一种基于串行结构分割的糖尿病视网膜病变检测系统技术方案

本发明专利技术公开了一种基于串行结构分割的糖尿病视网膜病变检测系统，包括：采集获取视网膜眼底图像的眼底图像采集装置和分析处理采集的眼底图像的数据处理装置，数据处理装置包括：预处理功能模块，血管分割功能模块，视盘分割功能模块，中央凹确定功能模块，渗出分割功能模块，统计计算功能模块和医生诊断功能模块，统计渗出区域并计算出输入的眼底图像存在糖尿病黄斑水肿病变的概率，最后结合统计计算的结果，眼底医生参考分割出的渗出区域和患病概率，结合自身专业，给出最终诊断治疗方案。本发明专利技术系统地考虑了眼底各种相关生理结构，分割出病变区域再由眼底医生给出诊断报告，检测高效且检测病变更准确，可以大幅度降低医生工作量，提高工作效率。

【技术实现步骤摘要】
一种基于串行结构分割的糖尿病视网膜病变检测系统
本专利技术属于机器视觉及医学影像计算机处理领域，具体涉及一种基于串行结构分割的糖尿病视网膜病变检测系统。
技术介绍
糖尿病视网膜病变是全球四大主要致盲疾病之一。2017年国际糖尿病联盟(IDF)公布了第八版全球糖尿病地图，根据IDF数据显示，全球糖尿病成人患者已达到4.25亿，预计到2045年将达到6.29亿。我国是全球糖尿病患者数最多的国家，且患病人数和发病率在近几年明显增加。在患病人数中，35％的糖尿病人群患有糖尿病视网膜病变。根据出现的临床病变特征不同，糖尿病视网膜(糖网)病变主要分为非增殖性视网膜病变(NPDR)和增值性视网膜病变(PDR)两大类。在非增值性视网膜病变阶段，可能出现糖尿病黄斑水肿病变(DiabeticMacularEdema，DME)，它是导致视力丧失的第一原因。根据硬性渗出的有无以及存在位置可以将DME分为三级。第一级：无黄斑水肿病变，此时硬性渗出没有产生，视网膜没有增厚，此时患者无明显症状，因此病变很难被发现。第二级：无显著临床黄斑水肿病变，此时存在硬性渗出或视网膜发生增厚，但渗出离中心凹的距离大于500um。第三级：显著临床黄斑水肿病变，此时视网膜增厚，硬性渗出靠近中心凹区域，距离小于500um，严重影响患者视力，应当立即采取治疗。通过拍摄眼底视网膜照片进行眼部检查能够尽早发现病变，及时开始治疗，可以有效地避免病情恶化。因此，糖尿病黄斑水肿病变的早期检测诊断和治疗对防止致盲具有重要意义。然而目前，糖尿病黄斑水肿病变的早期检测仍依赖于人工分析，需要大量的技能高度熟练的专业眼底医生来处理和查看拍摄的视网膜眼底照片。这些专业人员依靠人的视觉来解读眼底图像进行病变诊断，往往存在一些问题。例如：由于医生个人主观认识和经验缺乏可能导致误诊，并且早期病变很难通过肉眼发现；大量的眼底照片需要耗费大量人力资源，且城乡地区缺乏经验充足的眼底医生，所以需要一种计算机自动处理的系统来辅助眼科医生完成这些照片的分析。通过眼底照相机拍摄视网膜图像，并利用机器视觉等技术，分割出眼底相关结构和给出病变参考概率，供眼底医生参考和进一步观察，并最终由眼底医生给出病变等级，以此来减轻医生工作负担，减少医生的误诊率，提高医生的工作效率。然而，利用图像处理技术来检测DME病变仍处在发展阶段。Philips等通过全局和局部阈值来实现硬性渗出分割；Walter和Sopharak采用数学形态学分割出了渗出。Osareh等通过模糊C均值聚类和神经网络实现渗出的精确分割。此外，多层感知器、径向基函数和支持向量机等也被用于实现渗出检测。Kumar等提出了一种基于位平面的方法实现了糖尿病黄斑水肿病变的检测；Sekhar等通过对比度增强和阈值分割首先分割出病变区域，再通过基于高斯混合模型的分类器对其进行特征提取和分类，在图像处理层面给出了糖尿病黄斑水肿病变的患病概率。同时其他如KNN、朴素贝叶斯和深度学习等方法也被用于糖尿病黄斑水肿病变的检测系统中。然而现有技术都是针对于单个目标来进行单独检测，比如渗出病变分割、视盘分割、黄斑分割等，较少考虑到它们之间的关系；而本专利技术系统充分考虑这些结构与病变在眼底图像中的位置、特征等，采用串行结构依次进行分割，最终得到的结构与病变区域可以辅助医生进一步更好地观察。
技术实现思路
本专利技术的目的在于：解决目前检测糖尿病黄斑水肿病变大多只是针对硬性渗出进行单独检测，不能充分考虑其与其他结构，如视盘、黄斑、血管等，在眼底图像中的位置、特征等关系，难以准确高效地检测出糖网病变区域数据的问题，提出一种基于串行结构分割的糖尿病视网膜病变检测系统来实现系统全面的糖尿病视网膜病变检测。本专利技术采用的技术方案如下：一种基于串行结构分割的糖尿病视网膜病变检测系统，系统包括：眼底图像采集装置：用于采集获取视网膜的眼底图像；数据处理装置：用于分析处理采集的眼底图像，得到病变区域数据和病变概率，所述数据处理装置包括：预处理功能模块：对采集的眼底图像进行预处理；血管分割功能模块：对预处理后的眼底图像进行基于形态学的血管分割；视盘分割功能模块：结合血管分割功能模块的处理结果，对预处理后的眼底图像进行视盘分割；中央凹确定功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行中央凹确定；渗出分割功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行渗出分割并得到渗出区域；统计计算功能模块：结合中央凹确定功能模块和渗出分割功能模块的处理结果，统计渗出区域并计算出输入的眼底图像存在糖尿病黄斑水肿病变的概率。进一步，所述数据处理装置还包括医生诊断功能模块：结合统计计算功能模块的处理结果，眼底医生参考分割出的渗出区域和患病概率，结合自身专业，给出最终诊断治疗方案。进一步，所述预处理功能模块的预处理操作步骤具体为：步骤1.1、对输入的眼底图像G进行RGB三通道提取，对各个通道进行中值滤波处理，再将三通道合成为单幅彩色图像Gnew；步骤1.2、对Gnew进行限制对比度自适应直方图均衡来增强图像对比度，得到眼底增强图像Gclahe。进一步，所述血管分割功能模块的血管分割操作步骤具体为：步骤2.1、首先提取预处理模块对眼底图像预处理后得到的眼底增强图像Gclahe的G通道，用中值滤波对其进行滤波，得到背景估计图像Gbackground，并用一定半径的圆盘结构元对背景估计图像Gbackground分别进行顶帽、底帽操作，得到Gtop和Gblack；步骤2.2、将步骤2.1中的Gtop和Gblack以一定权重加在原图G上，并减去背景估计图像Gbackground，并进行阈值分割得到血管二值估计图GBL；步骤2.3、提取步骤2.2的血管二值估计图GBL中连通域大于一定面积的连通区域，得到该眼底图像对应的眼底血管二值图像GBV。进一步，所述视盘分割功能模块的视盘分割操作步骤具体为：步骤3.1、对眼底图像预处理后的眼底增强图像Gclahe进行双通道阈值分割，得到二值图像GRG；步骤3.2、对步骤3.1中的二值图像GRG进行连通域分析，提取每个连通域的最小矩形框，并对其进行向左、向右两个方向的扩张，得到扩张连通域后图像Gexpand；步骤3.3、统计步骤3.2中的扩张连通域后图像Gexpand中的图像垂直中心线两侧的像素数目；步骤3.4、基于步骤3.3中眼底图像垂直中心线两侧的像素数目选择相应的Toeplitz矩阵模板，当统计的像素有超过半数位于图像右侧，则选择右Toeplitz矩阵模板Mask，如式(1)所示：否则，选择左Toeplitz矩阵模板Mask，如式(2)所示：步骤3.5、将血管分割功能模块中分割的眼底血管图像和步骤3.2中扩张后的连通区域作与操作，得到候选区域的血管图像Gcandidate：Gcandidate＝GBV∩Gexpand(3)步骤3.6、对候选区域的血管图像Gcandidate进行滤波，得到滤波后的图像Gfilter公式为：步骤3.7、确定滤波后图像Gfilter中灰度值最高的像素，该像素坐标即为眼底视盘定位位置坐标；步骤3.8、以视盘定位位置坐标为中心，在输入的眼底图像G中框定一定大小矩形区域作为视盘候选区域GOD；步骤3.9、提取步骤3.8中视盘候选区域的R本文档来自技高网...

【技术保护点】
1.一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：系统包括：眼底图像采集装置：用于采集获取视网膜的眼底图像；数据处理装置：用于分析处理采集的眼底图像，得到病变区域数据和病变概率，所述数据处理装置包括：预处理功能模块：对采集的眼底图像进行预处理；血管分割功能模块：对预处理后的眼底图像进行基于形态学的血管分割；视盘分割功能模块：结合血管分割功能模块的处理结果，对预处理后的眼底图像进行视盘分割；中央凹确定功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行中央凹确定；渗出分割功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行渗出分割并得到渗出区域；统计计算功能模块：结合中央凹确定功能模块和渗出分割功能模块的处理结果，统计渗出区域并计算出输入的眼底图像存在糖尿病黄斑水肿病变的概率。

【技术特征摘要】
1.一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：系统包括：眼底图像采集装置：用于采集获取视网膜的眼底图像；数据处理装置：用于分析处理采集的眼底图像，得到病变区域数据和病变概率，所述数据处理装置包括：预处理功能模块：对采集的眼底图像进行预处理；血管分割功能模块：对预处理后的眼底图像进行基于形态学的血管分割；视盘分割功能模块：结合血管分割功能模块的处理结果，对预处理后的眼底图像进行视盘分割；中央凹确定功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行中央凹确定；渗出分割功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行渗出分割并得到渗出区域；统计计算功能模块：结合中央凹确定功能模块和渗出分割功能模块的处理结果，统计渗出区域并计算出输入的眼底图像存在糖尿病黄斑水肿病变的概率。2.根据权利要求1所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述数据处理装置还包括医生诊断功能模块：结合统计计算功能模块的处理结果，眼底医生参考分割出的渗出区域和患病概率，结合自身专业，给出最终诊断治疗方案。3.根据权利要求1所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述预处理功能模块的预处理操作步骤具体为：步骤1.1、对输入的眼底图像G进行RGB三通道提取，对各个通道进行中值滤波处理，再将三通道合成为单幅彩色图像Gnew；步骤1.2、对Gnew进行限制对比度自适应直方图均衡来增强图像对比度，得到眼底增强图像Gclahe。4.根据权利要求1或3所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述血管分割功能模块的血管分割操作步骤具体为：步骤2.1、首先提取预处理功能模块对眼底图像预处理后得到的眼底增强图像Gclahe的G通道，用中值滤波对其进行滤波，得到背景估计图像Gbackground，并用一定半径的圆盘结构元对背景估计图像Gbackground分别进行顶帽、底帽操作，得到Gtop和Gblack；步骤2.2、将步骤2.1中的Gtop和Gblack以一定权重加在原图G上，并减去背景估计图像Gbackground，并进行阈值分割得到血管二值估计图GBL；步骤2.3、提取步骤2.2的血管二值估计图GBL中连通域大于一定面积的连通区域，得到该眼底图像对应的眼底血管二值图像GBV。5.根据权利要求1或4所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述视盘分割功能模块的视盘分割操作步骤具体为：步骤3.1、对眼底图像预处理后的眼底增强图像Gclahe进行双通道阈值分割，得到二值图像GRG；步骤3.2、对步骤3.1中的二值图像GRG进行连通域分析，提取每个连通域的最小矩形框，并对其进行向左、向右两个方向的扩张，得到扩张连通域后图像Gexpand；步骤3.3、统计步骤3.2中的扩张连通域后图像Gexpand中的图像垂直中心线两侧的像素数目；步骤3.4、基于步骤3.3中眼底图像垂直中心线两侧的像素数目选择相应的Toeplitz矩阵模板，当统计的像素有超过半数位于图像右侧，则选择右Toeplitz矩阵模板Mask，如式(1)所示：否则，选择左Toeplitz矩阵模板Mask，如式(2)所示：步骤3.5、将血管分割功能模块中分割的眼底血管图像和步骤3.2中扩张后的连通区域作与操作，得到候选区域的血管图像Gcandidate：Gcandidate＝GBV∩Gexpand(3)步骤3.6、对候选区域的血管图像Gcandidate进行滤波，得到滤波后的图像Gfilter公式为：步骤3.7、确定滤波后图像Gfilter中灰度值最高的像素，该像素坐标即为眼底视盘定位位置坐标；步骤3.8、以视盘定位位置坐标为中心，在输入的眼底图像G中框定一定大小矩形区域作为视盘候选区域GOD；步骤3.9、提取步骤3.8中视盘候选区域的R通道，记为图像G′R；步骤3.10、用半径递增的结构元进行交替膨胀腐蚀操作来去除视盘候选区域内部的血管，先选取一定半径的圆盘结构元B，对图像G′R进行交替膨胀腐蚀操作：σ(B)＝δ(B)(ε(B)(G′R))(5)其中，δ(B)表示以B为结构元进行膨胀操作；ε(B)表示以B为结构元进行腐蚀操作；步骤3.11、增加圆盘...

【专利技术属性】
技术研发人员：袁国慧，王慧，赵学功，周宇，王卓然，曲超，彭真明，何艳敏，蒲恬，范文澜，贺晨，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51