视网膜图像分析方法和装置制造方法

视网膜图像分析方法和装置制造方法
【专利摘要】本申请提供了诊断和/或预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的方法和装置。
【专利说明】视网膜图像分析方法和装置
[0001]优先权
[0002]本申请要求2011年4月7日提交的美国临时专利申请第61/473,027号和2012 年I月20日提交的美国临时专利申请第61/588,815号的优先权，特此通过援引将所述申请的内容整体并入本文。
【技术领域】
[0003]本申请通常涉及用于诊断和/或预测疾病的存在、进展和/或治疗效果的方法和装置。具体而言，本申请涉及诊断和/或预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的方法和装置。
【背景技术】
[0004]视网膜彩色 图像是全身中直接检查血管及其病理变化的唯一方式。其不仅能反映视网膜疾病，还能反映诸如中风的系统性疾病的风险。
[0005]大量流行病学研究表明，许多与长期高血压和/或糖尿病相关的视网膜特征与中风的发生率或流行相关。所检测的这些视网膜特征包括视网膜血管直径、小动脉-小静脉交叉压迫(arteriole-venule nipping)、视网膜病等。然而,还存在能为中风患者分类提供更多信息的新的视网膜特征，如血管曲折度、血管不对称性。此外，视网膜特征的相互联系也为非中风患者与中风患者的划分提供了非常重要的信息。我们在临床研究中已经证明， 利用视网膜血管曲折度和不对称性以及视网膜特征的相互联系的结果有助于非中风患者与中风患者的划分。
[0006]除了我们为中风分类手动检测的新的视网膜信息以外，基于分形分析(fractal analysis)、高阶谱分析(high order spectral analysis)以及统计学纹理分析的计算机化自动化分析系统也可以根据对视网膜彩色图像的分析进行非中风患者与中风患者的划分。由自动化系统所获取的数据与临床视网膜特征和其相互联系的关联性良好。利用这种关联性，我们证明，自动化分析系统所能获取的临床重要的特征优于且高于手动操作所能获得的特征。利用可能的临床解释，可以将此扩展至其它眼病。
[0007]视网膜病变已被证实与许多疾病相关，包括系统性疾病和眼病，所述系统性疾病例如中风、高血压、糖尿病，心血管疾病(包括冠心病和脑血管疾病)，所述眼病例如青光目艮、由于早产而导致的视网膜病、视神经乳头水肿、黄斑裂孔以及年龄相关性黄斑退变。
[0008]许多重要的眼病以及系统性疾病能在视网膜中表现出来。心血管疾病在视网膜中以多种方式表现出来。高血压和动脉粥样硬化使视网膜动脉和静脉直径的比发生变化，所述比称为A/V比。A/V比降低(例如动脉变细以及静脉变宽)与中风风险增加相关[bl]。 最近的研究还表明，视网膜动脉和静脉体系的分支模式具有分形特征[b2]。例如，Patton N、Aslam T等人认为，视网膜血管图像分析是脑血管疾病的潜在筛查工具。他们提到，分形学提供了视网膜血管树的天然的、全局的、综合的描述，这是因为分形学同时考虑到视网膜血管直径的变化和分支模式的变化。Mainster M.A.和Daxer A.提供了与视网膜血管特征相关的其它研究，他们指出，视网膜动脉和静脉模式的分形维数为1.62+0.05和1.7+0.07， 还指出，在视神经盘或视神经盘附近具有新血管形成(NVD)时的视网膜血管模式的分形维数为约1.8,相比之下,对照组为约1.7[b3-4] o然而,MacGillivary T.J.、Doubal F.N.等人比较了人视网膜血管系统的单分形分析和多重分形分析，并且他们认为，对于检测视网膜血管系统的小变化，多重分形方法更有效。因此，有理由认为，人视网膜血管系统的单分形分析和多重分形分析都是有必要的。因此，相比于经典几何学，分形几何学为眼的解剖学提供了全局性的且更准确的描述。分形模式能表征血管模式如何跨越视网膜，并因此能够提供有关血管1旲式和视网I吴疾病之丨0]关系的彳目息。
[0009]最近，Hsu ff.> Lee M.L.以及Wong T.Y.开发了用于自动分析视网膜图像的平台 (专利技术)，其包括自动追踪视网膜图像中一个或多个血管的一个或多个路径，并且由此获得的信息可以用于形成医学疾病状态的诊断[b5]。他们还开发了自动化视网膜图像分析系统和/或利用分形分析技术提供诸如高血压的疾病的风险预测。然而，与其它方法相 t匕，追踪血管的方法非常依赖于视网膜图像的质量。同时，限定区域的血管测量在实际应用中缺少灵活性，即图像中的视神经盘必须位于图像的中间，因此如果视神经盘未被置于中间，则可能无法涵盖所有有用信息。此外，某些有用(或部分有用)的非视网膜血管系统相关信息可能会丢失，且更重要的是，几乎所有视网膜图像分析都忽略了血管测量的因子和/ 或与诸如高阶谱(HOS)和纹理分析有关风险因子的其它因子之间交互作用的效果。Acharya R.和Chua C.K.等人已经发现，应用HOS的非线性特征更适合形状检测，因此他们应用这种技术来鉴定糖尿病视网膜病分期[b6]。Dobrescu R.和Dobrescu M等人应用基于纹理分析和分形分析联合的方法来检测皮肤病变的恶性增殖[b7]。然而，直到现在，仍然没有利用视网膜图像、基于其特征的复合性(即形状、强度、方向性等交互作用)来提供疾病风险预测的综合技术/方法。
[0010]我们开发了利用视网膜图像的疾病自动检测系统。我们首先由彩色图像产生与糖尿病视网膜病、中风和/或其它疾病相关的所有可能风险因子。这包括来自强度变化方面的一些特征(例如高阶谱、熵等)，以及来自灰度共生矩阵(或Haralick)以及游程长度矩阵纹理特征的一些特征。例如，我们之前用新血管形成检测进行的视网膜血管模式研究已经证明，在某些高阶谱特征和与血管形状相关的特征之间存在很多显著的交互作用。其次， 我们存储了所有产生的因子，并应用惩罚监督逻辑回归(penalized supervised logistic regression)来减少维数(或使用随机森林法(random forest approach)来提取重要特征)。该过程用于产生与中风和其它疾病相关的潜在重要特征。接下来我们应用利用广泛线性模型(MIGLM)的多模型推导来选择能产生所有可能的因子以及它们的成对交互作用的最佳模型。最后，我们应用随机森林法评价中风分类性能。利用惩罚监督逻辑回归和MIGLM 的优势在于它们的交互式作用保持性质。随机森林法是在高维空间中进行非线性分类的值得考虑的合适方法[b8]。
[0011]发明概述
[0012]在本文所公开的一方面，提供了诊断和/预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的方法，包括如下步骤:
[0013](a)从所述个体获得视网膜眼底图像；
[0014](b)将所述图像转 化成灰度图像和/或从所述图像提取血管，从而获得灰度图像和/或血管图像；
[0015](c)对所述灰度图像和/或血管图像进行I项或至少2项或更多项分析，并产生一个或多个因子，其中所述I项或至少2项或更多项分析选自:
[0016]分形分析，
[0017]统计学纹理分析，
[0018]高阶谱分析，
[0019]异常模式分析，
[0020]及以上的任意组合；以及
[0021](d)将由步骤(C)所获得的一个或多个因子与对照的一个或多个因子进行比较， 所述因子的改变指示所述个体中疾病的存在、进展和/或治疗效果。
[0022]在另一方面，提供了产生与个体中视网膜图像改变相关的一个或多个因子的方法，包括如下步骤:
[0023](a)从所述个体获得视网膜眼底图像；
[0024](b)将所述图像转化为灰度图像和/或从所述图像提取血管，从而获得灰度图像和/或血管图像；以及
[0025](C)对所述灰度图像和/或血管图像进行I项或至少2项或更多项分析，并产生一个或多个因子，其中所述I项或至少2项或更多项分析选自:
[0026]分形分析，
[0027]统计学纹理分析，
[0028]高阶谱分析，
[0029]异常模式分析，
[0030]及以上的任意组合。
[0031]在本文所公开的方法的一个实施方案中，步骤(b)包括使用数学形态学运算和/ 或二兀树复数小波变换(dual tree complex wavelet transform)技术。
[0032]在一些实施方案中，本文所公开的方法包括对图像进行分形分析并产生与分形相关的特征。在一个实施方案中，分形分析可以包括使用复数小波方法，优选复数小波领袖多重分形分析(complex wavelet Leader multifractal analysis)。在另一个实施方案中， 分形分析可以包括使用多重分形谱分析。在一个实施方案中，分形分析所产生的因子选自: Sum Average、Cluster Shade、豪斯多夫维数(Hausdorff dimension)以及以上的任意组合。[0033]在一些实施方案中，统计学纹理分析可以包括使用灰度共生矩阵(GLCM)和/ 或游程长度矩阵(RLM)来产生纹理特征，所述纹理特征包括标准化均匀性(normalized Homogeneity)、标准化熵(normalized Entropy)、标准化对比度(normalized Contrast)、 标准化四阶矩(normalized4th moment)以及标准化游程百分比(normalized Run percentage)。在一些实施方案中，从高阶谱(HOS)分析获得的高阶谱(HOS)特征可以包括 100级的熵1H0S特征；160级的熵2H0S特征；40级的熵3H0S特征；140和160级的熵3H0S 特征;40、140、160 和 180 级的熵相 HOS 特征;0、20、40、60、100、120、140、160 和 180 级的熵幅度HOS特征。在优选的实施方案中，本文所公开的方法包括对灰度图像联合进行统计学纹理分析与高阶谱(HOS)分析，并产生与纹理相关的特征。[0034]在其它实施方案中，本文所公开的方法还包括分析灰度图像和/或血管图像的血管特性，并产生与血管特性相关的因子。与血管特性相关的因子可以是动脉/静脉比 (AVR),其中 AVR=视网膜中央动脉等值(Central Retinal Artery Equivalent, CRAE) / 视网膜中央静脉等值(Central Retinal Vein Equivalent, CRVE)。
[0035]在其它实施方案中，本文所公开的方法包括对灰度图像和/或血管图像进行异常模式分析，并产生与异常模式相关的特征。在一个实施方案中，异常模式分析可以包括使用基于小波变换的小波算法，所述小波算法优选二元树复数小波变换和基于小波的Radon变换。在另一实施方案中，异常模式分析可以包括联合使用高阶谱分析和基于小波变换的小波算法，所述小波算法优选二元树复数小波变换和基于小波的Radon变换。在一些实施方案中，异常模式可以包括出血、渗出物、新血管、微血管瘤、增生性玻璃体视网膜病变或其任意组合。在具体实施方案中，异常模式是出血。
[0036]在本文所公开的方法的一些实施方案中，疾病选自:中风、亚临床脑损伤、脑白质损伤、痴呆、高血压、糖尿病、包括冠心病和脑血管疾病在内的心血管疾病、青光眼、早产、视神经乳头水肿以及常见的视网膜疾病，如黄斑裂孔、年龄相关性黄斑退变。在一个实施方案中，所述疾病是中风，且步骤(c)包括对灰度图像和/或血管图像进行4项分析中的至少2 项，并产生一个或多个因子。在一个实施方案中，所述疾病是糖尿病，并且步骤(C)包括对灰度图像和/或血管图像进行4项分析中的至少2项，并产生一个或多个因子。在另一实施方案中，所述疾病是糖尿病，并且步骤(c)包括对灰度图像和/或血管图像进行统计学纹理分析和异常模式分析，并产生一个或多个因子。
[0037]在另一个实施方案中，本文所公开的方法可以用于对个体的视网膜病变进行分级。在一个实施方案中，视网膜病变是糖尿病视网膜病变。
[0038]在本文所公开的另一方面，提供了用于诊断和/或预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的装置，包括:
[0039]图像获取模块，用于从所述个体获得视网膜眼底图像；
[0040]转化模块，用于将所述图像转化为灰度图像和/或从所述图像提取血管从而获得所述灰度图像和/或血管图像；
[0041]分析模块，包括I个或至少2个或更多个子模块，所述子模块用于执行对灰度图像和/或血管图像的分析并产生一个或多个因子，其中I个或至少2个或更多个子模块选自:[0042]分形分析子模块，
[0043]统计学纹理分析子模块，
[0044]高阶谱分析子模块，
[0045]异常模式分析子模块，
[0046]以及以上的任意组合；以及
[0047]任选的比较模块，用于将从所述分析模块获得的因子与对照的因子进行比较。
[0048]在本文所公开的装置的一个实施方案中，将转化模块设置为执行数学形态学运算和/或二元树复数小波变换技术。
[0049]在一些实施方案中，分析模块包括用于对图像进行分形分析并产生与分形相关的特征的分形分析子模块。在一个实施方案中，将分形分析子模块设置为执行复数小波方法，优选复数小波领袖多重分形分析。在另一实施方案中，将分形分析子模块设置为执行多重分形谱分析。在一个实施方案中，分形分析子模块所产生的因子选自:Sum Average> Cluster Shade、豪斯多夫维数以及以上的任意组合。
[0050]在一些实施方案中，将统计学纹理分析子模块设置为执行灰度共生矩阵(GLCM) 和/或游程长度矩阵(RLM)，从而获得纹理特征，所述纹理特征包括标准化均匀性、标准化熵、标准化对比度、标准化四阶矩以及标准化游程百分比。在一些实施方案中，高阶谱分析子模块所产生的高阶谱(HOS)特征包括100级的熵IHOS特征；160级的熵2H0S特征；40 级的熵3H0S特征；140和160级的熵3H0S特征;40、140、160和180级的熵相HOS特征；0、
20、40、60、100、120、140、160以及180级的熵幅度HOS特征。在一些实施方案中，分析模块包括用于对灰度图像和/或血管图像进行纹理分析并产生与纹理相关的因子的统计学纹理分析子模块和/或高阶谱分析子模块。在优选的实施方案中，统计学纹理分析子模块与高阶谱分析子模块联合使用。
[0051]在其它实施方案中，分析模块还包括用于分析灰度图像和/或血管图像的血管特性并产生与血管特性相关的因子的血管特性分析子模块。与血管特性相关的因子可以是动脉/静脉比(AVR)，其中AVR=视网膜中央动脉等值(CRAE)/视网膜中央静脉等值(CRVE)。
[0052]在其它实施方案中，分析模块包括用于检测灰度图像和/或血管图像的异常模式并产生与异常模式相关的特征的异常模式分析子模块。在一个实施方案中，将异常模式分析子模块设置为执行基于小波变换的小波算法，所述小波算法优选二元树复数小波变换和基于小波的Radon变换。在另一实施方案中，将异常模式分析子模块设置为联合执行基于小波变换的小波算法和高阶谱分析，所述小波算法优选二元树复数小波变换和基于小波的 Radon变换。在一些实施方案中，异常模式可以包括出血、渗出物、新血管、微血管瘤、增生性玻璃体视网膜病变或其任意组合。在具体实施方案中，异常模式是出血。
[0053]在本文所公开的装置的一些实施方案中，所述疾病选自中风、亚临床脑损伤、脑白质损伤、痴呆、高血压、糖尿病、包括冠心病和脑血管疾病在内的心血管疾病、青光眼、早产、 视神经乳头水肿以及常见的视网膜疾病，例如黄斑裂孔、年龄相关性黄斑退变。在一个实施方案中，所述疾病是中风，且所述分析模块包括4个子模块中的至少2个。在一个实施方案中，所述疾病是糖尿病，且所述分析模块包括4个子模块中的至少2个。在另一实施方案中， 所述疾病是糖尿病，且所述分析模块包括统计学纹理分析子模块和异常模式分析子模块。
[0054]在另一个实施方案中，本文所公开的装置可以用于对个体的视网膜病变进行分级。在一个实施方案中，视网膜病变是糖尿病视网膜病变。
[0055]在本文所公开的另一方面，提供了对个体的糖尿病视网膜病进行筛查或分级的方法，所述方法包括以下步骤: [0056]a)从个体获取视网膜图像；
[0057]b)利用数学形态学运算和小波变换预处理图像，从而增强图像对比度；
[0058]c)通过形态学分析在预处理的图像中定位视神经盘和黄斑；
[0059]d)检测并分析预处理图像中与糖尿病视网膜病相关的异常模式，其中利用小波算法分析所述异常模式；以及
[0060]e)整合检测结果，并基于所整合的结果对糖尿病视网膜病的严重程度进行分级。
[0061]在本文所公开的另一方面，提供了用于对个体的糖尿病视网膜病进行筛查或分级的系统，包括:[0062]a)用于从个体获取视网膜图像的第一模块；
[0063]b)用于接收所述图像并利用数学形态学运算和小波变换预处理所述图像从而增强图像对比度的第二模块；
[0064]c)用于通过形态学分析在预处理的图像中定位视神经盘和黄斑的第三模块；
[0065]d)用于检测和分析预处理的图像中与视网膜病相关的异常模式的第四模块，其任选地包括检测不同异常模式的多个单元，其中利用小波算法分析所述异常模式；以及
[0066]e)用于整合分析的结果并基于整合的结果对视网膜病进行分级的第五模块。
[0067]根据下文提供的详细描述和附图，本发明所适用的其它范围会更加清楚。然而，应当理解到，尽管以下详细描述和实施例展示了本发明的优选实施方案，但是其仅是以说明的方式给出，这是因为根据以下详细描述，本发明实质和范围内的各种变化和修改对本领域技术人员而言是显而易见的，且本发明的实质和范围由下文所附权利要求的范围限定。
[0068]附图简要说明
[0069]图1:整个系统的方框图。
[0070]图2 =AVR测量的整个方案的流程图。
[0071]图3:利用分形分析进行的血管相关特征的整个方案的流程图(除了 AVR测量以外的中风相关特征的补充)。
[0072]图4:糖尿病视网膜病的筛查或分级的示意图。
[0073]图5:糖尿病视网膜病的筛查或分级的示例性过程。
[0074]图6:本申请的系统所检测到的正常视网膜图像和具有新血管的视网膜图像。A: 正常视网膜图像:正常视网膜图像的血管分割；C:在视神经盘中具有新血管的视网膜图像；以及D:视神经盘中的卷曲小血管。
[0075]图7:血管曲折度水平的样本视网膜彩色图像。
[0076]图8:风险模型的接受者操作特征(ROC)分析。
[0077]图9:自动检测的AUC。
[0078]详细描述
[0079]定义
[0080]本文所用的术语“包括(comprising) ”表示“包括(including)”。该术语的变形词，例如“包括(comprise) ”和“包括(comprises) ”具有相应的变化涵义。因此,例如，“包括”单元的模块可以仅由该单元组成，或可以包括一个或多个其它单元。
[0081]在本申请中所用的单数形式“a”、“an”以及“the”包括复数涵义，除非上下文另作其它明确说明。具体而言，如果使用不定冠词，则应当将说明书理解为考虑到了复数和单数，除非上下文另作其它要求。
[0082]本文所用术语“个体”以及“患者”可交换使用，表示包括非灵长类(如骆驼、驴、 斑马、牛、猪、马、猫、犬、大鼠和小鼠)和灵长类(如猴、黑猩猩以及人类)的哺乳动物。在某些实施方案中，个体或患者患有或易患特征为视网膜病变的疾病。
[0083]在本说明书中提到的“一个实施方案(one embodiment) ””或“一个实施方案(an embodiment) ” 或“在另一实施方案中(in another embodiment) ” 或“一些实施方案(some embodiments) ”或“其它实施方案(other embodiments) ”表示结合所述实施方案描述的具体对象的特点、结构或特征包括在至少一个实施方案中。因此，在本说明书中各处出现的短语“在一个实施方案中(in one embodiment) ”或“在一个实施方案中(in an embodiment) ” 或“在另一实施方案中”或“在一些实施方案中”或“其它实施方案”未必都表不相同的实施方案。此外，在一个或多个实施方案中，可以以任何合适的方式组合具体的特点、结构或特征。
[0084]术语“异常模式”表示在正常视网膜图像中不存在且与糖尿病视网膜病相关的图像信号。所述异常模式包括但不限于出血、渗出物、新血管、微血管瘤以及增生性玻璃体视网膜病。
[0085]以下描述进一步详细说明上文一个或多个实施方案，且描述的任何部分都可以单独使用，并且以任何合适的方式在一个或多个实施方案中组合使用。
[0086]在本文所公开的一方面，提供了用于诊断和/或预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的方法，包括如下步骤:
[0087](a)从所述个体获得视网膜眼底图像；
[0088](b)将所述图像转化为灰度图像和/或从所述图像提取血管，从而获得灰度图像和/或血管图像；
[0089](c)对所述灰度图像和/或血管图像进行I项或至少2项或更多项分析，并产生一个或多个因子，其中所述I项或至少2项或更多项分析选自:
[0090]分形分析，
[0091]统计学纹理分析，
[0092]高阶谱分析，
[0093]异常模式分析，
[0094]及以上的任意组合；以及
[0095](d)将步骤(C)获得的一个或多个因子与对照的一个或多个因子进行比较，所述因子的改变指示所述个体中所述疾病的存在、进展和/或治疗效果。
[0096]在另一方面，提供了用于产生与个体的视网膜图像改变相关的一个或多个因子的方法，包括如下步骤:
[0097](a)从所述个体获得视网膜眼底图像；
[0098](b)将所述图像转化为灰度图像和/或从所述图像提取血管，从而获得灰度图像和/或血管图像；以及
[0099](c)对所述灰度图像和/或血管图像进行I项或至少2项或更多项分析，并产生一个或多个因子，其中所述I项或至少2项或更多项分析选自:
[0100]分形分析，
[0101]统计学纹理分析，
[0102]高阶谱分析，
[0103]异常模式分析，
[0104]以及以上的任意组合。
[0105]在本文所公开的方法的一个实施方案中，步骤(b)包括使用数学形态学运算和/ 或二元树复数小波变换技术。
[0106]在一些实施方案中，本文所公开的方法包括对图像进行分形分析，并产生与分形相关的特征。在一个实施方案中，分形分析可以包括使用复数小波方法，优选复数小波领袖多重分形分析。在另一实施方案中，分形分析可以包括使用多重分形谱分析。在一个实施方案中，分形分析所产生的因子选自Sum Average、Cluster Shade、豪斯多夫维数以及以上的任意组合。
[0107]在一些实施方案中，统计学纹理分析可以包括使用灰度共生矩阵(GLCM)和/或游程长度矩阵(RLM)来产生纹理特征，所述纹理特征包括标准化均匀性、标准化熵、标准化对比度、标准化四阶矩以及标准化游程百分比。在一些实施方案中，利用高阶谱(HOS)分析所获得的高阶谱(HOS)特征可以包括100级的熵IHOS特征；160级的熵2H0S特征；40级的熵 3H0S特征；140和160级的熵3H0S特征;40、140、160和180级的熵相HOS特征;0、20、40、 60、100、120、140、160以及180级的熵幅度HOS特征。在优选的实施方案中，本文所公开的方法包括对灰度图像联合进行高阶谱(HOS)分析和统计学纹理分析，并产生与纹理相关的特征。
[0108]在其它实施方案中，本文所公开的方法还包括分析灰度图像和/或血管图像的血管特性并产生与血管特性相关的因子。与血管特性相关的因子可以是动脉/静脉比(AVR)， 其中AVR=视网膜中央动脉等值(CRAE)/视网膜中央静脉等值(CRVE)。
[0109]在其它实施方案中，本文所公开的方法包括对灰度图像和/或血管图像进行异常模式分析，并产生与异常模式相关的特征。在一个实施方案中，异常模式分析可以包括使用基于小波变换的小波算法，所述小波算法优选二元树复数小波变换和基于小波的Radon变换。在另一实施方案中，异常模式分析可以包括联合使用高阶谱分析和基于小波变换的小波算法，所述小波算法优选二元树复数小波变换和基于小波的Radon变换。在一些实施方案中，异常模式可以包括出血、渗出物、新血管、微血管瘤、增生性玻璃体视网膜病变或其任意组合。在具体实施方案中，异常模式是出血。
[0110]在本文所公开的方法的一些实施方案中，所述疾病选自中风、亚临床脑损伤、脑白质损伤、痴呆、高血压、糖尿病、包括冠心病和脑血管疾病在内的心血管疾病、青光眼、早产、 视神经乳头水肿以及常见的视网膜疾病，如黄斑裂孔、年龄相关性黄斑退变。在一个实施方案中，所述疾病是中风，且步骤(C)包括对灰度图像和/或血管图像进行4项分析中的至少 2项，并产生一个或多个因子。在一个实施方案中，所述疾病是糖尿病，且步骤(C)包括对灰度图像和/或血管图像进行4项分析中的至少2项，并产生一个或多个因子。在另一实施方案中，所述疾病是糖尿病，且步骤(C)包括对灰度图像和/或血管图像进行统计学纹理分析和异常模式分析，并产生一个或多个因子。
[0111]在另一个实施方案中，本文所公开的方法可以用于对个体的视网膜病变进行分级。在一个实施方案中，视网膜病变是糖尿病视网膜病变。
[0112]在本文所公开的另一方面，提供了用于诊断和/或预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的装置，所述装置包括: [0113]图像获取模块，用于从所述个体获得视网膜眼底图像；
[0114]转化模块，用于将所述图像转化为灰度图像和/或并从所述图像提取血管，从而获得所述灰度图像和/或血管图像；
[0115]分析模块，其包含I个或至少2个或更多个子模块，所述子模块用于执行对灰度图像和/或血管图像的分析，并产生一个或多个因子，其中I个或至少2个或更多个子模块选自:[0116]分形分析子模块，
[0117]统计学纹理分析子模块，
[0118]高阶谱分析子模块，
[0119]异常模式分析子模块，
[0120]及以上的任意组合；以及
[0121]任选的比较模块，用于将从所述分析模块获得的因子与对照的因子进行比较。
[0122]在本文所公开的装置的一个实施方案中，将转化模块设置为执行数学形态学运算和/或二元树复数小波变换技术。
[0123]在一些实施方案中，分析模块包括用于对图像进行分形分析并产生与分形相关的特征的分形分析子模块。在一个实施方案中，将分形分析子模块设置为执行复数小波方法， 优选复数小波领袖多重分形分析。在另一实施方案中，将分形分析子模块设置为执行多重分形谱分析。在一个实施方案中，分形分析子模块所产生的因子选自Sum Average、Cluster Shade、豪斯多夫维数以及以上的任意组合。
[0124]在一些实施方案中，将统计学纹理分析子模块设置为执行灰度共生矩阵(GLCM) 和/或游程长度矩阵(RLM)来获得纹理特征，所述纹理特征包括标准化均匀性、标准化熵、 标准化对比度、标准化四阶矩以及标准化游程百分比。在一些实施方案中，高阶谱分析子模块所产生的高阶谱(HOS)特征可以包括100级的熵IHOS特征、160级的熵2H0S ；40级的熵 3H0S特征；140和160级的熵3H0S特征;40、140、160和180级的熵相HOS特征;0、20、40、 60、100、120、140、160以及180级的熵幅度HOS特征。在一些实施方案中，分析模块包括用于对灰度图像和/或血管图像进行纹理分析并产生与纹理相关的因子的统计学纹理分析子模块和/或高阶谱分析子模块。在优选的实施方案中，统计学纹理分析子模块与高阶谱分析子模块联合使用。
[0125]在其它实施方案中，分析模块还包括用于分析灰度图像和/或血管图像的血管特性并产生与血管特性相关的因子的血管特性分析子模块。与血管 特性相关的因子可以是动脉/静脉比(AVR)，其中AVR=视网膜中央动脉等值(CRAE)/视网膜中央静脉等值(CRVE)。
[0126]在其它实施方案中，分析模块包括用于检测灰度图像和/或血管图像的异常模式并产生与异常模式相关的特征的异常模式分析子模块。在一个实施方案中，将异常模式分析子模块设置为执行基于小波变换的小波算法，所述小波算法优选二元树复数小波变换和基于小波的Radon变换。在另一实施方案中，将异常模式分析子模块设置为联合执行高阶谱分析和基于小波变换的小波算法，所述小波算法优选二元树复数小波变换和基于小波的 Radon变换。在一些实施方案中，异常模式可以包括出血、渗出物、新血管、微血管瘤、增生性玻璃体视网膜病变或其任意组合。在具体实施方案中，异常模式是出血。
[0127]在本文所公开的装置的一些实施方案中，所述疾病选自中风、亚临床脑损伤、脑白质损伤、痴呆、高血压、糖尿病、包括冠心病和脑血管疾病在内的心血管疾病、青光眼、早产、 视神经乳头水肿以及常见的视网膜疾病，如黄斑裂孔、年龄相关性黄斑退变。在一个实施方案中，所述疾病是中风，且分析模块包括4个子模块中的至少2个。在一个实施方案中，所述疾病是糖尿病，且分析模块包括4个子模块中的至少2个。在另一实施方案中，所述疾病是糖尿病，且分析模块包括统计学纹理分析子模块和异常模式分析子模块。
[0128]在另一个实施方案中，本文所公开的装置可以用于对个体的视网膜病变进行分级。在一个实施方案中，视网膜病变是糖尿病视网膜病变。
[0129]在本文所公开的方法或装置的一些实施方案中，豪斯多夫维数与小动脉的标准化直径(NadjustedCRAE)、小动脉标准化直径的小静脉平均不对称指数(Vasymmetry by NadjustedCRAE)、平均小静脉不对称指数(mean venules Vasymmetry)以及具有调整后小动脉直径的出血相关或统计学上显著相关，和/或豪斯多夫维数与心房颤动、高血压、出血、糖尿病、血管曲折以及小动脉-小静脉狭窄(arteriole-venule nicking)相关。
[0130]在本文所公开的方法或装置的一些实施方案中，分形相关纹理特征Sum Average 和Cluster Shade与小动脉的标准化直径(NadjustedCRAE)、小动脉标准化直径的小静脉平均不对称指数、平均小静脉不对称指数以及具有调整后小动脉直径的出血(统计学上显著)相关。
[0131]在本文所公开的方法或装置的一些实施方案中，标准化均匀性的纹理特征与中风相关特征(统计学上显著)相关:小动脉标准化直径的小静脉平均不对称指数、小动脉标准化直径、平均小静脉不对称指数、具有调整后小动脉直径的出血以及具有曲折度的小静脉平均不对称指数(Vasymmetry)。
[0132]在本文所 公开的方法或装置的一些实施方案中，标准化熵的纹理特征与中风相关特征(统计学上显著)相关:小动脉标准化直径的小静脉平均不对称指数、小动脉标准化直径、平均小静脉不对称指数、具有调整后小动脉直径的出血以及具有曲折度的小静脉平均不对称指数。
[0133]在本文所公开的方法或装置的一些实施方案中，标准化对比度的纹理特征与中风相关特征(统计学上显著)相关:小动脉标准化直径的小静脉平均不对称指数、小动脉标准化直径、平均小静脉不对称指数、具有调整后小动脉直径的出血以及具有曲折度的小静脉平均不对称指数。
[0134]在本文所公开的方法或装置的一些实施方案中，标准化四阶矩的纹理特征与中风相关特征(统计学上显著)相关:小动脉标准化直径的小静脉平均不对称指数、小动脉标准化直径、平均小静脉不对称指数、具有调整后小动脉直径的出血以及具有曲折度的小静脉平均不对称指数。
[0135]在本文所公开的方法或装置的一些实施方案中，标准化游程百分比的纹理特征与中风相关特征(统计学上显著)相关:小动脉标准化直径的小静脉平均不对称指数、小动脉标准化直径、平均小静脉不对称指数、具有调整后小动脉直径的出血以及具有曲折度的小静脉平均不对称指数。
[0136]在本文所公开的方法或装置的一些实施方案中，标准化熵的纹理特征与中风相关特征相关(比值比中的大值):交叉压迫。
[0137]在本文所公开的方法或装置的一些实施方案中，100级的熵I的HOS特征与中风相关特征(统计学上显著)相关:小动脉标准化直径；和/或160级的熵2的HOS特征与中风相关特征(统计学上显著)相关:具有调整后小动脉直径的出血；和/或160级的熵3 的HOS特征与中风相关特征(统计学上显著)相关:小动脉标准化直径的小静脉平均不对称指数和单独的小动脉标准化直径。
[0138]在本文所公开的方法或装置的一些实施方案中，140级的熵相的HOS特征与中风相关特征(统计学上显著)相关:小动脉标准化直径的小静脉平均不对称指数；和/或160级的熵相的HOS特征与中风相关特征(统计学上显著)相关:小动脉标准化直径；和/或 180级的熵相的HOS特征与中风相关特征(统计学上显著)相关:单独的小动脉标准化直径和小动脉标准化直径的小静脉平均不对称指数。
[0139]在本文所公开的方法或装置的一些实施方案中，0级的熵幅度的HOS特征与中风相关特征(统计学上显著)相关:具有曲折度的小静脉平均不对称指数；和/或20级的熵幅度的HOS特征与中风相关特征(统计学上显著)相关:具有曲折度的小静脉平均不对称指数；和/或40级的熵幅度的HOS特征与中风相关特征(统计学上显著)相关:小动脉标准化直径；和/或60级的熵幅度的HOS特征与中风相关特征(统计学上显著)高度相关: 小动脉标准化直径；和/或100级的熵幅度的HOS特征与中风相关特征(统计学上显著) 相关:具有曲折度的小静脉平均不对称指数、小动脉标准化直径的小静脉平均不对称指数以及平均小静脉不对称指数；和/或120级的熵幅度的HOS特征与中风相关特征(统计学上显著)高度相关:单独的小动脉标准化直径和具有调整后小动脉直径的出血；和/或140 级熵幅度的HOS特征与中风相关特征(统计学上显著)相关:单独的小动脉标准化直径和小动脉标准化直径的小静脉平均不对称指数；和/或160级的熵幅度的HOS特征与中风相关特征(统计学上显著)高度相关:单独的小动脉标准化直径和具有曲折度的小静脉平均不对称指数；和/或180级的熵幅度的HOS特征与中风相关特征(统计学上显著)高度相关:小动脉标准化直径的小静脉平均不对称指数和具有曲折度的小静脉平均不对称指数。
[0140]在本文所公开的方法或装置的一些实施方案中，180级的熵相的HOS特征与中风相关特征(统计学上显者)相关:AF ;和/或与闻血压的中风相关特征闻度相关的其它HOS 特征为:40、60、100、120和140级的熵幅度；和/或与糖尿病的中风相关特征相关的HOS特征为:40和140级的熵3、140级的熵相、100和120级的熵幅度；和/或与出血的中风相关特征相关的HOS特征为:0和160级的熵I和120级的熵幅度；和/或与曲折度0_1的中风相关特征相关的HOS特征为:0级的熵1、40和140级的熵幅度。
[0141]本申请的另一方面涉及用于对个体的糖尿病视网膜病进行筛查或分级的系统，包括:
[0142]a)用于从个体获取视网膜图像的第一模块；
[0143]b)用于接受图像并利用数学形态学运算和小波变换预处理图像从而增强图像对比度的第二模块；
[0144]c)用于通过形态学分析在预处理的图像中定位视神经盘和黄斑的第三模块；
[0145]d)用于检测和分析与预处理图像中的视网膜病相关的异常模式的第四模块，其任选地包括检测不同异常模式的多个单元，其中利用小波算法分析所述异常模式；以及
[0146]e)用于整合分析的结果并基于整合的结果对视网膜病进行分级的第五模块。
[0147]第一模块可以是适合获取视网膜图像的任何成像单元，优选将其与其它模块整合。在一个实施方案中，第一模块是数字眼底照相机。
[0148]在一个实施方案中，将用于预处理的第二模块设置为用于检测并降低获取的图像的非均勻性光照(non-uniform illumination),并利用数学形态学运算和小波变换增强图像对比度。
[0149]在优选的实施方案中，将第二模块设置为利用去相关拉伸法(decorrelation stretching method)来检测并降低获取的图像的非均勻性光照,所述去相关拉伸法利用混合中值过滤(hybrid median filtering)、top-hat、bottom-hat以及用于灰度的形态学增强算子(morphological enhancement operator)。
[0150]在另一优选的实施方案中，将第二模块设置为利用数学形态学运算和二元树复数小波变换(DTCWT)来增强图像对比度。
[0151]在一个实施方案中，用于定位视神经盘和黄斑的第三模块执行形态学分析，其包括利用扩张并利用盘形状上的结构元素来腐蚀预处理的图像，用于过滤非圆形样的斑点。
[0152]在优选的实施方案中，第四模块所执行的小波算法是基于小波变换的算法。更优选地，小波算法选自二元树复数小波变换和基于小波的Radon变换。最优选地，将第四模块设置为联合执行小波算法和高阶谱分析。
[0153]在一个实施方案中，用于对个体的糖尿病视网膜病进行筛查或分级的系统还包括第六模块，其用于在检测异常模式之前提取并移除血管。
[0154]优选地，将第六模块设置为利用基于血管的技术来确定并提取血管，所述基于血管的技术选自:数学形态学运算与二元树复数小波变换(DTCWT)法、形态学过滤器、匹配过滤器以及其组合。
[0155]在另一实施方案中，用于对个体的糖尿病视网膜病进行筛查或分级的系统还包括第七模块，其用于分析预处理图像的纹理，从而准确地检测异常模式。
[0156]在优选的实施方案中，将第七模块设置为利用统计学纹理分析技术和高阶谱分析来分析纹理。更优选的是，统计学纹理分析技术可以选自灰度共生矩阵(GLCM)方法和游程长度矩阵(RLM)方法。
[0157]在另一优选的实施方案中，将第七模块设置为联合使用小波变换和高阶谱分析来分析纹理。更优选的是，小波变换是基于小波的Radon变换，且高阶谱特征是第三阶谱分析。
[0158]出于方便的目的，可以将多个模块整合在一起用于糖尿病视网膜病的筛查、诊断或分级。
[0159]本发明的另一方 面涉及对个体的视网膜病进行筛查或分级的方法，包括如下步骤:
[0160]a)从个体获取视网膜图像；
[0161]b)利用数学形态学运算和小波变换预处理所述图像，从而增强图像对比度；
[0162]c)通过形态学分析在预处理的图像中定位视神经盘和黄斑；以及
[0163]d)检测并分析预处理图像中的视网膜病相关的异常模式，其中利用小波算法分析所述异常模式；以及
[0164]e)整合检测结果，并基于所述整合的结果对视网膜病的严重程度进行分级。
[0165]在一个实施方案中，获取的图像的预处理包括图像清晰度评估、输入图像的自动评估以及利用小波变换分析增强合格图像对比度。在优选的实施方案中，图像清晰度评估包括检测非均匀性光照并将其降低。在更优选的实施方案中，降低图像的非均匀性光照是基于去相关拉伸法，所述去相关拉伸法利用混合中值过滤、top-hat、bottom-hat以及形态增强算子。优选地，利用数学形态学运算和小波变换执行预处理步骤所包括的图像增强，从而同时降噪并增强对比度。
[0166]有利的是，在优选的实例中，获取的图像的预处理步骤包括:[0167]i)在检测和降低非均匀性光照中，对于最初的彩色图像，使用Retinex相关技术， 并且对于灰度，使用具有直方图均衡的梯度场；
[0168]ii)基于清晰度和场定义(field definition)(参阅，Fleming, 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)自动评估获取的图像的质量；以及
[0169]iii)用数学形态学运算和二元树复数小波变换(DTCWT)增强合格图像对比度。
[0170]在一个实施方案中，视神经盘的定位可以基于现有技术中能区分视网膜解剖结构与病变的已知方法。例如，Osareh, A.，AutomatedIdentification of Diabetic Retinal Exudates and the Optic Disc, flldrifei!, Department of Computer Sciene, University of Bristol，2004描述了基于视神经盘的紧密度特征来鉴定视神经盘:紧密度=(区域边界长度)2/面积,其中可以用边界追踪算法(参阅Sonka, M., V.Hlavac, and R.Boyle, Image processing, analysis, and machine vision.2nd ed.1999, PffS Pub)来获得区域边界长度 (region border length)。或者，可以使用利用 Hough 循环法(Hough circle method)的圆度检测、几何结构(椭圆定位)法或最高强度区域检测来检测并定位视网膜图像中的视神经盘。
[0171]在优选的实施方案中，通过形态学分析执行视神经盘定位，所述形态学分析优选包括利用扩张并利用盘形状上的结构元素来腐蚀预处理的图像，用于过滤非圆形样的斑点。
[0172]在某些实施方案中，黄斑检测是基于与视神经盘检测相似的方式，但在黄斑检测中调换背景色(灰度)并随后应用距OD的恒定距离(2.5直径)来寻找最暗区域，这是因为黄斑经常表现为变暗的区域且距视神经盘中心的距离为约2.5倍视神经盘直径。本领域已知的是，黄斑定位有助于威胁视觉锐度的病变的早期检测，并能增强病变检测的准确性。
[0173]在一个实施方案中，用于对视网膜病进行筛查或分级的系统或方法还包括:用于在检测异常模式前提取并除去血管的模块或步骤，从而有利于异常模式病变检测的准确性。借助于具有光电图像转化的光学成像技术或借助于电子图像生成技术(例如血管摄影图像扫描)可以进行血管成像。此外，眼后部中血管的扩张测量可以基于在眼底镜检图像中使用光学准确性测量技术，使用摄影底片的准确性光学测量技术和测光密度术，或基于光电测量方法。鉴定血管的其它装置或方法在本领域中是已知的(参阅例如Suzuki，Y.Surv.0phthalmol.1995, May39Suppl.1:57-65;Schack et al.Mustererkennung1994,Spr inger-Pub.，475-481 ;DE3, 839，272;美国专利第 5，031，632 号；和美国专利第 6，621，917 号)。
[0174]可选地或另外地 ，基于血管的技术的实例可以包括，例如数学形态学运算与二元树复数小波变换(DTCWT)法、形态过滤器、匹配过滤器以及其组合。
[0175]在另一优选的实施方案中，所述系统或方法还包括分析视网膜图像的纹理的模块或步骤，从而准确地检测包括出血和渗出物在内的异常模式。可以将纹理描述为表示数字图像的某区域中像素灰度空间排列的属性。在纹理分析中，其任务是执行分类、分割以及合成。例如，统计学几何特征和树状小波变换可以用于纹理分析和分类(参阅例 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]在另一优选的实施方案中，分析纹理的方法可以包括但不限于统计学纹理分析技术、结构纹理分析技术、基于模型的纹理分析技术以及基于变换的纹理分析技术。
[0177]具体地，统计学纹理分析技术的实例可以包括但不限于灰度共生矩阵(GLCM)方法和游程长度矩阵(RLM)方法，灰度共生矩阵(GLCM)方法基于使用灰度图像直方图的二阶统计学，游程长度矩阵(RLM)方法包括灰度直方图的高阶统计学。结构纹理分析的实例包括使用不同形状的结构化元素并将真实纹理设想为失真版的理想纹理(参阅例如 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)。基于模型的纹理分析技术包括自回归(AR)模型、马尔可夫随机场(Markov random field, MRF)(参阅 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。基于变换的纹理分析技术利用像素强度变化的空间频率特性将图像转化为新的形式。这类技术的优选实例包括Gabor过滤器、 小波变换分析以及Angle测量技术(Angle measure technique, AMT)。具体而言,可以将来源于一组Gabor过滤器的特征用于纹理分析以进行图像分割。提取特征的小波变换方法可以用于表征纹理并处理纹理分割和分类的问题。此外，可以用AMT从展开的图像像素值提取纹理特征，从而利用多变量统计学技术来表征并预测外部测量的参照纹理。
[0178]在优选的实施方案中，利用统计学纹理分析技术(例如GLCM和RLM)和数字眼底图像的高阶谱(HOS)特征(例如阈值特征强度的三阶矩)来分析视网膜图像的纹理。本领域技术人员应当理解到，可以将整个图像区域上提取的特征(即强度的平均值或概率)的阈值强度值的期望面积视为一阶统计量。GLCM可以是二阶测量，这是因为其测量相邻像素的关系。
[0179]在更优选的实施方案中，联合使用小波变换和HOS来分析视网膜图像的纹理。最优选的是，联合使用基于小波的Radon变换和HOS来分析纹理。已知HOS由矩和累积谱组成，并可以用于确定性信号和随机过程。总共有6个HOS参数(特征)，可以基于双谱不变量(b1-spectral invariant)来提取它们。双谱不变量含有关于窗口内波形形状的信息， 并且对于移位和放大是不变量。5个参数为熵I (熵平均值)、熵2 (熵方差)、熵3 (熵三阶矩)、熵相、熵幅度。HOS提供的额外信息会实现更好的参数评估，并阐明信号源的非线性。 此外，高阶谱的使用可以实现良好的抗噪性。
[0180]在优选的实施方案中，异常模式检测还包括定量计算异常模式的数量、面积以及位置。
[0181]优选地，利用小波方法检测和分析本文所定义的异常模式。在更优选的实施方案中，联合利用小波处理和高阶谱分析来检测异常模式。最优选的是，小波处理是基于小波的 Radon变换或二元树复数小波变换,且高阶谱特征为三阶谱分析。
[0182]如上文所述，异常模式包括但不限于出血、渗出物、新血管、微血管瘤以及增生性玻璃体视网膜病变(PVR)。这类模式在大小、形状、糙度、边缘锐度、亮度以及颜色方面有明石角的定义(表 I)(参阅 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)，并且因此可以利用计算机程序来测量。
[0183]表1.在计算机编程中对糖尿病视网膜病诊断中的模式的定义
[0184]
【权利要求】
1.诊断和/或预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的方法，包括如下步骤:(a)从所述个体获得视网膜眼底图像；(b)将所述图像转化为灰度图像和/或从所述图像提取血管，从而获得所述灰度图像和/或血管图像；(c)对所述灰度图像和/或血管图像进行I项或至少2项或更多项分析，并产生一个或多个因子，其中所述I项或至少2项或更多项分析选自:分形分析，统计学纹理分析，高阶谱分析，异常模式分析，及以上的任何组合；以及(d)将从步骤(c)获得的所述一个或多个因子与对照的一个或多个因子进行比较，所述因子的改变指示所述个体中所述疾病的存在、进展和/或治疗效果 。
2.如权利要求1所述的方法，其中所述疾病选自中风、高血压、糖尿病，包括冠心病和脑血管疾病在内的心血管疾病、青光眼、早产、视神经乳头水肿以及常见的视网膜疾病，如黄斑裂孔、年龄相关性黄斑退变。
3.如权利要求1所述的方法，其中所述疾病是中风，且步骤(c)包括对所述灰度图像和 /或血管图像进行权利要求1所述的4项分析中的至少2项，并产生一个或多个因子。
4.如权利要求1所述的方法，其中所述疾病是糖尿病，且步骤(c)包括对所述灰度图像和/或血管图像进行权利要求1所述的4项分析中的至少2项，并产生一个或多个因子。
5.如权利要求1-4中任一项所述的方法，其中步骤(b)包括使用数学形态学运算和/ 或二元树复数小波变换技术。
6.如权利要求1-5中任一项所述的方法，其中步骤(c)中的所述分形分析包括使用复数小波方法，优选复数小波领袖多重分形分析。
7.如权利要求1-6中任一项所述的方法，其中所述步骤(c)中的分形分析包括使用多重分形谱分析。
8.如权利要求1-7中任一项所述的方法，其中所述分形分析所产生的因子选自Sum Average、Cluster Shade、豪斯多夫维数以及以上的任意组合。
9.如权利要求1-8中任一项所述的方法，其中步骤(c)中的所述统计学纹理分析包括使用灰度共生矩阵(GLCM)和/或游程长度矩阵(RLM)来获得纹理特征，所述纹理特征包括标准化均匀性、标准化熵、标准化对比度、标准化四阶矩以及标准化游程百分比。
10.如权利要求1-9中任一项所述的方法，其中从步骤(c)中的所述高阶谱分析获得的高阶谱(HOS)特征包括100级的熵IHOS特征、160级的熵2H0S特征，40、140和160级的熵 3H0S 特征，40、140、160 和 180 级的熵相 HOS 特征，0、20、40、60、100、120、140、160 和 180 级的熵幅度HOS特征。
11.如权利要求1-10中任一项所述的方法，其中步骤(c)中的所述异常模式分析包括使用基于小波变换的小波算法，优选二元树复数小波变换和基于小波的Radon变换。
12.如权利要求1-10中任一项所述的方法，其中步骤(c)中的所述异常模式分析包括联合使用高阶谱分析和基于小波变换的小波算法，所述小波算法优选二元树复数小波变换和基于小波的Radon变换。
13.如权利要求1-12中任一项所述的方法，其中所述异常模式包括出血、渗出物、新血管、微血管瘤、增生性玻璃体视网膜病变或其任意组合。
14.如权利要求13所述的方法，其中异常模式是出血。
15.产生与个体疾病中的视网膜病变相关的一个或多个因子的方法，包括以下步骤:(a)从所述个体获得视网膜眼底图像；(b)将所述图像转化为灰度图像和/或从所述图像提取血管，从而获得所述灰度图像和/或血管图像；以及(C)对所述灰度图像和/或血管图像进行I项或多项分析，并产生一个或多个因子，其中所述I项或至少2项或更多项分析选自:分形分析，统计学纹理分析，高阶谱分析，异常模式分析，以及以上的任意组合。
16.如权利要求15所述的方法，其中所述疾病选自中风、高血压、糖尿病，包括冠心病和脑血管疾病在内的心血管疾病、青光眼、早产、视神经乳头水肿以及常见的视网膜疾病， 如黄斑裂孔、年龄相关性黄斑退变。`
17.如权利要求15所述的方法，其中所述疾病是中风，且步骤(c)包括对所述灰度图像和/或血管图像进行权利要求15所述4项分析中的至少2项，并产生一个或多个因子。
18.如权利要求15所述的方法，其中所述是糖尿病，且步骤(c)包括对所述灰度图像和 /或血管图像进行权利要求15所述4项分析中的至少2项，并产生一个或多个因子。
19.如权利要求15-18中任一项所述的方法，其中步骤(b)包括使用数学形态学运算和 /或二元树复数小波变换技术。
20.如权利要求15-19中任一项所述的方法，其中步骤(c)中的所述分形分析包括使用复数小波方法，优选复数小波领袖多重分形分析。
21.如权利要求15-20中任一项所述的方法，其中步骤(c)中的所述分形分析包括使用多重分形谱分析。
22.如权利要求15-21中任一项所述的方法，其中所述分形分析所产生的因子选自Sum Average、Cluster Shade、豪斯多夫维数以及以上的任意组合。
23.如权利要求15-22中任一项所述的方法，其中步骤(c)中的统计学纹理分析包括使用灰度共生矩阵(GLCM)和/或游程长度矩阵(RLM)来获得纹理特征，所述纹理特征包括标准化均匀性、标准化熵、标准化对比度、标准化四阶矩以及标准化游程百分比。
24.如权利要求15-23中任一项所述的方法，其中从步骤(c)中的高阶谱分析获得的高阶谱(HOS)特征包括100级的熵IHOS特征、160级的熵2H0S特征，40、140和160级的熵 3H0S 特征，40、140、160 和 180 级的熵相 HOS 特征，0、20、40、60、100、120、140、160 和 180 级的熵幅度HOS特征。
25.如权利要求15-24中任一项所述的方法，其中步骤(c)中的所述异常模式分析包括使用基于小波变换的小波算法，优选二元树复数小波变换和基于小波的Radon变换。
26.如权利要求15-24中任一项所述的方法，其中步骤(c)中的所述异常模式分析包括联合利用高阶谱分析进和基于小波变换的小波算法，所述小波算法优选二元树复数小波变换和基于小波的Radon变换。
27.如权利要求15-26中任一项所述的方法，其中所述异常模式包括出血、渗出物、新血管、微血管瘤、增生性玻璃体视网膜病变或其任意组合。
28.如权利要求27所述的方法，其中异常模式是出血。
29.用于诊断和/或预测个体中特征为视网膜病变的疾病的存在、进展和/或治疗效果的装置，包括:用于从所述个体获得视网膜眼底图像的图像获取模块；用于将所述图像转化为灰度图像和/或从所述图像获得血管，从而获得所述灰度图像和/或血管图像的转化模块；分析模块，包括I个或至少2个或更多个用于对灰度图像和/或血管图像进行分析并产生一个或多个因子的子模块，其中所述I个或至少2个或更多个子模块选自:分形分析子模块，统计学纹理分析子模块，高阶谱分析子模块，异常模式分析子模块，及以上的任意组合；以及任选的比较模块，其用于将 从所述分析模块获得的因子与对照的因子进行比较。
30.如权利要求29所述的装置，其中所述疾病选自中风、高血压、糖尿病，包括冠心病和脑血管疾病在内的心血管疾病、青光眼、早产、视神经乳头水肿以及常见的视网膜疾病， 如黄斑裂孔、年龄相关性黄斑退变。
31.如权利要求29所述的装置，其中所述疾病是中风，且所述分析模块包括权利要求 29所述4个子模块中的至少2个。
32.如权利要求29所述的装置，其中所述疾病是糖尿病，且所述分析模块包括权利要求29所述4个子模块中的至少2个。
33.如权利要求29-32中任一项所述的装置，其中所述转化模块被设置为能执行数学形态学运算和/或二元树复数小波变换技术。
34.如权利要求29-33中任一项所述的装置，其中所述分形分析子模块被设置为能执行复数小波方法，优选复数小波领袖多重分形分析。
35.如权利要求29-34中任一项所述的装置，其中所述分形分析子模块被设置为能执行多重分形谱分析。
36.如权利要求29-35中任一项所述的装置，其中所述分形分析子模块所产生的因子选自Sum Average、Cluster Shade、豪斯多夫维数以及以上的任意组合。
37.如权利要求29-36中任一项所述的装置，其中所述统计学纹理分析子模块被设置为能执行灰度共生矩阵(GLCM)和/或游程长度矩阵(RLM)来获得纹理特征，所述纹理特征包括标准化均匀性、标准化熵、标准化对比度、标准化四阶矩以及标准化游程百分比。
38.如权利要求29-37中任一项所述的装置，其中所述高阶谱分析子模块产生的高阶谱(HOS)特征包括100级的熵IHOS特征、160级的熵2H0S特征，40、140和160级的熵3H0S 特征，40、140、160 和 180 级的熵相 HOS 特征，0、20、40、60、100、120、140、160 以及 180 级的熵幅度HOS特征。
39.如权利要求29-38中任一项所述的装置，其中所述异常模式分析子模块被设置为能执行基于小波变换的小波算法，优选二元树复数小波变换和基于小波的Radon变换。
40.如权利要求29-38中任一项所述的装置，其中所述异常模式分析子模块被设置为能联合执行高阶谱分析和基于小波变换的小波算法，所述小波算法优选二元树复数小波变换和基于小波的Radon变换。
41.如权利要求29-40中任一项所述的装置，所述异常模式分析子模块所分析的异常模式包括出血、渗出物、新血管、微血管瘤、增生性玻璃体视网膜病变或其任意组合。
42.如权利要求41所述的装置，其中异常模式是出血。
43.用于对个体的糖尿病视网膜病进行筛查或分级的方法，所述方法包括以下步骤:a)从所述个体获取视网膜图像；b)利用数学形态学运算和小波变换预处理所述图像，从而增强图像对比度；c)通过形态学分析在预处理的图像中定位视神经盘和黄斑；d)检测和分析所述预处理图像中与糖尿病视网膜病相关的异常模式，其中利用小波算法分析所述异常模式；以及e)整合检测结果，并基于整 合的结果对糖尿病视网膜病的严重程度进行分级。
44.用于对个体的糖尿病视网膜病进行筛查或分级的系统，包括:a)用于从所述个体获取视网膜图像的第一模块；b)用于接收所述图像和利用数学形态学运算和小波变换预处理所述图像从而增强图像对比度的第二模块；c)用于通过形态学分析在所述预处理的图像中定位视神经盘和黄斑的第三模块；d)用于检测和分析所述预处理的图像中与视网膜病相关的异常模式的第四模块，其任选地包括用于检测不同异常模式的多个单元，其中利用小波算法分析所述异常模式；以及e)用于整合分析的结果并基于整合的结果对所述视网膜病进行分级的第五模块。
【文档编号】A61B3/10GK103458772SQ201280015796
【公开日】2013年12月18日 申请日期:2012年4月6日 优先权日:2011年4月7日
【发明者】徐仲锳, 李作为, 李青 申请人:香港中文大学