CN105046693A - 一种眼底图像微动脉瘤自动检测方法 - Google Patents

Abstract

本发明公开了一种眼底图像微动脉瘤自动检测方法，首先，使用高斯匹配滤波技术增强眼底图像中的血管和微动脉瘤像素；然后，利用局部熵确定阈值，从而将血管和微动脉瘤对象从眼底图像中分割出来；最后，利用长度筛选的方法，将血管排除在疑似区域之外，保留微动脉瘤像素，从而实现了对眼底图像中微动脉瘤的分割和检测。本发明采用了基于高斯匹配滤波和局部熵确定阈值实现图像分割的方法，能够最大限度地获得完整的血管和微动脉瘤结构，避免漏判和误判。

Description

一种眼底图像微动脉瘤自动检测方法

技术领域

本发明涉及眼底图像微动脉瘤自动检测方法。

背景技术

糖尿病患者的血糖长期高于正常值，导致视网膜毛细血管的形状和结构发生改变，毛细血管壁膨大，便会形成眼底视网膜上的微动脉瘤(Microaneurysm，MA)。微动脉瘤是糖尿病性视网膜病变最早出现且能被观察到的症状之一，在眼底图像上显示为极小的暗红色点，在绿色通道上则显示为暗色的点。微动脉瘤的直径大小约为10-100μm，10-20μm的最为常见，在正常尺寸的眼底图像中直径约为1像素，因此肉眼很难发现。眼底微动脉瘤极小，难以通过医生肉眼发现，只有受过多年专业训练的眼科专家医生才能凭经验做出判断。这就给眼底微动脉瘤的筛查带来不便，检测效率低下，同时使得误诊的概率大大增加，而且不利于医疗条件欠佳的地区展开大规模眼底微动脉瘤筛查。

解决方法便是通过眼底图像的处理自动检测微动脉瘤，目前提出的方法多是基于微动脉瘤的形状、颜色等特点，通过形态学、匹配滤波等技术提取出疑似微动脉瘤的区域。再进一步通过微动脉瘤的大小、对比度、形状等相关特征对疑似区域进行排除，去除非微动脉瘤的出血等病变点，选取出真实的微动脉瘤。但实际操作中。眼底图像往往受到患者个体差异以及环境光源的影响而导致亮度不均匀，不便于之后的检测；微动脉瘤的尺寸也非常小，尤其是在发病早期，直径很小难以判断；图像中的血管与微动脉瘤亮度相似，也是重要的干扰因素。基于这些原因，类似算法会检测出大量的疑似区域，在排除疑似时大幅增加了***复杂度。因此，目前的微动脉瘤自动检测还会存在漏判和误判的问题。

发明内容

本发明所要解决的技术问题就是提供一种眼底图像微动脉瘤自动检测方法，能够最大限度地获得完整的血管和微动脉瘤结构，避免漏判和误判。

为解决上述技术问题，本发明采用如下技术方案：一种眼底图像微动脉瘤自动检测方法，首先，使用高斯匹配滤波技术增强眼底图像中的血管和微动脉瘤像素；然后，利用局部熵确定阈值，从而将血管和微动脉瘤对象从眼底图像中分割出来；最后，利用长度筛选的方法，将血管排除在疑似区域之外，保留微动脉瘤像素，从而实现了对眼底图像中微动脉瘤的分割和检测。

优选的，在检测前对眼底图像进行预处理，通过图像平滑处理减少图像的噪声。

优选的，使用二维高斯匹配滤波增强血管和微动脉瘤像素，其采用的函数定义如下： $f(x,y)=-\exp \left(-\frac{x^2}{2{\mathrm{\σ}}^2}\right),\left|y\right|\≤\frac{L}{2}$

其中L为片段长度，在这个片段内血管方向固定不变，视网膜血管的走向不固定，所以核函数需要不断地旋转，只有当滤波器方向与血管走向相同才会产生峰值响应，然后利用一组12个16×15像素的内核对眼底图像进行卷积，在每个像素点上只保留最大的响应，得到响应图像，σ²是高斯函数拟合二项式系数的最小方差。

优选的，设阈值为T，0≤T≤L-1，将滤波处理后的图像L×L灰度共生矩阵分为A、B、C、D四个部分，A部分即灰度值较低的取值，为图像血管和微动脉瘤的目标元素的灰度分布；而C部分即灰度值较高的取值，为图像中背景的灰度分布；B、D两部分则是目标元素与背景之间的像素点或元素边界点的灰度分布；由局部熵确定阈值时只需要考虑这四个部分中的A、C两个部分；A部分目标元素的整体灰度分布概率可定义为：

$P_A=\underset{i=0}{\overset{T}{\mathrm{\Σ}}}\underset{j=0}{\overset{T}{\mathrm{\Σ}}}{P}_{ij}$

而C部分背景元素的概率则定义为：

$P_C=\underset{i=T+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=T+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_{ij}$

对这两个概率进行归一化，得到以下两个关于向量(T，T)的函数：

$P_{ij}^A=\frac{P_{ij}}{P^A}$

$P_{ij}^C=\frac{P_{ij}}{P_C}$

则A部分目标元素的局部熵是一个关于T的函数，可由下式得出：

$H_A\left(T\right)=-\frac{1}{2}\underset{i=0}{\overset{T}{\mathrm{\Σ}}}\underset{j=0}{\overset{T}{\mathrm{\Σ}}}{P}_{ij}^A{\log }_2{P}_{ij}^A$

与之类似，C部分背景元素的局部熵为：

$H_C\left(T\right)=-\frac{1}{2}\underset{i=T+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=T+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_{ij}^C{\log }_2{P}_{ij}^C$

则目标元素和背景元素两部分的总局部熵为：

H_T(T)＝H_A(T)+H_C(T)

则由此得出阈值T的取值应使H_T取到最大值，此时有：

$T=\arg \[\underset{T=0,1,\mathrm{...},L-1}{\max }{H}_T\left(T\right)\]$

此时得到理想的阈值T，以进行目标区域和背景区域的分类；其中L是整个图像的灰度级数，p_ij是i和j两个灰度值共生的概率，即L×L灰度共生矩阵中的(i，j)元素。

整个图像的灰度级数为L，则共有L×L种数对组合。相邻两个像素的灰度值数对(i，j)在整个图像的所有相邻像素对的灰度数对中的出现概率记为p_ij，即是矩阵的(i，j)元素。

优选的，长度筛选方法以如下方式操作：对于每个目标区域像素点，比较其周围相邻的八个像素点，相邻的八个像素中，同样处在目标区域之内的像素少于两个，便可视为不连通的单像素小点，即为所需的真实微动脉瘤点。

本发明采用了基于高斯匹配滤波和局部熵确定阈值实现图像分割的方法，能够最大限度地获得完整的血管和微动脉瘤结构，避免漏判和误判。

附图说明

下面结合附图和具体实施方式对本发明作进一步描述：

图1为灰度共生矩阵的结构示意图；

图2为对图像进行分割之后产生的二值图像；

图3为长度筛选后确定的微动脉瘤位置。

具体实施方式

本发明眼底图像微动脉瘤自动检测的算法分为三个步骤：首先对图像进行匹配滤波以增强图像中的血管和微动脉瘤像素；之后利用局部熵确定阈值，分割出图像的血管、微动脉瘤等目标区域，这种方法能反映图像的灰度空间分布，保留二值图像的空间结构；最后加入长度筛选的步骤，在筛选出的暗色区域中去除掉长度较长且相互连通的血管结构，即可检测出真实的微动脉瘤结构。

首先，对基于匹配滤波的血管增强方法做出说明。

眼底图像中，如果背景较暗，则血管、微动脉瘤和出血等区域在图中与暗色背景区分不明显。图像中的背景纹理、噪声，以及黄斑、视盘等区域也会对微动脉瘤检测造成干扰，降低检测的准确率。为了增强血管和微动脉瘤等目标区域，需要对图像进行匹配滤波处理。血管和微动脉瘤截面的灰度分布都可以用一条高斯分布曲线来近似。在这里使用二维高斯匹配滤波可以增强血管和微动脉瘤像素。函数定义如下： $f\left(x,y\right)=-\exp \left(\frac{x^2}{2{\mathrm{\σ}}^2}\right),\left|y\right|\≤\frac{L}{2}$

其中L为片段长度，在这个片段内血管方向固定不变，视网膜血管的走向不固定，所以核函数需要不断地旋转，只有当滤波器方向与血管走向相同才会产生峰值响应，然后利用一组12个16×15像素的内核对眼底图像进行卷积，在每个像素点上只保留最大的响应，得到响应图像，σ²是高斯函数拟合二项式系数的最小方差。

其次，利用局部熵确定阈值。

对图像进行滤波处理后，利用灰度共生矩阵可以反映整个眼底图像的灰度空间分布。设阈值为T，0≤T≤L-1，将滤波处理后的图像L×L灰度共生矩阵分为A、B、C、D四个部分，如图1所示。

A部分即灰度值较低的取值，为图像血管和微动脉瘤等目标元素的灰度分布；而C部分即灰度值较高的取值，为图像中背景的灰度分布。B、D两部分则是目标元素与背景之间的像素点或元素边界点的灰度分布。由局部熵确定阈值时只需要考虑这四个部分中的A、C两个部分。

A部分目标元素的整体灰度分布概率可定义为：

$P_A-\underset{i=0}{\overset{T}{\mathrm{\Σ}}}\underset{j=0}{\overset{T}{\mathrm{\Σ}}}{P}_{ij}$

而C部分背景元素的概率则定义为：

$P_C=\underset{i=T+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=T+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_{ij}$

对这两个概率进行归一化，得到以下两个关于向量(T，T)的函数：

$P_{ij}^A=\frac{P_{ij}}{P^A}$

$P_{ij}^C=\frac{P_{ij}}{P_C}$

则A部分目标元素的局部熵是一个关于T的函数，可由下式得出：

$H_A\left(T\right)=-\frac{1}{2}\underset{i=0}{\overset{T}{\mathrm{\Σ}}}\underset{j=0}{\overset{T}{\mathrm{\Σ}}}{P}_{ij}^A{\log }_2{P}_{ij}^A$

与之类似，C部分背景元素的局部熵为：

$H_C\left(T\right)=-\frac{1}{2}\underset{i=T+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=T+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_{ij}^C{\log }_2{P}_{ij}^C$

则目标元素和背景元素两部分的总局部熵为：

H_T(T)＝H_A(T)+H_C(T)

则由此得出阈值T的取值应使H_T取到最大值，此时有：

$T=\arg \[\underset{T=0,1,\mathrm{...},L-1}{\max }{H}_T\left(T\right)\]$

此时得到理想的阈值T，以进行目标区域和背景区域的分类。

其中L是整个图像的灰度级数，p_ij是i和j两个灰度值共生的概率，即L×L灰度共生矩阵中的(i，j)元素。

L×L灰度共生矩阵中的(i，j)元素定义如下：整个图像的灰度级数为L，则共有L×L种数对组合。相邻两个像素的灰度值数对(i，j)在整个图像的所有相邻像素对的灰度数对中的出现概率记为p_ij，即是矩阵的(i，j)元素。

血管和微动脉瘤对象从眼底图像中分割出来后如图2所示。

最后，进行长度筛选。

根据局部熵确定的阈值可以将血管以及微动脉瘤从背景中分割出来，得到一个眼底血管分布的二值图像。图像中包含了血管和微动脉瘤的全部像素，由此可以通过长度筛选确定微动脉瘤的位置。

由于得到的二值图像中包括了血管、微动脉瘤两种元素。根据这两种元素之间的特征差异可以将其区分开，从而排除血管，保留需要的真实微动脉瘤。从形状和连通性上看，血管是狭长状相互连通的线性元素，而微动脉瘤则是离散的小圆点，直径极小，大约在一个像素左右。因此只需要对二值图像进行筛选，分析其像素之间的连通性，选出所有直径为一个像素左右且相互不连通的元素，即可排除血管，得到所需的微动脉瘤区域。

长度筛选可以以如下方式操作：对于每个目标区域像素点，比较其周围相邻的八个像素点。相邻的八个像素中，同样处在目标区域之内的像素少于两个，便可视为不连通的单像素小点，即为所需的真实微动脉瘤点(如图3所示)。

Claims (5)

1.一种眼底图像微动脉瘤自动检测方法，其特征在于：首先，使用高斯匹配滤波技术增强眼底图像中的血管和微动脉瘤像素；然后，利用局部熵确定阈值，从而将血管和微动脉瘤对象从眼底图像中分割出来；最后，利用长度筛选的方法，将血管排除在疑似区域之外，保留微动脉瘤像素，从而实现了对眼底图像中微动脉瘤的分割和检测。

2.根据权利要求1所述的一种眼底图像微动脉瘤自动检测方法，其特征在于：在检测前对眼底图像进行预处理，通过图像平滑处理减少图像的噪声。

3.根据权利要求1所述的一种眼底图像微动脉瘤自动检测方法，其特征在于：使用二维高斯匹配滤波增强血管和微动脉瘤像素，其采用的函数定义如下：

$f(x,y)=-\exp \left(-\frac{x^2}{2{\mathrm{\σ}}^2}\right),\left|y\right|\≤\frac{L}{2}$

其中L为片段长度，在这个片段内血管方向固定不变，视网膜血管的走向不固定，所以核函数需要不断地旋转，只有当滤波器方向与血管走向相同才会产生峰值响应，然后利用一组12个16×15像素的内核对眼底图像进行卷积，在每个像素点上只保留最大的响应，得到响应图像，σ²是高斯函数拟合二项式系数的最小方差。

4.根据权利要求1所述的一种眼底图像微动脉瘤自动检测方法，其特征在于：设阈值为T，0≤T≤L-1将滤波处理后的图像L×L灰度共生矩阵分为A、B、C、D四个部分，A部分即灰度值较低的取值，为图像血管和微动脉瘤的目标元素的灰度分布；而C部分即灰度值较高的取值，为图像中背景的灰度分布；B、D两部分则是目标元素与背景之间的像素点或元素边界点的灰度分布；由局部熵确定阈值时只需要考虑这四个部分中的A、C两个部分；

A部分目标元素的整体灰度分布概率可定义为：

$P_A=\underset{i=0}{\overset{T}{\Σ}}\underset{j=0}{\overset{T}{\Σ}}{P}_{ij}$

而C部分背景元素的概率则定义为：

$P_C=\underset{i=T+1}{\overset{L-1}{\Σ}}\underset{j=T+1}{\overset{L-1}{\Σ}}{P}_{ij}$

对这两个概率进行归一化，得到以下两个关于向量(T，T)的函数：

$P_{ij}^A=\frac{P_{ij}}{P^A}$

$P_{ij}^C=\frac{P_{ij}}{P_C}$

则A部分目标元素的局部熵是一个关于T的函数，可由下式得出：

$H_A\left(T\right)=-\frac{1}{2}\underset{i=0}{\overset{T}{\Σ}}\underset{j=0}{\overset{T}{\Σ}}{P}_{ij}^A{\log }_2{P}_{ij}^A$

与之类似，C部分背景元素的局部熵为：

$H_C\left(T\right)=-\frac{1}{2}\underset{i=T+1}{\overset{L-1}{\Σ}}\underset{j=T+1}{\overset{L-1}{\Σ}}{P}_{ij}^C{\log }_2{P}_{ij}^C$

则目标元素和背景元素两部分的总局部熵为：

H_T(T)＝H_A(T)+H_C(T)

则由此得出阈值T的取值应使H_T取到最大值，此时有：

$T=\arg \[\underset{T=0,1,...,L-1}{\max }{H}_T\left(T\right)\]$

此时得到理想的阈值T，以进行目标区域和背景区域的分类；其中L是整个图像的灰度级数，p_ij是i和j两个灰度值共生的概率，即L×L灰度共生矩阵中的(i，j)元素。

5.根据权利要求1所述的一种眼底图像微动脉瘤自动检测方法，其特征在于：长度筛选方法以如下方式操作：对于每个目标区域像素点，比较其周围相邻的八个像素点，相邻的八个像素中，同样处在目标区域之内的像素少于两个，便可视为不连通的单像素小点，即为所需的真实微动脉瘤点。