CN104809480B - 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 - Google Patents

一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 Download PDF

Info

Publication number
CN104809480B
CN104809480B CN201510262249.4A CN201510262249A CN104809480B CN 104809480 B CN104809480 B CN 104809480B CN 201510262249 A CN201510262249 A CN 201510262249A CN 104809480 B CN104809480 B CN 104809480B
Authority
CN
China
Prior art keywords
eye fundus
pixel
fundus image
dimension
gaussian
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
Application number
CN201510262249.4A
Other languages
English (en)
Other versions
CN104809480A (zh
Inventor
邹北骥
朱承璋
崔锦恺
向遥
李暄
张思剑
陈奇林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201510262249.4A priority Critical patent/CN104809480B/zh
Publication of CN104809480A publication Critical patent/CN104809480A/zh
Application granted granted Critical
Publication of CN104809480B publication Critical patent/CN104809480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，该方法为眼底图中的每个像素点构造一个包括局部特征、形态学特征和像素的向量场散度特征在内的36维特征向量，用以判定其是否为血管上的像素。分类计算时，以分类回归树作为弱分类器对样本集分类，然后对AdaBoost分类器进行训练得到强分类器，并由此完成各个像素点的分类判定，得到最后的分割结果。该方法对血管主干部分提取较好，对于高亮度病灶区的处理很有优势，适合进行后期处理，为主要血管的病变提供了直观结果，适用于眼底图像的计算机辅助定量分析和疾病诊断，对相关疾病的辅助诊断有明显临床意义。

Description

一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割 方法
技术领域
本发明涉及一种眼底图像视网膜血管分割方法，一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法。
背景技术
彩色眼底图是利用眼底照相机对眼球内壁进行不同角度拍摄而成的图像。眼底图能尽早发现各种眼部病变，如青光眼、视神经炎、黄斑病变等，方便及时有效的治疗。此外，视网膜血管是人体全身血管中唯一可以无创直接观察到的血管，它的形状、管径、尺度、分支角度是否有变化，以及是否有增生、渗出，均可反应全身血管的病变，如动脉硬化、高血压、糖尿病、肾病等患者的视网膜微血管均会有病变的表现。因此，眼底图也可以作为全身健康状况的辅助诊断方式，视网膜彩色眼底图中血管的检测提取，对于与之相关各种疾病的辅助诊断、辅助治疗和后期观察都具有重要的临床医学意义。
国内外许多学者从事这一领域工作，并取得了一定成就。目前视网膜血管分割的方法大致可分为如下几类：基于模式识别的方法，基于匹配滤波器的方法，基于血管跟踪的方法，基于数学形态学的方法，多尺度方法，基于模型的方法。其中研究较多，分割效果较好的是采用监督学习的模式分类方法。例如，Niemeijer等提取RGB图像每个像素的绿色分量灰度值，并对其用高斯匹配滤波以及高斯一阶二阶导的结果作为特征向量进行分割。Staal等提出一种基于脊线的血管分割方法。Soares等用二维Gabor小波和高斯混合模型分类器对血管进行分割，每个像素点的特征向量由该点灰度值和多尺度的二维Gabor小波变换组成。Ricci等用支持向量机来进行血管分割。Osareh等使用多层神经网络分类器对眼底图血管点进行分类，且开始用主成份分析来提取特征。Lupascu等研究了AdaBoost分类器，采用41个特征向量，包含前所未有的丰富的血管细节信息。Fraz等用基于Bagging的监督学习方法得到血管分类结果。单独使用匹配滤波方法或者数学形态学方法时也都不能很好地对病变眼底图像进行血管分割，通常与其他方法结合使用。基于血管跟踪的分割方法能够精确地测量血管的宽度和方向，但是一次只能跟踪一根血管，且遇到血管分支点或交叉点时容易出现跟踪错误。另外，初始种子点的选取也是血管跟踪方法的难题之一。基于模型的分割方法是所有方法中唯一能够很好地处理病变眼底图像的方法，其通过建立不同的模型能够将血管、背景和病变区分开来，但也存在精确度问题。
由于是在医疗行业中的应用，因此对算法实现提取的血管结构的精确度和特异性要求比较高。基于学习的视网膜血管分割方法是所有方法中准确率最高的方法，但是现有的方法对背景非常不均匀的眼底图像尤其是带病变的眼底图像效果不好，并且准确率不高。
发明内容
针对现有算法的不足，本发明提出了一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，采用AdaBoost自适应迭代算法，血管提取精度高。
一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，包括以下步骤：
步骤1：对训练集中已知标定结果的眼底图像的每个像素点进行36维特征向量的提取；
所述36维特征向量包括29维局部特征、6维形态学特征以及1维散度特征；
其中，所述29维局部特征依次包括1维灰度值特征、24维高斯尺度空间滤波特征、4维Y方向二阶高斯导数特征；
所述1维灰度值特征是眼底图像中每个像素点在绿色通道上的灰度值；
所述24维高斯尺度空间滤波特征是对眼底图像在4个不同尺度进行二维高斯滤波、二维高斯滤波的一阶偏导以及二维高斯滤波的二阶偏导值；
所述4维Y方向二阶高斯导数特征是先对眼底图像在X方向上的一维高斯滤波得到X方向一维滤波图像，再对X方向一维高斯滤波图像求解在Y方向上的二阶高斯导数得到的4个特征；
其中，所述X方向上的一维高斯滤波所用的高斯标准方差为3；所述Y方向上的二维高斯滤波所用的高斯标准方差的取值依次为
所述6维形态学特征是对眼底图像进行Bottom-Hat变换获得的6维特征；
所述1维散度特征是不同尺度的各个方向的向量场的散度的总和Feature：
其中，(x,y)表示眼底图像中像素点坐标，σ3为多尺度滤波器的滤波尺度，k为尺度参数，σ3＝k×0.4；k＝1,2......,10；θ是不同尺度中向量的方向，λ为方向参数，θ＝λπ/10；λ＝1,2......10；是利用多尺度滤波器对眼底图像进行滤波处理获得的滤波图像；
步骤2：采用CART树生成弱分类器，基于生成的弱分类器采用AdaBoost算法获得强分类器；
【所述强分类器将图像中的像素分为两类，一类为血管，另一类为背景；
所述CART树即为分类回归树；】
利用AdaBoost算法进行T次迭代，每次迭代用训练集中每幅已知标定结果的眼底图像的每个像素点的36维特征向量作为分类依据，结合训练集的手工标记分类结果，用CART二叉树分类，选取错分率最低的特征向量所对应的阈值生成二叉树的结点，构造的二叉树作为弱分类器；
第一次迭代过程中获得的弱分类器的的初始权重t＝1，m为训练样本像素点数，m取值为3倍的血管像素点数目，正负样本选取比例为1:2，正样本即血管点，负样本即背景点；
每次迭代过程中所需使用的错分率后一次迭代得到的弱分类器的权重Dt+1(i)与前一次迭代弱分类器的权重Dt(i)之间的关系为：
C表示权重参数，利用弱分类器对像素点进行分类得到的分类结果Ht(Zi)与该像素点的人工标记结果yi一致时，权重参数C＝0；否则，C＝1；yi的取值为1或者-1；
所述CART树的深度为2；
步骤3：利用AdaBoost算法得到的T个弱分类器线性组合成一个强分类器F(U)对待测试图像进行分类，提取测试图像中的血管结构；
F(U)∈{-1,1}，U表示对待分割图像中的像素点所提取的36维特征向量。
【1表示分割结果为血管点，-1表示分割结果为背景点。】
将步骤3获得的分割结果与掩膜进行与操作，得到与操作结果，对与操作结果图中去除小于20个像素点的区域，得到优化分割结果。
所述对眼底图像在4个不同尺度进行二维高斯滤波、二维高斯滤波的一阶偏导以及二维高斯滤波的二阶偏导值，分别按以下公式获得：
在4个不同尺度进行二维高斯滤波：
在4个不同尺度进行二维高斯滤波的一阶偏导：
在4个不同尺度进行二维高斯滤波的二阶偏导：
其中，σ是二维高斯滤波中使用的高斯标准方差，即滤波的尺度，在高斯尺度空间每次滤波都有4个尺度，σ取值分别为
所述Bottom-Hat变换是指在n个不同方向上对眼底图像进行底帽变换获得的特征，针对每个不同大小的结构元素在所有方向上的底帽变换结果叠加在一起，作为一个特征；其中，n个不同方向角度范围在0°-180°之间，底帽变换中结构元素的长度取值范围为3个像素到23个像素，每次增加4个像素。
有益效果
本发明提出了一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，该方法为眼底图中的每个像素点构造一个包括局部特征、形态学特征和像素的向量场散度特征在内的36维特征向量，用以判定其是否为血管上的像素。分类计算时，以分类回归树作为弱分类器对样本集分类，然后对AdaBoost分类器进行训练得到强分类器，并由此完成各个像素点的分类判定。结果经过后期处理去掉掩膜和小于阈值(20个像素点)的区域，得到最后的分割结果。基于国际公共数据库DRIVE的实验结果表明，该方法的平均精确度达到0.9618，且敏感度和特异性均优于已有的基于监督学习的方法，血管主干部分提取较好，对于高亮度病灶区的处理很有优势，适合进行后期处理，为主要血管的病变提供了直观结果，适用于眼底图像的计算机辅助定量分析和疾病诊断，对相关疾病的辅助诊断有明显临床意义。
附图说明
图1是本发明的流程图；
图2是实施例1应用本发明所述方法的结果图示，其中(a)为彩色眼底图，(b)为手动分割结果，(c)为本文分割结果，(d)ROC曲线；
图3是实施例2应用本发明所述方法的结果图示，其中(a)为彩色眼底图，(b)为手动分割结果，(c)为本文分割结果，(d)ROC曲线；
图4是实施例3应用本发明所述方法的结果图示，其中(a)为彩色眼底图，(b)为手动分割结果，(c)为本文分割结果，(d)ROC曲线。
具体实施方式
下面将结合附图和实施例对本发明作进一步的说明。
一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，如图1所示，包括以下步骤：
步骤1：对训练集中已知标定结果的眼底图像的每个像素点进行36维特征向量的提取；
所述36维特征向量包括29维局部特征、6维形态学特征以及1维散度特征；
其中，所述29维局部特征依次包括1维灰度值特征、24维高斯尺度空间滤波特征、4维Y方向二阶高斯导数特征；
所述1维灰度值特征是眼底图像中每个像素点在绿色通道上的灰度值；
所述24维高斯尺度空间滤波特征是对眼底图像在4个不同尺度进行二维高斯滤波、二维高斯滤波的一阶偏导以及二维高斯滤波的二阶偏导值；
所述4维Y方向二阶高斯导数特征是先对眼底图像在X方向上的一维高斯滤波得到X方向一维滤波图像，再对X方向一维高斯滤波图像求解在Y方向上的二阶高斯导数得到的4个特征；
其中，所述X方向上的一维高斯滤波所用的高斯标准方差为3；所述Y方向上的二维高斯滤波所用的高斯标准方差的取值依次为
所述6维形态学特征是对眼底图像进行Bottom-Hat变换获得的6维特征；
所述1维散度特征是不同尺度的各个方向的向量场的散度的总和Feature：
其中，(x,y)表示眼底图像中像素点坐标，σ3为多尺度滤波器的滤波尺度，k为尺度参数，σ3＝k×0.4；k＝1,2......,10；θ是不同尺度中向量的方向，λ为方向参数，θ＝λπ/10；λ＝1,2......10；是利用多尺度滤波器对眼底图像进行滤波处理获得的滤波图像；
步骤2：采用CART树生成弱分类器，基于生成的弱分类器采用AdaBoost算法获得强分类器；
【所述强分类器将图像中的像素分为两类，一类为血管，另一类为背景；】
利用AdaBoost算法进行T次迭代，每次迭代用训练集中每幅已知标定结果的眼底图像的每个像素点的36维特征向量作为分类依据，结合训练集的手工标记分类结果，用CART二叉树分类，选取错分率最低的特征向量所对应的阈值生成二叉树的结点，构造的二叉树作为弱分类器；
第一次迭代过程中获得的弱分类器的的初始权重t＝1，m为训练样本像素点数，m取值为3倍的血管像素点数目，正负样本选取比例为1:2，正样本即血管点，负样本即背景点；
每次迭代过程中所需使用的错分率后一次迭代得到的弱分类器的权重Dt+1(i)与前一次迭代弱分类器的权重Dt(i)之间的关系为：
C表示权重参数，利用弱分类器对像素点进行分类得到的分类结果Ht(Zi)与该像素点的人工标记结果yi一致时，权重参数C＝0；否则，C＝1；yi的取值为1或者-1；
所述CART树的深度为2；
步骤3：利用AdaBoost算法得到的T个弱分类器线性组合成一个强分类器F(U)对待测试图像进行分类，提取测试图像中的血管结构；
F(U)∈{-1,1}，U表示对待分割图像中的像素点所提取的36维特征向量。
实施例1：
按照本文所述的方法对图2所示的图a进行分割处理，得到的人工标记结果和分割结果分别如图b和图c所示，得到的ROC曲线如图d所示；从图2中我们可以看到分割结果，和本文方法的ROC曲线(曲线与X坐标轴之间的面积可以评价分割算法的优劣，面积越大越好)，从曲线与x轴之间的面积AZ＝0.9838，可知本文的分割方法是准确可信的，而准确度达到0.9658,敏感度达到0.8358和特异性达到0.9820，更好地证明了本文的分割方法是准确可信的。
实施例2：
按照本文所述的方法对图3所示的图a进行分割处理，得到的人工标记结果和分割结果分别如图b和图c所示，得到的ROC曲线如图d所示；从图3中我们可以看到分割结果，和本文方法的ROC曲线(曲线与X坐标轴之间的面积可以评价分割算法的优劣，面积越大越好)，从曲线与x轴之间的面积AZ＝0.9802，可知本文的分割方法是准确可信的，而准确度达到0.9711,敏感度达到0.7578和特异性达到0.9914，更好地证明了本文的分割方法是准确可信的。
实施例3：
按照本文所述的方法对图4所示的图a进行分割处理，得到的人工标记结果和分割结果分别如图b和图c所示，得到的ROC曲线如图d所示；从图4中我们可以看到分割结果，和本文方法的ROC曲线(曲线与X坐标轴之间的面积可以评价分割算法的优劣，面积越大越好)，从曲线与x轴之间的面积AZ＝0.9514，可知本文的分割方法是准确可信的，而准确度达到0.9658,敏感度达到0.7011和特异性达到0.9747，更好地证明了本文的分割方法是准确可信的。
由图2-图4的数据可知，ROC曲线与x轴之间的面积都在0.9500以上，准确度在0.9500以上，特异性在0.9700以上，敏感度在0.7000以上，所有指标都有很高的水平，可知本文的分割方法是准确可信的。
图2-图4中Az表示曲线与x坐标轴之间的面积，可以评价分割算法的优劣，面积越大越好，横坐标false positive fraction表示假阳性率(错误命中率)，纵坐标truepositive fraction表示真阳性率(命中率)精确度Accuracy，敏感度Sensitivity，特异性Specificity。
用精确度(accuracy,Acc)，敏感度(sensitivity,Sn)，特异性(specificity,SP)这三个指标来衡量分割结果的好坏。精确度就是所有划分正确的像素点，敏感度就是正确划分的血管点的百分比，特异性就是正确划分的背景点的百分比。用以下四个变量来计算性能指标，分对的血管点(true positive，TP)，分对的背景点(true negative，TN)，分错的血管点(false positive，FP)，分错的背景点(false negative，FN)。各性能指标计算表达式为
ROC曲线可以描述算法的优劣，横坐标false positive fraction表示假阳性率 纵坐标true positive fraction表示真阳性率
采用本文方法对DRIVE数据库的测试集图片进行实验，根据以上提到的性能测试指标衡量，对测试集中所有20幅眼底图进行分割，实验数据参见表1，表1中给出了每张图片的分割时间，精确度(Acc)，敏感度(Sn)，特异性(Sp)从平均值可以看出本文方法的分割时间比较短，敏感度，特异性都比较高，本文方法的优异性能
表2给出了本文方法与各类基于学习的眼底图血管分割方法的性能比较，可以看出本文所提的方法所获得的精确度较高，各项性能指标也优于其他方法。
表1 本发明分割结果性能指标
表2 本发明与其他监督学习方法结果比较

Claims (3)

1.一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，其特征在于，包括以下步骤：
步骤1：对训练集中已知标定结果的眼底图像的每个像素点进行36维特征向量的提取；
所述36维特征向量包括29维局部特征、6维形态学特征以及1维散度特征；
其中，所述29维局部特征依次包括1维灰度值特征、24维高斯尺度空间滤波特征、4维Y方向二阶高斯导数特征；
所述1维灰度值特征是眼底图像中每个像素点在绿色通道上的灰度值；
所述24维高斯尺度空间滤波特征是对眼底图像在4个不同尺度进行二维高斯滤波、二维高斯滤波的一阶偏导以及二维高斯滤波的二阶偏导值；
所述4维Y方向二阶高斯导数特征是先对眼底图像在X方向上的一维高斯滤波得到X方向一维滤波图像，再对X方向一维高斯滤波图像求解在Y方向上的二阶高斯导数得到的4个特征；
其中，所述X方向上的一维高斯滤波所用的高斯标准方差为3；所述Y方向上的二维高斯滤波所用的高斯标准方差的取值依次为
所述6维形态学特征是对眼底图像进行Bottom-Hat变换获得的6维特征；
所述1维散度特征是不同尺度的各个方向的向量场的散度的总和Feature：
其中，(x,y)表示眼底图像中像素点坐标，σ3为多尺度滤波器的滤波尺度，k为尺度参数，σ3＝k×0.4；k＝1,2......,10；θ是不同尺度中向量的方向，λ为方向参数，θ＝λπ/10；λ＝1,2......10；是利用多尺度滤波器对眼底图像进行滤波处理获得的滤波图像；
步骤2：采用CART树生成弱分类器，基于生成的弱分类器采用AdaBoost算法获得强分类器；
利用AdaBoost算法进行T次迭代，每次迭代用训练集中每幅已知标定结果的眼底图像的每个像素点的36维特征向量作为分类依据，结合训练集的手工标记分类结果，用CART二叉树分类，选取错分率最低的特征向量所对应的阈值生成二叉树的结点，构造的二叉树作为弱分类器；
第一次迭代过程中获得的弱分类器的的初始权重t＝1，m为训练样本像素点数，m取值为3倍的血管像素点数目，正负样本选取比例为1:2，正样本即血管点，负样本即背景点；
每次迭代过程中所需使用的错分率后一次迭代得到的弱分类器的权重Dt+1(i)与前一次迭代弱分类器的权重Dt(i)之间的关系为：
C表示权重参数，利用弱分类器对像素点进行分类得到的分类结果Ht(Zi)与该像素点的人工标记结果yi一致时，权重参数C＝0；否则，C＝1；yi的取值为1或者-1；
其中，αt表示第t次迭代过程得到的弱分类器组合参数，yi表示第i个样本像素点的人工标记结果，Ht表示第t次迭代过程得到的弱分类器，Qt表示归一化因子，Zi为第i个训练样本像素点的36维特征向量，i＝1,…,m；
所述CART树的深度为2；
步骤3：利用AdaBoost算法得到的T个弱分类器线性组合成一个强分类器F(U)对待测试图像进行分类，提取测试图像中的血管结构；
F(U)∈{-1,1}，U表示对待分割图像中的像素点所提取的36维特征向量；
将步骤3获得的分割结果与掩膜进行与操作，得到与操作结果，对与操作结果图中去除小于20个像素点的区域，得到优化分割结果。
2.根据权利要求1所述的一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，其特征在于，所述对眼底图像在4个不同尺度进行二维高斯滤波、二维高斯滤波的一阶偏导以及二维高斯滤波的二阶偏导值，分别按以下公式获得：
在4个不同尺度进行二维高斯滤波：
在4个不同尺度进行二维高斯滤波的一阶偏导：
在4个不同尺度进行二维高斯滤波的二阶偏导：
其中，σ是二维高斯滤波中使用的高斯标准方差，即滤波的尺度，在高斯尺度空间每次滤波都有4个尺度，σ取值分别为
3.根据权利要求1-2任一项所述的一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，其特征在于，所述Bottom-Hat变换是指在n个不同方向上对眼底图像进行底帽变换获得的特征，针对每个不同大小的结构元素在所有方向上的底帽变换结果叠加在一起，作为一个特征；其中，n个不同方向角度范围在0°-180°之间，底帽变换中结构元素的长度取值范围为3个像素到23个像素，每次增加4个像素。
CN201510262249.4A 2015-05-21 2015-05-21 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 Active CN104809480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510262249.4A CN104809480B (zh) 2015-05-21 2015-05-21 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510262249.4A CN104809480B (zh) 2015-05-21 2015-05-21 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法

Publications (2)

Publication Number Publication Date
CN104809480A CN104809480A (zh) 2015-07-29
CN104809480B true CN104809480B (zh) 2018-06-19

Family

ID=53694291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510262249.4A Active CN104809480B (zh) 2015-05-21 2015-05-21 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法

Country Status (1)

Country Link
CN (1) CN104809480B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018001099A1 (zh) 2016-06-30 2018-01-04 上海联影医疗科技有限公司 一种血管提取方法与系统
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
CN106683080B (zh) * 2016-12-15 2019-09-27 广西师范大学 一种视网膜眼底图像预处理方法
CN106934816A (zh) * 2017-03-23 2017-07-07 中南大学 一种基于elm的眼底图像视网膜血管分割方法
CN107392918B (zh) * 2017-06-22 2020-08-11 苏州大学 基于随机森林与复合活性曲线的oct图像层分割方法
CN107993220B (zh) * 2017-11-14 2020-12-01 北京理工大学 X射线造影图像中血管结构的提取方法及装置
CN108364006B (zh) * 2018-01-17 2022-03-08 超凡影像科技股份有限公司 基于多模式深度学习的医学图像分类装置及其构建方法
CN110276763B (zh) * 2018-03-15 2021-05-11 中南大学 一种基于可信度和深度学习的视网膜血管分割图生成方法
CN109166124B (zh) * 2018-11-20 2021-12-14 中南大学 一种基于连通区域的视网膜血管形态量化方法
CN109598262A (zh) * 2019-02-11 2019-04-09 华侨大学 一种儿童人脸表情识别方法
CN110060258B (zh) * 2019-03-27 2021-05-04 山东师范大学 基于高斯混合模型聚类的视网膜sd-oct图像分割方法和装置
CN110163182A (zh) * 2019-05-30 2019-08-23 辽宁工业大学 一种基于kaze特征的手背静脉识别方法
CN111714080B (zh) * 2020-06-30 2021-03-23 重庆大学 一种基于眼动信息的疾病分类系统
CN112446418A (zh) * 2020-10-16 2021-03-05 上海鹰瞳医疗科技有限公司 一种眼底分类模型集成系统、方法、电子设备及介质
CN112541924B (zh) * 2020-12-08 2023-07-18 北京百度网讯科技有限公司 眼底图像生成方法、装置、设备以及存储介质
CN113781514A (zh) * 2021-09-14 2021-12-10 西南交通大学 一种多低级特征融合的视网膜血管分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012068408A1 (en) * 2010-11-17 2012-05-24 Optovue, Inc. 3d retinal disruptions detection using optical coherence tomography
CN102567734A (zh) * 2012-01-02 2012-07-11 西安电子科技大学 基于比值的视网膜细小血管分割方法
CN104573712A (zh) * 2014-12-31 2015-04-29 浙江大学 基于眼底图像的动静脉视网膜血管分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012068408A1 (en) * 2010-11-17 2012-05-24 Optovue, Inc. 3d retinal disruptions detection using optical coherence tomography
CN102567734A (zh) * 2012-01-02 2012-07-11 西安电子科技大学 基于比值的视网膜细小血管分割方法
CN104573712A (zh) * 2014-12-31 2015-04-29 浙江大学 基于眼底图像的动静脉视网膜血管分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于分类回归树和ＡｄａＢｏｏｓｔ的眼底图像视网膜血管分割;朱承璋等;《计算机辅助设计与图形学学报》;20140330;第26卷(第3期);第2页到第4页第1章到第2章 *
眼底图像血管分割方法研究与实现;高旭;《中国优秀硕士学位论文全文数据库》;20150315;第18-20页第3.2节 *

Also Published As

Publication number Publication date
CN104809480A (zh) 2015-07-29

Similar Documents

Publication Publication Date Title
CN104809480B (zh) 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法
Fang et al. Attention to lesion: Lesion-aware convolutional neural network for retinal optical coherence tomography image classification
Chetoui et al. Diabetic retinopathy detection using machine learning and texture features
Jiang et al. JointRCNN: a region-based convolutional neural network for optic disc and cup segmentation
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
CN106651827B (zh) 一种基于sift特征的眼底图像配准方法
Melinscak et al. Retinal Vessel Segmentation using Deep Neural Networks.
Tian et al. Multi-path convolutional neural network in fundus segmentation of blood vessels
Panda et al. New binary Hausdorff symmetry measure based seeded region growing for retinal vessel segmentation
Murthi et al. Enhancement of optic cup to disc ratio detection in glaucoma diagnosis
CN101667289B (zh) 基于nsct特征提取和监督分类的视网膜图像分割方法
CN106934816A (zh) 一种基于elm的眼底图像视网膜血管分割方法
CN102567734B (zh) 基于比值的视网膜细小血管分割方法
CN106340021A (zh) 血管提取方法
CN104394771A (zh) 超声图像处理
CN110097545A (zh) 基于深度学习的眼底图像生成方法
Fraz et al. Retinal image analysis aimed at extraction of vascular structure using linear discriminant classifier
CN111797900B (zh) 一种oct-a图像的动静脉分类方法及装置
Gour et al. Challenges for ocular disease identification in the era of artificial intelligence
Shojaeipour et al. Using image processing methods for diagnosis diabetic retinopathy
Aruchamy et al. Automated glaucoma screening in retinal fundus images
Liu et al. Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images
Singh et al. A review on retinal vessel segmentation and classification methods
Akram et al. Microaneurysm detection for early diagnosis of diabetic retinopathy
Vandarkuzhali et al. Detection of fovea region in retinal images using optimisation-based modified FCM and ARMD disease classification with SVM

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant