眼底图像微动脉瘤区域检测方法及其成像方法技术

本发明专利技术公开了一种眼底图像微动脉瘤区域检测方法，包括获取历史彩色眼底图像、进行处理和对比度增强得到增强处理图像，进行两次滤波得到第一和第二滤波图像；提取微动脉瘤候选点并筛选得到筛选后的微动脉瘤候选点；在增强处理图像、第一和第二滤波图像中截取图像窗口作为截取图像并处理得到用于训练的图像，进行局部横截面变换生成局部横截面变换图像，进行大小调整和缝合拼接得到训练图像数据集；构建微动脉瘤候选图像原始分类模型并训练得到眼底图像微动脉瘤区域检测模型；采用眼底图像微动脉瘤区域检测模型对实际的眼底图像进行检测。本发明专利技术还公开了一种包括所述眼底图像微动脉瘤区域检测方法的成像方法。本发明专利技术可靠性高、精确性好且性能优异。精确性好且性能优异。精确性好且性能优异。

【技术实现步骤摘要】
眼底图像微动脉瘤区域检测方法及其成像方法


[0001]本专利技术属于图像处理领域，具体涉及一种眼底图像微动脉瘤区域检测方法及其成像方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，人们对于健康的关注也越来越高。
[0003]眼底图像是医学图像中的重要组成部分，在医学领域具有重大意义。眼底图像中微动脉瘤区域的检测，则是眼底图像检测领域的重要分支。
[0004]在目前的临床实践中，眼底图像中微动脉瘤区域的检测，主要还是依赖于人工检测：具有专业背景的从业人员通过手工的方式在眼底图像中对微动脉瘤区域进行检测。但是，人工标记的方式明显费时费力，且检测准确性严重依赖于从业人员自身的技术水平；此外，人工标记的方式非常容易漏掉眼底图像中一些对比度微弱、不太明显的微动脉瘤区域。因此，目前的人工标记的方式，可靠性和精确性都不高。
[0005]随着人工智能技术的广泛应用，研究人员也提出了基于机器学习的眼底图像微动脉瘤区域检测方法。但是，现有的检测方法，通常需要利用临床先验知识，手工设计并提取出大量的诸如几何、强度、梯度等特征；这些特征通常是冗余和复杂的，而且特征的重要性分析、冗余特征的去除(即特征选择)又将成为另一项具有挑战的工程任务。此外，许多现有方法需要事先去除干扰区域，如视盘、血管和硬性渗出等区域；而这些干扰区域的分割并不是微动脉瘤区域检测的重点，却严重影响了微动脉瘤区域检测算法的最终性能。
[0006]虽然，现有算法中已经存在无需手工提取特征就能自动学习图像特征的基于深度学习的微动脉瘤区域检测方法，然而由于微动脉瘤区域在整个眼底图像中所占比例很小、对比度差异明显，且带标注的微动脉瘤区域图像数量有限，现有方法不能充分学习微动脉瘤区域的图像特征，因此经常出现过拟合现象，方法的可靠性和精确性大打折扣。

技术实现思路

[0007]本专利技术的目的之一在于提供一种可靠性高、精确性好且性能优异的眼底图像微动脉瘤区域检测方法。
[0008]本专利技术的目的之二在于提供一种包括所述眼底图像微动脉瘤区域检测方法的成像方法。
[0009]本专利技术提供的这种眼底图像微动脉瘤区域检测方法，包括如下步骤：
[0010]S1.获取历史彩色眼底图像；
[0011]S2.提取步骤S1获取的彩色眼底图像在RGB色彩空间中的绿色通道图像，得到输入图像；
[0012]S3.对步骤S2得到的输入图像进行处理，生成处理图像；
[0013]S4.对步骤S3得到的处理图像进行对比度增强，从而得到增强处理图像；
[0014]S5.对步骤S4得到的增强处理图像进行两次滤波，得到第一滤波图像和第二滤波
图像；
[0015]S6.在增强处理图像中提取微动脉瘤候选点；
[0016]S7.对步骤S6得到的微动脉瘤候选点进行筛选，得到筛选后的微动脉瘤候选点；
[0017]S8.以步骤S7得到的微动脉瘤候选点为中心，在增强处理图像、第一滤波图像和第二滤波图像中截取图像窗口分别作为截取图像；
[0018]S9.对步骤S8得到的截取图像进行正负样本均衡处理，从而得到用于训练的图像；
[0019]S10.对步骤S9得到的用于训练的图像进行局部横截面变换，生成局部横截面变换图像；
[0020]S11.将用于训练的图像与各自对应的局部横截面变换图像进行大小调整和缝合拼接，从而得到训练图像数据集；
[0021]S12.构建微动脉瘤候选图像原始分类模型；
[0022]S13.利用步骤S11得到的训练图像数据集，对步骤S12构建的微动脉瘤候选图像原始分类模型进行训练，从而得到最终的眼底图像微动脉瘤区域检测模型；
[0023]S14.采用步骤S13得到的眼底图像微动脉瘤区域检测模型，对实际的眼底图像进行检测，从而完成实际眼底图像的微动脉瘤区域检测。
[0024]步骤S2所述的提取步骤S1获取的彩色眼底图像在RGB色彩空间中的绿色通道图像，得到输入图像，具体包括如下步骤：
[0025]以公式G＝r
×
0+g
×
1+b
×
0对彩色眼底图像中的各个像素点的RGB值进行计算，即可得到最终的输入图像；G为输入图像的像素点的RGB值，r为彩色眼底图像的像素点的R(红色)值，g为彩色眼底图像的像素点的G(绿色)值，b为彩色眼底图像的像素点的B(蓝色)值。
[0026]步骤S3所述的对步骤S2得到的输入图像进行处理，生成处理图像，具体为对步骤S2得到的输入图像I进行归一化处理和光照均衡处理，从而得到处理图像I'。
[0027]所述的归一化处理，具体为采用双线性插值算法，将所有眼底图像的有效区域的最大直径统一为900像素。
[0028]所述的光照均衡处理，具体为采用算式I'＝G+μ
‑
G
m
光照均衡处理；式中G为输入图像，μ为输入图像G中有效区域的平均光照强度；G
m
为输入图像G经过均值滤波后的图像，均值滤波器的大小为d为眼底图像的有效区域的最大直径；本步骤的目的在于克服不均匀光照和暗区域的影响。
[0029]步骤S4所述的对步骤S3得到的处理图像进行对比度增强，从而得到增强处理图像，具体为为对步骤S3得到的处理图像I'进行限制对比度自适应直方图均衡化处理，从而得到增强处理图像I
p
。
[0030]所述的限制对比度自适应直方图均衡化处理，具体为采用如下算式进行处理：
[0031][0032]式中S为处理后的对比度；Hist(t)为局部块内的直方图；M
×
M为局部块的大小。
[0033]步骤S5所述的对步骤S4得到的增强处理图像进行两次滤波，得到第一滤波图像和第二滤波图像，具体为对步骤S4得到的增强处理图像I
p
进行高斯滤波，得到第一滤波图像
I
g
；然后对步骤S4得到的增强处理图像I
p
进行双边滤波，得到第二滤波图像I
b
，从而为后续图像的变换拼接做准备。
[0034]步骤S6所述的在增强处理图像中提取微动脉瘤候选点，具体为对增强处理图像I
p
进行3
×
3的中值滤波，提取中值滤波后图像中的最小极值连通区域的质心作为微动脉瘤候选点。
[0035]所述的在增强处理图像中提取微动脉瘤候选点，具体为对增强处理图像I
p
进行3
×
3的中值滤波，提取中值滤波后图像中的最小极值连通区域，并剔除面积大于50个像素的连通区域，并将剩余的最小极值连通区域的质心作为微动脉瘤候选点。
[0036]步骤S7所述的对步骤S6得到的微动脉瘤候选点进行筛选，得到筛选后的微动脉瘤候选点，具体包括如下步骤：
[0037]A.以步骤S6得到的微动脉瘤候选点为中心，截取15
×
15的图像窗口，并划分为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种眼底图像微动脉瘤区域检测方法，包括如下步骤：S1.获取历史彩色眼底图像；S2.提取步骤S1获取的彩色眼底图像在RGB色彩空间中的绿色通道图像，得到输入图像；S3.对步骤S2得到的输入图像进行处理，生成处理图像；S4.对步骤S3得到的处理图像进行对比度增强，从而得到增强处理图像；S5.对步骤S4得到的增强处理图像进行两次滤波，得到第一滤波图像和第二滤波图像；S6.在增强处理图像中提取微动脉瘤候选点；S7.对步骤S6得到的微动脉瘤候选点进行筛选，得到筛选后的微动脉瘤候选点；S8.以步骤S7得到的微动脉瘤候选点为中心，在增强处理图像、第一滤波图像和第二滤波图像中截取图像窗口分别作为截取图像；S9.对步骤S8得到的截取图像进行正负样本均衡处理，从而得到用于训练的图像；S10.对步骤S9得到的用于训练的图像进行局部横截面变换，生成局部横截面变换图像；S11.将用于训练的图像与各自对应的局部横截面变换图像进行大小调整和缝合拼接，从而得到训练图像数据集；S12.构建微动脉瘤候选图像原始分类模型；S13.利用步骤S11得到的训练图像数据集，对步骤S12构建的微动脉瘤候选图像原始分类模型进行训练，从而得到最终的眼底图像微动脉瘤区域检测模型；S14.采用步骤S13得到的眼底图像微动脉瘤区域检测模型，对实际的眼底图像进行检测，从而完成实际眼底图像的微动脉瘤区域检测。2.根据权利要求1所述的眼底图像微动脉瘤区域检测方法，其特征在于步骤S2所述的提取步骤S1获取的彩色眼底图像在RGB色彩空间中的绿色通道图像，得到输入图像，具体包括如下步骤：以公式G＝r
×
0+g
×
1+b
×
0对彩色眼底图像中的各个像素点的RGB值进行计算，即可得到最终的输入图像；G为输入图像的像素点的RGB值，r为彩色眼底图像的像素点的R值，g为彩色眼底图像的像素点的G值，b为彩色眼底图像的像素点的B值；步骤S3所述的对步骤S2得到的输入图像进行处理，生成处理图像，具体为对步骤S2得到的输入图像I进行归一化处理和光照均衡处理，从而得到处理图像I'；归一化处理具体为采用双线性插值算法，将所有眼底图像的有效区域的最大直径统一为900像素；光照均衡处理具体为采用算式I'＝G+μ
‑
G
m
光照均衡处理；式中G为输入图像，μ为输入图像G中有效区域的平均光照强度；G
m
为输入图像G经过均值滤波后的图像，均值滤波器的大小为d为眼底图像的有效区域的最大直径；本步骤的目的在于克服不均匀光照和暗区域的影响；步骤S4所述的对步骤S3得到的处理图像进行对比度增强，从而得到增强处理图像，具体为为对步骤S3得到的处理图像I'进行限制对比度自适应直方图均衡化处理，从而得到增强处理图像I
p
；限制对比度自适应直方图均衡化处理，具体为采用如下算式进行处理：
式中S为处理后的对比度；Hist(t)为局部块内的直方图；M
×
M为局部块的大小；步骤S5所述的对步骤S4得到的增强处理图像进行两次滤波，得到第一滤波图像和第二滤波图像，具体为对步骤S4得到的增强处理图像I
p
进行高斯滤波，得到第一滤波图像I
g
；然后对步骤S4得到的增强处理图像I
p
进行双边滤波，得到第二滤波图像I
b
，从而为后续图像的变换拼接做准备；步骤S6所述的在增强处理图像中提取微动脉瘤候选点，具体为对增强处理图像I
p
进行3
×
3的中值滤波，提取中值滤波后图像中的最小极值连通区域的质心作为微动脉瘤候选点；所述的在增强处理图像中提取微动脉瘤候选点，具体为对增强处理图像I
p
进行3
×
3的中值滤波，提取中值滤波后图像中的最小极值连通区域，并剔除面积大于设定像素面积的连通区域，并将剩余的最小极值连通区域的质心作为微动脉瘤候选点。3.根据权利要求2所述的眼底图像微动脉瘤区域检测方法，其特征在于步骤S7所述的对步骤S6得到的微动脉瘤候选点进行筛选，得到筛选后的微动脉瘤候选点，具体包括如下步骤：A.以步骤S6得到的微动脉瘤候选点为中心，截取15
×
15的图像窗口，并划分为9个5
×
5的小窗口；B.依次计算中心小窗口与周围8个小窗口之间的平均灰度差，得到灰度差序列{d1,...,d8}；C.设定第一阈值为第二阈值为第三阈值为σ为增强处理图像I
p
的眼底有效区域的灰度标准差；D.统计灰度差序列{d1,...,d8}中大于第一阈值的数量count1、灰度差序列{d1,...,d8}中大于第二阈值的数量count2和灰度差序列{d1,...,d8}中大于第三阈值的数量count3；E.计算步骤A中的图像窗口默认9个方向上的梯度方向直方图的标准差std
hog...

【专利技术属性】
技术研发人员：邹北骥，杜婧瑜，
申请(专利权)人：中南大学，
类型：发明
国别省市：