[发明专利]一种基于低尺度血管检测分割视网膜血管的方法

说明书

本发明属于图像识别和医学图像处理领域，涉及一种基于低尺度血管检测的视网膜血管分割方法。第一步：特征提取，本发明用到两个维度的特征矩阵，一个直接来自于彩色视网膜眼底图像的绿色通道。另一个是对用B‑COSFIRE滤波器处理后得到的响应结果。第二步，通过三倍标准差法去掉两个特征矩阵异常值，第三步，LVD模型的设计考虑到多尺度下的特征提取，以及每一层特征的融合，不仅能够从低尺度提取特征，而且保留了原尺度的细节特征。本发明的LVD模型融合了原尺度的细节特征，使得特征信息不丢失，分割结果更准确；子网络ADS‑N有较深的网络，并且卷积核都是非对称的，对细小的血管有很好的检测效果。

技术领域

本发明属于图像识别和医学图像处理领域，涉及一种基于低尺度血管检测的视网膜血管分割方法。

背景技术

报告显示，截止至2017年，全球约4.25亿成人患糖尿病，占总人口的8.8％，预计到2045年，糖尿病患者可能达到6.29亿。2017年全球糖尿病患者(20-79 岁)分布中，中国达到了1.144亿，排在第一位。据评估，全球有多达2.124亿人或所有20-79岁糖尿病患者的一半不知道已患病。并且已知病史的糖尿病患者中，视网膜病变的患病率高达65.2％。视网膜血管的形态、宽度、角度等信息可以直接用来疾病的诊断和筛选，所以早期的检测很重要。

传统的检测需要医生手工标注血管，任务量大，需要耗费近两个小时来完成一张图片的血管分割。为了节约人力，提高效率，需要借助计算机辅助，自动化地分割血管。视网膜血管分割方法主要有两大类，一类是非监督学习的分割方法，另一类是监督学习的分割方法。

非监督学习方法主要是根据血管的某个或者多个特性来提取血管。监督学习的方法主要是事先标记好血管点和背景点，再通过构造好的模型来学习输入到输出间的映射关系，不断调整模型。

这些监督学习的方法，在充足的训练数据和优异的模型下，分割的结果往往比非监督学习的方法更好。

发明内容

本发明为了进一步提高分割精度，提出了一种基于低尺度血管检测分割视网膜血管的方法，该方法采用一种新的模型——低尺度血管检测(Low-scale Vessel Detection，LVD)模型，采用端到端的监督学习方法，对眼底视网膜图像的血管进行自动分割。

本发明的技术方案如下：

本发明的输入是个三维矩阵，有两个特征维度。第一个特征矩阵来自彩色视网膜图像的绿色通道，另一个来自B-COSFIRE滤波器的响应结果。采用LVD 模型，并加入非对称固定深度为N的子网络(ADS-N)，得到完整的血管分割网络。在训练过程中，需要与手动分割数据集进行参数的调整。测试过程中，需要对分割的结果二值化。整个流程在图1中显示，下面是具体的步骤：

第一步：特征提取

本发明需要用到两个维度的特征矩阵。一个直接来自于彩色视网膜眼底图像的绿色通道map₁。另一个是对map₁用B-COSFIRE滤波器处理后得到的响应结果map₂。

B-COSFIRE滤波过程如下：

1.1通过DoG滤波器对map₁进行处理，得到输入c_σ：

其中，外部高斯函数偏差为σ，内部高斯函数标准偏差为0.5σ，符号|·|⁺表示去负为零，x为像素点的行，y为像素点的列。

1.2 B-COSFIRE滤波器有两种，一种是对称的，用于检测血管主干，另一种是非对称的，用于检测血管末端，如图2所示。