[发明专利]一种多低级特征融合的视网膜血管分割方法

说明书

本发明提出了一种多低级特征融合的视网膜血管分割方法，包括：S1.获取原始眼底图像集，分别提取若干低级特征图像；S2.将若干低级特征图像堆栈在一起，形成包含背景和血管特征的特征向量；S3.获取人工标注好的眼底图像集，与特征向量一起作为训练视网膜血管分割模型的输入，完成模型的训练；S4.将待分割的眼底图像经过上述S1、S2的处理后，输入训练好的视网膜血管分割模型，得到仅包含血管和背景的分割图像。本发明充分考虑了视网膜血管图像特性的多个低级特征，可以有效地保留丰富的视网膜血管特征，分类准确度高。不依赖大量的样本数据训练，解决了眼底图像中小样本实际情况对基于深度学习方法造成的学习样本较少、效果较差的问题。

技术领域

本发明涉及医学影像技术领域，尤其涉及一种多低级特征融合的视网膜血管分割方法。

背景技术

视网膜血管是人体血管的一部分，通过观察其网络结构或者血管形态的改变，如直径、角度、分支形态等，可诊断出许多眼科和心血管疾病，如青光眼、糖尿病、视网膜病变、高血压、动脉硬化等。眼底图像的计算机辅助诊断(CAD)不仅可以简化糖尿病人群的大规模筛查，而且可以使临床医生有效地利用时间。因此，眼底彩色图像中视网膜血管结构的自动检测与提取具有重要意义。在眼底图像中，视网膜血管网络错综复杂，血管的亮度随着血管的延伸而变化，使得分割具有挑战性。目前主要存在两类眼底图像的血管分割方法：一类方法是非监督学习方法，通过提取并融合彩色眼底图像的图像特征，这种方法并不能准确判断哪些特征有效；另一类方法是监督学习，由于基于深度学习的血管分割模型对数据集的依赖性较强，而且现目前缺乏视网膜血管大数据集，使这类方法的分割效果不佳。

现有技术中，有利用多特征融合和神经网络分类器来进行视网膜血管分割的研究(“基于多特征融合和随机森林的视网膜血管分割，朱承璋、崔锦恺、邹北骥、陈瑶、王俊，《计算机辅助设计与图形学学报，2017年4月，第29卷第4期》”)，其主要思路为：分别提取一定数量像素点的多维特征向量，构造特征矩阵输入随机森林算法训练好的分类器，进行血管分割。其存在的问题主要如下：1、以基础像素点为中心进行半径内的图像处理和特征提取，这样可能导致对图像整体的处理有重复或遗漏部分，浪费算力且效率较低；2、多维特征的选定稍有欠缺，大部分为本领域常用的特征，因此其实现的分割效果也有限；3、其连通域的后处理方法较为复杂，这正是由于其分类结果存在较多噪声导致的。

发明内容

本发明的目的是针对现有视网膜血管分割方法的不足，提供一种基于多种低级图像特征融合的视网膜血管分割方法，避免对大量数据的依赖，在小样本的情况下仍然可以提供较高的视网膜血管分割准确率，并且减少对基础硬件的算力占用。

为了实现以上发明目的，本发明提供的技术方案为：

一种多低级特征融合的视网膜血管分割方法，包括步骤：

步骤S1.获取原始眼底图像集，分别提取若干低级特征图像；

步骤S2.将所述若干低级特征图像堆栈在一起，形成包含背景和血管特征的特征向量；

步骤S3.获取人工标注好的眼底图像集，与所述特征向量一起作为训练视网膜血管分割模型的输入，完成模型的训练；

步骤S4.将待分割的眼底图像经过上述步骤S1、S2的处理后，输入训练好的视网膜血管分割模型，得到仅包含血管和背景的分割图像。

在一些较优的实施例中，还包括：

步骤S5.对步骤S4得到的分割图像进行后处理，去除图像噪声，得到最终的视网膜血管分割图像。

在一些较优的实施例中，步骤S1所述提取若干低级特征图像包括提取颜色特征图像；所述颜色特征图像包括：

RGB颜色空间中的绿色通道特征图F_Green；HSV色彩空间中的红色和橙色掩模图F_HSV。