一种彩色眼底图的视盘视杯自动分割方法技术

本发明专利技术公开了一种彩色眼底图的视盘视杯自动分割方法，包括获取已知的彩色眼底图像和对应的眼底图数据集；构造并得到视盘分割模型；对数据集进行分割、截取并得到截图；构建并得到欧几里得坐标下的视盘视杯分割模型；对截图进行极坐标变换得到极坐标截图；构建并得到极坐标下的视盘视杯分割模型；对待分析数据，利用两类模型进行分割得到欧几里得坐标视盘视杯分割结果和极坐标视盘视杯分割结果；将两类分割结果进行融合，得到最终的眼底图的视盘视杯分割结果。本发明专利技术方法能够更加准确地对彩色眼底图进行视盘视杯自动分割，而且方法简单可靠，适用性好。

An Automatic Segmentation Method for Visual Disk Cup of Color Fundus Map

The invention discloses an automatic optic disc cup segmentation method for color fundus images, including acquiring known color fundus images and corresponding data sets of fundus images; constructing and obtaining a optic disc segmentation model; segmenting, intercepting and capturing the data set; constructing and obtaining a optic disc cup segmentation model under Euclidean coordinates; and transforming the polar coordinates of the screenshot to obtain polar coordinates. Graph; Construct and get the optic cup segmentation model in polar coordinates; treat the analysis data, use two kinds of models to segment the Euclidean coordinate optic cup segmentation results and polar coordinate optic cup segmentation results; fuse the two kinds of segmentation results to get the final optic cup segmentation results of fundus map. The method of the invention can automatically segment the optic cup of the disc of the color fundus image more accurately, and the method is simple, reliable and has good applicability.

【技术实现步骤摘要】
一种彩色眼底图的视盘视杯自动分割方法
本专利技术具体涉及一种彩色眼底图的视盘视杯自动分割方法。
技术介绍
随着经济技术的发展，人们对于身体健康的要求越来越突出。青光眼是全球第二大致盲性眼科疾病。它会让患者产生从外往内的不可逆性失明，当病人察觉时已是晚期。目前青光眼还没有有效的治疗手段，只能通过早期发现和干预来延缓失明的进程。因此，青光眼对社会和人们的生活有着难以估量的危害。临床实践中，医生判别病人是否患有青光眼的方法有眼内压检测、视野检测、眼底图像分析诊断等方法。在彩色眼底图像分析诊断中，临床实践证明，通过计算视盘视杯的相关参数所获得的结果是最准确的。但是，受医生主观因素如经验和视觉差异的影响，不同的医生有不同的诊断结果；另一方面，因为青光眼的特殊性，它需要广泛的筛查和长期的跟踪，这使医生的工作量远超负荷。因此为了统一诊断模型，减轻医生负担，实现大规模筛查，基于计算机辅助的视盘视杯分割应运而生。视盘是彩色眼底图中的橘色明亮类椭圆区域，血管从中向外辐射；视杯是视盘中的一部分呈现黄色明亮类椭圆区域。有学者基于此，通过颜色特征、纹理特征、空间变换的方法进行视盘视杯的自动分割。但是这些算法大都只是关注局部特征进行的分析，对样本数据要求很高，准确性很差。其次这些算法集中在单一数据集上，对环境的要求很高，鲁棒性很差。
技术实现思路
本专利技术的目的在于提供一种分割准确性高、可靠性好且相对简单可行的一种彩色眼底图的视盘视杯自动分割方法。本专利技术提供的这种彩色眼底图的视盘视杯自动分割方法，包括如下步骤：S1.获取已知的彩色眼底图像和对应的眼底图数据集，并将彩色眼底图像中青光眼的眼底图像所对应的眼底图数据集分为测试数据集和训练数据集；S2.构造视盘初步分割深度学习网络，利用步骤S1得到的训练数据集对视盘初步分割深度学习网络进行训练，并利用步骤S1得到的测试数据集对训练后的视盘初步分割深度学习网络进行测试和修正，从而得到视盘分割模型；S3.利用步骤S2得到的视盘分割模型对步骤S1获取的测试数据集和训练数据集进行分割，并将分割得到的图谱进行截取，从而得到以视盘的质心为中心，边长为视盘直径N倍的截图；N为正数；S4.构建视盘视杯初步分割网络，利用步骤S3得到的截图对视盘视杯初步分割网络进行训练和修正，从而得到欧几里得坐标下的视盘视杯分割模型；S5.对步骤S3得到的截图进行极坐标变换，得到极坐标截图；S6.构建极坐标视盘视杯初步分割网络，利用步骤S5得到的极坐标截图对极坐标视盘视杯初步分割网络进行训练和修正，从而得到极坐标下的视盘视杯分割模型；S7.对于待分析的彩色眼底图像截图和对应的眼底图数据，利用步骤S4得到的欧几里得坐标下的视盘视杯分割模型进行分割，得到欧几里得坐标视盘视杯分割结果；S8.对于待分析的彩色眼底图像截图和对应的眼底图数据进行极坐标变换，并利用步骤S6得到的极坐标下的视盘视杯分割模型进行分割，得到极坐标下的视盘视杯分割结果；S9.对步骤S8得到的极坐标下的视盘视杯分割结果进行极坐标反变换，从而得到极坐标视盘视杯分割结果；S10.将步骤S7得到的欧几里得坐标视盘视杯分割结果和步骤S9得到的极坐标视盘视杯分割结果进行融合，从而得到最终的眼底图的视盘视杯分割结果。所述的彩色眼底图的视盘视杯自动分割方法，还包括如下步骤：采用双立方插值算法对原始图像进行处理，从而使得原始图像的分辨率统一。所述的采用双立方插值算法对原始图像进行处理，具体为采用如下算式进行处理：式中为处理后的像素点的坐标，f(i,j)为原始的像素点的坐标，m和n为平移量，R(x)为插值表达式。步骤S2所述的视盘初步分割深度学习网络分为编码器和解码器，且视盘初步分割深度学习网络的输入为彩色眼底图像和对应的眼底图数据，视盘初步分割深度学习网络的输出为二值分割图谱。步骤S3所述的质心，具体为采用如下算式计算质心的坐标(xc,yc)：式中f(x,y)为分割得到的0-1二值图谱。步骤S3所述的视盘直径，具体为采用如下算式计算视盘直径r：式中f(x,y)为分割得到的0-1二值图谱。步骤S5所述的极坐标变换，具体为采用如下算式进行极坐标变换：g(r,θ)＝f(r·cosθ+x0,r·sinθ+y0)式中g(r,θ)为变换后的极坐标，f(i,j)为原始图像坐标，(x0,y0)为图像中心的坐标。步骤S9所述的极坐标反变换，具体为采用如下算式进行极坐标反变换：式中f(x,y)为极坐标反变换后的坐标，g(r,θ)为极坐标，(x0,y0)为图像中心的坐标。步骤S10所述的融合，具体为采用加权求和算法进行融合。本专利技术提供的这种彩色眼底图的视盘视杯自动分割方法，将彩色眼底图进行关注区域的提取，通过深度学习分割网络对待分析的彩色眼底图像和对应的眼底图数据进行欧几里得坐标视盘视杯分割和极坐标下的视盘视杯分割，并将两类分割结果进行融合从而得到最终的彩色眼底图的视盘视杯分割结果，因此本专利技术方法能够更加准确地进行彩色眼底图的视盘视杯自动分割，而且方法简单可靠，适用性好。附图说明图1为本专利技术方法的方法流程图。图2为本专利技术方法的深度学习模型结构示意图。图3为原始彩色眼底示意图。图4为初步分割结果示意图。图5为截图示意图。图6为欧几里得坐标视盘视杯分割结果示意图。图7为极坐标转换和处理流程示意图。图8为最终的彩色眼底图的视盘视杯分割结果示意图。具体实施方式如图1所示为本专利技术方法的方法流程图：本专利技术提供的这种彩色眼底图的视盘视杯自动分割方法，包括如下步骤：S1.获取已知的彩色眼底图像和对应的眼底图数据集，并将彩色眼底图像中青光眼的眼底图像所对应的眼底图数据集分为测试数据集和训练数据集；为了使得原始图像的分辨率统一，采用双立方插值算法对原始图像进行处理，具体为采用如下算式进行处理：式中为处理后的像素点的坐标，f(i,j)为原始的像素点的坐标，m和n为平移量，R(x)为插值表达式；S2.构造视盘初步分割深度学习网络，利用步骤S1得到的训练数据集对视盘初步分割深度学习网络进行训练，并利用步骤S1得到的测试数据集对训练后的视盘初步分割深度学习网络进行测试和修正，从而得到视盘分割模型；视盘初步分割深度学习网络分为编码器和解码器，且视盘初步分割深度学习网络的输入为彩色眼底图像和对应的眼底图数据，视盘初步分割深度学习网络的输出为二值分割图谱；S3.利用步骤S3得到的视盘分割模型对步骤S1获取的测试数据集和训练数据集进行分割，并将分割得到的图谱进行截取，从而得到以视盘的质心为中心，边长为视盘直径N倍的截图；N为正数；采用如下算式计算质心的坐标(xc,yc)：式中f(x,y)为分割得到的0-1二值图谱；采用如下算式计算视盘直径r：式中f(x,y)为分割得到的0-1二值图谱；S4.构建视盘视杯初步分割网络，利用步骤S3得到的截图对视盘视杯初步分割网络进行训练和修正，从而得到欧几里得坐标下的视盘视杯分割模型；S5.对步骤S3得到的截图进行极坐标变换，得到极坐标截图；采用如下算式进行极坐标变换：g(r,θ)＝f(r·cosθ+x0,r·sinθ+y0)式中g(r,θ)为变换后的极坐标，f(i,j)为原始图像坐标，(x0,y0)为图像中心的坐标；S6.构建极坐标视盘视杯初步分割网络，利用步骤S5得到的极坐标截图对极坐标视盘视本文档来自技高网...

【技术保护点】
1.一种彩色眼底图的视盘视杯自动分割方法，包括如下步骤：S1.获取已知的彩色眼底图像和对应的眼底图数据集，并将彩色眼底图像中青光眼的眼底图像所对应的眼底图数据集分为测试数据集和训练数据集；S2.构造视盘初步分割深度学习网络，利用步骤S1得到的训练数据集对视盘初步分割深度学习网络进行训练，并利用步骤S1得到的测试数据集对训练后的视盘初步分割深度学习网络进行测试和修正，从而得到视盘分割模型；S3.利用步骤S2得到的视盘分割模型对步骤S1获取的测试数据集和训练数据集进行分割，并将分割得到的图谱进行截取，从而得到以视盘的质心为中心，边长为视盘直径N倍的截图；N为正数；S4.构建视盘视杯初步分割网络，利用步骤S3得到的截图对视盘视杯初步分割网络进行训练和修正，从而得到欧几里得坐标下的视盘视杯分割模型；S5.对步骤S3得到的截图进行极坐标变换，得到极坐标截图；S6.构建极坐标视盘视杯初步分割网络，利用步骤S5得到的极坐标截图对极坐标视盘视杯初步分割网络进行训练和修正，从而得到极坐标下的视盘视杯分割模型；S7.对于待分析的彩色眼底图像和对应的眼底图数据，利用步骤S4得到的欧几里得坐标下的视盘视杯分割模型进行分割，得到欧几里得坐标视盘视杯分割结果；S8.对于待分析的彩色眼底图像和对应的眼底图数据进行极坐标变换，并利用步骤S6得到的极坐标下的视盘视杯分割模型进行分割，得到极坐标下的视盘视杯分割结果；S9.对步骤S8得到的极坐标下的视盘视杯分割结果进行极坐标反变换，从而得到极坐标视盘视杯分割结果；S10.将步骤S7得到的欧几里得坐标视盘视杯分割结果和步骤S9得到的极坐标视盘视杯分割结果进行融合，从而得到最终的眼底图的视盘视杯分割结果。...

【技术特征摘要】
1.一种彩色眼底图的视盘视杯自动分割方法，包括如下步骤：S1.获取已知的彩色眼底图像和对应的眼底图数据集，并将彩色眼底图像中青光眼的眼底图像所对应的眼底图数据集分为测试数据集和训练数据集；S2.构造视盘初步分割深度学习网络，利用步骤S1得到的训练数据集对视盘初步分割深度学习网络进行训练，并利用步骤S1得到的测试数据集对训练后的视盘初步分割深度学习网络进行测试和修正，从而得到视盘分割模型；S3.利用步骤S2得到的视盘分割模型对步骤S1获取的测试数据集和训练数据集进行分割，并将分割得到的图谱进行截取，从而得到以视盘的质心为中心，边长为视盘直径N倍的截图；N为正数；S4.构建视盘视杯初步分割网络，利用步骤S3得到的截图对视盘视杯初步分割网络进行训练和修正，从而得到欧几里得坐标下的视盘视杯分割模型；S5.对步骤S3得到的截图进行极坐标变换，得到极坐标截图；S6.构建极坐标视盘视杯初步分割网络，利用步骤S5得到的极坐标截图对极坐标视盘视杯初步分割网络进行训练和修正，从而得到极坐标下的视盘视杯分割模型；S7.对于待分析的彩色眼底图像和对应的眼底图数据，利用步骤S4得到的欧几里得坐标下的视盘视杯分割模型进行分割，得到欧几里得坐标视盘视杯分割结果；S8.对于待分析的彩色眼底图像和对应的眼底图数据进行极坐标变换，并利用步骤S6得到的极坐标下的视盘视杯分割模型进行分割，得到极坐标下的视盘视杯分割结果；S9.对步骤S8得到的极坐标下的视盘视杯分割结果进行极坐标反变换，从而得到极坐标视盘视杯分割结果；S10.将步骤S7得到的欧几里得坐标视盘视杯分割结果和步骤S9得到的极坐标视盘视杯分割结果进行融合，从而得到最终的眼底图的视盘视杯分割结果。2.根据权利要求1所述的彩色眼底图的视盘视杯自动分割方法，其特征在于还包括如下步骤：采用双立方插值算法对...

【专利技术属性】
技术研发人员：赵荣昌，廖望旻，黎红，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43