CN109658394A - 眼底图像预处理方法及系统和微血管瘤检测方法及系统 - Google Patents

眼底图像预处理方法及系统和微血管瘤检测方法及系统 Download PDF

Info

Publication number
CN109658394A
CN109658394A CN201811485569.6A CN201811485569A CN109658394A CN 109658394 A CN109658394 A CN 109658394A CN 201811485569 A CN201811485569 A CN 201811485569A CN 109658394 A CN109658394 A CN 109658394A
Authority
CN
China
Prior art keywords
image
eye fundus
fundus image
enhancing
denoising
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.)
Granted
Application number
CN201811485569.6A
Other languages
English (en)
Other versions
CN109658394B (zh
Inventor
姜泓羊
高孟娣
杨康
代黎明
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.)
Beijing Zhizhen Health Technology Co ltd
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201811485569.6A priority Critical patent/CN109658394B/zh
Publication of CN109658394A publication Critical patent/CN109658394A/zh
Application granted granted Critical
Publication of CN109658394B publication Critical patent/CN109658394B/zh
Active 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种眼底图像预处理方法及系统和微血管瘤检测方法及系统，预处理方法包括：采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，获取增强眼底图像；对增强眼底图像进行去噪处理，得到去噪眼底图像；对于去噪眼底图像，采用基于矩形拟合圆的图像扩增方法对去噪眼底图像进行扩增，得到最终的扩增眼底图像。其通过对原始眼底图像进行预处理，使得后续对眼底图像进行微血管瘤的检测时，能够有效降低血管影像对于微血管瘤的影响，并且提高微血管瘤检测的准确性，最终有效解决了传统的眼底图像的微血管瘤检测方法准确性较低的问题。

Description

眼底图像预处理方法及系统和微血管瘤检测方法及系统
技术领域
本发明涉及医学图像处理技术领域，特别是涉及一种眼底图像预处理方法及系统和微血管瘤检测方法及系统。
背景技术
微血管瘤作为非增殖型糖尿病视网膜病变(NPDR)眼底图像中最先表现出来的病症，在诊断中很容易被医生漏诊。目前，眼底图像的微血管瘤提取方法大多采用传统图像处理技术与小样本量的统计机器学习模型相融合的方法。该方法依赖于图像分割效果以及特征选择的方式，通常情况下需要多种图像处理方法的组合最终生成候选图像区域的特征向量。但是，多种图像处理方法的叠加使得图像在每一次处理中都会存在增加假阳性或假阴性的风险。并且，传统的眼底图像的微血管瘤提取方法中所使用的数据量较少，统计机器学习方法很容易过拟合，因而很难保证算法的鲁棒性和泛化性，由此影响了微血管瘤检测的准确性。
发明内容
基于此，有必要针对传统的眼底图像的微血管瘤检测方法准确性较低的问题，提供一种眼底图像预处理方法及系统和微血管瘤检测方法及系统。
基于上述目的，本发明提供的一种眼底图像预处理方法，包括如下步骤：
采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，获取增强眼底图像；
对所述增强眼底图像进行去噪处理，得到去噪眼底图像；
对于所述去噪眼底图像，采用基于矩形拟合圆的图像扩增方法对所述去噪眼底图像进行扩增，得到最终的扩增眼底图像。
在其中一个实施例中，所述采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，获取增强眼底图像，包括如下步骤：
根据计算公式：对所述原始眼底图像做高斯滤波操作，得到滤波后的眼底图像；
根据公式：Ienhance＝α·Iori+β·Igaussian+λ，将所述原始眼底图像和所述滤波后的眼底图像进行加权融合，得到所述增强眼底图像；
其中，Iori为所述原始眼底图像，Igaussian为所述滤波后的眼底图像，G(x，y)为二维高斯滤波函数，Ienhance为所述增强眼底图像，α和β用于调整所述增强眼底图像的显色范围，γ用于调整所述增强眼底图像的灰阶偏置。
在其中一个实施例中，对所述增强眼底图像进行去噪处理，得到去噪眼底图像，包括如下步骤：
对所述增强眼底图像进行定位，定位出所述增强眼底图像中近圆形成像区域的几何中心点O(x,y)；
计算所述近圆形成像区域的几何半径；
基于计算出的所述几何半径和定位得到的所述几何中心点，画出圆形区域，并根据所述成像区域的形状，对超出成像区域的部分做镜像处理；
以所述圆形区域的直径作为对角线，在所述圆形成像区域剪切矩形影像作为所述去噪眼底图像。
在其中一个实施例中，所述计算所述近圆形成像区域的几何半径，包括如下步骤：
扫描所述增强眼底图像，通过扫描得到所述增强眼底图像的第一矩形图像对角线AB、第二矩形图像对角线CD和一条过所述矩形图像中心点的水平线EF；
将所述增强眼底图像进行灰度化，并对所述第一矩形图像对角线AB、所述第二矩形图像对角线CD和所述水平线EF的像素值进行二值化处理；
分别计算出带有方向性的所述第一矩形图像对角线AB、所述第二矩形图像对角线CD和所述水平线EF二值化后中像素值为255的第一个像素点和最后一个像素点的位置；
分别计算出线段OA、线段OB、线段OC、线段OD、线段OE和线段OF的长度，并去除最长的两个线段和最短的两个线段后，对剩余的两个线段做平均估计作为所述圆形成像区域的几何半径。
在其中一个实施例中，所述根据所述成像区域的形状，对超出成像区域的部分做镜像处理，包括如下步骤：
判断所述成像区域的形状是否为截断圆形；
当判断出所述成像区域的形状为所述截断圆形时，对超出所述成像区域的部分做镜像处理；
当判断出所述成像区域的形状为圆形时，则不进行处理。
在其中一个实施例中，所述采用基于矩形拟合圆的图像扩增方法对所述去噪眼底图像进行扩增，得到最终的扩增眼底图像，包括如下步骤：
对所述圆形成像区域内的所述矩形影像进行定位，并将所述矩形影像按照预设旋转角度进行旋转，得到不同旋转视角的图像，对所述去噪眼底图像进行扩增。
相应的，基于同一发明构思，本发明还提供了一种眼底图像预处理系统，包括图像增强模块、图像去噪模块和图像扩增模块；
所述图像增强模块，用于采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，获取增强眼底图像；
所述图像去噪模块，用于对所述增强眼底图像进行去噪处理，得到去噪眼底图像；
所述图像增强模块，用于对于所述去噪眼底图像，采用基于矩形拟合圆的图像扩增方法对所述去噪眼底图像进行扩增，得到最终的扩增眼底图像。
在其中一个实施例中，所述图像增强模块包括图像滤波子模块和图像加权融合子模块；
其中，所述图像滤波子模块，用于根据计算公式： 对所述原始眼底图像做高斯滤波操作，得到滤波后的眼底图像；
所述图像加权融合子模块，用于根据公式：Ienhance＝α·Iori+β·Igaussian+λ，将所述原始眼底图像和所述滤波后的眼底图像进行加权融合，得到所述增强眼底图像；
其中，Iori为所述原始眼底图像，Igaussian为所述滤波后的眼底图像，G(x，y)为二维高斯滤波函数，Ienhance为所述增强眼底图像，α和β用于调整所述增强眼底图像的显色范围，γ用于调整所述增强眼底图像的灰阶偏置。
相应的，基于同一发明构思，本发明还提供了一种微血管瘤检测方法，包括如下步骤：
读取采集到的原始眼底图像，采用前面任一所述的眼底图像预处理方法对所述原始眼底图像进行预处理，获取处理后的眼底图像；
使用基于深度学习的血管分割模型对处理后的所述眼底图像进行血管影像提取，得到去除血管影像后的待检测眼底图像；
使用基于深度学习的目标检测模型对所述待检测眼底图像进行微血管瘤的检测。
相应的，基于同一发明构思，本发明还提供了一种微血管瘤检测系统，其特征在于，包括图像预处理模块、图像分割模块和图像检测模块；
所述图像预处理模块，用于读取采集到的原始眼底图像，采用前面任一所述的眼底图像预处理方法对所述原始眼底图像进行预处理，获取处理后的眼底图像；
所述图像分割模块，用于使用基于深度学习的血管分割模型对处理后的所述眼底图像进行血管影像提取，得到去除血管影像后的待检测眼底图像；
所述图像检测模块，用于使用基于深度学习的目标检测模型对所述待检测眼底图像进行微血管瘤的检测。
上述眼底图像预处理方法，通过先采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，降低了不同眼底图像的明显色差，而且保留了深红色微血管瘤与暗灰色镜头污点的色调；然后再在增强处理后的眼底图像的基础上进行去噪处理，以去除眼底图像中非成像区域对于后续微血管瘤检测时所采用的训练模型的干扰，提高训练模型中成像区域的图像分辨率；最后再在去噪处理后的眼底图像基础上采用基于矩形拟合圆的图像扩增方法进行图像扩增处理，以弥补去噪时去除的成像区域，保证成像区域的完整性，从而使得后续对眼底图像进行微血管瘤的检测时，能够有效降低血管影像对于微血管瘤的影响，并且提高微血管瘤检测的准确性，最终有效解决了传统的眼底图像的微血管瘤检测方法准确性较低的问题。
附图说明
图1为本发明的眼底图像预处理方法的一具体实施例的流程图；
图2为拍摄出的眼底图像中成像区域为圆形的形状示意图；
图3为拍摄出的眼底图像中成像区域为截断圆形的形状示意图；
图4为采用本发明的眼底图像预处理方法的一具体实施例对增强眼底图像进行去噪处理时通过扫描得到的三条直线的示意图；
图5为采用本发明的眼底图像预处理方法的一具体实施例对增强眼底图像进行去噪处理时对成像区域为截断圆形的眼底图像进行图像镜像补充的示意图；
图6为采用本发明的眼底图像预处理方法的一具体实施例对增强眼底图像进行去噪处理时在圆形成像区域剪切得到的矩形影像的示意图；
图7为采用本发明的眼底图像预处理方法的一具体实施例对去噪眼底图像中圆形成像区域内的矩形影像进行旋转的示意图；
图8为本发明的眼底图像预处理系统的一具体实施例结构示意图；
图9为本发明的微血管瘤检测方法的流程示意图；
图10为本发明的微血管瘤检测方法的一具体实施例中微血管瘤检测阶段的流程示意图；
图11为本发明的微血管瘤检测系统的一具体实施例的结构示意图。
具体实施方式
为使本发明技术方案更加清楚，以下结合具体实施例对本发明做进一步详细说明。其中，应当说明的是，以下描述包括帮助理解的各种具体细节，但是这些细节将被视为仅是示例性的。因此，本领域普通技术人员将认识到，在不脱离本公开的范围和精神的情况下，可对本文所述的各种实施例进行各种改变和修改。另外，为了清晰和简洁，公知功能和构造的描述可被省略。
以下描述和权利要求书中所使用的术语和词汇不限于文献含义，而是仅由发明人用来使本公开能够被清晰和一致地理解。因此，对于本领域技术人员而言应该明显的是，提供以下对本公开的各种实施例的描述仅是为了示例性目的，而非限制由所附权利要求及其等同物限定的本公开的目的。
应该理解，除非上下文明确另外指示，否则单数形式也包括复数指代。因此，例如，对“组件表面”的引用包括对一个或更多个这样的表面的引用。
参见图1，作为本发明的眼底图像预处理方法的一具体实施例，其主要从三个方面进行处理。即，图像增强、图像去燥和图像扩增。具体的，首先为了降低不同机型、不同人群所带来的眼底图像色彩差异的影响，首先进行步骤S100，采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，获取增强眼底图像。
具体的，在上述步骤S100中，其首先进行步骤S110，根据计算公式：对原始眼底图像做高斯滤波操作，得到滤波后的眼底图像。其中，Iori为原始眼底图像，Igaussian为滤波后的眼底图像，G(x，y)为二维高斯滤波函数。
然后，将原始图像Iori和高斯滤波后的图像Igaussian进行加权融合。即，步骤S120，根据公式：Ienhance＝α·Iori+β·Igaussian+λ，将原始眼底图像和滤波后的眼底图像进行加权融合，得到增强眼底图像。其中，Ienhance为增强眼底图像，α和β用于调整增强眼底图像的显色范围，γ用于调整增强眼底图像的灰阶偏置。此处，需要说明的是，α和β的取值可根据实际情况进行具体设置。在本实施例中，为了减少图像色差的影响，参数设置为：α＝4，β＝3.8，λ＝128。
当通过上述对原始眼底图像进行增强处理后，即可执行步骤S200，对增强眼底图像进行去噪处理，得到去噪眼底图像。在本实施例中，针对不同彩色眼底相机拍摄出的眼底图像，采用了一种通用的去除非成像区域噪声的方法。其具体包括：
步骤S210，对增强眼底图像进行定位，定位出增强眼底图像中近圆形成像区域的几何中心点O(x,y)。通常情况下，拍摄出的眼底图像中包含成像区域和非成像区域。基于不同的眼底相机，最终呈现的眼底影像形式也有所不同。其大致分为两种情况，即成像区域为圆形和成像区域为截断圆形。此处，应当说明的是，参见图2，成像区域为圆形指的是眼底图像中成像区域的整体轮廓为一个完整的圆形轮廓。参见图3，成像区域为截断圆形则指的是眼底图像中成像区域的整体轮廓并不是一个完整的圆形，而是部分区域为圆弧部分区域为直线的形状。
由于成像区域位于拍摄图片的中心位置，因此可以认为成像区域的几何中心点就是整幅拍摄图像的几何中心点，即圆形成像区域和矩形图像区域的几何中心点重合。由此，基于几何运算就很容易求出成像区域几何中心点O(x,y)。
当通过步骤S210定位出成像区域的几何中心点O(x,y)后，即可执行步骤S220，计算出近圆形成像区域的几何半径。一般情况下，非成像区域的像素色彩值均相同，且色彩呈暗黑色。因此，在本实施例中，针对眼底相机图像特点采用了一种鲁棒性较强且计算速度较快的半径计算方式，以成像区域为截断圆形的影像为例，通过如下步骤计算出成像区域的几何半径：
首先，包括步骤S221，扫描增强眼底图像，参见图4，通过扫描得到增强眼底图像的第一矩形图像对角线AB、第二矩形图像对角线CD和一条过矩形图像中心点的水平线EF。
然后，执行步骤S222，将增强眼底图像进行灰度化，并对第一矩形图像对角线AB、第二矩形图像对角线CD和水平线EF的像素值进行二值化处理。其中，二值化的公式为：
其中，I(0,0)表示图像坐标为(0,0)点的图像像素值，即图像左上角非成像区的第一个点；Ibinary(x,y)表示直线经过二值化后的像素值。
接着执行步骤S223，分别计算出带有方向性的第一矩形图像对角线AB、第二矩形图像对角线CD和水平线EF二值化后中像素值为255的第一个像素点和最后一个像素点的位置。即，估计出点A、B、C、D、E和F的位置。
最后，再通过步骤S224，分别计算出线段OA、线段OB、线段OC、线段OD、线段OE和线段OF的长度，并去除最长的两个线段(如：线段OA和线段OB)和最短的两个线段(如线段OE和OF)后，对剩余的两个线段(如：线段OC和OD)做平均估计作为圆形成像区域的几何半径R。
当通过上述步骤计算出近圆形成像区域的几何半径R后，即可执行步骤S230，基于计算出的几何半径和定位得到的几何中心点，画出圆形区域，并根据成像区域的形状，对超出成像区域的部分做镜像处理。此处，需要说明的是，在该步骤中，根据成像区域的形状，对超出成像区域的部分做镜像处理具体包括步骤S231，判断成像区域的形状是否为截断圆形；当判断出成像区域的形状为截断圆形时，对超出成像区域的部分做镜像处理；当判断出成像区域的形状为圆形时，则不进行处理。也就是说，参见图5，在根据成像区域的形状，对超出成像区域的部分做镜像处理时，只需要针对成像区域为截断圆形的成像区域中对截断的区域做图像镜像补充，当成像区域为圆形时，则不需要进行镜像补充处理，直接进行下一步骤即可。
进而再进行步骤S240，以圆形区域的直径作为对角线，在圆形成像区域剪切矩形影像作为去噪眼底图像。即，参见图6，以圆形区域的直径2R作为对角线，在圆形成像区域剪切矩形影像(优选为正方形影像)，便于作为后续进行微血管瘤检测时所采用的深度学习模型的训练数据。其中，矩形虚线框就是剪切出的成像区域，矩形虚线框之外的成像区域将被舍去。
最后，由于原始眼底图像在去除非成像区域时舍去了部分成像区域，这就很容易造成微血管瘤的漏检，因此为了保证微血管瘤检测的完整性和准确性，在本实施例中，当通过上述步骤对眼底图像进行相应的增强和去噪处理后，还在此基础上增加了扩增处理。即，本实施例在执行完上述步骤后，继续执行步骤S300，对于去噪眼底图像，采用基于矩形拟合圆的图像扩增方法对去噪眼底图像进行扩增，得到最终的扩增眼底图像。
具体的，本实施例采用的扩增方法是一种旋转矩形的图像扩增方法。即，参见图7，在圆形区域中定位出内接矩形(或内接正方形)，并将该矩形按照预设旋转角度进行旋转，得到不同旋转视角的图像。采用本实施例的基于矩形拟合圆的图像扩增方法对去噪眼底图像进行扩增，弥补了图像去燥时舍去的部分成像区域，由图7可见扩增效果。
其中，θ表示内接矩形的旋转角度，旋转角度越小，扩增的得到的内接矩形越多；黑色三角区域表示舍去的成像区域，旋转角度θ越小，舍去的成像区域越少且越接近圆形成像区域边缘。通常情况下，圆形成像区域的边缘易受到曝光过强或过暗的影响，对于微血管瘤的检测的意义较小，因此本实施例可以通过调节旋转角度θ来调节去除边缘影像区域的大小。
由此，本发明的眼底图像预处理方法通过在图像增强处理中，采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，既降低了不同眼底图像的明显色差，而且还保留了深红色微血管瘤与暗灰色镜头污点的色调；在对增强眼底图像进行去噪处理时所采用的去噪方法去除了非成像区域对于后续微血管瘤检测所采用的模型训练的干扰，同时还提高了训练数据中成像区域的图像分辨率；在对去噪眼底图像进行图像扩增过程中，所采用的基于矩形拟合圆的图像扩增方法既弥补了去噪时去除的成像其余，而且还达到了图像扩增的效果，使得在后续微血管瘤检测截断使用经过上述预处理后的高分辨率眼底影像，不仅降低了血管影像对于微血管瘤的影响，而且还提高了微血管瘤检测的准确性。其不仅能够大幅度降低图像噪声，而且还能够提高微血管瘤区域的分辨率，增加训练样本的多样性，起到图像扩增的作用，从而大大提高了微血管瘤的检出率。
相应的，为了实现上述任一种眼底图像预处理方法，本发明还提供了一种眼底图像预处理系统。由于本发明提供的眼底图像预处理系统的工作原理与本发明提供的眼底图像预处理方法的原理相同或相似，因此重复之处不再赘述。
参见图8，作为本发明的眼底图像预处理系统100的一具体实施例，其包括图像增强模块110、图像去噪模块120和图像扩增模块130。其中，图像增强模块110，用于采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，获取增强眼底图像。图像去噪模块120，用于对增强眼底图像进行去噪处理，得到去噪眼底图像。图像增强模块110，用于对于去噪眼底图像，采用基于矩形拟合圆的图像扩增方法对去噪眼底图像进行扩增，得到最终的扩增眼底图像。
进一步的，图像增强模块110包括图像滤波子模块和图像加权融合子模块(图中未示出)。其中，图像滤波子模块，用于根据计算公式： 对原始眼底图像做高斯滤波操作，得到滤波后的眼底图像。图像加权融合子模块，用于根据公式：Ienhance＝α·Iori+β·Igaussian+λ，将原始眼底图像和滤波后的眼底图像进行加权融合，得到增强眼底图像。其中，Iori为原始眼底图像，Igaussian为滤波后的眼底图像，G(x，y)为二维高斯滤波函数，Ienhance为增强眼底图像，α和β用于调整增强眼底图像的显色范围，γ用于调整增强眼底图像的灰阶偏置。
另外，基于上述任一种眼底图像预处理方法，本发明还提供了一种微血管瘤检测方法。参见图9，作为本发明的微血管瘤检测方法的一具体实施例，其首先包括步骤S10，读取采集到的原始眼底图像，采用如上任一所述的眼底图像预处理方法对原始眼底图像进行预处理，获取处理后的眼底图像。此处，应当说明的是，由于在本发明的微血管瘤检测方法中，对原始眼底图像进行预处理的方法与前面所述的预处理方法相同或相似，因此重复之处不再赘述。
当通过前面任一所述的眼底图像预处理方法进行原始眼底图像的处理之后，即可执行步骤S20，使用基于深度学习的血管分割模型对处理后的眼底图像进行血管影像提取，得到去除血管影像后的待检测眼底图像。此处，应当说明的是，在该步骤中所使用的基于深度学习的血管分割模型需要在训练阶段通过步骤S00中的图像预处理对原始眼底图像进行预处理后，再通过步骤S01进行预先训练得到相应的训练模型后，再直接调用通过预先训练步骤(即，步骤S01)得到的相应的训练模型进行血管影像的分割提取。
其中，优选的，参见图10，在该步骤中，血管分割模型采用的是经典的Segnet语义分割模型。具体的，在步骤S01中，训练数据是带有血管语义标注的DRIVE公开数据集，并且使用了本发明的图像扩增方法。其中，预设旋转角度θ＝11.25°。即，扩增了90°/11.25°＝8倍。其通过使用基于深度学习的血管分割模型(优选为Segnet模型)对处理后的眼底图像进行血管影像的提取，从而将血管影像提取出来，使得后续在对微血管瘤检测时排除了血管影像的干扰。
进而，再执行步骤S30，使用基于深度学习的目标检测模型对待检测眼底图像进行微血管瘤的检测。此处，应当说明的是，在该步骤中所使用的基于深度学习的目标检测模型同样需要在训练阶段通过步骤S00中的图像预处理对原始眼底图像进行预处理后，再通过步骤S01进行预先训练得到相应的训练模型后，再直接调用通过预先训练步骤(即，步骤S01)得到的相应的训练模型进行血管影像的分割提取。
其中，参见图10，优选的，在本实施例中，目标检测模型采用的是经典的Fasterrcnn目标检测模型。在训练阶段，步骤S00’中，进行图像预处理时所采用的预设旋转角度为22.5°。训练数据是本发明收集的具有微血管瘤标注的眼底图像1000张，使用本发明的图像扩增方法。其中，预设旋转角度θ＝22.5°，即，扩增了90°/22.5°＝4倍。
应当说明的是，Segnet模型和Faster rcnn模型的训练参数可根据实际情况进行具体设置。
由此，本发明的微血管瘤检测方法通过先对原始眼底图像进行预处理，获取处理后的眼底图像后，再使用基于深度学习的血管分割模型对经过预处理后的眼底图像进行血管影像的分割提取，从而得到去除血管影像后的待检测眼底图像。最后，再在分割提取血管影像的待检测眼底图像的基础上使用基于深度学习的目标检测模型进行微血管瘤的检测，有效排除了原始眼底图像中血管影像的干扰，并且还实现了基于深度学习的血管分割模型和目标检测模型的相融合，由此其不仅有效降低了血管影像对于微血管瘤的影响，而且还提高了微血管瘤检测的准确性，最终有效解决了传统的眼底图像的微血管瘤检测方法准确性较低的问题。
相应的，为了实现上述任一种微血管瘤检测方法，本发明还提供了一种微血管瘤检测系统。由于本发明提供的微血管瘤检测系统的工作原理与本发明提供的微血管瘤检测方法的原理相同或相似，因此重复之处不再赘述。
参见图11，作为本发明的微血管瘤检测系统10的一具体实施例，其包括图像预处理模块11、图像分割模块12和图像检测模块13。其中，图像预处理模块11，用于读取采集到的原始眼底图像，采用前面任一所述的眼底图像预处理方法对所述原始眼底图像进行预处理，获取处理后的眼底图像。图像分割模块12，用于使用基于深度学习的血管分割模型对处理后的眼底图像进行血管影像提取，得到去除血管影像后的待检测眼底图像。图像检测模块13，用于使用基于深度学习的目标检测模型对待检测眼底图像进行微血管瘤的检测。
本发明的微血管瘤检测系统10通过设置图像预处理模块11，由图像预处理模块11先对原始眼底图像进行预处理，获取处理后的眼底图像后，再通过图像分割模块12使用基于深度学习的血管分割模型对经过预处理后的眼底图像进行血管影像的分割提取，从而得到去除血管影像后的待检测眼底图像。最后，再由图像检测模块13在分割提取血管影像的待检测眼底图像的基础上使用基于深度学习的目标检测模型进行微血管瘤的检测，有效排除了原始眼底图像中血管影像的干扰，并且还实现了基于深度学习的血管分割模型和目标检测模型的相融合，由此其不仅有效降低了血管影像对于微血管瘤的影响，而且还提高了微血管瘤检测的准确性，最终有效解决了传统的眼底图像的微血管瘤检测方法准确性较低的问题。
另外，还需要说明的是，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种眼底图像预处理方法，其特征在于，包括如下步骤：
采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，获取增强眼底图像；
对所述增强眼底图像进行去噪处理，得到去噪眼底图像；
对于所述去噪眼底图像，采用基于矩形拟合圆的图像扩增方法对所述去噪眼底图像进行扩增，得到最终的扩增眼底图像。
2.根据权利要求1所述的眼底图像预处理方法，其特征在于，所述采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，获取增强眼底图像，包括如下步骤：
根据计算公式：对所述原始眼底图像做高斯滤波操作，得到滤波后的眼底图像；
根据公式：Ienhance＝α·Iori+β·Igaussian+λ，将所述原始眼底图像和所述滤波后的眼底图像进行加权融合，得到所述增强眼底图像；
其中，Iori为所述原始眼底图像，Igaussian为所述滤波后的眼底图像，G(x，y)为二维高斯滤波函数，Ienhance为所述增强眼底图像，α和β用于调整所述增强眼底图像的显色范围，γ用于调整所述增强眼底图像的灰阶偏置。
3.根据权利要求1所述的眼底图像预处理方法，其特征在于，所述对所述增强眼底图像进行去噪处理，得到去噪眼底图像，包括如下步骤：
对所述增强眼底图像进行定位，定位出所述增强眼底图像中近圆形成像区域的几何中心点O(x,y)；
计算所述近圆形成像区域的几何半径；
基于计算出的所述几何半径和定位得到的所述几何中心点，画出圆形区域，并根据所述成像区域的形状，对超出成像区域的部分做镜像处理；
以所述圆形区域的直径作为对角线，在所述圆形成像区域剪切矩形影像作为所述去噪眼底图像。
4.根据权利要求3所述的眼底图像预处理方法，其特征在于，所述计算所述近圆形成像区域的几何半径，包括如下步骤：
扫描所述增强眼底图像，通过扫描得到所述增强眼底图像的第一矩形图像对角线AB、第二矩形图像对角线CD和一条过所述矩形图像中心点的水平线EF；
将所述增强眼底图像进行灰度化，并对所述第一矩形图像对角线AB、所述第二矩形图像对角线CD和所述水平线EF的像素值进行二值化处理；
分别计算出带有方向性的所述第一矩形图像对角线AB、所述第二矩形图像对角线CD和所述水平线EF二值化后中像素值为255的第一个像素点和最后一个像素点的位置；
分别计算出线段OA、线段OB、线段OC、线段OD、线段OE和线段OF的长度，并去除最长的两个线段和最短的两个线段后，对剩余的两个线段做平均估计作为所述圆形成像区域的几何半径。
5.根据权利要求3所述的眼底图像预处理方法，其特征在于，所述根据所述成像区域的形状，对超出成像区域的部分做镜像处理，包括如下步骤：
判断所述成像区域的形状是否为截断圆形；
当判断出所述成像区域的形状为所述截断圆形时，对超出所述成像区域的部分做镜像处理；
当判断出所述成像区域的形状为圆形时，则不进行处理。
6.根据权利要求1至5任一项所述的眼底图像预处理方法，其特征在于，所述采用基于矩形拟合圆的图像扩增方法对所述去噪眼底图像进行扩增，得到最终的扩增眼底图像，包括如下步骤：
对所述圆形成像区域内的所述矩形影像进行定位，并将所述矩形影像按照预设旋转角度进行旋转，得到不同旋转视角的图像，对所述去噪眼底图像进行扩增。
7.一种眼底图像预处理系统，其特征在于，包括图像增强模块、图像去噪模块和图像扩增模块；
所述图像增强模块，用于采用基于高斯滤波的图像增强算法对当前读取到的原始眼底图像进行图像增强处理，获取增强眼底图像；
所述图像去噪模块，用于对所述增强眼底图像进行去噪处理，得到去噪眼底图像；
所述图像增强模块，用于对于所述去噪眼底图像，采用基于矩形拟合圆的图像扩增方法对所述去噪眼底图像进行扩增，得到最终的扩增眼底图像。
8.根据权利要求7所述的眼底图像预处理系统，其特征在于，所述图像增强模块包括图像滤波子模块和图像加权融合子模块；
其中，所述图像滤波子模块，用于根据计算公式： 对所述原始眼底图像做高斯滤波操作，得到滤波后的眼底图像；
所述图像加权融合子模块，用于根据公式：Ienhance＝α·Iori+β·Igaussian+λ，将所述原始眼底图像和所述滤波后的眼底图像进行加权融合，得到所述增强眼底图像；
其中，Iori为所述原始眼底图像，Igaussian为所述滤波后的眼底图像，G(x，y)为二维高斯滤波函数，Ienhance为所述增强眼底图像，α和β用于调整所述增强眼底图像的显色范围，γ用于调整所述增强眼底图像的灰阶偏置。
9.一种微血管瘤检测方法，其特征在于，包括如下步骤：
读取采集到的原始眼底图像，采用权利要求1至6任一项所述的眼底图像预处理方法对所述原始眼底图像进行预处理，获取处理后的眼底图像；
使用基于深度学习的血管分割模型对处理后的所述眼底图像进行血管影像提取，得到去除血管影像后的待检测眼底图像；
使用基于深度学习的目标检测模型对所述待检测眼底图像进行微血管瘤的检测。
10.一种微血管瘤检测系统，其特征在于，包括图像预处理模块、图像分割模块和图像检测模块；
所述图像预处理模块，用于读取采集到的原始眼底图像，采用权利要求1至6任一项所述的眼底图像预处理方法对所述原始眼底图像进行预处理，获取处理后的眼底图像；
所述图像分割模块，用于使用基于深度学习的血管分割模型对处理后的所述眼底图像进行血管影像提取，得到去除血管影像后的待检测眼底图像；
所述图像检测模块，用于使用基于深度学习的目标检测模型对所述待检测眼底图像进行微血管瘤的检测。
CN201811485569.6A 2018-12-06 2018-12-06 眼底图像预处理方法及系统和微血管瘤检测方法及系统 Active CN109658394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811485569.6A CN109658394B (zh) 2018-12-06 2018-12-06 眼底图像预处理方法及系统和微血管瘤检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811485569.6A CN109658394B (zh) 2018-12-06 2018-12-06 眼底图像预处理方法及系统和微血管瘤检测方法及系统

Publications (2)

Publication Number Publication Date
CN109658394A true CN109658394A (zh) 2019-04-19
CN109658394B CN109658394B (zh) 2023-05-09

Family

ID=66112496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811485569.6A Active CN109658394B (zh) 2018-12-06 2018-12-06 眼底图像预处理方法及系统和微血管瘤检测方法及系统

Country Status (1)

Country Link
CN (1) CN109658394B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766643A (zh) * 2019-10-28 2020-02-07 电子科技大学 一种面向眼底图像的微动脉瘤检测方法
CN111754481A (zh) * 2020-06-23 2020-10-09 北京百度网讯科技有限公司 眼底图像识别方法、装置、设备以及存储介质
CN112330610A (zh) * 2020-10-21 2021-02-05 郑州诚优成电子科技有限公司 一种基于微血管位置角膜内皮细胞计数采集精确定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002058647A (ja) * 2000-08-22 2002-02-26 Nippon Telegr & Teleph Corp <Ntt> 眼底画像変形合成方法、及びそのプログラムを記録した記録媒体
US20140160264A1 (en) * 2012-12-10 2014-06-12 The Johns Hopkins University Augmented field of view imaging system
CN106355584A (zh) * 2016-08-30 2017-01-25 上海交通大学 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002058647A (ja) * 2000-08-22 2002-02-26 Nippon Telegr & Teleph Corp <Ntt> 眼底画像変形合成方法、及びそのプログラムを記録した記録媒体
US20140160264A1 (en) * 2012-12-10 2014-06-12 The Johns Hopkins University Augmented field of view imaging system
CN106355584A (zh) * 2016-08-30 2017-01-25 上海交通大学 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡震震等: "基于PST和多尺度高斯滤波的视网膜血管的分割", 《计算机应用研究》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766643A (zh) * 2019-10-28 2020-02-07 电子科技大学 一种面向眼底图像的微动脉瘤检测方法
CN111754481A (zh) * 2020-06-23 2020-10-09 北京百度网讯科技有限公司 眼底图像识别方法、装置、设备以及存储介质
CN111754481B (zh) * 2020-06-23 2024-03-15 北京百度网讯科技有限公司 眼底图像识别方法、装置、设备以及存储介质
CN112330610A (zh) * 2020-10-21 2021-02-05 郑州诚优成电子科技有限公司 一种基于微血管位置角膜内皮细胞计数采集精确定位方法
CN112330610B (zh) * 2020-10-21 2024-03-29 郑州诚优成电子科技有限公司 一种基于微血管位置角膜内皮细胞计数采集精确定位方法

Also Published As

Publication number Publication date
CN109658394B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN105761258B (zh) 一种眼底彩色照相图像出血自动化识别方法
CN109658394A (zh) 眼底图像预处理方法及系统和微血管瘤检测方法及系统
US20070002275A1 (en) Method and System For Local Adaptive Detection Of Microaneurysms In Digital Fundus Images
CN103914827B (zh) 汽车密封条轮廓缺陷的视觉检测方法
CN107292835B (zh) 一种眼底图像视网膜血管自动矢量化的方法及装置
Yu et al. Fast localization of optic disc and fovea in retinal images for eye disease screening
CN107038704B (zh) 视网膜图像渗出区域分割方法、装置和计算设备
CN101520888A (zh) 基于方向场的视网膜图像血管的增强方法
CN107123124B (zh) 视网膜图像分析方法、装置和计算设备
CN110378902A (zh) 一种高噪声背景下的划痕检测方法
WO2010030159A2 (en) A non invasive method for analysing the retina for ocular manifested diseases
CN113139929B (zh) 包含信息筛选与融合修复的胃肠道内窥镜图像预处理方法
CN109255775A (zh) 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及系统
Bharali et al. Detection of hemorrhages in diabetic retinopathy analysis using color fundus images
Akshay et al. Segmentation and classification of FMM compressed retinal images using watershed and canny segmentation and support vector machine
Ali et al. Optic Disc Localization in Retinal Fundus Images Based on You Only Look Once Network (YOLO).
CN111062909A (zh) 乳腺肿块良恶性判断方法及设备
Yuan et al. Weighted side-window based gradient guided image filtering
Borges et al. Segmentation of blood vessels in retinal images based on nonlinear filtering
Banumathi et al. Performance analysis of matched filter techniques for automated detection of blood vessels in retinal images
JP4996943B2 (ja) 顔特徴点検出装置、顔特徴点検出方法及びプログラム
Sierra et al. Dust particle artifact detection and removal in retinal images
Prinet et al. Multi-dimensional vessels extraction using crest lines
Ferreira et al. Quantitative assessment of central serous chorioretinopathy in angiographic sequences of retinal images
CN110047065A (zh) 肾脏医学图像轮廓线提取系统及方法

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
TR01 Transfer of patent right

Effective date of registration: 20231223

Address after: Room 707, Unit 1, Building 1, Courtyard 1, Longyu Middle Street, Huilongguan Town, Changping District, Beijing, 100085

Patentee after: Beijing Zhizhen Health Technology Co.,Ltd.

Address before: 100085 room 1210, Building 29, yard 9, anningzhuang West Road, Haidian District, Beijing

Patentee before: Dai Liming

TR01 Transfer of patent right