一种基于眼底检查影像的血管分割方法技术

本发明专利技术涉及一种基于眼底检查影像的血管分割方法

【技术实现步骤摘要】
一种基于眼底检查影像的血管分割方法、装置和系统


[0001]本专利技术涉及到机器视觉及机器学习算法领域，具体涉及一种基于眼底检查影像的血管分割方法
、
装置
、
系统和计算机可读存储介质
。

技术介绍

[0002]目前，全球近视患病率高达
28.3%
，其中高度近视患病率将由目前的
4.0%
上升至
9.8%。
高度近视又分为单纯性高度近视和病理性近视
。
其中病理性近视指球镜度（
SE
）
≤
‑
6.00D
，和
(
或
)
眼轴大于
26.5mm
，近视度数不断增长，伴有导致视觉损害的眼底病变及其他致盲性眼病，最佳矫正视力（
BCVA
）往往低于正常值
。
病理性近视引发的视网膜病变已成为不可逆致盲性眼病的重要病因
。
[0003]随着医疗技术的进步，自动化与计算机辅助诊断的方法正在逐步应用于眼科领域
。
现有技术利用自动化系统对病理性近视进行识别时，常常是通过拍摄彩色眼底照片或光学相干断层扫描成像（
OCT
），根据眼底照片或
OCT
对视网膜小血管及毛细血管进行划分，再根据视网膜小血管及毛细血管的变化
、
结合眼轴长度及屈光度等因素来确定眼底周边是否发生病变
。
然而，目前的自动化系统无法准确地对眼底照片或
OCT
中视网膜小血管以及毛细血管进行划分，对血管的划分需要经验丰富的医生全程参与，耗费大量的人力成本
。
[0004]在此背景下，本专利技术为了解决上述问题，提出了一种基于眼底检查影像的血管分割方法
、
装置和系统，基于眼底照片或
OCT
实现对视网膜小血管和毛细血管的自动分割，提高了血管分割的效率和准确性，能够减轻医生的工作负担
、
降低人为误差的风险
。

技术实现思路

[0005]本专利技术的主要目标是提供一种基于眼底检查影像的血管分割方法，包括：步骤一，通过数据输入接口采集眼底检查影像数据；步骤二，图像预处理，对眼底检查影像数据进行预处理，所述预处理包括去噪
、
对比度增强
、
颜色标准化，以减少噪声并提升图像质量；步骤三，基于根据检测目标在空间上互信息最大的位置，得到所述检测目标的最佳配准；其中，影像中的相同目标在空间上对齐时相关性最强，对应像素灰度的互信息达到最大；步骤四，利用预设图像处理方法提取配准后影像数据中的血管特征，所述血管特征包括边缘
、
纹理
、
颜色和强度梯度；其中，所述预设图像处理方法可以是现有技术中图片处理常用方法中的任一一种；步骤五，视网膜血管分割及数据的模型训练，从步骤四中的血管特征中选取部分数据作为训练集和测试集，建立基于机器学习神经网络模型，利用所述训练集训练所述神经网络模型，利用测试集测试训练好的所述神经网络模型，最后利用所述网络模型输出血管分割结果；其中，所述网络模型基于
U
‑
Net
改进网络构建，所述
U
‑
Net
改进网络包括收缩网络
和扩张网络两个部分，所述收缩网络包含捷径层，并将作为模型的损失函数：
[0006]式中，
X
表示分割点预测值，
Y
表示分割点参考值，
N
表示输入个数，表示模型之间的相似程度
。
[0007]优选的，所述眼底检查影像数据包括彩色眼底照片
、
光学相干断层扫描（
OCT
）图像
。
[0008]优选的，所述图像预处理步骤还包括图像增强步骤，用于增强眼底检查影像数据的对比度和清晰度
。
[0009]优选的，所述步骤四对眼底检查影像数据的原始数据进行边缘
、
纹理
、
颜色
、
强度梯度上的特征提取
。
[0010]优选的，所述步骤五采用
Adam
优化算法来调整模型参数及残差网络提升网络深度
。
[0011]优选的，所述方法还包括步骤六，根据新的眼部影像数据对已训练的模型进行更新和优化
。
[0012]优选的，所述方法还包括模型更新模块，所述模型更新模块用于根据新的眼部影像数据对已训练的模型进行更新和优化
。
[0013]本专利技术还提供一种基于眼底检查影像的血管分割装置，所述装置包括：数据输入接口，所述数据输入接口用于采集眼底检查影像数据；图像预处理模块，所述图像预处理模块用于对眼底检查影像数据进行预处理，所述眼底检查影像数据进行预处理包括去噪
、
对比度增强
、
颜色标准化，以减少噪声并提升图像质量；多模态影像配准模块，所述多模态影像配准模块基于影像中的相同目标在空间上对齐时相关性最强，对应像素灰度的互信息达到最大，根据最大互信息的位置找到最佳配准；特征提取模块，使用图像处理技术提取血管特征，所述血管特征包括边缘
、
纹理
、
颜色
、
强度梯度；
U
‑
Net
改进网络模型模块，视网膜血管分割及数据的模型训练，从血管特征中选取部分数据作为训练集和测试集，建立基于机器学习神经网络模型，利用所述训练集训练所述神经网络模型，利用测试集测试训练好的所述神经网络模型，最后利用所述网络模型输出血管分割结果
。
[0014]优选的，所述眼底检查影像数据包括彩色眼底照片
、
光学相干断层扫描（
OCT
）图像
。
[0015]优选的，所述图像预处理模块还包括图像增强步骤，用于增强眼底检查影像数据的对比度和清晰度
。
[0016]优选的，所述特征提取模型构建模块还用于对眼底检查影像数据的原始数据进行边缘
、
纹理
、
颜色
、
强度梯度上的特征提取
。
[0017]优选的，所述
U
‑
Net
改进网络模型模块采用
Adam
优化算法来调整模型参数及残差网络提升网络深度
。
1、
机器学习神经网络算法及实现基础的三层的神经网络架构，如图1所示，输入层（
input layer
）有三个单元（为补上的
bias
，通常设为1）
。
[0027]隐含层：
[0028]其中，表示第
j
层的第
i
个激励，也称为单元；为第
j
层到第
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于眼底检查影像的血管分割方法，其特征在于，包括：步骤一，采集眼底检查影像数据；步骤二，对所述眼底检查影像数据进行预处理；所述预处理包括去噪
、
对比度增强和颜色标准化，用于减少噪声并提升图像质量；步骤三，基于所述影像数据中检测目标在空间上互信息最大的位置，得到所述检测目标的最佳配准；步骤四，利用预设图像处理方法提取配准后影像数据中的血管特征，所述血管特征包括边缘
、
纹理
、
颜色和强度梯度；步骤五，从步骤四中的血管特征中选取部分数据作为训练集和测试集，建立基于机器学习神经网络模型，利用所述训练集训练所述神经网络模型，利用测试集测试训练好的所述神经网络模型，最后利用所述网络模型输出血管分割结果；其中，所述网络模型基于
U
‑
Net
改进网络构建，所述
U
‑
Net
改进网络包括收缩网络和扩张网络两个部分，所述收缩网络包含捷径层，并将作为模型的损失函数：；式中，
X
表示分割点预测值，
Y
表示分割点参考值，
N
表示输入个数，表示模型之间的相似程度
。2.
根据权利要求1所述的基于眼底检查影像的血管分割方法，其特征在于，所述眼底检查影像数据至少包括彩色眼底照片和光学相干断层扫描（
OCT
）图像
。3.
根据权利要求1所述的基于眼底检查影像的血管分割方法，其特征在于，所述图像预处理步骤还包括图像增强步骤，用于增强眼底检查影像数据的对比度和清晰度
。4.
根据权利要求1所述的基于眼底检查影像的血管分割方法，其特征在于，所述步骤四还包括对眼底检查影像数据的原始数据进行边缘
、
纹理
、
颜色
、
强度梯度上的特征提取
。5.
根据权利要求1所述的基于眼底检查影像的血管分割方法，其特征在于，所述步骤五采用
Adam
优化算法来调整模型参数及残差网络提升网络深度
。6.
根据权利要求1所述的基于眼底检查影像的血管分割方法，其特征在于，该方法还包括步骤六，根据新的眼部影像数据对已训练的模...

【专利技术属性】
技术研发人员：严棽棽，周海英，纪海霞，余海澄，
申请(专利权)人：首都医科大学附属北京同仁医院，
类型：发明
国别省市：