[发明专利]基于特征融合的多模块无监督学习视网膜血管分割系统

说明书

本发明涉及一种基于特征融合的多模块无监督学习视网膜血管分割系统，包括：图像去噪和增强模块，用于对彩色眼底图像去噪，增强彩色眼底图像对比度；特征提取和融合模块，用于提取彩色眼底图像像素的不变矩特征、Hessian矩阵特征、Gabor小波特征、相位一致性特征、Candy边缘算子特征，并融合为特征向量；多模块学习模块，用于将彩色眼底图像像素的特征向量分割为多个模块，并分别聚类；以及，合成和结果分析模块，用于对聚类结果合成，并比对分析。本发明提出的系统弥补了有监督的视网膜血管分割方法须以专家手动标记血管为金标准、存在训练样本获取困难和训练时间长等方面的不足。

技术领域

本发明涉及眼底图像分析技术领域，特别是一种基于特征融合的多模块无监督学习视网膜血管分割系统。

背景技术

视网膜血管病变为糖尿病、高血压、心血管疾病等全身性疾病提供重要的信息，这些疾病往往会导致视网膜血管发生分支分叉、弯曲等变化。如在高血压患者中，视网膜动脉会导致间歇性收缩；糖尿病性视网膜病变会引起视网膜血管扩张和闭锁、视网膜水肿、出血、渗出和缺血性症状。从彩色眼底图像中将视网膜血管分割用于早期筛查和辅助临床诊断具有重要意义。

目前，视网膜血管分割方法主要分为两类：一类是基于特征的有监督学习方法，如采用k近邻(kNearest Neighbor，KNN)，支持向量机(Support Vector Machine，SVM)，神经网络(Neural Network，NN)，高斯混合模型(Gaussian mixture model,GMM)，极限学习机(Extreme Learning Machine,ELM)，AdaBoost或卷积神经网络(Convolutional NeuralNetworks,CNN)等进行视网膜血管分割。有监督学习方法通常以眼科专家标记好的视网膜血管为标准,提取眼底图像的像素特征，通过训练得到分类器,将此分类器用于视网膜血管分割。以上所述的视网膜血管分割方法虽然分割效果不错，但须有专家手动分割血管为金标准进行有监督学习，存在训练样本获取困难和训练时间长等不足。

另一类是无监督学习方法，包括基于匹配滤波的方法，基于多尺度的方法，基于血管跟踪的方法，基于数学形态学的方法，基于阈值转换的方法，基于模型的方法等。无监督学习方法则无须专家手动标记视网膜血管，根据视网膜血管的树状结构、血管宽度阈值、分支角度等特性直接进行血管分割。无监督学习方法快速简单，但对视网膜血管分割的准确度通常低于有监督方法。

发明内容

本发明的目的在于提供一种基于特征融合的多模块无监督学习视网膜血管分割系统，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：一种基于特征融合的多模块无监督学习视网膜血管分割系统，包括：

图像去噪和增强模块，用于对彩色眼底图像去噪，增强彩色眼底图像对比度；

特征提取和融合模块，用于提取彩色眼底图像像素的不变矩特征、Hessian矩阵特征、Gabor小波特征、相位一致性特征、Candy边缘算子特征，并融合为特征向量；

多模块学习模块，用于将彩色眼底图像像素的特征向量分割为多个模块，并分别聚类；

以及，合成和结果分析模块，用于对聚类结果合成，并比对分析，输出结果。

在本发明一实施例中，通过所述图像去噪和增强模块提取所述彩色眼底图像的绿色通道，进行高斯滤波平滑去噪，采用底帽变换增强所述彩色眼底图像中血管和背景对比度。

在本发明一实施例中，通过所述特征提取和融合模块提取彩色眼底图像像素点的2个不变矩作为所述不变矩特征，用于体现血管线段具有宽度不一、角度和方向各不同的几何特征。

在本发明一实施例中，通过所述特征提取和融合模块选取每个像素点在预设尺度下的最大置信度作为Hessian矩阵特征，用于体现血管线状特征。