[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

说明书

本发明公开一种基于机器学习的高度近视眼底图像萎缩弧的检测方法，包括：获取眼底图像，随机选取训练集和测试集；对眼底图像进行去除噪声和增强，提取主血管轮廓；基于主血管的密度分布进行感兴趣区域取半操作，根据亮度信息和形状信息得到眼底图像中视盘及其周围脉络膜萎缩弧的定位区域；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；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。本发明实现对高度近视患者的眼底图像中脉络膜萎缩弧的自动检测，精度高，速度快。

技术领域

本发明涉及一种基于机器学习的高度近视眼底图像萎缩弧的检测方法，属于医学图像处理领域。

背景技术

高度近视的症状主要为眼球前后轴的过度伸长，在眼底则表现为视盘周围的脉络膜萎缩弧，即视盘周围一圈比视盘较暗少许的亮弧状区域。在高度近视患者的眼底图像中，视盘周围的脉络膜在巩膜伸张力量的牵引下，从乳头颞侧脱开，使其后面的巩膜暴露，形成白色的弧形斑。如眼球后极部继续扩展延伸，则脉络膜的脱开逐步由乳头颞侧伸展至视盘四周，终于形成环状斑，此斑内可见不规则的色素和硬化的脉络膜血管。

目前对高度近视的早期识别主要依靠于定期的视力检测以及医生的经验判断，但是人工检测不仅耗时费力，而且近视患者人数众多，眼科医疗资源远远不足以满足广大近视病患的需求。因此，对高度近视患者的视网膜眼底图像中脉络膜萎缩弧的自动检测越发受到人们的关注。

发明内容

发明目的：本发明目的在于针对现有技术的不足，提供一种基于机器学习的高度近视眼底图像萎缩弧的检测方法，实现对高度近视患者的眼底图像中脉络膜萎缩弧的自动检测，精度高，速度快。

技术方案：本发明所述基于机器学习的高度近视眼底图像萎缩弧的检测方法，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。

进一步完善上述技术方案，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。

进一步地，所述步骤(3)的具体操作包括：所述主血管轮廓的密度分布的计算是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，再通过形状信息确定符合条件的视盘定位区域，所述视盘定位区域包括了视盘及其周围的脉络膜萎缩弧。