Классификация изображения на основе сегментации изображения

Классификация изображения на основе сегментации изображения

Иллюстрации

Показать все

Реферат

ОБЛАСТЬ ИЗОБРЕТЕНИЯ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

Изобретение относится к классификации данных изображения и, более конкретно, к классификации данных изображения на основе модели для адаптирования к объекту в данных изображения.

УРОВЕНЬ ТЕХНИКИ ИЗОБРЕТЕНИЯ

Рентгенологи сталкиваются со все возрастающими рабочими нагрузками в результате все возрастающего числа изображений, которые должны быть проанализированы, классифицированы и описаны. Классификация данных изображения может быть полезна, например, для извлечения данных изображения. В наши дни класс данных изображения типично основан на способе получения, например СТ, части анатомии, представляемой посредством данных изображения, например грудной клетке, половой принадлежности и возрастной группе пациента, например мужчина, молодой совершеннолетний, и объектах, описываемых посредством данных изображения. Описание анатомии, представляемой посредством данных изображения, требует очень большого времени и зачастую требует изучения множества изображений, визуализированных на основе полученных данных изображения. Рентгенолог просматривает и описывает визуализированные изображения. Для того чтобы оказать рентгенологу помощь в его работе, доступны реализованные программным обеспечением системы анализа изображений. Множество пакетов программного обеспечения предоставляют интерактивные инструменты для измерения объектов на изображении. Например, пользователь может выбирать две точки на стенке кровеносного сосуда для вычисления расстояния между этими двумя точками, получая диаметр сосуда. Другие системы включают в себя системы сегментации изображений для установления на изображениях признаков, таких как края и поверхности, и измерительные инструменты для измерения объектов в данных изображения на основе сегментации изображения. Например, WO 2003/023717, озаглавленный «Automated Measurement of Geometrical Properties», описывает способ измерения геометрического параметра трехмерной структуры, содержащейся в объекте, с использованием сегментации изображения на основе модели. Сначала первая модель адаптируется к объекту в данных изображения. Затем вторая модель подгоняется к адаптированной первой модели путем регулирования значения геометрического параметра второй модели. Например, вторая модель может быть сферой, а геометрический параметр может быть диаметром сферы. Первая модель может быть треугольной сеткой для адаптирования к бедренной кости, изображенной в данных изображения. Сферу можно подогнать к головке бедренной кости. После получения необходимых значений параметров рентгенологу требуется описать сведения и/или классифицировать данные изображения на основе сведений. Типично это выполняется путем диктовки описания и использования методик распознавания речи для превращения речи в текст.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Преимущественным будет предоставить средство для классификации данных изображения, которое будет требовать меньшего количества вводов от рентгенолога.

Таким образом, в данном аспекте изобретение предоставляет систему для классификации данных изображения на основе модели для адаптирования к объекту в данных изображения, причем система содержит:

- блок сегментации для сегментирования данных изображения путем адаптирования модели к объекту в данных изображения; и

- блок классификации для присвоения класса данным изображения на основе модели, адаптированной к объекту в данных изображения, таким образом, классифицируя данные изображения, при этом блок классификации содержит блок атрибутов для вычисления значения атрибута модели на основе модели, адаптированной к объекту в данных изображения, и при этом присвоенный класс основан на вычисленном значении атрибута.

Таким образом, система изобретения способна классифицировать данные изображения без какого-либо ввода пользователем. Все вводы, требуемые для классификации данных изображения, составляют модель для адаптирования к объекту в данных изображения. Однако специалисту в данной области техники будет понятно, что в некоторых вариантах осуществления может быть предоставлена возможность ограниченного количества вводов пользователем, например ввод, чтобы выбрать модель для адаптирования к объекту в данных изображения, чтобы позволить пользователю оказывать влияние и управлять системой и процессом классификации.

В варианте осуществления системы атрибут модели задается на основе модели или на основе ввода пользовательского атрибута. Блок классификации системы скомпонован для использования блока атрибутов для вычисления значения атрибута. Атрибут, значение которого должно быть вычислено, может быть задан на основе модели. Например, если модель содержит сетку для адаптирования к объекту на изображении, то модель может дополнительно указывать две вершины. Эти две вершины могут задавать атрибут сетки - расстояние между упомянутыми вершинами. Блок атрибутов может быть скомпонован для вычисления значения расстояния между указанными вершинами адаптированной сетки. Такой атрибут определяется на основе модели. Альтернативно, может быть полезным позволить пользователю обеспечить ввод пользовательского атрибута, например, для того, чтобы указать две вершины сетки модели. Две вершины могут задавать атрибут сетки - расстояние между упомянутыми вершинами. Блок атрибутов может быть скомпонован для вычисления значения расстояния между указанными вершинами адаптированной сетки. Такой атрибут определяется на основе ввода пользовательского атрибута.

Специалистам в данной области будет понятно, что существует возможность того, что не потребуется задавать некоторые атрибуты ни посредством модели, ни посредством ввода пользовательского атрибута. Например, система может содержать блок атрибутов для вычисления значения расстояния между каждыми двумя вершинами сетки. Блок атрибутов может быть дополнительно скомпонован для выбора наибольшего значения. Такой атрибут - диаметр наименьшей сферы, содержащей в себе все вершины сетки модели, - может быть вычислен для каждой сетки и не требует задания ни посредством модели, ни посредством ввода пользовательского атрибута. Система может быть скомпонована для рутинного вычисления значения такого атрибута.

В варианте осуществления системы значение атрибута модели является текстом для классификации данных изображения. Атрибут с текстовым значением может быть легче понят и интерпретирован пользователями. Примером атрибута с текстовым значением является тип узелка молочной железы, детектированный на рентгеновском изображении, который может принимать значения «злокачественный» или «доброкачественный». Значение может быть присвоено на основе яркости сегментированного узелка после инъекции контрастного вещества. Поскольку в злокачественных опухолях развиваются их собственные системы кровоснабжения, на рентгеновском изображении они выглядят ярче, чем доброкачественные узелки. Узелки, имеющие яркость выше некоторого порога, могут быть классифицированы как злокачественные.

В варианте осуществления системы значением атрибута модели является, по меньшей мере, одно число для классификации данных изображения. Как указано выше, атрибут может быть расстоянием между двумя вершинами сетки модели.

В варианте осуществления системы значение атрибута модели является диапазоном или вектором для классификации данных изображения. Например, атрибут с векторным значением может описывать главную ось тензора моментов инерции структуры, например, позвонка. Примерным атрибутом с диапазонным значением является процентный диапазон стеноза артерии артериальной бляшкой.

В варианте осуществления система дополнительно содержит блок описания для создания описания на основе класса, присвоенного данным изображения. Описание может содержать как тестовые, так и числовые данные, полученные из класса, присвоенного изображению. Блок описания может быть скомпонован для использования словаря и правил грамматики для построения синтаксически правильных предложений. Это описание можно использовать, например, для создания отчетов.

В варианте осуществления системы блок сегментации дополнительно скомпонован для сегментирования данных второго изображения путем адаптирования модели ко второму объекту в данных второго изображения блок классификации дополнительно скомпонован для присвоения второго класса данным второго изображения на основе модели, адаптированной ко второму объекту в данных второго изображения, таким образом, классифицируя данные второго изображения, и система дополнительно содержит блок сравнения для сравнения класса, присвоенного данным изображения, со вторым классом, присвоенным данным второго изображения, для того чтобы определить соответствие между данными изображения и данными второго изображения. Соответствие может быть основано на сходстве данных изображения и данных второго изображения. Альтернативно, соответствие может быть основано на взаимодополняемости данных изображения и данных второго изображения.

В варианте осуществления система дополнительно содержит второй блок сравнения для сравнения класса, присвоенного данным изображения с записью данных, для того чтобы определить соответствие между данными изображения и записью данных. Запись данных может быть, например, вводом данных из руководства или энциклопедии.

В варианте осуществления система дополнительно содержит второй блок классификации для присвоения класса записи данных для записи данных, таким образом классифицируя запись данных, и при этом второй блок сравнения скомпонован для сравнения класса, присвоенного данным изображения, с классом записи данных, присвоенным записи данных.

В дополнительном аспекте изобретения система согласно изобретению содержится в системе базы данных. База данных содержит элементы. Каждой записи данных присваивается класс записи данных. Запрос на извлечение записи данных из базы данных определяется на основе класса, присвоенного системой данным изображения. Система скомпонована для идентификации записи данных, которая является схожей или дополнительной к изображению путем сравнения класса, присвоенного изображению, с классом, присвоенным записи данных.

В дополнительном аспекте система согласно изобретению содержится в устройстве получения изображения. В дополнительном аспекте система согласно изобретению содержится в рабочей станции.

В дополнительном аспекте изобретение предоставляет способ классификации данных изображения на основе модели для адаптирования к объекту в данных изображения, причем способ содержит:

- этап сегментирования для сегментирования данных изображения путем адаптирования модели к объекту в данных изображения; и

- этап классификации для присвоения класса данным изображения на основе модели, адаптированной к объекту в данных изображения, таким образом, классифицируя данных изображения,

при этом этап классификации содержит этап атрибута для вычисления значения атрибута модели на основе модели, адаптированной к объекту в данных изображения, и при этом присвоенный класс основан на вычисленном значении атрибута.

В дополнительном аспекте изобретение предоставляет компьютерный программный продукт, который должен быть загружен компьютерной компоновкой, причем компьютерная программа содержит инструкции для классификации данных изображения на основе модели для адаптирования к объекту в данных изображения, причем компьютерная компоновка содержит блок обработки и память, причем компьютерный программный продукт после загрузки предоставляет упомянутому блоку обработки возможность осуществлять этапы способа.

Специалисты в данной области техники признают, что два или более из вышеупомянутых вариантов осуществления, реализаций и/или аспектов изобретения могут быть объединены любым предположительно полезным образом.

Модификации и разновидности системы базы данных, устройство получения изображения, рабочей станции, способа и/или компьютерного программного продукта, которые соответствуют описанным модификациям и разновидностям системы, могут быть осуществлены специалистом в данной области техники на основе настоящего описания.

Специалист в данной области техники признает, что способ можно применять к данным многомерного изображения, например к данным двухмерного (2-D), трехмерного (3-D) или четырехмерного (4-D) изображения, полученным посредством различных способов получения, таких как, но без ограничения, рентгенография, компьютерная томография (СТ), магнитно-резонансная томография (MRI), ультразвуковое исследование (US), позитронно-эмиссионная томография (PET), однофотонная эмиссионная компьютерная томография (SPECT) и медицинская радиология (NM).

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Эти и другие аспекты изобретения станут очевидными из и будут разъяснены относительно реализаций и вариантов осуществления, описываемых далее в настоящем документе, и со ссылкой на прилагающиеся чертежи, на которых:

фиг.1 показывает блок-схему примерного варианта осуществления системы;

фиг.2 иллюстрирует сегментацию зрительных нервов;

фиг.3 показывает изменение диаметра модели левого зрительного нерва и модели левой оболочки вдоль левого зрительного нерва;

фиг.4 показывает изменение интенсивности, определенной на основе модели левого зрительного нерва вдоль левого зрительного нерва;

фиг.5 показывает блок-схему последовательности операций примерной реализации способа;

фиг.6 схематически показывает примерный вариант осуществления системы базы данных и

фиг.7 схематически показывает примерный вариант осуществления устройства получения изображения; и

фиг.8 схематически показывает примерный вариант осуществления рабочей станции.

Одинаковые ссылочные номера используются для обозначения похожих частей на всех фигурах.

ПОДРОБНОЕ ОПИСАНИЕ ВАРИАНТОВ ОСУЩЕСТВЛЕНИЯ

Фиг.1 схематически показывает блок-схему примерного варианта осуществления системы 100 для классификации данных изображения на основе модели для адаптирования к объекту в данных изображения, причем система содержит:

- блок 110 сегментации для сегментирования данных изображения путем адаптирования модели к объекту в данных изображения; и

- блок 120 классификации для присвоения класса данным изображения на основе модели, адаптированной к объекту в данных изображения, таким образом, классифицируя данные изображения, при этом блок классификации содержит блок 122 атрибутов для вычисления значения атрибута модели на основе модели, адаптированной к объекту в данных изображения, и при этом присвоенный класс основан на вычисленном значении атрибута.

Примерный вариант осуществления системы 100 дополнительно содержит следующие необязательные блоки:

- блок 130 описания для создания описания на основе класса, присвоенного данным изображения;

- блок 140 сравнения для сравнения класса, присвоенного данным изображения, со вторым классом, присвоенным данным второго изображения, для определения соответствия между данными изображения и данными второго изображения;

- второй блок 150 классификации для присвоения класса записи данных для записи данных, таким образом, классифицируя запись данных;

- второй блок 155 сравнения для сравнения класса, присвоенного данным изображения, с записью данных для определения соответствия между данными изображения и записью данными;

- блок 160 управления для управления работой системы 100;

- пользовательский интерфейс 165 для осуществления связи между пользователем и системой 100; и

- блок 170 памяти для хранения данных.

В варианте осуществления системы 100 имеется три входных соединителя 181, 182 и 183 для входящих данных. Первый входной соединитель 181 скомпонован для приема данных, приходящих от средства хранения данных, такого как, но без ограничения, жесткий диск, магнитная лента, флеш-память или оптический диск. Второй входной соединитель 182 скомпонован для приема данных, приходящих от пользовательского входного устройства, такого как, но без ограничения, мышь или сенсорный экран. Третий входной соединитель 183 скомпонован для приема данных, приходящих от пользовательского входного устройства, такого как клавиатура. Входные соединители 181, 182 и 183 соединены с входным блоком 180 управления.

В варианте осуществления системы 100 имеются два выходных соединителя 191 и 192 для исходящих данных. Первый выходной соединитель 191 скомпонован для вывода данных на средство хранения данных, такое как жесткий диск, магнитная лента, флеш-память или оптический диск. Второй выходной соединитель 192 скомпонован для вывода данных на устройство отображения. Выходные соединители 191 и 192 принимают соответствующие данные через выходной блок 190 управления.

Специалисту в данной области техники будет понятно, что существует множество способов соединить входные устройства с входными соединителями 181, 182 и 183, а выходные устройства с выходными соединителями 191 и 192 системы 100. Эти способы содержат, но без ограничения, проводное и беспроводное соединение, цифровую сеть, такую как, но без ограничения, локальная сеть (LAN) и глобальная сеть (WAN), Интернет, цифровая телефонная сеть, и аналоговую телефонную сеть.

В варианте осуществления системы 100 система 100 содержит блок 170 памяти. Система 100 скомпонована для приема входных данных от внешних устройств через любой из входных соединителей 181, 182 и 183 и для хранения принятых входных данных в блоке 170 памяти. Загрузка входных данных в блок 170 памяти позволяет блокам системы 100 осуществлять быстрый доступ к частям релевантных данных. Входные данные могут содержать, например, данные изображения и данные модели. Блок 170 памяти может быть реализован посредством устройств, таких как, но без ограничения, микросхема оперативного запоминающего устройства (RAM), микросхема постоянного запоминающего устройства (ROM) и/или привод жесткого диска и жесткий диск. Блок 170 памяти может быть дополнительно скомпонован для хранения выходных данных. Выходные данные могут содержать, например, класс, присвоенный изображению. Необязательно выходные данные дополнительно могут содержать модель, адаптированную к объекту в данных изображения, и/или значение атрибута. Блок 170 памяти также может быть скомпонован для приема данных от и/или доставки данных на блоки системы 100, содержащей блок 110 сегментации, блок 120 классификации, блок 122 атрибутов, блок 130 описания, блок 140 сравнения, второй блок 150 классификации, второй блок 155 сравнения, блок 160 управления и пользовательский интерфейс 165, через шину 175 памяти. Кроме того, блок 170 памяти дополнительно скомпонован для предоставления внешним устройствам доступа к выходным данным через любой из: выходные соединители 191 и 192. Хранение данных из блоков системы 100 в блоке 170 памяти может преимущественно улучшить производительность блоков системы 100, а также скорость передачи выходных данных из блоков системы 100 на внешние устройства.

Альтернативно, система 100 может не содержать блок 170 памяти и шину 175 памяти. Входные данные, используемые системой 100, могут поступать, по меньшей мере, с одного внешнего устройства, такого как внешняя память или процессор, соединенный с блоками системы 100. Подобным образом выходные данные, генерируемые системой 100, могут поступать, по меньшей мере, на одно внешнее устройство, такое как внешняя память или процессор, соединенное с блоками системы 100. Блоки системы 100 могут быть скомпонованы для приема данных друг от друга через внутренние соединения или через шину данных.

В варианте осуществления системы 100 система 100 содержит блок 160 управления для управления системой 100. Блок управления может быть скомпонован для приема управляющих данных от и предоставления управляющих данных на блоки системы 100. Например, после адаптирования модели к данным изображения блок 110 сегментации может быть скомпонован для предоставления управляющих данных «данные изображения сегментированы» на блок 160 управления, а блок 160 управления может быть скомпонован для предоставления управляющих данных «классифицировать данные изображения» на блок 120 классификации. Альтернативно, функция управления может быть реализована в другом блоке системы 100.

В варианте осуществления системы 100 система 100 содержит пользовательский интерфейс 165 для осуществления связи между пользователем и системой 100. Пользовательский интерфейс 165 может быть скомпонован для приема ввода пользователя для выбора модели для адаптирования к объекту в данных изображения. Дополнительно пользовательский интерфейс может предоставлять средство для отображения вида сетки, адаптированной к объекту. Необязательно пользовательский интерфейс может принимать ввод пользователя для выбора режима работы системы, такого как, например, для задания терминов выражения внешней или внутренней энергии или способа предварительного позиционирования. Специалисту в данной области техники будет понятно, что дополнительные функции могут быть преимущественно реализованы в пользовательском интерфейсе 165 системы 100.

В варианте осуществления система изобретения скомпонована для классификации данных изображения, описывающих зрительные нервы. Фиг.2 иллюстрирует сегментация левого и правого зрительного нерва с использованием модели левого N1 и правого N2 зрительного нерва. Каждый зрительный нерв содержит пучок волокон для передачи электрических импульсов от сетчатки в мозг. Левый и правый зрительные нервы выходят из соответствующих глазных яблок, смоделированных посредством соответствующих моделей E1 и E2 глазных яблок, через зрительные каналы и идут в направлении хиазмы, смоделированной посредством модели C хиазмы, где происходит частичный перекрест волокон обоих зрительных нервов. Часть каждого зрительного нерва у каждого глазного яблока защищена посредством оболочки, смоделированной моделью S1 левой оболочки и моделью S2 правой оболочки. Стандартно диаметр зрительного нерва увеличивается приблизительно от 1,6 мм внутри глазного яблока до 3,5 мм в орбите глазного яблока и далее до 4,5 мм внутри черепного пространства.

В варианте осуществления модели N1, N2, E1, E2 и C являются сеточными моделями поверхностей. Сеточная модель, подходящая для моделирования зрительного нерва и описанная в SPIE Medical Imaging, Conference 6914 Image Processing, Session 7, Segmentation of the heart and major vascular structures in cardiovascular CT images, Jochen Peters, Olivier Ecabert, Cristian Lorenz, Jens von Berg, Matthew J. Walker, Mani Vembar, Mark E. Olszewski, Jϋrgen Weese, San Diego 18 February 2008, может быть найдена в Proceedings SPIE Medical Imaging 2008:Image Processing, J. M. Reinhardt and J. P. Pluim, eds., которая далее в настоящем документе обозначается как ссылка 1. Каждый зрительный нерв смоделирован посредством стопки последовательных колец, что более подробно описано в разделе 2.3 ссылки 1. Каждое кольцо задается фиксированным числом вершин. Вершины двух последовательных колец соединены ребрами, образующими сегментную сетку с треугольными гранями. Треугольная сетка для моделирования зрительного нерва размещена в пространстве данных изображения и адаптирована к зрительному нерву в данных изображения. Конкретное размещение может быть основано на детектировании нерва или эталонной структуры в данных изображения с использованием, например, обобщенной трансформации Хуга. Способ размещения сетки с использованием обобщенной трансформации Хуга описан в M. J. Walker, A. Chakrabarty, M. E. Olszewski, O. Ecabert, J. Peters, C. Lorenz, J. von Berg, M. Vembar, K.Subramanyan, and J. Weese «Comparison of two initialization methods for automatic, whole-heart, model-based segmentation of multiphase cardiac MSCT images» в Proc. 1st Annual Scientific Meeting Soc. Cardiovascular Computed Tomography, Int. Journal Cardiovascular Imaging, 22 (прил. 1), стр. 12, июль 2006. При адаптировании исходной сетки используется способ, описанный, например, в J. Peters, O. Ecabert, C. Meyer, H. Schramm, R. Kneser, A. Groth, and J. Weese, «Automatic whole heart segmentation in static magnetic resonance image volumes» в Proc. MICCAI, N. Ayache, S. Ourselin, and A. Maeder, eds., LNCS 4792, стр. 402-410, Springer, 2007. Каждая оболочка зрительного нерва смоделирована с использованием подхода, похожего на подход, использованный для моделирования зрительного нерва.

В варианте осуществления модели N1 и N2 двух зрительных нервов и модели S1 и S2 двух оболочек присоединены к соответствующим моделям E1 и E2 глазных яблок и модели C хиазмы, которая далее присоединяется к другим структурам центральной нервной системы. Такая всеобъемлющая модель, содержащая несколько частей, адаптирована к структурам в данных изображения. Альтернативно, модели компонентов могут быть последовательно адаптированы с моделями эталонных структур, такими как две полусферы, а адаптирование к глазным яблокам будет выполнено перед адаптированием моделей N1 и N2 зрительных нервов и моделей S1 и S2 оболочек, присоединенных к моделям E1 и E2 глазных яблок и модели C хиазмы. Специалистам в данной области техники будет понятно, что существуют другие модели и способы адаптирования таких моделей к объектам в данных изображения, которые можно использовать системой согласно изобретению. Описанные выше модели и способы иллюстрируют варианты осуществления системы и не должны толковаться в качестве ограничения объема формулы изобретения.

В варианте осуществления данные изображения классифицированы на основе состояния левого зрительного нерва. Более подробно данные изображения классифицированы на основе двух атрибутов модели N1 левого зрительного нерва, адаптированной к левому зрительному нерву в данных изображения: диаметр модели N1 левого зрительного нерва и средняя интенсивность модели N1 левого зрительного нерва. Значение диаметра и средний уровень яркости определяется для каждого кольца в стопке, использованной для моделирования левого зрительного нерва. Диаметр d _i i-го кольца в модели N1 левого зрительного нерва вычисляется для каждого адаптированного кольца с использованием формулы A _i =π(d _i /2) ², где A _i является площадью кольца. Площадь кольца аппроксимирована площадью многоугольника, задаваемого вершинами кольца. Местоположение каждого кольца задается расстоянием от центра кольца до поверхности модели левого глазного яблока, измеренного вдоль осевой линии. Это расстояние до каждого кольца аппроксимировано посредством суммы расстояний между центрами последовательных колец между рассматриваемым кольцом и кольцом, смежным с глазным яблоком. Центр каждого кольца задается как центр масс вершин кольца. Диаметр модели S1 оболочки может быть вычислен аналогичным способом. Фиг.3 показывает изменение диаметра модели N1 левого зрительного нерва и модели S1 левой оболочки вдоль левого зрительного нерва.

Средний уровень яркости i-го кольца модели N1 левого зрительного нерва вычисляется по уровням яркости выборочных точек. Выборочные точки являются точками, выбранными на равных расстояниях на каждой полулинии, выходящей из центра кольца и идущей в направлении вершины кольца. Гистограмма уровней яркости в этих выборочных точках показывает два больших максимума при уровнях I _0,i и J _0,i яркости, где i является индексом кольца. Больший из двух уровней яркости, обозначенный I _0,i, аппроксимирует среднюю интенсивность зрительного нерва в местоположении, соответствующем местоположению i-го кольца. Меньший из двух уровней яркости, обозначенный J _0,i, аппроксимирует среднюю интенсивность оболочки в местоположении, соответствующем местоположению i-го кольца. Фиг.4 показывает изменение интенсивности, определенной на основе модели N1 левого зрительного нерва вдоль левого зрительного нерва.

В варианте осуществления системы имеются два атрибута модели левого зрительного нерва, используемые для задания класса данных изображения. Первый атрибут является кривой диаметра зрительного нерва, а второй атрибут является кривой средней интенсивности модели зрительного нерва. Следует отметить, что, хотя второй атрибут задан на основе модели зрительного нерва, значение второго атрибута дополнительно основано на уровнях яркости данных изображения. Эти две кривые могут быть представлены таблицей, содержащей местоположения вдоль зрительного нерва (т.е. координаты центров масс колец) и соответствующие значения диаметра зрительного нерва и средней яркости зрительного нерва. Значения диаметра и средней интенсивности могут быть квантованы, для того чтобы ограничить количество классов. В данном контексте квантование обозначает замену каждого значения из диапазона значений на одно значение, например на меньшее значение или большее значение из диапазона значений или среднее из упомянутого наименьшего и наибольшего значения. Необязательно значения кривой могут быть текстовыми значениями, например, такими как «высокое», «низкое» или «среднее», на основе среднего значения диаметра.

В варианте осуществления кривая диаметра левого зрительного нерва дополнительно обрабатывается, а данные изображения классифицируются на основе результатов обработки кривой:

- фильтр сглаживания применяется к последовательности значений d _0,i диаметра для того, чтобы уменьшить артефакты сегментирования; например, можно использовать фильтр скользящей средней; выходом этого этапа являются сглаженные значения d _1,i диаметра;

- вычисляются максимальное значение M и минимальное значение m сглаженных значений d _1,i диаметра, а значения диаметра нормализуются, например, путем вычитания минимального m из каждого значения и деления полученного значения на M-m; выходом этого этапа являются нормализованные значения d _2,i диаметра;

- вычисляется первая производная нормализованных значений d _2,i диаметра; выходом этого этапа являются значения D _2,i первой производной;

- вычисляется положительное пороговое значение t на основе значений D _2,i первой производной; этот порог используется для квантования значений D _2,i первой производной следующим образом:

если -t<D _2,i <t, то D _2,i заменяется на 0;

если D _2,i>t, то D _2,i заменяется на 1;

если D _2,i <-t, то D _2,i заменяется на -1;

выходом этого этапа являются квантованные значения D _3,i первой производной;

к квантованным значениям D _3,i производной применяют фильтр сглаживания; например можно использовать фильтр скользящей средней; выходом этого этапа являются сглаженные значения D _4,i производной;

- вычисляется второе положительное пороговое значение s на основе сглаженных значений D _4,i производной; этот порог используется для квантования сглаженных значений D _4,i производной следующим образом:

если -s<D _4,i <s, то D _4,i заменяется на 0;

если D _4,i>s, то D _4,i заменяется на 1;

если D _4,i <-s, то D _4,i заменяется на -1;

выходом этого этапа являются квантованные сглаженные значения D _5,i производной.

Последовательность -1...0...1 в квантованных сглаженных значениях D _5,i производной указывает на увеличенный нерв, и, таким образом, эта последовательность обозначается как последовательность увеличенного нерва. Последовательность 1...0...-1 в квантованных сглаженных значениях D _5,i производной указывает на утонченный нерв, и, таким образом, эта последовательность обозначается как последовательность утонченного нерва. Таким образом, данные изображения, изображающие зрительный нерв, содержащий увеличенную последовательность, классифицируются как увеличенные, а данные изображения, изображающие зрительный нерв, содержащий последовательность утонченного нерва, классифицируются как утонченные. Данные изображения, изображающие зрительный нерв, не содержащий последовательность увеличенного нерва и последовательность утонченного нерва, классифицируются как нормальные. Данные изображения, изображающие зрительный нерв, содержащий как последовательность увеличенного нерва, так и последовательность утонченного нерва, могут быть классифицированы или как увеличенные, или как утонченные. Необязательно можно использовать классификацию, содержащую несколько значений, например увеличенный, утонченный.

В варианте осуществления кривая средней интенсивности левого зрительного нерва дополнительно обрабатывается и данные изображения классифицируются на основе результатов обработки этой кривой:

- фильтр сглаживания применяется к последовательности значений I _0,i средней интенсивности для того, чтобы уменьшить артефакты сегментирования; например, можно использовать фильтр скользящей средней; выходом этого этапа являются сглаженные значения I _1,i интенсивности;

- вычисляются максимальное значение M и минимальное значение m сглаженных средних значений I _1,i интенсивности и нормализуются уровни яркости, например, путем вычитания минимального m из каждого значения и деления полученного значения на M-m; выходом этого этапа являются нормализованные значения I _2,i интенсивности;

- вычисляется первая производная нормализованных средних значений I _2,i интенсивности; выходом этого этапа являются значения D _2,i первой производной;

- вычисляется положительное пороговое значение t на основе значений D _2,i первой производной; этот порог используется для квантования значений D _2,i первой производной следующим образом:

если -t<D _2,i <t, то D _2,i заменяется на 0;

если D _2,i>t, то D _2,i заменяется на 1;

если D _2,i <-t, то D _2,i заменяется на -1;

выходом этого этапа являются квантованные значения D _3,i первой производной;

- к квантованным значениям D _3,i производной применяется фильтр сглаживания; например можно использовать фильтр скользящей средней; выходом этого этапа являются сглаженные значения D _4,i производной;

- вычисляется второе положительное пороговое значение s на основе сглаженных значений D _4,i производной; этот порог используется для квантования сглаженных значений D _4,i производной следующим образом:

если -s<D _4,i <s, то D _4,i заменяется на 0;

если D _4,i>s, то D _4,i заменяется на 1;

если D _4,i <-s, то D _4,i заменяется на -1;

выходом этого этапа являются квантованные сглаженные значения D _5,i производной.

Последовательность -1...0...1 в квантованных сглаженных значениях D _5,i производной указывает на пониженную интенсивность, и, таким образом, эта последовательность обозначается как последовательность пониженной интенсивности. Последовательность 1...0...-1 в квантованных сглаженных значениях D _5,i производной указывает на повышенную интенсивность, и, таким образом, эта последовательность обозначается как последовательность повышенной интенсивности. Таким образом, данные изображения, изображающие зрительный нерв, содержащий последовательность пониженной интенсивности, классифицируются как данные с пониженной интенсивностью, и данные изображения, изображающие зрительный нерв, содержащий последовательность повышенной интенсивности, классифицируются как данные с повышенной интенсивностью. Данные изображения, изображающие зрительный нерв, не содержащий последовательность пониженной интенсивности и последовательность повышенной интенсивности, классифицируются как данные с нормальной интенсивностью. Данные изображения, изображающие зрительный нерв, содержащий как последовательность пониженной интенсивности, так и последовательность повышенной интенсивности, могут быть классифицированы или как данные с повышенной интенсивностью, или как данные с пониженной интенсивностью. Необязательно классификация содержит несколько значений, например можно использовать данные с повышенной интенсивностью, данные с пониженной интенсивностью.

Кривая средней интенсивности, показанная на фиг.4, выявляет данные изображения с пониженной интенсивностью, содержащие зрительный нерв, детектированный с использованием фильтров, описанных выше. Следует отметить, что из-за пол