CN109472781A - 一种基于串行结构分割的糖尿病视网膜病变检测系统 - Google Patents

Abstract

本发明公开了一种基于串行结构分割的糖尿病视网膜病变检测系统，包括：采集获取视网膜眼底图像的眼底图像采集装置和分析处理采集的眼底图像的数据处理装置，数据处理装置包括：预处理功能模块，血管分割功能模块，视盘分割功能模块，中央凹确定功能模块，渗出分割功能模块，统计计算功能模块和医生诊断功能模块，统计渗出区域并计算出输入的眼底图像存在糖尿病黄斑水肿病变的概率，最后结合统计计算的结果，眼底医生参考分割出的渗出区域和患病概率，结合自身专业，给出最终诊断治疗方案。本发明系统地考虑了眼底各种相关生理结构，分割出病变区域再由眼底医生给出诊断报告，检测高效且检测病变更准确，可以大幅度降低医生工作量，提高工作效率。

Description

一种基于串行结构分割的糖尿病视网膜病变检测系统

技术领域

本发明属于机器视觉及医学影像计算机处理领域，具体涉及一种基于串行结构分割的糖尿病视网膜病变检测系统。

背景技术

糖尿病视网膜病变是全球四大主要致盲疾病之一。2017年国际糖尿病联盟(IDF)公布了第八版全球糖尿病地图，根据IDF数据显示，全球糖尿病成人患者已达到4.25亿，预计到2045年将达到6.29亿。我国是全球糖尿病患者数最多的国家，且患病人数和发病率在近几年明显增加。在患病人数中，35％的糖尿病人群患有糖尿病视网膜病变。根据出现的临床病变特征不同，糖尿病视网膜(糖网)病变主要分为非增殖性视网膜病变(NPDR)和增值性视网膜病变(PDR)两大类。在非增值性视网膜病变阶段，可能出现糖尿病黄斑水肿病变(Diabetic Macular Edema，DME)，它是导致视力丧失的第一原因。

根据硬性渗出的有无以及存在位置可以将DME分为三级。第一级：无黄斑水肿病变，此时硬性渗出没有产生，视网膜没有增厚，此时患者无明显症状，因此病变很难被发现。第二级：无显著临床黄斑水肿病变，此时存在硬性渗出或视网膜发生增厚，但渗出离中心凹的距离大于500um。第三级：显著临床黄斑水肿病变，此时视网膜增厚，硬性渗出靠近中心凹区域，距离小于500um，严重影响患者视力，应当立即采取治疗。通过拍摄眼底视网膜照片进行眼部检查能够尽早发现病变，及时开始治疗，可以有效地避免病情恶化。因此，糖尿病黄斑水肿病变的早期检测诊断和治疗对防止致盲具有重要意义。然而目前，糖尿病黄斑水肿病变的早期检测仍依赖于人工分析，需要大量的技能高度熟练的专业眼底医生来处理和查看拍摄的视网膜眼底照片。这些专业人员依靠人的视觉来解读眼底图像进行病变诊断，往往存在一些问题。例如：由于医生个人主观认识和经验缺乏可能导致误诊，并且早期病变很难通过肉眼发现；大量的眼底照片需要耗费大量人力资源，且城乡地区缺乏经验充足的眼底医生，所以需要一种计算机自动处理的系统来辅助眼科医生完成这些照片的分析。通过眼底照相机拍摄视网膜图像，并利用机器视觉等技术，分割出眼底相关结构和给出病变参考概率，供眼底医生参考和进一步观察，并最终由眼底医生给出病变等级，以此来减轻医生工作负担，减少医生的误诊率，提高医生的工作效率。

然而，利用图像处理技术来检测DME病变仍处在发展阶段。Philips等通过全局和局部阈值来实现硬性渗出分割；Walter和Sopharak采用数学形态学分割出了渗出。Osareh等通过模糊C均值聚类和神经网络实现渗出的精确分割。此外，多层感知器、径向基函数和支持向量机等也被用于实现渗出检测。Kumar等提出了一种基于位平面的方法实现了糖尿病黄斑水肿病变的检测；Sekhar等通过对比度增强和阈值分割首先分割出病变区域，再通过基于高斯混合模型的分类器对其进行特征提取和分类，在图像处理层面给出了糖尿病黄斑水肿病变的患病概率。同时其他如KNN、朴素贝叶斯和深度学习等方法也被用于糖尿病黄斑水肿病变的检测系统中。然而现有技术都是针对于单个目标来进行单独检测，比如渗出病变分割、视盘分割、黄斑分割等，较少考虑到它们之间的关系；而本发明系统充分考虑这些结构与病变在眼底图像中的位置、特征等，采用串行结构依次进行分割，最终得到的结构与病变区域可以辅助医生进一步更好地观察。

发明内容

本发明的目的在于：解决目前检测糖尿病黄斑水肿病变大多只是针对硬性渗出进行单独检测，不能充分考虑其与其他结构，如视盘、黄斑、血管等，在眼底图像中的位置、特征等关系，难以准确高效地检测出糖网病变区域数据的问题，提出一种基于串行结构分割的糖尿病视网膜病变检测系统来实现系统全面的糖尿病视网膜病变检测。

本发明采用的技术方案如下：

一种基于串行结构分割的糖尿病视网膜病变检测系统，系统包括：

眼底图像采集装置：用于采集获取视网膜的眼底图像；

数据处理装置：用于分析处理采集的眼底图像，得到病变区域数据和病变概率，所述数据处理装置包括：

预处理功能模块：对采集的眼底图像进行预处理；

血管分割功能模块：对预处理后的眼底图像进行基于形态学的血管分割；

视盘分割功能模块：结合血管分割功能模块的处理结果，对预处理后的眼底图像进行视盘分割；

中央凹确定功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行中央凹确定；

渗出分割功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行渗出分割并得到渗出区域；

统计计算功能模块：结合中央凹确定功能模块和渗出分割功能模块的处理结果，统计渗出区域并计算出输入的眼底图像存在糖尿病黄斑水肿病变的概率。

进一步，所述数据处理装置还包括医生诊断功能模块：结合统计计算功能模块的处理结果，眼底医生参考分割出的渗出区域和患病概率，结合自身专业，给出最终诊断治疗方案。

进一步，所述预处理功能模块的预处理操作步骤具体为：

步骤1.1、对输入的眼底图像G进行RGB三通道提取，对各个通道进行中值滤波处理，再将三通道合成为单幅彩色图像G_new；

步骤1.2、对G_new进行限制对比度自适应直方图均衡来增强图像对比度，得到眼底增强图像G_clahe。

进一步，所述血管分割功能模块的血管分割操作步骤具体为：

步骤2.1、首先提取预处理模块对眼底图像预处理后得到的眼底增强图像G_clahe的G通道，用中值滤波对其进行滤波，得到背景估计图像G_background，并用一定半径的圆盘结构元对背景估计图像G_background分别进行顶帽、底帽操作，得到G_top和G_black；

步骤2.2、将步骤2.1中的G_top和G_black以一定权重加在原图G上，并减去背景估计图像G_background，并进行阈值分割得到血管二值估计图G_BL；

步骤2.3、提取步骤2.2的血管二值估计图G_BL中连通域大于一定面积的连通区域，得到该眼底图像对应的眼底血管二值图像G_BV。

进一步，所述视盘分割功能模块的视盘分割操作步骤具体为：

步骤3.1、对眼底图像预处理后的眼底增强图像G_clahe进行双通道阈值分割，得到二值图像G_RG；

步骤3.2、对步骤3.1中的二值图像G_RG进行连通域分析，提取每个连通域的最小矩形框，并对其进行向左、向右两个方向的扩张，得到扩张连通域后图像G_expand；

步骤3.3、统计步骤3.2中的扩张连通域后图像G_expand中的图像垂直中心线两侧的像素数目；

步骤3.4、基于步骤3.3中眼底图像垂直中心线两侧的像素数目选择相应的Toeplitz矩阵模板，当统计的像素有超过半数位于图像右侧，则选择右Toeplitz矩阵模板Mask，如式(1)所示：

否则，选择左Toeplitz矩阵模板Mask，如式(2)所示：

步骤3.5、将血管分割功能模块中分割的眼底血管图像和步骤3.2中扩张后的连通区域作与操作，得到候选区域的血管图像G_candidate：

G_candidate＝G_BV∩G_{exp and} (3)

步骤3.6、对候选区域的血管图像G_candidate进行滤波，得到滤波后的图像G_filter公式为：

步骤3.7、确定滤波后图像G_filter中灰度值最高的像素，该像素坐标即为眼底视盘定位位置坐标；

步骤3.8、以视盘定位位置坐标为中心，在输入的眼底图像G中框定一定大小矩形区域作为视盘候选区域G_OD；

步骤3.9、提取步骤3.8中视盘候选区域的R通道，记为图像G′_R；

步骤3.10、用半径递增的结构元进行交替膨胀腐蚀操作来去除视盘候选区域内部的血管，先选取一定半径的圆盘结构元B，对图像G′_R进行交替膨胀腐蚀操作：

σ^(B)＝δ^(B)(ε^(B)(G′_R)) (5)

其中，δ^(B)表示以B为结构元进行膨胀操作；ε^(B)表示以B为结构元进行腐蚀操作；

步骤3.11、增加圆盘结构元B的半径，得到新的圆盘结构元B′，对步骤3.10处理后的图像再次进行交替膨胀腐蚀操作：

σ^(B)＝δ^(B′)(ε^(B′)(σ^(B))) (6)

步骤3.12、继续增加圆盘结构元B′的半径，得到新的圆盘结构元B″，对步骤3.11处理后的图像再次进行交替膨胀腐蚀操作来去除视盘候选区域内部的血管：

σ^(B″)＝δ^(B″)(ε^(B″)(σ^(B′))) (7)

步骤3.13、采用最大类间方差法对去除血管后的视盘候选区域进行阈值分割，得到二值图像G_Otsu，并用Canny算子提取二值图像G_Otsu的边缘，得到边缘图像G_edge；

步骤3.14、提取边缘图像G_edge中的轮廓坐标，对其进行最小二乘椭圆拟合；

步骤3.15、在眼底图像G中绘制步骤3.14的椭圆方程曲线，即为视盘椭圆ROI区域。

进一步，所述步骤3.14中最小二乘椭圆拟合的具体步骤为：

假设椭圆方程为：ax²+bxy+cy²+dx+ey＝1，则最小二乘椭圆拟合的最优化问题可以表示为：

min||Dα||²

s.t.α^TCα＝1 (8)

其中α＝[a，b，c，d，e]；D表示轮廓坐标信息集合，维数为n×6，n为轮廓像素个数；矩阵C如下：

进一步，所述中央凹确定功能模块的中央凹确定操作步骤具体为：

步骤4.1.1、利用视盘分割功能模块得出的视盘位置和视盘大小，获取出黄斑ROI区域G_m-ROI；

步骤4.1.2：提取步骤4.1.1中黄斑ROI区域G_m-ROI的绿色通道G_m-G，并进行自适应对比度增强得到G′_m-G，将增强后图像G′_m-G与G_m-ROI进行作差，得到去相关图像G_m-decor；

步骤4.1.3：对步骤4.1.2中得到的去相关图像G_m-decor进行自适应阈值分割得到G_m-otsu，再进行形态学腐蚀操作得G_m-erode，接着取G_m-erode中的最大连通域面积的区域为中央凹ROIG_fovea-ROI；

步骤4.1.4：计算中央凹ROIG_fovea-ROI的质心(x_fovea，y_fovea)，将其近似为中央凹位置。

进一步，所述渗出分割功能模块的渗出分割操作步骤具体为：

步骤4.2.1：将预处理功能模块对眼底图像预处理得到的眼底增强图像G_clahe进行均值滤波得到背景估计图像G_clahe-mean，并进行形态学重建得到G_morp；

步骤4.2.2：将步骤4.2.1得到的形态学重建图G_morp与背景估计图G_clahe-mean作差得到归一化图像G_ex-norm，并用自适应阈值得到渗出候选区域I：G_ex-cand1；

步骤4.2.3：将预处理功能模块对眼底图像预处理得到的眼底增强图像G_clahe进行局部方差计算得到明亮区域边界图G_clahe-std，对边界图G_clahe-std进行开操作并进行阈值分割得到G_std-otsu；

步骤4.2.4：对步骤4.2.3中的G_std-otsu依次进行膨胀操作、闭操作和孔洞填充，得到渗出候选区域II：G_ex-cand2；

步骤4.2.5：将步骤4.2.2中的G_ex-cand1和步骤4.2.4中的渗出候选区域G_ex-cand2取逻辑或操作，得到G_cand-or，将G_cand-or和眼底增强图像G_clahe进行形态学重建得到G_clahe-or；

步骤4.2.6：利用步骤3.8中得到的视盘区域G_OD，删去G_clahe-or在该区域内的候选区域，得到最终渗出候选区域G_ex-cand。

进一步，所述统计计算功能模块统计计算的操作步骤具体为：

步骤5.1：以得到的中央凹像素(x_fovea，y_fovea)为圆心，由眼底医生根据相应标准自定义给出不同半径，并划分同心圆，以3个半径为例，由内向外依次标记为R₁、R₂、R₃；

步骤5.2：记R₁与R₂之间的圆环为C₁，R₂与R₃之间的圆环为C₂，统计渗出分割功能模块得到的渗出区域G_ex-cand在R₁、C₁、C₂内的像素数目，从而计算出该输入的视网膜眼底图像糖尿病黄斑水肿病变的概率。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明中，首先通过眼底图像采集装置采集视网膜眼底图像，输入到数据处理模块；对输入图像进行血管分割和渗出分割；对血管分割图进行模板滤波得到视盘位置，并用椭圆拟合分割出视盘；依据视盘与黄斑之间的先验生理信息确定出黄斑感兴趣区域(ROI)，接着计算出黄斑中心中央凹的坐标，再以中央凹为圆心，划分不同半径的同心圆，统计各区域内渗出数量并给出患糖尿病黄斑水肿病变(DME)的概率，充分考虑视网膜渗出病变、视盘、黄斑等这些结构与病变在眼底图像中的位置、特征等，系统结合多方面结构准确地分割出眼底相关结构和病变区域，同时系统可以统计出病变区域面积和病变概率，在一定程度上给出量化数值参考，检测高效且检测病变更准确，从而在实际临床应用中给医生提供有效的可靠的辅助手段，医生通过本系统参考数值再决定出最终病变等级可以减少误诊率，且大幅度降低医生工作量，提高工作效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明一种基于串行结构分割的糖尿病视网膜病变检测系统的流程示意图；

图2为本发明输入图像和血管分割结果图；

图3为本发明视盘分割结果图和黄斑分割结果图；

图4为本发明渗出分割结果图和同心圆划分图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

一种基于串行结构分割的糖尿病视网膜病变检测系统，系统包括：

眼底图像采集装置：用于采集获取视网膜的眼底图像；

数据处理装置：用于分析处理采集的眼底图像，得到病变区域数据和病变概率，所述数据处理装置包括：

预处理功能模块：对采集的眼底图像进行预处理；

血管分割功能模块：对预处理后的眼底图像进行基于形态学的血管分割；

视盘分割功能模块：结合血管分割功能模块的处理结果，对预处理后的眼底图像进行视盘分割：

中央凹确定功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行中央凹确定；

渗出分割功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行渗出分割并得到渗出区域；

统计计算功能模块：结合中央凹确定功能模块和渗出分割功能模块的处理结果，统计渗出区域并计算出输入的眼底图像存在糖尿病黄斑水肿病变的概率。

进一步，所述数据处理装置还包括医生诊断功能模块：结合统计计算功能模块的处理结果，眼底医生参考分割出的渗出区域和患病概率，结合自身专业，给出最终诊断治疗方案。

眼底图像采集装置可采用各种类型眼底照相机或其他可采集眼底图像的照相装置来进行眼底图像采集，数据处理装置采用计算机或云端服务器实现。

进一步，所述预处理功能模块的预处理操作步骤具体为：

步骤1.1、对输入的眼底图像G进行RGB三通道提取，对各个通道进行中值滤波处理，再将三通道合成为单幅彩色图像G_new；

步骤1.2、对G_new进行限制对比度自适应直方图均衡(CLAHE)来增强图像对比度，得到眼底增强图像G_clahe。

进一步，所述血管分割功能模块的血管分割操作步骤具体为：

步骤2.1、首先提取步骤1.2中的眼底增强图像G_clahe的G通道，用中值滤波对其进行滤波，得到背景估计图像G_background，并用一定半径的圆盘结构元对背景估计图像G_background分别进行顶帽、底帽操作，得到G_top和G_black；

步骤2.2、将步骤2.1中的G_top和G_black以一定权重加在原图G上，并减去背景估计图像G_background，并进行阈值分割得到血管二值估计图G_BL；

步骤2.3、提取步骤2.2的血管二值估计图G_BL中连通域大于一定面积的连通区域，得到该眼底图像对应的眼底血管二值图像G_BV。

进一步，所述视盘分割功能模块的视盘分割操作步骤具体为：

步骤3.1、对步骤1.2中的眼底增强图像G_clahe进行双通道(R通道和G通道)阈值分割，得到二值图像G_RG；

步骤3.2、对步骤3.1中的二值图像G_RG进行连通域分析，提取每个连通域的最小矩形框，并对其进行向左、向右两个方向的扩张，得到扩张连通域后图像G_expand；

步骤3.3、统计步骤3.2中的扩张连通域后图像G_expand中的图像垂直中心线两侧的像素数目；

步骤3.4、基于步骤3.3中眼底图像垂直中心线两侧的像素数目选择相应的Toeplitz矩阵模板，当统计的像素有超过半数位于图像右侧，则选择右Toeplitz矩阵模板Mask，如式(1)所示：

否则，选择左Toeplitz矩阵模板Mask，如式(2)所示：

步骤3.5、将步骤2.3中分割的眼底血管图像和步骤3.2中扩张后的连通区域作与操作，得到候选区域的血管图像G_candidate：

G_candidate＝G_BV∩G_{exp and} (3)

步骤3.6、对候选区域的血管图像G_candidate进行滤波，得到滤波后的图像G_filter公式为：

步骤3.7、确定滤波后图像G_filter中灰度值最高的像素，该像素坐标即为眼底视盘定位位置坐标；

步骤3.8、以视盘定位位置坐标为中心，在输入的眼底图像G中框定一定大小矩形区域作为视盘候选区域G_OD；

步骤3.9、提取步骤3.8中视盘候选区域的R通道，记为图像G′_R；

步骤3.10、用半径递增的结构元进行交替膨胀腐蚀操作来去除视盘候选区域内部的血管，先选取一定半径的圆盘结构元B，对图像G′_R进行交替膨胀腐蚀操作：

σ^(B)＝δ^(B)(ε^(B)(G′_R)) (5)

其中，δ^(B)表示以B为结构元进行膨胀操作；ε^(B)表示以B为结构元进行腐蚀操作；

步骤3.11、增加圆盘结构元B的半径，得到新的圆盘结构元B′，对步骤3.10处理后的图像再次进行交替膨胀腐蚀操作：

σ^(B′)＝δ^(B′)(ε^(B′)(σ^(B))) (6)

步骤3.12、继续增加圆盘结构元B′的半径，得到新的圆盘结构元B″，对步骤3.11处理后的图像再次进行交替膨胀腐蚀操作来去除视盘候选区域内部的血管：

σ^(B″)＝δ^(B″)(ε^(B″)(σ^(B))) (7)

步骤3.13、采用最大类间方差法对去除血管后的视盘候选区域进行阈值分割，得到二值图像G_Otsu，并用Canny算子提取二值图像G_Otsu的边缘，得到边缘图像G_edge；

步骤3.14、提取边缘图像G_edge中的轮廓坐标，对其进行最小二乘椭圆拟合；

步骤3.15、在眼底图像G中绘制步骤3.14的椭圆方程曲线，即为视盘椭圆ROI区域。

进一步，所述步骤3.14中最小二乘椭圆拟合的具体步骤为：

假设椭圆方程为：ax²+bxy+cy²+dx+ey＝1，则最小二乘椭圆拟合的最优化问题可以表示为：

min||Dα||²

s.t.α^TCα＝1 (8)

其中α＝[a，b，c，d，e]；D表示轮廓坐标信息集合，维数为n×6，n为轮廓像素个数；矩阵C如下：

进一步，所述中央凹确定功能模块的中央凹确定操作步骤具体为：

步骤4.1.1、利用步骤3得出的视盘位置和视盘大小，获取出黄斑ROI区域G_m-ROI；

步骤4.1.2：提取步骤4.1.1中黄斑ROI区域G_m-ROI的绿色通道G_m-G，并进行自适应对比度增强得到G′_m-G，将增强后图像G′_m-G与G_m-ROI进行作差，得到去相关图像G_m-decor；

步骤4.1.3：对步骤4.1.2中得到的去相关图像G_m-decor进行自适应阈值分割得到G_m-otsu，再进行形态学腐蚀操作得G_m-erode，接着取G_m-erode中的最大连通域面积的区域为中央凹ROIG_fovea-ROI；

步骤4.1.4：计算中央凹ROIG_fovea-ROI的质心(x_fovea，y_fovea)，将其近似为中央凹位置。

进一步，所述渗出分割功能模块的渗出分割操作步骤具体为：

步骤4.2.1：对步骤1.2中的眼底增强图像G_clahe进行均值滤波得到背景估计图像G_clahe-mean，并进行形态学重建得到G_morp；

步骤4.2.2：将步骤4.2.1得到的形态学重建图G_morp与背景估计图G_clahe-mean作差得到归一化图像G_ex-norm，并用自适应阈值得到渗出候选区域I：G_ex-cand1；

步骤4.2.3：对步骤1.2中的眼底增强图像G_clahe进行局部方差计算得到明亮区域边界图G_clahe-std，对边界图G_clahe-std进行开操作并进行阈值分割得到G_std-otsu；

步骤4.2.4：对步骤4.2.3中的G_std-otsu依次进行膨胀操作、闭操作和孔洞填充，得到渗出候选区域II：G_ex-cand2；

步骤4.2.5：将步骤4.2.2中的G_ex-cand1和步骤4.2.4中的渗出候选区域G_ex-cand2取逻辑或操作，得到G_cand-or，将G_cand-or和步骤1中的图像G_clahe进行形态学重建得到G_clahe-or；

步骤4.2.6：利用步骤3.8中得到的视盘区域G_OD，删去G_clahe-or在该区域内的候选区域，得到最终渗出候选区域G_ex-cand。

进一步，所述统计计算功能模块统计计算的操作步骤具体为：

步骤5.1：以步骤4.1.4中的中央凹像素(x_fovea，y_fovea)为圆心，由眼底医生根据相应标准自定义给出不同半径，并划分同心圆，以3个半径为例，由内向外依次标记为R₁、R₂、R₃；

步骤5.2：记R₁与R₂之间的圆环为C₁，R₂与R₃之间的圆环为C₂，统计步骤4.2.6中得到的渗出区域G_ex-cand在R₁、C₁、C₂内的像素数目，从而计算出该输入的视网膜眼底图像糖尿病黄斑水肿病变的概率。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

本发明较佳实施例提供的一种基于串行结构分割的糖尿病视网膜病变检测系统，流程图如图1所示，系统包括：

眼底相机：用于采集获取视网膜的眼底图像，并输入到数据处理装置；

数据处理装置：用于分析处理采集的眼底图像，得到病变区域数据和病变概率，所述数据处理装置包括：

预处理功能模块：对采集的眼底图像进行预处理；

血管分割功能模块：对预处理后的眼底图像进行基于形态学的血管分割；

视盘分割功能模块：结合血管分割模块的处理结果，对预处理后的眼底图像进行视盘分割；

中央凹确定功能模块：结合视盘分割模块的处理结果，对预处理后的图像进行中央凹确定；

渗出分割功能模块：结合视盘分割模块的处理结果，对预处理后的图像进行渗出分割并得到渗出区域；

统计计算功能模块：结合中央凹确定模块和渗出分割模块的处理结果，统计渗出区域并计算出输入的眼底图像存在糖尿病黄斑水肿病变的概率。

医生诊断功能模块：结合统计计算模块的处理结果，眼底医生参考分割出的渗出区域和患病概率，结合自身专业，给出最终诊断治疗方案。

数据处理装置采用计算机进行数据处理分析，本发明中的数据处理装置的各个功能模块及其操作步骤可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读的存储介质中。

进一步，所述预处理功能模块的预处理操作步骤具体为：

步骤1.1、对输入的眼底图像G进行RGB三通道提取，对各个通道进行中值滤波处理，再将三通道合成为单幅彩色图像G_new。本实施例中，输入图像大小为1552*1928，中值滤波大小为3*3。

步骤1.2、对G_new进行限制对比度自适应直方图均衡(CLAHE)来增强图像对比度，得到眼底增强图像G_clahe。本实施例中，CLAHE参数对比度增强限制为0.01，直方图为256个bins。

进一步，所述血管分割功能模块的血管分割操作步骤具体为：

步骤2.1、首先提取步骤1.2中的眼底增强图像G_clahe的G通道，用中值滤波对其进行滤波，得到背景估计图像G_background，并用一定半径的圆盘结构元对背景估计图像G_background分别进行顶帽、底帽操作，得到G_top和G_black。本实施例中，中值滤波大小为40*40，顶帽圆盘结构元半径为20，底帽圆盘结构元半径为6。

步骤2.2、将步骤2.1中的G_top和G_black以一定权重加在原图G上，并减去背景估计图像G_background，并进行阈值分割得到血管二值估计图G_BL。

本实施例中，G_background＝0.8*G_top-0.8*G_black+G。

步骤2.3、提取步骤2.2的血管二值估计图G_BL中连通域大于一定面积的连通区域，得到该眼底图像对应的眼底血管二值图像G_BV。如图2所示，(a)为输入图像，(b)为血管分割结果，本实施例中，连通域阈值取为350。

进一步，所述视盘分割功能模块的视盘分割操作步骤具体为：

步骤3.1、对步骤1.2中的眼底增强图像G_clahe进行双通道(R通道和G通道)阈值分割，得到二值图像G_RG。RG通道各像素值范围为0-255，本实施例中，R通道阈值为250，G通道阈值为160。

步骤3.2、对步骤3.1中的二值图像G_RG进行连通域分析，提取每个连通域的最小矩形框，并对其进行向左、向右两个方向的扩张，得到扩张连通域后图像G_expand。本实施例中，扩张的大小为矩形框最长边长的一半。

步骤3.3、统计步骤3.2中的扩张连通域后图像G_expand中的图像垂直中心线两侧的像素数目。

步骤3.4、基于步骤3.3中眼底图像垂直中心线两侧的像素数目选择相应的Toeplitz矩阵模板，当统计的像素有超过半数位于图像右侧，则选择右Toeplitz矩阵模板Mask，如式(1)所示：

否则，选择左Toeplitz矩阵模板Mask，如式(2)所示：

步骤3.5、将步骤2.3中分割的眼底血管图像和步骤3.2中扩张后的连通区域作与操作，得到候选区域的血管图像G_candidate：

G_candidate＝G_BV∩G_expand (3)。

步骤3.6、对候选区域的血管图像G_candidate进行滤波，得到滤波后的图像G_filter公式为：

步骤3.7、确定滤波后图像G_filter中灰度值最高的像素，该像素坐标即为眼底视盘定位位置坐标。

步骤3.8、以视盘定位位置坐标为中心，在输入的眼底图像G中框定一定大小矩形区域作为视盘候选区域G_OD。本实施例中矩形框大小为400×400。

步骤3.9、提取步骤3.8中视盘候选区域的R通道，记为图像G′_R。

步骤3.10、用半径递增的结构元进行交替膨胀腐蚀操作来去除视盘候选区域内部的血管，先选取一定半径的圆盘结构元B，对图像G′_R进行交替膨胀腐蚀操作：

σ^(B)＝δ^(B)(ε^(B)(G′_R)) (5)其中，δ^(B)表示以B为结构元进行膨胀操作；ε^(B)表示以B为结构元进行腐蚀操作。

步骤3.11、增加圆盘结构元B的半径，得到新的圆盘结构元B′，对步骤3.10处理后的图像再次进行交替膨胀腐蚀操作：

σ^(B′)＝δ^(B′)(ε^(B′)(σ^(B))) (6)。

步骤3.12、继续增加圆盘结构元B′的半径，得到新的圆盘结构元B″，对步骤3.11处理后的图像再次进行交替膨胀腐蚀操作来去除视盘候选区域内部的血管：

σ^(B″)＝δ^(B″)(ε^(B″)(σ^(B′))) (7)。

步骤3.13、采用最大类间方差法对去除血管后的视盘候选区域进行阈值分割，得到二值图像G_Otsu，并用Canny算子提取二值图像G_Otsu的边缘，得到边缘图像G_edge。

步骤3.14、提取边缘图像G_edge中的轮廓坐标，对其进行最小二乘椭圆拟合。

步骤3.15、在眼底图像G中绘制步骤3.14的椭圆方程曲线，即为视盘椭圆ROI区域。

图3-(a)为本发明视盘分割结果图。

进一步，所述步骤3.14中最小二乘椭圆拟合的具体步骤为：

假设椭圆方程为：ax²+bxy+cy²+dx+ey＝1，则最小二乘椭圆拟合的最优化问题可以表示为：

min||Dα||²

s.t.α^TCα＝1 (8)

其中α＝[a，b，c，d，e]；D表示轮廓坐标信息集合，维数为n×6，n为轮廓像素个数；矩阵C如下：

进一步，所述中央凹确定功能模块的中央凹确定操作步骤具体为：

步骤4.1.1、利用步骤3得出的视盘位置和视盘大小，获取出黄斑ROI区域G_m-ROI。图3-(b)为本发明黄斑分割结果图，本实施例中，以视盘中心为起点，2.5倍椭圆长轴大小向左/向右，80个像素向下到达终点，并以此为中心取300*400的矩形框。

步骤4.1.2：提取步骤4.1.1中黄斑ROI区域G_m-ROI的绿色通道G_m-G，并进行自适应对比度增强得到G′_m-G，将增强后图像G′_m-G与G_mROI进行作差，得到去相关图像G_m-decor。本实施例中，CLAHE参数对比度增强限制为0.01，直方图为256个bins。

步骤4.1.3：对步骤4.1.2中得到的去相关图像G_m-decor进行自适应阈值分割得到G_m-otsu，再进行形态学腐蚀操作得G_m-erode，接着取G_m-erode中的最大连通域面积的区域为中央凹ROIG_fovea-ROI。本实施例中，腐蚀操作选取半径为3的圆盘结构元。

步骤4.1.4：计算中央凹ROIG_fovea-ROI的质心(x_fovea，y_fovea)，将其近似为中央凹位置。

进一步，所述渗出分割模块的渗出分割操作步骤具体为：

步骤4.2.1：对步骤1.2中的眼底增强图像G_clahe进行均值滤波得到背景估计图像G_clahe-mean，并进行形态学重建得到G_morp。本实施例中，均值滤波大小为50*50。

步骤4.2.2：将步骤4.2.1得到的形态学重建图G_morp与背景估计图G_clahe-mean作差得到归一化图像G_ex-norm，并用自适应阈值得到渗出候选区域I：G_ex-cand1。

步骤4.2.3：对步骤1.2中的眼底增强图像G_clahe进行局部方差计算得到明亮区域边界图G_clahe-std，对边界图G_clahe-std进行开操作并进行阈值分割得到G_std-otsu。本实施例中，开操作选取半径为3的圆盘结构元。

步骤4.2.4：对步骤4.2.3中的G_std-otsu依次进行膨胀操作、闭操作和孔洞填充，得到渗出候选区域II：G_ex-cand2。本实施例中，膨胀操作选取半径为5的圆盘结构元，闭操作选取半径为10的圆盘结构元。

步骤4.2.5：将步骤4.2.2中的G_ex-cand1和步骤4.2.4中的渗出候选区域G_ex-cand2取逻辑或操作，得到G_cand-or，将G_cand-or和步骤1中的图像G_clahe进行形态学重建得到G_clahe-or。

步骤4.2.6：利用步骤3.8中得到的视盘区域G_OD，删去G_clahe-or在该区域内的候选区域，得到最终渗出候选区域G_ex-cand。

进一步，所述统计计算功能模块统计计算的操作步骤具体为：

步骤5.1：以步骤4.1.4中的中央凹像素(x_fovea，y_fovea)为圆心，由眼底医生根据相应标准自定义给出不同半径，并划分同心圆，以3个半径为例，由内向外依次标记为R₁、R₂、R₃。本实施例中，R₁为视盘椭圆长轴长度的三分之一，R₂大小为视盘椭圆长轴长度，R₃为视盘椭圆长轴长度的两倍。

步骤5.2：记R₁与R₂之间的圆环为C₁，R₂与R₃之间的圆环为C₂，统计步骤4.2.6中得到的渗出区域G_ex-cand在R₁、C₁、C₂内的像素数目，从而计算出该输入的视网膜眼底图像糖尿病黄斑水肿病变的概率。

图4-(a)为本发明渗出分割结果图，图4-(b)为本发明同心圆划分图。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：系统包括：

眼底图像采集装置：用于采集获取视网膜的眼底图像；

数据处理装置：用于分析处理采集的眼底图像，得到病变区域数据和病变概率，所述数据处理装置包括：

预处理功能模块：对采集的眼底图像进行预处理；

血管分割功能模块：对预处理后的眼底图像进行基于形态学的血管分割；

视盘分割功能模块：结合血管分割功能模块的处理结果，对预处理后的眼底图像进行视盘分割；

中央凹确定功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行中央凹确定；

渗出分割功能模块：结合视盘分割功能模块的处理结果，对预处理后的图像进行渗出分割并得到渗出区域；

统计计算功能模块：结合中央凹确定功能模块和渗出分割功能模块的处理结果，统计渗出区域并计算出输入的眼底图像存在糖尿病黄斑水肿病变的概率。

2.根据权利要求1所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述数据处理装置还包括医生诊断功能模块：结合统计计算功能模块的处理结果，眼底医生参考分割出的渗出区域和患病概率，结合自身专业，给出最终诊断治疗方案。

3.根据权利要求1所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述预处理功能模块的预处理操作步骤具体为：

步骤1.1、对输入的眼底图像G进行RGB三通道提取，对各个通道进行中值滤波处理，再将三通道合成为单幅彩色图像G_new；

步骤1.2、对G_new进行限制对比度自适应直方图均衡来增强图像对比度，得到眼底增强图像G_clahe。

4.根据权利要求1或3所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述血管分割功能模块的血管分割操作步骤具体为：

步骤2.1、首先提取预处理功能模块对眼底图像预处理后得到的眼底增强图像G_clahe的G通道，用中值滤波对其进行滤波，得到背景估计图像G_background，并用一定半径的圆盘结构元对背景估计图像G_background分别进行顶帽、底帽操作，得到G_top和G_black；

步骤2.2、将步骤2.1中的G_top和G_black以一定权重加在原图G上，并减去背景估计图像G_background，并进行阈值分割得到血管二值估计图G_BL；

步骤2.3、提取步骤2.2的血管二值估计图G_BL中连通域大于一定面积的连通区域，得到该眼底图像对应的眼底血管二值图像G_BV。

5.根据权利要求1或4所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述视盘分割功能模块的视盘分割操作步骤具体为：

步骤3.1、对眼底图像预处理后的眼底增强图像G_clahe进行双通道阈值分割，得到二值图像G_RG；

步骤3.2、对步骤3.1中的二值图像G_RG进行连通域分析，提取每个连通域的最小矩形框，并对其进行向左、向右两个方向的扩张，得到扩张连通域后图像G_expand；

步骤3.3、统计步骤3.2中的扩张连通域后图像G_expand中的图像垂直中心线两侧的像素数目；

步骤3.4、基于步骤3.3中眼底图像垂直中心线两侧的像素数目选择相应的Toeplitz矩阵模板，当统计的像素有超过半数位于图像右侧，则选择右Toeplitz矩阵模板Mask，如式(1)所示：

否则，选择左Toeplitz矩阵模板Mask，如式(2)所示：

步骤3.5、将血管分割功能模块中分割的眼底血管图像和步骤3.2中扩张后的连通区域作与操作，得到候选区域的血管图像G_candidate：

G_candidate＝G_BV∩G_expand (₃)

步骤3.6、对候选区域的血管图像G_candidate进行滤波，得到滤波后的图像G_filter公式为：

步骤3.7、确定滤波后图像G_filter中灰度值最高的像素，该像素坐标即为眼底视盘定位位置坐标；

步骤3.8、以视盘定位位置坐标为中心，在输入的眼底图像G中框定一定大小矩形区域作为视盘候选区域G_OD；

步骤3.9、提取步骤3.8中视盘候选区域的R通道，记为图像G′_R；

步骤3.10、用半径递增的结构元进行交替膨胀腐蚀操作来去除视盘候选区域内部的血管，先选取一定半径的圆盘结构元B，对图像G′_R进行交替膨胀腐蚀操作：

σ^(B)＝δ^(B)(ε^(B)(G′_R)) (5)

其中，δ^(B)表示以B为结构元进行膨胀操作；ε^(B)表示以B为结构元进行腐蚀操作；

步骤3.11、增加圆盘结构元B的半径，得到新的圆盘结构元B′，对步骤3.10处理后的图像再次进行交替膨胀腐蚀操作：

σ^(B′)＝δ^(B′)(ε^(B′)(σ^(B))) (6)

步骤3.12、继续增加圆盘结构元B′的半径，得到新的圆盘结构元B″，对步骤3.11处理后的图像再次进行交替膨胀腐蚀操作来去除视盘候选区域内部的血管：

σ^(B″)＝δ^(B″)(ε^(B″)(σ^(B′))) (7)

步骤3.13、采用最大类间方差法对去除血管后的视盘候选区域进行阈值分割，得到二值图像G_Otsu，并用Canny算子提取二值图像G_Otsu的边缘，得到边缘图像G_edge；

步骤3.14、提取边缘图像G_edge中的轮廓坐标，对其进行最小二乘椭圆拟合；

步骤3.15、在眼底图像G中绘制步骤3.14的椭圆方程曲线，即为视盘椭圆ROI区域。

6.根据权利要求5所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述步骤3.14中最小二乘椭圆拟合的具体步骤为：

假设椭圆方程为：ax²+bxy+cy²+dx+ey＝1，则最小二乘椭圆拟合的最优化问题可以表示为：

min||Dα||²

s.t.α^TCα＝1 (8)

其中α＝[a，b，c，d，e]；D表示轮廓坐标信息集合，维数为n×6，n为轮廓像素个数；矩阵C如下：

7.根据权利要求1或5任一项所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述中央凹确定功能模块的中央凹确定操作步骤具体为：

步骤4.1.1、利用视盘分割功能模块得出的视盘位置和视盘大小，获取出黄斑ROI区域G_m-ROI；

步骤4.1.2：提取步骤4.1.1中黄斑ROI区域G_m-ROI的绿色通道G_m-G，并进行自适应对比度增强得到G′_m-G，将增强后图像G′_m-G与G_m-ROI进行作差，得到去相关图像G_m-decor；

步骤4.1.3：对步骤4.1.2中得到的去相关图像G_m-decor进行自适应阈值分割得到G_m-otsu，再进行形态学腐蚀操作得G_m-erdoe，接着取G_m-erode中的最大连通域面积的区域为中央凹ROIG_fovea-ROI；

步骤4.1.4：计算中央凹ROIG_fovea-ROI的质心(x_fovea，y_fovea)，将其近似为中央凹位置。

8.根据权利要求1或3或5任一项所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述渗出分割功能模块的渗出分割操作步骤具体为：

步骤4.2.1：将预处理功能模块对眼底图像预处理得到的眼底增强图像G_clahe进行均值滤波得到背景估计图像G_clahe-mean，并进行形态学重建得到G_morp；

步骤4.2.2：将步骤4.2.1得到的形态学重建图G_morp与背景估计图G_clahe-mean作差得到归一化图像G_ex-norm，并用自适应阈值得到渗出候选区域I：G_ex-cand1；

步骤4.2.3：将预处理功能模块对眼底图像预处理得到的眼底增强图像G_clahe进行局部方差计算得到明亮区域边界图G_clahe-std，对边界图G_clahe-std进行开操作并进行阈值分割得到G_std-otsu；

步骤4.2.4：对步骤4.2.3中的G_std-otsu依次进行膨胀操作、闭操作和孔洞填充，得到渗出候选区域II：G_ex-cand2；

步骤4.2.5：将步骤4.2.2中的G_ex-cand1和步骤4.2.4中的渗出候选区域G_ex-cand2取逻辑或操作，得到G_cand-or，将G_cand-or和眼底增强图像G_clahe进行形态学重建得到G_clahe-or；

步骤4.2.6：利用视盘分割功能模块中得到的视盘区域G_OD，删去G_clahe-or在该区域内的候选区域，得到最终渗出候选区域G_ex-cand。

9.根据权利要求1或7或8任一项所述的一种基于串行结构分割的糖尿病视网膜病变检测系统，其特征在于：所述统计计算功能模块统计计算的操作步骤具体为：

步骤5.1：以得到的中央凹像素(x_fovea，y_fovea)为圆心，由眼底医生根据相应标准自定义给出不同半径，并划分同心圆，以3个半径为例，由内向外依次标记为R₁、R₂、R₃；

步骤5.2：记R₁与R₂之间的圆环为C₁，R₂与R₃之间的圆环为C₂，统计渗出分割功能模块得到的渗出区域G_ex-cand在R₁、C₁、C₂内的像素数目，从而计算出该输入的视网膜眼底图像糖尿病黄斑水肿病变的概率。