的值，越高的值表示越好的圖像質量。分別以與子子步驟312和313相同的方式執行子子步驟321和322，以針對輸入圖像整體產生roi圖像質量評分。圖14示出了能夠用於實現圖6的實施例的計算機系統200的技術體系結構。該技術體系結構包括與存儲器設備進行通信的處理器222(可以被稱為中央處理器單元或cpu)，存儲器設備包括二級存儲裝置224(諸如，磁碟驅動裝置)、只讀存儲器(rom)226、隨機訪問存儲器(ram)228。處理器222可以被實現為一個或多個cpu晶片。該技術體系結構可以進一步包括輸入/輸出(i/o)設備230和網絡連接設備232。二級存儲裝置224通常由一個或多個磁碟驅動裝置或磁帶驅動裝置組成，並且在ram228不夠大保存所有工作數據的情況下用於數據的非易失性存儲並作為溢出數據存儲裝置。二級存儲裝置224可用於在加載到ram228中的程序被選擇執行時來存儲這種程序。在本實施例中，二級存儲裝置224具有包括非暫時性指令的命令處理組件224a，非暫時性指令由處理器222操作以執行本公開的方法的各種操作。rom266用於存儲在程序運行期間被讀取的指令和可能的數據。二級存儲裝置224、ram228和/或rom226在某些情況下可以被稱為計算機可讀存儲介質和/或非暫時性計算機可讀介質。i/o設備230可以包括印表機、視頻監視器、液晶顯示器(lcd)、等離子體顯示器、觸控螢幕顯示器、鍵盤、小鍵盤、開關、撥盤、滑鼠、跟蹤球、語音識別器、讀卡器、紙帶讀取器或其他公知的輸入設備。網絡連接設備232可以採取以下的形式：數據機、數據機組、乙太網卡、通用串行總線(usb)接口卡、串行接口、令牌環卡、光纖分布式數據接口(fddi)卡、無線區域網(wlan)卡、使用諸如碼分多址(cdma)、全球移動通信系統(gsm)、長期演進(lte)、全球微波接入互聯接入(wimax)、近場通信(nfc)、射頻識別(rfid)來促進無線電通信的無線電收發器卡和/或其他空中接口協議無線電收發器卡、以及其他公知的網絡設備。這些網絡連接設備232可以使處理器222能夠與網際網路或一個或多個內聯網進行通信。利用這樣的網絡連接，可以設想處理器222在執行上述方法操作的過程中可以從網絡接收信息，或者可以向該網絡輸出信息。經常被表示為將使用處理器222執行的指令序列的這種信息可以例如以體現在載波中的計算機數據信號的形式從網絡接收以及輸出到網絡。處理器222執行從硬碟、軟盤、光碟(這些各種基於磁碟的系統都可以被認為是二級存儲裝置224)、閃盤驅動器、rom266、ram228或網絡連接設備232存取的指令、代碼、電腦程式、腳本。雖然僅示出了一個處理器222，但是可以存在多個處理器。因而，雖然指令可以被論述為由處理器執行，但是該指令可以由一個或多個處理器同時地、串行地執行或以其他方式運行。儘管本技術體系結構是參考計算機進行描述的，但是應當理解，本技術體系結構可以由協作執行任務的彼此通信的兩個以上的計算機形成。例如，但不是限制性的，應用程式可以以允許對該應用程式的指令的進行同時處理和/或並行處理這樣的方式進行劃分。可替代地，由應用程式處理的數據可以以允許由兩個以上的計算機對數據集的不同部分進行同時處理和/或並行處理這樣的方式進行劃分。在實施例中，技術體系結構220可以採用虛擬化軟體來提供不直接綁定到技術體系結構220中的多個計算機的多個伺服器的功能。在實施例中，可以通過在雲計算環境中執行一個應用程式和/或多個應用程式來提供上述公開的功能。雲計算可以包括通過使用動態可擴展的計算資源經由網絡連接來提供計算服務。雲計算環境可以由企業建立和/或可以根據需要從第三方提供商租用。應當理解，通過將可執行指令編程和/或加載到本技術體系結構上，改變了cpu222、ram228和rom226中的至少一個，將本技術體系結構部分地轉換成具有本公開所教導的新穎功能的特定用途的機器或裝置。通過將可執行軟體加載到計算機中可以實現的功能可以通過公知的設計規則轉換為硬體實現，這對電氣工程和軟體工程
技術領域：
是基礎的。3.實驗結果所提出的系統對來自諸如新加坡馬來眼科研究(simes)、新加坡中華眼科研究(sces)和藍山眼科研究(bmes)的一系列眼底圖像資料庫的圖像進行研究。還使用諸如裂隙燈圖像、oct圖像、眼底成像系統圖像和風景圖像的多個非眼底圖像資料庫來測試視網膜圖像識別。所使用的資料庫的概要如表i所示。用於後續質量評估的圖像來自simes資料庫。下面給出了詳細描述。表1：資料庫概要資料庫名稱圖像類型圖像數量simes眼底5928sces眼底1676bmes眼底6222其他眼底眼底12314achiko-nc裂隙燈5530agar資料庫oct1664agate資料庫眼底成像系統3699風景風景4509合計41542眼底圖像識別算法對包括2700個眼底圖像和3500個非眼底圖像的6200個圖像進行了訓練。對包括23441個眼底圖像和11902個非眼底圖像的一批35342個圖像進行了測試。該系統在測試集中對眼底圖像和非眼底圖像分類達到準確度99.54％。在訓練階段，隨機選取2700個眼底圖像、500個oct圖像、500個眼底成像系統圖像、500個裂隙燈圖像和2000個風景圖像作為訓練數據集。其餘圖像用作測試數據集。對測試數據集的訓練的總結和實驗結果在表ii示出。表ii：眼底圖像識別實驗結果總結現在我們來描述眼底圖像質量評估的結果(步驟3)。如上所述，取決於應用，可以以相反的順序執行步驟31和32，並且下面的實驗結果來自在步驟31之前執行步驟32的應用。a)全圖像評估(子步驟32)該算法對740個圖像的資料庫進行了訓練和測試，其中600個質量好的圖像，且140個質量差的圖像。140個質量差的圖像中的123個是由於存在白內障引起，約佔88％。其他的主要是由於拍攝期間照度不均勻和曝光過度引起。所有圖像的尺寸為3072x2048像素。在實驗環境中，一半的圖像用於訓練(300個質量好的圖像和70個質量差的圖像)，且另一半用於測試。根據圖像的全rqs相應地是高於還是低於閾值，圖像被分類為高質量或低質量。所使用的閾值是通過反覆試驗設定的。在使用給定cad系統的實施例的商業應用中，由於每個系統可以處理具有不同質量標準的圖像，因此可以根據系統的屬性來設定閾值。該算法對訓練集和測試集的分類可以分別達到94.3％和91.6％的準確度。在全圖像質量評分(全rqs)方面，在接收器工作特徵曲線的曲線下方面積(auc)分別達到0.967和0.958。為了比較，我們基於眼底圖像中的血管樹執行了無參考質量度量(qv)。對740個圖像的相同數據集上進行測試，qv度量達到0.796的auc。兩種方法的roc曲線如圖15所示。全rqs的roc曲線示出為深色，並且qv度量的roc曲線示出為淺色。b)視盤roi評估(roi基於視盤的情況下的子步驟31)對於視盤roi質量評估，使用上文說明的方法利用800×800像素的尺寸提取roi圖像。用於此部分的數據集是來自上面定義的全圖像數據集的光學roi圖像，並且通過將相應的閾值應用於全圖像質量評分和視盤質量評分，圖像被標記為高質量。這樣做的邏輯是，高(低)質量的全圖像通常具有高(低)質量的視盤區域。表iii示出了對眼底圖像質量分類的10倍交叉驗證的結果。表iii：眼底圖像質量分類的準確度aries系統還產生從0到1範圍內的od質量評分(odrqs)。接近1的評分表示高質量圖像。另一方面，接近0的評分表示質量很低的圖像。根據odrqs相應地是高於還是低於閾值，可以將圖像分類為高質量或低質量。在使用給定cad系統的實施例的商業應用中，由於每個系統可以處理具有不同質量標準的圖像，因此可以根據系統的屬性來設定閾值。圖16示出了具有不同級別的圖像質量評分的圖像。圖16(a)具有質量評分0.30，圖16(b)具有質量評分0.66，並且圖16(c)具有質量評分0.92。qv度量也在視盤roi圖像上實現，其達到0.532的auc。然而，提出的視盤roirqs可以通過達到0.987的auc而有更好的效果。roc曲線如圖17所示，其中視盤rqs由深色線示出，並且qv度量由淺色線示出。c)黃斑roi評估(roi基於黃斑的情況下的子步驟31)最後一個實驗是對黃斑roi進行的，以測試圖像是否足夠優良來診斷amd。與全圖像和視盤roi類似，系統產生黃斑roi質量評分(黃斑rqs)。該模塊對472個圖像的資料庫進行訓練和測試，其中350個具有質量好的黃斑roi，且122個具有質量差的黃斑roi。使用自動方法實現了黃斑檢測。然後，黃斑roi被提取為以該黃斑為中心的1220×1220圖像。使用一半的數據集進行訓練，且另一半用於測試，在10倍交叉驗證中，平均分類準確度對訓練數據集和測試數據集可以達到89％和86％。根據黃斑rqs相應地是否高於或低於閾值，圖像可以被分類為高質量或低質量。在使用給定cad系統的實施例的商業應用中，由於每個系統可以處理具有不同質量標準的圖像，因此可以根據系統的屬性來設定閾值。如示出了黃斑rqs的roc曲線的圖18所示，對於測試集，黃斑rqs度量的auc可以高達0.92。應當注意，全rqs、odrqs和黃斑rqs中的每一個都提供了一種將圖像分類為高質量或低質量的獨立手段。odrqs和黃斑rqs針對特定的相應的roi。具有高的全rqs評分的圖像可以對應於質量差的黃斑區域和高質量的od區域，或高質量的黃斑區域和質量差的od區域或某其他組合。因而，根據實施例的應用，特別是在cad中採用被分類為高質量的圖像的區域的情況下，對rqs值的不同選擇可以被選擇以用於分類中。當前第1頁12