[发明专利]一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法

说明书

本发明公开了一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，该方法为眼底图中的每个像素点构造一个包括局部特征、形态学特征和像素的向量场散度特征在内的36维特征向量，用以判定其是否为血管上的像素。分类计算时，以分类回归树作为弱分类器对样本集分类，然后对AdaBoost分类器进行训练得到强分类器，并由此完成各个像素点的分类判定，得到最后的分割结果。该方法对血管主干部分提取较好，对于高亮度病灶区的处理很有优势，适合进行后期处理，为主要血管的病变提供了直观结果，适用于眼底图像的计算机辅助定量分析和疾病诊断，对相关疾病的辅助诊断有明显临床意义。

技术领域

本发明涉及一种眼底图像视网膜血管分割方法，一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法。

背景技术

彩色眼底图是利用眼底照相机对眼球内壁进行不同角度拍摄而成的图像。眼底图能尽早发现各种眼部病变，如青光眼、视神经炎、黄斑病变等，方便及时有效的治疗。此外，视网膜血管是人体全身血管中唯一可以无创直接观察到的血管，它的形状、管径、尺度、分支角度是否有变化，以及是否有增生、渗出，均可反应全身血管的病变，如动脉硬化、高血压、糖尿病、肾病等患者的视网膜微血管均会有病变的表现。因此，眼底图也可以作为全身健康状况的辅助诊断方式，视网膜彩色眼底图中血管的检测提取，对于与之相关各种疾病的辅助诊断、辅助治疗和后期观察都具有重要的临床医学意义。

国内外许多学者从事这一领域工作，并取得了一定成就。目前视网膜血管分割的方法大致可分为如下几类：基于模式识别的方法，基于匹配滤波器的方法，基于血管跟踪的方法，基于数学形态学的方法，多尺度方法，基于模型的方法。其中研究较多，分割效果较好的是采用监督学习的模式分类方法。例如，Niemeijer等提取RGB图像每个像素的绿色分量灰度值，并对其用高斯匹配滤波以及高斯一阶二阶导的结果作为特征向量进行分割。Staal等提出一种基于脊线的血管分割方法。Soares等用二维Gabor小波和高斯混合模型分类器对血管进行分割，每个像素点的特征向量由该点灰度值和多尺度的二维Gabor小波变换组成。Ricci等用支持向量机来进行血管分割。Osareh等使用多层神经网络分类器对眼底图血管点进行分类，且开始用主成份分析来提取特征。Lupascu等研究了AdaBoost分类器，采用41个特征向量，包含前所未有的丰富的血管细节信息。Fraz等用基于Bagging的监督学习方法得到血管分类结果。单独使用匹配滤波方法或者数学形态学方法时也都不能很好地对病变眼底图像进行血管分割，通常与其他方法结合使用。基于血管跟踪的分割方法能够精确地测量血管的宽度和方向，但是一次只能跟踪一根血管，且遇到血管分支点或交叉点时容易出现跟踪错误。另外，初始种子点的选取也是血管跟踪方法的难题之一。基于模型的分割方法是所有方法中唯一能够很好地处理病变眼底图像的方法，其通过建立不同的模型能够将血管、背景和病变区分开来，但也存在精确度问题。

由于是在医疗行业中的应用，因此对算法实现提取的血管结构的精确度和特异性要求比较高。基于学习的视网膜血管分割方法是所有方法中准确率最高的方法，但是现有的方法对背景非常不均匀的眼底图像尤其是带病变的眼底图像效果不好，并且准确率不高。

发明内容

针对现有算法的不足，本发明提出了一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，采用AdaBoost自适应迭代算法，血管提取精度高。

一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，包括以下步骤：

步骤1：对训练集中已知标定结果的眼底图像的每个像素点进行36维特征向量的提取；

所述36维特征向量包括29维局部特征、6维形态学特征以及1维散度特征；

其中，所述29维局部特征依次包括1维灰度值特征、24维高斯尺度空间滤波特征、4维Y方向二阶高斯导数特征；

所述1维灰度值特征是眼底图像中每个像素点在绿色通道上的灰度值；