CN106651899B - 基于Adaboost的眼底图像微动脉瘤检测系统 - Google Patents

基于Adaboost的眼底图像微动脉瘤检测系统 Download PDF

Info

Publication number
CN106651899B
CN106651899B CN201611128935.3A CN201611128935A CN106651899B CN 106651899 B CN106651899 B CN 106651899B CN 201611128935 A CN201611128935 A CN 201611128935A CN 106651899 B CN106651899 B CN 106651899B
Authority
CN
China
Prior art keywords
image
obtains
candidate region
extraction
filter
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.)
Expired - Fee Related
Application number
CN201611128935.3A
Other languages
English (en)
Other versions
CN106651899A (zh
Inventor
佘黎煌
李佳月
张石
王雅凡
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201611128935.3A priority Critical patent/CN106651899B/zh
Publication of CN106651899A publication Critical patent/CN106651899A/zh
Application granted granted Critical
Publication of CN106651899B publication Critical patent/CN106651899B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • 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
    • G06T2207/20032—Median filtering
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于Adaboost的眼底图像微动脉瘤检测系统，包括视网膜图像预处理单元、候选区域提取单元、特征提取与特征选择单元和分类单元；对获取的视网膜图像进行目标区域提取，并对目标区域图像进行处理；对预处理后的视网膜图像依次进行视盘提取、絮状物提取和血管提取，得到候选区域图像；对已知的候选区域图像进行特征提取，得到候选区域图像候选区域特征集；采用已知候选区域图像候选区域特征集作为输入，输入到Adaboost分类器进行训练，将待检测的候选区域图像输入到训练后的Adaboost分类器，得到检测结果。本发明能够有效的进行特征选择与分类，实现视网膜图像的准确检测。

Description

基于Adaboost的眼底图像微动脉瘤检测系统
技术领域
本发明属于医学图像处理技术领域，具体涉及一种基于Adaboost的眼底图像微动脉瘤检测系统。
背景技术
随着人们生活节奏的不断加快以及生活习惯改变，糖尿病已成为我国的高发病之一。而糖尿病性视网膜疾病又是糖尿病的一种比较严重的并发症，也是导致糖尿病患者视力损伤甚至失明的主要原因之一。患有糖尿病的人群由于长期的血糖过高，导致视网膜毛细血管形状和结构发生一系列的改变，毛细血管壁受损而膨出形成微动脉瘤(Microaneurysm，MA)。微动脉瘤也称微血管瘤，在眼底彩色图像上呈现为红色小圆点，直径在10-100微米左右，是糖尿病视网膜病变中最先出现的并发症状，同时也是眼底图像上能观测到的最小的病变。
目前，在数字图像处理领域，国内对于视网膜微动脉瘤检测技术的研究才刚刚开始，相关领域的论文及学术资料不多，相比于国外，在国内视网膜图像中的微动脉瘤检测技术仍然有广阔的发展前景。存在的检测方法主要基于以下几个方面，或者是在这几个方面上的组合和改进：形态学处理、顶帽变换技术，集成学习方法和分类方法。而由于视网膜图像中的背景噪声、图像纹理、血管、亮斑以及曝光不均匀等原因，使得视网膜图像的对比度较差，且微动脉瘤的尺寸大小不一，导致微动脉瘤病变区域的分割比较困难。目前的这些分割检测算法在检测精度上不是很高，方法并不是很完善。
发明内容
针对现有技术的不足，本发明提出一种基于Adaboost的眼底图像微动脉瘤检测系统。
本发明的技术方案是：
一种基于Adaboost的眼底图像微动脉瘤检测系统，包括视网膜图像预处理单元、候选区域提取单元、特征提取与特征选择单元和分类单元；
所述视网膜图像预处理单元，用于对获取的视网膜图像进行目标区域提取，得到目标区域图像，并对目标区域图像进行中值滤波、对比度自适应直方图均衡化、阴影校正和灰度拉伸处理，得到预处理后的视网膜图像；
所述候选区域提取单元，用于对预处理后的视网膜图像依次进行视盘提取、絮状物提取和血管提取，得到候选区域图像；
所述特征提取与特征选择单元，用于对专家手动标记好的已知具有动脉瘤的N幅候选区域图像和已知不具有动脉瘤的N幅候选区域图像进行特征提取，提取其各候选区域代表微动脉瘤的31个特征值，并采用前向算法对各个候选区域特征值进行特征值筛选，得到更新后的候选区域特征集；
所述分类单元，用于采用已知具有动脉瘤的N幅候选区域图像和已知不具有动脉瘤的N幅候选区域图像得到更新后的候选区域特征集作为输入，输入到Adaboost分类器进行训练，得到训练后的Adaboost分类器，将待检测的视网膜图像提取出的候选区域图像输入到训练后的Adaboost分类器，得到检测结果。
所述视网膜图像预处理单元，包括获取图像背景模块、中值滤波模块、对比度自适应直方图均衡化模块、阴影校正模块和灰度拉伸模块；
所述获取图像背景模块，用于提取视网膜图像的绿色通道，得到绿色通道图像，并对绿色通道图像进行感兴趣区域提取，得到目标区域图像；
所述中值滤波模块，用于对目标区域图像进行中值滤波，得到中值滤波后的图像；
所述对比度自适应直方图均衡化模块，用于对中值滤波后的图像进行非线性拉伸，重新分配图像的像元亮度或灰度值，均衡一定范围内的像元亮度或灰度值的数量，得到均衡化后的图像；
所述阴影校正模块，用于中值滤波方法对均衡化后的图像进行阴影校正，得到去除阴影的图像；
所述灰度拉伸图像，用于对去除阴影的图像进行图像灰度拉伸，得到预处理后的视网膜图像。
所述候选区域提取单元，包括视盘提取模块、絮状物提取模块和视网膜血管提取模块；
所述视盘提取模块，用于采用线性空间滤波对绿色通道图像进行高斯滤波，获取图像的低频分量，得到高斯滤波后的图像，对高斯滤波后的图像采用数学形态学运算，设定视盘提取阈值，进行阈值分割提取出高斯滤波后图像中的视盘，得到去除视盘的视网膜图像；
所述絮状物提取模块，用于对去除视盘的视网膜图像进行背景估计，通过数学形态学运算获取其背景图像，采用形态学减运算得到去除视盘的视网膜图像与背景图像的差值图像，对差值图像进行二值化处理，设定絮状物提取阈值，对二值化处理后的差值图像进行阈值分割，提取出絮状物，得到絮状物提取后的图像；
所述视网膜血管提取模块，用于采用改进的COSFIRE滤波器对絮状物提取后的图像进行血管结构选择，提取出血管，得到候选区域图像。
所述采用改进的COSFIRE滤波器对絮状物提取后的图像进行血管结构选择，提取出血管，得到候选区域图像的具体过程如下：
S1：建立DOG滤波器，生成一个R*R像素大小的图像，R为奇数，令图像中的灰度值为1，其余灰度值为0得到一个线性条状结构作为类血管，作为DoG滤波器的输入，得到DoG滤波器输出响应像素值，以三元组S集表示；
S2：对S集进行加权操作以及移位操作，训练得到改进的DOG滤波器，即COSFIRE滤波器，得到COSFIRE滤波器的输出响应像素值，以三元组S′集表示；
S3：将S′集作为B-COSFIRE滤波器输入，得到B-COSFIRE滤波器输出响应；
S4：在B-COSFIRE滤波器中引入方向参数ψ，得到改进的COSFIRE滤波器；
S5：将絮状物提取后的图像输入改进的COSFIRE滤波器，得到絮状物提取后的图像的响应值；
S6：设定血管提取阈值，将絮状物提取后的图像的响应值超出阈值的作为该图像的血管，提取出血管，得到候选区域图像。
本发明的有益效果：
本发明提出一种基于Adaboost的眼底图像微动脉瘤检测系统，本发明适用于眼底图像中非增值性视网膜微动脉瘤的检测，确定病灶在视网膜的形态与位置，可以进一步的有效的检测与识别微动脉瘤，针对视网膜微小血管和末端血管的提取，改进了基于COSFIRE滤波的视网膜血管分割方法，同时提出了一种基于Adaboost分类器的分类方法，并与前向算法相结合，进行特征选择与分类，实现微动脉瘤的准确检测。
附图说明
图1为本发明具体实施方式中基于Adaboost的眼底图像微动脉瘤检测系统的结构框图；
图2为本发明具体实施方式中提取出的绿色通道图像；
图3为本发明具体实施方式中均衡化后的图像；
图4为本发明具体实施方式中去除阴影的图像；
图5为本发明具体实施方式中灰度拉伸图像；
图6为采用改进的COSFIRE滤波器对絮状物提取后的图像进行血管结构选择得到候选区域图像的流程图；
图7为本发明具体实施方式中两个视网膜图像及其对应得到的血管图像；
其中，(a)为第一幅已知具有微动脉瘤的视网膜图像，(b)为第二幅已知具有微动脉瘤的视网膜图像，(c)为第一幅已知具有微动脉瘤的血管图像，(d)为第二幅已知具有微动脉瘤的血管图像；
图8为本发明具体实施方式中两个视网膜图像专家手动分割得到的血管图像；
其中，(a)为第一幅已知具有微动脉瘤的视网膜图像专家手动分割得到的血管图像，(b)为第二幅已知具有微动脉瘤的视网膜图像专家手动分割得到的血管图像；
图9为本发明具体实施方式中两个视网膜图像获得的候选区域图像；
其中，(a)为第一幅已知具有微动脉瘤的候选区域图像，(b)为第二幅已知具有微动脉瘤的候选区域图像；
图10为本发明具体实施方式中两幅待检测视网膜图像检测结果；
其中(a)为第一幅待检测视网膜图像检测结果示意图，(b)为第二幅待检测视网膜图像检测结果示意图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细说明。
一种基于Adaboost的眼底图像微动脉瘤检测系统，如图1所示，包括视网膜图像预处理单元、候选区域提取单元、特征提取与特征选择单元和分类单元。
视网膜图像预处理单元，用于对获取的视网膜图像进行目标区域提取，得到目标区域图像，并对目标区域图像进行中值滤波、对比度自适应直方图均衡化、阴影校正和灰度拉伸处理，得到预处理后的视网膜图像。
本实施方式中，视网膜图像预处理单元为高视网膜图像对比度，改善图像质量，减少因为成像问题对后面的检测过程所带来的干扰。
视网膜图像预处理单元，包括获取图像背景模块、中值滤波模块、对比度自适应直方图均衡化模块、阴影校正模块和灰度拉伸模块。
获取图像背景模块，用于提取RGB格式的视网膜图像的绿色通道，得到绿色通道图像如图2所示，并对绿色通道图像进行感兴趣区域提取，即将绿色通道图像与模板图像进行按位与运算，提取出感兴趣点，得到目标区域图像。
中值滤波模块，用于对目标区域图像进行中值滤波，得到中值滤波后的图像。
对比度自适应直方图均衡化模块，用于对中值滤波后的图像进行非线性拉伸，重新分配图像的像元亮度或灰度值，均衡一定范围内的像元亮度或灰度值的数量，得到均衡化后的图像；原理是通过分布函数累计积分达到修改直方图的目的，得到的均衡化后的图像如图3所示。
阴影校正模块，用于中值滤波方法对均衡化后的图像进行阴影校正，得到去除阴影的图像；
本实施方式中，选用35*35模板的中值滤波方法对均衡化后的图像进行阴影校正，得到去除阴影的图像，如图4所示。
灰度拉伸图像，用于对去除阴影的图像进行图像灰度拉伸，得到预处理后的视网膜图像如图5所示。
候选区域提取单元，用于对预处理后的视网膜图像依次进行视盘提取、絮状物提取和血管提取，得到候选区域图像。
候选区域提取单元，包括视盘提取模块、絮状物提取模块和视网膜血管提取模块。
视盘提取模块，用于采用线性空间滤波对绿色通道图像进行高斯滤波，获取图像的低频分量，得到高斯滤波后的图像，对高斯滤波后的图像采用数学形态学运算，设定视盘提取阈值，进行阈值分割提取出高斯滤波后图像中的视盘，得到去除视盘的视网膜图像。
本实施方式中，采用线性空间滤波对绿色通道图像进行高斯滤波的滤波参数为15*15窗口大小，标准差为1，获取图像的低频分量，得到高斯滤波后的图像，建立一个半径为5的圆形结构元素来形态学腐蚀运算，设定视盘提取阈值为像素p＝175，进行阈值分割，取大于阈值部分，得到去除视盘的视网膜图像。
絮状物提取模块，用于对去除视盘的视网膜图像进行背景估计，通过数学形态学运算获取其背景图像，采用形态学减运算得到去除视盘的视网膜图像与背景图像的差值图像，对差值图像进行二值化处理，设定絮状物提取阈值，对二值化处理后的差值图像进行阈值分割，得到絮状物提取后的图像。
本实施方式中，首先根据经验建立一个半径为13的圆盘结构进行背景估计，通过数学形态学运算获得背景图。采用形态学减运算得到去除视盘的视网膜图像与背景图像的差值图像，对差值图像进行二值化处理，设定絮状物提取阈值为像素值0.0823，对二值化处理后的差值图像进行阈值分割，提取大于此阈值部分，提取出絮状物，得到絮状物提取后的图像。
视网膜血管提取模块，用于采用改进的COSFIRE滤波器对絮状物提取后的图像进行血管结构选择，提取出血管，得到候选区域图像。
本实施方式中，采用改进的COSFIRE滤波器对絮状物提取后的图像进行血管结构选择，得到候选区域图像的具体过程如图6所示，该方法通过计算DoG滤波输出响应的加权几何平均值来实现滤波器的方向选择性，同时通过简单的移位操作实现旋转不变性，找出血管结构：
S1：建立DOG滤波器，生成一个R*R像素大小的图像，R为奇数，令图像中的灰度值为1，其余灰度值为0得到一个线性条状结构作为类血管，作为DoG滤波器的输入，得到DoG滤波器输出响应像素值，以三元组S集表示。
本实施方式中，生成一个R*R＝101*101像素大小的图像，令图像中的灰的灰度值为1，其余灰度值为0，得到一个线性条状结构作为类血管，设定中心点为(51，51)，标号1，作为DoG滤波器的输入，得到DoG滤波器输出响应像素值，以三元组S集表示。
DoG滤波器如式(1)所示：
其中，σ＝2.4为高斯函数的标准差，K＝0.5为高斯滤波参数，(x，y)为图像像素点。
得到的DoG滤波器输出响应dσ(x，y)如式(2)所示：
其中，I为生成的图像，为卷积，|·|+表示半波整流。
DoG滤波器在输入图像的强度发生改变的地方具有较高响应，输入生成的线条状图像后，利用DoG滤波器对输入图像血管和背景灰度变化给出的响应的特性，根据DoG滤波器响应公式，局部灰度值变化大的像素点处(即线条状结构处)的DoG滤波响应最大，输出的最大响应的像素点(x，y)用一个三元组S集表示，S＝{(σi，ρi，φi)|i＝1，...，n}，n为DoG滤波响应个数，σi为响应的标准偏差，ρi、φi为像素点(x，y)的极坐标。
S2：对S集进行加权操作以及移位操作，训练得到改进的DOG滤波器，即COSFIRE滤波器，得到COSFIRE滤波器的输出响应像素值，以三元组S′集表示。
本实施方式中，对S集进行加权操作添加了模糊操作，即将S集加权操作：乘系数高斯函数Gσ′(x′，y′)，然后进行移位操作，即令x-Δxi-x′，y-Δyi-y′，训练得到改进的DOG滤波器，即COSFIRE滤波器如式(3)所示：
其中，(x′，y′)为像素点的强度值，x′≥3σ′，y′≤3σ′，高斯函数的标准差σ′＝σ′0+αρi，σ′0＝3、α＝0.7为常数，(Δxi，Δyi)为位移向量，Δx＝-ρi cosφi，Δy＝-ρi sinφi。
将得到的COSFIRE滤波器的输出响应像素值，以三元组S′集表示。
S3：将S′集作为B-COSFIRE滤波器输入，得到B-COSFIRE滤波器输出响应；
得到的B-COSFIRE滤波器输出响应rS′(x，y)如式(4)所示：
其中，|·|t为在t(0≤t≤1)处的最大阈值响应，t为滤波器的常数。
S4：在B-COSFIRE滤波器中引入方向参数ψ，得到改进的COSFIRE滤波器如式(5)所示：
其中，为改进的COSFIRE滤波器的输出响应，ψ为设定的方向，Ψ为12个等距角度
S5：将絮状物提取后的图像输入改进的COSFIRE滤波器，得到絮状物提取后的图像的响应值。
S6：设定血管提取阈值，将絮状物提取后的图像的响应值超出阈值的作为该图像的血管，提取出血管，得到候选区域图像。
本实施方式中，设定的血管提取阈值为像素值37(经验值)，将絮状物提取后的图像的响应值超出阈值的作为该图像的血管，血管图像，得到候选区域图像。
本实施方式中，对于两个视网膜图像及其对应得到的血管图像如图7所示，专家手动分割得到的血管图像如图8所示，最终得到的候选区域图像如图9所示。
特征提取与特征选择单元，用于对专家手动标记好的已知具有动脉瘤的N幅候选区域图像和已知不具有动脉瘤的N幅候选区域图像进行特征提取，提取其各候选区域代表微动脉瘤的31个特征值，并采用前向算法对各个候选区域特征值进行特征值筛选，得到更新后的候选区域特征集。
本实施方式中，在ROC数据库中获取专家手动标记好的已知具有动脉瘤的N＝50幅视网膜图像和已知不具有动脉瘤的N＝50幅视网膜图像，通过视网膜图像预处理单元、候选区域提取单元的处理，得到已知具有动脉瘤的N＝50幅候选区域图像和已知不具有动脉瘤的N＝50幅候选区域图像，综合考虑了微动脉瘤的各类特征后，提取候选区域图像中代表微动脉瘤的31个特征值，包括形状特征(如表1所示)，像素特征(如表2所示)和DoG滤波特征(如表3所示)，通过从图像中进行相关特征的提取、计算，作为分类图像相关特征，用于后期的分类。
表1 微小动脉瘤的形状特征信息
表2 微小动脉瘤的像素特征信息
表3 DoG滤波特征信息
本实施方式中，对于提取的各候选区域代表微动脉瘤的31个特征值，采用前向算法对各个候选区域特征值进行特征值筛选，得到其各自对应的候选区域特征集。
本实施方式中，采用前向算法对各个候选区域特征值进行特征值筛选的具体过程如下：
将各个候选区域图像中的候选区域的像素点作为样本点，首先选择一个空集作为初始子集，依次选择所有样本点的一个特征的特征值加入初始子集，每提取一个特征的特征值加入初始子集，计算一次其所有初始子集中特征值作为Adaboost分类器输入时得到的判断结果的正确性，若加入该特征值后判断结果的误差率减小，则保留该特征，否则，删除该特征，得到更新后的候选区域特征集，本实施方式中，得到25个特征的特征值作为更新后的候选区域特征集。
分类单元，用于采用已知具有动脉瘤的N幅候选区域图像和已知不具有动脉瘤的N幅候选区域图像得到更新后的候选区域特征集作为输入，输入到Adaboost分类器进行训练，得到训练后的Adaboost分类器，将待检测的视网膜图像提取出的候选区域图像输入到训练后的Adaboost分类器，得到检测结果。
本实施方式中，将采用已知具有动脉瘤的N幅候选区域图像和已知不具有动脉瘤的N幅候选区域图像得到更新后的候选区域特征集作为训练样本集，对每个训练的样本赋予相同的权重，进行迭代，迭代次数设置为20，使用具有权值分布的训练样本集，得到基本的Adaboost分类器，计算Adaboost分类器在各训练样本上的分类误差率，更新训练样本的权值分布，进行下一轮迭代，迭代结束绘制错误率结果图，Adaboost分类器分类参数如表4所示：
表4 Adaboost分类器分类参数
本实施方式中，得到的已知具有动脉瘤的50幅候选区域图像对应的候选区域为495个，其对应候选区域特征集为495*25，已知不具有动脉瘤的50幅候选区域图像对应候选区域为194个，其对应候选区域特征集为194*25，用于Adaboost分类器的训练，将待检测的视网膜图像提取出的候选区域图像输入到训练后的Adaboost分类器，得到检测结果，第一幅待检测视网膜图像检测结果如图10(a)所示，第二幅待检测视网膜图像检测结果如图10(b)所示。

Claims (2)

1.一种基于Adaboost的眼底图像微动脉瘤检测系统，其特征在于，包括视网膜图像预处理单元、候选区域提取单元、特征提取与特征选择单元和分类单元；
所述视网膜图像预处理单元，用于对获取的视网膜图像进行目标区域提取，得到目标区域图像，并对目标区域图像进行中值滤波、对比度自适应直方图均衡化、阴影校正和灰度拉伸处理，得到预处理后的视网膜图像；
所述候选区域提取单元，用于对预处理后的视网膜图像依次进行视盘提取、絮状物提取和血管提取，得到候选区域图像；
所述特征提取与特征选择单元，用于对专家手动标记好的已知具有动脉瘤的N幅候选区域图像和已知不具有动脉瘤的N幅候选区域图像进行特征提取，提取其各候选区域代表微动脉瘤的31个特征值，并采用前向算法对各个候选区域特征值进行特征值筛选，得到更新后的候选区域特征集；
所述分类单元，用于采用已知具有动脉瘤的N幅候选区域图像和已知不具有动脉瘤的N幅候选区域图像得到更新后的候选区域特征集作为输入，输入到Adaboost分类器进行训练，得到训练后的Adaboost分类器，将待检测的视网膜图像提取出的候选区域图像输入到训练后的Adaboost分类器，得到检测结果；
所述候选区域提取单元，包括视盘提取模块、絮状物的提取模块和视网膜血管的提取模块；
所述视盘提取模块，用于采用线性空间滤波对绿色通道图像进行高斯滤波，获取图像的低频分量，得到高斯滤波后的图像，对高斯滤波后的图像采用数学形态学运算，设定视盘提取阈值，进行阈值分割提取出高斯滤波后图像中的视盘，得到去除视盘的视网膜图像；
所述絮状物的提取模块，用于对去除视盘的视网膜图像进行背景估计，通过数学形态学运算获取其背景图像，采用形态学减运算得到去除视盘的视网膜图像与背景图像的差值图像，对差值图像进行二值化处理，设定絮状物提取阈值，对二值化处理后的差值图像进行阈值分割，提取出絮状物，得到絮状物提取后的图像；
所述视网膜血管的提取模块，用于采用改进的COSFIRE滤波器对絮状物提取后的图像进行血管结构选择，提取出血管，得到候选区域图像；
所述采用改进的COSFIRE滤波器对絮状物提取后的图像进行血管结构选择，提取出血管，得到候选区域图像的具体过程如下：
S1：建立DOG滤波器，生成一个R*R像素大小的图像，R为奇数，令图像中的灰度值为1，其余灰度值为0得到一个线性条状结构作为类血管，作为DoG滤波器的输入，得到DoG滤波器输出响应像素值，以三元组S集表示；
S2：对S集进行加权操作以及移位操作，训练得到改进的DOG滤波器，即COSFIRE滤波器，得到COSFIRE滤波器的输出响应像素值，以三元组S′集表示；
S3：将S′集作为B-COSFIRE滤波器输入，得到B-COSFIRE滤波器输出响应；
S4：在B-COSFIRE滤波器中引入方向参数Ψ，得到改进的COSFIRE滤波器；
S5：将絮状物提取后的图像输入改进的COSFIRE滤波器，得到絮状物提取后的图像的响应值；
S6：设定血管提取阈值，将絮状物提取后的图像的响应值超出阈值的作为该图像的血管，提取出血管，得到候选区域图像。
2.根据权利要求1所述的基于Adaboost的眼底图像微动脉瘤检测系统，其特征在于，所述视网膜图像预处理单元，包括获取图像背景模块、中值滤波模块、对比度自适应直方图均衡化模块、阴影校正模块和灰度拉伸模块；
所述获取图像背景模块，用于提取视网膜图像的绿色通道，得到绿色通道图像，并对绿色通道图像进行感兴趣区域提取，得到目标区域图像；
所述中值滤波模块，用于对目标区域图像进行中值滤波，得到中值滤波后的图像；
所述对比度自适应直方图均衡化模块，用于对中值滤波后的图像进行非线性拉伸，重新分配图像的像元亮度或灰度值，均衡一定范围内的像元亮度或灰度值的数量，得到均衡化后的图像；
所述阴影校正模块，用于用中值滤波方法对均衡化后的图像进行阴影校正，得到去除阴影的图像；
所述灰度拉伸模块，用于对去除阴影的图像进行图像灰度拉伸，得到预处理后的视网膜图像。
CN201611128935.3A 2016-12-09 2016-12-09 基于Adaboost的眼底图像微动脉瘤检测系统 Expired - Fee Related CN106651899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611128935.3A CN106651899B (zh) 2016-12-09 2016-12-09 基于Adaboost的眼底图像微动脉瘤检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611128935.3A CN106651899B (zh) 2016-12-09 2016-12-09 基于Adaboost的眼底图像微动脉瘤检测系统

Publications (2)

Publication Number Publication Date
CN106651899A CN106651899A (zh) 2017-05-10
CN106651899B true CN106651899B (zh) 2019-07-23

Family

ID=58824161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611128935.3A Expired - Fee Related CN106651899B (zh) 2016-12-09 2016-12-09 基于Adaboost的眼底图像微动脉瘤检测系统

Country Status (1)

Country Link
CN (1) CN106651899B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358612A (zh) * 2017-07-07 2017-11-17 东北大学 一种基于分形维数与高斯滤波结合的视网膜血管分割系统及方法
CN113284101A (zh) * 2017-07-28 2021-08-20 新加坡国立大学 修改用于深度学习模型的视网膜眼底图像的方法
CN108109159B (zh) * 2017-12-21 2020-07-28 东北大学 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统
CN110399891A (zh) * 2018-04-24 2019-11-01 中国科学院沈阳自动化研究所 一种基于大数据的医学图像的高效分类管理方法
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
CN110930346B (zh) * 2018-08-31 2023-08-01 福州依影健康科技有限公司 一种眼底图像微血管瘤自动检测方法及存储设备
CN109377462A (zh) * 2018-10-23 2019-02-22 上海鹰瞳医疗科技有限公司 眼底图像处理方法及设备
CN109472781B (zh) * 2018-10-29 2022-02-11 电子科技大学 一种基于串行结构分割的糖尿病视网膜病变检测系统
CN111292285B (zh) * 2018-11-21 2023-04-07 中南大学 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法
CN109816002B (zh) * 2019-01-11 2022-09-06 广东工业大学 基于特征自迁移的单一稀疏自编码器弱小目标检测方法
CN109919179A (zh) * 2019-01-23 2019-06-21 平安科技（深圳）有限公司 微动脉瘤自动检测方法、装置及计算机可读存储介质
CN109978848B (zh) * 2019-03-19 2022-11-04 电子科技大学 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN110009627B (zh) * 2019-04-11 2021-06-18 北京康夫子健康技术有限公司 用于处理图像的方法和装置
CN110009628A (zh) * 2019-04-12 2019-07-12 南京大学 一种针对连续二维图像中多形态目标的自动检测方法
US11200670B2 (en) 2020-05-05 2021-12-14 International Business Machines Corporation Real-time detection and correction of shadowing in hyperspectral retinal images

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN105046693A (zh) * 2015-06-29 2015-11-11 嘉兴慧康智能科技有限公司 一种眼底图像微动脉瘤自动检测方法
CN106096491A (zh) * 2016-02-04 2016-11-09 上海市第人民医院 眼底彩色图像中的微动脉瘤的自动识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8098907B2 (en) * 2005-07-01 2012-01-17 Siemens Corporation Method and system for local adaptive detection of microaneurysms in digital fundus images
WO2012149687A1 (zh) * 2011-05-05 2012-11-08 中国科学院自动化研究所 视网膜血管提取方法
US10360672B2 (en) * 2013-03-15 2019-07-23 University Of Iowa Research Foundation Automated separation of binary overlapping trees

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN105046693A (zh) * 2015-06-29 2015-11-11 嘉兴慧康智能科技有限公司 一种眼底图像微动脉瘤自动检测方法
CN106096491A (zh) * 2016-02-04 2016-11-09 上海市第人民医院 眼底彩色图像中的微动脉瘤的自动识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于特征提取和监督学习的视网膜血管分割技术研究;吴奎;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20160815;第11-50页
糖尿病性视网膜病变眼底图像微脉瘤检测;彭英辉;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20140415;第9-12、33-43页

Also Published As

Publication number Publication date
CN106651899A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106651899B (zh) 基于Adaboost的眼底图像微动脉瘤检测系统
WO2021253939A1 (zh) 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法
CN106683080B (zh) 一种视网膜眼底图像预处理方法
CN105787927B (zh) 一种眼底彩色照相图像中渗出自动化识别方法
Qureshi et al. Detection of glaucoma based on cup-to-disc ratio using fundus images
CN104794693B (zh) 一种人脸关键区域自动检测蒙版的人像优化方法
CN106780465A (zh) 基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法
CN107844736A (zh) 虹膜定位方法和装置
CN104036521A (zh) 一种新的视网膜眼底图像分割方法
CN110751637A (zh) 糖尿病视网膜病变检测系统、方法、设备和训练系统
CN104463215A (zh) 基于视网膜图像处理的微小动脉瘤发生风险预测系统
Mahapatra et al. A CNN based neurobiology inspired approach for retinal image quality assessment
Salem et al. Segmentation of retinal blood vessels based on analysis of the hessian matrix and clustering algorithm
Chen et al. Blood vessel enhancement via multi-dictionary and sparse coding: Application to retinal vessel enhancing
Zhang et al. Microaneurysm (MA) detection via sparse representation classifier with MA and Non-MA dictionary learning
Shanmugam et al. Retinal blood vessel segmentation using an extreme learning machine approach
CN108665440A (zh) 一种基于改进Sobel算子的不规则烟包图像融合边缘检测算法
Argade et al. Automatic detection of diabetic retinopathy using image processing and data mining techniques
Dash et al. Detection of retinal blood vessels from ophthalmoscope images using morphological approach
CN107516083A (zh) 一种面向识别的远距离人脸图像增强方法
Atheesan et al. Automatic glaucoma detection by using funduscopic images
CN106846301B (zh) 视网膜图像分类方法及装置
CN117197064A (zh) 一种无接触眼红程度自动分析方法
Chakour et al. Blood vessel segmentation of retinal fundus images using dynamic preprocessing and mathematical morphology
Choukikar et al. Segmenting the optic disc in retinal images using thresholding

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190723

Termination date: 20211209

CF01 Termination of patent right due to non-payment of annual fee