CN116681707B - 一种角膜荧光素染色图像识别分级方法 - Google Patents
一种角膜荧光素染色图像识别分级方法 Download PDFInfo
- Publication number
- CN116681707B CN116681707B CN202310979173.1A CN202310979173A CN116681707B CN 116681707 B CN116681707 B CN 116681707B CN 202310979173 A CN202310979173 A CN 202310979173A CN 116681707 B CN116681707 B CN 116681707B
- Authority
- CN
- China
- Prior art keywords
- cornea
- region
- brightness
- gray
- area
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种角膜荧光素染色图像识别分级方法,该方法包括:获取角膜荧光素染色图像;识别图像中的角膜感兴趣区域;其中,角膜感兴趣区域为扇形区域,夹角为90度,角膜感兴趣区域的中心点为瞳孔的中心点,角膜感兴趣区域的半径为角膜中心点距离角膜低边缘的距离;对角膜感兴趣区域进行染色区域分割;提取分割后的角膜感兴趣区域的拓扑特征,并提取角膜感兴趣区域的形态特征、一阶直方图统计特征和二阶灰度矩阵特征;基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的识别分级。本发明基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的识别分级,提升了分级准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种角膜荧光素染色图像识别分级方法。
背景技术
角膜荧光素染色是评估干眼症的关键生物标志物。然而,角膜荧光素染色的主观尺度缺乏一致性,增加了临床医生准确诊断的困难。
目前一种常见的解决方案为:将荧光素钠作为角膜染色染料进入病变细胞,并在脱落上皮细胞留下的空间中通过改变的紧密连接和微池运输。获取染色后的角膜图像,通过主观评分量表来评估角膜荧光素染色。
其中,主观评分量表如NEI(National Eye Institute,国家眼科研究所)量表。NEI量表将角膜分为5个区域(中央、上、下、鼻和颞),并对每个区域进行0到3级的评分。
现有方法在进行角膜图像分级时,忽略了空间位置信息,限制了分级准确性。
发明内容
(一)要解决的技术问题
为了解决上述问题,本发明提供一种角膜荧光素染色图像识别分级方法。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种角膜荧光素染色图像识别分级方法,方法包括:
获取角膜荧光素染色图像;
识别图像中的角膜感兴趣区域;其中,角膜感兴趣区域为扇形区域,夹角为90度,角膜感兴趣区域的中心点为瞳孔的中心点,角膜感兴趣区域的半径为角膜中心点距离角膜低边缘的距离;
对角膜感兴趣区域进行染色区域分割;
提取分割后的角膜感兴趣区域的拓扑特征,并提取角膜感兴趣区域的形态特征、一阶直方图统计特征和二阶灰度矩阵特征;
基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的识别分级。
可选地,识别图像中的角膜感兴趣区域,包括:
通过Otsu阈值对巩膜区域进行二值化和分割处理;巩膜区域位于角膜外,且巩膜区域的亮度大于角膜的亮度;
基于处理后的巩膜区域的内缘的最大直径确定角膜中心点距离角膜低边缘的距离;
基于处理后的巩膜区域的内缘,确定角膜中心区域;
以角膜中心区域中各点为中心,以角膜中心点距离角膜低边缘的距离的x倍为半径,形成多组中心-半径组合,其中x为小数;
用道格曼积分微分算子检测每组中心-半径组合所形成的圆形的灰度值强度;
将灰色强度最大的区域确定为瞳孔,将瞳孔的中心点确定为角膜感兴趣区域的中心点。
可选地,对角膜感兴趣区域进行染色区域分割,包括:
提取角膜感兴趣区域内的绿色通道数据;
对绿色通道数据进行开操作,以便消除明亮的染色区域;
以角膜感兴趣区域为模板,对开操作的结果进行灰度重建;
基于角膜感兴趣区域与重建之后的开操作的结果差值,进行内染色区域分割。
可选地,提取分割后的角膜感兴趣区域的拓扑特征,包括:
将每个分割后的角膜感兴趣区域的质心作为顶点;
在多个尺度上,膨胀每个分割后的角膜感兴趣区域;
如果扩张后的区域出现重叠,则连接重叠的区域的顶点,形成空间连通性和分布的拓扑图;
基于拓扑图提取拓扑特征;
拓扑特征包括:子图数、平均顶点度、最大顶点度、平均顶点偏心率、直径、平均聚类系数、巨型连通分量比、孤立点百分比。
可选地,形态特征包括:平均面积、总面积、平均周长与面积之比、总周长与面积比率、平均圆形度、平均周长、总周长、最小外部矩形纵横比、数量。
可选地,一阶直方图统计特征包括:第十百分位、第九十百分位、能量、熵、四分位范围、峰度、最大值、平均绝对偏差、平均值、中值、最小值、极差、鲁棒平均绝对偏差、均方根、偏度、总能量、均匀性、方差。
可选地,二阶灰度矩阵特征包括:灰度共生矩阵特征、灰度区域大小矩阵特征、灰度行程矩阵特征、相邻灰度调差矩阵特征、灰度依赖矩阵特征;
灰度共生矩阵特征包括:自相关、集群显著性、集群明暗度、集群倾向性、对比度、相关性、差平均、差熵、差方差、逆差、归一化逆差、逆差矩、归一化逆差矩、相关信息测度、逆方差、联合平均、联合能量、联合熵、最大相关系数、最大概率、和平均、和熵、和方差;
灰度区域大小矩阵特征包括:灰度非均匀性、归一化的灰度非均匀性、灰度方差、高灰度区域强调、大面积强调、大面积高灰度级强调、大面积低灰度强调、低灰度区域强调、区域大小不均匀性、归一化区域大小不均匀性、小面积强调、小面积高灰度强调、小面积低灰度强调、区域熵、区域百分比、区域方差;
灰度行程矩阵特征包括:灰度非均匀性、归一化的灰度非均匀性、灰度方差、高灰度行程强调、长行程强调、长行程高灰度级强调、长行程低灰度级强调、短行程高灰度强调、短行程低灰度强调;
相邻灰度调差矩阵特征包括:繁忙度、粗糙度、复杂度、对比度、强度;
灰度依赖矩阵特征包括:依赖熵、依赖非均匀性、归一化的依赖非均匀性、依赖方差、灰度非均匀性、灰度方差、高灰度强调、大依赖强调、大依赖高灰度强调、大依赖低灰度强调、低灰度强调、小依赖强调、小依赖高灰度强调、小依赖低灰度强调。
可选地,基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的识别分级,包括:
采用单因素方差分析和基于Pearson冗余度的滤波器去除拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征中的不显著特征,得到初步的识别分级特征;
基于决策树的特征选择方法和初步的识别分级特征,得到初步的识别分级特征的特征重要性,根据重要性选出最终的识别分级特征,最终的识别分级特征主要由拓扑特征组成;基于支持向量机的方法和最终的识别分级特征,进行角膜荧光染色素的识别分级。
可选地,巩膜区域的确定方法为:
获取角膜所属区域中各像素点的RGB值;
确定各像素点的亮度Bi=max{Ri,Gi,Bi},其中i为角膜所属区域中的像素点标识,Bi为像素点i的亮度,Ri为像素点i的R值,Gi为像素点i的G值,Bi为像素点i的B值;
确定角膜所属区域的边界的各像素点的亮度的标准差σ0;
将所有像素点的亮度的最大值确定为角膜的亮度,根据角膜的亮度和σ0确定巩膜区域。
可选地,根据角膜的亮度和σ0确定巩膜区域,包括:
将角膜所属区域外的所有像素点的属性初始化为未确定;
根据属性,确定角膜所属区域的边界的各像素点的连续高亮度区域;
将角膜所属区域的边界的所有像素点的连续高亮度区域所覆盖的区域确定为巩膜区域;
其中,对于角膜所属区域的边界的任一像素点j的连续高亮度区域通过如下确定:
步骤1,将任一像素点j作为当前处理点;
步骤2,确定当前处理点是否存在邻接像素点;其中,邻接像素点为当前处理点相邻的左、右、上、下中的一个或多个,且邻接像素点的属性为未确定;
步骤3,若不存在邻接像素点,则将属性为像素点j已确定的邻接像素点组成的区域确定为任一像素点j的连续高亮度区域;若存在邻接像素点,则执行步骤4至步骤6;
步骤4,确定邻接像素点的RGB值;
步骤5,确定邻接像素点的亮度B=max{R,G,B};
步骤6,若所有邻接像素点的亮度均小于角膜的亮度,则停止任一像素点j的连续高亮度区域确定步骤,将属性为像素点j已确定的邻接像素点组成的区域确定为任一像素点j的连续高亮度区域;
若存在疑似高亮像素点,则将疑似高亮像素点的属性更新为像素点j待确定,将疑似高亮像素点作为当前处理点,重复执行步骤2及后续步骤;其中疑似高亮像素点为邻接像素点,且疑似高亮像素点的亮度大于或者等于角膜的亮度,但疑似高亮像素点的亮度小于亮度阈值;亮度阈值为角膜的亮度×(1+σ0);
若存在高亮像素点,则将高亮像素点的属性更新为像素点j已确定,将属性为像素点j待确定的像素点的属性更新为像素点j已确定,将高亮像素点作为当前处理点,重复执行步骤2及后续步骤;其中高亮像素点为邻接像素点,且高亮像素点的亮度大于或者等于亮度阈值。
(三)有益效果
本发明的有益效果是:
本发明涉及一种角膜荧光素染色图像识别分级方法,该方法包括:获取角膜荧光素染色图像;识别图像中的角膜感兴趣区域;其中,角膜感兴趣区域为扇形区域,夹角为90度,角膜感兴趣区域的中心点为瞳孔的中心点,角膜感兴趣区域的半径为角膜中心点距离角膜低边缘的距离;对角膜感兴趣区域进行染色区域分割;提取分割后的角膜感兴趣区域的拓扑特征,并提取角膜感兴趣区域的形态特征、一阶直方图统计特征和二阶灰度矩阵特征;基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的识别分级。本发明基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的评识别分级,提升了分级准确性。
附图说明
图1为本申请一实施例提供的一种角膜荧光素染色图像识别分级方法的流程示意图;
图2为本申请一实施例提供的最亮区域消除示意图;
图3为本申请一实施例提供的角膜荧光素染色图像的示意图;
图4为本申请一实施例提供的角膜感兴趣区域的示意图;
图5(a)为本申请一实施例提供的Scale=4的拓扑图示意图;
图5(b)为本申请一实施例提供的Scale=16的拓扑图示意图;
图5(c)为本申请一实施例提供的Scale=32拓扑图示意图;
图5(d)为本申请一实施例提供的Scale=48拓扑图示意图;
图5(e)为本申请一实施例提供的Scale=64拓扑图示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
目前一种常见的解决方案为:将荧光素钠作为角膜染色染料进入病变细胞,并在脱落上皮细胞留下的空间中通过改变的紧密连接和微池运输。获取染色后的角膜图像,通过主观评分量表来评估角膜荧光素染色。其中,主观评分量表如NEI量表。NEI量表将角膜分为5个区域(中央、上、下、鼻和颞),并对每个区域进行0到3级的评分。现有方法在尽显角膜图像识别时,忽略了空间位置信息,限制了识别准确性。
基于此,本发明涉及一种角膜荧光素染色图像识别分级方法,该方法包括:获取角膜荧光素染色图像;识别图像中的角膜感兴趣区域;其中,角膜感兴趣区域为扇形区域,夹角为90度,角膜感兴趣区域的中心点为瞳孔的中心点,角膜感兴趣区域的半径为角膜中心点距离角膜低边缘的距离;对角膜感兴趣区域进行染色区域分割;提取分割后的角膜感兴趣区域的拓扑特征,并提取角膜感兴趣区域的形态特征、一阶直方图统计特征和二阶灰度矩阵特征;基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的识别分级。本发明基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的识别分级,提升了识别准确性。
参见图1,本实施例提供的角膜荧光素染色图像识别分级方法实现过程如下:
S101,获取角膜荧光素染色图像。
本步骤所获取的角膜荧光素染色图像可以为连续的多张角膜荧光素染色图像。
另外,为了提高角膜边缘的清晰度,消除反射区域,在执行步骤S101获取角膜荧光素染色图像之后,还会对角膜荧光素染色图像进行一系列的图像预处理操作。例如,在获得低对比度角膜荧光素染色图像的情况下,可能是由于图像捕获过程中光环境的变化,采用图像增强方法来增加角膜边缘的可见性。
另外,还可以使用Otsu阈值法来检测和消除最亮的区域,进而解决潜在的反射区域,如图2所示。
S102,识别图像中的角膜感兴趣区域。
其中,角膜感兴趣区域(Region of Interes,ROI)为扇形区域,夹角为90度,角膜感兴趣区域的中心点为瞳孔的中心点,角膜感兴趣区域的半径为角膜中心点距离角膜低边缘的距离。
本步骤的实现过程为:
S102-1通过Otsu阈值对巩膜区域进行二值化和分割处理。
其中,巩膜区域位于角膜外,且巩膜区域的亮度大于角膜的亮度。
巩膜区域的确定方法可以采用现有的识别方法确定,也可以采用本提案所提供的方法确定,该方法为:
S201,获取角膜所属区域中各像素点的RGB值。
例如,角膜荧光素染色图像(若进行过预处理,则此处为预处理后的图像)如图3所示,阴影部分为角膜所属区域,白色格子为像素点,每个格子为一个像素点。那么角膜所属区域中各像素点包括阴影部分所完全覆盖的像素点(如像素a1)和部分所覆盖的像素点(如像素a2)。
本步骤会先获取角膜所属区域中各像素点的RGB值,即获取各像素点红(R)、绿(G)、蓝(B)三个颜色通道的值。
S202,确定各像素点的亮度Bi=max{Ri,Gi,Bi}。
其中i为角膜所属区域中的像素点标识,Bi为像素点i的亮度,Ri为像素点i的R值,Gi为像素点i的G值,Bi为像素点i的B值。
S203,确定角膜所属区域的边界的各像素点的亮度的标准差σ0。
例如,角膜所属区域的边界包括x个像素点,那么
1)计算x个像素点的亮度和Sum=B1+B2+…+Bx。
2)计算x个像素点的均值Avg=Sum/x。
3)计算标准差σ0={[(B1-Avg)^2+(B2-Avg)^2+…+(Bx-Avg)^2]/x}^1/2。
S204,将所有像素点的亮度的最大值确定为角膜的亮度,根据角膜的亮度和σ0确定巩膜区域。
其中,根据角膜的亮度和σ0确定巩膜区域的实现过程为:
1)将角膜所属区域外的所有像素点的属性初始化为未确定。
也就是说,将图3中完全白底的像素点的属性初始化为未确定。
2)根据属性,确定角膜所属区域的边界的各像素点的连续高亮度区域。
其中,边界即图3中非全白也非全斜线的像素点,如a2。
例如,对于角膜所属区域的边界的任一像素点j的连续高亮度区域通过如下确定:
步骤1,将任一像素点j作为当前处理点。
步骤2,确定当前处理点是否存在邻接像素点。
其中,邻接像素点为当前处理点相邻的左、右、上、下中的一个或多个,且邻接像素点的属性为未确定。
以当前处理点为a2为例,其相邻的左像素点为a6,右像素点为a4,上像素点为a5,下像素点为a3。因为只有完全白底的像素点才有属性,因此,a3、a5、a6都没有属性,只有a4有属性,该属性为未确定,则邻接像素点为a4。
步骤3,若不存在邻接像素点,则将属性为像素点j已确定的邻接像素点组成的区域确定为任一像素点j的连续高亮度区域;若存在邻接像素点,则执行步骤4至步骤6。
若不存在邻接像素点,则说明已到图像边缘,或者没有角膜所属区域外的像素点,此时会停止a2的连续高亮度区域确定步骤(即停止步骤1至步骤5的过程),将属性为a2已确定的邻接像素点组成的区域确定为a2的连续高亮度区域。
若不存在邻接像素点,则说明未到图像边缘,或者还有角膜所属区域外的像素点,此时会通过步骤4至步骤6找到连续高亮度区域。
步骤4,确定邻接像素点的RGB值。
本步骤会获取a4的RGB值,即获取a4的红(R)、绿(G)、蓝(B)三个颜色通道的值。
步骤5,确定邻接像素点的亮度B=max{R,G,B}。
本步骤会确定a4的亮度为a4的R值、G值、B值中的最大值。
步骤6,若所有邻接像素点的亮度均小于角膜的亮度,则停止任一像素点j的连续高亮度区域确定步骤,将属性为像素点j已确定的邻接像素点组成的区域确定为任一像素点j的连续高亮度区域。
若存在疑似高亮像素点,则将疑似高亮像素点的属性更新为像素点j待确定,将疑似高亮像素点作为当前处理点,重复执行步骤2及后续步骤。其中疑似高亮像素点为邻接像素点,且疑似高亮像素点的亮度大于或者等于角膜的亮度,但疑似高亮像素点的亮度小于亮度阈值。亮度阈值为角膜的亮度×(1+σ0)。
若存在高亮像素点,则将高亮像素点的属性更新为像素点j已确定,将属性为像素点j待确定的像素点的属性更新为像素点j已确定,将高亮像素点作为当前处理点,重复执行步骤2及后续步骤。其中高亮像素点为邻接像素点,且高亮像素点的亮度大于或者等于亮度阈值。
例如,如果a4的亮度小于角膜的亮度,因为邻接像素点只有一个a4,因此,此时所有邻接像素点的亮度均小于角膜的亮度,则说明到达a2的连续高亮度区域的边界,此时,会停止a2的连续高亮度区域确定步骤(即停止步骤1至步骤5的过程),将属性为a2已确定的邻接像素点组成的区域确定为a2的连续高亮度区域。
如果a4的亮度大于或者等于角膜的亮度,但a4的亮度小于角膜的亮度×(1+σ0),则a4为疑似高亮像素点,此时虽然a4的亮度虽然比角膜的亮度大,但是相差较小,有可能是由于图像色彩造成的,因此,不能断定其一定为连续高亮度区域内的像素点。其是否为连续高亮度区域内的像素点,取决于其旁边像素的情况,如果旁边像素为连续高亮度区域中的像素点,那么a4也为连续高亮度区域中的像素点,如果旁边像素不为连续高亮度区域中的像素点,则a4也不为连续高亮度区域中的像素点。此时,则将a4的属性更新为a2待确定,将a4作为当前处理点,重复执行步骤2及后续步骤(即确定a2的邻接像素点,确定a2的邻接像素点的亮度情况等步骤)。
如果a4的亮度大于或者等于角膜的亮度×(1+σ0),则a4为高亮像素点,则其一定为连续高亮度区域中的像素点,此时将a4的属性更新为a2已确定,同时,如果存在将属性为a2待确定的像素点,则说明之前有存疑像素点,该像素点由于a4连续高亮度区域中的像素点,使得存疑像素点不再存疑,而是确定为连续高亮度区域中的像素点,那么会将存疑像素点(即属性为a2待确定的像素点)的属性更新为a2已确定,将a4作为当前处理点,重复执行步骤2及后续步骤,继续寻找连续高亮度区域的边界。
3)将角膜所属区域的边界的所有像素点的连续高亮度区域所覆盖的区域确定为巩膜区域。
可能存在某些像素点的连续高亮度区域重叠的情况,此时,重叠部分也为巩膜区域。
另外,巩膜区域一般为半圆形,本步骤也可以将角膜所属区域的边界的所有像素点的连续高亮度区域所覆盖的区域的内切半圆确定为巩膜区域。
S102-2,基于处理后的巩膜区域的内缘的最大直径确定角膜中心点距离角膜低边缘的距离。
本步骤会根据二值化巩膜内缘的最大直径来确定角膜中心点距离角膜低边缘的距离,这与角膜的圆形边缘相对应。
S102-3,基于处理后的巩膜区域的内缘,确定角膜中心区域。
S102-4,以角膜中心区域中各点为中心,以角膜中心点距离角膜低边缘的距离的x倍为半径,形成多组中心-半径组合。
其中,x为小数,如x为三分之一。即以角膜中心区域中各点为中心,以角膜中心点距离角膜低边缘的距离的三分之一的附近长度为半径,形成多组中心-半径组合。
S102-5,用道格曼积分微分算子检测每组中心-半径组合所形成的圆形的灰度值强度。
S102-6,将灰色强度最大的区域确定为瞳孔,将瞳孔的中心点确定为角膜感兴趣区域的中心点。
通过步骤S102-4至S102-6,可以寻找角膜中心区域中任何点和半径的组合下,圆形的灰度值强度的最大向外径向梯度,这构成了瞳孔。
以角膜中心区域中任一何点(x0,y0),半径为r,点和半径的组合为(x0,y0,r)为例,采用如下公式的道格曼积分微分算子检测的每组中心-半径组合所形成的圆形的灰度值强度:
检测到角膜和瞳孔后,确定角膜感兴趣区域的位置为夹角为90度的下扇形区域,如图4所示。即角膜感兴趣区域的中心位于瞳孔的中间,以中心到角膜底边缘的距离作为半径,角膜感兴趣区域位于较低的扇形区域,夹角为90度。
通过S102可以准确确定角膜感兴趣区域,该区域的准确确定对于本实施例提供的角膜荧光素染色图像识别分级方法的分级效果至关重要。
S103,对角膜感兴趣区域进行染色区域分割。
本步骤的实现过程为:
1、提取角膜感兴趣区域内的绿色通道数据。
提取绿色通道数据可以突出绿色染色区域。
2、对绿色通道数据进行开操作,以便消除明亮的染色区域。
3、以角膜感兴趣区域为模板,对开操作的结果进行灰度重建。
通过开操作和灰度重建可以在保留背景的同时有效地去除明亮的染色区域。
4、基于角膜感兴趣区域与重建之后的开操作的差值,进行内染色区域分割。
利用角膜感兴趣区域重建前后的差值对染色区域进行分割。本实施例采用的分割方案与Otsu等常用的阈值分割方法相比,对不同对比度下染色区域的检测性能更优。
通过S103可以准确的进行染色区域分割,该分割的准确性对于本实施例提供的角膜荧光素染色图像识别分级方法的分级效果至关重要。
S104,提取分割后的角膜感兴趣区域的拓扑特征,并提取角膜感兴趣区域的形态特征、一阶直方图统计特征和二阶灰度矩阵特征。
其中,
1、提取分割后的角膜感兴趣区域的拓扑特征的过程为:
1)将每个分割后的角膜感兴趣区域的质心作为顶点。
2)在多个尺度上,扩张每个分割后的角膜感兴趣区域。
3)如果扩张后的区域出现重叠,则连接重叠的区域的顶点,形成空间连通性和分布的拓扑图。
4)基于拓扑图提取拓扑特征。
其中,拓扑特征包括:子图数、平均顶点度、最大顶点度、平均顶点偏心率、直径、平均聚类系数、巨型连通分量比、孤立点百分比。
对于拓扑特征,本实施例采用一组多尺度图论拓扑特征实现,例如由于融合染色而产生的区域聚类分布,这在纹理和形态特征中都无法准确描述,因此,本实施例会将每个染色区域的质心作为一个图的顶点,在多个尺度上通过扩张操作估计染色区域之间的连通性。如果两个染色区域在扩张后重叠,会用一条边将它们的节点连接起来,生成反映连通性的拓扑图。边的数量和图的连通性将与扩张规模的增加呈正相关,从小到大。拓扑图的构建过程如图5(a)、图5(b)、图5(c)、图5(d)和图5(e)所示,图5(a)为Scale=4的拓扑图示意图;图5(b)Scale=16的拓扑图示意图;图5(c)为Scale=32拓扑图示意图;图5(d)为Scale=48拓扑图示意图;图5(e)为Scale=64拓扑图示意图。
在具体实现时可以在每个尺度上计算顶点度和偏心率等8个拓扑特征。计算使用不同的磁盘膨胀算子,其大小从4个增加到64个,最终可以共提取16个尺度的128个多尺度拓扑特征。
2、形态特征包括:平均面积、总面积、平均周长与面积之比、总周长与面积比率、平均圆形度、平均周长、总周长、最小外部矩形纵横比、数。
3、一阶直方图统计特征包括:第十百分位、第九十百分位、能量、熵、四分位范围、峰度、最大值、平均绝对偏差、平均值、中值、最小值、极差、鲁棒平均绝对偏差、均方根、偏度、总能量、均匀性、方差。
4、二阶灰度矩阵特征包括:灰度共生矩阵(Grey-Level Co-occurrence Matrix,GLCM)特征、灰度区域大小矩阵(Gray-Level Size Zone Matrix,GLSZM)特征、灰度行程矩阵(Gray-Level Run-Length Matrix,GLRLM))特征、相邻灰度调差矩阵(NeighbourhoodGray-Tone Difference Matrix,NGTDM)特征、灰度依赖矩阵(Gray-Level DependenceMatrix,GLDM)特征。
灰度共生矩阵特征包括:自相关、集群显著性、集群明暗度、集群倾向性、对比度、相关性、差平均、差熵、差方差、逆差、归一化逆差、逆差矩、归一化逆差矩、相关信息测度、逆方差、联合平均、联合能量、联合熵、最大相关系数、最大概率、和平均、和熵、和方差。
灰度区域大小矩阵特征包括:灰度非均匀性、归一化的灰度非均匀性、灰度方差、高灰度区域强调、大面积强调、大面积高灰度级强调、大面积低灰度强调、低灰度区域强调、区域大小不均匀性、归一化区域大小不均匀性、小面积强调、小面积高灰度强调、小面积低灰度强调、区域熵、区域百分比、区域方差。
灰度行程矩阵特征包括:灰度非均匀性、归一化的灰度非均匀性、灰度方差、高灰度行程强调、长行程强调、长行程高灰度级强调、长行程低灰度级强调、短行程高灰度强调、短行程低灰度强调。
相邻灰度调差矩阵特征包括:繁忙度、粗糙度、复杂度、对比度、强度。
灰度依赖矩阵特征包括:依赖熵、依赖非均匀性、归一化的依赖非均匀性、依赖方差、灰度非均匀性、灰度方差、高灰度强调、大依赖强调、大依赖高灰度强调、大依赖低灰度强调、低灰度强调、小依赖强调、小依赖高灰度强调、小依赖低灰度强调。
本步骤在具体实现时,可以计算了包括纹理和形态特征在内的放射学特征,如提取837个纹理特征,进而分析感兴趣区域图像的背景灰度纹理和图案信息。分别计算了18个一阶直方图统计特征和75个二阶灰度矩阵特征(包括灰度共生矩阵、灰度区域大小矩阵、灰度行程矩阵、相邻灰度调差矩阵和灰度依赖矩阵,另外还可以在原始图像(如果进行了预处理,此处为预处理后的图像)的基础上,对图像进行三次变换,丰富感兴趣区域的纹理信息。
所采用的变换方案包括但不限于:拉普拉斯高斯滤波(Laplacian of Gaussian,LoG)(σ=1,2,3),小波分解的四分量和局部二值模式(Local Binary Patterns,LBP)。同时,为了避免忽略染色区域的信息,通过计算每个分割的染色区域的圆度和面积等形状信息,提取出9个形态学特征,最终提取得到表1所示的特征。
表1
S105,基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的识别分级。
本步骤可以,
1、采用单因素方差分析(Analysis of Variance,ANOVA))和基于Pearson冗余度的滤波器(PRBF)去除拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征中的不显著特征,得到最终的识别分级特征。
为了减少特征的数量,避免过度拟合模型,而不会导致其性能下降,采用单因素方差分析和基于Pearson冗余度的滤波器去除拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征中的不显著特征,得到初步的识别分级特征。
例如,采用单因素方差分析和基于Pearson冗余度的滤波器去除特征向量中的冗余项,采用基于线性回归模型的后向特征选择方法,剔除不显著的特征,得到初步的识别分级特征。
确定重要特征的初步识别选择是使用基于决策树的方法完成的,即得到初步的识别分级特征的重要性,在每个节点上测量为基尼杂质。重要性越高,该特征对模型的不同类别的可分性越强。基于重要性排序和特征类别的不同组合,构建了几种备选签名。即根据重要性选出最终特征,最终特征主要由拓扑特征组成。
2、基于支持向量机的方法和识别分级特征,进行角膜荧光染色素的识别分级。
例如,基于支持向量机的方法和识别分级特征,采用Sjögren的国际合作临床联盟眼部染色评分(Oxford Shoulder Score,OSS)量表对角膜感兴趣区域进行评分,进而进行角膜荧光染色素的识别分级。
其中,OSS评分计算如下:
0分,无染色。
1分,一至五个染色点。
2分,6~30个染色点。
3分,染色点30个以上,如果(1)一个或多个融合染色斑块;(2)一根或多根细丝;(3)角膜中央染色,进行额外加分(出现一种情况加一分)。
每个角膜感兴趣区域的最高得分为5分。最终的OSS分数被认为是最终的分级结果。
本实施例提供的角膜荧光素染色图像识别分级方法,获取角膜荧光素染色图像;识别图像中的角膜感兴趣区域;其中,角膜感兴趣区域为扇形区域,夹角为90度,角膜感兴趣区域的中心点为瞳孔的中心点,角膜感兴趣区域的半径为角膜中心点距离角膜低边缘的距离;对角膜感兴趣区域进行染色区域分割;提取分割后的角膜感兴趣区域的拓扑特征,并提取角膜感兴趣区域的形态特征、一阶直方图统计特征和二阶灰度矩阵特征;基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的识别分级。
本实施例的方法基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光染色素的识别分级,提升了识别准确性。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种角膜荧光素染色图像识别分级方法,其特征在于,所述方法包括:
获取角膜荧光素染色图像;
识别所述图像中的角膜感兴趣区域;其中,所述角膜感兴趣区域为扇形区域,夹角为90度,所述角膜感兴趣区域的中心点为瞳孔的中心点,所述角膜感兴趣区域的半径为角膜中心点距离角膜低边缘的距离;
对所述角膜感兴趣区域进行染色区域分割;
提取分割后的角膜感兴趣区域的拓扑特征,并提取所述角膜感兴趣区域的形态特征、一阶直方图统计特征和二阶灰度矩阵特征;
基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光素染色的识别分级;
所述提取分割后的角膜感兴趣区域的拓扑特征,包括:
将每个分割后的角膜感兴趣区域的质心作为顶点;
在多个尺度上,膨胀每个分割后的角膜感兴趣区域;
如果扩张后的区域出现重叠,则连接重叠的区域的顶点,形成空间连通性和分布的拓扑图;
基于所述拓扑图提取拓扑特征;
所述拓扑特征包括:子图数、平均顶点度、最大顶点度、平均顶点偏心率、直径、平均聚类系数、巨型连通分量比、孤立点百分比;
所述形态特征包括:平均面积、总面积、平均周长与面积之比、总周长与面积比率、平均圆形度、平均周长、总周长、最小外部矩形纵横比、数量;
所述一阶直方图统计特征包括:第十百分位、第九十百分位、能量、熵、四分位范围、峰度、最大值、平均绝对偏差、平均值、中值、最小值、极差、鲁棒平均绝对偏差、均方根、偏度、总能量、均匀性、方差;
所述二阶灰度矩阵特征包括:灰度共生矩阵特征、灰度区域大小矩阵特征、灰度行程矩阵特征、相邻灰度调差矩阵特征、灰度依赖矩阵特征;
所述灰度共生矩阵特征包括:自相关、集群显著性、集群明暗度、集群倾向性、对比度、相关性、差平均、差熵、差方差、逆差、归一化逆差、逆差矩、归一化逆差矩、相关信息测度、逆方差、联合平均、联合能量、联合熵、最大相关系数、最大概率、和平均、和熵、和方差;
所述灰度区域大小矩阵特征包括:灰度非均匀性、归一化的灰度非均匀性、灰度方差、高灰度区域强调、大面积强调、大面积高灰度级强调、大面积低灰度强调、低灰度区域强调、区域大小不均匀性、归一化区域大小不均匀性、小面积强调、小面积高灰度强调、小面积低灰度强调、区域熵、区域百分比、区域方差;
所述灰度行程矩阵特征包括:灰度非均匀性、归一化的灰度非均匀性、灰度方差、高灰度行程强调、长行程强调、长行程高灰度级强调、长行程低灰度级强调、短行程高灰度强调、短行程低灰度强调;
所述相邻灰度调差矩阵特征包括:繁忙度、粗糙度、复杂度、对比度、强度;
所述灰度依赖矩阵特征包括:依赖熵、依赖非均匀性、归一化的依赖非均匀性、依赖方差、灰度非均匀性、灰度方差、高灰度强调、大依赖强调、大依赖高灰度强调、大依赖低灰度强调、低灰度强调、小依赖强调、小依赖高灰度强调、小依赖低灰度强调;
所述基于拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征进行角膜荧光素染色的识别分级,包括:
采用单因素方差分析和基于Pearson冗余度的滤波器去除所述拓扑特征、形态特征、一阶直方图统计特征和二阶灰度矩阵特征中的不显著特征,得到识别分级特征;
基于支持向量机的方法和所述识别分级特征,进行角膜荧光素染色的识别分级。
2.根据权利要求1所述的方法,其特征在于,所述识别所述图像中的角膜感兴趣区域,包括:
通过Otsu阈值对巩膜区域进行二值化和分割处理;所述巩膜区域位于角膜外,且所述巩膜区域的亮度大于角膜的亮度;
基于处理后的巩膜区域的内缘的最大直径确定角膜中心点距离角膜低边缘的距离;
基于处理后的巩膜区域的内缘,确定角膜中心区域;
以角膜中心区域中各点为中心,以角膜中心点距离角膜低边缘的距离的x倍为半径,形成多组中心-半径组合,其中x为小数;
用道格曼积分微分算子检测每组中心-半径组合所形成的圆形的灰色值强度;
将灰色强度最大的区域确定为瞳孔,将所述瞳孔的中心点确定为所述角膜感兴趣区域的中心点。
3.根据权利要求1所述的方法,其特征在于,所述对所述角膜感兴趣区域进行染色区域分割,包括:
提取所述角膜感兴趣区域内的绿色通道数据;
对所述绿色通道数据进行开操作,以便消除小的明亮细节;
以开操作的结果为模板,对所述角膜感兴趣区域进行灰度重建;
基于所述角膜感兴趣区域与重建之后的差值,进行内染色区域分割。
4.根据权利要求2所述的方法,其特征在于,巩膜区域的确定方法为:
获取角膜所属区域中各像素点的RGB值;
确定各像素点的亮度Bi=max{Ri,Gi,Bi},其中i为角膜所属区域中的像素点标识,Bi为像素点i的亮度,Ri为像素点i的R值,Gi为像素点i的G值,Bi为像素点i的B值;
确定角膜所属区域的边界的各像素点的亮度的标准差σ0;
将所有像素点的亮度的最大值确定为所述角膜的亮度,根据所述角膜的亮度和σ0确定巩膜区域。
5.根据权利要求4所述的方法,其特征在于,所述根据所述角膜的亮度和σ0确定巩膜区域,包括:
将角膜所属区域外的所有像素点的属性初始化为未确定;
根据属性,确定角膜所属区域的边界的各像素点的连续高亮度区域;
将角膜所属区域的边界的所有像素点的连续高亮度区域所覆盖的区域确定为巩膜区域;
其中,对于角膜所属区域的边界的任一像素点j的连续高亮度区域通过如下确定:
步骤1,将任一像素点j作为当前处理点;
步骤2,确定当前处理点是否存在邻接像素点;其中,邻接像素点为当前处理点相邻的左、右、上、下中的一个或多个,且邻接像素点的属性为未确定;
步骤3,若不存在邻接像素点,则将属性为像素点j已确定的邻接像素点组成的区域确定为任一像素点j的连续高亮度区域;若存在邻接像素点,则执行步骤4至步骤6;
步骤4,确定邻接像素点的RGB值;
步骤5,确定邻接像素点的亮度B=max{R,G,B};
步骤6,若所有邻接像素点的亮度均小于所述角膜的亮度,则停止任一像素点j的连续高亮度区域确定步骤,将属性为像素点j已确定的邻接像素点组成的区域确定为任一像素点j的连续高亮度区域;
若存在疑似高亮像素点,则将疑似高亮像素点的属性更新为像素点j待确定,将疑似高亮像素点作为当前处理点,重复执行步骤2及后续步骤;其中疑似高亮像素点为所述邻接像素点,且所述疑似高亮像素点的亮度大于或者等于所述角膜的亮度,但所述疑似高亮像素点的亮度小于亮度阈值;所述亮度阈值为角膜的亮度×(1+σ0);
若存在高亮像素点,则将高亮像素点的属性更新为像素点j已确定,将属性为像素点j待确定的像素点的属性更新为像素点j已确定,将高亮像素点作为当前处理点,重复执行步骤2及后续步骤;其中高亮像素点为所述邻接像素点,且所述高亮像素点的亮度大于或者等于所述亮度阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979173.1A CN116681707B (zh) | 2023-08-04 | 2023-08-04 | 一种角膜荧光素染色图像识别分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979173.1A CN116681707B (zh) | 2023-08-04 | 2023-08-04 | 一种角膜荧光素染色图像识别分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681707A CN116681707A (zh) | 2023-09-01 |
CN116681707B true CN116681707B (zh) | 2023-10-20 |
Family
ID=87784123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310979173.1A Active CN116681707B (zh) | 2023-08-04 | 2023-08-04 | 一种角膜荧光素染色图像识别分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681707B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359365A (zh) * | 2008-08-07 | 2009-02-04 | 电子科技大学中山学院 | 一种基于最大类间方差和灰度信息的虹膜定位方法 |
CN106535740A (zh) * | 2014-05-02 | 2017-03-22 | 马萨诸塞眼科耳科诊所 | 分级角膜荧光素染色 |
CN107122597A (zh) * | 2017-04-12 | 2017-09-01 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种角膜受损智能诊断*** |
CN109410236A (zh) * | 2018-06-12 | 2019-03-01 | 佛山市顺德区中山大学研究院 | 荧光染色图像反光点识别与重定义的方法及*** |
CN109886931A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法 |
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
CN111951252A (zh) * | 2020-08-17 | 2020-11-17 | 中国科学院苏州生物医学工程技术研究所 | 多时序图像处理方法、电子设备及存储介质 |
CN113570556A (zh) * | 2021-07-08 | 2021-10-29 | 北京大学第三医院(北京大学第三临床医学院) | 眼部染色图像定级方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2478329B (en) * | 2010-03-03 | 2015-03-04 | Samsung Electronics Co Ltd | Medical image processing |
-
2023
- 2023-08-04 CN CN202310979173.1A patent/CN116681707B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359365A (zh) * | 2008-08-07 | 2009-02-04 | 电子科技大学中山学院 | 一种基于最大类间方差和灰度信息的虹膜定位方法 |
CN106535740A (zh) * | 2014-05-02 | 2017-03-22 | 马萨诸塞眼科耳科诊所 | 分级角膜荧光素染色 |
CN107122597A (zh) * | 2017-04-12 | 2017-09-01 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种角膜受损智能诊断*** |
CN109410236A (zh) * | 2018-06-12 | 2019-03-01 | 佛山市顺德区中山大学研究院 | 荧光染色图像反光点识别与重定义的方法及*** |
CN109886931A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法 |
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
CN111951252A (zh) * | 2020-08-17 | 2020-11-17 | 中国科学院苏州生物医学工程技术研究所 | 多时序图像处理方法、电子设备及存储介质 |
CN113570556A (zh) * | 2021-07-08 | 2021-10-29 | 北京大学第三医院(北京大学第三临床医学院) | 眼部染色图像定级方法及装置 |
Non-Patent Citations (2)
Title |
---|
医学图像纹理分析的方法及应用;朱碧云;陈卉;;中国医学装备(08);全文 * |
语义融合眼底图像动静脉分类方法;高颖琪;郭松;李宁;王恺;康宏;李涛;;中国图象图形学报(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116681707A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
US10565479B1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
Li et al. | Integrating holistic and local deep features for glaucoma classification | |
Poletti et al. | A review of thresholding strategies applied to human chromosome segmentation | |
WO2019062092A1 (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
Jaafar et al. | Detection of exudates in retinal images using a pure splitting technique | |
CN109886965B (zh) | 一种水平集和深度学习相结合的视网膜层分割方法及*** | |
CN111507932B (zh) | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 | |
Wuest et al. | Region based segmentation of QuickBird multispectral imagery through band ratios and fuzzy comparison | |
CN112185523B (zh) | 基于多尺度卷积神经网络的糖尿病视网膜病变分类方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
Salazar-Gonzalez et al. | Optic disc segmentation by incorporating blood vessel compensation | |
Srivastava et al. | Automatic nuclear cataract grading using image gradients | |
Pal et al. | Mathematical morphology aided optic disk segmentation from retinal images | |
Hassan et al. | Skin lesion segmentation using gray level co-occurance matrix | |
CN107194940A (zh) | 一种基于颜色空间与线段的彩色图像轮廓提取方法 | |
Vajravelu et al. | Machine learning techniques to detect bleeding frame and area in wireless capsule endoscopy video | |
CN116681707B (zh) | 一种角膜荧光素染色图像识别分级方法 | |
Nija et al. | An automated method of optic disc detection from retinal fundus images | |
Elbalaoui et al. | Exudates detection in fundus images using mean-shift segmentation and adaptive thresholding | |
Rathore et al. | CBISC: a novel approach for colon biopsy image segmentation and classification | |
CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 | |
Soares et al. | Exudates dynamic detection in retinal fundus images based on the noise map distribution | |
Barhoumi et al. | Pigment network detection in dermatoscopic images for melanoma diagnosis |
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 |