一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及系统技术方案

本发明专利技术提供一种基于K‑Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及系统。本发明专利技术方法包括：随机抽取数据集中的彩色眼底图像，构建训练集和测试集；提取彩色眼底图像的G通道的灰度图作为特征提取的对象；对灰度图进行特征提取，将图像中的每个像素用多维的特征向量表示；对特征提取后的训练集中的每幅图像使用K‑Means聚类算法将特征向量进行聚类标注；基于K‑Means聚类标注的训练集数据训练朴素贝叶斯模型；用训练好的朴素贝叶斯模型分割测试集中每幅图像的血管。本发明专利技术把聚类的结果作为有监督训练的标记，利用这些标记训练朴素贝叶斯分类模型进行视网膜血管分割，整个过程不需要人为参与标记，省时省力，大幅度提高了机器学习模型的处理效率。

【技术实现步骤摘要】
一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及系统
本专利技术涉及医学图像处理领域，具体而言，尤其涉及一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法。
技术介绍
视网膜血管是全身微循环系统的重要组成部分，其形态结构的变化与糖尿病、高血压、冠状动脉硬化和脑血管硬化等心血管类疾病的病情严重程度密切相关。因此，视网膜图像血管分割技术的研究对于医学临床应用具有十分重要的意义。目前的眼底视网膜血管方法主要有两大方向：基于规则的血管分割方法和基于学习的血管分割方法。基于规则的血管分割方法主要利用的是图像处理技术，根据血管特性设计一些规则来寻找血管:根据血管的分段线性和连通性设计了不同尺度下线性滤波器，通过结合不同尺度下的滤波结果和阈值化处理得到最后的血管分割结果；由于血管的横截面成倒立的高斯分布，所以二维高斯匹配滤波方法利用表征不同方向的12个高斯模板作为匹配滤波器来对图像进行滤波，然后对响应结果进行阈值化，选取响应最大的匹配滤波结果作为血管输出，最终提取出视网膜血管图像。基于Hessian矩阵的滤波方法利用Hessian矩阵的特征值增强包括血管分叉在内的所有血管结构，并抑制非血管结构。这些图像处理方法都需要阈值化处理，而且针对不同的视网膜眼底图像需要选择不同的阈值，这并不是一个自动化的过程。基于学习的分割方法将血管分割问题视为像素级的分类问题，通过一组带有标签的训练数据集训练得到分类器。其中，特征主要包括像素灰度值、边界特征和Gabor小波变换等，分类器主要包括多层神经网络、贝叶斯分类器、随机森林和支持向量机。由于引入了判别性学习的强大机制，这些方法的分割性能往往优于基于规则的分割方法。基于学习的方法能够自动分割并且准确率较高，主要流程是图像数据预处理、图像特征提取和模型训练。难点在于视网膜眼底图像特征提取和像素级标签数据获取。有监督的机器学习技术需要大量的专家人工标注数据，而眼底图像中的视网膜血管呈发散的树型、以及末梢细小血管的存在使得标记任务更加困难。在计算机辅助医学图像分析中，可以从医院获得大量的医学图像作为训练集，但如果要求医学专家把这些图像中的血管都标识出来，则往往是不现实的。如果只使用少量的有标记示例，那么利用它们所训练出的学习系统往往很难具有强泛化能力；另一方面，如果仅使用少量“昂贵的”有标记示例而不利用大量“廉价的”未标记示例，则是对数据资源的极大的浪费。
技术实现思路
根据上述提出的有监督的机器学习技术需要大量的专家人工标注数据，费时费力的技术问题，而提供一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法。本专利技术主要利用K-Means聚类标注的结果作为数据的标签，然后利用其再去训练分类模型进行分割，从而提高了工作效率，分割效果更好，节省了人力物力。本专利技术采用的技术手段如下：一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法，包括如下步骤：构建训练集图像的像素级标签，具体为：对特征提取后的训练集中的每幅图像使用K-Means聚类算法将特征向量进行聚类标注；基于K-Means聚类标注的训练集数据训练朴素贝叶斯模型；用训练好的朴素贝叶斯模型分割测试集中每幅图像的血管。进一步地，所述步骤构建训练集图像的像素级标签之前还具有如下步骤：随机抽取数据集中的彩色眼底图像，构建训练集和测试集；提取彩色眼底图像的G通道的灰度图作为特征提取的对象，并对视网膜感兴趣区域进行膨胀处理；对膨胀处理后的所述灰度图进行特征提取，将训练集和测试集图像中的每个像素用十维的特征向量表示，具体为：通过对比度受限的自适应直方图均衡化方法增强所述灰度图的对比度，将此灰度值作为区分血管和背景的一种特征，通过基于血管特性设计的血管增强技术处理所述灰度图，分别对所述灰度图进行如下滤波处理：通过Gabor小波变换处理，得到四维的Gabor特征；通过线性检测器对视网膜图像进行滤波处理，得到线性检测的响应结果作为一维的线性检测特征；通过高斯形状的滤波器对视网膜图像进行滤波处理，选取响应最大的滤波结果作为一维的高斯匹配特征；基于Hessian矩阵的Frangi滤波特征对视网膜图像进行滤波处理，选取最大响应作为一维的Frangi滤波特征；基于B-COSFIRE滤波特征对视网膜图像进行滤波处理，将对称B-COSFIRE滤波器和非对称B-COSFIRE滤波器响应结果求和得到最终的一维的B-COSFIRE滤波特征；通过韦伯描述算子求解视网膜图像中任一像素点的一维的韦伯描述特征；所述用训练好的朴素贝叶斯模型分割测试集中每幅图像的血管之后还具有如下步骤：通过预设的评价指标判断血管分割方法是否有效。进一步地，所述步骤随机抽取数据集中的彩色眼底图像，构建训练集和测试集中，数据集使用公开的DRIVE数据集，所述训练集和测试集的图像数目相同，且每幅图像对应2个专家手动分割的结果和1个显示眼底图像的有效信息区域的Mask图像。进一步地，通过如下方式进行Gabor小波变换处理：Gabor核函数如下所示：其中，x'＝xcosθ+ysinθ,y'＝-xsinθ+ycosθ，(u0,v0)表示正弦平面波的时域频率，σx和σy表示x和y方向上的椭圆高斯的方差，其决定了滤波器作用区域的大小，即尺度，θ为旋转角度，通过改变参数σ和θ得到一组方向和尺度不同的Gabor小波，在固定尺度下，比较所有方向上的响应，把最大响应作为该尺度下的特征图像，根据设置的尺度，把所有尺度下的结果作为Gabor特征。进一步地，所述线性检测器通过在W*W的窗口下，旋转长度为l的检测线得到N个不同方向的滤波器，用滤波器对灰度图滤波处理，当检测线的方向和血管方向一致时，响应最大，比较所有角度下的响应保留最大值作为该窗口下的检测结果通过改变检测线的长度适应不同尺度下的血管，将不同尺度下的响应结果求和再平均得到线性检测的响应结果作为线性检测特征。进一步地，通过如下方式进行高斯形状的滤波器图像滤波处理：倒立的高斯内核函数如下所示：其中将滤波器的均值归一化到0，L表示沿y轴平滑噪声的邻域长度，t是常数，设置x'＝xcosθ+ysinθ,y'＝-xsinθ+ycosθ，θ＝(0:12)*π/12变化以检测不同方向的血管，在某一尺度下选取N个方向上的最大响应作为该尺度下的滤波结果，对比不同尺度下的响应，选取响应最大的滤波结果作为高斯匹配特征。进一步地，通过如下方式进行基于Hessian矩阵的Frangi滤波处理：对于二维输入图像，与高斯核函数的二阶偏导卷积得到构造每一个像素(x,y)的Hessian矩阵，通过如下函数计算Frangi滤波的结果：其中，Hessian矩阵的特征值为λ1和λ2，且|λ1|＜|λ2|，Rb＝λ2/λ1，β用于调整线状和块状的区别，c表述控制整体平滑度的参数，比较每个像素点在各个尺度下的响应，选取最大响应作为Frangi滤波特征。进一步地，B-COSFIRE滤波器由一组共线排列的高斯差分滤波器，即DoG滤波器构成，B-COSFIRE滤波响应通过计算所有的DoG滤波响应的几何均值得到，所述DoG滤波响应通过DoG滤波器与图像的卷积得到，对称结构的COSFIRE模型用于提取连续血管结构特征，DoG滤波器成对存在，本文档来自技高网...

【技术保护点】
1.一种基于K‑Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法，其特征在于，包括如下步骤：构建训练集图像的像素级标签，具体为：对特征提取后的训练集中的每幅图像使用K‑Means聚类算法将特征向量进行聚类标注；基于K‑Means聚类标注的训练集数据训练朴素贝叶斯模型；用训练好的朴素贝叶斯模型分割测试集中每幅图像的血管。

【技术特征摘要】
1.一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法，其特征在于，包括如下步骤：构建训练集图像的像素级标签，具体为：对特征提取后的训练集中的每幅图像使用K-Means聚类算法将特征向量进行聚类标注；基于K-Means聚类标注的训练集数据训练朴素贝叶斯模型；用训练好的朴素贝叶斯模型分割测试集中每幅图像的血管。2.根据权利要求1所述的方法，其特征在于，所述构建训练集图像的像素级标签之前还具有如下步骤：随机抽取数据集中的彩色眼底图像，构建训练集和测试集；提取彩色眼底图像的G通道的灰度图作为特征提取的对象，并对视网膜感兴趣区域进行膨胀处理；对膨胀处理后的所述灰度图进行特征提取，将训练集和测试集图像中的每个像素用十维的特征向量表示，具体为：通过对比度受限的自适应直方图均衡化方法增强所述灰度图的对比度，将此灰度值作为区分血管和背景的一种特征，通过基于血管特性设计的血管增强技术处理所述灰度图，分别对所述灰度图进行如下滤波处理：通过Gabor小波变换处理，得到四维的Gabor特征；通过线性检测器对视网膜图像进行滤波处理，得到线性检测的响应结果作为一维的线性检测特征；通过高斯形状的滤波器对视网膜图像进行滤波处理，选取响应最大的滤波结果作为一维的高斯匹配特征；基于Hessian矩阵的Frangi滤波特征对视网膜图像进行滤波处理，选取最大响应作为一维的Frangi滤波特征；基于B-COSFIRE滤波特征对视网膜图像进行滤波处理，将对称B-COSFIRE滤波器和非对称B-COSFIRE滤波器响应结果求和得到最终的一维的B-COSFIRE滤波特征；通过韦伯描述算子求解视网膜图像中任一像素点的一维的韦伯描述特征；所述用训练好的朴素贝叶斯模型分割测试集中每幅图像的血管之后还具有如下步骤：通过预设的评价指标判断血管分割方法是否有效。3.根据权利要求2所述的方法，其特征在于，所述随机抽取数据集中的彩色眼底图像，构建训练集和测试集中，数据集使用公开的DRIVE数据集，所述训练集和测试集的图像数目相同，且每幅图像对应2个专家手动分割的结果和1个显示眼底图像的有效信息区域的Mask图像。4.根据权利要求2所述的方法，其特征在于，通过如下方式进行Gabor小波变换处理：Gabor核函数如下所示：其中，x'＝xcosθ+ysinθ,y'＝-xsinθ+ycosθ，(u0,v0)表示正弦平面波的时域频率，σx和σy表示x和y方向上的椭圆高斯的方差，其决定了滤波器作用区域的大小，即尺度，θ为旋转角度，通过改变参数σ和θ得到一组方向和尺度不同的Gabor小波，在固定尺度下，比较所有方向上的响应，把最大响应作为该尺度下的特征图像，根据设置的尺度，把所有尺度下的结果作为Gabor特征。5.根据权利要求4所述的方法，其特征在于，所述线性检测器通过在W*W的窗口下，旋转长度为l的检测线得到N个不同方向的滤波器，用滤波器对灰度图滤波处理，当检测线的方向和血管方向一致时，响应最大，比较所有角度下的响应保留最大值作为该窗口下的检测结果通过改变检测线的长度适应不同尺度下的血管，将不同尺度下的响应结果求和再平均得到线性检测的响应结果作为线性检测特征；通过如下方式进行高斯形状的滤波器图像滤波处理：倒立的高斯内核函数如下所示：其中将滤波器的均值归一化到0，L表示沿y轴平滑噪声的邻域长度，t是常数，设置x'＝xcosθ+ysinθ,y'＝-xsinθ+ycosθ...

【专利技术属性】
技术研发人员：陈大力，王孝阳，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21