[发明专利]一种基于机器视觉的视网膜OCT图像中液体区域自动分割方法

说明书

一种基于机器视觉的视网膜OCT图像中液体区域自动分割方法，包含训练学习网络和预测分类及分割两大部分。首先对采集到的OCT图像进行去噪，此后分成训练学习和预测分类两部分。训练学习部分首先要采集足够多种类和数量的液体区域图像，和非液体区域图像，然后利用积分图法求Harr特征，再根据AdaBoost学习算法训练分类器，获得学习参数。预测分类及分割部分首先利用积分图法求Harr特征，然后根据训练好的参数模型，求得包含液体的区域块，再利用Kmean算法对该区域块进行分割，最后输出液体轮廓边界和面积，解决了现有需要手动在OCT图像上进行液体区域分割工作量巨大的问题，且分割效果更佳。

技术领域

本发明具体涉及视网膜OCT图像处理技术领域，具体涉及一种基于机器视觉的视网膜OCT图像中液体区域自动分割方法。

背景技术

相干光断层成像(Optical coherence tomography，OCT)是一种强大的成像模式，可以用于获取生物组织的结构和分子信息。它在各个领域经历了快速发展，特别是在生物医学应用中。眼科是OCT技术的第一个医学应用，彻底改变了眼科的临床实践。

黄斑水肿是由于血液视网膜屏障中断引起的液体积聚导致的眼黄斑区肿胀。自从90年代初出现以来，OCT成为诊断黄斑水肿的重要工具，液体区域分割作为衡量黄斑水肿病变程度的重要指标。然而手动在OCT图像上进行液体区域分割是个工作量巨大的工作，虽然已有大量自动层分割方法被提出，但大多数现有研究仅适用于健康视网膜图像，当这些方法应用于有黄斑水肿的视网膜图像时，分割效果通常较差。因此寻求一种高效、自动的液体区域分割方法对辅助专家诊断有重要意义。

发明内容

为了解决现有技术存在的技术缺陷，本发明提供了一种基于机器视觉的视网膜OCT图像中液体区域自动分割方法。

本发明采用的技术解决方案是：一种基于机器视觉的视网膜OCT图像中液体区域自动分割方法，包括训练阶段和预测阶段，

所述的训练阶段包括：

二值化找出视网膜OCT区域；

块采样及建立样本数据库：将视网膜OCT区域的图像分成固定大小的区域，人工区分出含液体和不含液体区域，对含液体区域的样本，可以进行样本扩充，使得样本形态更加全面；

用积分图法求Harr特征:Haar特征值反映了图像的灰度变化情况，Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板,积分图构建算法具体为：

用s(i，j)表示行方向的累加和，初始化s(i，-1)＝0；

用ii(i，j)表示一个积分图像，初始化ii(-1，j)＝0；

逐行扫描图像，递归计算每个像素(i,j)行方向的累加和s(i,j)和积分图像ii(i,j)的值：

s(i，j)＝s(1，-1)+f(i，j)；

ii(i，j)＝ii(-1，j)+s(i，j)；

扫描图像一遍，当到达图像右下角像素时，积分图像ii就构造好了；

利用Adaboost学习算法训练分类器：分开训练模型，每一轮训练一个新的模型，在每一轮的结束，错分的样本会被标定并且增加其在下一轮新的训练集中的权重，然后进行下一轮学习得到一个新的模型，基于后来的模型可以对前面模型的错误进行补偿，通过不断的迭代增加新模型来实现集成，每一次学到一个模型，确保它的分类精度大于0.5，利用Harr特征能够很好的表示图像的纹理特征，再利用Adaboost学习算法将Harr特征进行训练，生成多级弱分类器，然后级联成一个强分类器，也可以根据需要再将强分类器级联构造成更强的分类器，用于检测液体所在区域；

所述的预测阶段包括：