视网膜微动脉瘤自动检测方法及成像方法技术

本发明专利技术公开了一种视网膜微动脉瘤自动检测方法，包括获取原始视网膜彩色眼底图像并标记；提取通道分量和感兴趣区域；对图像数据进行图像处理得到训练数据集；以U形网络为基本架构构建视网膜微动脉瘤初步识别模型；采用训练数据集训练识别模型得到最终的视网膜微动脉瘤识别模型；采用视网膜微动脉瘤识别模型对实时获取的视网膜彩色眼底图像进行识别检测。本发明专利技术还公开了一种包括所述视网膜微动脉瘤自动检测方法的成像方法。本发明专利技术采用卷积神经网络和注意力引导滤波器训练得到深度学习模型，可以自动提取特征，相比于传统方法，省去了复杂的人工特征设计和提取过程，具有速度快、准确率高的优势，而且可靠性高、实用性好、适用范围广且易于实施。范围广且易于实施。范围广且易于实施。

【技术实现步骤摘要】
视网膜微动脉瘤自动检测方法及成像方法


[0001]本专利技术属于图像处理领域，具体涉及一种视网膜微动脉瘤自动检测方法及成像方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，人们对于健康的关注也越来越高。视网膜图像能够较好的反映眼底的状态，是人们了解自身眼睛状态的重要检查依据。目前，随着人们对于健康的关注度越来越高，视网膜图像在医学上的需求和应用也越来越广泛。
[0003]视网膜图像中，微动脉瘤是某些病变的早期重要指示标志。因此，对于视网膜微动脉瘤的检测和识别，就成为了视网膜图像检测的研究方向之一。
[0004]视网膜微动脉瘤的检测和识别，一般采用的是专业医护人员人工识别的方式。但是，这种方式对医生的水平和经验提出了较高的要求；而且由于微动脉瘤的尺寸非常小、颜色对比度较低，加之在眼底上分布较为随机，使得人工检测的过程繁琐且耗时，而且可靠性不高。
[0005]目前，基于机器学习的方法已经逐步应用，但是传统的基于机器学习的检测方法，需要繁琐的预处理，如血管去除、视盘去除等，后续还涉及候选微动脉瘤提取、手动设计、提取特征等复杂过程，使得该类方法的普适性不高，而且方法本身也存在可靠性差和流程复杂的缺陷。

技术实现思路

[0006]本专利技术的目的之一在于提供一种可靠性高、实用性好、适用范围广且易于实施的视网膜微动脉瘤自动检测方法。
[0007]本专利技术的目的之二在于提供一种包括了所述视网膜微动脉瘤自动检测方法的成像方法。
[0008]本专利技术提供的这种视网膜微动脉瘤自动检测方法，包括如下步骤：
[0009]S1.获取原始视网膜彩色眼底图像，并进行标记；
[0010]S2.针对步骤S1获取并标记的原始视网膜彩色眼底图像，提取通道分量和感兴趣区域；
[0011]S3.对步骤S2获取的图像数据进行图像处理，从而得到训练数据集；
[0012]S4.以U形网络为基本架构，构建视网膜微动脉瘤初步识别模型；
[0013]S5.采用步骤S3得到的训练数据集，对步骤S4构建的视网膜微动脉瘤初步识别模型进行训练，从而得到最终的视网膜微动脉瘤识别模型；
[0014]S6.采用步骤S5得到的视网膜微动脉瘤识别模型，对实时获取的视网膜彩色眼底图像进行识别检测，完成视网膜微动脉瘤的自动检测。
[0015]步骤S2所述的提取通道分量和感兴趣区域，具体为采用如下步骤提取通道分量和感兴趣区域：
[0016]A.提取原始视网膜彩色眼底图像绿色通道眼底图像；
[0017]B.采用最大类间阈值分割法来自适应的计算出最佳阈值T，从而提取得到感兴趣区域：
[0018][0019]式中g(x,y)为经阈值分割处理后的图像；f(x,y)为原图像；在g＝w0×
w1×
(u0‑
u1)2取最大值时，对应的T取值为最佳阈值，w0为前景像素点数占整幅图像的比例，w1为背景像素点数占整幅图像的比例，u0为前景平均灰度，u1为背景平均灰度。
[0020]步骤S3所述的对步骤S2获取的图像数据进行图像处理，从而得到训练数据集，具体为采用如下步骤得到训练数据集：
[0021]a.采用限制对比度自适应直方图均衡化技术对图像进行处理：
[0022][0023]式中S为对比度；N为局部子区域内总像素数目；M为图像的最大灰度值；Hist(i)为局部块内的直方图；直方图为离散函数h(r
k
)＝n
k
，r
k
为第k级灰度值，n
k
为图像中灰度为r
k
的像素数目；
[0024]b.采用双立方插值技术统一图像尺寸：
[0025][0026]式中F(i',j')为插值后对应坐标的值；F(i,j)为原图中坐标点(i,j)的值；i和j为像素点坐标；m和n为偏移量；R(x)为插值表达式且
[0027]c.采用高斯滤波对图像进行平滑处理：
[0028][0029]式中G(x,y)为经过高斯滤波处理后的图像；σ为标准偏差，用于表示高斯函数的有效范围；
[0030]d.对图像数据集进行数据增广操作。
[0031]所述的数据增广操作，具体包括垂直镜像、水平镜像、随机翻转和亮度变化。
[0032]步骤S4所述的以U形网络为基本架构，构建视网膜微动脉瘤初步识别模型，具体为采用如下步骤构建视网膜微动脉瘤初步识别模型：
[0033]模型包括编码器和解码器；
[0034]编码器包括四个经典结构，每一个经典结构均包括三个不同大小的平行卷积核，卷积核大小分别为3
×
3、5
×
5和7
×
7；卷积核进行特征提取；四个经典结构均用于采样，且每次下采样时特征图的通道数加倍，特征图的大小减半；
[0035]解码器包括四个经典结构，每一个经典结构均包括三个不同大小的平行卷积核，卷积核大小分别为3
×
3、5
×
5和7
×
7；
[0036]编码器提取到的低层特征和解码器提取到的高层特征级联在一起；
[0037]引入注意力引导滤波器，将从低层特征提取到的结构信息转移到高层特征图中。
[0038]所述的注意力引导滤波器用于恢复空间信息，从不同分辨率层级图像合并结构信息；注意力引导滤波器的输入包括一个引导特征图I和一个滤波器特征图O，输出为一个高分辨率特征图注意力引导滤波器首先对引导特征图I进行下采样得到低分辨率特征图I
l
，I
l
的大小和滤波器特征图一样；然后最小化I
l
和O之间的重建误差，得到注意力引导滤波器A
l
、B
l
的参数；接下来对A
l
、B
l
进行上采样，获得注意力引导滤波器A
h
、B
h
的参数，最终得到注意力引导滤波器的高分辨率输出图像。
[0039]步骤S5所述的训练，具体为训练过程中采用权重交叉熵损失：
[0040][0041]式中N为训练样本数；w为权重；r
n
为标签分割图中的某一像素的金标准；p
n
为预测像素的概率值；1
‑
p
n
为背景像素图的概率值。
[0042]本专利技术还提供了一种包括了所述视网膜微动脉瘤自动检测方法的成像方法，还包括如下步骤：
[0043]S7.根据步骤S6得到的识别检测结果，在实时获取的视网膜彩色眼底图像上，对微动脉瘤进行标记和成像。
[0044]本专利技术提供的这种视网膜微动脉瘤自动检测方法及成像方法，采用卷积神经网络和注意力引导滤波器训练得到深度学习模型，可以自动从海量数据中提取特征，相比于传统方法，省去了复杂的人工特征设计、提取过程，具有速度快、准确率高的优势，而且可靠性高、实用性好、适本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视网膜微动脉瘤自动检测方法，包括如下步骤：S1.获取原始视网膜彩色眼底图像，并进行标记；S2.针对步骤S1获取并标记的原始视网膜彩色眼底图像，提取通道分量和感兴趣区域；S3.对步骤S2获取的图像数据进行图像处理，从而得到训练数据集；S4.以U形网络为基本架构，构建视网膜微动脉瘤初步识别模型；S5.采用步骤S3得到的训练数据集，对步骤S4构建的视网膜微动脉瘤初步识别模型进行训练，从而得到最终的视网膜微动脉瘤识别模型；S6.采用步骤S5得到的视网膜微动脉瘤识别模型，对实时获取的视网膜彩色眼底图像进行识别检测，完成视网膜微动脉瘤的自动检测。2.根据权利要求1所述的视网膜微动脉瘤自动检测方法，其特征在于步骤S2所述的提取通道分量和感兴趣区域，具体为采用如下步骤提取通道分量和感兴趣区域：A.提取原始视网膜彩色眼底图像的绿色通道眼底图像；B.采用最大类间阈值分割法来自适应的计算出最佳阈值T，从而提取得到感兴趣区域：式中g(x,y)为经阈值分割处理后的图像；f(x,y)为原图像；在g＝w0×
w1×
(u0‑
u1)2取最大值时，对应的T取值为最佳阈值，w0为前景像素点数占整幅图像的比例，w1为背景像素点数占整幅图像的比例，u0为前景平均灰度，u1为背景平均灰度。3.根据权利要求2所述的视网膜微动脉瘤自动检测方法，其特征在于步骤S3所述的对步骤S2获取的图像数据进行图像处理，从而得到训练数据集，具体为采用如下步骤得到训练数据集：a.采用限制对比度自适应直方图均衡化技术对图像进行处理：式中S为对比度；N为局部子区域内总像素数目；M为图像的最大灰度值；Hist(i)为局部块内的直方图；直方图为离散函数h(r
k
)＝n
k
，r
k
为第k级灰度值，n
k
为图像中灰度为r
k
的像素数目；b.采用双立方插值技术统一图像尺寸：式中F(i',j')为插值后对应坐标的值；F(i,j)为原图中坐标点(i,j)的值；i和j为像素点坐标；m和n为偏移量；R(x)为插值表达式且
c.采用高斯滤波对图像进行平滑处理：式中G(x,y)为经过高斯滤波处理后的图像；σ为标准偏差，用于表示高斯函数的有效范围；d.对图像数据集进行数据增广操作。4.根据权利要求3所述的视网膜微动脉瘤自动检测方法，其特征在于所述的数据增广操作，具体包括垂直镜像、水平镜像、随机翻转和亮度变化。5.根据权...

【专利技术属性】
技术研发人员：邹北骥，单希，杜婧瑜，程真真，杨璐璐，
申请(专利权)人：中南大学，
类型：发明
国别省市：