一种眼底视网膜动静脉血管直径计算方法及系统

摘要

本发明公开了一种眼底视网膜动静脉血管直径计算方法及系统，对彩色眼底视网膜图像进行预处理；构建基于迭代式半监督学习的眼底视网膜动静脉语义分割模型，对预处理后的图像进行动静脉分割，得到动静脉分割模型；对SUSTech‑SYSU数据集和ORIGA数据集中的视网膜图像进行预处理，构建基于YOLO v3的眼底视盘检测定位模型；基于动静脉分割模型和眼底视盘检测定位模型计算动静脉血管垂线与血管之间相交的像素数，得到动静脉血管直径，采用动静脉直径比计算得到血管直径。本发明不仅可以实现准确的视网膜动静脉血管分割和视盘检测定位，而且能够有效、准确、自动化的实现眼底视网膜血管直径的计算。

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种眼底视网膜动静脉血管直径计算方法及系统。

背景技术

目前眼底动静脉血管直径和直径比参数的获取大多来自专家的手动或借助半自动软件进行动静脉血管提取、人为选取血管段然后进行直径和直径比的计算，这样的计算过程效率低下而且对计算人员的专业素养有着很高的要求，因此自动化的眼底视网膜动静脉血管提取、自动化定位待测血管直径计算区域和计算动静脉直径和直径比是非常有意义的研究。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种眼底视网膜动静脉血管直径计算方法及系统，解决当前视网膜动静脉血管直径参数获取效率低的问题。

本发明采用以下技术方案：

一种眼底视网膜动静脉血管直径计算方法，包括以下步骤：

S1、对彩色眼底视网膜图像进行预处理；

S2、构建基于迭代式半监督学习的眼底视网膜动静脉语义分割模型，对步骤S1预处理后的图像进行动静脉分割，得到动静脉分割模型；

S3、对SUSTech-SYSU数据集和ORIGA数据集中的视网膜图像进行预处理，构建基于YOLO v3的眼底视盘检测定位模型；

S4、基于步骤S2得到的动静脉分割模型和步骤S3构建的眼底视盘检测定位模型计算动静脉血管垂线与血管之间相交的像素数，得到动静脉血管直径，采用动静脉直径比计算得到血管直径。

具体的，步骤S1预处理具体为：

S101、将彩色眼底视网膜图像转化至HSV色彩空间；

S102、在HSV色彩空间中采用中值滤波和限制对比度自适应直方图均衡实现图像去噪和对比度增强；

S103、通过设计中值滤波器的尺寸为图片宽度的1/10，利用滤波器对步骤S102得到的结果进行滤波，得到视网膜背景；

S104、利用图像叠加技术，将步骤S102得到的结果记为src1，步骤S103中得到的结果记为src2，然后进行图像融合，得到消除视网膜背景的预处理结果。

具体的，步骤S2具体为：

S201、对RITE、IOSTAR、AVRDB三个不同来源数据集中的不同动静脉标签标记进行统一处理，统一为动脉像素为红色(255,0,0)、静脉像素为蓝色(0,0,255)、交叉像素为绿色(0,255,0)、背景像素为黑色(0,0,0)；

S202、利用步骤S1的预处理方法对步骤S201中有动静脉标签的170张眼底视网膜图像进行预处理，并按照6:2:2的比例进行训练集、验证集和测试集划分，并对划分得到的102张训练集图像进行随机的裁剪、拉伸和、平移进行数据扩增50倍；

S203、基于步骤S201和S202处理后的训练集图像，对融入Attention机制和VGG结构的U-Net语义分割模型进行训练和测试，得到基础模型—VGG-Att-UNet模型；

S204、基于基础模型，从SUSTech-SUSY和ORIGA公开数据库中随机选择1369张彩色眼底视网膜图像，采用迭代式半监督学习框架对基础模型进行训练更新，得到基于半监督学习的动静脉分割模型：SVA-UNet模型。

进一步的，步骤S203中，VGG-Att-UNet模型的损失函数的目标函数为：

其中，A和B表示两个轮廓区域所包含的点集，β＝0.7,α＝0.3，选用AdaDelta自适应学习率调整优化方法对交叉熵损失函数进行优化，Batch Size设置为8，重复50轮次的训练，并在每一轮次对验证集采用交叉验证进行模型验证，最终选择在验证集上精度最高的模型进行保存。

具体的，步骤S204具体为：

S2041、首次迭代L

S2042、在第L

S2043、每次迭代中上次迭代中训练得到的S

S2044、重复步骤S2042到步骤S2043的迭代步骤直到S

具体的，步骤S3具体为：

S301、基于收集到的SUSTech-SYSU和ORIGA数据集，利用步骤S1的预处理方法对SUSTech-SYSU和ORIGA数据集中的眼底视网膜图像进行预处理；

S302、利用LabelImg软件对ORIGA数据集中的眼底图像进行视盘标注，得到对应的xml标注文件；

S303、对步骤S301和S302中预处理后和标注好视盘的数据中随机选择1369张眼底视网膜图像按6:2:2划分成训练集、验证集和测试集；

S304、在训练集上训练YOLO v3视盘检测模型，YOLO v3视盘检测模型将输入的图像分为S×S的网格，每个网格负责预测落入中心的目标，构建完成基于YOLO v3的眼底视盘检测定位模型。

进一步的，步骤S304中，每个网格以自己中心的B个边界框的位置和置信度进行预测，一个边界框的位置对应四个值(x,y,w,h)，分别为边界框中心的坐标值和边界框的宽度和长度；置信度用于衡量边界框对目标位置预测的准确率，具体计算如下：

其中，Pr表示边界框包含待预测目标的概率，如果边界框包含目标则Pr(object)＝1，否则Pr(object)＝0，IOU为真实目标边界框与预测边界框之间并集和交集之间的比值；共预测C个类别，得到YOLO v3模型输出为S×S×(5×B+C)的张量。

具体的，步骤S4具体为：

S401、基于动静脉分割和视盘检测模型，对输入的彩色眼底视网膜图像进行测试即可得到动静脉血管分割结果和视盘检测结果；

S402、基于步骤S401检测到的视盘，提取步骤S401得到的动静脉结果的2～3倍视盘半径区域；

S403、对步骤S402的提取结果，从2倍视盘半径开始，每隔0.1倍半径绘制一个像素宽度为0.15倍半径的黑色圆对提取的血管进行遮盖得到一系列的血管段；

S404、利用Opencv中findContours函数获取步骤S403得到的血管段连通区域的轮廓；

S405、基于步骤S404提取的血管连通区域的轮廓，利用Opencv中的moments函数获取每个轮廓的重心坐标，并对每个血管段的重心进行标记；

S406、基于步骤S405提取的血管重心坐标，设(x

S407、计算垂线与血管之间相交的像素数，得出血管直径的近似计算值。

进一步的，步骤S407中，动静脉直径比计算如下：

AVR＝CRAE/CRVE

其中，CRAE为中央动脉当量，CRVE为中央静脉当量。

本发明的另一技术方案是，一种眼底视网膜动静脉血管直径计算系统，包括：

数据预处理模块，对彩色眼底视网膜图像进行预处理；

动静脉分割模块，构建基于迭代式半监督学习的眼底视网膜动静脉语义分割模型，对数据预处理模块预处理后的图像进行动静脉分割，得到动静脉分割模型；

视盘检测定位模块，对SUSTech-SYSU数据集和ORIGA数据集中的视网膜图像进行预处理，构建基于YOLO v3的眼底视盘检测定位模型；

动静脉血管直径计算模块，基于动静脉分割模块得到的动静脉分割模型和视盘检测定位模块构建的眼底视盘检测定位模型计算动静脉血管垂线与血管之间相交的像素数，得到动静脉血管直径，采用动静脉直径比计算得到血管直径。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种眼底视网膜动静脉血管直径计算方法，对彩色视网膜图像进行预处理，能够消除不同来源眼底视网膜图像的背景差异；然后基于采集到的带有动静脉标签的数据集训练融合Attention机制和VGG结构的U-Net语义分割模型，再基于无动静脉标签的数据采用半监督框架对模型进行再训练得到本发明的动静脉分割模型，基于半监督学习的动静脉语义分割，能够有效的提升基础语义分割的模型性能；基于采集到的视盘检测数据集，构建YOLO v3视盘检测模型，基于YOLO v3的视盘检测有较高的检测准确率；最后通过视盘定位、血管采样、血管重心提取和垂线计算得到动静脉血管直径和直径比的近似计算值，视网膜动静脉血管分割模型和视盘检测模型有利于后续动静脉血管直径和直径比计算，基于采样血管重心提取和垂线计算，能有效避免血管骨架提取和边缘检测带来的计算误差，有着更精确的计算结果。

进一步的，步骤S1预处理方法目的在于提高眼底视网膜图像的质量和有效消除不同数据库中视网膜图像之间的背景差异。采用小尺寸的中值滤波器能够有效消除图片中的椒盐噪声，限制对比度自适应直方图均衡能够有效提升图片的对比度，大尺寸的中值滤波器能够有效提取视网膜背景。

进一步的，步骤S2中基于迭代式半监督的语义分割模型目的在于准确的分割眼底视网膜图像中的动脉和静脉，是动静脉血管直径计算的基础步骤。该步骤利用VGG-Att-UNet语义分割模型作为基础，采用迭代式半监督框架提升了语义分割模型的准确率。

进一步的，视网膜动静脉血管分割模型采用了Tversky损失函数为目标函数，能够有效地解决动静脉语义分割中存在的类别不平衡问题。该目标函数设置权重对模型训练过程中的假阳性和假阴性进行权衡，从而能有效处理语义分割中的类别不平衡问题。

进一步的，基于迭代式的半监督框架在每次迭代中不断地采样，向模型中输入无标签的视网膜图片，再结合有标签的数据训练多个子模型，对子模型加权集成生成下一次迭代的伪标签。该迭代过程使得模型能够不断地学习到来自无标签数据集中的信息，大大提高了眼底视网膜图像数据的使用，且明显地提升全监督语义分割模型的分割性能和模型的泛化能力。

进一步的，步骤S3目的在于准确地检测和定位眼底视网膜图像中的视盘，为进一步提取视盘周围血管进行直径计算奠定基础。该步骤采用YOLO v3目标检测方法进行视盘检测定位，有着很高的检测效率和检测准确率。

进一步的，YOLO目标检测算法同时对目标位置坐标和置信度以及类别进行预测，使得YOLO目标检测算法有着很快的检测速度。

进一步的，步骤S4基于血管垂线的血管直径计算方法，目的在于在视网膜动静脉分割和视盘检测定位结果的基础上准确地计算动静脉血管的直径和直径比值。通过定位采样小段血管的重心坐标计算血管垂线，避免了通过血管轮廓检测和血管骨架提取来获取血管垂线带来的误差叠加，使得计算有着更小的误差。

进一步的，采用中央动脉当量和中央静脉当量的比值计算视网膜动静脉血管直径比，综合了视网膜血管中粗细血管间的关联，使得计算结果更为准确。综上所述，本发明不仅可以实现准确的视网膜动静脉血管分割和视盘检测定位，而且能够有效、准确、自动化的实现眼底视网膜血管直径的计算。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明计算流程图；

图2为本发明眼底视网膜动静脉血管分割框架图；

图3为本发明VGG-Att-UNet网络结构图；

图4为本发明迭代式半监督学习框架图；

图5为本发明YOLO v3视盘检测定位网络结构图；

图6为本发明视网膜动静脉血管直径计算流程图；

图7为采用本发明方法的测试结果图，其中，(a)为动静脉血管分割结果，(b)为视盘检测结果图，(c)为垂线示意图，(d)为垂线绘制局部放大图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

本发明提供了一种眼底视网膜动静脉血管直径计算方法，涉及到的图像预处理方法、基于半监督学习的动静脉血管语义分割方法、基于YOLO v3的视盘检测方法以及基于血管垂线的血管直径计算方法不仅实现了准确地自动化计算眼底视网膜动静脉血管直径和直径比，而且提供了消除不同视网膜图像背景差异的预处理方法、提升模型性能的半监督语义分割方法以及基于YOLO v3准确检测视盘的方法。

请参阅图1，本发明一种眼底视网膜动静脉血管直径计算方法，包括以下步骤：

S1、眼底视网膜图像预处理用于消除不同数据库来源图像的背景差异；

S101、首先将彩色眼底视网膜图像按照下式转化至HSV色彩空间；

其中，将R,G,B的值除以255得到R′,G′,B′，将灰度值范围从[0,255]变为[0,1]，记Cmax＝max(R′,G′,B′),Cmin＝min(R′,G′,B′)分别为三通道的最大最小值，Δ＝Cmax-Cmin为最大值和最小值的差。

S102、在HSV色彩空间中采用中值滤波和限制对比度自适应直方图均衡实现图像去噪和对比度增强；

S103、通过设计中值滤波器的尺寸为图片宽度的1/10，利用该滤波器对步骤S102得到的结果进行滤波，得到视网膜背景；

S104、利用图像叠加技术，将步骤S102得到的结果记为src1，步骤S103中得到的结果记为src2，利用公式(2)进行图像融合：

dst＝α*src1+β*src2+γ (2)

将α的值设为5，β的值设为-5，γ的值设为128，即得到消除视网膜背景之后的预处理结果。

S2、构建基于迭代式半监督学习的眼底视网膜动静脉语义分割模型，如图2所示；

S201、对RITE、IOSTAR、AVRDB三个不同来源数据集中的动静脉标记进行统一处理，统一为动脉像素为红色(255,0,0)、静脉像素为蓝色(0,0,255)、交叉像素为绿色(0,255,0)、背景像素为黑色(0,0,0)；

S202、利用步骤S1的预处理方法对步骤S201中有动静脉标签的170张眼底视网膜图像进行预处理，并按照6:2:2的比例进行训练集、验证集和测试集划分，并对划分得到的102张训练集图像进行随机的裁剪、拉伸、平移进行数据扩增50倍；

S203、基于处理后的训练集对融入Attention机制和VGG结构的U-Net语义分割模型进行训练，记为基础模型——VGG-Att-UNet模型，如图3所示。

VGG-Att-UNet模型采用Tversky损失函数，用于解决动静脉语义分割中的类别不平衡问题，损失函数的目标函数为：

A和B表示两个轮廓区域所包含的点集，即预测区域和实际区域对应的像素点集，且β＝0.7,α＝0.3，选用AdaDelta自适应学习率调整优化方法对交叉熵损失函数进行优化，Batch Size设置为8，重复50轮次(Epoch)的训练，并在每一轮次对验证集采用交叉验证进行模型验证，最终选择在验证集上精度最高的模型进行保存。

S204、基于基础模型，采用迭代式半监督学习对SUSTech-SUSY和ORIGA数据库中随机选择的1369张无标签的眼底视网膜图像进行模型训练更新。

请参阅图4，迭代式半监督学习的实施过程为：

S2041、首次迭代L

S2042、在第L

每次迭代中训练S

其中，for k＞1；

S2043、每次迭代中上次迭代中训练得到的S

其中，

S2044、重复步骤S2042到步骤S2043的迭代步骤直到S

S205、在测试集上采用像素准确率、平均像素准确率、平均交并比和频权交并比对模型进行评估。

S3、构建基于YOLO v3的眼底视盘检测定位模型，如图5所示；

S301、基于搜集到的SUSTech-SYSU和ORIGA数据集，利用步骤S1预处理方法对SUSTech-SYSU和ORIGA数据集中的视网膜图像进行预处理；

S302、利用LabelImg软件对ORIGA数据集中的650张眼底图像进行视盘标注，得到对应的xml标注文件；

S303、对数据库中的1369张眼底图片进行6:2:2的训练集、验证集和测试集的划分；

S304、在821张训练集上训练了YOLO v3视盘检测模型，YOLO v3将输入的图像分为S×S的网格，每个网格负责预测落入其中心的目标。每个网格对以其为中心的B个边界框的位置和置信度进行预测，其中一个边界框的位置对应四个值(x,y,w,h)，分别为边界框中心的坐标值和边界框的宽度和长度；置信度用于衡量边界框对目标位置预测的准确率计算如下：

其中，Pr表示边界框包含待预测目标的概率，如果边界框包含目标则Pr(object)＝1，否则Pr(object)＝0，IOU为真实目标边界框与预测边界框之间并集和交集之间的比值；假设共预测C个类别，则可得到模型输出为S×S×(5×B+C)的张量。

模型采用Adam优化函数对模型参数进行调整，YOLO v3的目标函数为式(9)；采用在验证集上的损失进行模型监控，保存在验证集损失最小的模型进行应用。

其中，

S305、在274张测试集上利用平均交并比进行模型评估。

S4、基于血管垂线的眼底动静脉血管直径计算，如图6所示。

S401、基于步骤S2和步骤S3中的动静脉分割模型和视盘检测定位模型，对输入的彩色眼底视网膜图像进行测试，即可得到动静脉血管分割结果和视盘检测结果；

S402、基于检测到的视盘，提取步骤S401得到的动静脉结果的2～3倍视盘半径区域；

S403、对步骤S402中的提取结果，从2倍视盘半径开始，每隔0.1倍半径绘制一个像素宽度为0.15倍半径的黑色圆对提取的血管进行遮盖得到一系列的血管段；

S404、由于存在血管分叉和分割结果的杂质像素点，这些情况的存在会对直径计算带来很多的干扰，利用Opencv中findContours函数获取血管段连通区域的轮廓，用于剔除掉较大和较大轮廓面积的血管干扰；

S405、基于步骤S404中提取的血管轮廓，利用Opencv中的moments函数获取每个轮廓的重心坐标，并对每个血管段的重心进行标记；

S406、基于步骤S405所述提取的血管重心坐标，若(x

其中，

S407、计算垂线与血管之间相交的像素数，即得出血管直径的近似计算值。

采用动静脉直径比计算公式：中央动脉当量(Central Retinal ArteryEquivalent，缩写为：CRAE)与中央静脉当量(Central Retinal Vein Equivalent，缩写为：CRVE)的比值，CRAE和CRVE计算如下：

其中，w

AVR＝CRAE/CRVE (13)

S408、计算得到的结果与INSPIRE-AVR数据库中金标准之间的误差来验证准确性。

本发明再一个实施例中，提供一种眼底视网膜动静脉血管直径计算系统，该系统能够用于实现上述眼底视网膜动静脉血管直径计算方法，具体的，该眼底视网膜动静脉血管直径计算系统包括数据预处理模块、动静脉分割模块、视盘检测定位模块以及动静脉血管直径计算模块。

其中，数据预处理模块，对彩色眼底视网膜图像进行预处理；

动静脉分割模块，构建基于迭代式半监督学习的眼底视网膜动静脉语义分割模型，对数据预处理模块预处理后的图像进行动静脉分割，得到动静脉分割模型；

视盘检测定位模块，对SUSTech-SYSU数据集和ORIGA数据集中的视网膜图像进行预处理，构建基于YOLO v3的眼底视盘检测定位模型；

动静脉血管直径计算模块，基于动静脉分割模块得到的动静脉分割模型和视盘检测定位模块构建的眼底视盘检测定位模型计算动静脉血管垂线与血管之间相交的像素数，得到动静脉血管直径，采用动静脉直径比计算得到血管直径。

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于眼底视网膜动静脉血管直径计算方法的操作，包括：

对彩色眼底视网膜图像进行预处理；构建基于迭代式半监督学习的眼底视网膜动静脉语义分割模型，对预处理后的图像进行动静脉分割，得到动静脉分割模型；对SUSTech-SYSU数据集和ORIGA数据集中的视网膜图像进行预处理，构建基于YOLO v3的眼底视盘检测定位模型；基于动静脉分割模型和眼底视盘检测定位模型计算动静脉血管垂线与血管之间相交的像素数，得到动静脉血管直径，采用动静脉直径比计算得到血管直径。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关眼底视网膜动静脉血管直径计算方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：

对彩色眼底视网膜图像进行预处理；构建基于迭代式半监督学习的眼底视网膜动静脉语义分割模型，对预处理后的图像进行动静脉分割，得到动静脉分割模型；对SUSTech-SYSU数据集和ORIGA数据集中的视网膜图像进行预处理，构建基于YOLO v3的眼底视盘检测定位模型；基于动静脉分割模型和眼底视盘检测定位模型计算动静脉血管垂线与血管之间相交的像素数，得到动静脉血管直径，采用动静脉直径比计算得到血管直径。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明一种眼底视网膜动静脉血管直径自动计算方法，以数据库INSPIRE-AVR为例，对所述的方法进行测试，得到的动静脉血管分割结果、视盘检测结果、血管垂线计算结果如图7所示，计算得到的动静脉直径比如表1所示。

表1对INSPIRE-AVR数据集利用本方法计算得到的动静脉血管直径比值

计算本发明结果与金标准之间的误差，误差的均值和标准差如表2所示，本发明计算结果与金标准之间有很小的误差。

表2本发明计算结果与标准值之间的平均误差表

综上所述，本发明一种眼底视网膜动静脉血管直径计算方法，通过实施例中的测试，得到的视网膜动静脉血管直径比值与实施例中两个公开的金标准之间有着很小的平均误差，表明本发明得到的视网膜动静脉血管直径计算方法准确性较高；得到的误差的标准差较小，说明本发明的计算方法较为稳定。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。