CN106355575A - 一种基于神经网络的监督学习型眼底血管提取方法 - Google Patents

一种基于神经网络的监督学习型眼底血管提取方法 Download PDF

Info

Publication number
CN106355575A
CN106355575A CN201610793720.7A CN201610793720A CN106355575A CN 106355575 A CN106355575 A CN 106355575A CN 201610793720 A CN201610793720 A CN 201610793720A CN 106355575 A CN106355575 A CN 106355575A
Authority
CN
China
Prior art keywords
blood vessel
optical fundus
fundus blood
feature
supervised learning
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.)
Pending
Application number
CN201610793720.7A
Other languages
English (en)
Inventor
盛斌
郑凌寒
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201610793720.7A priority Critical patent/CN106355575A/zh
Publication of CN106355575A publication Critical patent/CN106355575A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于神经网络的监督学习型眼底血管提取方法，该方法包括如下步骤：(1)建立眼底血管特征提取模型；(2)将待提取眼底血管的眼底图像输入至眼底血管特征提取模型进行特征量识别；(3)根据识别的特征量输出眼底血管图片。与现有技术相比，本发明眼底血管提取准确性高。

Description

一种基于神经网络的监督学习型眼底血管提取方法
技术领域
本发明涉及一种眼底血管提取，尤其是涉及一种基于神经网络的监督学习型眼底血管提取方法。
背景技术
眼部血管病变是一种常见的糖尿病并发症，我们的项目正是致力于处理眼底照片，提取血管特征，为进一步智能眼病检测作准备。
由于光照不均匀及病变区域影响，自动分割血管图片并不是一件容易的事情。现有的处理技术主要分为两类：
一、基于不同算子的方法。算子包括sobel算子、Laplacian算子等等，处理之后，人为设定阈值，选取血管像素。在该方法中，阈值的选取至关重要，却难以选择。
二、血管追踪法。通过确定血管边缘，确定血管轮廓，继而提取血管图片。
这些技术存在的问题主要包括：在血管中间光反射的部分检测效果差，在有分叉和交叠的部分检测效果差，使近的血管合并，使小的血管遗漏。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络的监督学习型眼底血管提取方法。
本发明的目的可以通过以下技术方案来实现：
一种基于神经网络的监督学习型眼底血管提取方法，该方法包括如下步骤：
(1)建立眼底血管特征提取模型；
(2)将待提取眼底血管的眼底图像输入至眼底血管特征提取模型进行特征量识别；
(3)根据识别的特征量输出眼底血管图片。
步骤(1)眼底血管特征提取模型为基于神经网络的监督学习型眼底血管特征提取模型。
步骤(1)具体为：首先将待训练的眼底图像进行绿色通道反转，获得眼底图像绿色通道，然后进行特征量提取，最后进行训练建立基于神经网络的监督学习型眼底血管特征提取模型。
步骤(2)对待提取眼底血管的眼底图像进行特征量识别具体为识别每个像素点的特征量；进而步骤(3)根据各个像素点识别的特征量确定该像素点是否为血管点，若是则绘制出来，最后所有为血管点的像素点形成眼底血管图片。
该方法在步骤(3)输出眼底血管图片后对眼底血管图片像素点正确度进行分析，若正确度大于设定值则完成眼底血管提取，否则重新执行步骤(1)。
与现有技术相比，本发明具有如下优点：
(1)本发明建立的眼底血管特征提取模型为基于神经网络的监督学习型眼底血管特征提取模型，模型识别精度高，准确率高，进而提高眼底血管提取的精确度；
(2)本发明的方法在眼底血管分叉和交叠的部分检测效果好。
附图说明
图1为基于神经网络的监督学习型眼底血管提取方法的流程框图。
图2为实施例采用本发明方法进行眼底血管提取的输出图片。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种基于神经网络的监督学习型眼底血管提取方法，该方法包括如下步骤：
步骤1：建立眼底血管特征提取模型；
步骤2：将待提取眼底血管的眼底图像输入至眼底血管特征提取模型进行特征量识别；
步骤3：根据识别的特征量输出眼底血管图片。
步骤1中眼底血管特征提取模型为基于神经网络的监督学习型眼底血管特征提取模型。该步骤具体为：首先将待训练的眼底图像进行绿色通道反转，获得眼底图像绿色通道，然后进行特征量提取，最后进行训练建立基于神经网络的监督学习型眼底血管特征提取模型。
步骤2对待提取眼底血管的眼底图像进行特征量识别具体为识别每个像素点的特征量；进而步骤3根据各个像素点识别的特征量确定该像素点是否为血管点，若是则绘制出来，最后所有为血管点的像素点形成眼底血管图片。
该方法在步骤3输出眼底血管图片后对眼底血管图片像素点正确度进行分析，若正确度大于设定值则完成眼底血管提取，否则重新执行步骤1。眼底血管图片像素点正确度分析包括positive像素点的正确率tpr，negative像素点的正确率tnr以及整个图片的检测正确率accu。
具体而言，特征量提取包括：
1)特征一提取：特征一的提取基于multi-scale line detector进行的。在视网膜图片的反向绿色通道上工作(此时，血管比周围更亮)；每个像素点位置，识别出一个15x15的窗口(因为对于DRIVE database的图片，血管宽度为7-8个像素)平均灰度是I(avg)；取12个方向(15°差值)的线段，长度都是L，穿过中心像素。计算每条线段平均灰度值，最大的称为winning line，它的值为I(L max)；取特征值RL＝I(L max)-I(avg)。在本算法中，取L依次为1，3，5，7，9，11，13，15，并进行计算。由此得到了第一个特征量。
2)特征2～5提取
特征2(x,y)＝特征1(x,y)-min 9x9{特征1(x,y)}，即用(x,y)点的特征1值减去以其为中心的9x9大小矩形框中的特征1最小值；
特征3(x,y)＝max 9x9{特征1(x,y)}-特征1(x,y)；
特征4(x,y)＝特征1(x,y)-mean 9x9{特征(x,y)}；
特征5(x,y)＝std 9x9{特征1(x,y)}。
进行神经网络训练：取20张图片，分别计算每个有效像素点的五个特征值，组成一个5维特征向量，由此可以得到一个4541206x5的标准输入矩阵，作为神经网络的输入。取相应图片的ground_truth，可以得到4541206x2的标准输出矩阵。经过多次实验，决定选取一层隐层，包含20个神经元，这样效果较好。因此，最终确定神经网络构造为[5 20 2]。经过50次训练，得到基于神经网络的监督学习型眼底血管特征提取模型。
在得到基于神经网络的监督学习型眼底血管特征提取模型之后，即可以开始实验，利用它们分割图片了输入为20测试图片，输出为黑白血管提取效果图。输出结果如图2所示，包括20张将待提取眼底血管的眼底图像以及对应的眼底血管图片，图中每一行上方为待提取眼底血管的眼底图像，下方为对应的眼底血管图片。对每个像素点进行正确度分析得到各个像素点的tpr、tnr和accu值，最后取平局得到平均值tprpj＝0.6814，tnrpj＝0.9850，accupj＝0.9460。可以看出，本发明的眼底血管提取方法准确度高。

Claims (5)

1.一种基于神经网络的监督学习型眼底血管提取方法，其特征在于，该方法包括如下步骤：
(1)建立眼底血管特征提取模型；
(2)将待提取眼底血管的眼底图像输入至眼底血管特征提取模型进行特征量识别；
(3)根据识别的特征量输出眼底血管图片。
2.根据权利要求1所述的一种基于神经网络的监督学习型眼底血管提取方法，其特征在于，步骤(1)眼底血管特征提取模型为基于神经网络的监督学习型眼底血管特征提取模型。
3.根据权利要求2所述的一种基于神经网络的监督学习型眼底血管提取方法，其特征在于，步骤(1)具体为：首先将待训练的眼底图像进行绿色通道反转，获得眼底图像绿色通道，然后进行特征量提取，最后进行训练建立基于神经网络的监督学习型眼底血管特征提取模型。
4.根据权利要求1所述的一种基于神经网络的监督学习型眼底血管提取方法，其特征在于，步骤(2)对待提取眼底血管的眼底图像进行特征量识别具体为识别每个像素点的特征量；进而步骤(3)根据各个像素点识别的特征量确定该像素点是否为血管点，若是则绘制出来，最后所有为血管点的像素点形成眼底血管图片。
5.根据权利要求1所述的一种基于神经网络的监督学习型眼底血管提取方法，其特征在于，该方法在步骤(3)输出眼底血管图片后对眼底血管图片像素点正确度进行分析，若正确度大于设定值则完成眼底血管提取，否则重新执行步骤(1)。
CN201610793720.7A 2016-08-31 2016-08-31 一种基于神经网络的监督学习型眼底血管提取方法 Pending CN106355575A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610793720.7A CN106355575A (zh) 2016-08-31 2016-08-31 一种基于神经网络的监督学习型眼底血管提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610793720.7A CN106355575A (zh) 2016-08-31 2016-08-31 一种基于神经网络的监督学习型眼底血管提取方法

Publications (1)

Publication Number Publication Date
CN106355575A true CN106355575A (zh) 2017-01-25

Family

ID=57856896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610793720.7A Pending CN106355575A (zh) 2016-08-31 2016-08-31 一种基于神经网络的监督学习型眼底血管提取方法

Country Status (1)

Country Link
CN (1) CN106355575A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107045720A (zh) * 2017-05-04 2017-08-15 深圳硅基智能科技有限公司 用于识别眼底图像病变的人工神经网络及系统
CN109064453A (zh) * 2018-07-12 2018-12-21 北京上工医信科技有限公司 一种用于眼底图像血管分割的神经网络模型
CN110420011A (zh) * 2019-08-07 2019-11-08 杭州泽铭睿股权投资有限公司 一种具有血谱光学图像成像功能的摄像机

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150078629A1 (en) * 2013-09-16 2015-03-19 EyeVerify, Inc. Template update for biometric authentication

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150078629A1 (en) * 2013-09-16 2015-03-19 EyeVerify, Inc. Template update for biometric authentication

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DIEGO MARÍN等: "A New Supervised Method for Blood Vessel Segmentation in Retinal Images by Using Gray-Level and Moment Invariants-Based Features", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
UYEN T.V. NGUYEN等: "An effective retinal blood vessel segmentation method using multi-scale line detection", 《PATTERN RECOGNITION》 *
王晓红: "基于特征识别的视网膜血管分割方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107045720A (zh) * 2017-05-04 2017-08-15 深圳硅基智能科技有限公司 用于识别眼底图像病变的人工神经网络及系统
CN107358606A (zh) * 2017-05-04 2017-11-17 深圳硅基智能科技有限公司 用于识别糖尿病视网膜病变的人工神经网络及系统
CN107045720B (zh) * 2017-05-04 2018-11-30 深圳硅基仿生科技有限公司 基于人工神经网络的识别眼底图像病变的处理系统
CN109064453A (zh) * 2018-07-12 2018-12-21 北京上工医信科技有限公司 一种用于眼底图像血管分割的神经网络模型
CN109064453B (zh) * 2018-07-12 2019-07-23 北京上工医信科技有限公司 一种用于眼底图像血管分割的神经网络模型
CN110420011A (zh) * 2019-08-07 2019-11-08 杭州泽铭睿股权投资有限公司 一种具有血谱光学图像成像功能的摄像机

Similar Documents

Publication Publication Date Title
Soomro et al. Impact of image enhancement technique on CNN model for retinal blood vessels segmentation
CN101359365B (zh) 一种基于最大类间方差和灰度信息的虹膜定位方法
CN103824059B (zh) 一种基于视频图像序列的人脸表情识别方法
CN107644418B (zh) 基于卷积神经网络的视盘检测方法及系统
CN104598888B (zh) 一种人脸性别的识别方法
Xiao et al. Retinal hemorrhage detection by rule-based and machine learning approach
CN105513053A (zh) 一种用于视频分析中背景建模方法
CN106355575A (zh) 一种基于神经网络的监督学习型眼底血管提取方法
Zhang et al. Multi-scale neural networks for retinal blood vessels segmentation
CN112233789A (zh) 一种区域特征融合的高血压视网膜病变分类方法
Elbalaoui et al. Automatic detection of blood vessel in retinal images
Meng et al. A framework for retinal vasculature segmentation based on matched filters
Dharmawan et al. A new optic disc segmentation method using a modified Dolph-Chebyshev matched filter
CN106778499B (zh) 一种虹膜采集过程中快速定位人眼虹膜的方法
Uribe-Valencia et al. Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model
Yu et al. Automatic localization and segmentation of optic disc in fundus image using morphology and level set
Pal et al. Detection of red lesions in retinal fundus images using YOLO V3
Malathi et al. A survey on plant leaf disease detection using image processing techniques
CN107862298A (zh) 一种基于红外摄像装置下眨眼的活体检测方法
Zhang et al. TUnet-LBF: Retinal fundus image fine segmentation model based on transformer Unet network and LBF
CN104933723A (zh) 基于稀疏表示的舌图像分割方法
CN106384343A (zh) 一种基于形态学处理的硬性渗出区域检测方法
Zhou et al. A novel approach for red lesions detection using superpixel multi-feature classification in color fundus images
Jana et al. A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image
CN106056076A (zh) 一种确定复杂光照人脸图像的光照不变量的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170125

RJ01 Rejection of invention patent application after publication