一種基于分類回歸樹和AdaBoost的眼底圖像視網(wǎng)膜血管分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種眼底圖像視網(wǎng)膜血管分割方法，一種基于分類回歸樹和AdaBoost的眼底圖像視網(wǎng)膜血管分割方法。
【背景技術(shù)】
[0002] 彩色眼底圖是利用眼底照相機(jī)對(duì)眼球內(nèi)壁進(jìn)行不同角度拍攝而成的圖像。眼底 圖能盡早發(fā)現(xiàn)各種眼部病變，如青光眼、視神經(jīng)炎、黃斑病變等，方便及時(shí)有效的治療。此 外，視網(wǎng)膜血管是人體全身血管中唯一可以無創(chuàng)直接觀察到的血管，它的形狀、管徑、尺度、 分支角度是否有變化，以及是否有增生、滲出，均可反應(yīng)全身血管的病變，如動(dòng)脈硬化、高血 壓、糖尿病、腎病等患者的視網(wǎng)膜微血管均會(huì)有病變的表現(xiàn)。因此，眼底圖也可以作為全身 健康狀況的輔助診斷方式，視網(wǎng)膜彩色眼底圖中血管的檢測提取，對(duì)于與之相關(guān)各種疾病 的輔助診斷、輔助治療和后期觀察都具有重要的臨床醫(yī)學(xué)意義。
[0003] 國內(nèi)外許多學(xué)者從事這一領(lǐng)域工作，并取得了一定成就。目前視網(wǎng)膜血管分割的 方法大致可分為如下幾類：基于模式識(shí)別的方法，基于匹配濾波器的方法，基于血管跟蹤的 方法，基于數(shù)學(xué)形態(tài)學(xué)的方法，多尺度方法，基于模型的方法。其中研宄較多，分割效果較好 的是采用監(jiān)督學(xué)習(xí)的模式分類方法。例如，Niemeijer等提取RGB圖像每個(gè)像素的綠色分量 灰度值，并對(duì)其用高斯匹配濾波以及高斯一階二階導(dǎo)的結(jié)果作為特征向量進(jìn)行分割。Staal 等提出一種基于脊線的血管分割方法。Soares等用二維Gabor小波和高斯混合模型分類器 對(duì)血管進(jìn)行分割，每個(gè)像素點(diǎn)的特征向量由該點(diǎn)灰度值和多尺度的二維Gabor小波變換組 成。Ricci等用支持向量機(jī)來進(jìn)行血管分割。Osareh等使用多層神經(jīng)網(wǎng)絡(luò)分類器對(duì)眼底圖 血管點(diǎn)進(jìn)行分類，且開始用主成份分析來提取特征。Lupascu等研宄了AdaBoost分類器，采 用41個(gè)特征向量，包含前所未有的豐富的血管細(xì)節(jié)信息。Fraz等用基于Bagging的監(jiān)督學(xué) 習(xí)方法得到血管分類結(jié)果。單獨(dú)使用匹配濾波方法或者數(shù)學(xué)形態(tài)學(xué)方法時(shí)也都不能很好地 對(duì)病變眼底圖像進(jìn)行血管分割，通常與其他方法結(jié)合使用?；谘芨櫟姆指罘椒軌?精確地測量血管的寬度和方向，但是一次只能跟蹤一根血管，且遇到血管分支點(diǎn)或交叉點(diǎn) 時(shí)容易出現(xiàn)跟蹤錯(cuò)誤。另外，初始種子點(diǎn)的選取也是血管跟蹤方法的難題之一?；谀Ｐ?的分割方法是所有方法中唯一能夠很好地處理病變眼底圖像的方法，其通過建立不同的模 型能夠?qū)⒀?、背景和病變區(qū)分開來，但也存在精確度問題。
[0004] 由于是在醫(yī)療行業(yè)中的應(yīng)用，因此對(duì)算法實(shí)現(xiàn)提取的血管結(jié)構(gòu)的精確度和特異性 要求比較高?；趯W(xué)習(xí)的視網(wǎng)膜血管分割方法是所有方法中準(zhǔn)確率最高的方法，但是現(xiàn)有 的方法對(duì)背景非常不均勻的眼底圖像尤其是帶病變的眼底圖像效果不好，并且準(zhǔn)確率不 尚。

【發(fā)明內(nèi)容】

[0005] 針對(duì)現(xiàn)有算法的不足，本發(fā)明提出了一種基于分類回歸樹和AdaBoost的眼底圖 像視網(wǎng)膜血管分割方法，采用AdaBoost自適應(yīng)迭代算法，血管提取精度高。
[0006] -種基于分類回歸樹和AdaBoost的眼底圖像視網(wǎng)膜血管分割方法，包括以下步 驟：
[0007] 步驟1:對(duì)訓(xùn)練集中已知標(biāo)定結(jié)果的眼底圖像的每個(gè)像素點(diǎn)進(jìn)行36維特征向量的 提?。?br>[0008] 所述36維特征向量包括29維局部特征、6維形態(tài)學(xué)特征以及1維散度特征；
[0009] 其中，所述29維局部特征依次包括1維灰度值特征、24維高斯尺度空間濾波特征、 4維Y方向二階高斯導(dǎo)數(shù)特征；
[0010] 所述1維灰度值特征是眼底圖像中每個(gè)像素點(diǎn)在綠色通道上的灰度值；
[0011] 所述24維高斯尺度空間濾波特征是對(duì)眼底圖像在4個(gè)不同尺度進(jìn)行二維高斯濾 波、二維高斯濾波的一階偏導(dǎo)以及二維高斯濾波的二階偏導(dǎo)值；
[0012] 所述4維Y方向二階高斯導(dǎo)數(shù)特征是先對(duì)眼底圖像在X方向上的一維高斯濾波得 到X方向一維濾波圖像，再對(duì)X方向一維高斯濾波圖像求解在Y方向上的二階高斯導(dǎo)數(shù)得 到的4個(gè)特征；
[0013] 其中，所述X方向上的一維高斯濾波所用的高斯標(biāo)準(zhǔn)方差為3;所述Y方向上的二 維高斯濾波所用的高斯標(biāo)準(zhǔn)方差的取值依次為
【主權(quán)項(xiàng)】
1. 一種基于分類回歸樹和AdaBoost的眼底圖像視網(wǎng)膜血管分割方法，其特征在于，包 括以下步驟： 步驟1 :對(duì)訓(xùn)練集中已知標(biāo)定結(jié)果的眼底圖像的每個(gè)像素點(diǎn)進(jìn)行36維特征向量的提 取； 所述36維特征向量包括29維局部特征、6維形態(tài)學(xué)特征以及1維散度特征； 其中，所述29維局部特征依次包括1維灰度值特征、24維高斯尺度空間濾波特征、4維Y方向二階高斯導(dǎo)數(shù)特征； 所述1維灰度值特征是眼底圖像中每個(gè)像素點(diǎn)在綠色通道上的灰度值； 所述24維高斯尺度空間濾波特征是對(duì)眼底圖像在4個(gè)不同尺度進(jìn)行二維高斯濾波、二 維高斯濾波的一階偏導(dǎo)以及二維高斯濾波的二階偏導(dǎo)值； 所述4維Y方向二階高斯導(dǎo)數(shù)特征是先對(duì)眼底圖像在X方向上的一維高斯濾波得到X方向一維濾波圖像，再對(duì)X方向一維高斯濾波圖像求解在Y方向上的二階高斯導(dǎo)數(shù)得到的 4個(gè)特征； 其中，所述X方向上的一維高斯濾波所用的高斯標(biāo)準(zhǔn)方差為3 ;所述Y方向上的二維高 斯濾波所用的高斯標(biāo)準(zhǔn)方差的取值依次為 所述6維形態(tài)學(xué)特征是對(duì)眼底圖像進(jìn)行Bottom-Hat變換獲得的6維特征； 所述1維散度特征是不同尺度的各個(gè)方向的向量場的散度的總和Feature :
其中，（x，y)表示眼底圖像中像素點(diǎn)坐標(biāo)，〇 3為多尺度濾波器的濾波尺度，k為尺度參 數(shù)，〇 3=kXO. 4;k= 1，2......，10 ; 0是不同尺度中向量的方向，X為方向參數(shù)，0 = 入jt/l〇 ; A=1，2......10 ; )',〇_()是利用多尺度濾波器對(duì)眼底圖像進(jìn)行濾波處理獲 得的濾波圖像； 步驟2 :采用CART樹生成弱分類器，基于生成的弱分類器采用AdaBoost算法獲得強(qiáng)分 類器； 利用AdaBoost算法進(jìn)行T次迭代，每次迭代用訓(xùn)練集中每幅已知標(biāo)定結(jié)果的眼底圖像 的每個(gè)像素點(diǎn)的36維特征向量作為分類依據(jù)，結(jié)合訓(xùn)練集的手工標(biāo)記分類結(jié)果，用CART二 叉樹分類，選取錯(cuò)分率最低的特征向量所對(duì)應(yīng)的閾值生成二叉樹的結(jié)點(diǎn)，構(gòu)造的二叉樹作 為弱分類器； 第一次迭代過程中獲得的弱分類器的的初始權(quán)重t= 1，m為訓(xùn)練樣本像素 m 點(diǎn)數(shù)，m取值為3倍的血管像素點(diǎn)數(shù)目，正負(fù)樣本選取比例為1:2,正樣本即血管點(diǎn)，負(fù)樣本 即背景點(diǎn)； 每次迭代過程中所需使用的錯(cuò)分率A= '后一次迭代得到的弱分類器的 i=\ 權(quán)重Dt+1(i)與前一次迭代弱分類器的權(quán)重Dt(i)之間的關(guān)系為 C表示權(quán)重參數(shù)，利用弱分類器對(duì)像素點(diǎn)進(jìn)行分類得到的分類結(jié)果Ht (Zi)與該像素點(diǎn) 的人工標(biāo)記結(jié)果yi-致時(shí)，權(quán)重參數(shù)C= 0 ;否則，C= 1;y取值為1或者-1 ; 其中，at表示第t次迭代過程得到的弱分類器組合參數(shù)，
7i表示第i個(gè) 樣本像素點(diǎn)的人工標(biāo)記結(jié)果，Ht表示第t次迭代過程得到的弱分類器，Qt表示歸一化因子，
Zi為第i個(gè)訓(xùn)練樣本像素點(diǎn)的36維特征向量，i= 1，…，m; 所述CART樹的深度為2 ; 步驟3 :利用AdaBoost算法得到的T個(gè)弱分類器線性組合成一個(gè)強(qiáng)分類器F(U)對(duì)待 測試圖像進(jìn)行分類，提取測試圖像中的血管結(jié)構(gòu)； 戶1
F⑶e{-1，1}，U表示對(duì)待分割圖像中的像素點(diǎn)所提取的36維特征向量。
2. 根據(jù)權(quán)利要求1所述的一種基于分類回歸樹和AdaBoost的眼底圖像視網(wǎng)膜血管分 割方法，其特征在于，將步驟3獲得的分割結(jié)果與掩膜進(jìn)行與操作，得到與操作結(jié)果，對(duì)與 操作結(jié)果圖中去除小于20個(gè)像素點(diǎn)的區(qū)域，得到優(yōu)化分割結(jié)果。
3. 根據(jù)權(quán)利要求1所述的一種基于分類回歸樹和AdaBoost的眼底圖像視網(wǎng)膜血管分 割方法，其特征在于，所述對(duì)眼底圖像在4個(gè)不同尺度進(jìn)行二維高斯濾波、二維高斯濾波的 一階偏導(dǎo)以及二維高斯濾波的二階偏導(dǎo)值，分別按以下公式獲得： 在4個(gè)不同尺度進(jìn)行二維高斯濾波：
在4個(gè)不同尺度進(jìn)行二維高斯濾波的一階偏導(dǎo)：
在4個(gè)不同尺度進(jìn)行二維高斯濾波的二階偏導(dǎo)：
其中，〇是二維高斯濾波中使用的高斯標(biāo)準(zhǔn)方差，即濾波的尺度，在高斯尺度空間每次 濾波都有4個(gè)尺度，〇取值分別為
4. 根據(jù)權(quán)利要求1-3任一項(xiàng)所述的一種基于分類回歸樹和AdaBoost的眼底圖像視網(wǎng) 膜血管分割方法，其特征在于，所述Bottom-Hat變換是指在n個(gè)不同方向上對(duì)眼底圖像進(jìn) 行底帽變換獲得的特征，針對(duì)每個(gè)不同大小的結(jié)構(gòu)元素在所有方向上的底帽變換結(jié)果疊加 在一起，作為一個(gè)特征；其中，n個(gè)不同方向角度范圍在0° -180°之間，底帽變換中結(jié)構(gòu)元 素的長度取值范圍為3個(gè)像素到23個(gè)像素，每次增加4個(gè)像素。
【專利摘要】本發(fā)明公開了一種基于分類回歸樹和AdaBoost的眼底圖像視網(wǎng)膜血管分割方法，該方法為眼底圖中的每個(gè)像素點(diǎn)構(gòu)造一個(gè)包括局部特征、形態(tài)學(xué)特征和像素的向量場散度特征在內(nèi)的36維特征向量，用以判定其是否為血管上的像素。分類計(jì)算時(shí)，以分類回歸樹作為弱分類器對(duì)樣本集分類，然后對(duì)AdaBoost分類器進(jìn)行訓(xùn)練得到強(qiáng)分類器，并由此完成各個(gè)像素點(diǎn)的分類判定，得到最后的分割結(jié)果。該方法對(duì)血管主干部分提取較好，對(duì)于高亮度病灶區(qū)的處理很有優(yōu)勢，適合進(jìn)行后期處理，為主要血管的病變提供了直觀結(jié)果，適用于眼底圖像的計(jì)算機(jī)輔助定量分析和疾病診斷，對(duì)相關(guān)疾病的輔助診斷有明顯臨床意義。
【IPC分類】G06T7-00, G06K9-62
【公開號(hào)】CN104809480
【申請?zhí)枴緾N201510262249
【發(fā)明人】鄒北驥, 朱承璋, 崔錦愷, 向遙, 李暄, 張思劍, 陳奇林
【申請人】中南大學(xué)
【公開日】2015年7月29日
【申請日】2015年5月21日