一种基于神经网络的监督学习型眼底血管提取方法技术

本发明专利技术涉及一种基于神经网络的监督学习型眼底血管提取方法，该方法包括如下步骤：(1)建立眼底血管特征提取模型；(2)将待提取眼底血管的眼底图像输入至眼底血管特征提取模型进行特征量识别；(3)根据识别的特征量输出眼底血管图片。与现有技术相比，本发明专利技术眼底血管提取准确性高。

【技术实现步骤摘要】

本专利技术涉及一种眼底血管提取，尤其是涉及一种基于神经网络的监督学习型眼底血管提取方法。
技术介绍
眼部血管病变是一种常见的糖尿病并发症，我们的项目正是致力于处理眼底照片，提取血管特征，为进一步智能眼病检测作准备。由于光照不均匀及病变区域影响，自动分割血管图片并不是一件容易的事情。现有的处理技术主要分为两类：一、基于不同算子的方法。算子包括sobel算子、Laplacian算子等等，处理之后，人为设定阈值，选取血管像素。在该方法中，阈值的选取至关重要，却难以选择。二、血管追踪法。通过确定血管边缘，确定血管轮廓，继而提取血管图片。这些技术存在的问题主要包括：在血管中间光反射的部分检测效果差，在有分叉和交叠的部分检测效果差，使近的血管合并，使小的血管遗漏。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络的监督学习型眼底血管提取方法。本专利技术的目的可以通过以下技术方案来实现：一种基于神经网络的监督学习型眼底血管提取方法，该方法包括如下步骤：(1)建立眼底血管特征提取模型；(2)将待提取眼底血管的眼底图像输入至眼底血管特征提取模型进行特征量识别；(3)根据识别的特征量输出眼底血管图片。步骤(1)眼底血管特征提取模型为基于神经网络的监督学习型眼底血管特征提取模型。步骤(1)具体为：首先将待训练的眼底图像进行绿色通道反转，获得眼底图像绿色通道，然后进行特征量提取，最后进行训练建立基于神经网络的监督学习型眼底血管特征提取模型。步骤(2)对待提取眼底血管的眼底图像进行特征量识别具体为识别每个像素点的特征量；进而步骤(3)根据各个像素点识别的特征量确定该像素点是否为血管点，若是则绘制出来，最后所有为血管点的像素点形成眼底血管图片。该方法在步骤(3)输出眼底血管图片后对眼底血管图片像素点正确度进行分析，若正确度大于设定值则完成眼底血管提取，否则重新执行步骤(1)。与现有技术相比，本专利技术具有如下优点：(1)本专利技术建立的眼底血管特征提取模型为基于神经网络的监督学习型眼底血管特征提取模型，模型识别精度高，准确率高，进而提高眼底血管提取的精确度；(2)本专利技术的方法在眼底血管分叉和交叠的部分检测效果好。附图说明图1为基于神经网络的监督学习型眼底血管提取方法的流程框图。图2为实施例采用本专利技术方法进行眼底血管提取的输出图片。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。实施例如图1所示，一种基于神经网络的监督学习型眼底血管提取方法，该方法包括如下步骤：步骤1：建立眼底血管特征提取模型；步骤2：将待提取眼底血管的眼底图像输入至眼底血管特征提取模型进行特征量识别；步骤3：根据识别的特征量输出眼底血管图片。步骤1中眼底血管特征提取模型为基于神经网络的监督学习型眼底血管特征提取模型。该步骤具体为：首先将待训练的眼底图像进行绿色通道反转，获得眼底图像绿色通道，然后进行特征量提取，最后进行训练建立基于神经网络的监督学习型眼底血管特征提取模型。步骤2对待提取眼底血管的眼底图像进行特征量识别具体为识别每个像素点的特征量；进而步骤3根据各个像素点识别的特征量确定该像素点是否为血管点，若是则绘制出来，最后所有为血管点的像素点形成眼底血管图片。该方法在步骤3输出眼底血管图片后对眼底血管图片像素点正确度进行分析，若正确度大于设定值则完成眼底血管提取，否则重新执行步骤1。眼底血管图片像素点正确度分析包括positive像素点的正确率tpr，negative像素点的正确率tnr以及整个图片的检测正确率accu。具体而言，特征量提取包括：1)特征一提取：特征一的提取基于multi-scalelinedetector进行的。在视网膜图片的反向绿色通道上工作(此时，血管比周围更亮)；每个像素点位置，识别出一个15x15的窗口(因为对于DRIVEdatabase的图片，血管宽度为7-8个像素)平均灰度是I(avg)；取12个方向(15°差值)的线段，长度都是L，穿过中心像素。计算每条线段平均灰度值，最大的称为winningline，它的值为I(Lmax)；取特征值RL＝I(Lmax)-I(avg)。在本算法中，取L依次为1，3，5，7，9，11，13，15，并进行计算。由此得到了第一个特征量。2)特征2～5提取特征2(x,y)＝特征1(x,y)-min9x9{特征1(x,y)本文档来自技高网...

【技术保护点】
一种基于神经网络的监督学习型眼底血管提取方法，其特征在于，该方法包括如下步骤：(1)建立眼底血管特征提取模型；(2)将待提取眼底血管的眼底图像输入至眼底血管特征提取模型进行特征量识别；(3)根据识别的特征量输出眼底血管图片。

【技术特征摘要】
1.一种基于神经网络的监督学习型眼底血管提取方法，其特征在于，该方法包括如下步骤：(1)建立眼底血管特征提取模型；(2)将待提取眼底血管的眼底图像输入至眼底血管特征提取模型进行特征量识别；(3)根据识别的特征量输出眼底血管图片。2.根据权利要求1所述的一种基于神经网络的监督学习型眼底血管提取方法，其特征在于，步骤(1)眼底血管特征提取模型为基于神经网络的监督学习型眼底血管特征提取模型。3.根据权利要求2所述的一种基于神经网络的监督学习型眼底血管提取方法，其特征在于，步骤(1)具体为：首先将待训练的眼底图像进行绿色通道反转，获得眼底图像绿色通道，然后进行特征量提...

【专利技术属性】
技术研发人员：盛斌，郑凌寒，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31