本發(fā)明涉及視網(wǎng)膜血管分割技術(shù)，特別是一種多特征融合的有監(jiān)督視網(wǎng)膜血管提取方法。

背景技術(shù)：

眼底視網(wǎng)膜血管網(wǎng)絡(luò)具有錯(cuò)綜復(fù)雜的多層次組織結(jié)構(gòu)，諸多眼科和心血管疾病的病變可以直接反映在視網(wǎng)膜血管網(wǎng)絡(luò)結(jié)構(gòu)的變化上。雖然血管網(wǎng)絡(luò)與背景有一定的區(qū)別，但血管的亮度隨著血管的延伸在逐漸變化，特別是血管的末梢與背景的對(duì)比度較低，難以完全分割。因此，視網(wǎng)膜血管分割技術(shù)一直是眼底圖像分析領(lǐng)域的熱點(diǎn)和難點(diǎn)。然而視網(wǎng)膜血管數(shù)量、分支、角度、寬度等信息均可作為與視網(wǎng)膜血管相關(guān)疾病的診斷依據(jù)，這為利用數(shù)字圖像處理技術(shù)提取視網(wǎng)膜血管結(jié)構(gòu)、定性和定量分析判斷患者病情以及研究病理提供了基礎(chǔ)。然而目前眼科醫(yī)生基本上是采用手動(dòng)方式對(duì)視網(wǎng)膜病變進(jìn)行定量分析，主觀性強(qiáng)，無(wú)法保證準(zhǔn)確性和一致性。

目前視網(wǎng)膜血管分割方法多種，如基于匹配濾波、血管檢測(cè)、形態(tài)學(xué)、形變模型和機(jī)器學(xué)習(xí)的血管分割方法等。現(xiàn)有的視網(wǎng)膜血管分割方法主要存在分割出的微血管易離散、連續(xù)性較差、敏感度偏低、準(zhǔn)確率不高以及不能有效地提取血管信息等缺陷。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)現(xiàn)有視網(wǎng)膜血管分割方法的不足，提供一種多特征融合的有監(jiān)督視網(wǎng)膜血管提取方法，解決了現(xiàn)有模型分割出的微血管易離散、敏感度偏低，不能最大限度地提取血管信息等問(wèn)題。

一種多特征融合的有監(jiān)督視網(wǎng)膜血管提取方法，包括以下四個(gè)步驟：

步驟1，視網(wǎng)膜血管圖像預(yù)處理：以獲取眼底圖像的綠色通道視網(wǎng)膜圖像作為預(yù)處理對(duì)象；首先，以半徑為r的圓形內(nèi)核腐蝕掩模圖像對(duì)眼底圖像進(jìn)行邊緣拓展；其次，采用雙邊濾波降噪，其中像素鄰域直徑為d，顏色空間為d×2，坐標(biāo)空間為d/2；最后，將濾波后的圖像灰度拉伸到[0-255]，使得血管增強(qiáng)圖像背景更加均勻，以保證血管與背景區(qū)域的特征區(qū)分度最大；

步驟2，視網(wǎng)膜血管圖像特征提?。阂刖€性特征、紋理特征、矩特征、方差特征、灰度特征，以及采用多尺寸、形態(tài)學(xué)、高斯濾波等圖像處理技術(shù)度量視網(wǎng)膜血管和背景的差異，對(duì)圖像中每個(gè)像素點(diǎn)提取34個(gè)特征，這里表示為{fi},i＝1,2,…,34；每個(gè)特征的獲取方法具體如下：

①線性特征：首先對(duì)預(yù)處理圖像反轉(zhuǎn)得到irev，對(duì)反轉(zhuǎn)圖像irev作冒頂變換得到去除了視盤和黃斑的圖像itop；然后對(duì)圖像itop中的每一個(gè)像素點(diǎn)，計(jì)算尺寸為w×w像素區(qū)域的平均灰度值其計(jì)算公式為

其中i(x,y)為窗口中點(diǎn)(x,y)的像素值；

每一個(gè)像素點(diǎn)從水平方向開始，以15°為間隔，共有12條不同方向經(jīng)過(guò)該點(diǎn)的直線，記為計(jì)算出這12條曲線的平均灰度值，灰度值最大的一條定義為“獲勝直線”，計(jì)算獲勝曲線的灰度值即

再減去窗口為w×w中的圖像均值即為該點(diǎn)的血管特征即其中w＝(l+1)/2，通過(guò)改變檢測(cè)直線l的長(zhǎng)度，可以得到不同尺度下的線性特征；檢測(cè)線長(zhǎng)度分別取l＝{3,5,7,9,11}，共提取5個(gè)線性特征，即f1,f2,f3,f4,f5；

②紋理特征：引入局部二值模式(localbinarypattern，lbp)紋理特征描述視網(wǎng)膜圖像的局部特征；在提取紋理特征前首先采用三種不同尺寸因子σ＝{2/6,4/6,6/6}的高斯模板對(duì)血管增強(qiáng)圖像進(jìn)行濾波，然后采用像素大小為3×3和5×5的滑動(dòng)窗口進(jìn)行檢測(cè)；若鄰域點(diǎn)灰度值減去中心點(diǎn)灰度不小于2，則此點(diǎn)取值為1，反之為0；由此產(chǎn)生8位二進(jìn)制數(shù)，取其最小值作為特征值；這樣每個(gè)像素點(diǎn)的特征提取共有3×2種組合，總計(jì)為6個(gè)特征f6,f7,f8,f9,f10,f11，且具有尺寸不變性和旋轉(zhuǎn)不變性；

這里視網(wǎng)膜圖像中每一個(gè)像素點(diǎn)(xc,yc)的局部二值模式(lbp)算子定義為

其中(xc,yc)為中心像素坐標(biāo)，p為中心像素鄰域的第p個(gè)像素，ip為鄰域像素灰度值，ic為中心像素灰度值，i(ip-ic)為示值函數(shù)，其定義為

③矩特征：選取haar特征中垂直矩特征、水平矩特征和對(duì)角矩特征三種矩形框去檢測(cè)視網(wǎng)膜血管結(jié)構(gòu)；

在提取矩特征前先采用三種不同尺寸因子σ的高斯模板對(duì)血管增強(qiáng)圖像進(jìn)行濾波，同時(shí)矩特征提取的滑動(dòng)窗口尺寸w＝{5,7,9}，因此每個(gè)像素點(diǎn)的特征提取共有3×3種組合，總計(jì)9個(gè)特征f12,f13,…,f20；這樣可取得具有尺寸不變性的垂直矩特征與水平矩特征及具有尺寸不變性與旋轉(zhuǎn)不變性的對(duì)角矩特征；這里矩特征h的計(jì)算公式為

即每個(gè)像素的矩特征h為haar算子中白色區(qū)域所有像素灰度值之和減去黑色區(qū)域所有像素灰度值之和；

同樣，當(dāng)滑動(dòng)窗口遍歷完整個(gè)圖像域后便完成了視網(wǎng)膜圖像的特征提?。?/p>

④方差特征：采用三種不同尺寸因子σ＝{2/6,4/6,6/6}的高斯模板對(duì)血管增強(qiáng)圖像進(jìn)行濾波，并分別計(jì)算滑動(dòng)窗口尺寸大小為w＝{3,5,7}的像素局部方差，使每個(gè)像素點(diǎn)獲得具有尺寸不變性的9個(gè)特征f21,f22,…,f29；

這里對(duì)于像素尺寸為w×w的矩形區(qū)域，視網(wǎng)膜增強(qiáng)圖像igau的局部方差var(ix,y)計(jì)算特征為：

其中為尺寸長(zhǎng)度為w區(qū)域內(nèi)的第p個(gè)像素值，是指尺寸長(zhǎng)度為w區(qū)域內(nèi)的平均像素值，計(jì)算公式為：

⑤灰度特征：對(duì)血管增強(qiáng)圖像進(jìn)行反轉(zhuǎn)和冒頂變換，獲得特征f30；然后采用尺寸因子σ＝{2/6,6/6}高斯模板對(duì)冒頂變換后的圖像濾波及全閾值分割，若為血管則灰度值不變，反之灰度值變?yōu)?，以此獲得灰度特征f31,f32；采用尺寸因子σ＝{6/6}高斯模板對(duì)反轉(zhuǎn)圖像濾波及冒頂變換，得到特征f33；對(duì)特征f33采用尺寸因子σ＝{9/6}高斯模板濾波得到特征f34；

之后，對(duì)提取的視網(wǎng)膜血管特征f1,f2,…,f34進(jìn)行歸一化處理，其數(shù)值轉(zhuǎn)化到區(qū)間[0,1]；

步驟3，隨機(jī)森林分類器訓(xùn)練：①選取訓(xùn)練集：以像素點(diǎn)為最小隨機(jī)選取單位，隨機(jī)選取視網(wǎng)膜圖像中一定數(shù)量的像素點(diǎn)作為樣本集；②采樣隨機(jī)樹：對(duì)樣本集采用bootstrap采樣得到樣本子集θk，作為訓(xùn)練每棵分類決策樹t(x,θk)的訓(xùn)練集，設(shè)定隨機(jī)森林規(guī)模為k；③生成決策樹：每棵隨機(jī)樹按照信息增益原則進(jìn)行樣本屬性劃分；決策樹盡最大程度生長(zhǎng)，若樣本數(shù)少于一定規(guī)?；蛘邩渖钜堰_(dá)到一定程度，分裂節(jié)點(diǎn)樣本還未純凈，那么停止生長(zhǎng)；生成完成后決策樹不剪枝；④集成分類器：生成的k棵決策樹以相對(duì)多數(shù)投票準(zhǔn)則結(jié)合，獲得票數(shù)最多的類作為最終輸出，由此得到有監(jiān)督下的隨機(jī)森林分類器；

步驟4，視網(wǎng)膜血管圖像后處理：由于病灶和偽影的紋理特征與haar特征類似于血管特征，隨機(jī)森林算法的提取結(jié)果往往包含大量病灶和偽影；為此，引入血管圖像后處理，在保證血管提取敏感度的同時(shí)，降低特異性，提高血管分割精度；具體做法如下：

①根據(jù)設(shè)定的灰度值閾值劃分背景區(qū)域與血管區(qū)域，排除由黃斑和視盤中心灰度值過(guò)高所導(dǎo)致的血管圖像誤分割，進(jìn)一步增強(qiáng)血管信息；

②以連通域面積area和寬w、高h(yuǎn)為基礎(chǔ)評(píng)價(jià)指標(biāo)，通過(guò)運(yùn)算定義不同的幾何形態(tài)學(xué)算子用以區(qū)分血管、病灶和偽影，以獲得高準(zhǔn)確率的視網(wǎng)膜血管分割圖像。

本發(fā)明在drive和stare眼底圖像數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)驗(yàn)證，敏感度分別為0.8354和0.8452，準(zhǔn)確率分別為94.82％和95.34％，總體指標(biāo)優(yōu)于已有的視網(wǎng)膜血管圖像分割方法。同時(shí)克服了在相鄰血管處、血管交叉處和微血管處其它方法的不足，使分割出的血管結(jié)構(gòu)較為接近金標(biāo)準(zhǔn)和血管真實(shí)尺寸值。

附圖說(shuō)明

圖1為本發(fā)明的流程示意圖。

圖2為實(shí)施例中經(jīng)預(yù)處理后獲得的血管增強(qiáng)圖像示意圖；其中：(a)視網(wǎng)膜原始圖像；(b)視網(wǎng)膜綠色通道圖像；(c)視網(wǎng)膜血管增強(qiáng)圖像；(d)視網(wǎng)膜原始圖像局部細(xì)節(jié)；(d)視網(wǎng)膜血管增強(qiáng)圖像局部細(xì)節(jié)。

圖3為本發(fā)明實(shí)施例中健康視網(wǎng)膜圖像與病變視網(wǎng)膜圖像血管提取效果示意圖；其中：(a)健康視網(wǎng)膜圖像；(b)健康視網(wǎng)膜特征提取結(jié)果；(c)健康視網(wǎng)膜后處理結(jié)果；(d)病變視網(wǎng)膜圖像；(e)病變視網(wǎng)膜特征提取結(jié)果；(f)病變視網(wǎng)膜后處理結(jié)果。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例，進(jìn)一步闡述本發(fā)明。

實(shí)驗(yàn)說(shuō)明：本發(fā)明的應(yīng)用所涉及實(shí)施例數(shù)據(jù)來(lái)自于stare數(shù)據(jù)庫(kù)。stare數(shù)據(jù)庫(kù)各有10幅有病變和沒(méi)病變的眼底圖像，圖像尺寸為605×700像素。其次訓(xùn)練隨機(jī)森林模型時(shí)每幅視網(wǎng)膜圖像隨機(jī)抽取血管樣本3000個(gè)像素點(diǎn)和非血管(背景)樣本7000個(gè)像素點(diǎn)，共計(jì)200000個(gè)像素點(diǎn)作為訓(xùn)練樣本

本實(shí)施例包括四個(gè)步驟：視網(wǎng)膜血管圖像預(yù)處理、視網(wǎng)膜血管圖像特征提取、隨機(jī)森林分類器訓(xùn)練和視網(wǎng)膜血管圖像后處理，如圖1所示。

具體描述如下：

1、視網(wǎng)膜血管圖像預(yù)處理

本實(shí)施例以獲取眼底圖像的綠色通道視網(wǎng)膜圖像作為預(yù)處理對(duì)象。首先以半徑為3的圓形內(nèi)核腐蝕掩模圖像對(duì)眼底圖像進(jìn)行邊緣拓展。其次，為保證血管圖像邊緣像素質(zhì)量，采用雙邊濾波降噪，其中像素鄰域直徑為25，顏色空間為25×2，坐標(biāo)空間為25/2。最后，將濾波后的圖像灰度拉伸到[0-255]，使得血管增強(qiáng)圖像背景更加均勻，以保證血管與背景區(qū)域的特征區(qū)分度最大，如圖2所示。

2、視網(wǎng)膜血管圖像特征提取。引入線性特征、紋理特征、矩特征、方差特征、灰度特征，以及采用多尺寸、形態(tài)學(xué)、高斯濾波等圖像處理技術(shù)度量視網(wǎng)膜血管和背景的差異。對(duì)圖像的每個(gè)像素點(diǎn)提取34個(gè)特征，這里表示為{fi},i＝1,2,…,34。每個(gè)特征的獲取方法具體如下：

①線性特征：首先對(duì)增強(qiáng)后的圖像進(jìn)行反轉(zhuǎn)和冒頂變換，然后應(yīng)用線性檢測(cè)的方法獲取線性特征。本發(fā)明檢測(cè)線長(zhǎng)度分別取l＝{3,5,7,9,11}，共提取5個(gè)線性特征，即f1,f2,f3,f4,f5。定義沿著尺寸長(zhǎng)度為w的檢測(cè)線l對(duì)應(yīng)的平均灰度值為：

以15°為旋轉(zhuǎn)角，計(jì)算12個(gè)方向的取其最大值為獲勝檢測(cè)線，并減去窗口為w×w中的圖像均值即為該點(diǎn)的血管特征。當(dāng)滑動(dòng)窗口遍歷完整個(gè)圖像域，便完成檢測(cè)線尺寸為l下的特征提取。

②紋理特征：本發(fā)明引入局部二值模式紋理特征描述視網(wǎng)膜圖像的局部特征。在提取紋理特征前首先采用三種不同尺寸因子σ＝{2/6,4/6,6/6}的高斯模板對(duì)血管增強(qiáng)圖像進(jìn)行濾波，然后采用像素大小為3×3和5×5的滑動(dòng)窗口進(jìn)行檢測(cè)，若鄰域點(diǎn)灰度值減去中心點(diǎn)灰度不小于2，則此點(diǎn)取值為1，反之為0。由此產(chǎn)生8位二進(jìn)制數(shù)，取其最小值作為特征值。這樣每個(gè)像素點(diǎn)的特征提取共有3×2種組合總計(jì)6個(gè)特征f6,f7,.f8,f9,f10,f11，且具有尺寸不變性和旋轉(zhuǎn)不變性。

③矩特征：選取haar中垂直矩特征、水平矩特征和對(duì)角特征三種矩形框去檢測(cè)視網(wǎng)膜血管結(jié)構(gòu)。在提取矩特征前先采用三種不同尺寸因子σ＝{2/6,4/6,6/6}的高斯模板對(duì)血管增強(qiáng)圖像進(jìn)行濾波，同時(shí)矩特征提取的滑動(dòng)窗口尺寸w＝{5,7,9}，因此每個(gè)像素點(diǎn)的特征提取共有3×3種組合，總計(jì)9個(gè)特征f12,f13,f14,f15,f16,f17,f18,f19,f20。這樣可取得具有尺寸不變性的垂直矩特征、水平矩特征以及具有尺寸不變性與旋轉(zhuǎn)不變性的對(duì)角矩特征。同樣，當(dāng)滑動(dòng)窗口遍歷完整個(gè)圖像域后便完成了視網(wǎng)膜圖像的特征提取。

④方差特征：采用三種不同尺寸因子σ＝{2/6,4/6,6/6}的高斯模板對(duì)血管增強(qiáng)圖像進(jìn)行濾波，并分別計(jì)算滑動(dòng)窗口尺寸大小為w＝{3,5,7}的像素局部方差，使每個(gè)像素點(diǎn)獲得具有尺寸不變性的9個(gè)特征f21,f22,f23,f24,f25,f26,f27,f28,f29。

⑤灰度特征：對(duì)血管增強(qiáng)圖像進(jìn)行反轉(zhuǎn)和冒頂變換，獲得特征f30；然后采用尺寸因子σ＝{2/6,6/6}高斯模板對(duì)冒頂變換后的圖像濾波及全閾值分割，若為血管則灰度值不變，反之灰度值變?yōu)?，以此獲得灰度特征f31,f32；采用尺寸因子σ＝{6/6}高斯模板對(duì)反轉(zhuǎn)圖像濾波及冒頂變換，得到特征f33；對(duì)特征f33采用尺寸因子σ＝{9/6}高斯模板濾波得到特征f34。特征f31,f32,f33,f34主要是為了描述視網(wǎng)膜的大尺寸血管，同時(shí)抑制噪聲特征的產(chǎn)生，提高后期基于隨機(jī)森林算法訓(xùn)練的血管分類器的抗噪性。

此外，對(duì)提取的視網(wǎng)膜血管特征f1,f2,…,f34進(jìn)行歸一化處理，其數(shù)值轉(zhuǎn)化到區(qū)間[0,1]。

3、隨機(jī)森林分類器訓(xùn)練。①選取訓(xùn)練集：以像素點(diǎn)為最小隨機(jī)選取單位，隨機(jī)選取視網(wǎng)膜圖像中一定數(shù)量的像素點(diǎn)作為樣本集。②采樣隨機(jī)樹：對(duì)樣本集采用bootstrap采樣得到樣本子集θk，作為訓(xùn)練每棵分類決策樹t(x,θk)的訓(xùn)練集，設(shè)定隨機(jī)森林規(guī)模為100。③生成決策樹：每棵隨機(jī)樹按照信息增益原則進(jìn)行樣本屬性劃分。決策樹盡最大程度生長(zhǎng)，若樣本數(shù)少于50或者樹深已達(dá)到20，待分裂節(jié)點(diǎn)樣本尚未純凈，則停止生長(zhǎng)。生成完成后決策樹不剪枝。④集成分類器：生成的100棵決策樹以相對(duì)多數(shù)投票準(zhǔn)則結(jié)合，獲得票數(shù)最多的類作為最終輸出，由此得到有監(jiān)督下的隨機(jī)森林分類器。

4、視網(wǎng)膜血管圖像后處理。由于病灶和偽影的紋理特征與haar特征類似于血管特征，隨機(jī)森林算法的提取結(jié)果往往包含大量病灶和偽影。為此，引入血管圖像后處理，在保證血管提取敏感度的同時(shí)，降低特異性，提高血管分割精度。具體做法如下：

①以190為灰度值閾值劃分背景區(qū)域與血管區(qū)域，排除由黃斑和視盤中心灰度值過(guò)高所導(dǎo)致的血管圖像誤分割，進(jìn)一步增強(qiáng)血管信息。

②以連通域面積area和寬w、高h(yuǎn)信息為基礎(chǔ)評(píng)價(jià)指標(biāo)，通過(guò)運(yùn)算定義不同的幾何形態(tài)學(xué)算子以移除偽影和病灶，提高視網(wǎng)膜血管的分割精度，如圖3所示。本實(shí)施例幾何算子定義如下：

(1)0.4<w/h<2.5；

(2)w×h<3.5area；

(3)area<30。