专利名称：一种用于检测视盘出血的方法及系统的制作方法
技术领域：
本发明涉及一种用于在非立体视网膜眼底图像中检测视盘出血的方法及系统，该方法和系统可辅助检测青光眼。
背景技术：
青光眼是ー种慢性的眼睛状态，在此状态中，连接大脑和眼睛的神经(即视神经)被日益破坏。早期青光眼患者没有视觉症状，但轻微进展的青光眼患者就可能会主诉“隧道视野”(即只能看到中心视野)，这是由于疾病的进展导致边缘视觉的损失。晩期青光眼患者在后期甚至完全失明。在新加坡已经有两项针对青光眼的大規模调查(丹戎巴葛研究和新加坡马来眼科研究)[1，2]。这些调查表明，新加坡成年人(40岁及以上)中青光眼的患病率为3-4%，超过90%的患者不知道他们患青光眼[1，2]。在世界范围内，青光眼是导致失明的第二位原因。到2010年，预计有6千万人将罹患青光眼[3]。此外，5. 2百万例失明病例与青光眼有关(占全球失明总负担的15% ) [4]。这个问题在亚洲更为明显，因为亚洲人大约占了全世界青光眼病例的一半[3]。此外，由于青光眼是ー种老化的状态，由于受人口老龄化的影响，在新加坡和亚洲会有更大比例的人群罹患青光眼。早期发现青光眼对于预防失明是至关重要的，因为青光眼是无法治愈的，而青光眼的治疗能够阻止其进展。然而，在整个人口中例行筛查青光眼是不符合成本效益的，并且受到目前检测方法敏感性差的限制。但是青光眼的筛查可能适用于高危人群，如青光眼患者的ー级亲属，65岁及以上的老年人和中国老年妇女(其存在闭角型青光眼的患病风险)。目前，在新加坡还没有系统的方法来检测和管理早期青光眼。青光眼患者往往不知道他们已经患病，并且因此，这些患者通常只有当已出现严重的视カ丧失时才去看眼科医生。不幸的是，这个阶段的治疗限于手术，费用昂贵且需要技术熟练的人员，并无法恢复视力。目前可用于检测青光眼的方法包括(I)评估升高的眼内压(IOP)，(2)评估异常视野和(3)评估受损的视神经。方法(I)中眼内压的检测既不是特异，也不灵敏，不足以作为ー种有效的筛检工具，而方法(2)中的视野测试需要特殊的设备，这些设备只有如新加坡国家眼科中心，国立大学医院等三级医院才有。尽管检测视神经受损的方法(方法(3))更有希望并且优于检测眼内压的方法(方法(2))和视野测试的方法(方法(3))，视神经评估通常由训练有素的专家(眼科医生)来进行，而且这样的评估可能是主观的。视神经评估也可以使用专门设备如HRT(海德堡视网膜断层扫描仪)来实现。然而，受所包括的成本的限制，这种专门设备的可用性是非常有限的，另外ー个原因通常是缺少这种专门设备的训练有素的操作员。目前可用于检测青光眼的方法也包括如下ARGALI (青光眼杯盘比自动测量系统)系统是先前开发的用于检测青光眼的系统。在该系统中，使用杯盘比自动测量视神经的损害量。ARGALI系统通过分析整个视网膜图像的像素梯度强度值，使用以轮廓为基础的方法，从视网膜图像确定视杯和视盘。少数情况下梯度值是渐进的，在识别正确视杯中可能会发生困难。先前也开发了用于青光眼检测的基于扭结(Kink-based)的分析方法。在基于扭结的分析方法中，血管结构分析被用来确定视盘内视杯的位置。超出视杯/盘边界的视网膜血管弯曲，也被称为扭结，用于确定视杯的物理位置。虽然这种方法不依赖彩色或苍白，但正确识别扭结仍然存在挑战，在一些视网膜图像中不存在扭结时出现的挑战也存在。先前还开发了一种基于颜色强度的方法用于青光眼检测[8]，在该方法中具有辨识力的基于颜色的分析被用来从视网膜图像中确定视杯和视盘的位置。在视网膜图像上进行颜色直方图分析，以确定视杯和视盘之间的阈值临界，关于视网膜图像的不同特征的像素强度进行统计分析以确定视盘的位置。然而，从基于颜色强度的方法得到结果的准确性与临床真实情况之间比较并未被评估。
·
使用立体照片的信息来确定视杯和视盘的方法也已被开发[9，10]，虽然从这些方法得到的一些结果似乎是有希望的，这些方法的缺点是立体摄影(与ARGALI和扭结方法中使用的单眼摄影相反)需要特定的硬件以及专门的培训。这可能令使用立体摄影的青光眼检测方法不适合大规模筛查。
发明内容
本发明目的在于提供一个新的且有用的用于自动检测青光眼的方法及系统。总体而言，本发明提出，医学得出的标示(landmark)，如视盘出血，会自动从单眼的图像中得出，用于在检测青光眼中使用。在一些实施方式中，这项技术被集成到使用其他技术检测青光眼的方法和系统中，以提高青光眼检测的准确性。事实上除了杯盘比(OTR)之外，对于临床医生在临床视神经头检查(ONH)过程中将要评估的各种级别的特性已经被知道，并在青光眼检测中被考虑，并且一个这样的图像线索为视盘出血的出现。这种技术在过去一直需要人的参与，因此，不仅时间密集，也是主观的。以前一直都没有意识到有可能自动检测视盘出血并具有可以接受的准确性。具体来说，本发明的第一个方面是在视网膜眼底图像中检测视盘出血的方法，包括步骤(a)在包含视盘边界的视网膜眼底图像中识别环形的感兴趣区域；(b)在已识别的感兴趣区中去除血管区；(C)利用基于颜色的分析，从去除血管区的已识别的感兴趣区内检测视盘出血，以识别候选的视盘出血；及(d)对候选的视盘出血进行筛查。另外，本发明可以被表现为用于执行这样的方法的计算机系统。该计算机系统可与非立体眼底视网膜图像拍摄设备集成。本发明也可以表现为计算机程序产品，如在有形的计算机介质上录制含有可由电脑系统运行的程序指令以执行该方法的步骤。
为了示例性目的，现仅参考如下附图，说明本发明的具体实施方式
。所述附图包括图l(a)_(b)分别说明在彩色和无红光的视网膜眼底图像中视盘出血的位置；图2说明本发明中用于自动检测视盘出血的方法200的流程图3说明在方法200中进行了步骤202的每个子步骤后得到的图像；图4(a)_(c)说明在方法200中进行了步骤204和206的每个子步骤后得到的图像；图5说明在方法200中进行了步骤208的每个子步骤后获得的图像；图6 (a)说明从方法200中步骤210获得的图像，图6(b)说明在图6(a)的图像上进行了方法200中的步骤212后获得的图像；图7说明利用方法200检测的带有视盘出血的图像。
具体实施例方式如图I所示，在彩色和无红光的视网膜眼底图像中，视盘出血的位置用箭头指出。视盘出血是青光眼重要的负面预后因素[14]。有研究报道在青光眼或高眼压症的主体中，视盘出血或穿过视盘的出血发生在视网膜神经纤维层损害和视野缺失之前。因此，将视盘出血检测引入青光眼检测系统可以提供更为強大的青光眼的检测。例如，一些青光眼的视网膜神经头确实表现为正常的CDR，在这种病例中，诸如视盘出血的标示将是检测青光眼的ー个重要线索。正常人眼极少出现视盘出血，约有4% _7%的患青光眼的眼中可以检测到视盘出血[15]，和至少三分之一的青光眼患者在某个时候表现出[13]视盘出血。神经视网膜边缘之内的视盘出血通常为点状，在视盘边缘上或邻近视盘边缘的视盘出血为火焰状(碎片状)。在穿过巩膜环的视网膜神经纤维层(RNFL)内的火焰状视盘出血不伴视盘水肿(如Drance (德朗斯)出血)是进展性视神经损伤的高度提示[16]。在青光眼的早期阶段，视盘出血较为常见。出血常位于颞下部或颞上部的视盘区，在正常压カ性青光眼中出现地更为頻繁。根据其原始大小，首次出血后在约I周至12周可见。相应于视野缺损，可检测到已定位的视网膜神经纤维层缺损和/或神经视网膜边缘(NRR)的缺ロ [15]。參见图2，本发明的一种实施方式的方法200的步骤的说明被示出，该方法可以执行视盘出血的自动检测。通过词语“自动”，意味着一旦由用户发起，在本实施方式中的整个运行过程在无需人工干预下运行。另外，该实施例可以以半自动的方式执行，即以最小的人为干预来运行。方法200的输入为单ー的非立体视网膜眼底图像。在步骤202中首先在视网膜图像上划定出感兴趣的区域。然后执行步骤204对该感兴趣区的视盘边界进行分割。尽管步骤204中是对感兴趣的区域进行分割，也可以对整个图像进行分割。然而，这是非优选的，因为所述图像的其它区域的出血与方法200无关。在步骤206中对已分割的视盘边界进行平滑和扩张，由此得到ー个“甜甜圈环”的区域，它代表了ー个已更新的感兴趣区。然后在步骤208中执行从更新的感兴趣区中提取血管区域。在此之后为步骤210，步骤210执行在更新的感兴趣区中的视盘出血检测。随后，对步骤212中检测到的视盘出血进行后续处理，以去除可能的被误识别是视盘出血的假阳性区域。步骤202-212详述如下。步骤202 :感兴趣区的划分在步骤202中，使用基于直方图和强度的方法在视网膜图像上划定感兴趣区，具体方法如下所述。视网膜边界的高亮度在视网膜眼底图像中较常见，并且会影响分割，通常是由曝光不平衡或曝光过度所致。为了克服这个问题，在步骤202中，通过基于直方图的研究对视网膜眼底图像的亮度效果进行分析。在所述基于直方图的研究中，事先进行了一组1500份的基准图像的分析。曝光不平衡导致的亮度效果与1500份图像的每一份的直方图分布之间联系被使用-I到I之间的评分量化。然后通过将视网膜眼底图像的直方图与基准图像的直方图进行匹配对视网膜眼底图像进行评分，这个评分被称为亮度效果评分。在分析的基础上生成一种适应性的掩模(mask)，该掩模用于过滤视网膜图像，以去除视网膜边界的高亮度。首先生成了一个初步的掩模，它是一个以图像中心为中心的圆，该圆的直径与图像的高度相等。然后，掩模的中心会通过远离具有较高量的亮度效果的图像部分的移动进行调整。例如，如果图像的左侧具有较高亮度效果，那么初步掩模的中心就会移动到图像的右侧，并且如果图像上缘被高度照亮，则所述初步掩模的中心会向下移动。掩模中心移动的距离取决于在基于直方图的研究中所得出的亮度效果评分。所得的具有移 动的中心的掩模即为所述适应性的掩模，用于过滤的视网膜图像以去除不平衡的曝光引起的噪声。在去除视网膜边缘的高亮度后，使用基于强度的方法来估计视盘的中心，该方法提取图像中最亮的O. 5%的像素，随后将视盘中心估计为最亮的O. 5%的像素的重心。然后在所估计的视盘中心的基础上创建感兴趣区域，该感兴趣区被定义为一个围绕视盘的正方形，该正方形的中心被估计为视盘中心。图3说明了在执行步骤202的每一子步骤后获得的图像。如图3所示，在分析了视网膜眼底图像的亮度效果后得到一个圆形的边界302，并在此分析的基础上生成了适应性的掩模304。在去除视网膜边界的高亮度后得到图像306，并使用基于强度的方法估计到视盘中心308。在估计的视盘中心的基础上，创建感兴趣区(以正方形310表示)。优选的，所述感兴趣区是一个围绕视盘的正方形，在3072X2048像素的图像内具有800X800的大小。然而，感兴趣区可能为不同的形状和大小。在方法200的步骤202中，使用基于直方图和强度的方法划定了感兴趣区。然而，感兴趣区的划分还可通过其他分割方法来实现如边缘检测方法，区域生长方法或基于模型的分割方法。步骤204和206 :视盘边界的分割，平滑和扩张在步骤204和206中，视盘边界被分割，平滑和扩张，以获取更新的感兴趣区。在步骤204中，首先对步骤202中获得的感兴趣区应用变分水平集算法[11]以检测视盘边界，其使用最优的颜色通道执行。所述最优颜色通道由颜色直方图分析和边缘分析确定。变分水平集算法基于全局优化的概念，所述全局优化的概念分析整个感兴趣区，以为视盘找到全局的最优的边界。利用变分水平集算法的优点是，通过引入一个内部项和外部项组成的能量函数划定再初始化，所述内部项使水平集函数靠近符号距离函数，而所述外部项使图像中的轮廓移向目标。在步骤204中使用了红色通道，因为据观察，与其它通道相比，在视盘区和非视盘区之间，红色通道存在更好的对比度。在分割中，据观察，检测到的轮廓经常不均匀，这是由于穿过视盘边缘的血管导致被检测到的视盘边界不准确，这种不准确被称为泄露。尽管使用了全局的优化技术，使用水平集算法检测到的视盘边界可能并不代表视盘的实际形状，因为视盘边界能够被大量进入视盘的血管影响。这常常会导致曲率的突然变化。为了避免这种情况，在步骤206中，使用了椭圆拟合[12]重塑在步骤204中检测到的视盘边界以使其平滑。在步骤206中，在平滑过的视盘边界的基础上对神经视网膜边缘区域进行分段，并使用视盘边界扩张，该视盘边界扩张使所述平滑过的视盘边界成为“甜甜圈环”，该“甜甜圈环”的宽度被设置为视盘直径的ー个分数。在步骤206中，“甜甜圈环”的宽度设置为视盘直径的1/3。“甜甜圈环”区域是更新后的感兴趣区，随后会在此更新后的感兴趣区执行视盘出血检测。图4(a)_(c)说明在步骤204和206的每个子步骤后得到的图像。图4(a)示出使用水平集方法得到的边界402，而图4(b)示出使用椭圆拟合平滑后得到的边界404，图4(c)示出“甜甜圈环”区406，随后将在该区执行视盘出血检测。在方法200的步骤204中，使用变分水平集法执行视盘边界的分割。然而其他方法，如聚类方法，基于直方图的方法，边缘检测方法，区域生长的方法和图形划分的方法也可以用于分割视盘边界。步骤208 :检测和去除血管在步骤208中，在緑色和灰色通道中应用边界检测后得到第一份扩张的图像，以在此图像上检测和去除血管。当RGB格式的视网膜图像被转换到灰度图像吋，即形成灰色通道。在步骤208中，在緑色和灰色的通道中进行边缘检测，因为这些边缘代表血管中心线。緑色和灰色通道因其均对红色敏感而优选，但也可使用其他通道，随后扩张检测到的边缘以形成血管的像素并且随后被去除。在视网膜图像的红色通道中应用检测边缘后，得到第二份包括视盘区(较细的颗粒通过填补低于预定大小的孔被去除)的扩张的图像。红色通道被用于获得第二份扩张的图像，因为出血和血管像素(红色像素)被从在红色通道中的边缘检测的结果中排除。将从单个通道得到的结果(如第一和第二份扩张的图像)一起相加，以去除血管区，然后，使用由步骤206中得到的更新后的感兴趣区对相加后的图像施加掩模。得到由此产生的图像，所述图像中更新后的“甜甜圈环”区内不含血管区，因为图像中的血管已被去除。图5说明执行步骤208的每一子步骤后获得的图像。第一份扩张的图像504是在在视网膜图像绿色和灰色通道502中执行边缘检测后得到，第二份扩张的图像508是在视网膜图像红色通道506中执行边缘检测后得到。将第一份和第二份扩张的图像504和508相加后得到图像510，并使用步骤206中得到的更新后的感兴趣区对所述相加后的图像施加掩模。在方法200的步骤208中，使用边缘检测方法执行血管的检测。然而在其他实施方式中，血管检测也可以通过其他途径来实现。存在几类血管检测算法。基于模型的方法，包括可变形的模型，參数模型和模板匹配。基于跟踪的方法需要用户交互，因此优选不在本发明的实施方式中使用。基于人工智能的方法是基于知识的和需要预先定义的ー套规则。其他方法包括模式识别的方法，包括分水岭分割，骨架化，多尺度方法，中心线提取和形态学方法等。步骤210 :视盘出血的检测步骤210，使用基于知识的方法检测视盘出血。
基于知识的方法，采用视盘出血必须穿过血管位置或与血管位置相结合的知识，以及包含视盘出血的区域在红色通道中强度最高，而在不含红色的通道中强度最低。在步骤210中，在步骤208得到的去除血管的区域中检测视盘出血。首先计算视网膜眼底图像红色通道中的通道中去除血管区域的所有像素的直方图以及视网膜眼底图像红色通道中不含红色的通道中去除血管区域的所有像素的直方图，然后使用直方图峰和谷来定位红色通道中的最高强度和不含红色的通道中的最低强度的像素集群，这些像素群被检测为视盘出血。
步骤212:后处理步骤210中基于直方图的强度提取可能会选取多个可能的出血点的位置(候选的视盘出血区域)。因此，在步骤212中，对在步骤210检测到的视盘出血中执行后处理，以去除假阳性视盘出血区。这是基于对视网膜图像中出现一个以上的视盘出血点的机率非常低以及视盘出血点的大小大于预定值的知识而执行的。根据临床知识，预定值的范围为80-275像素。在步骤212中，检查每个候选的视盘出血区的大小，并筛去大小小于预定值的候选的视盘出血区域。然后，在每个视网膜图像中只能保留一个视盘出血区域的规则被应用以只保留最大尺寸的视盘出血区域。图6 (a)说明步骤210得到的图像，该图像包含候选的视盘出血像素形成的候选的视盘出血区域。而图6(b)说明了在图6(a)上执行后处理后的图像。实验结果从新加坡眼科研究所(SERI)开展的新加坡马来人眼的研究中获得共计71幅图像，用于本实验。该群组研究已经调查了新加坡总人口的4.5%。由SERI的资深眼科医生对这些图像进行分析，并评估是否存在青光眼和视盘出血。在本实验中，将眼科医生做出的评估结果作为真实情况使用。据眼科医生的评估，发现11幅图像存在视盘出血，而其余60幅图像则发现未有视盘出血。图7说明使用方法200检测出的四例存在视盘出血的图像(用十叉表示)，而表I显示了使用方法200所得结果。在表I中，DH(Il)指示根据眼科医生评估，有11例视网膜图像存在视盘出血，而Normal (60)指示根据眼科医生评估，60例视网膜图像不存在视盘出血。DH P和Normal P分别指示使用方法200确定的视网膜图像中存在和不存在视盘出血。如表I所示，使用方法200在11例存在视盘出血的图像中正确识别出10例，而在60例不包含视盘出血的图像中被错误地识别出8例为包含视盘出血(即假阳性)。根据本实验，方法200检测视盘出血的特异性和敏感性分别是86. 7%和90. 9%。
DH(Il) Normal(60)
DH—P108
Normal—PI52
表I视盘出血的自动检测是具有挑战性的，因为视盘出血与血管以及视盘周围的组织相互交织。受到视盘周围的血管和组织的影响。实验结果表明，方法200能够克服在视盘出血的自动检测中的困难以实现比较准确的视盘出血检测。通过对视网膜图像应用方法200，可以检测视网膜图像上视盘出血的位置，继而可以用来确定青光眼的风险。在一个实例中，如果视盘出血位于视网膜图像中，则青光眼的风险被设置为高。视网膜图像上视盘出血的位置也可以结合其他青光眼的指标如高杯盘比等，以提高青光眼检测的准确性。在一个实例中，将基于视网膜图像上视盘出血的存在提示青光眼的风险和基于杯盘比提示青光眼的风险相结合，最終得出青光眼的风险。所述杯盘比使用ARGALI方法获得。尽管以上仅仅描述了视盘出血的检测，其他的图像线索如“ ISNT Rule (ISNI^i
则)”和视乳头萎缩也可以用来辅助评估青光眼。这种图像线索补充了如ARGALI方法计算杯盘比的方法，因为并不是所有的青光眼实例都可以通过杯盘比检測。此外，通过检测多个图像线索，也能更为信赖地得到青光眼的风险。因此本发明的实施方式为从非立体眼底视网膜图像的青光眼分析和检测的提出了一个创新性的框架。非立体眼底视网膜图像的使用増加了低成本设备的功能。通过基于知识的标示选择的青光眼的计算机辅助诊断能够使用本发明的实施方式实现。此外，通过利用医学领域的专家在标示选择中一般推荐的分级特征，可将临床专业知识嵌入到用于检测青光眼的系统中。此外，在方法200中，在进行后续步骤的进ー步处理之前，首先在视网膜图像上划定了ー个感兴趣区。这有助于降低计算成本，以及提高分割的准确性。方法200的另ー个优点是，它可以很容易地被整合到现有的眼部筛查如青光眼筛查的仪器中而不需大范围的修改。与现有技术的比较上述的本发明实施方式与现有技术[6-10]的比较总结在表2中。
权利要求
1.一种用于在视网膜眼底图像中检测视盘出血的方法，所述方法包括步骤如下 (a)在包含视盘边界的视网膜眼底图像中识别环形的感兴趣区； (b)在已识别的感兴趣区中去除血管区； (c)通过基于颜色的分析，在去除血管区的已识别的感兴趣区中检测视盘出血，以识别候选的视盘出血； (d)筛查候选的视盘出血。
2.根据权利要求I所述的方法，其中步骤(a)包括子步骤 (i)识别初始的感兴趣区； ( )在初始的感兴趣区中估计视盘边界的位置；以及 (iii)扩张所估计的视盘边界以得到环形的感兴趣区。
3.根据权利要求2所述的方法，其中步骤(i)中包括子步骤 估计视网膜眼底图像的视盘中心；以及 基于所估计的视盘中心创建初始的感兴趣区。
4.根据权利要求3所述的方法，其中步骤(i)进一步包括在估计所述视网膜眼底图像的视盘中心之前，过滤所述视网膜眼底图像以去除所述视网膜眼底图像的视网膜边界处的高亮度的子步骤。
5.根据权利要求4所述的方法，其中过滤所述视网膜眼底图像的子步骤进一步包括子步骤 使用基于直方图的研究分析视网膜眼底图像，其包括子步骤 计算复数个基准图像和所述视网膜眼底图像的直方图； 给所述复数个基准图像的每一幅基准图像赋予一个评分，该评分指示基准图像中亮度效果的量； 将视网膜眼底图像的直方图与所述复数个基准图像的每一幅基准图像的直方图相比较； 基于所述比较和赋予所述复数个基准图像的每一幅基准图像的评分，给视网膜眼底图像赋予评分； 在所述分析的基础上生成一个适应性的掩模； 在所述视网膜眼底图像上应用所述适应性掩模以过滤所述视网膜眼底图像。
6.根据权利要求5所述的方法，其中在所述分析的基础上生成一个适应性的掩模的子步骤进一步包括子步骤 生成初级掩模，该初级掩模为一个圆形，所述圆形的中心为视网膜眼底图像的中心，直径与所述图像的高度相等； 通过移动该初级掩模的中心使其远离具有较高量的亮度效果的区域来调整该初级掩模，所述移动以基于赋予所述视网膜眼底图像的评分的距离来实现；以及将所述适应性的掩模设置为调整过的初级掩模。
7.根据权利要求2-6中任一项所述的方法，其中在步骤(iii)之前，平滑所估计的视网膜边界。
8.根据权利要求2-7中任一项所述的方法，其中步骤(ii)使用变分水平集算法执行。
9.根据权利要求2-8中任一项所述的方法，其中步骤(ii)仅在视网膜眼底图像的红色通道中执行。
10.根据权利要求2-9中任一项所述的方法，其中步骤(i)中识别的初始的感兴趣区的形状为正方形。
11.根据前述任一权利要求所述的方法，其中步骤(b)进一步包括子步骤 通过在视网膜眼底图像的绿色和灰色通道上应用边界检测形成第一扩张图像，用于检测和去除血管； 通过在视网膜眼底图像的红色通道上应用边界检测形成第二扩张图像以获得视网膜眼底图像中视盘区域的轮廓； 将第一和第二扩张图像相加以得到相加后的图像； 用已识别的感兴趣区对相加后的图像施加掩模以去除所述识别的感兴趣区中的血管区。
12.根据前述任一权利要求所述的方法，其中去除血管区包括复数个像素，并且步骤(c)包括子步骤 (ix)在视网膜眼底图像的红色通道中，为已去除血管区的复数个像素计算第一直方图； (χ)在视网膜眼底图像的不含红色的通道中，为已去除血管区的复数个像素计算第二直方图； (xi)使用第一和第二直方图的峰和谷来分别定位视网膜眼底图像的红色通道中的最高强度和视网膜眼底图像的不含红色的通道中的最低强度的像素集群； (χ )检测视盘出血为定位的像素集群。
13.根据前述任一权利要求所述的方法，其中步骤(d)包括子步骤 将每个候选的视盘出血的大小与预定值相比较；以及 若候选的视盘出血点的大小小于所述预定值，则去除所述候选的视盘出血。
14.根据权利要求13所述的方法，进一步包括子步骤 若候选的视盘出血不是最大的，则去除所述候选的视盘出血。
15.一种用于在视网膜眼底图像中确定青光眼风险的方法，所述方法包括步骤 根据前述任一权利要求所述的方法，在视网膜眼底图像中检测视盘出血；以及 如果在视网膜眼底图像中检测到至少一个视盘出血则确定青光眼的风险高。
16.—种计算机系统,具有被安排执行根据前述任一权利要求所述的方法。
17.一种计算机程序产品，可被计算机读取，并含有计算机系统的处理器可以执行的指令以使所述处理器执行根据权利要求1-15中任一项所述的方法。
全文摘要
一种用于在视网膜眼底图像中检测视盘出血的方法。该方法包括(a)在包含视盘边界的视网膜眼底图像中识别环形感兴趣区；(b)在已识别的感兴趣区中去除血管区；(c)从去除血管的区的已识别的感兴趣区中检测候选的视盘出血；(d)筛查候选的视盘出血。检测到的视盘出血可用于辅助检测青光眼。
文档编号A61B3/12GK102843957SQ200980162129
公开日2012年12月26日 申请日期2009年8月24日 优先权日2009年8月24日
发明者张卓, 刘江, 黄永基, 林如晖, 陈彦鸣, 李慧琦, 吕士健, 黄天荫 申请人:新加坡保健服务集团有限公司, 新加坡科技研究局, 新加坡国立大学