CN111563890A - 一种基于深度森林的眼底图像血管分割方法和*** - Google Patents
一种基于深度森林的眼底图像血管分割方法和*** Download PDFInfo
- Publication number
- CN111563890A CN111563890A CN202010378375.7A CN202010378375A CN111563890A CN 111563890 A CN111563890 A CN 111563890A CN 202010378375 A CN202010378375 A CN 202010378375A CN 111563890 A CN111563890 A CN 111563890A
- Authority
- CN
- China
- Prior art keywords
- forest
- fundus image
- cascade
- blood vessel
- feature vector
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 60
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007637 random forest analysis Methods 0.000 claims abstract description 86
- 239000013598 vector Substances 0.000 claims abstract description 76
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000002792 vascular Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 210000001210 retinal vessel Anatomy 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于深度森林的眼底图像血管分割方法和***,其方法包括以下步骤:获取眼底图像数据集;对眼底图像数据集进行预处理;设定采样窗口使其包含的像素矩阵可完整覆盖血管部分,提取眼底图像数据集的灰度纹理特征,形成若干特征向量集f;根据所述特征向量集f构建随机森林和完全随机森林;根据所述特征向量集f基于随机森林和完全随机森林构建深度森林,所述深度森林包含多粒度扫描和级联森林,且所述深度森林中每层级联森林包括相同数量的随机森林和完全随机森林;用深度森林对所述眼底图像数据集进行分割,输出分割结果。本方案的分割结果的准确率能达到95%以上,减少对数据的依赖,适合工业应用。
Description
技术领域
本发明涉及机器学习和图像处理领域技术领域,尤其涉及一种基于深度森林的眼底图像血管分割方法和***。
背景技术
视网膜血管是全身微循环***的重要组成部分,其形态结构的变化与糖尿病、高血压等心脑血管疾病的严重程度密切相关,因而,通过提取视网膜血管,分析血管的管径、曲率等特征,能很大程度上对心血管疾病进行预测,从而实施科学的预防性干预和药物治疗。
随着人工智能的发展,深度学习技术被广泛应用到眼底图像视网膜分割领域,目前,国内外很多研究人员提出了各种基于深度学习的眼底图像视网膜分割算法,主要包括:LeNet-5神经网络、Deep Belief Net深度信念网络、SVM(rbfkernel)支持向量机、RandomForest随机森林。但这些算法具有以下几点缺点:
1.超参数太多,其学习的性能严重依赖于调参的过程。
2.模型过度复杂。
3.深度神经网络需要使用大量的数据进行训练。哪怕是现在的大数据时代,我们都缺乏足够的训练数据。
4.由于高昂的标记成本,不适合于工业应用。
5.理论分析很难。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于深度森林的眼底图像血管分割方法和***。
本发明针对上述技术问题主要是通过下述技术方案得以解决的:一种基于深度森林的眼底图像血管分割方法,包括以下步骤:
S01、获取眼底图像数据集;眼底图像数据集包含眼底图及与眼底图血管位置相对应图像标签;
S02、对眼底图像数据集进行预处理;
S03、设定采样窗口,使采样窗口包含的像素矩阵可完整覆盖血管部分,提取眼底图像数据集的灰度纹理特征,形成若干特征向量集f;
S04、根据所述特征向量集f构建随机森林和完全随机森林;
S05、根据所述特征向量集f基于随机森林和完全随机森林构建深度森林,所述深度森林包含多粒度扫描和级联森林,且所述深度森林中每层级联森林包括相同数量的随机森林和完全随机森林;
S06、用深度森林对所述眼底图像数据集进行分割;
S07、输出分割结果。
作为优选,输出分割结果前,重复步骤S03-S06若干次,更换采样窗口,建立若干深度森林,通过模型评价选取准确率最高的深度森林,对所述眼底图像数据集进行分割,输出分割结果。
作为优选,步骤S02中,对眼底图像数据集进行预处理包括:
S201、对眼底图像数据集的眼底图和眼底图对应的图像标签都进行变换扩充为数据集,变换包括翻转和旋转,对眼底图和图像标签进行变换时所使用的参数相同;
S202、对眼底图像数据集中各眼底图进行亮度归一化。
作为优选,步骤S03中,设定采样窗口,使采样窗口包含的像素矩阵可完整覆盖血管部分,提取眼底图像数据集的灰度纹理特征,形成若干特征向量集f,具体包括:
S301、设定采样窗口包含N×N的像素矩阵,将眼底图像数据集中的眼底图分割为K个N×N的像素矩阵,N和K均为正整数;
S302、将K个像素矩阵展开为列向量作为其所在眼底图的特征向量集f,形成若干特征向量集f。
作为优选,步骤S04中,根据所述特征向量集f构建随机森林和完全随机森林,具体包括:
S401、应用bootstrap方法有放回的随机抽取特征向量集f,并由此构建M个决策树;
S402、所述眼底图的特征数为H;在每个决策树的每个节点处随机抽取L个候选特征(L≤H),选择具有最小基尼指数的候选特征作为***节点进行节点***,当每个决策树的***节点中只有一个特征或***节点中的特征数小于最小***级数时,停止生长,将***后的M个决策树组成随机森林;最小***级数由用户设定;眼底图的特征是指眼底图灰度图每个像素的值提取出来作为一个特征
S403、在每个决策树中随机选取1个候选特征作为***节点进行节点***,当每个决策树的***节点中只有一个特征或***节点中的特征数小于最小***级数时,停止生长,将生成的M个决策树组成完全随机森林。
作为优选,步骤S05中,根据所述特征向量集f基于随机森林和完全随机森林构建深度森林,具体包括:
S501、将特征向量集f作为多粒度扫描的输入,即将特征向量集f分别输入到所述的随机森林和完全随机森林中,每个特征向量集f输出两个特征概率向量;
S502、将多粒度扫描输出的所有特征概率向量串联并输入到第一层的级联森林,每层级联森林由相同数量的随机森林和完全随机森林组成;向量串联具体为把多个向量按y轴方向合并成一个向量;
S503、将第一层级联森林的输入和第一层级联森林的输出串联以后输入到第二层级联森林;
S504、在后续的每一层级联森林,均将第一层的级联森林的输入和上一层的级联森林的输出作为本层的级联森林的输入;
级联森林每运算一层,使用测试集对已生成的整个深度森林进行交叉验证,如果测试集的准确率小于上一层的准确率,深度森林停止生长,级联森林层数不再增长;否则继续增加级联森林层数,直到测试集的准确率小于上一层的准确率为止。
作为优选,所述模型评价具体为:
对每个眼底图像血管分割模型输出眼底图像血管图计算TP值:将正类预测为正类数;
计算FN值:对象是血管,被正确识别的数量;
计算FP值:对象是血管,没有被正确识别的数量;
计算TN值:对象是非血管,被正确识别的数量;
并基于TP值、FN值、TN值计算精确度、敏感度、特异性。
一种眼底图像血管分割的***,包括:
数据采集单元,用于获取眼底图像,
预处理单元,用于对眼底图像进行预处理;
特征向量集提取单元,用于设定采样窗口使其包含的像素矩阵可完整覆盖血管部分,提取眼底图像的灰度纹理特征,形成若干特征向量集f;
随机森林和完全随机森林构建单元,用于根据所述特征向量集f构建随机森林和完全随机森林;
深度森林构建单元,用于根据所述特征向量集f基于随机森林和完全随机森林构建深度森林,其中,所述深度森林包含多粒度扫描和级联森林两部分,且所述深度森林中每层级联森林由相同数量的随机森林和完全随机森林组成;
数据输出单元,用深度森林对所述图像进行分割,输出分割结果。
一种眼底图像血管分割的计算机设备,包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述的步骤。
一种计算机可读存储介质,所述计算机可读介质存储有计算机程序,所述计算机程序被处理器执行时实现如前述的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明眼底图像血管分割方法,相比较深度神经网络要容易训练得,神经网络需要大量的数据集才能跑出较好的效果。而本申请只需要眼底图像数据集,然后建立深度森林,每个级联的生成使用了交叉验证,选取出准确率相对较高的眼底图像血管分割模型,分割结果的准确率能达到95%以上,减少对数据的依赖,适合工业应用。
附图说明
图1为构建眼底图像血管分割模型的方法的流程图;
图2为对眼底图像数据集进行预处理示意图;
图3为提取眼底图像数据集的灰度纹理特征示意图;
图4为构建随机森林的示意图;
图5为多粒度扫描示意图;
图6为构建深度森林示意图;
图7为输出分割结果示意图;
图8为分割前后眼底图像对比图一;
图9为分割前后眼底图像对比图二。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例公开了一种眼底图像血管分割方法,基于深度森林,如图1所示,包括以下步骤:
S01、获取眼底图像数据集,眼底图像数据集作为训练集,包含若干组眼底图像,作为可选方案,每组眼底图像包含眼底图、外层框图;眼底图像数据集包含眼底图像及与眼底图血管位置相对应图像标签;
S02、如图2所示,对眼底图像数据集进行预处理,具体为:
S201、对眼底图像数据集的眼底图和眼底图对应的图像标签都进行变换扩充为数据集,变换包括翻转和旋转,对眼底图和图像标签进行变换时所使用的参数相同;
本实施例选取的扩充步骤为:
对眼底图像数据集的眼底图和对应的图像标签分别进行翻转和旋转的方式扩充数据集,水平、上下翻转扩充4倍,每隔10度旋转1次,扩充样本数至2500-3500组之间。
S202、对眼底图像数据集中各眼底图进行亮度归一化,其步骤为:
S2021.使用公式:gray=0.2989×R+0.5870×G+0.1140×B(公式中R、G、B即是代表红、绿、蓝三个通道的颜色)将眼底图转换为灰度;
S2022.计算各眼底图的平均灰度值,将其作为该眼底图的亮度;
S2023.计算所有眼底图的平均亮度值,进行归一化:B=(B-E(B))/sqrt(D(B))(公式中B代表亮度值,E代表数学期望值)。
进一步的,由于眼底图中非血管面积远远大于血管面积,若非血管部分也有对应的图像标签,则为避免样本不平衡性,取40%的非血管点与100%的血管点构成训练样本。
S03、如图3所示,设定采样窗口,使采样窗口包含的像素矩阵可完整覆盖血管部分,提取眼底图像数据集的灰度纹理特征,形成若干特征向量集f,具体包括:
S301、设定采样窗口包含N×N的像素矩阵,将眼底图像数据集中的眼底图分割为K个N×N的像素矩阵,N和K均为正整数;通常N的取值为7-20;
S302、将K个像素矩阵展开为列向量作为其所在眼底图的特征向量集f,形成若干特征向量集f。
S04、根据所述特征向量集f构建随机森林和完全随机森林,具体包括:
S401、应用bootstrap方法有放回的随机抽取特征向量集f,并由此构建M个决策树;
S402、所述眼底图的特征数为H;在每个决策树的每个节点处随机抽取L个候选特征(L≤H),选择具有最小基尼指数的候选特征作为***节点进行节点***,当每个决策树的***节点中只有一个特征或***节点中的特征数小于最小***级数时,停止生长,将***后的M个决策树组成随机森林;最小***级数由用户设定;
基尼指数的计算公式为,对于给定的训练集合D,其基尼指数为:
S403、在每个决策树中随机选取1个候选特征作为***节点进行节点***,当每个决策树的***节点中只有一个特征或***节点中的特征数小于最小***级数时,停止生长,将生成的M个决策树组成完全随机森林。图4为构建随机森林的示意图。
S05、如图6所示,根据所述特征向量集f基于随机森林和完全随机森林构建深度森林,所述深度森林包含多粒度扫描和级联森林,多粒度扫描如图5所示,且所述深度森林中每层级联森林包括相同数量的随机森林和完全随机森林,具体包括:
S501、将特征向量集f作为多粒度扫描的输入,即将特征向量集f分别输入到所述的随机森林和完全随机森林中,每个特征向量集f输出两个特征概率向量;
S502、将多粒度扫描输出的所有特征概率向量串联并输入到第一层的级联森林,每层级联森林由相同数量的随机森林和完全随机森林组成;
S503、将第一层级联森林的输入和第一层级联森林的输出串联以后输入到第二层级联森林;
S504、在后续的每一层级联森林,均将第一层的级联森林的输入和上一层的级联森林的输出作为本层的级联森林的输入;
级联森林每运算一层,使用测试集对已生成的整个深度森林进行交叉验证,如果测试集的准确率小于上一层的准确率,深度森林停止生长,级联森林层数不再增长;否则继续增加级联森林层数,直到测试集的准确率小于上一层的准确率为止。
S06、用深度森林对所述眼底图像数据集进行分割;
S07、输出分割结果,结果如图7所示。
输出分割结果前,重复步骤S03-S06若干次,更换采样窗口,建立若干深度森林,通过模型评价选取准确率最高的深度森林,对所述眼底图像数据集进行分割,输出分割结果。
模型评价:对每个眼底图像血管分割模型输出眼底图像血管图计算TP值:将正类预测为正类数;计算FN值:对象是血管,被正确识别的数量;计算FP值:对象是血管,没有被正确识别的数量;计算TN值:对象是非血管,被正确识别的数量;
基于TP值、FN值、TN值计算精确度、敏感度、特异性,其中
精确度:TP/(TP+FN),为所有划分正确的像素点;敏感度:1-FP/(FP+TN),为正确划分的血管点的百分比;特异性:(TP+TN)/(TP+TN+FP+FN),为正确划分的背景(非血管部分)的百分比。
下表为模型评价结果。
图8和图9为分割前后眼底图像对比图。
本实施例还提供了一种用于上述任一眼底图像血管分割方法的***,包括:
数据采集单元,用于获取眼底图像,
预处理单元,用于对眼底图像进行预处理,具体的预处理单元包括:
数据扩充模块,配置用于对眼底图像数据集的眼底图和对应的图像标签分别进行翻转和旋转的方式扩充为数据集,其中,所述眼底图像数据集中的包含眼底图及与眼底图血管位置相对应图像标签;
亮度归一化模块,配置用于对眼底图像数据集中各眼底图进行亮度归一化。
特征向量集提取单元,配置用于设定采样窗口使其包含的像素矩阵可完整覆盖血管部分,提取眼底图像的灰度纹理特征,形成若干特征向量集f,具体的特征向量集提取单元,包括:
采样模块,配置用于设定采样窗口包含N×N的像素矩阵,将眼底图像数据集中的眼底图分割为K个N×N的像素矩阵;
向量集模块,配置用于将K个像素矩阵展开为列向量作为作为其所在眼底图的特征向量集f,形成若干特征向量集f。
随机森林和完全随机森林构建单元,配置用于根据所述特征向量集f构建随机森林和完全随机森林,随机森林和完全随机森林构建单元,包括:
决策树构建模块,配置用于应用bootstrap方法有放回的随机抽取特征向量集f,并由此构建k个决策树;
随机森林构建模块,配置用于所述眼底图的特征数为H,在每个决策树的每个节点处随机抽取L个候选特征(L≤H),选择具有最小基尼指数的候选特征作为***节点进行节点***,当每个决策树的***节点中只有一个特征或***节点中的特征数小于最小***级数时,停止生长,将***后的k个决策树组成随机森林;
完全随机森林构建模块,配置用于在每个决策树中随机选取1个候选特征作为***节点进行节点***,当每个决策树的***节点中只有一个特征或***节点中的特征数小于最小***级数时,停止生长,将生成的k个决策树组成完全随机森林。
深度森林构建单元,配置用于根据所述特征向量集f基于随机森林和完全随机森林构建深度森林,其中,所述深度森林包含多粒度扫描和级联森林两部分,且所述深度森林中每层级联森林由相同数量的随机森林和完全随机森林组成;具体的,深度森林构建单元工作原理如下:
将特征向量集f作为多粒度扫描的输入,将其分别输入到所述的随机森林和完全随机森林中,每个特征向量集f输出两个特征概率向量,将这两个特征向量合并,展开成一个向量,作为级联森林的输入;
将多粒度扫描输出的所有特征概率向量串联为第一层的级联森林的输入,每层级联森林由相同数量的随机森林和完全随机森林组成;
在级联森林的第二层,将第一层级联森林的输入和第一层级联森林的输出作为第二层级联森林的输入;
在后续的每一层级联森林,均将第一层的级联森林的输入和上一层的级联森林的输出作为本层的级联森林的输入;
同时,级联森林每运算一层,使用测试集对已生成的整个深度森林进行交叉验证,如果测试集的准确率小于上一层的准确率,深度森林停止生长,级联森林层数不再增长;否则继续增加级联森林层数,直到测试集的准确率小于上一层的准确率为止。
数据输出单元,用深度森林对所述图像进行分割,输出分割结果。
作为可选方案,为提高分割准确率,输出分割结果前更换采样窗口,建立若干深度森林,通过模型评价选取准确率最高的深度森林,对所述眼底图像数据集进行分割。
模型评价单元,配置用于对每个眼底图像血管分割模型输出眼底图像血管图计算TP值:将正类预测为正类数;计算FN值:对象是血管,被正确识别的数量;计算FP值:对象是血管,没有被正确识别的数量;计算TN值:对象是非血管,被正确识别的数量,并基于TP值、FN值、TN值计算精确度、敏感度、特异性。其中精确度:TP/(TP+FN),为所有划分正确的像素点;敏感度:1-FP/(FP+TN),为正确划分的血管点的百分比;特异性:(TP+TN)/(TP+TN+FP+FN),为正确划分的背景(非血管部分)的百分比,相比较深度神经网络要容易训练得,神经网络需要大量的数据集才能跑出较好的效果。而本申请只需要眼底图像数据集,然后建立深度森林,每个级联的生成使用了交叉验证,选取出准确率相对较高的眼底图像血管分割模型,分割结果的准确率能达到95%以上,减少对数据的依赖,适合工业应用。
应当理解,上述构建眼底图像血管分割模型的***记载的诸模块或单元与上述构建眼底图像血管分割模型的方法描述的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于上述构建眼底图像血管分割模型的***的诸子***及其中包含的单元,在此不再赘述。
作为另一方面,本实施例还提供了适于用来实现本申请实施例的设备,设备包括计算机***,所述计算机***包括中央处理单元(CPU),其可以根据存储在只读存储器(ROM)中的执行上述构建眼底图像血管分割模型的方法描述的各个步骤的相应程序或者从存储部分加载到随机访问存储器(RAM)中的用于执行上述构建眼底图像血管分割模型的方法描述的各个步骤相应的程序而执行各种适当的动作和处理。在RAM中,还存储有***操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本公开的实施例,上述眼底图像血管分割方法描述的各个步骤描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行上述构建眼底图像血管分割模型的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。
附图中的流程图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,流程图中的每个方框、以及流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中所述***中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本申请的眼底图像血管分割方法的流程图。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。
Claims (8)
1.一种基于深度森林的眼底图像血管分割方法,其特征在于,包括以下步骤:
S01、获取眼底图像数据集;眼底图像数据集包含眼底图及与眼底图血管位置相对应图像标签;
S02、对眼底图像数据集进行预处理;
S03、设定采样窗口,使采样窗口包含的像素矩阵可完整覆盖血管部分,提取眼底图像数据集的灰度纹理特征,形成若干特征向量集f;
S04、根据所述特征向量集f构建随机森林和完全随机森林;
S05、根据所述特征向量集f基于随机森林和完全随机森林构建深度森林,所述深度森林包含多粒度扫描和级联森林,且所述深度森林中每层级联森林包括相同数量的随机森林和完全随机森林;
S06、用深度森林对所述眼底图像数据集进行分割;
S07、输出分割结果。
2.根据权利要求1所述的一种基于深度森林的眼底图像血管分割方法,其特征在于,输出分割结果前,重复步骤S03-S06若干次,更换采样窗口,建立若干深度森林,通过模型评价选取准确率最高的深度森林,对所述眼底图像数据集进行分割,输出分割结果。
3.根据权利要求1或2所述的一种基于深度森林的眼底图像血管分割方法,其特征在于,步骤S02中,对眼底图像数据集进行预处理包括:
S201、对眼底图像数据集的眼底图和眼底图对应的图像标签都进行变换扩充为数据集,变换包括翻转和旋转,对眼底图和图像标签进行变换时所使用的参数相同;
S202、对眼底图像数据集中各眼底图进行亮度归一化。
4.根据权利要求3所述的一种基于深度森林的眼底图像血管分割方法,其特征在于,步骤S03中,设定采样窗口,使采样窗口包含的像素矩阵可完整覆盖血管部分,提取眼底图像数据集的灰度纹理特征,形成若干特征向量集f,具体包括:
S301、设定采样窗口包含N×N的像素矩阵,将眼底图像数据集中的眼底图分割为K个N×N的像素矩阵,N和K均为正整数;
S302、将K个像素矩阵展开为列向量作为其所在眼底图的特征向量集f,形成若干特征向量集f。
5.根据权利要求4所述的一种基于深度森林的眼底图像血管分割方法,其特征在于,步骤S04中,根据所述特征向量集f构建随机森林和完全随机森林,具体包括:
S401、应用bootstrap方法有放回的随机抽取特征向量集f,并由此构建M个决策树;
S402、所述眼底图的特征数为H;在每个决策树的每个节点处随机抽取L个候选特征(L≤H),选择具有最小基尼指数的候选特征作为***节点进行节点***,当每个决策树的***节点中只有一个特征或***节点中的特征数小于最小***级数时,停止生长,将***后的M个决策树组成随机森林;最小***级数由用户设定;
S403、在每个决策树中随机选取1个候选特征作为***节点进行节点***,当每个决策树的***节点中只有一个特征或***节点中的特征数小于最小***级数时,停止生长,将生成的M个决策树组成完全随机森林。
6.根据权利要求5所述的一种基于深度森林的眼底图像血管分割方法,其特征在于,步骤S05中,根据所述特征向量集f基于随机森林和完全随机森林构建深度森林,具体包括:
S501、将特征向量集f作为多粒度扫描的输入,即将特征向量集f分别输入到所述的随机森林和完全随机森林中,每个特征向量集f输出两个特征概率向量;
S502、将多粒度扫描输出的所有特征概率向量串联并输入到第一层的级联森林,每层级联森林由相同数量的随机森林和完全随机森林组成;
S503、将第一层级联森林的输入和第一层级联森林的输出串联以后输入到第二层级联森林;
S504、在后续的每一层级联森林,均将第一层的级联森林的输入和上一层的级联森林的输出作为本层的级联森林的输入;
级联森林每运算一层,使用测试集对已生成的整个深度森林进行交叉验证,如果测试集的准确率小于上一层的准确率,深度森林停止生长,级联森林层数不再增长;否则继续增加级联森林层数,直到测试集的准确率小于上一层的准确率为止。
7.根据权利要求2所述的一种基于深度森林的眼底图像血管分割方法,其特征在于,所述模型评价具体为:
对每个眼底图像血管分割模型输出眼底图像血管图计算TP值:将正类预测为正类数;
计算FN值:对象是血管,被正确识别的数量;
计算FP值:对象是血管,没有被正确识别的数量;
计算TN值:对象是非血管,被正确识别的数量;
并基于TP值、FN值、TN值计算精确度、敏感度、特异性。
8.一种基于深度森林的眼底图像血管分割***,其特征在于,包括:
数据采集单元,用于获取眼底图像,
预处理单元,用于对眼底图像进行预处理;
特征向量集提取单元,用于设定采样窗口使其包含的像素矩阵可完整覆盖血管部分,提取眼底图像的灰度纹理特征,形成若干特征向量集f;
随机森林和完全随机森林构建单元,用于根据所述特征向量集f构建随机森林和完全随机森林;
深度森林构建单元,用于根据所述特征向量集f基于随机森林和完全随机森林构建深度森林,其中,所述深度森林包含多粒度扫描和级联森林两部分,且所述深度森林中每层级联森林由相同数量的随机森林和完全随机森林组成;
数据输出单元,用深度森林对所述图像进行分割,输出分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378375.7A CN111563890A (zh) | 2020-05-07 | 2020-05-07 | 一种基于深度森林的眼底图像血管分割方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378375.7A CN111563890A (zh) | 2020-05-07 | 2020-05-07 | 一种基于深度森林的眼底图像血管分割方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563890A true CN111563890A (zh) | 2020-08-21 |
Family
ID=72067918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010378375.7A Pending CN111563890A (zh) | 2020-05-07 | 2020-05-07 | 一种基于深度森林的眼底图像血管分割方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563890A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982542A (zh) * | 2012-11-14 | 2013-03-20 | 天津工业大学 | 一种基于相位一致性的眼底图像血管分割方法 |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
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 |
CN108319855A (zh) * | 2018-02-08 | 2018-07-24 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于深度森林的恶意代码分类方法 |
CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
CN109087302A (zh) * | 2018-08-06 | 2018-12-25 | 北京大恒普信医疗技术有限公司 | 一种眼底图像血管分割方法及设备 |
CN110189295A (zh) * | 2019-04-16 | 2019-08-30 | 浙江工业大学 | 基于随机森林和中心线的眼底视网膜血管分割方法 |
CN110189327A (zh) * | 2019-04-15 | 2019-08-30 | 浙江工业大学 | 基于结构化随机森林编码器的眼底视网膜血管分割方法 |
-
2020
- 2020-05-07 CN CN202010378375.7A patent/CN111563890A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982542A (zh) * | 2012-11-14 | 2013-03-20 | 天津工业大学 | 一种基于相位一致性的眼底图像血管分割方法 |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
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 |
CN108319855A (zh) * | 2018-02-08 | 2018-07-24 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于深度森林的恶意代码分类方法 |
CN109344618A (zh) * | 2018-02-08 | 2019-02-15 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于深度森林的恶意代码分类方法 |
CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
CN109087302A (zh) * | 2018-08-06 | 2018-12-25 | 北京大恒普信医疗技术有限公司 | 一种眼底图像血管分割方法及设备 |
CN110189327A (zh) * | 2019-04-15 | 2019-08-30 | 浙江工业大学 | 基于结构化随机森林编码器的眼底视网膜血管分割方法 |
CN110189295A (zh) * | 2019-04-16 | 2019-08-30 | 浙江工业大学 | 基于随机森林和中心线的眼底视网膜血管分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Haija et al. | Breast cancer diagnosis in histopathological images using ResNet-50 convolutional neural network | |
EP4145353A1 (en) | Neural network construction method and apparatus | |
CN112365171B (zh) | 基于知识图谱的风险预测方法、装置、设备及存储介质 | |
CN111242933B (zh) | 视网膜图像动静脉的分类装置、设备及存储介质 | |
CN112639833A (zh) | 可自适应神经网络 | |
RU2689818C1 (ru) | Способ интерпретации искусственных нейронных сетей | |
CN109948575B (zh) | 超声图像中眼球区域分割方法 | |
Bagheri et al. | Deep neural network based polyp segmentation in colonoscopy images using a combination of color spaces | |
CN114239861A (zh) | 基于多教师联合指导量化的模型压缩方法及*** | |
CN112330684A (zh) | 对象分割方法、装置、计算机设备及存储介质 | |
CN111401156A (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN111694954B (zh) | 图像分类方法、装置和电子设备 | |
CN116664930A (zh) | 基于自监督对比学习的个性化联邦学习图像分类方法及*** | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
AU2022392233A1 (en) | Method and system for analysing medical images to generate a medical report | |
CN111612739B (zh) | 一种基于深度学习的脑梗死分类方法 | |
CN111563890A (zh) | 一种基于深度森林的眼底图像血管分割方法和*** | |
CN116805162A (zh) | 基于自监督学习的Transformer模型训练方法 | |
CN115588487A (zh) | 一种基于联邦学习和生成对抗网络的医学图像数据集制作方法 | |
CN113177602B (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN115661185A (zh) | 一种眼底图像血管分割方法及*** | |
Vasylieva et al. | Automation Methods for Processing Medical Images Based on the Application of Grids. | |
Montagner et al. | NILC: a two level learning algorithm with operator selection | |
Tuan et al. | Semisupervised fuzzy clustering methods for X-ray image segmentation | |
Mozaffari et al. | Facial expression recognition using deep neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |