[发明专利]一种眼底图像的结构标注方法及设备

说明书

本发明公开了一种眼底图像的结构标注方法及设备，所述方法包括：对需要进行结构标注的眼底图像进行N次结构识别分类，其中，每经过一次结构识别分类，获得相应的结构边界集合，N为大于2的整数；分别针对每一个结构边界集合执行以下操作，获得至少一个目标子图：分别确定一个结构边界集合中的每一个子图与每一个其他结构边界集合的重叠面积，分别统计所述每一个子图被判定重叠面积大于设定门限的次数，以及筛选出所述次数大于第一设定阈值的子图作为目标子图；在所述眼底图像中，将所述至少一个目标子图占用的区域标注为结构区域。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种眼底图像的结构标注方法及设备。

背景技术

在医学研究领域，患者的视网膜眼底图像可以作为医生判断糖尿病性视网膜病变(Diabetic Retinopathy，DR)的重要依据，因此，计算机的自动眼底图像处理与分析在辅助医疗诊断中有重要的价值。

目前，在数字图形处理领域，已经出现不少眼底图像自动标注的方法，但这些眼底图像自动标注的方法大多仅限于对整幅图进行分期类型标注，也即根据视网膜眼底图像中上出现的病变类型和病变数量，将视网膜眼底图像标注为正常分期、轻度NPDR(Nonproliferative Diabetic Retinopathy，非增殖性糖尿病性视网膜病变)、中度NPDR、重度NPDR和PDR(Proliferative Diabetic Retinopathy，增殖性糖尿病性视网膜病变)五个分期。

例如某大学提出的一种基于主动学习和半监督学习的多类图像分类方法，该方法首先从未标注样本集中随机选择一部分图像进行人工标注，随后利用基于最优标号和次优标号的主动学习准则选择分类不确定性最高的一部分样本，由用户对这一部分样本进行人工标注，接着对图像集中剩余的未标注样本，根据当前的分类器模型计算其最优标号的概率，并计算其余训练样本集中所有由用户人工标注的样本之间的距离，通过带约束条件的自训练半监督学习选择一部分样本，将这一部分样本的最优标号作为其类别标号，将前两步选出的样本，连同已经获得的类别标号，加入到当前训练样本集，对训练样本集进行更新，用更新后的训练样本集重新训练支持向量机分类器模型，对输出分类结果进行迭代，直到测试图像集上的分类准确率满足分类精度要求。

因而，实现一种针对视网膜眼底图像能够快速进行大规模的眼底病变结构位置边界的标注工具非常有必要。

所以，现有技术中，缺乏能够对眼底图像进行眼底结构位置边界标注的方案的技术问题。

发明内容

本发明实施例提供一种眼底图像的结构标注方法及设备，解决现有技术中，缺乏能够对眼底图像进行眼底结构位置边界标注的方案的技术问题，具有能够实现快速且大规模的对眼底图像进行的眼底结构位置边界标注的有益效果。

第一方面，为解决上述技术问题，本发明实施例提供的一种眼底图像的病变标注方法的技术方案如下：

对需要进行结构标注的眼底图像进行N次结构识别分类，其中，每经过一次结构识别分类，获得相应的结构边界集合，N为大于2的整数；

分别针对每一个结构边界集合执行以下操作，获得至少一个目标子图：

分别确定一个结构边界集合中的每一个子图与每一个其他结构边界集合的重叠面积，分别统计所述每一个子图被判定重叠面积大于设定门限的次数，以及筛选出所述次数大于第一设定阈值的子图作为目标子图；

在所述眼底图像中，将所述至少一个目标子图占用的区域标注为结构区域。

可选的，在所述眼底图像中，将任意一个目标子图占用的区域标注为结构区域，包括：

从所述任意一个目标子图中提取至少一个结构特征；