[发明专利]基于NGC‑ACM的荧光造影眼底图像提取方法

说明书

技术领域

本发明属于图像识别技术领域，涉及一种医学图像处理，特别是基于NGC-ACM的荧光造影眼底图像提取方法。

背景技术

当今社会，患有糖尿病的人数随着生活水平的提升日益增多，致使糖尿病并发症糖尿病视网膜病变(diabetic retinopathy,DR，简称“糖网”)的发病率也非常高。同时，近些年发展起来的眼底视网膜成像技术为糖网患者提供了一个简单而且无创的眼底检测手段，容易被患者接受，已成为医生进行眼科疾病诊断的重要依据。但是，目前医院的诊断方式主要通过医生肉眼对荧光造影眼底图像进行观察和分析，这对医生经验阅历要求高，并且医生的个人主观因素会对诊断结果造成一定影响。因此，为了进行准确的判断和治疗，采用图像处理技术针对荧光眼底造影图像进行糖网的无灌注区域分割是有重要实用价值的。

所以对荧光造影图像中无灌注区域的提取，避免不了处理大量医学图像，经常用到图像分割、融合、配准及纹理分析这些图像处理技术。对图像经行处理，就是为了得到相应图像的分析，其中图像分割就是关键步骤。图像分割技术就是通过将图像划分为若干特定或者具有独特性的区域，从而得到感兴趣的目标的过程。广泛使用的图像分割方法主要涉及的侧重点为以下几个：基于阈值、区域、边缘及特定理论，其中特定理论常用的有模糊集理论、小波变换、聚类分析、基因编码等。通过分割可以提取出病变组织，在此基础上对提取结果进行定性及定量的分析，从而帮助医生进行快速准确的临床诊断，提高诊断的准确性和科学性。

针对荧光造影眼底图像中无灌注区域的检测提取，国内外对此的相关研究报道并不多。但计算机辅助寻找肿瘤等医学病变的思路都是将单一的顶帽变换滤波器扩展到多滤波器组，这些滤波器的响应在分类模式下被用来识别候选的病变象素，然后用数学形态学和有监督学习的分类步骤对候选象素进行处理，最终来决定哪些是有效的病变标记。随后，为了检测不同形态的病变，利用某种形式的滤波器变换来检测候选的病变，然后用数学形态学模板来描述这些候选病变对象的基本思路基本不变。

从病灶分割提取方面来说，研究者们虽然提出了大量较为有效的分割算法，可以将需要的目标从图像背景中成功提取出来。但大部分现存算法只是单纯的基于区域或边界信息两者之一对图像进行分割，采用这种不完全的信息作为分割准则无疑在一定程度上制约了分割结果的好坏。但是疾病的诊断治疗和医学图像的处理结果有着紧密的关系，所以医学上要求得到精确的分割结果。

发明内容

本发明的提出了一种基于NGC-ACM的荧光造影眼底图像提取方法，针对糖尿病荧光造影眼底图像中出现的无灌注区域，结合糖尿病荧光造影眼底图像的特点，实现了良好的全局分割效果，极大的提高了无灌注区域全局提取的效果和质量。

一种基于NGC-ACM的荧光造影眼底图像提取方法，包括如下步骤：

步骤1：人工选取荧光造影眼底图像中的初始无灌注区域，利用NGC-ACM算法确定初始无灌注区域的边界；

步骤2：去除初始无灌注区域的边界所包含区域中的文字信息和背景区域，得到无灌注区域分布结果图；

步骤3：对无灌注区域分布结果图进行膨胀处理，得到无灌注区域存在范围结果图；

步骤4：将步骤1得到的初始无灌注区域的边界与步骤3得到的无灌注区域存在范围结果图进行求与运算得到无灌注区域的全局分割结果，完成荧光造影眼底图像中无灌注区域的提取；

其中，所述利用NGC-ACM算法确定初始无灌注区域的边界的具体过程如下：

(1)初始化曲线C为荧光造影眼底图像中的任意曲线，若荧光造影眼底图像中的任意像素p在曲线C上，则令二元变量x_p＝1；否则，另二元变量x_p＝0；

(2)按照以下公式计算荧光造影眼底图像中无灌注区域对分割的边界项c_s和荧光造影眼底图像中背景对分割的边界项c_t；

c_s＝(∑_pI(p)(1-x_p))/∑_p(1-x_p)

c_t＝(∑_pI(p)x_p)/(∑_px_p)

其中，I(p)表示像素P的坐标位置；

(3)依据边界项c_s和c_t为能量函数E构造图G；