專利名稱：用于皮層皮質(zhì)性白內(nèi)障診斷的自動混濁檢測系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種自動混濁檢測系統(tǒng)，具有方法和裝置兩個方面。所述系統(tǒng)能夠用以獲得由于皮質(zhì)性白內(nèi)障(“皮質(zhì)性混濁”)產(chǎn)生的混濁的分級值，例如用以進行皮質(zhì)性白內(nèi)障診斷。
背景技術(shù)：
在世界范圍內(nèi)，白內(nèi)障是致盲的首要原因。已經(jīng)報導，全球范圍內(nèi)致盲中的47. 8% 是由白內(nèi)障引起的1，40歲以上的新加坡華人中的35%被報導患有白內(nèi)障2。白內(nèi)障是由于晶狀體的混濁或者變暗造成的。根據(jù)一些研究3-4，最主要類型的白內(nèi)障是皮質(zhì)性白內(nèi)障，皮質(zhì)性白內(nèi)障始自于晶狀體的外邊緣皮層(或外周)上的白化的、楔狀的混濁體或斑紋，隨著皮質(zhì)性白內(nèi)障的緩慢發(fā)展，所述斑紋延伸至晶狀體的中心并且阻擋穿過晶狀體的中心的光。相比之下，囊下白內(nèi)障始自小的混濁區(qū)域，該小的混濁區(qū)域通常接近所述晶狀體的沿通向視網(wǎng)膜的光路的后部。后部反光照明圖像用于對皮質(zhì)性白內(nèi)障和囊下白內(nèi)障分級。傳統(tǒng)地，眼科學家將所觀察到的圖片與一套標準的圖像比較以分配一個合理的等級。該處理的術(shù)語稱為“臨床分級”或者“主觀(subjective)”分級系統(tǒng)。為更為客觀地對晶狀體混濁進行分級，有經(jīng)驗的人類分級人員基于照片或者數(shù)字圖像來分配一個最能反映皮質(zhì)性混濁的嚴重性的等級 (即，由于皮質(zhì)性白內(nèi)障造成的混濁等級)5。該過程的術(shù)語稱為“分級員分級”或者“客觀”分級系統(tǒng)。但是，研究表明測量結(jié)果在諸多分級員中是不一致的，對于同一分級員在不同時刻的測量結(jié)果也不是一致的5。對于混濁面積的測量也是耗時的。已經(jīng)試圖開發(fā)出自動分級系統(tǒng)，用以提高分級的客觀性。對于皮質(zhì)性白內(nèi)障和后囊下白內(nèi)障(PSC)，迄今采用的方法是相當基礎(chǔ)的。Nidek EAS1000軟件6基于全局分界原則提取混濁體，其中以最高點的12%作為閾值。沒有對混濁類型進行區(qū)分，并且瞳孔檢測是手工進行的。如果自動檢測不能令人滿意，用戶可以手動選擇閾值。由于晶狀體的不均勻的照明，通過全局分界進行的混濁檢測通常是不精確的。升級版的軟件7自動檢測瞳孔為具有半徑為所檢測到的最大半徑的95%的圓。 第二項改進在于通過基于對比度的分界進行混濁檢測。但是，當混濁體比較密集而使得混濁區(qū)域中的對比度不夠高時，基于對比度的方法是不令人滿意的。該軟件使得可以通過半手工處理來區(qū)分由于白內(nèi)障引起的混濁和由其它混濁體引起的混濁，但不能區(qū)分不同類型的白內(nèi)障。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供檢測皮質(zhì)性白內(nèi)障的自動系統(tǒng)?？偟貋碚f，本發(fā)明提出計算機系統(tǒng)通過如下步驟在晶狀體的圖像中識別由于皮質(zhì)性白內(nèi)障引起的混濁(a)選擇晶狀體的圖像中的目標區(qū)；
(b)使用使與皮質(zhì)性白內(nèi)障相關(guān)聯(lián)的混濁相對于由其它類型的混濁體引起的混濁突顯的算法來處理所述目標區(qū)以產(chǎn)生修改的圖像，所述由其它類型的混濁體引起的混濁比如是由至少一種其它類型的白內(nèi)障引起的混濁。在修改后的圖像中，通過測量皮質(zhì)性混濁在所述目標區(qū)中的至少一個區(qū)域中的比例所獲得的結(jié)果可以用以對皮質(zhì)性混濁進行分級。由于所述系統(tǒng)的實施方式是自動的，優(yōu)選的實施方式使得可以更為客觀地診斷皮質(zhì)性白內(nèi)障，并且同時節(jié)約臨床醫(yī)生的工作量。目標區(qū)(R0I，region of interest)檢測優(yōu)選地包括檢測圖像中的邊緣(即，具有不同亮度的區(qū)域的邊界)；產(chǎn)生包括所述邊緣的凸形外殼；和然后使橢圓與所述凸形外殼適配。瞳孔中的邊緣不易于位于所述凸形外殼上，并且如果沒有位于所述凸形外殼上，則在橢圓適配時不會被考慮。這使得在嚴重的白內(nèi)障的情況中可以獲得健壯的結(jié)果。邊緣檢測可以用坎尼(Carmy)邊緣檢測算法和拉普拉斯(Laplacian)邊緣檢測算法來進行。兩種邊緣檢測均未提取的邊緣被忽略。所述使與皮質(zhì)性白內(nèi)障相關(guān)聯(lián)的混濁相對于其它類型的混濁特別是由于后囊下白內(nèi)障引起的混濁突顯的算法包括至少一種如下的識別算法(a)提取ROI中的大體沿徑向延伸的邊緣的識別算法；(b)提取ROI中的大體沿徑向延伸的混濁體的中心的識別算法；(c)提取ROI中的大體沿周向延伸的邊緣的識別算法；和(d)提取ROI中的大體沿周向延伸的混濁體的中心的識別算法?？蛇x地，可以進行類型(a)至類型(d)的多個識別算法。算法的結(jié)果以如下方式組合組合由識別算法(a)和(b)識別的邊緣和混濁體中心，以減小識別算法(c)和⑷識別的邊緣和混濁體中心的預計影響。例如，識別算法(c)或(d)的結(jié)果能夠用以產(chǎn)生表示所期望的混濁的補償數(shù)據(jù)，所述補償數(shù)據(jù)用以比如通過從類型(a)和/或(b)的識別算法獲得的數(shù)據(jù)中減去所述補償數(shù)據(jù)，而減少圖像中的所識別的混濁。識別算法(b)和(d)的一個示例是使用選擇元素的局部分界，所述選擇元素是沿軸向或者周向為拉長形的形狀。優(yōu)選地，進行類型(a)至(d)的識別算法中的至少一個識別算法時，首先將圖像從笛卡爾空間轉(zhuǎn)換到相對于從所述ROI獲得的原點的極坐標中；隨后反轉(zhuǎn)換回到笛卡爾空間。這樣，類型(b)和/或類型(d)的識別算法可以包括使用與所述極坐標圖像中的“水平”方向或者“垂直”方向?qū)R的選擇元素局部地分界。而且，類型(a)和/或類型(c)的識別算法可以包括能夠用以識別所述極坐標圖像中的“垂直”或“水平”方向的邊緣算法， 比如索貝爾算法(Sobel algorithm)。對于由識別算法(a)和/或(b)識別的徑向邊緣和混濁中心，如果未被來自識別算法(c)和/或(d)的數(shù)據(jù)消除，則能夠用以獲得區(qū)域增長中使用的“種子”，以生成對應于與這些“種子”相關(guān)聯(lián)的混濁的區(qū)域?？蛇x地，能夠進行一個以上的過濾運算來移除或弱化非表示皮質(zhì)性白內(nèi)障的特性的數(shù)據(jù)(例如，由實施方式識別的具有預定的形狀的或者具有特定位置的斑點，所述預定的形狀比如是圓形，所述預定的位置比如在ROI的中心的附近)。本發(fā)明可以表述為方法、或者表述為被配置用以執(zhí)行所述方法的設(shè)備、或者表述為執(zhí)行可由計算機系統(tǒng)執(zhí)行的程序指令以執(zhí)行所述方法的計算機程序產(chǎn)品(比如可見的記錄介質(zhì))。另外，配置用以執(zhí)行所述方法的處理器能夠被整合在用于獲取晶狀體的照片的相機中。


現(xiàn)在將參考

僅作為示例的本發(fā)明的實施方式，其中圖1是本發(fā)明的實施方式的自動分級系統(tǒng)的流程圖；圖2示意性地說明了圖1的過程；圖3是圖1中ROI檢測步驟的子步驟的流程圖；圖4說明了由圖1的實施方式進行的ROI檢測；圖5說明了由于不同類型的白內(nèi)障引起的兩種類型的混濁；圖6示出了圖1的實施方式中用于突顯皮質(zhì)性混濁的處理步驟；圖7示意性地示出了在圖6的處理中如何修改典型的圖像；圖8比較了(a)原始圖像和(b)圖6的處理結(jié)果；圖9示出了(a)測量網(wǎng)格，和(b)將所述網(wǎng)格與比如圖8(b)中的晶狀體圖像疊加的結(jié)果；和圖10是由所述實施方式進行的自動皮質(zhì)性混濁檢測與人工分級員進行的檢測的比較。
具體實施例方式參考圖1和圖2，示出了作為本發(fā)明的實施方式的軟件系統(tǒng)的步驟，該軟件系統(tǒng)從晶狀體圖像中提取出皮質(zhì)性混濁并對其進行分級。圖1是這些步驟的流程圖，圖2參考表示該處理中每一步驟的結(jié)果圖像示意性地示出了這些步驟。圖1和圖2中的對應步驟標注為相同的附圖標記。本實施方式的輸入是光學圖像1，其包括由黑色邊界包圍的、明亮的近似圓形的區(qū)域，該區(qū)域?qū)谕??；鞚嵊稍撏椎陌祬^(qū)標識。⑴ROI檢測(步驟10)所述方法的第一步驟(步驟10)是ROI檢測，其子步驟在圖3中示出。在第一子步驟11中，原始圖像1由Laplacian邊緣檢測過濾器過濾并且被分界以獲得Laplacian邊緣(一個熟知的算法)。在第二子步驟12中，對原始圖像進行canny邊緣檢測(另一個所熟知的算法)以檢測最強的邊緣。在第三子步驟13中，選擇兩種邊緣檢測算法所共有的邊緣，這意味著去除了任何外部反射性噪聲的影響。在晶狀體中所檢測到的任意邊緣由過濾子步驟14去除， 子步驟14僅提取凸形外殼處的邊緣。這解決了由于嚴重白內(nèi)障產(chǎn)生的混濁在圖像中產(chǎn)生邊緣的問題。使用這些邊緣像素，在第五步驟15中，利用借助于高斯-牛頓(Gauss-Newton)法進行的非線性最小二乘擬和提取出確定最佳適配橢圓的四個參數(shù)。這是確定使該組邊緣像素Uyyi)最佳地適配于橢圓方程的四個參數(shù)的迭代法。y = b±k^r2 -(x-af
圖4中示出了 ROI檢測10的結(jié)果一個示例。其示出了原始圖像10如何根據(jù)圖3 中示出的子步驟被修改。圖3和圖4中對應的步驟標注為相同的附圖標記。如能夠看到的， 橢圓適配的結(jié)果非常接近地對應于瞳孔的輪廓。(ii)皮質(zhì)性混濁檢測(步驟20)皮質(zhì)性混濁是通常在晶狀體中發(fā)現(xiàn)的3種主要類型的白內(nèi)障混濁中的一種。據(jù)觀察，皮質(zhì)性白內(nèi)障和其余的白內(nèi)障類型之間的主要差別在于皮質(zhì)性白內(nèi)障的輪輻狀特性和它們在晶狀體的邊沿處的位置。例如在圖5中，其中灰階圖像包括由于皮質(zhì)性白內(nèi)障造成的接近瞳孔邊沿的暗區(qū)和由于PSC造成的中央部的混濁區(qū)域。本實施方式中的步驟20采用徑向邊緣檢測和區(qū)域增長算法來突顯皮質(zhì)性白內(nèi)障混濁。其子步驟示出在圖6中，所述步驟的結(jié)果示意性地示出在圖7中。在第一子步驟22中，原始圖像20被轉(zhuǎn)換成極坐標。由于皮質(zhì)性混濁的輪輻狀特性，該極坐標圖像將使沿徑向方向提取皮質(zhì)性邊緣的處理和對沿角度方向(周向)的PSC 邊緣的剔除變得容易。子步驟23-213分為四組23-25、26-沘、210_211和212-213。任何一組步驟可以在任何其它組步驟之前或者之后進行，或者能夠并行地進行多組步驟。在子步驟23-25中，我們評估沿徑向方向(徑向混濁)具有相關(guān)性并且表示皮質(zhì)性白內(nèi)障的中央部的混濁。術(shù)語“沿徑向方向具有相關(guān)性”能夠理解為指在徑向方向的一定角度范圍內(nèi)具有長度方向，或者理解為指在長度方向和徑向方向之間存在統(tǒng)計相關(guān)性， 其為至少具有一定水平的統(tǒng)計顯著性。特別地，在子步驟23中，我們使用具有寬的矩形元素的局部分界來處理圖像，以獲得徑向混濁。選擇一個寬的元素，以在各像素及與其水平相鄰的像素之間提供可比較性， 這是因為接近輪輻狀皮質(zhì)性混濁的中央部的像素理想情況下比相鄰的像素具有較低的亮度值。如下完成整個處理限定圍繞每一個像素的矩形元素；和，如果一個像素的亮度與矩形元素內(nèi)的各像素的平均亮度之差小于閾值，則將所述像素的亮度設(shè)定為暗值。在處理接近邊緣的像素時，在該邊緣處所述矩形會與邊緣重合，認為這些像素與該極點的相反側(cè)邊緣處的像素相鄰。在子步驟對中，我們將圖像再轉(zhuǎn)換到笛卡爾坐標系中。在子步驟25中，我們使用尺寸過濾來移除小的斑點，這些斑點主要是噪聲。子步驟沈-觀獲得徑向邊緣以表示皮質(zhì)性白內(nèi)障的外側(cè)部分。在子步驟沈中，我們對極坐標圖像進行垂直索貝爾邊緣檢測(Vertical Sobel edge detection)以檢測徑向方向上的邊緣(徑向邊緣)。在子步驟27中，我們將圖像轉(zhuǎn)換回到笛卡爾坐標系。在子步驟觀中，我們使用尺寸過濾移除小的斑點，這些斑點主要是噪聲。在子步驟四中，步驟25和步驟觀中獲得的圖像被根據(jù)如下規(guī)則融合(圖像25 與(AND)圖像觀)。由此，如果像素在圖像25和在圖像觀中均為白色，則該像素在融合的圖像中為白色像素。子步驟210至215識別接近瞳孔中央的角度方向(即，非徑向定向的)上的混濁， 該混濁容易由于PSC而產(chǎn)生。在步驟S210中，采用高的矩形元素進行局部分界以獲得角度方向混濁。在步驟212中，對原始圖像進行水平索貝爾邊緣檢測(Horizontal Sobel edge detection) 0在步驟211和213中，我們將圖像轉(zhuǎn)換回笛卡爾坐標系。在子步驟214中，我們將周向邊緣的中央部分與外側(cè)部分融合以獲得可歸類為PSC混濁的角度方向混濁。在步驟215中，進行空間過濾以移除接近晶狀體邊緣的、可能由于皮質(zhì)性白內(nèi)障引起的角度方向混濁。在從晶狀體原點至中心(centriods)的距離小于半徑的固定的比率的狀態(tài)下，通過消除混濁簇(opacity clusters)完成空間過濾。在步驟216中，我們將步驟四和步驟215中獲得的圖像融合。如果一個像素在圖像四是白色或者在圖像215中為黑色，則該像素在融合后的圖像中為白色。由此，我們保留了全部可能的皮質(zhì)性白內(nèi)障的邊緣和中心部，而消除了 PSC。在步驟217中，我們過濾以獲得保留下的混濁，以作為皮質(zhì)性混濁的區(qū)域增長的種子?？臻g過濾移除了接近于晶狀體中心的、可能由于PSC引起的混濁。在步驟218中，用先前獲得的種子對皮質(zhì)性混濁進行區(qū)域增長(region grow)。 這里進行的區(qū)域增長從正好鄰近于所述簇的像素開始增長，并形成該簇的周邊。將該周邊中的各像素與所述簇中的固定數(shù)目的像素相比較，該簇為沿所述像素自身向該簇的中心 (centriod)的方向上與所述像素最接近的蔟。僅當所述像素的亮度相對于所述簇中各像素亮度的均值而言位于固定的界限內(nèi)時，這些像素才會被認為是該簇的一部分。當根據(jù)增長標準沒有新的像素時，區(qū)域增長結(jié)束。最后，在步驟219中，我們對區(qū)域-增長的區(qū)域進行尺寸過濾(如上參考步驟215 所說明的)，以消除可能的過度增長(overly-extensive outgrowths)，該過度增長可能是由于具有糟糕地限定了邊緣的皮質(zhì)性白內(nèi)障這一較少的情況而產(chǎn)生。對于這樣的情況，區(qū)域-增長的像素的數(shù)目相對于初始的皮質(zhì)性種子數(shù)目的比率會異常地大，并且增長的區(qū)域會被無效(vioded)。圖8示出了檢測的一個示例。能夠注意到，該系統(tǒng)對于皮質(zhì)性白內(nèi)障是敏感的，但對于比如PSC的其它類型的混濁不敏感。注意到，在其它的實施方式中，仍有能夠用于在步驟20中檢測皮質(zhì)性混濁的其它技術(shù)，并且本發(fā)明并不局限于上述的技術(shù)。這樣的適當?shù)募夹g(shù)可以包括如下技術(shù)中的任一種或者多種1.以局部的最小值作為種子的區(qū)域增長；2.局部分界；3.聚類分析；4.水平設(shè)定技術(shù)；5.紋理分析；6.小波分析；和7.基于圖形的方法。(ii)網(wǎng)格測量(30)基于在步驟20中檢測的皮質(zhì)性混濁，在步驟30中，本實施方式根據(jù)威斯康星 (Wisconsin)白內(nèi)障分級協(xié)議5對皮質(zhì)性白內(nèi)障進行自動分級。使用測量網(wǎng)格將晶狀體圖像劃分為17個部分，如圖9(a)中所示。網(wǎng)格由三個同心圓形成半徑為2mm的中心圓、 半徑為5mm的內(nèi)圓和半徑為8mm的外圓。內(nèi)圓內(nèi)的區(qū)域稱為區(qū)域C，在內(nèi)圓和外圓之間的區(qū)域稱為區(qū)域B，在中心圓和外圓之間的區(qū)域稱為區(qū)域A。在10:30、12:00、1:30、3:00、4:30、 6:00,7:30和9:00方向處的等間隔地的徑向線將中心圓和內(nèi)圓之間的區(qū)域及內(nèi)圓和外圓之間的區(qū)域各劃分為八個子區(qū)。在步驟30中，如圖9(b)所示，外圓與ROI的邊界對齊，使得ROI與網(wǎng)格重疊。計算所檢測的皮質(zhì)性混濁(即，步驟20中的輸出)在圖9(a)所示的各區(qū)域A、B和C中的面積百分比。皮質(zhì)性混濁的總的面積百分比根據(jù)下面的方程計算5總面積％= A中的面積％ *0. 0762+B中的面積％ *0. 0410+C中的面積％ *0. 0625(iv)獲得分級結(jié)果GO)根據(jù)下面表格中的說明分配皮質(zhì)性白內(nèi)障的等級。
皮質(zhì)性白內(nèi)障的說明等級1總的面積< 5%2總的面積525%3總的面積〉25%表1皮質(zhì)性白內(nèi)障分級協(xié)議實驗結(jié)果用根據(jù)基于人口的研究獲得的后映射圖像(retro-illumination image) 測試自動混濁檢測的實施方式新加坡馬來西亞眼科研究(Singapore Malay Eye Study (SiMES) )0使用Scheimpflug后映射相機Nidek EAS-100，通過擴張的瞳孔對晶狀體拍照。后映射圖像被捕獲為灰階圖像，并且從EAS-100軟件輸出。這些圖像被以位圖 (bitmap)格式、640*400像素的尺寸保存。用607幅圖像測試了我們的自動瞳孔檢測算法。測試了 607幅圖像，成功率為 98. 2%。僅在11幅圖像中未能精確地檢測到R0I，這是由于存在強烈的反射性噪聲造成的。為檢測我們的皮質(zhì)性混濁檢測的健壯性，選擇了已經(jīng)有人工分級員的分級結(jié)果的 466幅圖像。根據(jù)相同的協(xié)議對由人工分級員分級的總的區(qū)域進行比較。圖10示出了比較結(jié)果。平均絕對誤差為3. 15%。另外對皮質(zhì)性白內(nèi)障的自動分級和由人工分級員進行的分級作出了比較。表2示出了比較結(jié)果。成功率為85.6%，我們認為該結(jié)果對于自動分級是令人滿意的。
權(quán)利要求
1.一種由計算機系統(tǒng)進行的用于對皮質(zhì)性白內(nèi)障進行分級的方法，所述方法包括(a)選擇晶狀體的圖像中的目標區(qū)；(b)使用皮質(zhì)性白內(nèi)障突顯算法來處理所述目標區(qū)以產(chǎn)生修改的圖像，所述算法使與皮質(zhì)性白內(nèi)障相關(guān)聯(lián)的混濁相對于其它類型的混濁突顯。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述目標區(qū)(ROI)檢測包括檢測所述圖像的邊緣；產(chǎn)生包括所述邊緣的凸形外殼；和，使橢圓與所述凸形外殼適配。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，通過至少兩個不同的邊緣檢測算法來進行所述邊緣檢測，并且通過多次所述邊緣算法未檢測到的邊緣被忽略。
4.根據(jù)任何先前的權(quán)利要求所述的方法，其特征在于，所述皮質(zhì)性白內(nèi)障突顯算法包括至少一個識別算法，所述識別算法包括(a)提取所述ROI中的大體沿徑向延伸的邊緣的識別算法；(b)提取所述ROI中的大體沿徑向延伸的混濁的中心的識別算法；(c)提取所述ROI中的大體沿周向延伸的邊緣的識別算法；(d)提取所述ROI中的大體沿周向延伸的混濁的中心的識別算法。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，存在多個所述識別算法，并且所述皮質(zhì)性白內(nèi)障突顯算法包括組合所述識別算法獲得的結(jié)果。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，由所述類型(a)和/或類型(b)的識別算法識別的結(jié)果被相加的組合，但減去用所述類型(c)和/或類型(d)的識別算法識別的結(jié)
7.根據(jù)權(quán)利要求4至6中的任一項所述的方法，其特征在于，所述方法包括類型(b)和 /或類型(d)的識別算法中的至少一種算法，所述至少一種算法使用沿軸向或者沿周向?qū)R的選擇元素被局部地分界。
8.根據(jù)權(quán)利要求4至6中的任一項所述的方法，其特征在于，進行所述識別算法中的至少一個識別算法時，首先將所述晶狀體的圖像從笛卡爾空間轉(zhuǎn)換到相對于從所述ROI獲得的原點的極坐標中。
9.根據(jù)權(quán)利要求8所述的方法，其特征在于，至少一個類型(b)的識別算法和至少一個類型(d)的識別算法包括使用各自的與所述極坐標圖像中的“垂直”方向或者“水平”方向?qū)R的選擇元素局部地分界。
10.根據(jù)權(quán)利要求8所述的方法，其特征在于，至少一個類型(a)的識別算法和至少一個類型(c)的識別算法包括識別所述極坐標圖像中的邊緣的索貝爾算法。
11.根據(jù)權(quán)利要求4至10中的任一項所述的方法，其特征在于，類型(a)的識別算法和/或類型(b)的識別算法所識別的、未被基于類型(c)的識別算法和/或類型⑷的識別算法的數(shù)據(jù)消除的結(jié)果接受區(qū)域增長運算。
12.根據(jù)權(quán)利要求11所述的方法，其特征在于，通過所述識別算法獲得的邊緣和混濁中心被用以獲得在所述區(qū)域增長運算中使用的種子。
13.根據(jù)權(quán)利要求11或12所述的方法，其特征在于，所述方法包括過濾運算，所述過濾運算用以基于尺寸、形狀或位置并根據(jù)一個以上的標準移除或弱化表示非皮質(zhì)性白內(nèi)障的特性的數(shù)據(jù)。
14.一種對晶狀體的圖像中的皮質(zhì)性白內(nèi)障進行分級的方法，所述方法包括通過根據(jù)權(quán)利要求1至13中的任一項所述的方法檢測皮質(zhì)性白內(nèi)障；然后在修改后的圖像中，通過測量混濁在所述目標區(qū)的至少一個區(qū)域中的比例，對皮質(zhì)性白內(nèi)障進行分級。
15.一種具有處理器的計算機系統(tǒng)，所述處理器被配置用以執(zhí)行根據(jù)權(quán)利要求1至14 中的任一項所述的方法。
16.一種計算機程序產(chǎn)品，其可由計算機讀取并且包括可由計算機系統(tǒng)的處理器操作用以使處理器執(zhí)行根據(jù)權(quán)利要求1至14中的任一項所述的方法的指令。
全文摘要
一種由計算機系統(tǒng)進行的用于檢測眼睛的晶狀體的像的混濁的方法。所述方法包括檢測晶狀體的圖片中的目標區(qū)；和，用算法處理目標區(qū)以產(chǎn)生修改后的圖像，在修改后的圖像中，通過測量混濁在所述目標區(qū)中的至少一個區(qū)域中的比例，所述算法使與皮質(zhì)性白內(nèi)障相關(guān)聯(lián)的混濁相對于由其它類型的混濁引起的混濁突顯，比如相對于由后囊下白內(nèi)障(PSC)引起的混濁突顯。
文檔編號G06T7/40GK102202557SQ200880129376
公開日2011年9月28日 申請日期2008年5月20日 優(yōu)先權(quán)日2008年5月20日
發(fā)明者劉江, 寇李玲, 李久偉, 李輝奇, 王鐵銀, 達蒙·王文克 申請人:新加坡保健服務集團, 新加坡國立大學, 科學、技術(shù)與研究機構(gòu)