[发明专利]一种彩色眼底图的视盘视杯自动分割方法

说明书

本发明公开了一种彩色眼底图的视盘视杯自动分割方法，包括获取已知的彩色眼底图像和对应的眼底图数据集；构造并得到视盘分割模型；对数据集进行分割、截取并得到截图；构建并得到欧几里得坐标下的视盘视杯分割模型；对截图进行极坐标变换得到极坐标截图；构建并得到极坐标下的视盘视杯分割模型；对待分析数据，利用两类模型进行分割得到欧几里得坐标视盘视杯分割结果和极坐标视盘视杯分割结果；将两类分割结果进行融合，得到最终的眼底图的视盘视杯分割结果。本发明方法能够更加准确地对彩色眼底图进行视盘视杯自动分割，而且方法简单可靠，适用性好。

技术领域

本发明具体涉及一种彩色眼底图的视盘视杯自动分割方法。

背景技术

随着经济技术的发展，人们对于身体健康的要求越来越突出。

青光眼是全球第二大致盲性眼科疾病。它会让患者产生从外往内的不可逆性失明，当病人察觉时已是晚期。目前青光眼还没有有效的治疗手段，只能通过早期发现和干预来延缓失明的进程。因此，青光眼对社会和人们的生活有着难以估量的危害。

临床实践中，医生判别病人是否患有青光眼的方法有眼内压检测、视野检测、眼底图像分析诊断等方法。在彩色眼底图像分析诊断中，临床实践证明，通过计算视盘视杯的相关参数所获得的结果是最准确的。但是，受医生主观因素如经验和视觉差异的影响，不同的医生有不同的诊断结果；另一方面，因为青光眼的特殊性，它需要广泛的筛查和长期的跟踪，这使医生的工作量远超负荷。

因此为了统一诊断模型，减轻医生负担，实现大规模筛查，基于计算机辅助的视盘视杯分割应运而生。视盘是彩色眼底图中的橘色明亮类椭圆区域，血管从中向外辐射；视杯是视盘中的一部分呈现黄色明亮类椭圆区域。有学者基于此，通过颜色特征、纹理特征、空间变换的方法进行视盘视杯的自动分割。

但是这些算法大都只是关注局部特征进行的分析，对样本数据要求很高，准确性很差。其次这些算法集中在单一数据集上，对环境的要求很高，鲁棒性很差。

发明内容

本发明的目的在于提供一种分割准确性高、可靠性好且相对简单可行的一种彩色眼底图的视盘视杯自动分割方法。

本发明提供的这种彩色眼底图的视盘视杯自动分割方法，包括如下步骤：

S1.获取已知的彩色眼底图像和对应的眼底图数据集，并将彩色眼底图像中青光眼的眼底图像所对应的眼底图数据集分为测试数据集和训练数据集；

S2.构造视盘初步分割深度学习网络，利用步骤S1得到的训练数据集对视盘初步分割深度学习网络进行训练，并利用步骤S1得到的测试数据集对训练后的视盘初步分割深度学习网络进行测试和修正，从而得到视盘分割模型；

S3.利用步骤S2得到的视盘分割模型对步骤S1获取的测试数据集和训练数据集进行分割，并将分割得到的图谱进行截取，从而得到以视盘的质心为中心，边长为视盘直径N倍的截图；N为正数；

S4.构建视盘视杯初步分割网络，利用步骤S3得到的截图对视盘视杯初步分割网络进行训练和修正，从而得到欧几里得坐标下的视盘视杯分割模型；

S5.对步骤S3得到的截图进行极坐标变换，得到极坐标截图；

S6.构建极坐标视盘视杯初步分割网络，利用步骤S5得到的极坐标截图对极坐标视盘视杯初步分割网络进行训练和修正，从而得到极坐标下的视盘视杯分割模型；

S7.对于待分析的彩色眼底图像截图和对应的眼底图数据，利用步骤S4得到的欧几里得坐标下的视盘视杯分割模型进行分割，得到欧几里得坐标视盘视杯分割结果；

S8.对于待分析的彩色眼底图像截图和对应的眼底图数据进行极坐标变换，并利用步骤S6得到的极坐标下的视盘视杯分割模型进行分割，得到极坐标下的视盘视杯分割结果；