[发明专利]一种基于病灶彩色视网膜眼底图像的视盘分割方法

说明书

本发明提出了一种基于病灶彩色视网膜眼底图像的视盘分割方法，包括以下步骤：建立血管检测模型和视盘检测模型、分别由血管检测模型和视盘检测模型检测获取血管概率图和视盘概率图、由血管概率图获取主血管拟合直线图、获取主血管拟合直线图的概率泡泡图、从视盘连通区域中选取视盘区域并估算出视盘的中心和半径。本发明可以有效避免图像中病灶、血管遮挡、亮度变化等的干扰，从而可实现视盘的精确分割。

技术领域

本发明属于视网膜眼底图像检测与分割技术领域，尤其涉及一种基于病灶彩色视网膜眼底图像的视盘分割方法。

背景技术

彩色视网膜眼底图像的自动分析已经在各种和眼科相关的系统性疾病如糖尿病、高血压、肾脏病和神经科疾病的辅助诊断中得到了广泛应用。在正常的彩色眼底图像中，黄斑、中央凹、视盘和血管网是眼底四个可观测到的主要特征，其中视盘呈淡黄色或白色圆盘状，约占整幅眼底图像感兴趣区域的1/5到1/8，眼底的血管由视盘区域发散而出呈树状分布于整个眼底。视盘的分割对于眼底图像的自动分析起着极为重要的作用，是进行病变眼底图像中病变区域提取工作的基础，尤其是在发生某些视网膜病变如硬性渗出、微脉瘤、眼底出血的眼底图像中，病变区域与视盘区域极为相似时，视盘的准确分割能够将其与病变区域分离出来从而提高病变诊断的正确率。

视盘分割方法主要可分为两大类：无监督学习方法和监督学习方法。无监督学习方法主要有基于模板的方法，形态学方法和变形模型(deformable model-based)方法。基于模板的方法主要利用了视盘的圆形或椭圆形特征，用一些模板算子检测可能的视盘边界，再通过投票原则来确定视盘位置。由于视盘并不是严格的圆形或椭圆形，这些方法很难实现视盘的精确定位。基于形态学的方法主要利用了视盘的亮度和形状特征，通过形态学运算来检测视盘的边缘点。视盘与渗出液和棉絮斑等亮病灶在亮度上近似，因此该方法受病灶干扰较大。为了得到准确的视盘区域，很多文献采用基于各种变形模型的方法来检测视盘。基于变形模型的方法在边缘对比度较强时检测精度较高，但在边缘模糊或者附近有亮病灶存在的情况下算法的检测精度会降低。

基于监督学习的检测方法主要可分为传统的依赖于手动特征提取的机器学习方法和基于深度学习的方法。传统的非深度学习算法通过手动设计特征，再选择合适的分类算子进行检测分割。这些分类算法主要有决策树的方法，线性判别分析，支撑向量机，K近邻和概率神经网络等。非深度学习的机器学习方法通常依赖于人的经验。基于深度学习的方法通常受到样本量影响，对带病灶的视网膜眼底图像检测性能仍然不佳，受病灶干扰较大。

发明内容

本发明的目的在于提供一种基于病灶彩色视网膜眼底图像的视盘分割方法，以解决现有技术中分割的鲁棒性差的问题，可有效避免病灶、血管遮挡、亮度变化等的干扰，从而可实现视盘的精确分割。为实现上述目的，本发明所采用的技术方案为；

一种基于病灶彩色视网膜眼底图像的视盘分割方法，包括以下步骤：

S1：基于深度U-Net模型建立血管检测模型和视盘检测模型；

S2：分别由血管检测模型和视盘检测模型检测获取血管概率图和视盘概率图；

S3：由血管概率图获取主血管拟合直线图；

S4：获取主血管拟合直线图的概率泡泡图；

S5：将概率泡泡图和S2中的视盘概率图进行乘运算获取视盘区域联合概率图以确定视盘连通区域；

S6：从视盘连通区域中选取视盘区域并估算出视盘的中心和半径。

优选地，在步骤S1中，具体包括以下步骤：

S11：获取用于训练血管检测模型的DRIVE数据集；所述DRIVE数据集由带有病灶的视网膜眼底图像中筛选生成；

S12：获取用于训练视盘检测模型的Kaggle数据集；所述Kaggle数据集由不同成像条件下带有病灶的视网膜眼底图像中筛选生成。