面向青光眼临床诊断的视网膜血管自动分割方法技术

本发明专利技术提出一种面向青光眼临床诊断的视网膜血管自动分割方法，通过融合匹配滤波器、神经网络、多尺度线检测、尺度空间分析和形态学五种依赖于不同图像处理技术的模型，消除了视盘和渗出物等明亮区域的影响。同时，本发明专利技术不需要海量级别的数据建立视网膜血管分割模型，极大地降低了需要处理的数据量和复杂度，易于实现，能有效提高视网膜血管分割的效率。本发明专利技术还在多模态融合结果的基础上利用区域生长法和梯度信息对背景和血管区域进行迭代生长，分割结果具有较好的连续性和平滑性，能保留更多的视网膜血管细节和更完整视的网膜血管网络，从而有效协助眼科医生诊断疾病，减轻眼科医生的负担。

【技术实现步骤摘要】
面向青光眼临床诊断的视网膜血管自动分割方法
本专利技术涉及数字医学图像处理与分析和智能医疗领域，具体涉及一种面向青光眼临床诊断的视网膜血管自动分割方法。
技术介绍
青光眼是全球首要不可逆性致盲眼病，被称为“无声的视力窃贼”。预计到2020年，全球青光眼患病人数将会上升到7960万人。目前我国40岁以上人群开角型青光眼的患病率达到2.6％，占青光眼患者总人数的2/3，致盲率为15％～30％，远高于经济发达国家8％的平均水平。早发现、早诊断、早治疗对抑制青光眼病情的发展十分重要。彩色眼底图像能直接观测到视网膜血管病变和其他诸如渗出物、微动脉瘤等病灶，被眼科医生广泛应用于青光眼的临床诊断。视网膜血管是彩色眼底图像中可见的最主要解剖结构，其结构特征变化能直接反映青光眼、高血压等血管性相关疾病对血管网络形态结构的影响。视网膜血管的分割对青光眼的筛查、诊断和治疗等至关重要，是青光眼诊治的必要步骤。临床上诊断青光眼由有经验的眼科医生完成，首先手动分割患者的视网膜血管，然后再测量血管管径、分叉角度等所需相关参数。其中，手动分割视网膜血管的工作繁琐，需花费大量的时间和精力。视网膜血管自动分割是一项极具挑战性的工作，因为虽然视网膜血管和背景有一定区别，但其亮度会随着血管的延伸而逐渐变化，尤其是血管末梢和背景的对比度低，大大增加了视网膜血管完全分割的难度。目前已有的视网膜血管自动分割方法大致分为非监督分割法和监督学习分割法两大类。非监督分割法无需真值图作为金标准对模型进行训练，主要包括局部自适应阈值法、局部滤波法和血管追踪法等。监督学习分割法将真值图数据作为训练样本对模型进行训练，逐步优化模型参数后分割视网膜血管；主要包括基于神经网络的像素分类法和基于脊波的血管分割法等。专利号为201710418711.4的专利技术专利《糖尿病人视网膜血管图像分割方法》，包括：按照预设的二值化阈值对经过预处理的眼底图像进行二值化处理，并提取二值化处理后的眼底图像中的中心线和边缘，得到血管树；对所述的血管树分叉处做断开处理得到血管段，并对各个血管段进行线分割得到血管，得到原始血管集；确定误分割血管，并从原始血管集中去除得到全局血管集。这些视网膜血管分割方法虽然取得了一定的研究成果，但仍存在一些关键问题亟需解决，主要存在分割出的微细视网膜血管易离散、连续性不佳以及难以有效地提取完整血管网络等局限性，应用范围有限。近来，深度学习在语音识别、目标检测、图像识别和遥感图像分类等应用领域获得了很大进展，成为当前的研究热点之一。专利号为201610844032.9的专利技术专利《基于深度学习的眼底图像视网膜血管分割方法及系统》，包括：对训练集进行数据扩增，并对图像进行增强，用训练集训练卷积神经网络，先使用卷积神经网络分割模型对图像进行分割得到一个分割结果，用卷积神经网络的特征训练随机森林分类器，从卷积神经网络模型中抽取最后一层卷积层输出，并作为随机森林分类器的输入进行像素分类，得到另外一个分割结果，对两个分割结果进行融合得到最终的分割图像。与传统方法相比，该方法虽然能够获得更好的分割准确率和鲁棒性；但是，深度学习是一种数据驱动型模型，需要海量级别的数据作保证，这会严重影响视网膜血管分割的效率，限制了其在临床实践的应用推广。说明书中提到Zhu、Chaudhuri、Mendonca、Staal、Soares、Zhang、Fraz、Zhao、Franklin和Wang多种方法与本专利技术进行对比，各方法对应的公开文献分别如下：ZhuCZ,XiangY,ZouBJ,etal.RetinalvesselsegmentationinfundusimagesusingCARTandAdaBoost[J].JournalofComputer-AidedDesign&ComputerGraphics,2014,26(3):445-451.ChaudhuriS,ChatterjeeS,KatzN,etal.Detectionofbloodvesselsinretinalimagesusingtwo-dimensionalmatchedfilters[J].IEEETransactionsonMedicalImaging,1989,8(3):263-269.MendoncaAM,CampilhoA.Segmentationofretinalbloodvesselsbycombiningthedetectionofcenterlinesandmorphologicalreconstruction[J].IEEETransactionsonMedicalImaging,2006,25(9):1200-1213.StaalJ,AbràmoffMD,NiemeijerM,etal.Ridge-basedvesselsegmentationincolorimagesoftheretina[J].IEEETransactionsonMedicalImaging,2004,23(4):501-509.SoaresJV,LeandroJJG,CesarRM,etal.Retinalvesselsegmentationusingthe2-DGaborwaveletandsupervisedclassification[J].IEEETransactionsonMedicalImaging,2006,25(9):1214-1222.ZhangB,ZhangL,ZhangL,etal.Retinalvesselextractionbymatchedfilterwithfirst-orderderivativeofGaussian[J].ComputersinBiologyandMedicine,2010,40(4):438-445.FrazMM,BarmanSA,RemagninoP,etal.Anapproachtolocalizetheretinalbloodvesselsusingbitplanesandcenterlinedetection[J].ComputerMethodsandProgramsinBiomedicine,2012,108(2):600-616.ZhaoYQ,WangXH,WangXF,etal.Retinalvesselssegmentationbasedonlevelsetandregiongrowing[J].PatternRecognition,2014,47(7):2437-2446.FranklinSW,RajanSE.Computerizedscreeningofdiabeticretinopathyemployingbloodvesselsegmentationinretinalimages[J].BiocyberneticsandBiomedicalEngineering,2014,34(2):117-124.WangS,YinY,CaoG,etal.Hierarchicalretinalbloodvesselsegmentationbasedonfeatureandensemblelearning[J].Neurocomputing,20本文档来自技高网...

【技术保护点】
1.面向青光眼临床诊断的视网膜血管自动分割方法，其特征在于包括以下步骤：步骤1：眼底图像预处理：预处理待分割眼底图像；步骤2：初步分割：分别构建匹配滤波器模型、神经网络模型、多尺度线检测模型、尺度空间分析模型和形态学模型；利用上述构建的模型，分别对步骤1所得待分割眼底图像进行初步分割，获得对应的初步分割结果；将五个初步分割结果的均值作为初步分割输出；步骤3：多模型融合：利用掩膜分离步骤1所得待分割眼底图像中渗出物和视盘区域，并利用步骤2所得的形态学模型分割结果替换掩膜中白色区域，再与步骤2所得的初步分割输出融合，生成组合结果；步骤4：精分割：利用Otsu法阈值分割步骤3所得组合结果，并根据血管的连通特性进行区域迭代生长后，获取视网膜血管分割的最终结果。

【技术特征摘要】
2017.12.15 CN 20171135252661.面向青光眼临床诊断的视网膜血管自动分割方法，其特征在于包括以下步骤：步骤1：眼底图像预处理：预处理待分割眼底图像；步骤2：初步分割：分别构建匹配滤波器模型、神经网络模型、多尺度线检测模型、尺度空间分析模型和形态学模型；利用上述构建的模型，分别对步骤1所得待分割眼底图像进行初步分割，获得对应的初步分割结果；将五个初步分割结果的均值作为初步分割输出；步骤3：多模型融合：利用掩膜分离步骤1所得待分割眼底图像中渗出物和视盘区域，并利用步骤2所得的形态学模型分割结果替换掩膜中白色区域，再与步骤2所得的初步分割输出融合，生成组合结果；步骤4：精分割：利用Otsu法阈值分割步骤3所得组合结果，并根据血管的连通特性进行区域迭代生长后，获取视网膜血管分割的最终结果。2.根据权利要求1所述的面向青光眼临床诊断的视网膜血管自动分割方法，其特征在于：所述步骤1中眼底图像预处理针对匹配滤波器模型、神经网络模型、多尺度线检测模型、尺度空间分析模型和形态学模型采取不同预处理步骤：1.1、匹配滤波器模型、尺度空间分析模型以及形态学分割模型的预处理：将待分割眼底图像分解为红色、绿色和蓝色三个分量图像，提取待分割眼底图像的绿色分量图像；1.2、神经网络分割模型的预处理：按照步骤1.1提取待分割眼底图像的绿色分量图像，并对其进行以下处理：1.2.1、利用圆盘状结构元素对绿色分量图像进行形态学“开”运算，并对所得图像进行均值滤波，得到背景图像；1.2.2、利用按照步骤1.1所提取的绿色分量图像减去步骤1.2.1所得的背景图像，并将像素灰度值调整至0-1范围内实现背景均匀化，获得背景均匀化后的图像；1.2.3、首先将步骤1.2.2所得背景均匀化后的图像中血管进行增强，之后对该图像进行“补”运算，并使用圆盘状结构元素对“补”运算后的图像进行top-hat变换，增强该图像的暗区域以及视网膜血管区域，同时去除明亮区域，获得血管增强后的图像；1.3、多尺度线检测分割模型的预处理：首先按照步骤1.1中提取眼底图像的绿色分量图像，并对该绿色分量图像进行“取反”操作，之后对所得图像进行背景均匀化处理；之后将处理后的图像进行均值滤波，并将均值滤波后的局部平均灰度替换明亮区域。3.根据权利要求2所述的面向青光眼临床诊断的视网膜血管自动分割方法，其特征在于：所述步骤2中构建匹配滤波器分割模型步骤如下：所述匹配滤波器分割模型为二维匹配滤波器，其高斯曲线的表达式为：其中，K(x,y)称为高斯核函数；(x,y)表示步骤1.1所得绿色分量图像中像素的坐标，满足|x|≤λσ，|y|≤L/2；σ为高斯核沿x轴坐标中心的离散度；L为沿y轴被截断视网膜血管的长度；λ为常数；所述高斯核函数为旋转矩阵，在0°～180°范围内，每隔15°就选取一个高斯核函数，共选取了12个不同的高斯核旋转矩阵；将步骤1.1所得绿色分量图像通过匹配滤波器分割模型进行分割的步骤如下：将步骤1.1高斯核旋转矩阵中每个像素分别与12个不同的高斯核旋转矩阵进行卷积，选取其中最大的卷积值作为匹配滤波后的像素值，得到视网膜血管概率图；之后对视网膜血管概率图进行阈值分割，得到含有背景区域及非背景区域的二值化图像；将所处区域面积大于950像素，且该区域为非背景区域的像素标记为视网膜血管像素，合并所有视网膜血管像素，获得匹配滤波器分割模型的初步分割结果。4.根据权利要求2所述的面向青光眼临床诊断的视网膜血管自动分割方法，其特征在于：所述步骤2中构建神经网络分割模型的步骤如下：所述馈反向传播神经网络为多层的前馈反向传播神经网络分割模型，包含1个输入层、3个隐层和1个输出层；隐层的传输函数采用线性函数，输出层的传输函数logsig(z)采用对数S型函数：其中，z表示隐层的输出值；所述前馈反向传播神经网络分割模型的输入为包含7个特征的特征向量；所述特征为局部灰度信息和Hu矩不变量；所述局部信息包括中心像素灰度值、窗口内像素灰度的标准差、中心像素与窗口中最小灰度的绝对差值、中心像素与窗口中最大灰度的绝对差值、以及中心像素与窗口中平均灰度的绝对差值；所述Hu矩不变量包括|log(I1)|和|log(I2)|，其中I1为每个像素的第一Hu矩，I2为每个像素的第二Hu矩；将步骤1.2.3所得血管增强后的图像通过神经网络分割模型进行初步分割的步骤如下：将步骤1.2.3所得血管增强后的图像输入神经网络分割模型后，神经网络分割模型获取步骤1.2.3所得血管增强后图像的每个像素的特征向量，并以每个像素对应的特征向量作为神经网络分割模型的输入，分别利用神经网络分割模型对眼底图像中每个像素进行二分类，得到神经网络模型的初步分割结果。5.根据权利要求2所述的面向青光眼临床诊断的视网膜血管自动分割方法，...

【专利技术属性】
技术研发人员：赖小波，徐小媚，金波，刘玉凤，吕莉莉，
申请(专利权)人：浙江中医药大学，
类型：发明
国别省市：浙江,33