CN116188810B - 视神经盘特征提取方法、装置及应用 - Google Patents
视神经盘特征提取方法、装置及应用 Download PDFInfo
- Publication number
- CN116188810B CN116188810B CN202310453134.8A CN202310453134A CN116188810B CN 116188810 B CN116188810 B CN 116188810B CN 202310453134 A CN202310453134 A CN 202310453134A CN 116188810 B CN116188810 B CN 116188810B
- Authority
- CN
- China
- Prior art keywords
- features
- optic disc
- color space
- color
- extracting
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本方案提供了一种视神经盘特征提取方法、装置及应用,该方案将分割出来的视神经盘区域经过多个颜色空间的变换后得到29个颜色通道,并从29个颜色通道中选择对应的特征作为预选特征,最后选择相关度高的特征作为视神经盘特征,利用此类视神经盘特征可很好的分类不同的视神经盘,进而使得其在图像分类的应用场景中有很大的有益效果。
Description
技术领域
本申请涉及特征提取领域,特别是涉及一种视神经盘特征提取方法、装置及应用。
背景技术
视神经盘又称之为视神经乳头,其是视神经在球内可见的部分,为视网膜神经纤维的汇集处。视神经盘可能会因为各种病理原因而导致炎症病变,常见于全身性急或慢性病,如脑膜炎、流行性感冒、麻疹、伤寒、腮腺炎、结核、糖尿病和梅毒等,也可继发于眼、眶和鼻窦的炎性病灶。发病时视力急骤减退,短期内可失明。
在诸多视神经病变中,糖尿病视神经病变是糖尿病比较常见的慢性并发症之一,其对视力的损害在早期及时治疗后可以得到改善或控制,如果不能及时治疗,患眼的视神经一旦发生不可逆性的萎缩,则视功能将会明显损害。传统的诊疗方式是通过医学影像设备获取患者的视神经盘影像后,由专业的医生凭借其主观经验来定位视神经病变,然而这种方式的准确度高度依赖于医生的专业水平,且视神经盘处的视网膜神经纤维分布比较密集,也对医生定义视神经盘病变位置造成了很大的困扰。
近年来有相关的研究是将图像分类技术应用于视神经旁病变的诊断上,比如哈尔滨理工大学于2019年申请的专利CN110889846A中提到了基于FCM对糖尿病视网膜图像视盘进行分割,其方案是通过引入了模糊C均值算法对视神经盘进行分割,借助的原理是被划分到同一簇内的对象之间的相似度最大进而来对需要分割的区域进行归类,然而其仅是优化了最终对特征的归类手段,其侧重于提高分割整个视神经盘的效果,但是未涉及如何从中有效辨认糖尿病病变的特征,考虑到视神经盘内本身的视纤维神经是错综复杂的,故其内的细微特征的辨认难度较大,即使很好地将视神经盘分割出来也并不一定能很好的获取病变相关的细微特征,导致目前的视神经盘分割方法在实际的病变分类场景中应用效果不佳。
发明内容
本申请实施例提供了一种视神经盘特征提取方法、装置及应用,通过对分割出来的视神经盘进行多个颜色空间的转换,并从多个颜色空间中得到有用的细微特征,以获取高质量的视神经盘特征以用于后续的病变分类需求中。
第一方面,本申请实施例提供了一种视神经盘特征提取方法,其包括以下步骤:
获取包括视神经盘区域的视网膜图像;
将所述视网膜图像输入到区域分类模型中分割得到视神经盘区域图像;
对所述视神经盘区域进行9种颜色空间的转换得到对应的转换图像,其中颜色空间包括RGB颜色空间、YCbCr颜色空间、XYZ颜色空间、HSV颜色空间、YIQ颜色空间、CMYK颜色空间、YUV颜色空间、LIN颜色空间、L*a*b*颜色空间;
从9种转换图像中选择29个颜色通道,并从每一颜色通道提取出灰度共生矩阵特征、统计矩阵和直方图特征作为预选特征;
利用特征选择方法从所述预选特征中选择视神经盘特征。
第二方面,本申请实施例提供了一种视神经盘分类方法,包括以下步骤:
获取包含视神经盘的视网膜图像;
将视网膜图像输入到经过所述的视神经盘特征提取方法提取的特征训练得到分类模型中得到分类结果。
第三方面, 本申请实施例提供了一种视神经盘特征提取装置,包括:
视网膜图像获取单元,用于获取包括视神经盘区域的视网膜图像;
分割单元,用于将所述视网膜图像输入到区域分类模型中分割得到视神经盘区域图像;
颜色空间转换单元,用于对所述视神经盘区域进行9种颜色空间的转换得到对应的转换图像,其中颜色空间包括RGB颜色空间、YCbCr颜色空间、XYZ颜色空间、HSV颜色空间、YIQ颜色空间、CMYK颜色空间、YUV颜色空间、LIN颜色空间、L*a*b*颜色空间;
特征提取单元,用于从9种转换图像中选择29个颜色通道,并从每一颜色通道提取出灰度共生矩阵特征、统计矩阵和直方图特征作为预选特征;
特征选择单元,用于利用特征选择方法从所述预选特征中选择视神经盘特征。
本发明的主要贡献和创新点如下:
本申请实施例提供的视神经盘特征提取方法将分割出来的视神经盘区域经过多个颜色空间的变换后得到29个颜色通道,并从29个颜色通道中选择对应的特征作为预选特征,最后选择相关度高的特征作为视神经盘特征,利用此类视神经盘特征可很好的分类不同的视神经盘,进而使得其在图像分类的应用场景中有很大的有益效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的视神经盘特征提取方法的流程图;
图2是根据本申请一种实施例的分割视神经盘的示意图;
图3是根据本申请一种实施例的分割视神经盘的轮廓边缘平滑的示意图;
图4是根据本申请实施例的库装置的结构框图;
图5是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本方案提供了一种视神经盘特征提取方法,该方法将分割出来的视神经盘进行多种颜色空间的转换,并从多个不同颜色空间的视神经盘中选择多个颜色通道提取有用的视神经盘特征,提高了视神经盘特征用于后续病变分类的准确度。
具体的,如图1所示,本方案提供了一种视神经盘特征提取方法包括以下步骤:
获取包括视神经盘区域的视网膜图像;
将所述视网膜图像输入到区域分类模型中分割得到视神经盘区域图像;
对所述视神经盘区域进行9种颜色空间的转换得到对应的转换图像,其中颜色空间包括RGB颜色空间、YCbCr颜色空间、XYZ颜色空间、HSV颜色空间、YIQ颜色空间、CMYK颜色空间、YUV颜色空间、LIN颜色空间、L*a*b*颜色空间;
从9种转换图像中选择29个颜色通道,并从每一颜色通道提取出灰度共生矩阵特征、统计矩阵和直方图特征作为预选特征;
利用特征选择方法从所述预选特征中选择视神经盘特征。
值得一提的是,本方案获取的视网膜图像中的视神经盘区域为彩色图像,视网膜图像可以选自光学相干断层扫描图像(OCT)。在一些实施例中,为了能够提取到视神经盘区域图像的代表性像素级特征,本方案的视网膜图像的红色通道和绿色通道上通过不同尺度的处理后得到多维特征图,具体的应用不同尺度的Gaussian、Dyadic Gaussian和Gabor滤波器来生成一个多维特征图,多维特征图上的特征可以很好地表征梯度、纹理和基于频率的信息,在该多维特征图上提取视神经盘区域图像。
在“将所述视网膜图像输入到区域分类模型中分割得到视神经盘区域图像”步骤中,由于区域分类模型往往会存在一些错误分类导致最终得到的视神经盘区域的形状存在不规则图像,此时还需要对区域分类模型得到的分割结果进行边缘平滑处理得到视神经盘区域图像。对应的,在“将所述视网膜图像输入到区域分类模型中分割得到视神经盘区域图像”步骤中,将所述视网膜图像输入到区域分类模型中分割得到分割结果,对所述分割结果的边缘进行自适应平滑优化处理后得到视神经盘区域图像。
如图2所示,本方案提供了区域分类模型分割视神经盘的示意图。图2中的(a)为分割出来的初始视神经盘区域轮廓形状,图2中的(b)为寻找最佳轮廓点的过程,图2中的(c)为最后汇总后得到的分割结果。区域分类模型分割得到视神经盘区域的逻辑如下;先分割所述视网膜图像得到初始视神经盘区域轮廓形状,如图2中的(a)所示,在得到了初始视神经盘区域轮廓形状后再通过ANN的分类模型从初始视神经盘区域轮廓形状搜索最佳轮廓点,搜索最佳轮廓点的过程如图2中的(b)所示,最后汇总最佳轮廓点后得到分割结果,汇总得到的所有分割结果如图2的(c)所示。
区域分类模型通过大量的训练集训练得到,在利用训练集训练该区域分类模型时,先采用Procruste对齐法将所述训练集中所有视神经盘区域的轮廓形状并入一个共同的坐标框架,然后求取所有视神经盘区域的轮廓形状的平均值得到初始视神经盘区域轮廓形状。在该共同的坐标框架中可以通过将各个视神经盘区域的轮廓形状平移到原点来实现形状对齐,最初,每个轮廓形状的中心点被计算为其所有地标的平均位置,然后通过减去其中心点将形状翻译到其原点。对应的,本方案将视网膜图像输入到该区域分类模型中,也利用Procruste对齐法定位到初始视神经盘区域轮廓形状。在获取初始视神经盘区域轮廓形状后根据ANN的分类模型搜索最佳轮廓点,且在搜索过程中轮廓点根据搜索结构进行动态变化,以得到视神经盘区域图像对应的分割结果。
若需要对所述分割结果的边缘进行自适应平滑优化处理后得到视神经盘区域图像的话,本方案采用自适应边缘平滑更新方法模型来动态更新分割结果中的轮廓线,得到平滑轮廓线后的视神经盘区域图像。在一些实施例中,自适应边缘平滑更新方法模型是一个迭代模型,将分割结果输入到自适应边缘平滑更新方法模型中处理成灰度级图像,通过灰度级图像的最小能量函数,在每个迭代步骤中根据力场方向进行轮廓正则化和平滑更新,得到具有平滑轮廓的视神经盘区域图像。
如图3所示,图3中的(a)为不规则轮廓的分割结果,图3中(b)为将分割结果处理成二值图的示意图,图3中的(c)是对二值图进行进一步灰度级处理得到灰度级图像的示意图,图3中的(d)是将灰度级图像处理为可供处理的图像,图3中的(e)是根据力场方向进行轮廓正则化和平滑更新的迭代优化步骤,图3中的(f)是最终平滑处理后得到的视神经盘区域图像。如图3中的(a)所示的不规则轮廓的分割结果输入到自适应边缘平滑更新方法模型中先被处理成如图3中的(b)所示的二值图后,再对二值图进行灰度处理后得到如图3中的(c)所示的灰度级图像,将图3中的(c)所示的灰度级图像进行格式处理后得到可供处理的图像如图3中的(d)所示,随后将如图3中的(d)所示的图像进行轮廓正则化和平滑更新得到如图3中的(e)所示的图像,最后平滑处理图3中(e)所示的图像后得到如图3中的(f)所示的视神经盘区域图像。
本方案通过将分割得到视神经盘区域用9个不同的颜色空间进行转换,以便提取其中非常有用的细微特征,其中颜色空间包括RGB颜色空间、YCbCr颜色空间、XYZ颜色空间、HSV颜色空间、YIQ颜色空间、CMYK颜色空间、YUV颜色空间、LIN颜色空间、L*a*b*颜色空间。
在RGB颜色空间内含有红色通道、绿色通道和蓝色通道三个通道;YCbCr颜色空间是原色空间之一,其含有Y通道,Cb通道和Cr通道三个通道;XYZ颜色空间含有X频道通道、Y频道通道和Z频道通道三个通道;HSV颜色空间含有H通道、S通道和V通道三个空间;YIQ颜色空间含有Y通道、I通道和Q通道三个通道;CMYK颜色空间含有C频道通道、M频道通道、K频道通道和Y频道通道四个通道;YUV颜色空间是从RGB颜色空间导出的基本颜色模型,其含有Y通道、U通道和V通道三个通道;LIN颜色空间将图像的亮度和对比度都增加两倍,其含有L通道、I通道和N通道三个空间;L*a*b*颜色空间是从标准的XYZ颜色空间导出的感知均匀颜色空间,其含有L*通道、a*通道和b*通道三个通道。
每一颜色空间含有3个或4个颜色通道,本方案将视神经盘区域进行9个颜色空间的转换后得到29个颜色通道,并从29个颜色通道内提取预选特征。
具体的,对每一颜色通道都提取灰度共生矩阵特征、统计矩阵和直方图特征的38种特征,故本方案得到了1102个预特征。
提取灰度共生矩阵特征的步骤为:
利用灰度空间相关性矩阵提取每个颜色通道的二阶统计纹理特征,从中提取22个纹理特征,包括能量、熵、相异度、对比度、逆差(ID)、相关性、同质性、自相关、集群阴影、集群突出、最大概率、和平方 (SOS)、和平均(SOA)、和方差 (SOV)、和熵 (SOE)、差方差、差熵、相关信息测度1(IMC1)、相关信息测度2(IMC2)、最大相关系数、归一化逆差(IDN)和归一化逆差矩(IDMN),具体提取纹理特征的步骤为常规技术手段再次不做说明。
提取统计矩阵的步骤为:
对于每一颜色通道,从视神经盘区域提取11个共同的统计特征,包括均值、中值、众数、均方根(RMS)、最小强度、最大强度、标准差、协方差、方差、相关系数(CC)和熵。
在一张M*N像素大小的图像中,H(i,j)指的是每个像素点的强度,求取均值的公式如下:
;
求取中值的公式如下:;
求取众数的公式如下:;
求取均方根的公式如下:;
求取最小强度的公式如下:;
求取最大强度的公式如下:;
求取标准差的公式如下:;
求取协方差的公式如下:
;
求取方差Var的公式如下:;
求取相关系数的公式如下:
求取熵的公式如下:。
提取直方图特征的步骤为:
对于每一颜色通道,从对应的颜色通道提取基于直方图的特征,即一阶统计纹理特征,包括偏度,峰度,均值,方差和能量。
其中图像灰度直方图描述了一张图片像素灰度值的分布情况,是反映一个图像像素灰度分布的统计表,其横坐标代表了图像像素灰度值的种类(0-255),纵坐标代表了每一种颜色值在图像中的像素总数或者占所有像素个数的百分比。
在一张M*N像素大小的图像中,令zi,i=0,1,2,……,L-1表示图像中的L种可能的灰度值,n(zi)表示每种灰度值在图像中出现的次数,p(zi)表示出现的概率。
均值:
方差:
偏度:
峰度:
能量:。
本方案从29个颜色通道中获取了1102个预选特征,过多的特征也会导致后期的模型训练压力的增加,故本方案利用特征选择方法从所述预选特征中选择视神经盘特征。
具体的,本方案采用三种特征选择方法fisher 滤波、relief 滤波和 runs 滤波的一种或多种对预选特征进行选择,基于其相关性对特征进行排序,从提取的预选特征中选择相关度更高的相关特征来提高后期分类的性能。关于特征选择方法为常规方法,本方案在此也不进行过多的说明。
在一优选实施例中,本方案分别在三个不同数据集中尝试筛选特征,特征筛选结果如下:
数据集1:
。
数据集2:
。
数据集3:
。
如上所述,本方案通过对视神经盘区域的多个颜色空间进行转换,从多个颜色通道中提取到相关性能更佳的视神经盘特征。在得到此类视神经盘特征后,本方案还将得到的视神经盘特征用于训练图像分类模型,得到对应的视神经盘分类结果。
也就是说,本方案还可提供了一种视神经盘特征提取方法的应用,即,视神经盘分类方法包括以下步骤:
获取包含视神经盘的视网膜图像;
将包含视神经盘的视网膜图像输入到经过上述视神经盘特征提取方法提取的特征训练得到分类模型中得到分类结果。
在一些实施例中,该视神经盘分类方法可用于糖尿病视网膜病变的分类。
实施例二
基于相同的构思,参考图4,本申请还提出了一种视神经盘特征提取装置,包括:
视网膜图像获取单元,用于获取包括视神经盘区域的视网膜图像;
分割单元,用于将所述视网膜图像输入到区域分类模型中分割得到视神经盘区域图像;
颜色空间转换单元,用于对所述视神经盘区域进行9种颜色空间的转换得到对应的转换图像,其中颜色空间包括RGB颜色空间、YCbCr颜色空间、XYZ颜色空间、HSV颜色空间、YIQ颜色空间、CMYK颜色空间、YUV颜色空间、LIN颜色空间、L*a*b颜色空间;
特征提取单元,用于从9种转换图像中选择29个颜色通道,并从每一颜色通道提取出灰度共生矩阵特征、统计矩阵和直方图特征作为预选特征;
特征选择单元,用于利用特征选择方法从所述预选特征中选择视神经盘特征。
关于实施例二中同于实施例一的内容,在此不进行重复累赘水命。
实施例三
本实施例还提供了一种电子装置,参考图5,包括存储器404和处理器402,该存储器404中存储有计算机程序,该处理器402被设置为运行计算机程序以执行上述任一项视神经盘特征提取方法实施例中的步骤。
具体地,上述处理器402可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecificIntegratedCircuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制,存储器404可包括硬盘驱动器(HardDiskDrive,简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可在数据处理装置的内部或外部。在特定实施例中,存储器404是非易失性(Non-Volatile)存储器。在特定实施例中,存储器404包括只读存储器(Read-OnlyMemory,简称为ROM)和随机存取存储器(RandomAccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory,简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory,简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory,简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory,简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory,简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory,简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令,以实现上述实施例中的任意一种视神经盘特征提取方法。
可选地,上述电子装置还可以包括传输设备406以及输入输出设备408,其中,该传输设备406和上述处理器402连接,该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备406可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中,输入的信息可以是视网膜图像等,输出的信息可以是视神经盘特征或者视神经盘分类结果等。
可选地,在本实施例中,上述处理器402可以被设置为通过计算机程序执行以下步骤:
获取包括视神经盘区域的视网膜图像;
将所述视网膜图像输入到区域分类模型中分割得到视神经盘区域图像;
对所述视神经盘区域进行9种颜色空间的转换得到对应的转换图像,其中颜色空间包括RGB颜色空间、YCbCr颜色空间、XYZ颜色空间、HSV颜色空间、YIQ颜色空间、CMYK颜色空间、YUV颜色空间、LIN颜色空间、L*a*b颜色空间;
从9种转换图像中选择29个颜色通道,并从每一颜色通道提取出灰度共生矩阵特征、统计矩阵和直方图特征作为预选特征;
利用特征选择方法从所述预选特征中选择视神经盘特征。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
通常,各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现,而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现,但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现,该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行,或者由硬件来实现,或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中,并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外,在这一点上,应当注意,如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白,以上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。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (7)
1.一种视神经盘特征提取方法,其特征在于,包括以下步骤:
获取包括视神经盘区域的视网膜图像;
将所述视网膜图像输入到区域分类模型中分割得到视神经盘区域图像;
对所述视神经盘区域进行9种颜色空间的转换得到对应的转换图像,其中颜色空间包括RGB颜色空间、YCbCr颜色空间、XYZ颜色空间、HSV颜色空间、YIQ颜色空间、CMYK颜色空间、YUV颜色空间、LIN颜色空间、L*a*b*颜色空间;
从9种转换图像中选择29个颜色通道,并从每一颜色通道提取出灰度共生矩阵特征、统计矩阵和直方图特征作为预选特征;
利用灰度空间相关性矩阵提取每个颜色通道的二阶统计纹理特征,从中提取22个纹理特征,包括能量、熵、相异度、对比度、逆差、相关性、同质性、自相关、集群阴影、集群突出、最大概率、和平方、和平均、和方差、和熵、差方差、差熵、IMC1、IMC2、最大相关系数、归一化逆差和归一化逆差矩;
对于每一颜色通道,从视神经盘区域提取11个共同的统计特征,包括均值、中值、众数、均方根、最小强度、最大 强度、标准差、协方差、方差、相关系数和熵;对于每一颜色通道,从对应的颜色通道提取基于直方图的特征,即一阶统计纹理特征,包括偏度,峰度,均值,方差和能量;
采用三种特征选择方法fisher 滤波、relief 滤波和 runs 滤波的一种或多种对预选特征进行选择,基于其相关性对特征进行排序,从提取的预选特征中选择相关度更高的相关特征作为视神经盘特征。
2.根据权利要求1所述的视神经盘特征提取方法,其特征在于,视网膜图像的红色通道和绿色通道上通过不同尺度的处理后得到多维特征图。
3.根据权利要求1所述的视神经盘特征提取方法,其特征在于,将所述视网膜图像输入到区域分类模型中分割得到分割结果,对所述分割结果的边缘进行自适应平滑优化处理后得到视神经盘区域图像。
4.一种视神经盘分类方法,其特征在于,包括以下步骤:
获取包含视神经盘的视网膜图像;
将视网膜图像输入到经过根据权利要求1到3任一所述的视神经盘特征提取方法提取的特征训练得到分类模型中得到分类结果。
5.一种视神经盘特征提取装置,其特征在于,包括:
视网膜图像获取单元,用于获取包括视神经盘区域的视网膜图像;
分割单元,用于将所述视网膜图像输入到区域分类模型中分割得到视神经盘区域图像;
颜色空间转换单元,用于对所述视神经盘区域进行9种颜色空间的转换得到对应的转换图像,其中颜色空间包括RGB颜色空间、YCbCr颜色空间、XYZ颜色空间、HSV颜色空间、YIQ颜色空间、CMYK颜色空间、YUV颜色空间、LIN颜色空间、L*a*b*颜色空间;
特征提取单元,用于从9种转换图像中选择29个颜色通道,并从每一颜色通道提取出灰度共生矩阵特征、统计矩阵和直方图特征作为预选特征,利用灰度空间相关性矩阵提取每个颜色通道的二阶统计纹理特征,从中提取22个纹理特征,包括能量、熵、相异度、对比度、逆差、相关性、同质性、自相关、集群阴影、集群突出、最大概率、和平方、和平均、和方差、和熵、差方差、差熵、IMC1、IMC2、最大相关系数、归一化逆差和归一化逆差矩;
对于每一颜色通道,从视神经盘区域提取11个共同的统计特征,包括均值、中值、众数、均方根、最小强度、最大 强度、标准差、协方差、方差、相关系数和熵;对于每一颜色通道,从对应的颜色通道提取基于直方图的特征,即一阶统计纹理特征,包括偏度,峰度,均值,方差和能量;
特征选择单元,用于采用三种特征选择方法fisher 滤波、relief 滤波和 runs 滤波的一种或多种对预选特征进行选择,基于其相关性对特征进行排序,从提取的预选特征中选择相关度更高的相关特征作为视神经盘特征。
6.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1到3任一所述的视神经盘特征方法或权利要求4所述的视神经盘分类方法。
7.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据权利要求1到3任一所述的视神经盘特征方法或权利要求4所述的视神经盘分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310453134.8A CN116188810B (zh) | 2023-04-25 | 2023-04-25 | 视神经盘特征提取方法、装置及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310453134.8A CN116188810B (zh) | 2023-04-25 | 2023-04-25 | 视神经盘特征提取方法、装置及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188810A CN116188810A (zh) | 2023-05-30 |
CN116188810B true CN116188810B (zh) | 2023-07-21 |
Family
ID=86452542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310453134.8A Active CN116188810B (zh) | 2023-04-25 | 2023-04-25 | 视神经盘特征提取方法、装置及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188810B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563996A (zh) * | 2017-08-23 | 2018-01-09 | 东北大学 | 一种新型视神经盘分割方法及系统 |
CN109872337A (zh) * | 2019-03-19 | 2019-06-11 | 电子科技大学 | 一种基于快速均值移位的眼底图像视盘分割方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007118079A2 (en) * | 2006-04-03 | 2007-10-18 | University Of Iowa Research Foundation | Methods and systems for optic nerve head segmentation |
CN104881683B (zh) * | 2015-05-26 | 2018-08-28 | 清华大学 | 基于组合分类器的白内障眼底图像分类方法及分类装置 |
WO2017020045A1 (en) * | 2015-07-30 | 2017-02-02 | VisionQuest Biomedical LLC | System and methods for malarial retinopathy screening |
KR102282334B1 (ko) * | 2019-08-08 | 2021-07-28 | 인천대학교 산학협력단 | 시신경 유두 분류 방법 |
CN110570421B (zh) * | 2019-09-18 | 2022-03-22 | 北京鹰瞳科技发展股份有限公司 | 多任务的眼底图像分类方法和设备 |
CN111951933B (zh) * | 2020-08-07 | 2023-01-17 | 平安科技(深圳)有限公司 | 眼底彩照图像分级方法、装置、计算机设备及存储介质 |
-
2023
- 2023-04-25 CN CN202310453134.8A patent/CN116188810B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563996A (zh) * | 2017-08-23 | 2018-01-09 | 东北大学 | 一种新型视神经盘分割方法及系统 |
CN109872337A (zh) * | 2019-03-19 | 2019-06-11 | 电子科技大学 | 一种基于快速均值移位的眼底图像视盘分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116188810A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9483835B2 (en) | Depth value restoration method and system | |
CN108764358B (zh) | 一种太赫兹图像识别方法、装置、设备及可读存储介质 | |
CN110706233A (zh) | 一种视网膜眼底图像分割方法及装置 | |
US20230154142A1 (en) | Fundus color photo image grading method and apparatus, computer device, and storage medium | |
CN111931751B (zh) | 深度学习训练方法、目标物识别方法、系统和存储介质 | |
JP7294695B2 (ja) | 学習済モデルによるプログラム、情報記録媒体、分類装置、ならびに、分類方法 | |
Mporas et al. | Color models for skin lesion classification from dermatoscopic images | |
CN111325725A (zh) | 视网膜图像识别方法及装置、电子设备、存储介质 | |
WO2017051191A2 (en) | Method and apparatus for tissue recognition | |
CN111666890A (zh) | 脊柱变形人群识别方法、装置、计算机设备及存储介质 | |
WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
Rao et al. | Retinex-centered contrast enhancement method for histopathology images with weighted CLAHE | |
Ramella | Saliency-based segmentation of dermoscopic images using colour information | |
CN116188810B (zh) | 视神经盘特征提取方法、装置及应用 | |
CN108171683B (zh) | 一种采用软件自动识别的细胞计数方法 | |
CN111951268B (zh) | 颅脑超声图像并行分割方法及装置 | |
CN116563647B (zh) | 年龄相关性黄斑病变图像分类方法及装置 | |
WO2021188477A1 (en) | Scalable and high precision context-guided segmentation of histological structures including ducts/glands and lumen, cluster of ducts/glands, and individual nuclei in whole slide images of tissue samples from spatial multi-parameter cellular and sub-cellular imaging platforms | |
CN110298365B (zh) | 一种基于人眼视觉的主题色提取方法 | |
CN108921179B (zh) | 一种婴幼儿血管瘤病变区颜色的自动提取与量化方法 | |
CN114332037A (zh) | 一种自动分割胰腺癌病理切片中多类组织的方法及装置 | |
Aich et al. | Optical disc segmentation from color fundus image using contrast limited adaptive histogram equalization and morphological operations | |
CN115797246A (zh) | 病理图像质量评估、调节方法和系统、电子设备、介质 | |
Nawandhar et al. | Performance Analysis of Image Segmentation for Oral Tissue | |
CN117520997B (zh) | 一种用于美容机器人的数据处理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |