[发明专利]基于机器学习的高度近视眼底图像萎缩弧的检测方法

权利要求书

1.基于机器学习的高度近视眼底图像萎缩弧的检测方法，其特征在于，包括如下步骤：

(1)获取眼底图像，随机选取训练集和测试集；

(2)对所述眼底图像进行去除噪声和增强，提取主血管轮廓；

(3)基于提取的主血管轮廓的密度分布进行感兴趣区域取半操作，结合亮度信息和形状信息得到所述眼底图像中视盘及其周围脉络膜萎缩弧的定位区域；

(4)将定位区域图像作为输入，结合完备局部二值模式算子和二值伽柏模式算子提取其纹理特征；

(5)基于提取的纹理特征，在训练集上利用机器学习中的梯度提升机进行脉络膜萎缩弧检测模型的训练，并微调检测模型的参数，最终得到高度近视眼底图像萎缩弧的检测模型。

2.根据权利要求1所述的基于机器学习的高度近视眼底图像萎缩弧的检测方法，其特征在于：所述步骤(2)的具体操作包括：对所述眼底图像进行滤波，再进行对比度受限自适应直方图均衡化和形态学黑帽变换，突出血管区域，得到去除噪声和增强后的眼底图像；通过最大类间方差法，将所述去除噪声和增强后的眼底图像二值化，对输出的二值图像采用3×3矩形结构元素进行形态学开操作，令细小的血管与主血管断开，然后仅保留20000像素以上的连通区域，以获得主血管轮廓。

3.根据权利要求1所述的基于机器学习的高度近视眼底图像萎缩弧的检测方法，其特征在于：所述步骤(3)的具体操作包括：通过统计二值图像左右两部分区域的像素点数量，保留视盘所在的血管密度较大的一半图像，完成感兴趣区域取半操作；基于所述感兴趣区域取半操作，先通过亮度信息初步定位视盘候选区域，所述亮度信息是指由于眼底图像的RGB红色通道分量图像中视盘与背景的区分度较大，因此在可选取灰度值在前5％的像素点作为视盘候选区域；再通过形状信息确定符合条件的视盘定位区域，所述形状信息是指由于所述视盘候选区域的最小外接矩形的形状有着一定的约束条件，因此只保留最小外接矩形的宽高比在预设阈值之内的区域作为视盘定位区域；所述视盘及其周围脉络膜萎缩弧的定位区域的确定，是基于所述视盘候选区域的确定，以及脉络膜萎缩弧在高度近视患者的眼底图像中通常表现为视盘周围一圈亮弧状区域的分布规律。

4.根据权利要求1所述的基于机器学习的高度近视眼底图像萎缩弧的检测方法，其特征在于：所述步骤(4)中纹理特征的提取结合了两种不同的特征提取算法，其中完备局部二值模式算子的提取结果是200维向量，二值伽柏模式算子的提取结果是216维向量，将二者合并得到最终所需的416维的特征向量。

5.根据权利要求1所述的基于机器学习的高度近视眼底图像萎缩弧的检测方法，其特征在于：所述步骤(5)中训练检测模型时，微调的模型参数是机器学习中梯度提升机的参数，有调节模型中每个决策树的性质的树参数(如决策树中一个节点所需要用来分裂的最少样本数、树的最大深度)、调节模型中Boosting操作的Boosting参数(如学习率、使用到的决策树数量)、调节模型总体功能的参数(如每次产生随机数的随机种子)。