CN109816637B - 一种眼底图像中硬性渗出区域的检测方法 - Google Patents
一种眼底图像中硬性渗出区域的检测方法 Download PDFInfo
- Publication number
- CN109816637B CN109816637B CN201910001756.0A CN201910001756A CN109816637B CN 109816637 B CN109816637 B CN 109816637B CN 201910001756 A CN201910001756 A CN 201910001756A CN 109816637 B CN109816637 B CN 109816637B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- clustering
- hard
- deviation
- 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
Links
Images
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种眼底图像中硬性渗出区域的检测方法,在Canny边缘检测、形态学闭运算操作得到边缘检测候选区域图像的基础上,对色调和饱和度(HS)值进行kmeans聚类,得到HS空间聚类候选区域图像,对灰度图像的像素偏差值进行kmeans聚类,得到偏差空间聚类候选区域图像,然后,将三幅图像进行聚合,得到硬性渗出区域检测图像。由于以全面的层次和角度进行特征提取和聚合,更为全面的覆盖到硬性渗出物,因而提高了硬性渗出区域检测的准确度。
Description
技术领域
本发明属于医学图像处理技术领域,更为具体地讲,涉及一种眼底图像中硬性渗出区域的检测方法。
背景技术
视网膜是形成图像的人眼的外壁。任何对视网膜的威胁都会导致严重的眼睛缺陷,并可能导致完全失明。在眼睛缺陷期间,视网膜会变形。为了测量疾病的严重程度,需要确定不同的视网膜组织损伤,这些损害必须量化以作出有用的预测。
硬性渗出物成分为蛋白质,表现为亮白色的光斑,为眼底病变中期的表现。检测出眼底图像中硬性渗出区域,可以量化视网膜损害的程度。
在2017年02月08日公布的、公布号为CN106384343A、名称为“一种基于形态学处理的硬性渗出区域检测方法”的发明专利申请中,公开了一种基于灰度图像以及形态学来检测硬性渗出区域的方法,包括以下步骤:
1)、对初始眼底图像进行预处理,使其灰度化并获取灰度图像;
2)、在灰度图像中采用形态学闭操作消除血管对渗出区域检测产生的影响;
3)、对消除血管影响后的灰度图像通过形态学处理获取无病变的眼底背景图像;
4)、根据消除血管影响后的灰度图像与无病变的眼底背景图像标记出眼底图像上的真实硬性渗出区域,并且计算该真实硬性渗出区域的面积。
与现有技术相比,本发明具有无需训练样本、图像准确等优点。
在2017年04月18日公布的、公布号为CN106570530A、名称为“一种眼底影像中硬性渗出提取的方法”的发明专利申请中,公开了一种基于彩色图像分割和机器学习聚类相结合来检测硬性渗出区域的方法,包括以下步骤:
步骤1:在线下训练硬性渗出的分类模型:
步骤2:对读入的彩色眼底影像进行抠除视盘处理,得到预处理眼底影像:
步骤3:采用滑动窗依次遍历上述预处理眼底影像,将每个滑动窗遍历的区域作为输入图像;
步骤4:通过硬性渗出的分类模型对上述每个输入图像进行分类,并记录被划分为硬性渗出类的输入图像所对应的滑动窗的位置;
步骤5:根据记录的位置画出硬性渗出的概率图,并将其转化为伪彩色图,即为眼底影像中的硬性渗出的标记。
该发明专利申请采用卷积神经网络训练分类器,不仅能够改善现阶段硬性渗出分类器受人工提取特征影响大、算法复杂等问题,还能够提高硬性渗出分类器的鲁棒性;将最终结果转化为伪彩色图像,可以使眼科医师更加直观的获取病人的病情状况,具有很强的临床实践的意义
然而,在特征提取与聚合时层次和角度不够全面,硬性渗出区域的检测会不够准确。
发明内容
本发明的目的在于克服现有技术的不足,提供一种眼底图像中硬性渗出区域的检测方法,以全面的层次和角度进行特征提取和聚合,提高硬性渗出区域检测的准确度。
为实现上述目的,本发明眼底图像中硬性渗出区域的检测方法,其特征在于,包括以下步骤:
(1)、对眼底图像进行预处理,获取灰度图像和HSV空间图像;
(2)、先分割出灰度图像中的血管得到血管图像;然后将灰度图像进行Canny边缘检测后去掉和血管图像中像素值相同的像素(即去除血管),并运用形态学闭运算操作,填平裂缝,生成边缘检测候选区域图像;
(3)、对HSV空间图像,提取色调和饱和度(HS)值,以此进行kmeans聚类,生成HS空间聚类候选区域图像;
(4)、在灰度图像中定义一个边框,遍历灰度图像所有像素,逐次计算出每次框内像素与其均值的差(即偏差值),用偏差值进行kmeans聚类,生成偏差空间聚类候选区域图像;
(5)、将边缘检测候选区域图像、HS空间聚类候选区域图像与偏差空间聚类候选区域图像进行聚合,得出硬性渗出区域检测图像。
本发明的目的是这样实现的:
本发明眼底图像中硬性渗出区域的检测方法,在Canny边缘检测、形态学闭运算操作得到边缘检测候选区域图像的基础上,对色调和饱和度(HS)值进行kmeans聚类,得到HS空间聚类候选区域图像,对灰度图像的像素偏差值进行kmeans聚类,得到偏差空间聚类候选区域图像,然后,将三幅图像进行聚合,得到硬性渗出区域检测图像。由于以全面的层次和角度进行特征提取和聚合,更为全面的覆盖到硬性渗出物,因而提高了硬性渗出区域检测的准确度。
附图说明
图1是本发明眼底图像中硬性渗出区域的检测方法一种具体实施方式的流程图;
图2是眼底图像一具体实例图;
图3是图2所示眼底图像生成的边缘检测候选区域图像;
图4是图2所示眼底图像生成的HS空间聚类候选区域图像;
图5是图2所示眼底图像生成的偏差空间聚类候选区域图像;
图6是图2所示眼底图像中检测得到的硬性渗出区域检测图像;
图7是图2所示眼底图像的标签图像;
图8是图2所示眼底图像的二值化预测图像;
图9是眼底图像的PPV图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明眼底图像中硬性渗出区域的检测方法一种具体实施方式的流程图。
在本实施例中,如图1所示,本发明眼底图像中硬性渗出区域的检测方法包括以下步骤:
步骤S1:眼底图像预处理
对眼底图像进行预处理,获取灰度图像和HSV(色调(H),饱和度(S),明度(V))空间图像。眼底图像一般为RGB色彩空间的彩色图像,处理(转换)为灰度图像和HSV空间图像,从两个层次对特征提取。在本实施例中,眼底图像如图2所示。
步骤S2:生成边缘检测候选区域图像
先分割出灰度图像中的血管得到血管图像,可以采用基于区域、边缘的方法进行,得到的血管图像为二值图像,血管用1来表示。
然后将灰度图像进行Canny边缘检测后,得到边缘图,边缘图为去掉边缘图中和血管图像中像素值相同的像素(即去除血管),并运用形态学闭运算操作,填平裂缝,生成边缘检测候选区域图像,如图3所示。
步骤S3:生成HS空间聚类候选区域图像
对HSV空间图像,提取色调和饱和度(HS)值,以此进行kmeans聚类,生成HS空间聚类候选区域图像,如图4所示。在本实施例中,HS空间聚类候选区域图像进一步转换为二值图像:比较聚类后中心与硬性渗出物标签HS值进行比较,最近的一类为硬性渗出物像素点的中心,将该类的像素点像素值设置为1、其他设置为0,得到二值化的HS空间聚类候选区域图像。
步骤S4:生成偏差空间聚类候选区域图像
在灰度图像中定义一个边框,在本实施例中,边框的长度为10。遍历灰度图像所有像素,逐次计算出每次框内像素与其均值的差(即偏差值),用偏差值进行kmeans聚类,生成偏差空间聚类候选区域图像,如图5所示。
在本实施例中,偏差空间聚类候选区域图像为二值图像,比较聚类后中心与硬性渗出物标签偏差值进行比较,最近的一类为硬性渗出物像素点的中心,将该类的像素点像素值设置为1、其他设置为0,得到二值化的偏差空间聚类候选区域图像。
步骤S5:聚合
将边缘检测候选区域图像、HS空间聚类候选区域图像与偏差空间聚类候选区域图像进行聚合,得出硬性渗出区域检测图像。
在本实施例中,手动定位眼底图像的视盘位置,并把坐标数据以文本文件存储。
将边缘检测候选区域图像和包含HS空间聚类特征的二值化图像即HS空间聚类候选区域图像进行位或操作使其聚合,然后,将偏差空间聚类候选区域图像去除血管(方法与步骤S2一样),再与前两类候选区域图像的聚合图像进行位或操作,得到三类候选区域的聚合图像,再读取视盘坐标数据,去除视盘,和掩膜位与,运用形态学扩张操作,突出白色区域,生成最终的硬性渗出区域的检测图像,如图6所示。
评价
在本实施例中,将眼底图像数据集中硬性渗出物groundtruth(真实区域)标签和原始图像进行位与操作,并阈值化后生成标签图像,如图7所示。计算标签图像每个像素点的标签值,以文本文件存储,将硬性渗出区域检测图像和其特征值文本文件、对应的标签图像及其标签值文本文件按1:2的比例分为训练集和测试集。
用机器学中不同的分类器读取训练集图像的各项特征值与标签值进行训练;读取测试集图像的各项特征值,输出分类器的二值化预测图像,如图8。
比较二值化预测图像像素值与测试集图像标签值,计算各项评价指标,并选取PPV这项指标作图展示,如图9,横坐标为图像编号,纵坐标为PPV值(positive predictivevalue),公式为PPV=tp/(tp+fp+1),tp真阳性:指预测图像和标签图像都为白色的像素点个数,fp假阳性:指预测图像为白色,标签图像为黑色的像素点个数,PPV值即阳性结果中真阳性的比例。从图9来看,35幅图中只有9幅的PPV值低于0.5,硬性渗出区域检测的准确度比较高。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种眼底图像中硬性渗出区域的检测方法,其特征在于,包括以下步骤:
(1)、对眼底图像进行预处理,获取灰度图像和HSV空间图像;
(2)、先分割出灰度图像中的血管得到血管图像;然后将灰度图像进行Canny边缘检测后去掉和血管图像中像素值相同的像素,并运用形态学闭运算操作,填平裂缝,生成边缘检测候选区域图像;
(3)、对HSV空间图像,提取色调和饱和度值,以此进行kmeans聚类,生成HS空间聚类候选区域图像;
(4)、在灰度图像中定义一个边框,遍历灰度图像所有像素,逐次计算出每次框内像素与其均值的差即偏差值,用偏差值进行kmeans聚类,生成偏差空间聚类候选区域图像;
(5)、将边缘检测候选区域图像、HS空间聚类候选区域图像与偏差空间聚类候选区域图像进行聚合,得出硬性渗出区域检测图像。
2.根据权利要求1所述的眼底图像中硬性渗出区域的检测方法,其特征在于,步骤(5)中所述的聚合为:将边缘检测候选区域图像和HS空间聚类候选区域图像进行位或操作使其聚合,然后,将偏差空间聚类候选区域图像去除血管,再与前两类候选区域图像的聚合图像进行位或操作,得到三类候选区域的聚合图像,再读取视盘坐标数据,去除视盘和掩膜位与,运用形态学扩张操作,突出白色区域,生成最终的硬性渗出区域的检测图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910001756.0A CN109816637B (zh) | 2019-01-02 | 2019-01-02 | 一种眼底图像中硬性渗出区域的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910001756.0A CN109816637B (zh) | 2019-01-02 | 2019-01-02 | 一种眼底图像中硬性渗出区域的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816637A CN109816637A (zh) | 2019-05-28 |
CN109816637B true CN109816637B (zh) | 2023-03-07 |
Family
ID=66604001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910001756.0A Active CN109816637B (zh) | 2019-01-02 | 2019-01-02 | 一种眼底图像中硬性渗出区域的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816637B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392463A (zh) * | 2014-12-16 | 2015-03-04 | 西安电子科技大学 | 一种基于联合稀疏多尺度融合的图像显著区域检测方法 |
CN107180421A (zh) * | 2016-03-09 | 2017-09-19 | 中兴通讯股份有限公司 | 一种眼底图像病变检测方法及装置 |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8896682B2 (en) * | 2008-12-19 | 2014-11-25 | The Johns Hopkins University | System and method for automated detection of age related macular degeneration and other retinal abnormalities |
US20150125052A1 (en) * | 2012-06-05 | 2015-05-07 | Agency For Science, Technology And Research | Drusen lesion image detection system |
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 |
CN106157279A (zh) * | 2015-03-23 | 2016-11-23 | 上海交通大学 | 基于形态学分割的眼底图像病变检测方法 |
CN105513077B (zh) * | 2015-12-11 | 2019-01-04 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的系统 |
CN105761258B (zh) * | 2016-02-06 | 2018-06-01 | 上海市第一人民医院 | 一种眼底彩色照相图像出血自动化识别方法 |
CN105787927B (zh) * | 2016-02-06 | 2018-06-01 | 上海市第一人民医院 | 一种眼底彩色照相图像中渗出自动化识别方法 |
CN107038704B (zh) * | 2017-05-04 | 2020-11-06 | 季鑫 | 视网膜图像渗出区域分割方法、装置和计算设备 |
CN107123124B (zh) * | 2017-05-04 | 2020-05-12 | 季鑫 | 视网膜图像分析方法、装置和计算设备 |
CN107346545A (zh) * | 2017-05-22 | 2017-11-14 | 沈阳工业大学 | 用于视杯图像分割的改进区域生长方法 |
CN108230306A (zh) * | 2017-12-28 | 2018-06-29 | 中山大学 | 眼底彩照血管及动静脉的识别方法 |
-
2019
- 2019-01-02 CN CN201910001756.0A patent/CN109816637B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392463A (zh) * | 2014-12-16 | 2015-03-04 | 西安电子科技大学 | 一种基于联合稀疏多尺度融合的图像显著区域检测方法 |
CN107180421A (zh) * | 2016-03-09 | 2017-09-19 | 中兴通讯股份有限公司 | 一种眼底图像病变检测方法及装置 |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109816637A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615051B (zh) | 基于深度学习的糖尿病视网膜图像分类方法及系统 | |
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
Thanh et al. | A skin lesion segmentation method for dermoscopic images based on adaptive thresholding with normalization of color models | |
Hatanaka et al. | Automated microaneurysm detection method based on double-ring filter and feature analysis in retinal fundus images | |
Jaafar et al. | Detection of exudates in retinal images using a pure splitting technique | |
Tan et al. | Robust multi-scale superpixel classification for optic cup localization | |
AU2012207076A1 (en) | Automated determination of arteriovenous ratio in images of blood vessels | |
CN111815563B (zh) | 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法 | |
Wighton et al. | A fully automatic random walker segmentation for skin lesions in a supervised setting | |
Nijalingappa et al. | Machine learning approach for the identification of diabetes retinopathy and its stages | |
Elbalaoui et al. | Automatic detection of blood vessel in retinal images | |
Ghosh et al. | An automatic bleeding detection technique in wireless capsule endoscopy from region of interest | |
Zaaboub et al. | Optic disc detection and segmentation using saliency mask in retinal fundus images | |
Zhao et al. | Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation | |
Vajravelu et al. | Machine learning techniques to detect bleeding frame and area in wireless capsule endoscopy video | |
CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
US20240312016A1 (en) | Classification and improvement of quality of vascular images | |
CN111292285B (zh) | 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 | |
CN109816637B (zh) | 一种眼底图像中硬性渗出区域的检测方法 | |
CN110543802A (zh) | 眼底图像中左右眼识别方法与装置 | |
Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
Umamageswari et al. | Identifying Diabetics Retinopathy using Deep Learning based Classification | |
Athab et al. | Disc and Cup Segmentation for Glaucoma Detection | |
Li et al. | Detection and identification of hemorrhages in fundus images of diabetic retinopathy | |
Karthika et al. | Survey on convolutional neural network based efficient automated detection of micro aneurysm in diabetic retinopathy |
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 |