CN107437252B - 用于黄斑病变区域分割的分类模型构建方法和设备 - Google Patents

用于黄斑病变区域分割的分类模型构建方法和设备 Download PDF

Info

Publication number
CN107437252B
CN107437252B CN201710661951.7A CN201710661951A CN107437252B CN 107437252 B CN107437252 B CN 107437252B CN 201710661951 A CN201710661951 A CN 201710661951A CN 107437252 B CN107437252 B CN 107437252B
Authority
CN
China
Prior art keywords
matrix
low
sample
representing
optimal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710661951.7A
Other languages
English (en)
Other versions
CN107437252A (zh
Inventor
郑元杰
任秀秀
连剑
刘弘
赵艳娜
秦茂玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN201710661951.7A priority Critical patent/CN107437252B/zh
Publication of CN107437252A publication Critical patent/CN107437252A/zh
Application granted granted Critical
Publication of CN107437252B publication Critical patent/CN107437252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种用于眼底图像黄斑病变区域分割的分类模型构建方法，包括以下步骤：选取多幅眼底图像，对其进行灰度化处理得到多幅灰度图像，对所述灰度图像的前景和背景分别进行采样得到样本；采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；对所述样本的低秩近似矩阵加入标签信息作为监督，构建流形正则化项；结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵；基于所述最优低秩近似矩阵和标签信息构建分类模型。本发明的分类模型能够提取出既低维又有较强区分性的特征描述子，能够提高分割精度。

Description

用于黄斑病变区域分割的分类模型构建方法和设备
技术领域
本发明涉及医学图像处理领域，尤其涉及一种用于眼底图像黄斑病变区域分割的分类模型构建方法、设备以及图像分割方法。
背景技术
眼睛是人类获取信息最重要的器官。黄斑位于眼球后部，是人感受外界光线和物象的重要组织。若该部位发生病变会造成视力下降甚至失明，是导致老年人致盲的重要原因之一。医生进行眼底图像黄斑病变区域(drusen)诊断时，存在着准确度低、重复性差、主观因素多等缺点。所以迫切需要黄斑病变区域分割技术的应用和研究，以满足临床上对黄斑病变的筛查、诊断、治疗等辅助医疗需求。
现有的黄斑病变分割方法很多是基于特征的。这些方法所用的特征大致包括两种：一种是多个底层特征进行组合得到新特征；另一种是比较成功的手工特征描述子。这些特征都是对图像底层内容的提取，它们的选取和设计费时费力又太过依赖人的专业知识，能不能选取好很大程度上靠经验和运气，它的调节需要大量的时间；而且这些方法的鲁棒性和适用性都有限。
考虑到特征的可区分性，可区分性的特征学习算法主要分为两类。一类是在传统的手工描述子，如SIFT,LBP,HOG等基础上设计新算法从而得到新特征。另一类是用先验知识重组并参数化已有的手工描述子得到新的特征。虽然该类算法在已经在图像分类及人脸识别等研究领域中被证明取得了很好的效果。监督学习是通过已有的训练样本去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而具有了对未知数据进行分类的能力。相比传统的基于规则的方法，监督学习模型在表征能力和效果上都具有显著的优势。
然而，基于监督的特征学习方法在眼底图像分割的应用研究还比较少。而其他用于眼底图像分割的手工设计的特征没有很强的区分性和描述能力，不能得到更精确的分割结果。如何通过学习得到一种表达能力更强的特征仍然是目前研究的一个重点和难点。因此，如何获取更具区分性的特征，实现黄斑区域精确快速的分割，是目前需要本领域技术人员迫切解决的一个技术问题。
发明内容
为解决上述问题，本发明提出了一种用于眼底图像黄斑病变区域分割的分类模型构建方法。该方法通过将监督学习与图像底层特征相结合来学习新的特征。基于已选取的图像，对图像进行灰度化处理并采样；基于图像样本的灰度特征，先用广义低秩矩阵近似的方法对样本进行降维，再加入样本的标签信息作为监督项，最后得出样本的低秩近似表示；向量化之后作为特征送进分类器，通过训练得到分类器；用该分类器进行测试图像像素的分类，从而完成基于分类的分割。这种监督学习特征的方法得到的特征有较强的区分性，因而能更好地描述病变区域特征，从而得到精确的分割结果。
为了实现上述目的，本发明采用如下技术方案：
一种用于眼底图像黄斑病变区域分割的分类模型构建方法，包括以下步骤：
步骤1：选取多幅眼底图像，对其进行灰度化处理得到多幅灰度图像，对所述灰度图像的前景和背景分别进行采样得到样本；
步骤2：采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；
步骤3：对所述样本的低秩近似矩阵加入标签信息作为监督，基于所述低秩近似矩阵和标签信息构建流形正则化项；
步骤4：结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵；
步骤5：基于所述最优低秩近似矩阵和标签信息构建分类模型。
进一步地，所述步骤1具体包括：
步骤101：从STARE数据集中选取包含不同类型和大小黄斑区域的眼底图像，对其进行灰度化处理；
步骤102：对前景点和背景点位置进行手工标注，作为图像标记；
步骤103：根据所述图像标记，分别对前景和背景进行采样，获得样本。
进一步地，所述步骤2具体包括：
步骤201：构造一个最优化问题来表达原始的广义低秩逼近问题，该最优化问题最小化输入矩阵组中已知成分的总重构误差，可得到两个变换矩阵
Figure GDA0002103647880000021
和
Figure GDA0002103647880000022
以及低秩表示的矩阵
Figure GDA0002103647880000023
公式为：
Figure GDA0002103647880000031
Figure GDA0002103647880000032
表示F范数，n表示训练样本的数量，Si表示第i个训练样本，Ai表示相对应Si的低秩近似矩阵，U和V表示两个转换矩阵；
Figure GDA0002103647880000033
和
Figure GDA0002103647880000034
表示单位矩阵；
步骤202：求解变换矩阵U和V，采用Ai＝USiV近似表示样本Si。
进一步地，所述步骤3具体包括：
步骤301：构建相似度矩阵M，矩阵的元素Mij表示训练样本i和j之间的相似度；
步骤302：对得到的低秩表示的样本矩阵
Figure GDA0002103647880000035
加入样本标签L∈(1，0)作为监督，挖掘数据分布的几何形状，构建流形正则化项
Figure GDA0002103647880000036
其中Ai和Aj分别表示第i和第j个样本的低秩近似矩阵；该项能够反映出训练样本的流形空间结构；其中，
所述步骤301中相似度矩阵M的构建方法为：用n个点构建一个图结构，每个点对应一个样本，如果i属于j的第k个内相近邻的点或者j属于i的第k个内相近邻的点，就把点i和j连接，Mij被表示为：
Figure GDA0002103647880000037
α表示一个参数，Li和Lj分别表示训练样本i和j的标签，若训练样本属于前景则标签L为1，训练样本属于背景则标签L为0。
进一步地，所述步骤4具体包括：
步骤401：结合广义低秩近似方法和所述正则化项构造目标函数：
Figure GDA0002103647880000038
Γ∈(0,∞)表示一个参数；
步骤402：采用迭代优化方法求解最优解U,V和
Figure GDA0002103647880000039
所述迭代优化方法具体为：
将目标函数改写为：
Figure GDA0002103647880000041
给定一个初始的V0＝(I0，0)τ，I0为单位矩阵，通过以下公式求最优U：
Figure GDA0002103647880000042
只有当U包含矩阵XU的l1个特征值对应的特征向量时，公式达到最大值，取得最优解；用上式计算出的最优U，通过以下公式求最优V：
Figure GDA0002103647880000043
只有当V包含矩阵XV的l2个特征值对应的特征向量时，公式达到最大值，取得最优解；
基于计算得到的V，通过计算XU矩阵的特征向量来更新U，一直重复该过程直到收敛，最后得到最优的U,V和
Figure GDA0002103647880000044
进一步地，所述步骤5具体包括：
步骤501：将样本的最优低秩近似矩阵进行向量化操作，得到特征向量；
步骤502：用特征向量和相应标签训练SVM分类器，得到训练好的分类器。
进一步地，所述步骤6具体包括：
步骤601：将测试图像进行灰度化处理并采样；
步骤602：采用最优转换矩阵对测试图像的样本进行降维得到测试图像的最优低秩近似矩阵；
步骤603：将测试图像的最优低秩近似矩阵作为SVM分类器的输入，得到分类结果，进而得到分割结果。
基于本发明的第二方面，本发明还提供了一种基于以上所述分类模型的眼底图像黄斑病变区域分割方法，其特征在于，包括：步骤1：基于所述分类模型对测试图像进行分类，得到测试图像的前景点和背景点；步骤2：将所述前景点所在区域作为分割结果。
基于本发明的第三方面，本发明还提供了一种用于眼底图像黄斑病变区域分割的分类模型构建的计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
接收用户对眼底训练图像的选取，对所述训练图像进行灰度化处理得到灰度图像；对所述灰度图像的前景和背景分别进行采样得到样本；
采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；
对所述样本的低秩近似矩阵加入标签信息作为监督，基于所述低秩近似矩阵和标签信息构建流形正则化项；
结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵；
基于所述最优低秩近似矩阵和标签信息构建分类模型。
基于本发明的第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，用于眼底图像黄斑病变区域分割的分类模型构建，该程序被处理器执行时实现以下步骤：
接收用户对眼底训练图像的选取，对所述训练图像进行灰度化处理得到灰度图像；对所述灰度图像的前景和背景分别进行采样得到样本；
采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；
对所述样本的低秩近似矩阵加入标签信息作为监督，基于所述低秩近似矩阵和标签信息构建流形正则化项；
结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵；
基于所述最优低秩近似矩阵和标签信息构建分类模型。
本发明的有益效果：
1、本发明将监督学习与图像底层特征相结合来学习新的特征描述子。利用广义低秩矩阵进行降维结合流行正则化作为监督项进行约束，通过迭代优化得到既低维又有较强区分性的特征描述子。与传统的手工描述子相比，该描述子是通过监督学习得到、不需要手动选取和设计，并且有更强的描述能力。
2、在实践上，将该描述子应用于眼底图像黄斑区域的分割，可以得到更精确的分割结果。利用分割结果量化黄斑病变区域，从而辅助医生进行更准确的诊断。
附图说明
图1是本发明眼底图像黄斑区域分割方法的流程图；
图2是该方法进行采样的示意图，包括整张图片、前景样本、背景样本；
图3是不同样本大小对分类精度的影响。
图4是利用本发明在不同类型的3幅眼底图像的分割结果图；
图5是本发明与其他两种方法在以上3幅眼底图像分割结果的ROC曲线图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一
一种用于眼底图像黄斑病变区域分割的分类模型构建方法，如图1所示，包括以下步骤：
步骤1：选取多幅眼底图像，对其进行灰度化处理得到多幅灰度图像，对所述灰度图像的前景和背景分别进行采样得到样本；
步骤2：采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；
步骤3：对所述样本的低秩近似矩阵加入标签信息作为监督，基于所述低秩近似矩阵和标签信息构建正则化项；
步骤4：结合广义低秩近似方法和所述正则化项构造目标函数，采用迭代优化方法获取最优转换矩阵以及样本的最优低秩近似矩阵；
步骤5：基于所述最优低秩近似矩阵和标签信息构建分类模型。
所述步骤1具体包括：
步骤101：从STARE数据集中选取包含不同类型和大小黄斑区域的眼底图像，对其进行灰度化处理；
步骤102：对前景点和背景点位置进行手工标注，作为图像标记；
步骤103：根据所述图像标记，分别对前景和背景进行采样，获得样本
Figure GDA0002103647880000071
所述采样是以像素点为中心的k×k方形邻域作为样本大小。本实施例选取了5张具有代表性的眼底图像。前景点样本和背景点样本分别取n/2个共同组成n个训练样本，n＝10000，如图2所示。经过实验，取样本大小k＝15时，分类结果最好，如图3所示。
所述步骤2具体包括：
步骤201：构造一个最优化问题来表达原始的广义低秩逼近问题，该最优化问题最小化输入矩阵组中已知成分的总重构误差，可得到两个变换矩阵
Figure GDA0002103647880000072
和
Figure GDA0002103647880000073
以及低秩表示的矩阵
Figure GDA0002103647880000074
公式为：
Figure GDA0002103647880000075
Figure GDA0002103647880000076
表示F范数，n表示训练样本的数量，Si表示第i个训练样本，Ai表示相对应Si的低秩近似矩阵，U和V表示两个转换矩阵；
Figure GDA0002103647880000077
和
Figure GDA0002103647880000078
表示单位矩阵；
步骤202：若得到变换矩阵U和V，即可用Ai＝USiV来近似表示每个训练样本Si。
所述步骤3具体包括：
步骤301：构建相似度矩阵M，矩阵的元素Mij表示训练样本i和j之间的相似度；
步骤302：对得到的低秩表示的样本矩阵
Figure GDA0002103647880000081
加入样本标签L∈(1，0)作为监督，挖掘数据分布的几何形状，构建流形正则化项
Figure GDA0002103647880000082
其中Ai和Aj分别表示第i和第j个样本的低秩近似矩阵；该项能够反映出训练样本的流形空间结构。
所述步骤301中相似度矩阵M的构建方法为：用n个点构建一个图(Graph)结构，每个点对应一个训练样本，如果i属于j的第k个内相近邻的点或者j属于i的第k个内相近邻的点，就把点i和j连接。Mij被表示为：
Figure GDA0002103647880000083
α表示一个参数，Li和Lj分别表示训练样本i和j的标签，若训练样本属于前景则标签L为1，训练样本属于背景则标签L为0。
所述步骤4具体包括：
步骤401：将所述步骤2和3的公式进行合并，得到如下公式：
Figure GDA0002103647880000084
Γ∈(0,∞)表示一个参数。本实施例中参数γ取值为1。
步骤402：采用迭代优化方法求解最优解U,V和
Figure GDA0002103647880000085
将公式改写为：
Figure GDA0002103647880000086
因为上式第一项是常数，所以将其删掉不影响，得到新公式如下：
Figure GDA0002103647880000087
只有当Ai＝UτSiV的时候，上式达到最小值，将该Ai带入公式(4)并删除常数项得到最终的优化公式如下：
Figure GDA0002103647880000091
将上式改写为：
Figure GDA0002103647880000092
用迭代优化的方式求解以上公式：给定一个初始的V0＝(I0，0)τ，I0为单位矩阵，用以下公式求U，即求Tr(UτXUU)的最大值，其中
Figure GDA0002103647880000093
只有当U包含矩阵XU的l1个特征值对应的特征向量时，公式达到最大值，取得最优解。用上式计算出的最优U，通过求Tr(VτXVV)的最大值得到最优的V，其中
Figure GDA0002103647880000094
只有当V包含矩阵XV的l2个特征值对应的特征向量时，公式达到最大值，取得最优解。基于计算得到的V，通过计算XU矩阵的特征向量来更新U，一直重复该过程直到收敛，最后得到最优的U,V和
Figure GDA0002103647880000095
所述步骤5具体包括：
步骤501：将步骤4得到的样本的低秩近似矩阵
Figure GDA0002103647880000096
进行向量化操作，得到特征向量；
步骤502：用特征向量和相应标签训练SVM分类器，得到训练好的分类器。
实施例二
基于实施例一中的分类模型，本实施例提供了一种眼底图像黄斑病变区域分割方法，其采用实施例一中的分类模型，包括：
步骤1：基于所述分类模型对测试图像进行分类，得到测试图像的前景点和背景点；
步骤2：将所述前景点所在区域作为分割结果。
其中，步骤1具体包括：
将测试图像灰度化，以k×k的滑动窗扫描整张图像进行采样；
采用最优转换矩阵对测试图像的样本进行降维，得到测试图像的最优低秩近似矩阵；
将测试图像的最优低秩近似矩阵作为SVM分类器的输入，得到分类结果。
若像素所属的测试样本属于前景点则标签为1，反之标签为0，得到分割结果，如图4所示。
实施例三
基于上述图像分割方法，本实施例提供了一种用于眼底图像黄斑病变区域分割的分类模型构建的计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
接收用户对眼底训练图像的选取，对所述训练图像进行灰度化处理得到灰度图像；对所述灰度图像的前景和背景分别进行采样得到样本；
采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；
对所述样本的低秩近似矩阵加入标签信息作为监督，基于所述低秩近似矩阵和标签信息构建流形正则化项；
结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵；
基于所述最优低秩近似矩阵和标签信息构建分类模型。
所述采样是基于用户手工标注的前景点与背景点的图像标记，基于所述图像标记，对所述灰度图像的前景和背景分别进行采样得到样本。
实施例四
基于上述图像分割方法，本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，用于眼底图像黄斑病变区域分割的分类模型构建，其特征在于，该程序被处理器执行时实现以下步骤：
接收用户对眼底训练图像的选取，对所述训练图像进行灰度化处理得到灰度图像；对所述灰度图像的前景和背景分别进行采样得到样本；
采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；
对所述样本的低秩近似矩阵加入标签信息作为监督，基于所述低秩近似矩阵和标签信息构建流形正则化项；
结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵；
基于所述最优低秩近似矩阵和标签信息构建分类模型。
所述采样是基于用户手工标注的前景点与背景点的图像标记，基于所述图像标记，对所述灰度图像的前景和背景分别进行采样得到样本。
以上实施例三和实施例四的装置，各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
实验效果：
本发明采用以上方法对不同类型黄斑图像进行分割，分割结果如图4所示。用本发明方法分别与HALT方法以及刘等人提出的方法针对相同图像绘制分割结果的ROC曲线图如图5所示。表6给出了本发明方法与其他两种方法在STARE数据集上任意选取的21幅图上的统计结果比较。
表6
％灵敏度 ％特异性 ％准确率
本发明方法 90.47 96.46 96.35
HALT方法 85.75 92.69 92.58
刘等人方法 84.04 91.75 91.69
本发明将监督学习与图像底层特征相结合来学习新的特征描述子，利用广义低秩矩阵进行降维结合流行正则化作为监督项进行约束，通过迭代优化得到既低维又有较强区分性的特征描述子。与传统的手工描述子相比，该描述子是通过监督学习得到、不需要手动选取和设计，并且有更强的描述能力，可以得到更精确的分割结果。
本领域技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种用于眼底图像黄斑病变区域分割的分类模型构建方法，其特征在于，包括以下步骤：
步骤1：选取多幅眼底图像，对其进行灰度化处理得到多幅灰度图像，对所述灰度图像的前景和背景分别进行采样得到样本；
步骤2：采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；
步骤3：对所述样本的低秩近似矩阵加入标签信息作为监督，基于所述低秩近似矩阵和标签信息构建流形正则化项；
步骤4：结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵；
所述步骤4具体包括：
步骤401：结合广义低秩近似方法和所述正则化项构造目标函数：
Figure FDA0002390271140000011
Figure FDA0002390271140000012
表示F范数，n表示训练样本的数量，Si表示第i个训练样本，Ai和Aj分别表示第i和第j个样本的低秩近似矩阵，U和V表示两个转换矩阵；II1和II2表示单位矩阵，
Figure FDA0002390271140000013
表示低秩表示的样本矩阵，L∈(1,0)表示样本标签，流形正则化项
Figure FDA0002390271140000014
其中Ai和Aj分别表示第i和第j个样本的低秩近似矩阵，Mi,j表示训练样本i和j之间的相似度，
Figure FDA0002390271140000015
其中，α表示一个参数，Li和Lj分别表示训练样本i和j的标签，若训练样本属于前景则标签L为1，训练样本属于背景则标签L为0，γ∈(0,∞)表示一个参数；
步骤402：采用迭代优化方法求解最优解U,V和
Figure FDA0002390271140000016
所述迭代优化方法具体为：
将目标函数改写为：
Figure FDA0002390271140000021
Tr表示矩阵的迹，式中右上角的T表示该矩阵的转置，UT表示转换矩阵U的转置，VT表示转换矩阵V的转置；
给定一个初始的VO＝(IO,0)T，IO为单位矩阵，通过以下公式求最优U：
Figure FDA0002390271140000022
XU表示一个矩阵；
只有当U包含矩阵XU的I1个特征值对应的特征向量时，公式达到最大值，取得最优解；用上式计算出的最优U，通过以下公式求最优V：
Figure FDA0002390271140000023
只有当V包含矩阵XV的I2个特征值对应的特征向量时，公式达到最大值，取得最优解；
基于计算得到的V，通过计算XU矩阵的特征向量来更新U，一直重复该过程直到收敛，最后得到最优的U，V和
Figure FDA0002390271140000024
步骤5：基于所述最优低秩近似矩阵和标签信息构建分类模型。
2.如权利要求1所述的一种用于眼底图像黄斑病变区域分割的分类模型构建方法，其特征在于，所述步骤1具体包括：
步骤101：从STARE数据集中选取包含不同类型和大小黄斑区域的眼底图像，对其进行灰度化处理；
步骤102：对前景点和背景点位置进行手工标注，作为图像标记；
步骤103：根据所述图像标记，分别对前景和背景进行采样，获得样本。
3.如权利要求1所述的一种用于眼底图像黄斑病变区域分割的分类模型构建方法，其特征在于，所述步骤2具体包括：
步骤201：构造一个最优化问题来表达原始的广义低秩逼近问题，该最优化问题最小化输入矩阵组中已知成分的总重构误差，可得到两个转换矩阵
Figure FDA0002390271140000025
和
Figure FDA0002390271140000031
以及低秩表示的矩阵
Figure FDA0002390271140000032
公式为：
Figure FDA0002390271140000033
Figure FDA0002390271140000034
表示F范数，n表示训练样本的数量，Si表示第i个训练样本，Ai表示相对应Si的低秩近似矩阵，U和V表示两个转换矩阵；II1和II2表示单位矩阵；
步骤202：求解转换矩阵U和V，采用Ai＝USiV近似表示样本Si。
4.如权利要求1所述的一种用于眼底图像黄斑病变区域分割的分类模型构建方法，其特征在于，所述步骤3具体包括：
步骤301：构建相似度矩阵M，矩阵的元素Mi,j表示训练样本i和j之间的相似度；
步骤302：对得到的低秩表示的样本矩阵
Figure FDA0002390271140000035
加入样本标签L∈(1,0)作为监督，挖掘数据分布的几何形状，构建流形正则化项
Figure FDA0002390271140000036
其中Ai和Aj分别表示第i和第j个样本的低秩近似矩阵；该项能够反映出训练样本的流形空间结构；其中，
所述步骤301中相似度矩阵M的构建方法为：用n个点构建一个图结构，每个点对应一个样本，如果i属于j的第k个内相近邻的点或者j属于i的第k个内相近邻的点，就把点i和j连接，Mi,j被表示为：
Figure FDA0002390271140000037
α表示一个参数，Li和Lj分别表示训练样本i和j的标签，若训练样本属于前景则标签L为1，训练样本属于背景则标签L为0。
5.如权利要求1所述的一种用于眼底图像黄斑病变区域分割的分类模型构建方法，其特征在于，所述步骤5具体包括：
步骤501：将样本的最优低秩近似矩阵进行向量化操作，得到特征向量；
步骤502：用特征向量和相应标签训练SVM分类器，得到训练好的分类器。
6.一种眼底图像黄斑病变区域分割方法，基于权利要求1-5中任一项所述的一种用于眼底图像黄斑病变区域分割的分类模型构建方法，其特征在于，包括：步骤1：基于所述分类模型对测试图像进行分类，得到测试图像的前景点和背景点；步骤2：将所述前景点所在区域作为分割结果。
7.一种用于眼底图像黄斑病变区域分割的分类模型构建的计算机设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
接收用户对眼底训练图像的选取，对所述训练图像进行灰度化处理得到灰度图像；对所述灰度图像的前景和背景分别进行采样得到样本；
采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；
对所述样本的低秩近似矩阵加入标签信息作为监督，基于所述低秩近似矩阵和标签信息构建流形正则化项；
结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵；
基于所述最优低秩近似矩阵和标签信息构建分类模型；
所述结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵的具体步骤包括：
结合广义低秩近似方法和所述正则化项构造目标函数：
Figure FDA0002390271140000041
Figure FDA0002390271140000042
表示F范数，n表示训练样本的数量，Si表示第i个训练样本，Ai和Aj分别表示第i和第j个样本的低秩近似矩阵，U和V表示两个转换矩阵；II1和II2表示单位矩阵，
Figure FDA0002390271140000043
表示低秩表示的样本矩阵，L∈(1,0)表示样本标签，流形正则化项
Figure FDA0002390271140000044
其中Ai和Aj分别表示第i和第j个样本的低秩近似矩阵，Mi,j表示训练样本i和j之间的相似度，
Figure FDA0002390271140000051
其中，α表示一个参数，Li和Lj分别表示训练样本i和j的标签，若训练样本属于前景则标签L为1，训练样本属于背景则标签L为0，γ∈(0,∞)表示一个参数；
采用迭代优化方法求解最优解U,V和
Figure FDA0002390271140000052
所述迭代优化方法具体为：
将目标函数改写为：
Figure FDA0002390271140000053
Tr表示矩阵的迹，式中右上角的T表示该矩阵的转置，UT表示转换矩阵U的转置，VT表示转换矩阵V的转置；
给定一个初始的VO＝(IO,0)T，IO为单位矩阵，通过以下公式求最优U：
Figure FDA0002390271140000054
XU表示一个矩阵；
只有当U包含矩阵XU的I1个特征值对应的特征向量时，公式达到最大值，取得最优解；用上式计算出的最优U，通过以下公式求最优V：
Figure FDA0002390271140000055
只有当V包含矩阵XV的I2个特征值对应的特征向量时，公式达到最大值，取得最优解；
基于计算得到的V，通过计算XU矩阵的特征向量来更新U，一直重复该过程直到收敛，最后得到最优的U，V和
Figure FDA0002390271140000056
8.一种计算机可读存储介质，其上存储有计算机程序，用于眼底图像黄斑病变区域分割的分类模型构建，其特征在于，该程序被处理器执行时实现以下步骤：
接收用户对眼底训练图像的选取，对所述训练图像进行灰度化处理得到灰度图像；对所述灰度图像的前景和背景分别进行采样得到样本；
采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；
对所述样本的低秩近似矩阵加入标签信息作为监督，基于所述低秩近似矩阵和标签信息构建流形正则化项；
结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵；
基于所述最优低秩近似矩阵和标签信息构建分类模型；
所述结合广义低秩近似方法和所述流形正则化项构造目标函数，采用迭代优化方法求解目标函数获取最优转换矩阵以及样本的最优低秩近似矩阵的具体步骤包括：
结合广义低秩近似方法和所述正则化项构造目标函数：
Figure FDA0002390271140000061
Figure FDA0002390271140000062
表示F范数，n表示训练样本的数量，Si表示第i个训练样本，Ai和Aj分别表示第i和第j个样本的低秩近似矩阵，U和V表示两个转换矩阵；II1和II2表示单位矩阵，
Figure FDA0002390271140000063
表示低秩表示的样本矩阵，L∈(1,0)表示样本标签，流形正则化项
Figure FDA0002390271140000064
其中Ai和Aj分别表示第i和第j个样本的低秩近似矩阵，Mi,j表示训练样本i和j之间的相似度，
Figure FDA0002390271140000065
其中，α表示一个参数，Li和Lj分别表示训练样本i和j的标签，若训练样本属于前景则标签L为1，训练样本属于背景则标签L为0，γ∈(0,∞)表示一个参数；
采用迭代优化方法求解最优解U,V和
Figure FDA0002390271140000066
所述迭代优化方法具体为：
将目标函数改写为：
Figure FDA0002390271140000067
Tr表示矩阵的迹，式中右上角的T表示该矩阵的转置，UT表示转换矩阵U的转置，VT表示转换矩阵V的转置；
给定一个初始的VO＝(IO,0)T，IO为单位矩阵，通过以下公式求最优U：
Figure FDA0002390271140000071
XU表示一个矩阵；
只有当U包含矩阵XU的I1个特征值对应的特征向量时，公式达到最大值，取得最优解；用上式计算出的最优U，通过以下公式求最优V：
Figure FDA0002390271140000072
只有当V包含矩阵XV的I2个特征值对应的特征向量时，公式达到最大值，取得最优解；
基于计算得到的V，通过计算XU矩阵的特征向量来更新U，一直重复该过程直到收敛，最后得到最优的U，V和
Figure FDA0002390271140000073
CN201710661951.7A 2017-08-04 2017-08-04 用于黄斑病变区域分割的分类模型构建方法和设备 Active CN107437252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710661951.7A CN107437252B (zh) 2017-08-04 2017-08-04 用于黄斑病变区域分割的分类模型构建方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710661951.7A CN107437252B (zh) 2017-08-04 2017-08-04 用于黄斑病变区域分割的分类模型构建方法和设备

Publications (2)

Publication Number Publication Date
CN107437252A CN107437252A (zh) 2017-12-05
CN107437252B true CN107437252B (zh) 2020-05-29

Family

ID=60459855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710661951.7A Active CN107437252B (zh) 2017-08-04 2017-08-04 用于黄斑病变区域分割的分类模型构建方法和设备

Country Status (1)

Country Link
CN (1) CN107437252B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032704B (zh) * 2018-05-15 2023-06-09 腾讯科技（深圳）有限公司 数据处理方法、装置、终端及存储介质
CN108717696B (zh) * 2018-05-16 2022-04-22 上海鹰瞳医疗科技有限公司 黄斑影像检测方法和设备
CN109199322B (zh) * 2018-08-31 2020-12-04 福州依影健康科技有限公司 一种黄斑检测方法及一种存储设备
CN110675339A (zh) * 2019-09-16 2020-01-10 山东师范大学 基于边缘修复和内容修复的图像修复方法及***
CN112435281B (zh) * 2020-09-23 2022-06-24 山东师范大学 一种基于对抗学习的多光谱眼底图像分析方法及***
CN113222998B (zh) * 2021-04-13 2022-05-31 天津大学 基于自监督低秩网络的半监督图像语义分割方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427296B (zh) * 2015-11-11 2018-04-06 北京航空航天大学 一种基于超声图像低秩分析的甲状腺病灶图像识别方法
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法

Also Published As

Publication number Publication date
CN107437252A (zh) 2017-12-05

Similar Documents

Publication Publication Date Title
CN107437252B (zh) 用于黄斑病变区域分割的分类模型构建方法和设备
US10706333B2 (en) Medical image analysis method, medical image analysis system and storage medium
CN109166130B (zh) 一种图像处理方法及图像处理装置
Zhao et al. Supervised segmentation of un-annotated retinal fundus images by synthesis
US10991093B2 (en) Systems, methods and media for automatically generating a bone age assessment from a radiograph
Zilly et al. Glaucoma detection using entropy sampling and ensemble learning for automatic optic cup and disc segmentation
Yi et al. Unsupervised and semi-supervised learning with categorical generative adversarial networks assisted by wasserstein distance for dermoscopy image classification
Kumar et al. Breast cancer classification of image using convolutional neural network
Yu et al. Image quality classification for DR screening using deep learning
Zhang et al. Medical image synthesis with generative adversarial networks for tissue recognition
Sridar et al. Decision fusion-based fetal ultrasound image plane classification using convolutional neural networks
CN109344889B (zh) 脑疾病分类装置、用户终端和计算机可读存储介质
CN112750531A (zh) 一种中医自动化望诊***、方法、设备和介质
Gonçalves et al. Carcass image segmentation using CNN-based methods
Gao et al. Sparse texture active contour
CN113298742A (zh) 基于图像配准的多模态视网膜图像融合方法及***
Tasdizen et al. Improving the robustness of convolutional networks to appearance variability in biomedical images
Yadav et al. Application of deep convulational neural network in medical image classification
Wang et al. Optic disc detection based on fully convolutional neural network and structured matrix decomposition
Li et al. HEp-2 specimen classification with fully convolutional network
CN116721289A (zh) 基于自监督聚类对比学习的宫颈oct图像分类方法及***
CN110472694A (zh) 一种肺癌图像病理分类方法及装置
CN112801238B (zh) 一种图像分类方法、装置、电子设备及存储介质
Kumar et al. Gannet devil optimization-based deep learning for skin lesion segmentation and identification
Johnson et al. A study on eye fixation prediction and salient object detection in supervised saliency

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant