CN104318565B - 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 - Google Patents
基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 Download PDFInfo
- Publication number
- CN104318565B CN104318565B CN201410577845.7A CN201410577845A CN104318565B CN 104318565 B CN104318565 B CN 104318565B CN 201410577845 A CN201410577845 A CN 201410577845A CN 104318565 B CN104318565 B CN 104318565B
- Authority
- CN
- China
- Prior art keywords
- pixel
- blood vessel
- segmentation
- region
- distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Abstract
本发明公开了一种基于等梯度距离的双向区域增长的视网膜血管分割交互式方法,首先从眼底图像中分离出绿色通道,对绿色通道进行梯度计算,得到眼底图像的梯度图;同时,利用用户在图像上的标记数据,计算得到眼底图像感兴趣区域的距离图,将眼底图像的梯度图和距离图组合得到用来分割血管的等梯度距离图;并在此基础上对血管和背景进行双向区域增长,得到初步的血管分割结果,最后通过对区域增长结果进行基于中心线自适应和邻域自适应的边缘优化,得到最终的边缘平滑且宽度一致的局部血管分割结果。该方法可以加入医生的先验知识,保证血管分割的精确性,又能解决人工手动分割的效率问题,且具有很好的实时性。
Description
技术领域
本发明属于图像分割技术领域,涉及一种基于等梯度距离的双向区域增长的视网膜血管分割交互式方法。
背景技术
眼睛是人体接受外界信息的最主要器官,约80%左右的信息来源于视觉信息,眼睛的健康与否对人的学习、生活和工作的影响非常大,而眼底则是这个器官的重要组成部分。绝大多数眼科疾病都是由眼底视网膜病变引发的,所以眼科医生在临床诊断过程中非常重视眼底检查,以便正确判断疾病类型和发病原因。视网膜血管分割是眼底图像计算机辅助诊断领域中的关键技术,尤其在眼底疾病筛查方面占有重要地位,如果能通过计算机自动地将大多数健康的眼底图像过滤掉,将大大降低医生的阅片量,从而大幅度提高医生的工作效率,减少患者的等待时间。
从视觉角度上看,分割好的视网膜血管网络相比原始彩色眼底图像可以更好地为医生及科研人员提供直观、定性且清晰的形态信息;另外分割好的视网膜血管网络可以很容易的进行各种定量分析,为大多数眼病及一些全身性心血管疾病的诊断、治疗以及术后评估提供了重要的客观参考价值。
视网膜血管网络错综复杂,不同位置的血管直径大小不一,虽然宏观上看血管网络与背景区别较大,且灰度变化不明显,但实际上血管的亮度随着血管的延伸在缓慢变化,尤其是细血管与背景的对比度很低。另外,眼底图像背景的亮度也是非常不均匀的,视盘区域更加明亮,黄斑区域则呈现暗黄色,除此之外的其他背景区域也有亮度变化,如果是带病灶的眼底图像,背景则变得更加复杂。因此,视网膜血管分割技术一直是眼底图像分析领域的热点和难题,近二十年国内外研究者也先后提出了大量的视网膜血管分割方法。
视网膜血管自动分割方法一直是主流研究方向,这类方法一般是全局分割,对眼底图像的拍摄角度、背景亮度变化以及健康与否没有区别,所以对背景复杂的眼底图像鲁棒性较差。而且自动分割方法的好坏最终都需要人工验证,即必须有人工标记好的标准血管网络作为血管自动分割方法精确率高低或者算法好坏的客观评价标准。人工手动分割的标准血管网络通常是很精确的,但是手动分割工作费时费力,且专家在标记过程中容易受自身或外界环境的干扰而出现标记错误。因此,虽然眼底图像数据量一直在激增,而国际上公认的几个眼底图像标准库中的图片数量都很少,一般只有几十幅图像,这反过来就会影响血管自动分割算法验证的准确性。
现阶段的眼底图像血管分割算法中,自动分割算法精确率不够,已有的交互式分割算法,交互式方法对用户操作要求高,操作起来麻烦。
发明内容
本发明的目的是提出一种基于等梯度距离的双向区域增长的视网膜血管分割方法,只需要用户在感兴趣的血管区域进行血管和背景的标记,利用先验知识和用户体验好,分割效果精确,且分割时间短。
一种基于等梯度距离的双向区域增长的视网膜血管分割交互式方法,包括以下步骤:
步骤1:获取待分割的眼底图像;
步骤2:对眼底图像进行血管和背景标记得到标记图像,并从眼底图像中分离出绿色通道图像;
所述标记图像中,血管标记为“O”,背景标记为“B”,其他像素点记为“U”,得到血管标记区域O0和背景标记区域B0;
所述“U”类像素点是指无法确定是血管还是背景的点,在后续分割过程中进一步确定;
步骤3:按照梯度计算公式计算绿色通道图像中每个像素点的梯度,得到绿色通道图像对应的梯度图I1;
步骤4:计算标记图像中的每个像素点到与之最近的血管标记点之间的距离d,得到眼底图像的距离图I2;
步骤5:按照以下公式计算得到眼底图像对应的等梯度距离图Idis;
Idis=I1+wI2
其中,w表示距离图在等梯度距离图中所占的权重,取值范围是(0,1);
步骤6:利用等梯度距离图对眼底图像进行血管区域增长分割,得到血管区域分割图像;
具体过程如下:
(1)将步骤2中标记的“O”区域和“B”区域中的像素点同时作为种子点,统计“O”区域和“B”区域中每个像素点的四邻域“U”类像素点,记为NO和NB,分别找出NO和NB中d值最小的像素点:pOmin和pBmin;
(2)比较pOmin和pBmin对应的d值大小,如果d(pOmin)<d(pBmin),则将像素点pOmin加入“O”区域;否则,将像素点pBmin加入“B”区域;
(3)对于更新后的O区域和B区域,重复(1)中的增长过程,直到或者时停止,将最新的“O”区域作为血管区域分割图像。
不断以当前血管点和背景点为种子进行双向区域增长,直到区域内所有点都被标记为血管或者背景为止。
对血管区域分割图像进行边缘优化,具体过程如下:
(1)依据血管区域分割图像提取血管中心线centerline;
(2)基于4邻域原则计算血管区域分割图像中属于血管区域的各像素点p到血管中心线的距离d1;
(3)计算每个像素点p的优化标准值D(p):
其中,是表示表示p的8邻域点中第i个邻域点的像素值,i的取值范围为[1,8];
(4)找出D(p)值最大的血管像素点,将其剔除,同时找出D(p)值最小的背景像素点,将其修补成血管像素,即将需要修补点的像素值修补为血管像素值,直至距离中心线最近的背景像素点与距离中心线最远的血管像素点位于同一层,最终得到优化后的血管结果;
其中,所述血管像素点位于同一层是指血管像素与血管中心线距离相同则视为位于一层。
依据宽度一致性(即同一血管段的各个位置的宽度应该是相同的或者相差很小)来消除血管边缘的锯齿,去除和修补的过程同时遵循领域自适应原则;
【其中D(p)表示血管优化标准,其值越大,被剔除的可能性就越大,其值越小,被修补成血管的可能性就越大;】
对绿色通道图像进行高斯模糊处理后,并按照梯度公式计算高斯模糊处理后的梯度图像,其中,所使用的高斯滤波器的窗口大小为5×5,方差为0.5。
【运用高斯模糊处理,可以进一步去除眼底图像中的细小噪声,能得到分割效果更好的血管图像。】
有益效果
本发明提出了一种基于等梯度距离的双向区域增长的视网膜血管分割交互式方法。本发明使用交互式分割方法,在用户标记血管和背景的前提下,利用等梯度距离图进行双向区域增长,从而分割出眼底血管,最后利用血管宽度一致性对分割出的血管进行边缘优化,边缘优化的过程中遵循邻域自适应原则。交互式分割对算法实时性的要求很高,因此不适合采用算法复杂度高的分割算法,区域增长是图像分割领域最经典且简单的方法之一,符合交互式分割的基本要求。利用交互式分割方法,可以加入医生的先验知识,保证血管分割的精确性,又能解决人工手动分割的效率问题,且具有很好的实时性,尤其是能方便医生对眼底图像进行实时的定性和定量分析。
附图说明
图1是本发明的流程图;
图2是由高斯模糊之后得到的效果图,其中,(a)是眼底图像绿色通道原图,(b)是经过高斯模糊之后的效果图;
图3是由用户进行的交互式标记图,其中,白色线条是用户标记的前景(血管),黑色线条是由用户标记的背景;
图4是眼底图像梯度图的三维效果示意图;梯度越大的地方对应的曲面弯曲程度越大;
图5是由相应公式生成的等梯度距离图,其中,(a)是由眼底图像生成的梯度图,(b)是根据用户标记信息生成的距离图,(c)是由前面两幅图合成的等梯度距离图;
图6是双向区域增长示意图,(a)是原始图,(b)是对图(a)进行临域点标记的示意图,图(c)是对图(b)进行双向增长后的示意图,图(d)是对图(c)进行临域点标记的示意图,图(e)是对图(d)进行双向增长后的示意图,图(f)是对图(e)进行临域点标记的示意图,图(g)是对图(f)进行双向增长后的示意图,图(h)是对图(g)进行临域点标记的示意图,图(i)是对图(h)进行双向增长后的示意图;
其中,图中间区域的灰色点表示血管,黑色点表示背景,白色点表示待确定的点,斜线标记的点是血管的临域点,反斜线标记的点是背景点的临域点;
图7是对分割出来的血管进行边缘优化的计算过程,其中,(a)中白色区域中的黑色线条是血管的中心线,(b)是图(a)方框内每个像素点到中心线的距离图,图(c)是图(b)方框内每个像素点结合邻域自适应原则得出的最终优化标准值;
图8是血管边缘优化前后示意图及两者对比图,图(a)是边缘优化前的血管,图(b)是边缘优化后的血管;图(c)优化前后对比图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
本发明提出了一种基于等梯度距离的双向区域增长的视网膜血管分割交互式方法,包括:首先利用系统读入需要处理的图像,分离出图像的绿色通道,然后用户在图像上对感兴趣区域的血管和背景进行标记,利用前面的信息计算出图像的梯度和距离标记线条的距离图,利用梯度图和距离图组合成等梯度距离图,根据等梯度距离图进行分割血管,最后邻域自适应原则对分割出来的血管进行优化。
具体流程图如图1所示,先介绍每一步的实现细节。
1、利用系统读入需要处理的图像,然后利用简单的窗口大小为5×5,方差为0.5的高斯滤波器对图像的绿色同道进行轻度模糊,模糊前后的图像对比为图2(a)和图2(b),其中图2(a)是模糊前的图像,图2(b)是轻度高斯模糊之后的效果图。
2、用户对感兴趣区域的血管进行前景(血管)和背景标记,如图3所示,图3中的白色线条代表标记的背景点,黑色线条代表标记的前景点。
3、利用图2中模糊之后的图像进行梯度计算,得到如图5(a)所示,3维的梯度图像如图4所示,梯度越大的地方,弯曲程度越大。利用图3中用户标记的数据计算感兴趣区域内的距离图,如图5(b)所示,利用公式(1)计算得到最终的等梯度距离图
Idis=I1+wI2 公式(1)
其中I1表示眼底图像的梯度图,I2表示眼底图像的距离图,w(0<w<1)用来衡量梯度和距离之间的权重,Idis则是最后得到的等梯度距离图。
4、利用图6所示的方法进行双向区域增长,图6(a)是初始图像,其中灰色为前景种子点,黑色为背景种子点,图6(b)到图6(i)依次为四次迭代的搜索四邻域周边过程和对应的区域增长结果。图6(i)是最终结果,其中灰色点被标记为血管,黑色点被标记为背景。
5、利用前面分割出来的血管,首先进行血管中心线的提取,如图7(a)中的白色区域中的黑色线条所示,图7(b)所示是图像中所有点离中心线(即数字标号为0)最近的距离,基于血管宽度一致性以及邻域自适应原则,对分割出来的血管进行优化,优化结果对照如图8所示,其中图8(a)是优化前的血管,图8(b)是优化后的血管,图8(c)是优化前后的对比图,其中存在边缘优化前后两者重叠的共有部分,去除部分及修补部分。可以看出优化之后的血管去除了一定的噪声部分,对部分血管进行修补,优化之后的血管保证血管的宽度一致性,以及边缘的平滑性,符合真实血管的特性。
Claims (3)
1.一种基于等梯度距离的双向区域增长的视网膜血管分割交互式方法,其特征在于,包括以下步骤:
步骤1:获取待分割的眼底图像;
步骤2:对眼底图像进行血管和背景标记得到标记图像,并从眼底图像中分离出绿色通道图像;
所述标记图像中,血管标记为“O”,背景标记为“B”,其他像素点记为“U”,得到血管标记区域O0和背景标记区域B0;
步骤3:按照梯度计算公式计算绿色通道图像中每个像素点的梯度,得到绿色通道图像对应的梯度图I1;
步骤4:计算标记图像中的每个像素点到与之最近的血管标记点之间的距离d,得到眼底图像的距离图I2;
步骤5:按照以下公式计算得到眼底图像对应的等梯度距离图Idis;
Idis=I1+wI2
其中,w表示距离图在等梯度距离图中所占的权重,取值范围是(0,1);
步骤6:利用等梯度距离图对眼底图像进行血管区域增长分割,得到血管区域分割图像;
具体过程如下:
(1)将步骤2中标记的“O”区域和“B”区域中的像素点同时作为种子点,统计“O”区域和“B”区域中每个像素点的四邻域“U”类像素点,记为N0和NB,分别找出N0和NB中d值最小的像素点:p0min和pB min;
(2)比较p0min和pB min对应的d值大小,如果d(p0min)<d(pB min),则将像素点p0min加入“O”区域;否则,将像素点pB min加入“B”区域;
(3)对于更新后的O区域和B区域,重复(1)和(2)中的增长过程,直到或者时停止,将最新的“O”区域作为血管区域分割图像;
步骤7:对血管区域分割图像进行边缘优化。
2.根据权利要求1所述的基于等梯度距离的双向区域增长的视网膜血管分割交互式方法,其特征在于,对血管区域分割图像进行边缘优化,具体过程如下:
(a)依据血管区域分割图像提取血管中心线centerline;
(b)基于4邻域原则计算血管区域分割图像中属于血管区域的各像素点p到血管中心线的距离d1;
(c)计算每个像素点p的优化标准值D(p):
其中,8-conn表示像素p的8邻域,是表示p的8邻域点中第i个邻域点的像素值,i的取值范围为[1,8];
(d)找出D(p)值最大的血管像素点,将其剔除,同时找出D(p)值最小的背景像素点,将其修补成血管像素,即将需要修补点的像素值修补为血管像素值,直至距离中心线最近的背景像素点与距离中心线最远的血管像素点位于同一层,最终得到优化后的血管结果;
其中,所述血管像素点位于同一层是指血管像素与血管中心线距离相同则视为位于一层。
3.根据权利要求1所述的基于等梯度距离的双向区域增长的视网膜血管分割交互式方法,其特征在于,从眼底图像中分离出绿色通道图像后,对绿色通道图像进行高斯模糊处理,其中,所使用的高斯滤波器的窗口大小为5×5,方差为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410577845.7A CN104318565B (zh) | 2014-10-24 | 2014-10-24 | 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410577845.7A CN104318565B (zh) | 2014-10-24 | 2014-10-24 | 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318565A CN104318565A (zh) | 2015-01-28 |
CN104318565B true CN104318565B (zh) | 2017-04-19 |
Family
ID=52373791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410577845.7A Active CN104318565B (zh) | 2014-10-24 | 2014-10-24 | 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318565B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651846B (zh) * | 2016-12-20 | 2019-07-12 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
CN108230306A (zh) * | 2017-12-28 | 2018-06-29 | 中山大学 | 眼底彩照血管及动静脉的识别方法 |
CN109166117B (zh) * | 2018-08-31 | 2022-04-12 | 福州依影健康科技有限公司 | 一种眼底图像自动分析比对方法及一种存储设备 |
CN110599465B (zh) * | 2019-08-28 | 2022-07-26 | 上海联影智能医疗科技有限公司 | 图像定位方法、装置、计算机设备和存储介质 |
CN110599491B (zh) * | 2019-09-04 | 2024-04-12 | 腾讯医疗健康(深圳)有限公司 | 基于先验信息的眼部图像分割方法、装置、设备及介质 |
CN112700420A (zh) * | 2020-12-31 | 2021-04-23 | 中南大学 | 一种眼底图像补全、分类方法及系统 |
-
2014
- 2014-10-24 CN CN201410577845.7A patent/CN104318565B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104318565A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105513077B (zh) | 一种用于糖尿病性视网膜病变筛查的系统 | |
CN104318565B (zh) | 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 | |
CN109493954B (zh) | 一种基于类别判别定位的sd-oct图像视网膜病变检测系统 | |
CN101706843B (zh) | 一种乳腺cr图像交互式读片方法 | |
CN111951221B (zh) | 一种基于深度神经网络的肾小球细胞图像识别方法 | |
CN109345469A (zh) | 一种基于条件生成对抗网络的oct成像中散斑去噪方法 | |
CN104899876B (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
CN107369160A (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
CN106530283A (zh) | 一种基于svm的医疗图像血管识别方法 | |
CN102567734B (zh) | 基于比值的视网膜细小血管分割方法 | |
US11830193B2 (en) | Recognition method of intracranial vascular lesions based on transfer learning | |
WO2022105623A1 (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
CN107680110A (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN104574374B (zh) | 视网膜浆液性色素上皮层脱离的自动分割方法 | |
CN109215040A (zh) | 一种基于多尺度加权学习的乳腺肿瘤分割方法 | |
CN103544695A (zh) | 一种高效的基于博弈框架的医学图像分割方法 | |
CN112509075A (zh) | 基于智慧医疗的颅内血管病灶标记与三维显示方法 | |
CN109087310A (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
CN104915989B (zh) | 基于ct影像的血管三维分割方法 | |
CN109920002A (zh) | 基于三维随机森林模型的头影测量图像中特征点定位方法 | |
CN106384343A (zh) | 一种基于形态学处理的硬性渗出区域检测方法 | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
CN114170151A (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
CN106097283A (zh) | 一种基于人类视觉系统特性的多尺度x线图像增强方法 | |
CN112508873A (zh) | 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |