CN111292285B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111292285B
CN111292285B CN201811388557.1A CN201811388557A CN111292285B CN 111292285 B CN111292285 B CN 111292285B CN 201811388557 A CN201811388557 A CN 201811388557A CN 111292285 B CN111292285 B CN 111292285B
Authority
CN
China
Prior art keywords
image
candidate
microaneurysm
blood vessel
microaneurysms
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
Application number
CN201811388557.1A
Other languages
English (en)
Other versions
CN111292285A (zh
Inventor
朱承璋
胡蓉
邹北骥
戴玉兰
赵小虎
程真真
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201811388557.1A priority Critical patent/CN111292285B/zh
Publication of CN111292285A publication Critical patent/CN111292285A/zh
Application granted granted Critical
Publication of CN111292285B publication Critical patent/CN111292285B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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

Abstract

本发明公开了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，包括：对原始彩色眼底图像进行预处理，从中提取血管图像；根据血管图像对预处理图像进行重绘，预处理图像中的血管像素值由周围区域内的非血管像素决定，得到减少血管对比度的血管重绘图像；从血管重绘图像中提取出候选微动脉瘤区域，然后提取候选微动脉瘤的特征；朴素贝叶斯分类器根据候选微动脉瘤特征输出微动脉瘤的标记矩阵，从而获取微动脉瘤的数量，支持向量机根据预处理图像和微动脉瘤的数量给出糖网病检测结果。本方法可以有效避免血管与微动脉瘤精确分割，提取的特征简单易操作，即可实现自动检测是否患有糖网病。

Description

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
技术领域
本发明属于医学图像处理技术领域，涉及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。
背景技术
糖网病是糖尿病常见并发症之一，是一种视网膜微血管病变，全称糖尿病性视网膜病变。据估计，超过75％的糖尿病患者超过20年将患有某种形式的糖网病。糖网病影响患者视力，增殖期糖网病，新生血管持续生长，可能牵引视网膜脱落从而导致患者失明。但是，糖网病是可以避免失明的眼病，同时眼睛作为人类感知周围环境的重要器官获取80％以上的信息，因此对非增值期糖网病进行及时的诊断十分必要。
临床实践中，医生判断病人是否患有糖网病最简单便捷的方式是基于病人的彩色眼底图。但是，受医生个人经验积累等主观因素影响，不同的医生对同一个病人可能给出不同的诊断结果；另一方面随着民众健康意识的提高，在现实生活中医院一般存在大量的眼底图并且以健康的居多，人工眼底分析耗时耗力，随着眼底图像数量的增多，临床医生不堪重负，确诊效率降低，诊断结果易受外界因素干扰。
因此为了减轻医生的负担、实现大规模筛查，基于计算机辅助诊断的糖网病检测技术应运而生。糖网病的病灶主要表有：微动脉瘤，渗出，出血点和新生血管。针对这些特征，研究学者相应提出了一系列方策略，如相关病灶的检测与分割，来辅助糖网病检测。
但是这类检测算法大都着眼于微动脉瘤，渗出，出血点和新生血管的精确检测，通常流程为视盘定位与分割，血管提取，病灶分割，特征提取等，最后跟正常指标比对给出诊断结果。这类方法一方面要求熟知糖网病的病理变化以便在提取差异特征时加入先验信息使学习模型更加具有鲁棒性，提取的特征纬度高；另一方面其检测结果严重依赖于眼底结构的分割精度，但是视盘分割容易受病变影响，病灶之间与眼底结构之间相似特征互相干扰。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提出一种基于朴素贝叶斯与支持向量机的糖网病检测方法，检测过程可有效避免血管与微动脉瘤的精确分割，提取的特征简单易操作。
为实现上述技术目的，本发明采用如下技术方案：
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，包括：
步骤10，获取原始彩色眼底图像，对原始彩色眼底图像进行预处理，并从预处理图像中提取M通道图像；
步骤20，从M通道图像中提取血管图像；
步骤30，根据血管图像对预处理图像进行重绘处理，得到血管重绘图像；
步骤40，从血管重绘图像中提取候选微动脉瘤，得到候选微动脉瘤图像；
步骤50，对候选微动脉瘤图像中的候选微动脉瘤提取特征得到特征向量，每个候选微动脉瘤图像中的若干个候选微动脉瘤的特征向量构成候选微动脉瘤特征矩阵；
步骤60，对预处理图像提取预处理图像特征得到预处理图像特征向量；
步骤70，将若干具有候选微动脉瘤样本的眼底图像分别按步骤10-50进行处理，以候选微动脉瘤样本的特征向量组成的特征矩阵为输入、以候选微动脉瘤样本的正确标记组成的标记矩阵作为输出来训练朴素贝叶斯分类器；
步骤80，将若干眼底图像样本分别按步骤10-60进行处理，并将得到的候选微动脉瘤特征矩阵输入到步骤70训练得到的朴素贝叶斯分类器中，训练得到的朴素贝叶斯分类器输出该眼底图像样本的微动脉瘤标记矩阵，获取该眼底图像样本的微动脉瘤数量；
以眼底图像样本的微动脉瘤数量和预处理图像特征组成的特征矩阵作为输入、眼底图像样本的正确标签矩阵作为输出来训练支持向量机；
步骤90，将待测眼底图像按步骤10-60进行处理，得到待测眼底图像的候选微动脉瘤特征和预处理图像特征；
将候选微动脉瘤特征矩阵输入到步骤70训练得到的朴素分类器中，得到待测眼底图像的微动脉瘤数量；
将待测眼底图像的微动脉瘤数量和预处理图像特征输入到步骤80训练得到的支持向量机中，得到待测眼底图像的糖网病自动筛查结果。
从原始眼底图像的预处理图像中提取出血管图像，并对预处理图像进行重绘，得到减少血管对比度的血管重绘图像，减少血管对候选微动脉瘤区域提取的影响，有效避免血管与微动脉瘤精确分割。由于眼底图像样本较少，而朴素贝叶斯和支持向量机都适用于小样本分类，因此相对于其他基于深度学习知识的图像分类算法，本方案中采用朴素贝叶斯分类器支持向量机可避免因训练样本较少而出现模型过拟合情况的发生，从而具有较好的分类稳定性。在经过朴素贝叶斯分类器筛除血管等部分噪声后，再结合从预处理图像中提取到的其他与糖网病病灶相关的特征一起送入支持向量机中，以进一步使用支持向量机对眼底图像进行分类，判断是否患有糖网病，提高糖网病筛查的准确性。
进一步地，步骤S30根据血管图像对预处理图像进行重绘处理的公式为：
Figure BDA0001873510080000031
其中，(p,q)表示预处理图像中除去血管区域的像素点坐标，c为像素点坐标(p,q)的周围11×11窗口内不为0的像素点个数，m、n为平移量，
Figure BDA0001873510080000032
表示血管重绘图像的像素点坐标。
预处理图像中的血管像素值由周围11×11区域内的非血管像素决定，得到减少血管对比度的血管重绘图像，减少血管对候选微动脉瘤区域提取的影响，有效避免血管与微动脉瘤精确分割。
进一步地，所述从M通道图像中提取血管图像的过程为：对M通道图像依次进行高帽变换、直方图匹配和利用面积大小过滤噪声处理，得到血管图像；所述高帽变换采用半径为1～10像素的圆形结构元进行。可以使血管更明显，更利用消除血管对微动脉瘤检测的影响。
进一步地，所述朴素贝叶斯分类器具体为：
Figure BDA0001873510080000033
其中，x为输入到朴素贝叶斯分类器的候选微动脉瘤特征，n表示候选微动脉瘤特征x中的特征个数，x(j)表示候选微动脉瘤特征x的第j个特征，y为输出空间类标记，取值为ck，表示是微动脉瘤或不是微动脉瘤；
训练朴素贝叶斯分类器时，通过输入到朴素贝叶斯分类器的候选微动脉瘤特征x和已知的样本标记ck，训练得到朴素贝叶斯分类器的先验概率分布P(Y＝ck)及条件概率分布P(X(j)＝x(j)|Y＝ck)；
使用训练得到的朴素贝叶斯分类器时，输出后验概率
Figure BDA0001873510080000034
最大的标记。
进一步地，其特征在于，所述支持向量机采用软分类算法模型：
Figure BDA0001873510080000035
其中，w为超平面法向量；C为惩罚系数，表示模型对误分类的惩罚程度；ξi为惩罚项，表示对单个样本误分类的惩罚；n为训练支持向机的眼底图像样本总个数，xi为输入支持向量机的由眼底图像样本的预处理图像特征与候选微动脉瘤数量构成的特征向量，yi为眼底图像样本是否患病的正确标签，b为偏置；
所述软分类模型将径向基函数作为核函数：
Figure BDA0001873510080000041
xi和xj表示不同眼底图像样本输入向量机的不同特征向量；
训练支持向量机时，通过输入由眼底图像样本的特征向量xi和已知的样本标签yi，训练得到惩罚系数C和径向基函数参数g，从而确定支持向量机的超平面(w,b)，得到训练好的支持向量机；
使用训练好的支持向量机时，超平面(w,b)根据输入的待测眼底图像的微动脉瘤数量和预处理图像特征输出表示待测眼底图像是否患病的标签。
进一步地，所述候选微动脉瘤的特征包括离心率、最大灰度、最小灰度、面积、最大最小灰度比值、灰度均值、最大长度、细度比4*π*Area/Perimeter2、同面积椭圆二阶中心矩比值和/或同面积圆直径；
所述预处理图像特征包括微动脉瘤的数量、微动脉瘤的平均灰度值、预处理图像的灰度均值、标准差、梯度和血管密度。
进一步地，所述从血管重绘图像中提取候选微动脉瘤的过程具体为：利用圆形结构元对血管重绘图像进行腐蚀处理后，再依次进行边缘检测和孔洞填充处理、提取候选微动脉瘤区域，从而得到候选微动脉瘤图像，所述候选微动脉瘤图像包括n个候选微动脉瘤，n≥0。
进一步地，步骤10中对原始彩色眼底图像进行预处理包括：采用双立方插值技术对原始彩色眼底图像进行处理，得到插值图像：
Figure BDA0001873510080000042
Figure BDA0001873510080000043
其中，R(x)表示插值表达式，
Figure BDA0001873510080000051
表示插值图像的像素点坐标，插值图像中坐标
Figure BDA0001873510080000052
经根据放大或缩小倍数后对应于原始彩色眼底图像的像素点坐标(i+dx,j+dy)，(dx,dy)表示插值图像的像素点坐标对应于原始彩色眼底图像的像素点坐标在x,y方向的小数坐标，(i,j)表示插值图像的像素点坐标对应于原始彩色眼底图像的像素点坐标在x,y方向上的整数坐标，m、n为平移量。
从而，可以解决分辩率不统一的问题同时保留图像细节。
进一步地，步骤10中对原始彩色眼底图像进行预处理还包括：从插值图像的R通道中提取图像掩膜，将得到的图像掩膜与插值图像的G通道进行点乘运算得到G通道感兴趣图像；所述从插值图像的R通道提取图像掩膜的过程具体依次为：canny边缘检测、孔洞填充、阈值分割、形态学闭操作。从而可以加快对图像的处理速度，减少图像噪声。
进一步地，步骤10中对原始彩色眼底图像进行预处理还包括：对G通道感兴趣图像进行gamma光照增强处理，得到G通道光照补偿图像：
Figure BDA0001873510080000053
其中，(k,l)表示G通道感兴趣图像的像素点坐标，a为常量，gamma表示灰度系数，且gamma＜1，
Figure BDA0001873510080000054
表示G通道光照补偿图像的像素点坐标；
对G通道光照补偿图像采用限制对比度自适应直方图均衡化进行处理，得到的G通道对比度增强图像构成所述预处理图像。
使光照不充分的眼底图像更加明显，且消除光照不均和增强对比度，突出微动脉瘤。
有益效果
从原始眼底图像的预处理图像中提取出血管图像，并对预处理图像进行重绘，得到减少血管对比度的血管重绘图像，减少血管对候选微动脉瘤区域提取的影响，有效避免血管与微动脉瘤精确分割。由于眼底图像样本较少，而朴素贝叶斯与支持向量机都适用于小样本分类，相对于其他基于深度学习知识的图像分类算法，本方案中采用朴素贝叶斯分类器和支持向时机可避免因训练样本较少而出现的过拟合情况，从而具有较好的分类稳定性。在经过朴素贝叶斯分类器筛除血管等部分噪声后，再结合从预处理图像中提取到的其他与糖网病病灶相关的特征一起送入支持向量机中，以进一步使用支持向量机对眼底图像进行分类，判断是否患有糖网病，提高糖网病筛查的准确性。
附图说明
图1为本发明方法的流程图；
图2为原始彩色眼底图像；
图3为原始彩色眼底图像的R通道图像；
图4为利用R通道图像提取得到的掩膜图像；
图5为原始彩色眼底图像的G通道图像；
图6为图5所示G通道图像在利用gamma光照补偿后得到的G通道光照补偿图像；
图7为图6所示G通道光照补偿图像在采用限制对比度自适应均衡化后得到的G通道对比度增强图像；
图8为图7所示G通道对比度增强图像在CMY模式转换后得到的M通道图像；
图9为图8所示M通道图像在经多尺度高帽变换与直方图匹配增强滤波后的血管图像；
图10为根据图7所示G通道对比度增强图像与图9所示血管图像重绘的血管重绘图像；
图11为图10所示血管重绘图像在边缘检测后得到的边缘检测图像；
图12为提取得到的候选微动脉瘤图像；
图13为本发明方法在Lariboisière数据集上的ROC曲线。
具体实施方式
本发明提供的一种基于朴素贝叶斯与支持向量机的糖网病检测方法，如图1所示，包括以下步骤：
步骤10，获取原始彩色眼底图像，对原始彩色眼底图像进行预处理，并从预处理图像中提取M通道图像。
其中，对原始彩色眼底图像进行的预处理包括具体的以下步骤：
步骤A，由于原始彩色眼底图像(如图2所示)可能存在图片分辩不统一，为了解决分辩率不统一的问题同时保留图像细节，采用双立方插值技术对原始彩色眼底图像进行处理，得到插值图像：
Figure BDA0001873510080000061
Figure BDA0001873510080000071
其中，R(x)表示插值表达式，
Figure BDA0001873510080000072
表示插值图像的像素点坐标，插值图像中坐标
Figure BDA0001873510080000073
经根据放大或缩小倍数后对应于原始彩色眼底图像的像素点坐标(i+dx,j+dy)，(dx,dy)表示插值图像的像素点坐标对应于原始彩色眼底图像的像素点坐标在x,y方向的小数坐标，(i,j)表示插值图像的像素点坐标对应于原始彩色眼底图像的像素点坐标在x,y方向上的整数坐标，m、n为平移量。
步骤B，在插值图像的R通道(如图3所示)依次进行canny边缘、孔洞填充、阈值分割和形态学闭操作，得到掩膜图像mask，如图4所示：
mask＝(Rcanny|Rotsu)·strel，
其中，Rcanny与Rotsu分别表示在R通道进行canny边缘检测与自适应阈值分割后的图像，strel表示形态学闭操作的结构元。
利用canny边缘检测与孔洞填充得到候选掩膜图像，同时利用阈值分割得到另一个掩膜图像，然后将两个掩膜图像合并，再利用闭操作去掉噪声即得到最终的掩膜图像mask。
在得到掩膜图像mask后，将掩膜图像mask与插值图像的G通道G.进行点乘运算得到G通道感兴趣图像Groi(如图5所示)：Groi＝G.*mask，从而可以加快对图像的处理速度，减少图像噪声。
步骤C，为了使光照不充分的眼底图像更加明显，对G通道感兴趣图像进行gamma光照增强处理，得到G通道光照补偿图像(如图6所示)：
Figure BDA0001873510080000074
其中，(k,l)表示G通道感兴趣图像的像素点坐标，a为常量，在本实施例中a＝1，gamma表示灰度系数，且gamma＜1表示光照增强，
Figure BDA0001873510080000075
表示G通道光照补偿图像的像素点坐标。
步骤D，为了消除光照不均和增强对比度，采用限制对比度自适应直方图均衡化对G通道光照补偿图像进行处理，得到G通道对比度增强图像(如图7所示)，即为前述的预处理图像。
其中，限制对比度自适应直方图均衡化的思想为对图像局部进行直方图均衡化并限制对比度S：
Figure BDA0001873510080000081
其中，S为对比度，M×M为局部块大小，Hist(t)为局部块内的直方图。
限制对比度自适应直方图均衡化针对局部图像直方图进行均衡化增强对比度，增强的同时限制对比度，不至于对比度太高不均衡，同时限制对比度自适应均衡化对每一块图像增强后进行插值操作不至于块与块之间有明显界限。对比度是均衡算法根据局部总体对比度设定。
前述的从预处理图像中提取M通道图像(如图8所示)，即是根据G通道对比度增强图像获取得到M通道图像：
Figure BDA0001873510080000082
其中，R，G，B分别表示图像的RGB颜色模型中的三个分量，C，M，Y分别表示图像的CMY模型中的三个分量。
步骤20，为了消除血管对微动脉瘤检测的影响，从M通道图像中提取血管图像，即：对M通道图像依次进行高帽变换、直方图匹配和利用面积大小过滤噪声处理，得到血管图像，如图9所示。
其中，高帽变换采用半径r为1～10像素的圆形结构元进行。取从1～10中的所有整数作为结构圆的半径，依次对M通道图像进行开操作，然后将M通道图像与开操作的结果图像进行减操作，从而实现对M通道图像的高帽变换。
高帽变换后的灰度图像血管有浅痕迹但是不突出，如果直接设定一个阈值将图像二值化，将会有很大一部分血管被划分为背景，直方图匹配则规定低于某一个阈值的像素值要达到一定数量，因此本发明采用直方图匹配，使较低灰度值映射到较高的灰度值，使不明显的血管变明显，使血管增强。
由于血管在图像上是连通的区域，而噪声是离散、且面积小的，因此本发明设置一个面积阈值，删除图像中面积小于阈值的连通域，相当于将图像中的噪声过滤掉，消除噪声对微动脉瘤检测的影响，其中面积阈值在实施例中取值为50+20*r。
步骤30，根据步骤20得到的血管图像对G通道对比度增强图像进行重绘处理，得到血管重绘图像，如图10所示，重绘公式为：
Figure BDA0001873510080000091
其中，(p,q)表示预处理图像中除去血管区域的像素点坐标，c为像素点坐标(p,q)的周围11×11窗口内不为0的像素点个数，m、n为平移量，
Figure BDA0001873510080000092
表示血管重绘图像的像素点坐标。
得到的血管重绘图像，消除了血管对候选微动脉瘤检测的影响。
步骤40，从血管重绘图像中提取候选微动脉瘤，得到候选微动脉瘤图像。
首先利用半径为1的圆形结构元对血管重绘图像进行腐蚀处理，然后再依次进行边缘检测和孔洞填充处理、提取候选微动脉瘤区域，从而得到候选微动脉瘤图像，该候选微动脉瘤图像中可能包括n个候选微动脉瘤，n≥0。
具体地，边缘检测过程包括：1)使用高斯滤波器，以平滑图像，滤除噪声；2)计算图像中每个像素点的梯度强度和方向；3)应用非极大值(Non-Maximum Suppression)抑制，以消除边缘检测带来的杂散响应；4)应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘；5)通过抑制孤立的弱边缘最终完成边缘检测，得到的边缘检测图像如图11所示。在本实施例中，只设置一个阈值为0.1，在此处设置的阈值为双阈值中的高阈值，低阈值自动设置为0.4*高阈值。如果边缘像素点梯度值大于高阈值，则被认为是强边缘点；如果边缘梯度值小于高阈值，大于低阈值，则为弱边缘点；如果小于低阈值，则将该像素点抑制。
孔洞填充具体采用matlab imfill函数，对某一个像素的上下左右四个方向进行遍历，如果四个方向在遍历区域内都有白色出现，则将其赋值为白色，从而实现对图像的简单填充处理。
提取过程：边缘检测后得到的边缘连续，在孔洞填充前将连通域面积在(0，800)区域内的保留，将闭合的连通区域填充，填充图像前后相减，就得到候选微动脉瘤区域，从而得到候选微动脉瘤图像，如图12所示。
步骤50，对候选微动脉瘤图像中的候选微动脉瘤提取特征得到特征向量，每个候选微动脉瘤图像中的n个候选微动脉瘤的特征向量构成候选微动脉瘤特征矩阵。
具体的，对每个候选微动脉瘤提取的特征包括离心率、最大灰度、最小灰度、面积、最大最小灰度比值、灰度均值、最大长度、细度比4*π*Area/Perimeter2、同面积椭圆二阶中心矩比值和同面积圆直径。
其中，Area表示候选微动脉瘤面积，Perimeter表示候选微动脉瘤周长。由于微动脉瘤为点状类圆形，同面积椭圆二阶中心矩比值为与候选微动脉瘤面积相同的椭圆的长短轴比值，用于衡量候选微动脉瘤与圆的相似性；同面积圆直径为与候选微动脉瘤面积相同的圆的直径大小，用于衡量候选微动脉瘤的大小是否满足微动脉瘤的要求。
步骤60，对预处理图像提取预处理图像特征得到预处理图像特征向量，由于预处理图像即为G通道对比度增强图像，将预处理图像特征称为G通道特征。该步骤即是，从G通道对比度增强图像提取G通道特征，得到G通道特征向量。
具体地，G通道特征包括微动脉瘤的数量、微动脉瘤的平均灰度值、预处理图像的灰度均值、标准差、梯度和血管密度。
微动脉瘤的平均灰度值指的是，一幅眼底图像中被朴素贝叶斯判定为微动脉瘤的对应于G通道对比度增强图像上的区域中所有像素的灰度值平均值，即将所有微动脉瘤区域的像素灰度值求和，除以包含在微动脉瘤区域像素个数的总和。预处理图像的灰度均值指G通道对比度增强图像内所有像素灰度的平均值。
步骤70，将若干具有候选微动脉瘤样本的眼底图像分别按步骤10-50进行处理，以候选微动脉瘤样本的特征向量组成的特征矩阵作为输入、以候选微动脉瘤样本正确标记矩阵作为输出来训练朴素贝叶斯分类器。
候选微动脉瘤分为两类：真正的微动脉瘤和噪声血管等假微动脉瘤。若候选微动脉瘤是真正的微动脉瘤，则该候选微动脉瘤为正样本；若候选微动脉瘤是噪声血管等假微动脉瘤，则该候选微动脉瘤为负样本。
构成正样本的真正的微动脉瘤呈点状圆形，而构成负样本的血管段呈长条形，因此正样本与负样本之间的形状和颜色不同。为了使样本均匀，保留所有正样本，对负样本以间隔为9进行下采样以减少负样本的数量，从而可训练得到合理的朴素贝叶斯分类器。
在训练朴素贝叶斯分类器之前，需确认样本的正确类别，即是否为微动脉瘤。具体确认样本的正确类别方法为：将候选微动脉瘤区域与标准位置(数据库中已标注出微动脉瘤)进行比较，区域有交集则认为候选微动脉瘤是微动脉瘤，否则不是微动脉瘤。
将眼底图像中若干个样本的特征向量所构成的特征矩阵进行归一化处理，再与样本的正确标记一起送入朴素贝叶斯分类器模型进行训练，并保存训练好的模型作为训练得到的朴素贝叶斯分类器，以便后续糖网病自动检测。
进一步，朴素贝叶斯分类器具体为：
Figure BDA0001873510080000101
其中，x为输入到朴素贝叶斯分类器的候选微动脉瘤特征向量，n表示候选微动脉瘤特征x中的特征个数，x(j)表示候选微动脉瘤特征x的第j个特征，y为输出空间类标记，取值为ck，ck等于1表示候选微动脉瘤特征向量对应的候选微动脉瘤实际为微动脉瘤，ck等于-1表示候选微动脉瘤特征向量对应的候选微动脉瘤实际不是微动脉瘤。
朴素贝叶斯算法通过训练数据集学习先验概率分布P(Y＝ck)及条件概率分布P(X(j)＝x(j)|Y＝ck)，从而学习特征与标记的联合概率分布P(X,Y)。朴素贝叶斯分类算法的在使用时分类时，将实例划分到后验概率
Figure BDA0001873510080000111
最大的类中。
步骤80，将若干眼底图像样本分别按步骤10-60进行处理，并将得到的候选微动脉瘤特征矩阵输入到步骤70训练得到的朴素贝叶斯分类器中，训练得到的朴素贝叶斯分类器输出该眼底图像样本的微动脉瘤标记矩阵，从而获得该眼底样本的微动脉瘤数量；
以眼底图像样本的微动脉瘤数量和预处理图像特征矩阵作为输入、眼底图像样本的正确标签矩阵作为输出来训练支持向量机。
训练支持向量机的眼底图像正负样本，正样本是指正确标签为患有糖网病的眼底图像，负样本是指正确标签为不患糖网病的眼底图像，样本的正确标签为1或-1。
进一步地，支持向量机采用软分类算法模型：
Figure BDA0001873510080000112
其中，w为超平面法向量，C为惩罚系数，表示模型对误分类的惩罚程度；ξi为惩罚项，表示对单个样本误分类的惩罚；n为训练支持向量机的眼底图像训练样本总个数，xi为输入支持向量机的由眼底图像样本的预处理图像特征与候选微动脉瘤数量一起构成的特征向量，yi为眼底图像样本对应的标签(是否患病)，b为偏置。进一步，软分类模型将径向基函数作为核函数：
Figure BDA0001873510080000113
xi和xj表示不同样本输入向量机的不同特征向量。
软分类算法模型是支持向量机的一种情况，该算法允许在靠近超平面的两侧，允许一部分样本的分类错误，避免模型过拟合。
提取眼底图像样本的G通道特征和样本中候选微动脉瘤的数量为输入、以眼底图像样本的正确标签为输出，来训练支持向量机的模型参数，即惩罚系数C和径向基函数参数g。训练过程中，支持向量机通过对惩罚系数C和径向基函数参数g利用穷举法取值，在e_ophtha_MA(e_ophtha_MA为公开微动脉瘤数据库，包含健康眼底图片与包含微动脉瘤眼底图像及其标记图像)上采用交叉验证以衡量该取值参数时支持向量机的分类准确率，从而找到最合适的超平面(w,b)，并使得眼底图像正负样本被正确划分在所属两侧的准确率最高，同时交叉验证也可避免训练的支持向量机模型过拟合。保留此时惩罚系数C和径向基函数参数g，即训练好的支持向量机模型参数，从而得到训练好的支持向量机。
本发明经过五折交叉验证训练得到的支持向量机，对测试集的眼底图像样本进行正确区分患病与正常图像的准确率达到89.47％。
步骤90，将待测眼底图像按步骤10-60进行处理，得到待测眼底图像的候选微动脉瘤特征和预处理图像特征；
将候选微动脉瘤特征矩阵输入到步骤70训练得到的朴素分类器中，得到待测眼底图像的微动脉瘤数量；
将待测眼底图像的微动脉瘤数量和预处理图像特征输入到步骤80训练得到的支持向量机中，得到待测眼底图像的糖网病自动筛查结果。
在Lariboisière数据集上400幅图像使用本发明分类方法进行糖网病自动筛查，其AUC值达到0.882，如图13所示，与其他方法同样对该数据集的基于微动脉瘤检测进行糖网筛查达到的AUC进行比较，发现本发明的效果更好。
本发明可以应用于基于计算机辅助诊断的糖网病筛查系统，具有良好的性能和鲁棒性。

Claims (10)

1.一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法，其特征在于，包括：
步骤10，获取原始彩色眼底图像，对原始彩色眼底图像进行预处理，并从预处理图像中提取M通道图像；
步骤20，从M通道图像中提取血管图像；
步骤30，根据血管图像对预处理图像进行重绘处理，得到血管重绘图像；
步骤40，从血管重绘图像中提取候选微动脉瘤，得到候选微动脉瘤图像；
步骤50，对候选微动脉瘤图像中的候选微动脉瘤提取特征得到特征向量，每个候选微动脉瘤图像中的若干个候选微动脉瘤的特征向量构成候选微动脉瘤特征矩阵；
步骤60，对预处理图像提取预处理图像特征得到预处理图像特征向量；
步骤70，将若干具有候选微动脉瘤样本的眼底图像分别按步骤10-50进行处理，以候选微动脉瘤样本的特征向量组成的特征矩阵为输入、以候选微动脉瘤样本的正确标记组成的标记矩阵作为输出来训练朴素贝叶斯分类器；
步骤80，将若干眼底图像样本分别按步骤10-60进行处理，并将得到的候选微动脉瘤特征矩阵输入到步骤70训练得到的朴素贝叶斯分类器中，训练得到的朴素贝叶斯分类器输出该眼底图像样本的微动脉瘤标记矩阵，获取该眼底图像样本的微动脉瘤数量；
以眼底图像样本的微动脉瘤数量和预处理图像特征组成的特征矩阵作为输入、眼底图像样本的正确标签矩阵作为输出来训练支持向量机；
步骤90，将待测眼底图像按步骤10-60进行处理，得到待测眼底图像的候选微动脉瘤特征和预处理图像特征；
将候选微动脉瘤特征矩阵输入到步骤70训练得到的朴素分类器中，得到待测眼底图像的微动脉瘤数量；
将待测眼底图像的微动脉瘤数量和预处理图像特征输入到步骤80训练得到的支持向量机中，得到待测眼底图像的糖网病自动筛查结果。
2.根据权利要求1所述的方法，其特征在于，步骤S30根据血管图像对预处理图像进行重绘处理的公式为：
Figure FDA0004068869160000011
其中，(p,q)表示预处理图像中除去血管区域的像素点坐标，c为像素点坐标(p,q)的周围11×11窗口内不为0的像素点个数，m、n为平移量，
Figure FDA0004068869160000012
表示血管重绘图像的像素点坐标。
3.根据权利要求1所述的方法，其特征在于，所述从M通道图像中提取血管图像的过程为：对M通道图像依次进行高帽变换、直方图匹配和利用面积大小过滤噪声处理，得到血管图像；所述高帽变换采用半径为1～10像素的圆形结构元进行。
4.根据权利要求1所述的方法，其特征在于，所述朴素贝叶斯分类器具体为：
Figure FDA0004068869160000021
其中，x为输入到朴素贝叶斯分类器的候选微动脉瘤特征，n表示候选微动脉瘤特征x中的特征个数，x(j)表示候选微动脉瘤特征x的第j个特征，Y为输出空间类标记，取值为ck，ck表示是微动脉瘤或不是微动脉瘤；
训练朴素贝叶斯分类器时，通过输入到朴素贝叶斯分类器的候选微动脉瘤特征x和已知的样本标记ck，训练得到朴素贝叶斯分类器的先验概率分布P(Y＝ck)及条件概率分布P(X(j)＝x(j)|Y＝ck)；
使用训练得到的朴素贝叶斯分类器时，输出后验概率
Figure FDA0004068869160000022
最大的标记。
5.根据权利要求1所述的方法，其特征在于，所述支持向量机采用软分类算法模型：
Figure FDA0004068869160000023
其中，w为超平面法向量；C为惩罚系数，表示模型对误分类的惩罚程度；ξi为惩罚项，表示对单个样本误分类的惩罚；n为训练支持向机的眼底图像样本总个数，xi为输入支持向量机的由眼底图像样本的预处理图像特征与候选微动脉瘤数量构成的特征向量，yi眼底图像样本是否患病的正确标签，b为偏置；
所述软分类模型将径向基函数作为核函数：
Figure FDA0004068869160000024
xi和xj表示不同眼底图像样本输入向量机的不同特征向量；
训练支持向量机时，通过输入由眼底图像样本的特征向量xi和已知的样本标签yi，训练得到惩罚系数C和径向基函数参数g，从而确定支持向量机的超平面(w,b)，得到训练好的支持向量机；
使用训练好的支持向量机时，超平面(w,b)根据输入的待测眼底图像的微动脉瘤数量和预处理图像特征输出表示待测眼底图像是否患病的标签。
6.根据权利要求1所述的方法，其特征在于，所述候选微动脉瘤的特征包括离心率、最大灰度、最小灰度、面积、最大最小灰度比值、灰度均值、最大长度、细度比
4*π*Area/Perimeter2、同面积椭圆二阶中心矩比值和/或同面积圆直径；其中，Area表示候选微动脉瘤面积，Perimeter表示候选微动脉瘤周长；
所述预处理图像特征包括微动脉瘤的数量、微动脉瘤的平均灰度值、预处理图像的灰度均值、标准差、梯度和血管密度。
7.根据权利要求1所述的方法，其特征在于，所述从血管重绘图像中提取候选微动脉瘤的过程具体为：利用圆形结构元对血管重绘图像进行腐蚀处理后，再依次进行边缘检测和孔洞填充处理、提取候选微动脉瘤区域，从而得到候选微动脉瘤图像，所述候选微动脉瘤图像包括n个候选微动脉瘤，n≥0。
8.根据权利要求1所述的方法，其特征在于，步骤10中对原始彩色眼底图像进行预处理包括：采用双立方插值技术对原始彩色眼底图像进行处理，得到插值图像：
Figure FDA0004068869160000031
Figure FDA0004068869160000032
其中，R(x)表示插值表达式，
Figure FDA0004068869160000033
表示插值图像的像素点坐标，插值图像中坐标
Figure FDA0004068869160000034
经根据放大或缩小倍数后对应于原始彩色眼底图像的像素点坐标(i+dx,j+dy)，(dx,dy)表示插值图像的像素点坐标对应于原始彩色眼底图像的像素点坐标在x,y方向的小数坐标，(i,j)表示插值图像的像素点坐标对应于原始彩色眼底图像的像素点坐标在x,y方向上的整数坐标，m、n为平移量。
9.根据权利要求8所述的方法，其特征在于，步骤10中对原始彩色眼底图像进行预处理还包括：从插值图像的R通道中提取图像掩膜，将得到的图像掩膜与插值图像的G通道进行点乘运算得到G通道感兴趣图像；所述从插值图像的R通道提取图像掩膜的过程具体依次为：canny边缘检测、孔洞填充、阈值分割、形态学闭操作。
10.根据权利要求9所述的方法，其特征在于，步骤10中对原始彩色眼底图像进行预处理还包括：对G通道感兴趣图像进行gamma光照增强处理，得到G通道光照补偿图像：
Figure FDA0004068869160000041
其中，(k,l)表示G通道感兴趣图像的像素点坐标，a为常量，gamma表示灰度系数，且gamma＜1，
Figure FDA0004068869160000042
表示G通道光照补偿图像的像素点坐标；
对G通道光照补偿图像采用限制对比度自适应直方图均衡化进行处理，得到的G通道对比度增强图像构成所述预处理图像。
CN201811388557.1A 2018-11-21 2018-11-21 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 Active CN111292285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811388557.1A CN111292285B (zh) 2018-11-21 2018-11-21 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811388557.1A CN111292285B (zh) 2018-11-21 2018-11-21 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

Publications (2)

Publication Number Publication Date
CN111292285A CN111292285A (zh) 2020-06-16
CN111292285B true CN111292285B (zh) 2023-04-07

Family

ID=71017608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811388557.1A Active CN111292285B (zh) 2018-11-21 2018-11-21 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

Country Status (1)

Country Link
CN (1) CN111292285B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700409A (zh) * 2020-12-28 2021-04-23 中南大学 视网膜微动脉瘤自动检测方法及成像方法
CN114445364B (zh) * 2022-01-25 2024-05-07 中南大学 眼底图像微动脉瘤区域检测方法及其成像方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557771A (zh) * 2016-11-17 2017-04-05 电子科技大学 基于朴素贝叶斯分类器的皮肤病图像颜色特征提取方法
CN106651899A (zh) * 2016-12-09 2017-05-10 东北大学 基于Adaboost的眼底图像微动脉瘤检测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101359372B (zh) * 2008-09-26 2011-05-11 腾讯科技（深圳）有限公司 分类器的训练方法及装置、识别敏感图片的方法及装置
US10380737B2 (en) * 2015-02-16 2019-08-13 University Of Surrey Detection of microaneurysms

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557771A (zh) * 2016-11-17 2017-04-05 电子科技大学 基于朴素贝叶斯分类器的皮肤病图像颜色特征提取方法
CN106651899A (zh) * 2016-12-09 2017-05-10 东北大学 基于Adaboost的眼底图像微动脉瘤检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
薛文渲 ; 刘建霞 ; 刘然 ; 袁晓辉 ; .改进U型网络的眼底视网膜血管分割方法.光学学报.2017,(12),全文. *
高玮玮 ; 沈建新 ; 王玉亮 ; 梁春 ; 左晶 ; .免散瞳眼底图像中微动脉瘤的高效自动检测.中国生物医学工程学报.2012,(06),全文. *

Also Published As

Publication number Publication date
CN111292285A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN110276356B (zh) 基于r-cnn的眼底图像微动脉瘤识别方法
CN109493954B (zh) 一种基于类别判别定位的sd-oct图像视网膜病变检测系统
Marin et al. Obtaining optic disc center and pixel region by automatic thresholding methods on morphologically processed fundus images
CN109472781B (zh) 一种基于串行结构分割的糖尿病视网膜病变检测系统
Haleem et al. Automatic extraction of retinal features from colour retinal images for glaucoma diagnosis: a review
Almazroa et al. Optic disc and optic cup segmentation methodologies for glaucoma image detection: a survey
Issac et al. An adaptive threshold based image processing technique for improved glaucoma detection and classification
Zhao et al. Retinal vessels segmentation based on level set and region growing
US7474775B2 (en) Automatic detection of red lesions in digital color fundus photographs
Agarwal et al. Automatic glaucoma detection using adaptive threshold based technique in fundus image
Ni Ni et al. Anterior chamber angle shape analysis and classification of glaucoma in SS-OCT images
Li et al. Vessel recognition of retinal fundus images based on fully convolutional network
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
Zhao et al. Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation
Biyani et al. A clustering approach for exudates detection in screening of diabetic retinopathy
CN114332910A (zh) 一种面向远红外图像的相似特征计算的人体部位分割方法
CN108665474B (zh) 一种基于b-cosfire的眼底图像视网膜血管分割方法
Nugroho et al. Segmentation of optic disc and optic cup in colour fundus images based on morphological reconstruction
Prakash et al. Automated grading of Diabetic Retinopathy stages in fundus images using SVM classifer
Sidhu et al. Segmentation of retinal blood vessels by a novel hybrid technique-Principal Component Analysis (PCA) and Contrast Limited Adaptive Histogram Equalization (CLAHE)
Martins Automatic microaneurysm detection and characterization through digital color fundus images
EP4113433A1 (en) Classification and improvement of quality of vascular images
CN110930346A (zh) 一种眼底图像微血管瘤自动检测方法及存储设备
CN108154512A (zh) 一种基于多重去趋势分析的视网膜图像血管分割系统
CN111291706B (zh) 一种视网膜图像视盘定位方法

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