基于眼底图像的硬性渗出分割方法技术

本发明专利技术涉及基于眼底图像的硬性渗出分割方法，包括：A.输入RGB眼底图像，对G通道的图像进行标准化和归一化处理；B.对处理后的图像进行对比度增强；C.通过滑动窗口对增强了对比度的图像提取块图像，将提取的块图像输入卷积神经网络进行语义分割，输出每个块图像的渗出概率图；D.根据各渗出概率图之间的重叠部分对所有渗出概率图进行重组；E.对重组后渗出概率图的进行阈值分割，输出渗出分割二值图。本发明专利技术具有较高的特异性和灵敏度，且不需要事先人为设计目标特征和分类器，能够较大限度地检测出眼底图像中的硬性渗出，较少分割出视盘等非硬性渗出区域，从而辅助眼底医生进行观察和诊断，同时过程简单，计算量小，耗时少。

Hard exudation segmentation method based on fundus image

【技术实现步骤摘要】
基于眼底图像的硬性渗出分割方法
本专利技术涉及医学图像的处理方法，具体讲是基于眼底图像的硬性渗出分割方法。
技术介绍
糖尿病黄斑水肿病变(DME，DiabeticMacularEdema)是糖尿病视网膜病变中后期会出现的病变，它是导致视力损伤和失明的主要原因。DME的主要特征是出现硬性渗出(hardexudates)，它是一种表现为淡黄色的亮色病变，大小不规则，形状不固定，可能出现在视网膜的任何位置。因此，眼底医生常常通过对拍摄的视网膜眼底图像进行观察，人工找出硬性渗出出现的位置、数目等并以此给出相应的诊断和治疗方案。然而，人工找出硬性渗出的位置和统计渗出数目是一项任务量大且费时费力的工作，且又在很大程度上要求眼底医生具备专业熟练的技能，这不适用于在基层偏远地区进行视网膜病变诊断与治疗，因此通过计算机图像处理等技术来检测出糖网图像中的硬性渗出，辅助眼底医生进行观察，并最终由眼底医生给出诊断治疗是一项具有现实意义的工作。因为眼底图像中存在血管、视盘、视盘纤维等目标的干扰，其与渗出具有相似的亮度、颜色或对比度，有可能被计算机误识别为硬性渗出，所以对硬性渗出的自动分割又是一项具有挑战的工作。近几年，国内外学者开始重视硬性渗出的检测与分割。基于计算机图像处理技术的硬性渗出的检测方法主要包括基于阈值分割的方法、区域生长法、基于形态学的方法和基于分类器的方法。Sanchez等人提出阈值混合模型来对图像直方图进行处理，从而动态地分割出硬性渗出，但是会存在较多的血管和视神经盘。Sinthanayothin等人提出循环区域生长法来自动检测非增殖性糖尿病视网膜病变的特征，然而该方法计算量较大，耗时久。Walter等人提出通过形态学方法移除视盘，再基于像素值方差来找到硬性渗出的轮廓，并用形态学重建得到硬性渗出区域。相似地，Sopharak等人提出基于形态学的硬性渗出分割方法，该方法首先采用形态学闭操作重建算子移除血管和视盘，再通过H通道和I通道计算出各像素的标准方差以及统计边缘轮廓像素来检测硬性渗出。然而，由于硬性渗出具有大小不规则且亮度不均匀等特征，基于形态学的方法很难选择出合适的参数，且分割精度不高，往往只能分割出部分渗出和其他非渗出目标。基于分类器的方法通过对每个像素或候选连通区域进行特征提取，并用支持向量机、随机森林、神经网络等对其进行分类，来判断是或不是渗出目标。Giancardo等人提出一种基于图像级别的分类方法，对存在渗出和无渗出的图像进行传统特征提取，如颜色、面积等，并用支持向量机对输入图片进行分类。Zhang等人提出一种新颖的预处理方法，该方法不仅可以去除血管和深色病变，还可以去除视盘和血管反光等。然后通过形态学方法提出候选区域，并对各个候选区域进行传统特征提取，如像素值、形状、纹理等，并用随机森林对其进行分类。然而这类方法需要一定领域的专业知识，需要知道提取哪些有效特征以及设计选择合理的分类器，并且检测结果也仍存在较高的误检和漏检。因此，目前基于计算机图像处理技术的硬性渗出检测方法还存在目标特征设计难、检测准确率不高或检测不完全等问题。
技术实现思路
本专利技术提供了一种基于眼底图像的硬性渗出分割方法，不需要选择待提取目标的特征，也不需要选择何种分类器，以较大限度地检测出眼底图像中的硬性渗出。本专利技术基于眼底图像的硬性渗出分割方法，包括：A.输入RGB(红、绿、蓝)眼底图像，对G通道(绿色通道)的图像进行标准化和归一化处理；B.对标准化和归一化处理后的图像进行对比度增强；C.通过滑动窗口对增强了对比度的图像提取块图像，将提取的块图像输入卷积神经网络进行语义分割，输出每个块图像的渗出概率图；D.根据各渗出概率图之间的重叠部分对所有渗出概率图进行重组；E.对重组后渗出概率图的进行阈值分割，输出渗出分割二值图。进一步的，步骤A中先通过对G通道的图像进行标准化处理得到标准化图像其中，μ表示G通道图像的均值，σ表示G通道图像的方差。在卷积神经网络的训练阶段，此处输入的是一组图像，因此μ和σ分别表示基于这一组图像的均值和方差。再通过对标准化图像进行归一化处理得到归一化图像其中和分别为标准化图像的最小值和最大值。在卷积神经网络的训练阶段，此处针对的是每张图像，而不是一组图像。进一步的，步骤B中对所述图像先进行CLAHE(ContrastLimitedAdaptiveHistogramEqualization，对比度受限的自适应直方图均衡)增强，然后再进行gamma校正来增强图像的对比度。优选的，步骤C中所述卷积神经网络的类型为ID-UNet卷积神经网络。ID-UNet卷积神经网络的基本框架为U-Net卷积神经网络的结构，为了在U-Net卷积神经网络的encoder部分提取到更好的特征，在每一次输入样本前加入相应的Inception结构；同时，考虑到U-Net的卷积层的方形卷积核，在经历多次反卷积回去后仍然是方框，不能真实表达物体的形状。如果卷积核的形状是可以变化的，这样卷积后反卷积回去就可以形成一个物体真实的多边形，更准确的表达物体形状，从而可以更好的进行像素分割和物体检测，因此在原始U-Net网络的基础上引入了deformable卷积如实施例中表1所示。进一步的，在ID-UNet卷积神经网络的训练阶段，步骤C中通过滑动窗口对增强了对比度的图像随机提取N个块图像，N为自然数；在ID-UNet卷积神经网络的测试和应用阶段，步骤C中通过滑动窗口对增强对比度后的图像提取块图像，并将每个块图像输入ID-UNet卷积神经网络进行语义分割，得到所述的渗出概率图。进一步的，在ID-UNet卷积神经网络的训练阶段，将提取的N个块图像输入到ID-UNet卷积神经网络中学习参数权重。进一步的，步骤D包括：对各渗出概率图之间重叠的部分取概率平均值作为最终的渗出概率值，非重叠部分保持原概率值。本专利技术基于眼底图像的硬性渗出分割方法，具有较高的特异性和灵敏度，且不需要事先人为设计目标特征和分类器，能够较大限度地检测出眼底图像中的硬性渗出，较少分割出视盘等非硬性渗出区域，从而辅助眼底医生进行观察和诊断，同时过程简单，计算量小，耗时少。以下结合实施例的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。在不脱离本专利技术上述技术思想情况下，根据本领域普通技术知识和惯用手段做出的各种替换或变更，均应包括在本专利技术的范围内。附图说明图1为本专利技术基于眼底图像的硬性渗出分割方法的流程图。图2为输入的RGB眼底图像原图。图3为图2通过本专利技术得到的渗出概率图。图4为图3通过本专利技术得到的渗出分割二值图。具体实施方式如图1所示本专利技术基于眼底图像的硬性渗出分割方法，包括：A.输入大小为2196×1958的RGB(红、绿、蓝)眼底图像，先通过对G通道(绿色通道)的图像进行标准化处理得到标准化图像其中，μ表示G通道图像的均值，σ表示G通道图像的方差。在卷积神经网络的训练阶段，此处输入的是一组图像，因此μ和σ分别表示基于这一组图像的均值和方差。再通过对标准化图像进行归一化处理得到归一化图像其中和分别为标准化图像的最小值和最大值。在卷积神经网络的训练阶段，此处针对的是每张图像，而不是一组图像。B.对标准化和归一化处理后的图像本文档来自技高网...

【技术保护点】
1.基于眼底图像的硬性渗出分割方法，其特征包括：A.输入RGB眼底图像，对G通道的图像进行标准化和归一化处理；B.对标准化和归一化处理后的图像进行对比度增强；C.通过滑动窗口对增强了对比度的图像提取块图像，将提取的块图像输入卷积神经网络进行语义分割，输出每个块图像的渗出概率图；D.根据各渗出概率图之间的重叠部分对所有渗出概率图进行重组；E.对重组后渗出概率图的进行阈值分割，输出渗出分割二值图。

【技术特征摘要】
1.基于眼底图像的硬性渗出分割方法，其特征包括：A.输入RGB眼底图像，对G通道的图像进行标准化和归一化处理；B.对标准化和归一化处理后的图像进行对比度增强；C.通过滑动窗口对增强了对比度的图像提取块图像，将提取的块图像输入卷积神经网络进行语义分割，输出每个块图像的渗出概率图；D.根据各渗出概率图之间的重叠部分对所有渗出概率图进行重组；E.对重组后渗出概率图的进行阈值分割，输出渗出分割二值图。2.如权利要求1所述的基于眼底图像的硬性渗出分割方法，其特征为：步骤A中先通过对G通道的图像进行标准化处理得到标准化图像其中，μ表示G通道图像的均值，σ表示G通道图像的方差，再通过对标准化图像进行归一化处理得到归一化图像其中和分别为标准化图像的最小值和最大值。3.如权利要求1所述的基于眼底图像的硬性渗出分割方法，其特征为：步骤B中对所述图像先进行CLAHE增强，然后再进行gamma校正来增强图像的对比度。4...

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