[发明专利]基于机器学习双区域轮廓演化模型的视盘和视杯分割方法

说明书

本发明公开一种基于机器学习双区域轮廓演化模型的视盘和视杯分割方法，首先对视网膜图像进行了预处理，通过机器学习算法构建了视盘和视杯的边缘引导模型；最后根据边缘引导模型和基于视盘和视杯的强度、区域以及边缘特征构建的能量函数，提出了双区域轮廓演化模型，进而得到视盘和视杯区域。具有如下优点：一是将基于机器学习的分割算法和基于能量泛函模型的分割算法相结合，解决了机器学习方法对标签数据较敏感和能量泛函会陷入局部极小值的问题，得到准确的分割结果；二是在视网膜图像分割中可以同时分割视盘和视杯，有效提高了分割效率。

技术领域

本发明涉及视网膜图像分割领域，尤其是一种基于机器学习双区域轮廓演化模型的视盘和视杯分割方法。

背景技术

青光眼是一种伴有不可逆失明的慢性眼病，很难进行早期诊断。杯盘比是青光眼筛查的一个重要诊断指标，因此对视盘和视杯的分割对青光眼的诊断至关重要。由于视网膜成像设备差异、人体内部结构复杂等因素，在获取视网膜图像时通常会出现灰度分布不均匀、边缘模糊、噪声强度大等特点，现有视盘和视杯的分割方法分为基于形状方法、主动轮廓方法和机器学习(ML)方法。

基于形状方法是使用圆形或椭圆变换来拟合视网膜图像中提取的边缘。BirendraBiswal等人采用平稳小波变换和最大血管像素和算法(SWT-MVPS)对视盘和视杯进行分割。该算法首先创建一个自动感兴趣的区域，然后利用逆极性变换来分割视盘，它可以处理感兴趣区域的水平系数。此外，整个光学杯通过将边缘延伸到鼻侧来提取视杯区域。然而，由于实际的视盘和视杯形状不是圆形或椭圆形的规则，严格的拟合不能满足其原来的结构。

主动轮廓方法利用具有空间图像信息的模糊区域能量来驱动水平集的演化。AsifAzizMemon等人提出了一种基于自适应权重的混合主动轮廓(AWHAC)的异构视盘和视杯分割的主动轮廓模型。该方法通过混合能量泛函结合了视盘和视杯的局部和全局强度，除此之外还可以有效地平滑视盘和视杯的轮廓。但是分割结果很大程度上依赖于初始轮廓的设置，准确性差。

Shuang Yu等人提出了一种机器学习方法分割视盘和视杯。首先，采用多层次的Gabor滤波来提取纹理特征，并采用支持向量机来对视网膜图像进行分割。然而，在视杯区域模糊而且具有较复杂血管结构时，视杯无法准确进行分割。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于机器学习双区域轮廓演化模型的视盘和视杯分割方法。

本发明的技术解决方案是：一种基于机器学习双区域轮廓演化模型的视盘和视杯分割方法，依次按照如下步骤进行：

步骤1：对视网膜图像进行预处理

步骤1.1按照公式(1)提取视网膜图像亮度通道L，

式中，max和min分别为通道R、G和B的最大值和最小值；

步骤1.2：在亮度通道L上进行形态学处理；

步骤1.3：按照公式(2)的高斯核卷积算法对视网膜图像亮度通道L进行处理：

式中：

所述ρ是宽度参数，x和y分别是图像中像素点的水平坐标和垂直坐标，Λ(x,y)是经过形态处理的图像矩阵；n*n是高斯核函数的窗口大小；

步骤2：构造基于机器学习的边缘引导模型

步骤2.1：通过手动标记图像中视盘和视杯中的任意位置，建立参考区域；

步骤2.2：将参考区域定义为训练样本或标签，构造机器学习训练模型得到概率矩阵ω；

步骤2.3：通过概率矩阵ω得到视盘和视杯的近似区域，并按照公式(4)计算对应的概率值：