CN110189327A - 基于结构化随机森林编码器的眼底视网膜血管分割方法 - Google Patents
基于结构化随机森林编码器的眼底视网膜血管分割方法 Download PDFInfo
- Publication number
- CN110189327A CN110189327A CN201910297397.8A CN201910297397A CN110189327A CN 110189327 A CN110189327 A CN 110189327A CN 201910297397 A CN201910297397 A CN 201910297397A CN 110189327 A CN110189327 A CN 110189327A
- Authority
- CN
- China
- Prior art keywords
- random forest
- feature
- encoder
- image
- blood vessel
- 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
Links
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 58
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 210000001210 retinal vessel Anatomy 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 3
- 206010002329 Aneurysm Diseases 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 210000000416 exudates and transudate Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于结构化随机森林编码器的眼底视网膜血管分割方法,包括如下步骤:S01:图像采集标注;S02:图像预处理;S03:提取特征:对眼底视网膜图像提取基于像素点的融合特征,特征由邻域信息,纹理和光照不敏感特征组成;S04:构建结构化随机森林编码器:使用结构化标签代替随机森林分类的二值标签,构建结构化随机森林编码器;S05:特征编码重构:通过结构化随机森林编码器对上述提取特征进行编码重构,得到新的特征;S06:随机森林分类模型训练:以新特征作为随机森林分类器输入,训练分类模型;S07:眼底视网膜血管分割:对需要分割的图像提取结构化随机森林编码特征,输入随机森林分类器,得到分割完成的血管图像。
Description
技术领域
本发明属于图像分割技术领域,具体涉及一种基于结构化随机森林编码器的眼底视网膜血管分割方法。
背景技术
通常的,医生在分析眼底视网膜图像时,需要对血管进行精确分割。分割算法有多个种类,基于传统的分割算法如区域生长、边缘检测等算法无法达到血管精确分析要求。现有分割算法主要是基于机器学习的方法对图像像素点进行分类,最终得到分割目标。由于训练速度快、结果易于分析等优点,随机森林分类器被广泛使用。但这种方法在眼底视网膜血管的分割中也存在缺陷。
眼底视网膜图像中的渗出物,微动脉瘤和出血等现象严重干扰了随机森林分类器的算法性能,血管分割结果出现边缘不平滑,背景噪声无法去除等问题。
发明内容
为了克服现有随机森林分类器在眼底视网膜血管分割导致的边界不平滑,噪声多等问题,本发明提供了一种基于结构化随机森林编码器的眼底视网膜血管分割方法,能有效降低背景噪声,提高血管分割精度和边缘平滑度。
本发明解决其技术问题所采用的技术方案是:
一种基于结构化随机森林编码器的眼底视网膜血管分割方法,包括如下步骤:
S01:图像采集标注:通过特殊照相机采集20到80岁不同年龄段患者的眼底视网膜彩色图像,并标注;
S02:图像预处理:提取眼底视网膜彩色图像的绿色通道,通过滤波去除噪声并且增强血管;
S03:提取特征:对眼底视网膜图像提取基于像素点的融合特征,特征由邻域信息,纹理和光照不敏感特征组成;
S04:构建结构化随机森林编码器:使用结构化标签代替随机森林分类的二值标签,构建结构化随机森林编码器;
S05:特征编码重构:通过结构化随机森林编码器对上述提取特征进行编码重构,得到新的特征;
S06:随机森林分类模型训练:以新特征作为随机森林分类器输入,训练分类模型。
S07:眼底视网膜血管分割:对需要分割的图像提取结构化随机森林编码特征,输入随机森林分类器,得到分割完成的血管图像。
进一步,所述步骤S01中,对眼底视网膜血管图像的采集和标注需要医生辅助,以得到专业性数据。
再进一步,所述步骤S02中,对待分割的图像进行预处理,由于视网膜血管只对成像过程中的绿色光反射,预处理提取了眼底视网膜血管的绿色通过,通过滤波去除高斯噪声并增强血管结构。
所述步骤S03-S05中,对图像特征进行处理,首先提取特征并融合,利用结构化随机森林中的结构化标签特性对特征进行重构。
所述步骤S06-S07中,以重构后的特征向量作为输入,对随机森林分类器进行训练,最终得到分割血管图像,随机森林是多个独立训练的决策树的集合,每个决策树Ti(x)由一组组织成树结构的测试函数组成,通过在树上向左或向右递归分支直到到达叶节点来对样本x进行分类,每个非叶子节点(分割节点)与测试函数(分割函数)h(x,θj)相关联;
其中,k是特征标志,t是阈值,对每个叶子节点,附加预测模型;预测模型是用条件分布p(c|x)获取的叶子节点统计,其中c表示分类标签,用最大后验概率(MAP)评估:
c*=argmaxc∈Cp(c|x) (6)
在训练期间,对于每个节点j和输入的训练集Sj,我们认为最好的分割函数h(x,θj)分割后左右子节点数据集分别为和对于分类树而言,通常使用最大信息增益:
其中H(s)为数据集S的信息熵,定义为:
所述步骤S06中,对每颗决策树的叶子节点被设定为4,并采用one-hot编码,对所有决策树编码,最终分类得到血管结果。
本发明的技术构想为:该方法针对眼底视网膜图像中的渗出物,微动脉瘤和出血等复杂情况,采用滤波方法有效的对图像降噪并且增强血管,针对血管点分类所存在的边界点误分类以及噪声问题,引入了结构化标签。在对原始图像预处理后,通过分析血管图像特点,提取了具有针对性的局部区域信息特征、纹理特征和光照不敏感特征,并进行特征融合;通过结构化随机森林编码器种结构化标签的优点对特征重构;最终通过随机森林分类器进行分类,得到边缘平滑,噪声少的分割结果。
本发明的有益效果主要表现在:1.通过预处理有效的减少了噪声2.通过多特征融合有效结合了图像信息3.引入结构化随机森林编码器,有效弥补了随机森林的不足,提升了分割血管的边缘平滑度,减少了噪声。
附图说明
图1是基于结构化随机森林编码器的眼底视网膜血管分割方法的流程图。
图2是对原始图像预处理流程图。
图3是图像采集和医生标注图像。
图4是眼底视网膜血管结构化标签示意图。
具体实施方式
下面结合附图对本发明进一步描述。
参照图1-图4,一种基于结构化随机森林编码器的眼底视网膜血管分割方法,包括如下步骤:
S01:图像采集标注:通过特殊照相机采集20到80岁不同年龄段患者的眼底视网膜彩色图像,并标注;
S02:图像预处理:提取眼底视网膜彩色图像的绿色通道,通过滤波去除噪声并且增强血管;
S03:提取特征:对眼底视网膜图像提取基于像素点的融合特征,特征由邻域信息,纹理和光照不敏感特征组成;
S04:构建结构化随机森林编码器:使用结构化标签代替随机森林分类的二值标签,构建结构化随机森林编码器;
S05:特征编码重构:通过结构化随机森林编码器对上述提取特征进行编码重构,得到新的特征;
S06:随机森林分类模型训练:以新特征作为随机森林分类器输入,训练分类模型。
S07:眼底视网膜血管分割:对需要分割的图像提取结构化随机森林编码特征,输入随机森林分类器,得到分割完成的血管图像。
所述步骤S01中,对眼底视网膜血管图像的采集和标注需要医生辅助,以得到专业性数据,图3显示了眼底视网膜血管图像和标准结果。
所述步骤S02中,对图2待分割的图像进行预处理,由于视网膜血管只对成像过程中的绿色光反射,预处理提取了眼底视网膜血管的绿色通过,通过滤波去除高斯噪声并增强血管结构。
所述步骤S03-S05中,对图像特征进行处理,首先提取特征并融合,利用结构化随机森林中的结构化标签特性对特征进行重构。图4是几个结构化标签,其具有几乎无噪声的优势。
所述步骤S06-S07中,以重构后的特征向量作为输入,对随机森林分类器进行训练,最终得到分割血管图像。随机森林是多个独立训练的决策树的集合。每个决策树Ti(x)由一组组织成树结构的测试函数组成。通过在树上向左或向右递归分支直到到达叶节点来对样本x进行分类。每个非叶子节点(分割节点)与测试函数(分割函数)h(x,θj)相关联。虽然任何分类模型都可以用于测试功能,但最常用的是决策树。
其中,k是特征标志,t是阈值。对每个叶子节点,附加预测模型。最常用的预测模型是用条件分布p(c|x)获取的叶子节点统计,其中c表示分类标签。有时也会用最大后验概率(MAP)评估:
c*=argmaxc∈Cp(c|x) (6)
在训练期间,对于每个节点j和输入的训练集Sj,我们认为最好的分割函数h(x,θj)分割后左右子节点数据集分别为和对于分类树而言,通常使用最大信息增益:
其中H(s)为数据集S的信息熵,定义为:
传统的随机森林分类器在分割数据到叶子节点后缺乏决策树之间的联系,S06中,对每颗决策树的叶子节点被设定为4,并采用one-hot编码,对所有决策树编码,最终分类得到血管结果。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所做的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于结构化随机森林编码器的眼底视网膜血管分割方法,其特征在于,所述方法包括如下步骤:
S01:图像采集标注:通过特殊照相机采集20到80岁不同年龄段患者的眼底视网膜彩色图像,并标注;
S02:图像预处理:提取眼底视网膜彩色图像的绿色通道,通过滤波去除噪声并且增强血管;
S03:提取特征:对眼底视网膜图像提取基于像素点的融合特征,特征由邻域信息,纹理和光照不敏感特征组成;
S04:构建结构化随机森林编码器:使用结构化标签代替随机森林分类的二值标签,构建结构化随机森林编码器;
S05:特征编码重构:通过结构化随机森林编码器对上述提取特征进行编码重构,得到新的特征;
S06:随机森林分类模型训练:以新特征作为随机森林分类器输入,训练分类模型;
S07:眼底视网膜血管分割:对需要分割的图像提取结构化随机森林编码特征,输入随机森林分类器,得到分割完成的血管图像。
2.如权利要求1所述的基于结构化随机森林编码器的眼底视网膜血管分割方法,其特征在于,所述步骤S01中,对眼底视网膜血管图像的采集和标注需要医生辅助,以得到专业性数据。
3.如权利要求1或2所述的基于结构化随机森林编码器的眼底视网膜血管分割方法,其特征在于,所述步骤S02中,对待分割的图像进行预处理,由于视网膜血管只对成像过程中的绿色光反射,预处理提取了眼底视网膜血管的绿色通过,通过滤波去除高斯噪声并增强血管结构。
4.如权利要求1或2所述的基于结构化随机森林编码器的眼底视网膜血管分割方法,其特征在于,所述步骤S03-S05中,对图像特征进行处理,首先提取特征并融合,利用结构化随机森林中的结构化标签特性对特征进行重构。
5.如权利要求1或2所述的基于结构化随机森林编码器的眼底视网膜血管分割方法,其特征在于,所述步骤S06-S07中,以重构后的特征向量作为输入,对随机森林分类器进行训练,最终得到分割血管图像,随机森林是多个独立训练的决策树的集合,每个决策树Ti(x)由一组组织成树结构的测试函数组成,通过在树上向左或向右递归分支直到到达叶节点来对样本x进行分类,每个非叶子节点(分割节点)与测试函数(分割函数)h(x,θj)相关联;
其中,k是特征标志,t是阈值,对每个叶子节点,附加预测模型;预测模型是用条件分布p(c|x)获取的叶子节点统计,其中c表示分类标签,用最大后验概率(MAP)评估:
c*=argmaxc∈Cp(c|x) (6)
在训练期间,对于每个节点j和输入的训练集Sj,我们认为最好的分割函数h(x,θj)分割后左右子节点数据集分别为和对于分类树而言,通常使用最大信息增益:
其中H(s)为数据集S的信息熵,定义为:
所述步骤S06中,对每颗决策树的叶子节点被设定为4,并采用one-hot编码,对所有决策树编码,最终分类得到血管结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297397.8A CN110189327A (zh) | 2019-04-15 | 2019-04-15 | 基于结构化随机森林编码器的眼底视网膜血管分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297397.8A CN110189327A (zh) | 2019-04-15 | 2019-04-15 | 基于结构化随机森林编码器的眼底视网膜血管分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110189327A true CN110189327A (zh) | 2019-08-30 |
Family
ID=67714507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910297397.8A Pending CN110189327A (zh) | 2019-04-15 | 2019-04-15 | 基于结构化随机森林编码器的眼底视网膜血管分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189327A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599491A (zh) * | 2019-09-04 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 基于先验信息的眼部图像分割方法、装置、设备及介质 |
CN111563890A (zh) * | 2020-05-07 | 2020-08-21 | 浙江大学 | 一种基于深度森林的眼底图像血管分割方法和系统 |
CN112784855A (zh) * | 2021-01-28 | 2021-05-11 | 佛山科学技术学院 | 一种基于pca的加速随机森林训练的视网膜分层方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060079868A1 (en) * | 2004-10-07 | 2006-04-13 | Guided Therapy Systems, L.L.C. | Method and system for treatment of blood vessel disorders |
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 |
CN107220664A (zh) * | 2017-05-18 | 2017-09-29 | 南京大学 | 一种基于结构化随机森林的油瓶装箱清点方法 |
CN107229937A (zh) * | 2017-06-13 | 2017-10-03 | 瑞达昇科技(大连)有限公司 | 一种视网膜血管分类方法及装置 |
CN107248161A (zh) * | 2017-05-11 | 2017-10-13 | 江西理工大学 | 一种多特征融合的有监督视网膜血管提取方法 |
CN108231201A (zh) * | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、系统及应用 |
CN109087302A (zh) * | 2018-08-06 | 2018-12-25 | 北京大恒普信医疗技术有限公司 | 一种眼底图像血管分割方法及设备 |
-
2019
- 2019-04-15 CN CN201910297397.8A patent/CN110189327A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060079868A1 (en) * | 2004-10-07 | 2006-04-13 | Guided Therapy Systems, L.L.C. | Method and system for treatment of blood vessel disorders |
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 |
CN107248161A (zh) * | 2017-05-11 | 2017-10-13 | 江西理工大学 | 一种多特征融合的有监督视网膜血管提取方法 |
CN107220664A (zh) * | 2017-05-18 | 2017-09-29 | 南京大学 | 一种基于结构化随机森林的油瓶装箱清点方法 |
CN107229937A (zh) * | 2017-06-13 | 2017-10-03 | 瑞达昇科技(大连)有限公司 | 一种视网膜血管分类方法及装置 |
CN108231201A (zh) * | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、系统及应用 |
CN109087302A (zh) * | 2018-08-06 | 2018-12-25 | 北京大恒普信医疗技术有限公司 | 一种眼底图像血管分割方法及设备 |
Non-Patent Citations (2)
Title |
---|
姜平 等: "基于结构化随机决策森林的眼底图像血管边缘快速检测", 《豆丁网》 * |
朱承璋 等: "基于多特征融合和随机森林的视网膜血管分割", 《计算机辅助设计与图形学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599491A (zh) * | 2019-09-04 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 基于先验信息的眼部图像分割方法、装置、设备及介质 |
CN110599491B (zh) * | 2019-09-04 | 2024-04-12 | 腾讯医疗健康(深圳)有限公司 | 基于先验信息的眼部图像分割方法、装置、设备及介质 |
CN111563890A (zh) * | 2020-05-07 | 2020-08-21 | 浙江大学 | 一种基于深度森林的眼底图像血管分割方法和系统 |
CN112784855A (zh) * | 2021-01-28 | 2021-05-11 | 佛山科学技术学院 | 一种基于pca的加速随机森林训练的视网膜分层方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jaisakthi et al. | Grape leaf disease identification using machine learning techniques | |
CN110211087B (zh) | 可分享的半自动糖尿病眼底病变标注方法 | |
Raut et al. | Plant disease detection in image processing using MATLAB | |
CN108364288A (zh) | 用于乳腺癌病理图像的分割方法和装置 | |
CN110189327A (zh) | 基于结构化随机森林编码器的眼底视网膜血管分割方法 | |
CN109523524B (zh) | 一种基于集成学习的眼底图像硬性渗出检测方法 | |
CN106530283A (zh) | 一种基于svm的医疗图像血管识别方法 | |
CN108510502A (zh) | 基于深度神经网络的黑色素瘤图片组织分割方法和系统 | |
CN109191457A (zh) | 一种病理图像质量有效性识别方法 | |
CN110472616A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
US8135216B2 (en) | Systems and methods for unsupervised local boundary or region refinement of figure masks using over and under segmentation of regions | |
CN112132843A (zh) | 基于无监督深度学习的苏木精-伊红染色病理图像分割方法 | |
CN108846828A (zh) | 一种基于深度学习的病理图像目标区域定位方法及系统 | |
CN112001928B (zh) | 一种视网膜血管分割方法及系统 | |
CN108109133B (zh) | 一种基于数字图像处理技术的蚕卵自动计数方法 | |
CN105205804A (zh) | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 | |
CN112464942A (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
CN107748889A (zh) | 一种乳腺肿瘤超声图像自动分类方法 | |
CN113947807B (zh) | 一种基于无监督的眼底影像异常识别方法及系统 | |
CN107229937A (zh) | 一种视网膜血管分类方法及装置 | |
CN110189295A (zh) | 基于随机森林和中心线的眼底视网膜血管分割方法 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN109087313A (zh) | 一种基于深度学习的智能舌体分割方法 | |
CN115206495A (zh) | 基于CoAtNet深度学习的肾癌病理图像分析方法、系统及智能显微装置 | |
CN110008912A (zh) | 一种基于植物识别的社交平台匹配方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |