[发明专利]一种眼底图像微血管瘤检测装置、方法及存储介质

说明书

本发明公开了一种眼底图像微血管瘤检测装置、方法及存储介质，涉及医学图像处理及机器视觉应用领域。本发明首先对输入的彩色视网膜图像提取待检测图像，再通过小目标去除、测地膨胀等操作得到微血管瘤候选区模板和正负样本图片；针对微血管瘤候选区提取能量特征，同时针对微血管瘤形态手工设计特征，最后进行将传统特征和手工设计的特征进行级联；将特征和标签送入已训练好的分类器进行分类，从而从糖网图像中检测出微血管瘤所在位置。本方法能够通过糖尿病眼底图像检测出微小目标微血管瘤，具有较高的准确率，能够辅助眼底医生更方便的观察到微血管瘤的存在。

技术领域

本发明涉及眼底图像微血管瘤检测的一种眼底图像微血管瘤检测装置、方法 及存储介质。

背景技术

糖尿病患者晚期会引发视网膜发生病变，眼底图像微血管瘤 (Microaneurysm，MA)是糖尿病视网膜病变(糖网)的初期症状，因此，实现 眼底图像的微血管瘤检测并及时治疗有助于防止视网膜病变进一步加深。人工 对眼底图像的微血管瘤检测主要依赖于眼科医生直接对视网膜图像进行观测， 但由于视网膜结构复杂、微血管瘤面积微小且局部对比度较低，人眼观测微血 管瘤费时费力，任务量巨大，且偏远地区缺乏有经验的眼科医生，通过计算机视觉技术实现视网膜微血管瘤的自动检测，有助于缓解眼科医生压力，同时有助于医疗资源下沉，具有深远的医学意义。

目前眼底图像的微血管瘤检测方法主要包括基于深度学习的方法和基于分类 器的方法。基于深度学习的方法主要是采用深度学习模型构建端到端的卷积神 经网络，如像素级目标分割的语义分割网络、标记目标所在区域的目标检测网 络。李英采用了SSD目标检测网络实现了微血管瘤的检测，但准确率不高，同时深度学习网络框架由于参数量大且效果不稳定，难以集成上软件进行实际使 用。基于分类器的方法首先会提取MA候选区，再对候选区进行特征建模与分 类。Orlando等首先采用背景估计法提取MA候选区，然后对候选区提取纹理特征、灰度特征、体特征和深度特征，然后送入分类器进行分类；Dasht采用LCF 滤波器提取微血管瘤候选区，并将滤波响应值与传统特征融合，共同作为训练 分类器所需要的特征。这些方法并未针对MA本身特性进行分析，因此依然存在准确率不高、鲁棒性不强的特点。因此，目前基于计算机图像处理技术的微血 管瘤检测方法还存在着鲁棒性不高、检测准确率不高、难以集成使用等问题。

发明内容

本发明所要解决的技术问题就是提供一种眼底图像微血管瘤的检测方法，能 够较为精确的检测出眼底图像上的微血管瘤，排除血管、背景噪声等干扰结 构，有利于医生发现微血管瘤所在位置，进而给出诊断和治疗，防止患者病变 加深。

为了解决上述技术问题，达到上述目的，本发明所采用的技术方案如下所 述。

一种眼底图像微血管瘤检测方法，包括如下步骤：

步骤1：输入眼底图像，提取包含微血管瘤信息的待检测图像，对待检测图 像进行小目标去除，得到模糊糖网图像，再对待处理图像与模糊糖网图像反复 进行测地膨胀，得到糖网背景图像，转入步骤2；

步骤2：将糖网背景图像与待处理图像相减，并通过归一化与特定灰度分 割，得到微血管瘤候选区模板图，转入步骤3；

步骤3：对微血管瘤候选区模板图进行连通域分析，计算各连通域的面积以 及中心坐标，以各中心坐标为图像中心从输入眼底图像的绿色通道提取一定大 小的图像片，并使用对应的连通域面积进行筛选，去除连通域面积较少和较大 对应的图像片，得到微血管瘤候选区图像，转入步骤4；

步骤4：利用步骤3中的微血管瘤候选区图像，设计手工特征提取器，提取 手工特征，得到最终的特征向量，转入步骤5；

步骤5：将步骤4中的各候选区的特征向量和对应的类别标签送入分类器进 行训练，并利用训练好的模型对测试时的微血管瘤候选区域特征向量进行分 类，判断每一个候选区域的类别，最终输出微血管瘤在眼底图像上的中心坐 标。

上述技术方案中，步骤1中具体有以下几个步骤：