基于眼底图像的视网膜动静脉血管直接识别方法和系统

1.本发明属于眼底图像检测领域，具体涉及一种基于眼底图像的视网膜动静脉血管直接识别方法和系统。


背景技术：

2.视网膜血管是人体唯一可以在无创条件下观察到的内部血管组织，而糖尿病、高血压、心血管疾病等许多全身性疾病都会引起视网膜血管结构和形态的变化，不同疾病和进展阶段对动脉和静脉产生的影响也是不同的，例如，动脉变窄被认为是与高血压相关的现象，而静脉变宽与中风和心血管疾病有关。为了分析视网膜动静脉的形态学特征，首先需要从眼底图像中精确分割获取视网膜动静脉血管，传统的视网膜血管分割方法依赖于具有大量专业知识与经验积累的专业医师的人工操作，存在不同操作者之间标准难以统一、可重复性差、效率低等缺陷，难以满足巨大的诊疗需求。因此，实现视网膜血管的自动动静脉识别并获取相关量化参数能够大幅度降低医疗成本、辅助医学研究，推动眼底筛查技术的发展和普及。
3.近年来，已经提出了许多用于视网膜动静脉分类的自动化技术，这些技术大致可以归为基于图的技术和基于特征的技术两类。然而，这些技术主要依靠先前的血管背景分割二元图的结果来提取血管中心线以生成血管图或提取特征，一方面整个分类过程较慢，另一方面动静脉分类的结果严重依赖于血管分割的精度，如果第一阶段的血管分割质量低下，则第二阶段的动静脉分类精度自然就会降低。目前已经提出的基于眼底图像的视网膜动静脉自动分析软件都是采用先进行血管分割，然后再根据动静脉的颜色、亮度、形态学特征等进行动静脉的分类的两阶段方法，而且仅能对有限的眼底图像数据集进行分析，适用面不够广，血管分割精度和效率也较低。
4.另外，现有的分析软件对于视网膜血管形态学几何参数的提取也是有限的，大多数仅包括血管直径和弯曲度测量。
5.因此，有必要研究一种基于眼底图像的视网膜动静脉血管直接识别方法来解决上述的一个或多个技术问题。


技术实现要素：

6.为解决上述至少一个技术问题，根据本发明一方面，提供了一种基于眼底图像的视网膜动静脉血管直接识别方法，其采用了一种直接进行动脉-静脉-背景分类的语义分割网络，而不需要依赖于血管分割二值图的结果，网络的输入为拍摄的原始眼底图像，输出直接为动静脉分割结果。
7.进一步，本发明引入了更多的视网膜血管形态学几何参数的测量，使系统的应用面和普及性更宽、更广。而且，本发明仅在感兴趣区域内对几根主要血管进行参数的提取，这在满足临床需求的情况下提高了系统的工作效率。
8.具体地，该基于眼底图像的视网膜动静脉血管直接识别方法，其特征在于包括以
下步骤：
9.利用基础分割网络处理输入的眼底图像，输出64通道的特征图；
10.利用血管约束模块处理所述64通道的特征图，输出第一结果图；
11.所述第一结果图经过1
×
1的卷积即可生成包含背景、动脉、静脉、未知血管的4通道的动静脉特征图；
12.所述4通道的动静脉特征图经过第一sigmoid函数生成最终的视网膜动静脉血管识别图；
13.其中，所述血管约束模块包括两个并联的第一分支和第二分支，第一分支包括：两个3
×
3卷积模块和一个1
×
1卷积模块，用于根据所述64通道的特征图生成血管分割特征图；第二sigmoid函数模块，用于将该血管分割特征图转化为概率图；以及高斯激活函数模块，用于根据该概率图生成血管激活图；
14.第二分支包括：两个3
×
3卷积模块，用于根据所述64通道的特征图生成动静脉特征图；第一矩阵相乘模块，用于将所述概率图与所述动静脉特征图相乘并输出，第二矩阵相乘模块，用于将第一矩阵相乘模块的输出与所述血管激活图相乘并输出所述第一结果图。
15.根据本发明又一方面，所述基础分割网络为u型分割网络。
16.根据本发明又一方面，所述u型分割网络包括左侧下采样部分和右侧上采样部分，所述左侧下采样部分对所述眼底图像进行两次3
×
3卷积得到特征图，然后经过一个2
×
2最大池化层将特征图尺寸降采样为原始的一半，接下来3个特征层中连续利用多尺度特征模块进行多尺度特征提取并通过步长为2的3
×
3卷积操作将输入的特征图尺寸减半，最后经过多尺度特征模块和3
×
3卷积操作后将得到的特征图输出至右侧上采样部分；该右侧上采样部分包括3个上采样与合并特征图模块，每个上采样与合并特征图模块通过2
×
2的上采样操作将特征图尺寸扩大为输入特征图的2倍并与左侧下采样部分对应的特征图合并后进行两次3
×
3卷积操作输出特征图，接下来进行一次2
×
2的上采样操作之后得到192通道的特征图，之后通过一个3
×
3卷积操作输出64通道的特征图。
17.根据本发明又一方面，多尺度特征模块采用预训练的res2net，首先将经过1
×
1卷积之后的特征图按通道数平均分为k个子集，第i个子集为xi，i∈{1，2，...，k}.除了x1，每一个xi都会有相应的3
×
3卷积，用fi()表示，则输出yi表示为：
[0018][0019]
由此得到不同感受视野大小的输出，最后将k个输出即y1至yk进行融合并经过一个1x1的卷积操作。
[0020]
根据本发明又一方面，还提供了一种基于眼底图像的视网膜动静脉血管直接识别的系统，其特征在于包括：
[0021]
基础分割网络模块，用于处理输入的眼底图像，输出64通道的特征图；
[0022]
血管约束模块，用于处理所述64通道的特征图，输出第一结果图；
[0023]1×
1卷积模块，用于根据所述第一结果图生成包含背景、动脉、静脉、未知血管的4通道的动静脉特征图；以及
[0024]
第一sigmoid函数模块，用于根据所述4通道的动静脉特征图生成最终的视网膜动
静脉血管识别图；
[0025]
其中，所述血管约束模块包括两个并联的第一分支和第二分支，第一分支包括：两个3
×
3卷积模块和一个1
×
1卷积模块，用于根据所述64通道的特征图生成血管分割特征图；第二sigmoid函数模块，用于将该血管分割特征图转化为概率图；以及高斯激活函数模块，用于根据该概率图生成血管激活图；
[0026]
第二分支包括：两个3
×
3卷积模块，用于根据所述64通道的特征图生成动静脉特征图；第一矩阵相乘模块，用于将所述概率图与所述动静脉特征图相乘并输出，第二矩阵相乘模块，用于将第一矩阵相乘模块的输出与所述血管激活图相乘并输出所述第一结果图。
[0027]
根据本发明又一方面，所述基础分割网络模块为u型分割网络模块。
[0028]
根据本发明又一方面，所述u型分割网络模块包括左侧下采样部分和右侧上采样部分，所述左侧下采样部分对所述眼底图像进行两次3
×
3卷积得到特征图，然后经过一个2
×
2最大池化层将特征图尺寸降采样为原始的一半，接下来3个特征层中连续利用多尺度特征模块进行多尺度特征提取并通过步长为2的3
×
3卷积操作将输入的特征图尺寸减半，最后经过多尺度特征模块和3
×
3卷积操作后将得到的特征图输出至右侧上采样部分；该右侧上采样部分包括3个上采样与合并特征图模块，每个上采样与合并特征图模块通过2
×
2的上采样操作将特征图尺寸扩大为输入特征图的2倍并与左侧下采样部分对应的特征图合并后进行两次3
×
3卷积操作输出特征图，接下来进行一次2
×
2的上采样操作之后得到192通道的特征图，之后通过一个3
×
3卷积操作输出64通道的特征图。
[0029]
根据本发明又一方面，多尺度特征模块采用预训练的res2net，首先将经过1
×
1卷积之后的特征图按通道数平均分为k个子集，第i个子集为xi，i∈{1，2，...，k}.除了x1，每一个xi都会有相应的3
×
3卷积，用fi()表示，则输出yi表示为：
[0030][0031]
由此得到不同感受视野大小的输出，最后将k个输出即y1至yk进行融合并经过一个1x1的卷积操作。
[0032]
根据本发明又一方面，还提供了一种基于眼底图像的视网膜动静脉血管自动分析方法，其特征在于包括以下步骤：
[0033]
待分析眼底图像的获取；
[0034]
视网膜血管自动动静脉识别；
[0035]
动静脉血管后处理修复；
[0036]
血管中心线和边界提取；
[0037]
血管中心线的交叉点识别；
[0038]
眼底图像中视盘的检测；
[0039]
感兴趣区域的定位；
[0040]
感兴趣区域内待分析动静脉血管的选择；
[0041]
形态学几何参数的获取；
[0042]
其中，视网膜血管自动动静脉识别具体为采用前述的方法直接识别。
[0043]
根据本发明又一方面，还提供了一种基于眼底图像的视网膜动静脉血管自动分析
系统，其特征在于包括：
[0044]
第一模块，用于待分析眼底图像的获取；
[0045]
第二模块，用于视网膜血管自动动静脉识别；
[0046]
第三模块，用于动静脉血管后处理修复；
[0047]
第四模块，用于血管中心线和边界提取；
[0048]
第五模块，用于血管中心线的交叉点识别；
[0049]
第六模块，用于眼底图像中视盘的检测；
[0050]
第七模块，用于感兴趣区域的定位；
[0051]
第八模块，用于感兴趣区域内待分析动静脉血管的选择；
[0052]
第九模块，用于形态学几何参数的获取；
[0053]
其中，所述第二模块具体为前述的基于眼底图像的视网膜动静脉血管直接识别的系统。
[0054]
本发明可以获得以下一个或多个技术效果：
[0055]
1.本发明通过血管约束模块实现了视网膜动静脉血管直接识别(一步直接识别)，该血管约束模块缓解了视网膜血管分割中正负样本不均衡的问题，同时增强了微血管和主血管边缘的特征表达；
[0056]
2.本发明得到的动静脉血管分类结果精度更高，更加高效，鲁棒性更高；
[0057]
3.选择视盘周围的0.5-2倍视盘直径范围内的环形区域作为待进行形态学参数提取的感兴趣区域，进一步提高了系统工作效率且具有临床意义；
[0058]
4.多尺度特征模块的设计能够适应和自动分析不同分辨率和不同型号相机采集到的眼底照片，提高了系统的兼容性。
附图说明
[0059]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0060]
图1为根据本发明一种优选实施例的血管约束模块的示意图。
[0061]
图2为根据本发明又一种优选实施例的u型分割网络模块示意图。
[0062]
图3为根据本发明又一种优选实施例的不同分辨率眼底图像的动静脉识别结果示意图。
[0063]
图4为根据本发明又一种优选实施例的基于眼底图像的视网膜动静脉血管自动分析方法的流程图。
[0064]
图5为根据本发明又一种优选实施例的视盘检测即感兴趣区域的定位(白色圆环即为感兴趣区域)示意图。
[0065]
图6为图5中感兴趣区域内动静脉的提取结果示意图。
具体实施方式
[0066]
下面结合附图，通过优选实施例来描述本发明的最佳实施方式，这里的具体实施方式在于详细地说明本发明，而不应理解为对本发明的限制，在不脱离本发明的精神和实质范围的情况下，可以做出各种变形和修改，这些都应包含在本发明的保护范围之内。
[0067]
实施例1
[0068]
根据本发明一种优选实施方式，参见图1，提供了一种基于眼底图像的视网膜动静脉血管直接识别方法，其特征在于包括以下步骤：
[0069]
利用基础分割网络处理输入的眼底图像，输出64通道的特征图；
[0070]
利用血管约束模块处理所述64通道的特征图，输出第一结果图；
[0071]
所述第一结果图经过1
×
1的卷积即可生成包含背景、动脉、静脉、未知血管的4通道的动静脉特征图；
[0072]
所述4通道的动静脉特征图经过第一sigmoid函数生成最终的视网膜动静脉血管识别图。
[0073]
其中，所述血管约束模块包括两个并联的第一分支和第二分支，第一分支包括：两个3
×
3卷积模块和一个1
×
1卷积模块，用于根据所述64通道的特征图生成血管分割特征图；第二sigmoid函数模块，用于将该血管分割特征图转化为概率图；以及高斯激活函数模块，用于根据该概率图生成血管激活图。
[0074]
优选地，第二分支包括：两个3
×
3卷积模块，用于根据所述64通道的特征图生成动静脉特征图；第一矩阵相乘模块，用于将所述概率图与所述动静脉特征图相乘并输出，第二矩阵相乘模块，用于将第一矩阵相乘模块的输出与所述血管激活图相乘并输出所述第一结果图。
[0075]
优选地，参见图3，其中示出了本发明方法针对不同分辨率眼底图像的动静脉识别结果。
[0076]
根据本发明又一优选实施方式，所述基础分割网络为u型分割网络。
[0077]
根据本发明又一优选实施方式，参见图2，所述u型分割网络包括左侧下采样部分和右侧上采样部分，所述左侧下采样部分对所述眼底图像进行两次3
×
3卷积得到特征图，然后经过一个2
×
2最大池化层将特征图尺寸降采样为原始的一半，接下来3个特征层中连续利用多尺度特征模块进行多尺度特征提取并通过步长为2的3
×
3卷积操作将输入的特征图尺寸减半，最后经过多尺度特征模块和3
×
3卷积操作后将得到的特征图输出至右侧上采样部分；该右侧上采样部分包括3个上采样与合并特征图模块，每个上采样与合并特征图模块通过2
×
2的上采样操作将特征图尺寸扩大为输入特征图的2倍并与左侧下采样部分对应的特征图合并后进行两次3
×
3卷积操作输出特征图，接下来进行一次2
×
2的上采样操作之后得到192通道的特征图，之后通过一个3
×
3卷积操作输出64通道的特征图。
[0078]
根据本发明又一优选实施方式，多尺度特征模块采用预训练的res2net，首先将经过1
×
1卷积之后的特征图按通道数平均分为k个子集，第i个子集为xi，i∈{1，2，...，k}.除了x1，每一个xi都会有相应的3
×
3卷积，用fi()表示，则输出yi表示为：
[0079][0080]
由此得到不同感受视野大小的输出，最后将k个输出即y1至yk进行融合并经过一个1x1的卷积操作。
[0081]
根据本发明又一优选实施方式，还提供了一种基于眼底图像的视网膜动静脉血管直接识别的系统，其特征在于包括：
[0082]
基础分割网络模块，用于处理输入的眼底图像，输出64通道的特征图；
[0083]
血管约束模块，用于处理所述64通道的特征图，输出第一结果图；
[0084]1×
1卷积模块，用于根据所述第一结果图生成包含背景、动脉、静脉、未知血管的4通道的动静脉特征图；以及
[0085]
第一sigmoid函数模块，用于根据所述4通道的动静脉特征图生成最终的视网膜动静脉血管识别图；
[0086]
其中，所述血管约束模块包括两个并联的第一分支和第二分支，第一分支包括：两个3
×
3卷积模块和一个1
×
1卷积模块，用于根据所述64通道的特征图生成血管分割特征图；第二sigmoid函数模块，用于将该血管分割特征图转化为概率图；以及高斯激活函数模块，用于根据该概率图生成血管激活图；
[0087]
第二分支包括：两个3
×
3卷积模块，用于根据所述64通道的特征图生成动静脉特征图；第一矩阵相乘模块，用于将所述概率图与所述动静脉特征图相乘并输出，第二矩阵相乘模块，用于将第一矩阵相乘模块的输出与所述血管激活图相乘并输出所述第一结果图。
[0088]
根据本发明又一优选实施方式，所述基础分割网络模块为u型分割网络模块。
[0089]
根据本发明又一优选实施方式，所述u型分割网络模块包括左侧下采样部分和右侧上采样部分，所述左侧下采样部分对所述眼底图像进行两次3
×
3卷积得到特征图，然后经过一个2
×
2最大池化层将特征图尺寸降采样为原始的一半，接下来3个特征层中连续利用多尺度特征模块进行多尺度特征提取并通过步长为2的3
×
3卷积操作将输入的特征图尺寸减半，最后经过多尺度特征模块和3
×
3卷积操作后将得到的特征图输出至右侧上采样部分；该右侧上采样部分包括3个上采样与合并特征图模块，每个上采样与合并特征图模块通过2
×
2的上采样操作将特征图尺寸扩大为输入特征图的2倍并与左侧下采样部分对应的特征图合并后进行两次3
×
3卷积操作输出特征图，接下来进行一次2
×
2的上采样操作之后得到192通道的特征图，之后通过一个3
×
3卷积操作输出64通道的特征图。
[0090]
根据本发明又一优选实施方式，多尺度特征模块采用预训练的res2net，首先将经过1
×
1卷积之后的特征图按通道数平均分为k个子集，第i个子集为xi，i∈{1，2，...，k}.除了x1，每一个xi都会有相应的3
×
3卷积，用fi()表示，则输出yi表示为：
[0091][0092]
由此得到不同感受视野大小的输出，最后将k个输出即y1至yk进行融合并经过一个1x1的卷积操作。
[0093]
根据本发明又一优选实施方式，参见图4-6，还提供了一种基于眼底图像的视网膜动静脉血管自动分析方法，其特征在于包括以下步骤：
[0094]
待分析眼底图像的获取；
[0095]
视网膜血管自动动静脉识别；
[0096]
动静脉血管后处理修复；
[0097]
血管中心线和边界提取；
[0098]
血管中心线的交叉点识别；
[0099]
眼底图像中视盘的检测；
[0100]
感兴趣区域的定位；
[0101]
感兴趣区域内待分析动静脉血管的选择；
[0102]
形态学几何参数的获取；
[0103]
其中，视网膜血管自动动静脉识别具体为采用前述的方法直接识别。
[0104]
下面将详细描述各个步骤。
[0105]
待分析眼底图像的获取。医生通过眼底相机对患者眼部图像进行拍照，然后进行质量分析，如果照片质量不达标则继续采集，直到采集到的眼底图片质量达标才可用于下一步的分析处理。此处对采集眼底照片的相机型号没有要求。
[0106]
视网膜血管动静脉识别。对第一步采集到的眼底图片进行动静脉识别。本发明提出了血管约束网络(vessel-constraint network：vc-net)用于视网膜血管动静脉的分类。优选地，可采用u型网络作为动静脉识别的基本网络架构，如图2所示。同时，本发明在下采样过程中引入了一个多尺度特征模块(multi-scale feature)，该模块用于学习视网膜血管不同尺度的特征，由于在眼底图像中存在着不同尺度的视网膜血管，如静脉血管直径大于动脉血管，主血管直径大于毛细血管。优选地，多尺度特征模块采用预训练的res2net，首先将经过1
×
1卷积之后的特征图按通道数平均分为k个子集，第i个子集为xi，i∈{1，2，...，k}.除了x1，每一个xi都会有相应的3
×
3卷积，用fi()表示，则输出yi表示为：
[0107][0108]
如此一来，将得到不同感受视野大小的输出，最后将例如四个(k取4，但不限于此)输出进行融合并经过一个1x1的卷积。优选地，将k设置为控制参数，也就是可以将输入通道数平均等分为多个特征通道，k越大则多尺度能力越强。
[0109]
有利地，在基础分割网络的末端设计了血管约束模块(vessel-constraint：vc)。眼底图像在经过基础分割网络之后将会输出两个并联的分支，一个分支用于生成血管分割特征图，另一个分支用于生成动静脉特征图。经过sigmoid函数将血管分割特征图转化为概率图，然后与动静脉特征图相乘用于进一步动静脉分类，该部分结合局部和全局血管特征生成高度合理的血管激活图去约束动静脉特征，即抑制趋于背景(负样本)的特征而更多的关注血管(正样本)特征，这可以很好的缓解正负样本不均衡的问题。在一张眼底图像中血管仅占整张图像的15％，对应的动脉和静脉血管大约各占7.5％，这对直接将眼底图像分类为背景、动脉和静脉来说是极具挑战的，而设计的vc模块可以将动静脉分类任务聚焦在血管上，更多的关注血管特征，从而可以实现直接进行动静脉分类。同时，在血管分割概率图之后，设计了高斯核函数映射概率来增加血管边缘区域和毛细血管的特征权重，从而增强微血管和粗血管边缘的特征表达。本发明中高斯激活函数被定义为：f(x)＝α(e-|x-0.5|-e-0.5
)+1，x是整个血管分割的概率图，x∈[0,1],α是一个大于0的固定参数(本研究中设置为1)。基于已有的研究和实验观察，毛细血管和边界像素概率基本上都集中在0.5附近,而主血管和背景像素分别接近于1和0。f(x)将激活权重值约束在[1，α(1-e-0.5
)+1]范围内。经过f(x)，概率接近0.5的像素将被安排更高的权重(接近于(α(1-e-0.5
)+1)),而背景和主血管将被安排更低的权重(接近于1)，在这个过程中潜在的毛细血管将被激活。然后将血管激活图与血管概率图和动静脉特征图相乘之后的结果进行相乘，经过一个1
×
1的卷积即可生成一个4通道(背景、动脉、静脉、未知血管)的动静脉特征图，最后经过sigmoid函数生成最终
视网膜血管动静脉识别概率图。整个视网膜血管动静脉识别的网络结构如图1所示。
[0110]
该网络的输入是第一步采集到的原始眼底图像，经过网络之后的输出即为分类好的动脉-静脉-背景特征图，本发明提出的视网膜血管动静脉识别网络适用于不同分辨率的眼底图像,比如drive，les和hrf眼底图像数据集，他们的分辨率分别为584
×
565，1444
×
1620，3304
×
2336。这三个不同分辨率的数据集的动静脉识别结果如图3所示，第一行是三个数据集对应的原始眼底图像(网络的输入)，第二行为使用本发明所提出方法的动静脉识别结果(网络的输出)。与先进行血管分割，然后基于血管的颜色和形态学等特征进行动静脉识别的两阶段方法相比，本发明提出的直接动静脉识别方法更加高效、鲁棒性更高，模型泛化能力也更强。但是即使是目前最先进的深度学习框架也无法做到完全准确的动静脉血管识别，结果总会存在一定的瑕疵，因此，在经过深度学习网络之后的结果我们可以通过系列后处理算法对其进行修复，使预测结果更加完美。此处提到的后处理方法主要是指一些基于网络拓扑结构等的传统算法。
[0111]
血管中心线和边界提取。对眼底图像动静脉识别之后进行血管中心线和边界的提取，血管中心线和边界信息对血管参数的获取具有一定辅助作用，例如，对于血管直径的测量可以采用基于信息融合的边缘检测器来得到血管边缘信息，识别到感兴趣的血管路径，通过自动生成垂直于血管中心线的交叉线来计算感兴趣的血管的初始直径，每个交叉线与血管边缘的两个交叉线之间的距离作为血管直径，对于某一段血管可以取多个交叉线与血管边缘的两个交叉线之间的距离的均值作为此条血管的直径。
[0112]
血管中心线的交叉点识别。该交叉点可以是动脉血管和动脉血管的交叉点、动脉血管的分支点、静脉血管和静脉血管的交叉点、静脉血管的分支点或者是动脉血管和静脉血管的交叉点，为减小动静脉分类误差的影响，交叉点处的血管参数不予考虑。
[0113]
眼底图像中视盘的检测。针对第一步采集到的眼底图像，可以采用一些主流的目标检测深度学习网络模型进行视盘的快速准确检测。由于视盘内血管缠绕复杂不利于分析，而且对于血管参数的计算主要关注的是主干血管，离视盘越远计算价值越低，因此仅对视盘周围一定范围内的血管进行信息获取和相关形态学参数量化。
[0114]
感兴趣区域的定位。从上一步检测到的视盘中心为原点，选取0.5-2倍视盘直径范围内的环形区域作为待进行形态学参数提取的感兴趣区域，如图5所示。
[0115]
感兴趣区域内待分析动静脉血管的选择。根据临床需求，通常选取环形区域内的k根最宽的动脉和静脉血管进行参数提取，选取的血管数量医生可以根据临床需求，k取4、5、6、7等整数。与对环形区域内的所有血管进行形态学几何参数计算相比，本方法可以在满足需求的情况下大大减少工作量，提高系统工作效率。
[0116]
形态学几何参数的获取。对视网膜血管的形态学几何参数进行量化，本步对上一步选取的k对动脉和静脉血管进行形态学几何参数的获取，参数主要包括：管径、弯曲度、动静脉比率、分形维数、分支角度、分支系数等。与从整张眼底图像中提取血管几何参数相比，本发明提出的方法可以在降低计算复杂度的同时满足临床需求。
[0117]
根据本发明又一优选实施方式，还提供了一种基于眼底图像的视网膜动静脉血管自动分析系统，其特征在于包括：
[0118]
第一模块，用于待分析眼底图像的获取；
[0119]
第二模块，用于视网膜血管自动动静脉识别；
[0120]
第三模块，用于动静脉血管后处理修复；
[0121]
第四模块，用于血管中心线和边界提取；
[0122]
第五模块，用于血管中心线的交叉点识别；
[0123]
第六模块，用于眼底图像中视盘的检测；
[0124]
第七模块，用于感兴趣区域的定位；
[0125]
第八模块，用于感兴趣区域内待分析动静脉血管的选择；
[0126]
第九模块，用于形态学几何参数的获取；
[0127]
其中，所述第二模块具体为前述的基于眼底图像的视网膜动静脉血管直接识别的系统。
[0128]
本发明可以获得以下一个或多个技术效果：
[0129]
1.本发明通过血管约束模块实现了视网膜动静脉血管直接识别(一步直接识别)，该血管约束模块缓解了视网膜血管分割中正负样本不均衡的问题，同时增强了微血管和主血管边缘的特征表达；
[0130]
2.本发明得到的动静脉血管分类结果精度更高，更加高效，鲁棒性更高；
[0131]
3.选择视盘周围的0.5-2倍视盘直径范围内的环形区域作为待进行形态学参数提取的感兴趣区域，进一步提高了系统工作效率且具有临床意义；
[0132]
4.多尺度特征模块的设计能够适应和自动分析不同分辨率和不同型号相机采集到的眼底照片，提高了系统的兼容性。
[0133]
本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。