CN111899272A - 基于耦合神经网络和线连接器的眼底图像血管分割方法 - Google Patents
基于耦合神经网络和线连接器的眼底图像血管分割方法 Download PDFInfo
- Publication number
- CN111899272A CN111899272A CN202010804380.XA CN202010804380A CN111899272A CN 111899272 A CN111899272 A CN 111899272A CN 202010804380 A CN202010804380 A CN 202010804380A CN 111899272 A CN111899272 A CN 111899272A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- pixels
- neural network
- pixel
- 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.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 title claims abstract description 27
- 230000008878 coupling Effects 0.000 title claims abstract description 26
- 238000010168 coupling process Methods 0.000 title claims abstract description 26
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 26
- 210000002569 neuron Anatomy 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 210000001525 retina Anatomy 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 210000003128 head Anatomy 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 claims description 2
- 210000002189 macula lutea Anatomy 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 208000024335 physical disease Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000004256 retinal image Effects 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于耦合神经网络和线连接器的眼底图像血管分割方法,属于医学图像、数字图像处理技术领域。本发明包含如下步骤:提出一种简化的脉冲耦合神经网络模型,利用相邻神经元的相似性来获取图像中血管的基本结构;提出一种新的去噪方法,利用像素连通性来去除大部分噪声点,同时保留完整的血管边缘;利用线连接器来解决在分割过程中出现的血管断裂问题,以呈现完整的血管结构并提高血管识别的准确率。在DRIVE和STARE两个公开视网膜数据库上进行测试,结果表明相较于现有方法,本发明在平均准确度和灵敏度等指标上获得了较优异的成绩,且具有良好的响应时间。
Description
技术领域
本发明涉及医学图像处理领域,特别涉及一种基于耦合神经网络和线连接器的眼底图像血管分割方法。
背景技术
眼底图像结构特征的变化可在一定程度上反映某些身体疾病的存在,血管是眼底图像中最主要的结构,血管的直径、颜色和弯曲程度等与疾病的存在密切相关,例如成年人的心血管疾病和冠状动脉疾病和婴儿视网膜的病变,通常都会引起视网膜血管的形状变化。因此,眼底图像的分析对于眼科问题和其他如糖尿病和高血压等疾病的诊断至关重要。由于人工分析的耗时耗力,现在需要一种优良的医学图像辅助诊断***,对图像进行预先处理,如对眼底图像中的血管进行自动分割,可为相关医疗工作者提供更为客观清晰的医疗诊断资料。
现有的图像分割方法大致分为两类:监督方法和非监督方法。监督方法利用标记的数据集来训练模型,这种方法能得到较为精确的结果,但却会花费大量的训练时间,同时对机器性能有一定的要求。非监督方法可以在没有先验知识的情况下执行分割任务,通常比有监督方法执行得更快,如匹配滤波、形态学处理、小波变换等。
由于眼底视网膜图像结构复杂,还存在照明不均匀、对比度弱和噪声干扰等问题,导致一般的图像分割算法对眼底血管的分割作用不明显,寻找有效的血管分割方法是现今学者们普遍关心的问题。
发明内容
为了解决现有技术上的不足,本发明提出了一种基于耦合神经网络和线连接器的眼底图像血管分割方法,该方法包含以下步骤:
步骤1:获取待分割的眼底图像,对其进行预处理,预处理步骤如下:提取眼底图像的绿色通道,利用对比度受限的自适应直方图均衡算法加强图像对比度,自适应窗口大小设为16×16,使用底帽形态学操作去除干扰背景,底帽操作的结构元素大小设为方形13×13,最后利用掩膜模板提取感兴趣区域,减少非视网膜区域对图像分析的影响;
步骤2:改进脉冲耦合神经网络模型,保留基本特性,简化计算,利用相邻神经元的相似特性进行血管分割。简化脉冲耦合神经网络模型的离散模型为:
Fij[n]=Iij
Uij[n]=Fij[n](1+βLij[n])
Eij[n]=VE
其中ij下标为神经元的标号,n为迭代次数,Fij[n]、Lij[n]、Uij[n]、Eij[n]分别为第ij个神经元的第n次反馈输入、连接输入、内部活动项和动态阈值,Iij是神经元的外部刺激,在此即为输入图像的数字矩阵,Wijkl是一个权重矩阵,β为连接系数,Yij[n]是神经网络的输出,Fij[n]和Lij[n]通过β连接生成内部活动项Uij[n],Uij[n]若是大于Eij[n],则神经元点火,即Yij[n]=1,否则Yij[n]为0。
离散模型中的各参数具体赋值如下:
VE的大小由Otsu方法所确定,Otsu法是一种自适应的阈值确定方法,主要利用最大类间方差将图像分为背景和目标两个部分,由于非视网膜区域的像素值基本为0,为了减少该区域对阈值计算的影响,在利用直方图统计不同像素值的数目后,将像素值为0的数目设为0,再进行最佳阈值的计算;
连接系数β=0.2;
步骤3:对步骤2获得的分割结果进行去噪处理,去噪步骤为:根据图像像素的连通性原理,找出图像中所有8连接区域,统计这些8连接区域中的像素数量,若某区域像素数量少于阈值α,则该区域被视为是一个噪声点,可执行噪声点去除操作,经过大量实验,这里α值设为53,可得到较好的去噪效果。
步骤4:提出一种线连接器,对步骤3得到的去噪后图像进行断裂血管的连接操作,用以获取完整的血管图像并提高血管识别率。这种线连接器的基本原理为:采用以目标像素为中心的7×7大小的正方形滑动窗口,找出该窗口以中心对称的12个不同方向,其角度分辨率为15°;在不考虑背景像素的前提下,找出图像中最大的8连接区域,判断滑动窗口中12个不同方向下两端的像素类别,确保至少有一端不属于这个8连接区域;判断窗口中每个方向所对应的首部和尾部的像素值是否均为1,若不符合条件则舍弃该方向,然后计算剩余方向覆盖下的像素的平均灰度值,若平均灰度值为1,则舍弃该方向;比较所选方向的平均灰度值大小,确定最大灰度值所对应的方向,将最大灰度值所对应方向下的像素全部赋值为1,以填补断裂间隙;滑动窗口至下一个目标像素,重复以上步骤,直到完成所有目标像素的操作。
实验结果表明,上述方法分割出的图像在平均准确度和灵敏度等指标上优于现有的大部分方法,且执行算法的响应时间很快。
本发明与现有技术相比较具有以下优点:
⑴虽然简化的脉冲耦合神经网络模型失去了一些基本脉冲耦合神经网络的优点,如动态阈值特性、自动波特性等,但考虑到血管结构的特殊性,本发明所改进的神经网络模型,仍保留了可捕获与目标像素值相似的相邻像素的功能,在充分满足血管分割的基础上极大降低了计算的复杂性。
⑵本发明所提出的去噪方法,避免了一般去噪方法所带来的图像边缘模糊和失真现象,利用像素连通性原理,在去除大量噪声点的同时,保留了清晰完整的血管边缘。
⑶线连接器利用血管的线形结构特性,能完成大部分的血管断裂处的连接,且计算量小、响应时间快,可满足实时处理的要求。此线连接器也适用于图像处理领域的其他线性结构问题。
附图说明
为了更清楚地说明基于耦合神经网络和线连接器的眼底图像血管分割方法,下面将对具体实施描述中所需要的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实例,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1:为基于耦合神经网络和线连接器的眼底图像血管分割方法的整体流程图;
图2:为基于耦合神经网络和线连接器的眼底图像血管分割方法:(a)眼底图像的绿色通道图;(b)经过预处理的眼底图像;
图3:为基于耦合神经网络和线连接器的眼底图像血管分割方法:简化的脉冲耦合神经网络模型中单个神经元的示意图;
图4:为基于耦合神经网络和线连接器的眼底图像血管分割方法中,简化的脉冲耦合神经网络的:(a)第一次迭代结果;(b)第二次迭代结果;(c)去噪结果;
图5:为基于耦合神经网络和线连接器的眼底图像血管分割方法中,线连接器的7×7窗口中以目标像素为中心的12个不同方向(角度分辨率为15°);
图6:为基于耦合神经网络和线连接器的眼底图像血管分割方法中,线连接器的四种不同方向下覆盖的像素:(a)15°;(b)30°;(c)60°;(d)75°。其中黑色方块必须属于血管像素。
图7:为基于耦合神经网络和线连接器的眼底图像血管分割方法中,线连接器的30°方向血管断裂的实例,着色的方块代表血管像素,有斜纹的方块代表断裂部分。
具体实施方式
下面结合附图,对本发明的具体实施方式作详细描述。本发明能够以多种不同于在此描述的其他方式来实施,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例提供一种基于耦合神经网络和线连接器的眼底图像血管分割方法,实施流程图如图1所示,主要分为以下几个步骤:
1、获取待分割的眼底图像,对其进行预处理操作。
由于眼底图像结构复杂,还存在照明不均匀、对比度弱和噪声干扰等问题,因此需要对眼底图像进行预处理以消除噪声,增强血管与背景之间的对比度,方便后续的血管分割操作。
⑴由于彩色RGB图像的绿色通道相比其他通道能展现更好的对比度效果,故我们选取眼底图像的绿色通道图进行分析,如图2(a)所示。
⑵使用对比度受限的自适应直方图均衡化(CLAHE)算法来进一步提高图像的对比度,CLAHE采用滑动窗口进行优化操作,经实验,窗口大小为16×16时,能获得较好的效果。
⑶视网膜图像中存在黄斑、视神经盘等背景干扰因素,考虑到血管的直径较小,利用形态学中的底帽操作可以很好地去除大块背景干扰因素,同时保留血管的基本结构,经实验,底帽操作的结构化元素选为方形,窗口大小为13×13,能获得较好的效果。
⑷由于光照和设备等成像环境的影响,所得到的视网膜图像会有背景噪声,感兴趣区域(ROI)的提取可以一定程度上减少这些影响。本发明利用图像数据库中已有的掩膜模板,并自行制作数据库中没有的掩膜模板,模板中ROI区域的像素值均为1,ROI区域外像素值为0,将原图像乘以掩膜模板即可有效地提取出感兴趣区域。
经过预处理后的图像如图2(b)所示。
2、利用简化的脉冲耦合神经网络模型进行血管分割。
脉冲耦合神经网络被称为第三代人工神经网络,该神经网络具有阈值可变性、相似集群性、非线性调制、动态脉冲和同步脉冲发放等多种优良特性,非常适合于图像信息处理。此神经网络是由脉冲耦合神经元构成的二维单层神经元阵列,其离散模型为:
Uij[n]=Fij[n](1+βLij[n])
其中ij下标为神经元的标号,n为迭代次数,Sij是神经元的外部刺激,Fij[n]、Lij[n]、Uij[n]、Eij[n]分别为第ij个神经元的第n次反馈输入、连接输入、内部活动项和动态阈值。M和W为链接权矩阵,VF、VL、VE分别为Fij[n]、Lij[n]和Eij[n]的幅度常数,af、al、ae为相应的衰减系数,β为连接系数,Yij[n]是神经网络的输出。
本发明对上述的脉冲耦合神经网络模型进行改进,改进后的离散模型为:
Fij[n]=Iij
Uij[n]=Fij[n](1+βLij[n])
Eij[n]=VE
改进后的脉冲耦合神经网络模型,去除了指数衰减系数,大幅降低了计算的复杂性,同时简化了反馈输入Fij[n]和连接输入Lij[n]的数学表达式,将VE赋给动态阈值项Eij[n],VE是由Otsu算法确定的最佳阈值。图3为该模型中单个神经元的示意图。
简化后的脉冲耦合神经网络虽然失去了一些基本脉冲耦合神经网络所拥有的特性,如阈值可变性、动态脉冲发放特性等,但它充分利用了相似集群特性,可以捕获与目标神经元相似的邻近神经元,对于图像分割这一具体问题来说,即可以捕获与目标像素的像素值大小相近的邻近像素,提高目标边缘像素的正确识别率。
输入预处理的视网膜图像后,初始化模型的相关参数,经过两次迭代后即可输出初步的血管图像分割结果。其实质,是先利用Otsu算法找出血管与背景之间的最佳分割阈值,在利用直方图统计像素数时,要将像素值为0的像素点数目置为0,以保证所寻的阈值不会受大面积非视网膜区域的干扰。利用此阈值进行第一次图像分割,可得到基本的血管主体,如图4(a)所示,接着再进行一次神经网络的迭代,利用相似集群特性,寻找与血管主体像素的像素值相近的相邻像素,即识别血管边缘遗失的血管像素,从而提高血管像素识别的准确率,结果如图4(b)所示。
3、去噪处理。
从上述步骤获得的分割图像包含很多噪声,尤其是一些孤立的干扰点,这些干扰点的大小不同,如图4(b)所示。常见的滤波操作(例如平均滤波或中值滤波)会导致血管边缘的失真或血管细节的损失。与血管线状结构的连续性相比,噪声像素通常是离散且稀疏的。因此,可以利用连通性原理,统计各个连通区域内像素点的数量,设置一个阈值,去除低于阈值的连通域,即去除了小尺寸的孤立点,避免了对血管主体的损害。连通组件可用于标记前景像素。连通组件的性质取决于我们选择哪种像素邻接形式,最常见的是4邻接和8邻接形式。这里,我们选择8邻接形式,适合搜索更多的噪声像素。
基于以上分析,我们使用如下降噪方法:在二进制图像中找到所有八连通区域,并对这些区域中的像素数进行计数,如果该数目小于某个阈值α,则该区域将被视为噪声点,可执行去除操作。经过大量实验,我们发现α=53是合适的选择。图4(c)显示了去噪的最终结果,该去噪方法有效避免了目标边缘的模糊与失真。
4、利用线连接器连接断裂的血管。
以上步骤所得的血管分割图像,其血管中存在不少断裂的地方,有必要将这些地方连接起来,以形成完整、准确的血管图。本发明提出一种线连接器,可有效解决血管断裂问题。
本发明采用以目标像素为中心的7×7大小的方形窗口,找出12个不同的方向,其角度分辨率为15°,如图5所示。图6的深色方块分别代表15°、30°、60°和75°方向下所覆盖到的像素块,以上方向关于水平轴对称即可得到-15°、-30°、-60°和-75°方向下的情况,而0°、90°和±40°的情况是显而易见的。执行连接操作时,需要确保每个方向首尾两个像素必须属于血管像素,即在二值图像中像素值为1,若某方向不符合此条件,则丢弃该方向。
我们统计每个方向下所覆盖像素的平均灰度值,若平均灰度值为1,说明中间没有断裂的部分,则丢弃此方向;在平均灰度值不为1的情况下,选择灰度值最大的那个方向,以确保断裂部位的确是血管之间的断裂,而不是血管与噪声点形成的错误位置。
这里选取30°方向来具体说明连接方案,如图7所示。中心像素为血管像素,有斜纹的方块即为断裂的部位,这种断裂可以发生在该方向的任何部位。所要做的连接操作就是将断裂处的像素点转换为血管像素,即将30°方向覆盖下的值为0的像素转化为值为1的像素。
以上步骤所得到的结果在连接好断裂部分的同时,也会出现其他问题,比如在两条隔得很近的血管支路处,或者在血管的分叉始端处,或者由于血管的弯曲性在血管的边缘处,都会产生误连接问题……为了解决这个问题,我们对以上执行过程增加了一些限制条件:在不考虑背景像素的前提下,我们找出最大的8连接区域,此区域一般是血管的主干,同时要确保断裂血管的两端至少有一端不属于这个区域,这样可以使血管主干部分不会发生错误连接,减小了非血管像素错误识别为血管像素的可能性。
5、实验结果与分析
为了说明本发明的实用效果,我们在两个公开的图像数据库DRIVE和STARE上进行了相关实验。DRIVE数据库包括40张彩色眼底图像,分为训练集和测试集,两者分别由20张彩色图像组成,每幅图像的分辨率为768×584。STARE数据库包括20张彩色眼底图像,图像分辨率为605×700。
为了评价本发明方法在视网膜图像上的效果,我们采用三种评价指标:灵敏度(Sensitivity)、特异性(Specificity)和准确度(Accuracy)。其数学表达式分别为:
其中TP(True Positive)表示正确识别为血管像素的像素数,TN(True Negative)表示正确识别为非血管像素的像素数,FP(False Positive)是本来属于非血管但被错误分类为血管像素的像素数,而FN(False Negative)表示本来属于血管但被错误分类为非血管的像素数。
本发明在Matlab R2019a上进行实验,电脑配置为Intel(R)Core(TM)i5-9300HCPU,2.4GHz内存和8GB RAM。实验结果如下表所示:
黑色加粗数据分别是两个数据库的平均性能指标,可看出三种指标结果都比较优异,我们还将此数据与现有其他方法做了对比,可知本发明的分割性能优于大部分现有算法,且响应时间迅速,证实了本发明方法的有效性和可行性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (1)
1.基于耦合神经网络和线连接器的眼底图像血管分割方法,其特征在于,包含以下步骤:
步骤1:获取待分割的眼底图像,并对其进行预处理;
步骤2:根据脉冲耦合神经网络,提出简化的脉冲耦合神经网络模型,并用该模型对预处理后的图像进行分割;
步骤3:对步骤2获得的分割结果进行去噪处理;
步骤4:提出一种线连接器,对步骤3得到的去噪后图像进行断裂血管的连接操作,来获取完整的血管图像;
步骤1包含以下步骤:
步骤1-1:提取待分割眼底图像的绿色通道图;
步骤1-2:对绿色通道图进行对比度受限的自适应直方图均衡化,自适应窗口大小设为16×16,以提高图像的对比度;
步骤1-3:对步骤1-2获得的图像进行底帽形态学操作,底帽操作的结构元素大小设为方形13×13,以消除黄斑、视神经盘等背景干扰因素,方便后续的血管分割操作;
步骤1-4:利用掩膜提取图像中的感兴趣区域,减少非视网膜区域对图像分析的影响;
步骤2所述的简化脉冲耦合神经网络模型,建立其离散模型为:
Fij[n]=Iij
Uij[n]=Fij[n](1+βLij[n])
Eij[n]=VE
其中ij下标为神经元的标号,n为迭代次数,Fij[n]、Lij[n]、Uij[n]、Eij[n]分别为第ij个神经元的第n次反馈输入、连接输入、内部活动项和动态阈值,Iij是神经元的外部刺激,在此即为输入图像的数字矩阵,Wijkl是一个权重矩阵,β为连接系数,Yij[n]是神经网络的输出,Fij[n]和Lij[n]通过β连接生成内部活动项Uij[n],Uij[n]若是大于Eij[n],则神经元点火,即Yij[n]=1,否则Yij[n]为0,离散模型中的各参数具体赋值如下:
VE的大小由Otsu方法所确定,Otsu法是一种自适应的阈值确定方法,主要利用最大类间方差将图像分为背景和目标两个部分,由于非视网膜区域的像素值基本为0,为了减少该区域对阈值计算的影响,在利用直方图统计不同像素值的数目后,将像素值为0的数目设为0,再进行最佳阈值的计算;
连接系数β=0.2;
步骤3提出的去噪方法包含以下步骤:
步骤3-1:根据图像像素的连通性原理,找出图像中所有8连接区域;
步骤3-2:统计这些8连接区域中的像素数量;
步骤3-3:若某区域像素数量少于阈值α,则该区域被视为是一个噪声点,可执行噪声点去除操作,经过大量实验,这里α值设为53,可得到较好的去噪效果;
步骤4提出的断裂血管连接的实施步骤如下:
步骤4-1:采用以目标像素为中心的7×7大小的正方形滑动窗口,找出该窗口以中心对称的12个不同方向,其角度分辨率为15°;
步骤4-2:在不考虑背景像素的前提下,找出图像中最大的8连接区域,判断滑动窗口中12个不同方向下两端的像素类别,确保至少有一端不属于这个8连接区域;
步骤4-3:在步骤4-2的基础上,判断滑动窗口中每个方向所对应的首部和尾部的像素值是否均为1,若不符合条件则舍弃该方向,然后计算剩余方向覆盖下的像素的平均灰度值,若平均灰度值为1,则舍弃该方向;
步骤4-4:比较步骤4-3所选方向的平均灰度值大小,确定最大灰度值所对应的方向;
步骤4-5:将最大灰度值所对应方向下的像素全部赋值为1,以填补断裂间隙;
步骤4-6:滑动窗口至下一个目标像素,重复步骤4-1至步骤4-5的操作,直到完成所有目标像素的操作,目标像素指的是经权利要求1所述的步骤1至步骤3处理后得到的图像的血管像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010804380.XA CN111899272B (zh) | 2020-08-11 | 2020-08-11 | 基于耦合神经网络和线连接器的眼底图像血管分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010804380.XA CN111899272B (zh) | 2020-08-11 | 2020-08-11 | 基于耦合神经网络和线连接器的眼底图像血管分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111899272A true CN111899272A (zh) | 2020-11-06 |
CN111899272B CN111899272B (zh) | 2023-09-19 |
Family
ID=73228844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010804380.XA Active CN111899272B (zh) | 2020-08-11 | 2020-08-11 | 基于耦合神经网络和线连接器的眼底图像血管分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899272B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363132A (zh) * | 2023-06-01 | 2023-06-30 | 中南大学湘雅医院 | 一种眼科图像处理的方法及*** |
CN116433666A (zh) * | 2023-06-14 | 2023-07-14 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、***、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150320313A1 (en) * | 2014-05-08 | 2015-11-12 | Universita Della Calabria | Portable medical device and method for quantitative retinal image analysis through a smartphone |
CN107016676A (zh) * | 2017-03-13 | 2017-08-04 | 三峡大学 | 一种基于pcnn的视网膜血管图像分割方法和*** |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
CN109222990A (zh) * | 2018-08-09 | 2019-01-18 | 复旦大学 | 基于多层时延神经网络去除运动伪迹的ppg监测*** |
WO2020103289A1 (zh) * | 2018-11-23 | 2020-05-28 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和*** |
-
2020
- 2020-08-11 CN CN202010804380.XA patent/CN111899272B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150320313A1 (en) * | 2014-05-08 | 2015-11-12 | Universita Della Calabria | Portable medical device and method for quantitative retinal image analysis through a smartphone |
CN107016676A (zh) * | 2017-03-13 | 2017-08-04 | 三峡大学 | 一种基于pcnn的视网膜血管图像分割方法和*** |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
CN109222990A (zh) * | 2018-08-09 | 2019-01-18 | 复旦大学 | 基于多层时延神经网络去除运动伪迹的ppg监测*** |
WO2020103289A1 (zh) * | 2018-11-23 | 2020-05-28 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和*** |
Non-Patent Citations (2)
Title |
---|
徐光柱;张柳;邹耀斌;夏平;雷帮军;: "自适应脉冲耦合神经网络与匹配滤波器相结合的视网膜血管分割", 光学精密工程, no. 03 * |
王文涛;罗晓曙;阎晨阳;: "基于灰度迭代阈值PCNN的眼底图像血管分割", 计算机工程与应用, no. 20 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363132A (zh) * | 2023-06-01 | 2023-06-30 | 中南大学湘雅医院 | 一种眼科图像处理的方法及*** |
CN116363132B (zh) * | 2023-06-01 | 2023-08-22 | 中南大学湘雅医院 | 一种眼科图像处理的方法及*** |
CN116433666A (zh) * | 2023-06-14 | 2023-07-14 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、***、电子设备及存储介质 |
CN116433666B (zh) * | 2023-06-14 | 2023-08-15 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、***、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111899272B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测*** | |
CN107292877B (zh) | 一种基于眼底图像特征的左右眼识别方法 | |
CN108986106A (zh) | 面向青光眼临床诊断的视网膜血管自动分割方法 | |
CN108109159B (zh) | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割*** | |
CN104268515A (zh) | 一种***形态异常检测方法 | |
CN110555380A (zh) | 基于Center Loss损失函数的指静脉识别方法 | |
CN111899272B (zh) | 基于耦合神经网络和线连接器的眼底图像血管分割方法 | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析*** | |
CN112396565A (zh) | 静脉穿刺机器人的图像及视频血管增强与分割方法和*** | |
Rodrigues et al. | Retinal vessel segmentation using parallel grayscale skeletonization algorithm and mathematical morphology | |
CN108665474B (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 | |
Malek et al. | Automated optic disc detection in retinal images by applying region-based active aontour model in a variational level set formulation | |
Gou et al. | A novel retinal vessel extraction method based on dynamic scales allocation | |
Zhu et al. | Corn leaf diseases diagnostic techniques based on image recognition | |
CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
Jana et al. | A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image | |
Ali et al. | Segmenting retinal blood vessels with Gabor filter and automatic binarization | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
Ali et al. | Optic Disc Localization in Retinal Fundus Images Based on You Only Look Once Network (YOLO). | |
Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
Honale et al. | A review of methods for blood vessel segmentation in retinal images | |
Athab et al. | Disc and Cup Segmentation for Glaucoma Detection | |
CN114140830A (zh) | 一种基于循环肿瘤细胞图像的重复识别抑制方法 | |
Lekshmi et al. | Detection of glaucoma and diabetic retinopathy using image processing technique by Raspberry pi | |
Verma et al. | Machine learning classifiers for detection of glaucoma |
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 |