CN103544686B - 基于相位一致性的眼底图像微动脉瘤检测方法 - Google Patents

Abstract

本发明涉及一种基于相位一致性的眼底图像微动脉瘤(MA)的检测方法，该方法首先提取彩色眼底图像的绿色通道；其次，基于相位一致性模型提取特征点，并结合阈值分割和面积滤波方法获取微动脉瘤候选者；最后通过构建灰度剖面图的方法去除图像中血管等无关信息，从而筛选出真正的微动脉瘤。本发明充分利用相位一致性模型的优势，对图像亮度和对比度不敏感，不需要对原始图像进行增强处理，鲁棒性好；通过与灰度剖面图结合的方法去除血管等无关信息，不涉及分类识别，大大减少了算法的复杂度，节省了运行时间，能够高效自动地检测出彩色眼底图像中的微动脉瘤。

Description

基于相位一致性的眼底图像微动脉瘤检测方法

技术领域

本发明涉及一种基于相位一致性的眼底图像微动脉瘤检测方法，该方法对于不同图像质量的眼底图像均可准确地检测出眼底微动脉瘤，属于图像处理技术领域，可应用于医学诊断。

背景技术

医学图像处理与分析一直都是图像处理与分析领域中研究的重点和热点问题。借助图形图像技术的有力手段，医学图像的质量和显示方法得到了极大的改善，使得诊疗水平大大提高。图像处理技术引入眼科已多年，通过眼底图像的计算分析，对视盘、视网膜血管、微动脉瘤以及黄斑中央凹等重要眼底组织进行定量测量，在正常和异常之间做出明确鉴别，能及早、准确地发现各种眼部病变和全身性疾病，如糖尿病、高血压、动脉硬化等。

随着人们生活水平的提高，人口老龄化以及肥胖率的增加，糖尿病(DiabetesMellitus，DM)的发病率呈逐年上升趋势。糖尿病视网膜病变(Diabetic Retinopathy，DR)是糖尿病的严重并发症之一，也是引起视觉障碍和失明的主要原因之。因此开展糖尿病视网膜病变的筛查可以显著提高视网膜病变的检出率，预防其可能造成的不可逆的视觉损害，进而对糖尿病进行早期干预。微动脉瘤(Microaneurysm，MA)是最早出现在视网膜图像中的一种糖尿病视网膜病变，呈红色或暗红色，位于黄斑区附近，其直径一般不超过125μm。MA是由于视网膜循环障碍血液淤滞，组织缺氧使毛细血管变薄、扩张所致，是糖尿病早期常见的可靠症状。如果能够准确地检测出MA，就能对糖尿病做到及早的诊断与治疗，抑制病情的发展。因此，该病灶的自动检测对于建立基于眼底图像的DR自动筛查系统尤为关键。

由于眼底图像对比度低、光照不均匀，MA目标小，因此实现MA高效检测成为一个复杂且具有挑战性的课题。针对眼底MA的自动检测，国外许多学者对此提出了相关算法，而国内相关研究的报道甚少。目前的研究方法主要分为三大类：数学形态学方法、分类器方法、滤波器方法。现有方法虽然在一定条件下实现了MA的自动检测，但存在误检率高、漏检率高、运算复杂等问题。其根本原因是这些方法主要是利用梯度信息来描述图像，由于梯度信息会随着图像的对比度和亮度的改变而改变，对图像中的噪声非常敏感，故而这类方法对图像质量要求较高。由于眼底图像光照不均、对比度弱及MA本身尺寸小等因素，基于梯度信息的处理方法很难排除大量的非MA点，而进一步基于区域特征信息的分类往往会增加系统的复杂性。因此对于具有复杂背景的眼底图像，基于梯度信息的处理方法难以达到理想的检测效果。而相位信息对亮度和对比度具有不变性，抗噪性能好，符合人类视觉感知特性，对于图像的描述至关重要。目前相位一致性(Phase Congruency，PC)已经成功地应用于纹理分割、边缘检测、图像去噪等，并取得了很好的效果。它定位准确，包含了丰富的纹理信息、边缘和结构信息，对图像亮度、对比度的变化不敏感，通用性好，这些优良特性使其非常适用于特征变化较大的医学图像。

发明内容

本发明的目的是克服上述现有技术的不足，提供一种不受图像亮度、对比度的影响，能够准确检测眼底图像MA的方法，即基于相位一致性的检测方法。相位信息对图像亮度和对比度不敏感，因此不需要对原始图像进行增强处理，只需对图像尺寸进行规范化处理后提取彩色眼底图像的绿色通道。然后采用相位一致性模型提取MA候选者；最后通过构建灰度剖面图去除图像中血管片段等无关信息，从而筛选出真正的微动脉瘤。为此，本发明采用如下的技术方案。

一种基于相位一致性的眼底图像微动脉瘤的检测方法，包括下列步骤：

1.获取一幅彩色眼底图像，采用双线性插值的方法对眼底图像尺寸进行规范化处理；

2.对彩色眼底图像提取绿色通道；

3.采用相位一致性模型提取图像特征点；

4.对相位一致性处理后的眼底图像进行阈值分割；

5.采用面积滤波将图像中非目标的大结构(血管和其他病变残留部分)和小结构(噪声)去除，最终得到MA候选者；

6.构建灰度剖面图剔除非MA目标，从而筛选出真正的MA。

本发明具有如下的技术效果：

1.方法简单，易于实施。本发明采用相位一致性模型与灰度剖面图相结合的方法进行眼底微动脉瘤的自动检测，不涉及训练分类，算法简单，计算量小，且不需要高精度的仪器设备，方法简单实用。

2.准确性高。本发明检测过程中，通过对微动脉瘤自身特征的研究设计相位一致性中滤波器的各参数。对MA候选者构建灰度剖面图曲线，提取峰高、峰宽、峰顶宽等五个特征值，根据已知的MA特性，筛选出真正的MA。基于相位一致性与灰度剖面图相结合的方法，能够去除大部分的非目标结构，降低了误检率，提高了正确率。

3.对于对比度低、图像质量较差的眼底图像可准确地检测出眼底MA，对于区分正常眼底和病变眼底具有良好的效果。

附图说明

图1：本发明的方法流程图。

图2：原始彩色眼底图像。

图3：绿色通道眼底图像。

图4：相位一致性处理结果。

图5：对图4去除边界后的结果

图6：阈值分割结果。

图7：面积滤波结果。

图8：MA候选者结果。

图9：峰值检测的四个特殊点示意图。

图10：对图2的MA检测结果。

图11：本发明的最终检测结果。

具体实施方式

本发明的流程图如图1所示，该方法首先采用双线性插值对图像尺寸进行规范化处理并提取彩色眼底图像的绿色通道；其次，基于相位一致性模型提取特征点，结合阈值分割和面积滤波方法获取MA候选者；最后通过构建灰度剖面图的方法去除图像中血管等无关信息，筛选出真正的MA。下面结合附图，对本发明技术方案的具体实施过程加以说明。

1.彩色眼底图像预处理

1.1首先取一幅待检测原始图像(如图2)。

1.2由于采集的图像可能具有不同的分辨率，实际使用时，为了保存图像质量，采用双线性插值对原始图像进行适当压缩，即实际处理图像的分辨率为768×579。

1.3提取原始图像的绿色通道，如图3所示。在彩色眼底图像的绿色通道中眼底结构清晰，目标突出，微动脉瘤是孤立的、近似圆形的暗斑点。

2.基于相位一致性模型提取眼底MA候选者

对预处理后的眼底图像，基于相位一致性模型提取特征点，并选取合适的阈值进行分割，最后通过面积滤波将图像中非目标的大结构(血管和其他病变残留部分)和小结构(噪声)去除，从而获取MA候选者。

2.1相位一致性(Phase Congruency，PC)定义是：其度量在[0，1]中取值，无量纲，不受图像亮度和对比度影响。式中A_n为第n次谐波余弦分量的幅值，函数φ_n(x)表示傅立叶级数项在x点处的局部相位，为所在点的所有傅立叶项平均局部相位。这样，找到相位一致性函数最大值的点，就相当于找到了局部相位变化最小的点。

2.2将相位一致性从一维扩展到二维，公式如下：

其中o表示方向；n表示小波函数的尺度；表示其中的值为正则取值不变，若为其他值则取0；ε为小的正常数，防止上式的分母为0；T为所有尺度上滤波器对噪声的响应。PC(x，y)表示在点(x，y)的相位一致性(这里取o＝8，n＝5，ε＝0.0001)。

2.3对图3进行相位一致性处理，处理结果如图4所示(由于PC处理后的图像灰度值较低，为了更明显地展示PC的检测结果，图4进行了增强显示)。

2.4在使用相位一致性计算之后，需要进行一次图像掩模操作来消除图像的边界部分，以避免对后续处理造成干扰，效果如图5所示。

2.5对图5进行阈值分割，选取图中最大灰度值的十分之一作为阈值，分割结果如图6所示。

2.6在此基础上进行面积滤波，将图像中非目标的大结构(血管和其他病变残留部分)和小结构(噪声)去除，最终得到MA候选者(如图7)。

3.基于灰度剖面图的MA筛选

将所得的MA候选者叠加到绿色通道图像上(如图8)，可以发现，大部分的MA候选者位于血管上，这是因为血管残留部分，尤其是血管交叉的部分与MA的亮度、形状近似，易造成误检。但由病理知识可知，MA一般不会出现在主血管上，基于此可以滤除伪目标，筛选出真正的MA。因此根据MA候选者在原图像中的特点，采用构建灰度剖面图的方法剔除非MA目标。

3.1对于MA候选者对应的像素点(x，y)，在原图像上以该点为中心取其W×W(其中W＝2L-1)的邻域(这里采用W＝15，L＝8)，在每个邻域窗口中设置8个扫描方向(0°，22°，45°，66°，90°，111°，135°，156°)进行线扫描，每条扫描线上的所有像素点的灰度值构成一个一维灰度剖面图曲线，用P表示(其中P[v]表示第v个像素的灰度值，v＝1，2，...，W)，所有方向的扫描线形成一组灰度剖面图。由于血管结构、背景和MA区域的灰度剖面图具有不同的特点，MA在所有扫描方向上均表现为明显的高斯状波峰，根据此特征可滤除伪MA。

3.2在得到一系列灰度剖面图后，对于每一条曲线进行峰值检测，确定曲线的四个点，如图9所示，分别为单调上升部分的起点inc_s和终点inc_e，以及单调下降部分的起点dec_s和终点dec_e。然后通过这四个点来计算波峰的5个特征，分别为：

(1)峰宽：w_peak(i)＝dec_e(i)-inc_s(i)；

(2)峰顶宽：w_top(i)＝dec_s(i)-inc_e(i)；

(3)坡道平均高度：Rheights(i)＝[h_inc(i)+h_dec(i)]/2，其中h_inc(i)＝P[inc_e(i)]-P[inc_s(i)]表示上坡道高度，h_dec(i)＝P[dec_s(i)]-P[dec_e(i)]为下坡道高度；

(4)坡道平均斜率：Rslopes(i)＝[S_inc(i)+S_dec(i)]/2，其中S_inc(i)＝h_inc(i)/|inc_e(i)-inc_s(i)|表示上坡道斜率，S_dec(i)＝h_dec(i)/|dec_c(i)-dec_s(i)|为下坡道斜率；

(5)峰高：

其中i＝0，1，2，...，7代表8个扫描方向。在得到所有曲线的5个特征值后，利用下式计算候选目标得分，排除伪MA。

其中，是h_peak的最小值，μ_Rslopes表示Rslopes的期望，是w_peak的方差，类似地，σ_Rheight、σ_Rslopes和分别是w_top、Rheights、Rslopes和h_peak的方差。

当Score在[20，30]范围内时，认为是真正的MA，否则为伪目标并予以剔除，MA筛选结果如图10所示。对比图8，可以发现通过该方法可滤除绝大部分伪目标。

图11即为采用本发明方法对图2的处理结果，方框内的白点为检测到的MA。

本发明所采用的基于相位一致性模型与构建灰度剖面图相结合的方法，实现了眼底图像微动脉瘤的自动检测，充分利用了相位一致性对亮度、对比度变化不敏感等优势，能够完整地、准确地检测出彩色眼底图像中的微动脉瘤。

Claims (2)

1.一种基于相位一致性的眼底图像微动脉瘤检测方法，包括下列步骤：

步骤1：获取一幅彩色眼底图像，采用双线性插值的方法对眼底图像进行规范化处理；

步骤2：对所述眼底图像提取绿色通道，并作为预处理后的图像进行后续处理；

步骤3：对预处理后的所述眼底图像，基于相位一致性模型提取图像特征点；

步骤4：对相位一致性处理后的所述眼底图像进行阈值分割；

步骤5：采用面积滤波将所述眼底图像中非目标结构的大结构和小结构去除，得到微动脉瘤候选者；其中所述大结构是指血管和其他病变残留部分，所述小结构是指噪声；

步骤6：对每一个微动脉瘤候选者，在原图像上取其邻域构建灰度剖面图，在每个邻域窗口中设置8个扫描方向进行线扫描，每条扫描线上的所有像素点的灰度值构成一个一维灰度剖面图曲线，计算曲线波峰的峰宽、峰顶宽、坡道平均高度、坡道平均斜率、峰高，在得到所有曲线的5个特征值后，利用下式计算候选目标得分，去除非微动脉瘤目标，从而筛选出真正的微动脉瘤点；

$Score=\frac{M_{h_{peak}}\×{\mathrm{\μ}}_{Rslopes}}{1+{\mathrm{\σ}}_{w_{peak}}+{\mathrm{\σ}}_{w_{top}}+{\mathrm{\σ}}_{Rslopes}+{\mathrm{\σ}}_{Rheights}+{\mathrm{\σ}}_{h_{peak}}}$

其中，是h_peak的最小值，μ_Rslopes表示Rslopes的期望，是w_peak的方差，类似地，σ_Rheight、σ_Rslopes和分别是w_top、Rheights、Rslopes和h_peak的方差；Rslopes表示曲线波峰的坡道平均斜率，w_peak表示曲线波峰的峰宽，w_top表示曲线波峰的峰顶宽，Rheights表示曲线波峰的坡道平均高度，h_peak表示曲线波峰的峰高。

2.根据权利要求1所述的眼底图像微动脉瘤检测方法，其特征在于，步骤3中基于相位一致性模型提取图像特征点，点(x,y)的相位一致性模型为

其中，o表示方向；n表示小波函数的尺度；表示其中的值为正则取值不变，若为其他值则取0；ε为小的正常数，防止上式的分母为0；T为所有尺度上滤波器对噪声的响应，这里取o＝8，n＝5，ε＝0.0001。