[发明专利]一种眼底图像病变检测方法及装置

说明书

本申请公开了一种眼底图像病变检测方法及装置，上述方法包括：预处理待检测的眼底图像；对预处理后的眼底图像进行视盘定位，确定视盘区域；对预处理后的眼底图像进行形态学处理，获取健康背景图像；根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域。上述方法能够加快眼底图像的检测速度，并提高病变区域定位的精确性。

技术领域

本发明涉及计算机视觉信息领域，尤其涉及一种眼底图像病变检测方法及装置。

背景技术

随着计算机图形处理技术的发展，对眼底图像的分析不再仅仅依靠于眼科医生的肉眼观察。早在二十世纪七八十年代国外学者就已经提出了基于眼底图像处理与分析的自动检测硬性渗出和出血的技术，并进行了大量的研究。依靠计算机图形处理技术对眼底图像中的病灶进行快速准确的识别，可以有效解决传统人工定性分析缺乏量化手段的问题，同时也节省了大量人力物力以及时间，为大规模筛查病变的实施提供了基础条件。其研究成果在医学图像处理领域有着极大的现实意义。

目前常用的基于彩色眼底图像来检测渗出与出血的方法有形态学分割、阈值分割、区域生长算法、支持向量机(SVM，Support Vector Machine)分类器、基于马尔科夫模型的聚类分析。其中，形态学分割主要依据病变区域与血管特有的形态学特征，通过一系列形态学操作将血管从图像中分割出去，从而完成硬性渗出和出血区域检测。但是，形态学操作存在精度小、容易改变面积大小以及不能定量计算的缺点。阈值分割法主要利用了眼底图像转变为灰度图之后，出血的灰度相对较低，硬性渗出的灰度相对较高，选取适当的阈值分割图像，将出血与渗出检测出来。但是，阈值分割法存在可适应性小、不适合不同的图像、需要人工调整阈值大小的缺点。区域生长算法：首先对图像进行采样选取合适的种子点，然后进行区域生长，把灰度相近的像素发展成更大的区域，把出血和渗出包括进来。但是，区域生成算法存在计算代价大、噪声和灰度不均可能会导致空洞和过分割的缺点。SVM分类器和基于马尔科夫模型的聚类分析对大量的数据进行取样分析，通过机器学习的方式使得计算机能够自动识别出出血与渗出区域。但是，需要对大量样本进行训练。

举例而言，在现有技术中，在眼底图像的出血区域检测中，先采用基于相对熵的阈值对眼底图像进行分割，然后通过形态学顶帽变换来提取血管，最后用支持向量机对红斑区进行分类。然而，在眼底图像中，出血区域与血管相连是普遍的情况，在阈值分割的误差基础上进行形态学顶帽变换，放大了这种误差，图像中正常的血管较易被误认为病变区域。另外，因病人的病情而异，眼底图像中病变区域的特征很多，可分为很多种类，支持向量机是借助二次规划来求解支持向量，对于大规模的训练样本，耗费了一定的计算量，其运算速度存在较大的提升空间。另外，在现有技术中，在硬性渗出的自动检测中，会运用两次形态学膨胀操作增大渗出面积，并利用前后两次操作的结果的差值图像定位渗出区域边界，再通过形态学填充获取候选区域，最后通过渗出区域灰度特征进行分类。然而，上述方式可能存在边界断裂的情况，导致填充操作困难，进而遗漏一些病变区域。

总的来说，现有的眼底图像处理方法主要存在以下缺陷：精度低，不能进行精确的定量分析；需要固定的参数组合，普适性小，不能针对多种图像进行准确的分析；需要大量数据作为训练样本；某些算法计算代价过大，计算成本太高，超出一般计算机的计算能力。

可见，虽然目前有大量关于眼底图像分析的研究成果，但是处理速度或者病变区域定位效果有待提高。

发明内容

以下是对本文详细描述的主题的概述，本概述并非是为了限制权利要求的保护范围。

本发明实施例提供一种眼底图像病变检测方法及装置，能够加快眼底图像的检测速度，并提高病变区域定位的精确性。

本发明实施例提供一种眼底图像病变检测方法，包括：预处理待检测的眼底图像；对预处理后的眼底图像进行视盘定位，确定视盘区域；对预处理后的眼底图像进行形态学处理，获取健康背景图像；根据所述健康背景图像以及所述视盘区域，在预处理后的眼底图像中确定渗出区域。