一種融合形狀先驗(yàn)的水平集視網(wǎng)膜血管圖像分割方法
【專利摘要】本發(fā)明涉及一種融合形狀先驗(yàn)的水平集視網(wǎng)膜血管圖像分割方法，包括：(1)利用形態(tài)學(xué)算子和高斯卷積增強(qiáng)視網(wǎng)膜血管圖像；(2)采用Hessian矩陣的各向異性特性和改進(jìn)的血管響應(yīng)函數(shù)粗略分割視網(wǎng)膜血管圖像，并作為形狀約束和初始化信息；(3)使用形狀先驗(yàn)和視網(wǎng)膜圖像數(shù)據(jù)信息構(gòu)建一個(gè)包含局部區(qū)域能量擬合項(xiàng)、形狀約束項(xiàng)、水平集函數(shù)正則性維持項(xiàng)、長度懲罰項(xiàng)、加權(quán)面積約束項(xiàng)的視網(wǎng)膜血管分割的水平集模型。本發(fā)明的分割結(jié)果具有較高的準(zhǔn)確性，能夠替代手動(dòng)分割，對于臨床相關(guān)眼科疾病的診斷與治療能起到重要的輔助作用和具有較強(qiáng)的臨床應(yīng)用價(jià)值。
【專利說明】
一種融合形狀先驗(yàn)的水平集視網(wǎng)膜血管圖像分割方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種基于水平集模型的視網(wǎng)膜血管圖像分割方法，解決了現(xiàn)有模型存 在相鄰血管易相連、血管過寬、細(xì)小血管易斷裂、血管交叉處分割不足等問題。
【背景技術(shù)】
[0002] 視網(wǎng)膜是腦部神經(jīng)組織的延伸，具有復(fù)雜的多層次組織結(jié)構(gòu)，其血管病變是致盲 的重要原因之一。水平集方法是解決曲線演化問題的一種強(qiáng)有力的工具，其拓?fù)溥m應(yīng)性強(qiáng)。 它能提供快速的、高準(zhǔn)確率的視網(wǎng)膜血管提取方法，為臨床眼科醫(yī)生對疾病的診斷和治療 提供幫助。在眼科學(xué)領(lǐng)域，視網(wǎng)膜血管數(shù)量、分支、角度、寬度等信息均可作為與視網(wǎng)膜血管 相關(guān)疾病的診斷依據(jù)，這為利用數(shù)字圖像處理技術(shù)分割視網(wǎng)膜血管，定性和定量分析判斷 患者病情以及研究病理提供了基礎(chǔ)。然而目前眼科醫(yī)生基本上是采用手動(dòng)方式對視網(wǎng)膜病 變進(jìn)行定量分析，主觀性強(qiáng)，無法保證準(zhǔn)確性和一致性。
[0003] 目前血管分割方法多種，如多尺度血管增強(qiáng)濾波、多閾值的血管檢測、以形態(tài)學(xué)為 基礎(chǔ)技術(shù)血管分割、使用神經(jīng)網(wǎng)絡(luò)的血管分割算法、多尺度層分解和局部自適應(yīng)閾值血管 分割方法以及基于活動(dòng)輪廓模型的血管分割等。這些方法存在以下的缺陷：（1)易受高斯卷 積算子的影響，分割結(jié)果存在相鄰血管易相連、血管過寬、細(xì)小血管易斷裂、血管交叉處分 割不足等問題，導(dǎo)致用于復(fù)雜血管結(jié)構(gòu)的視網(wǎng)膜血管分割時(shí)精度較低；（2)存在對圖像噪聲 過于敏感和難以解決目標(biāo)與背景灰度值交叉等問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是針對現(xiàn)有視網(wǎng)膜血管分割方法的不足，提供一種融合形狀先驗(yàn)的 水平集視網(wǎng)膜血管圖像分割方法，本發(fā)明能有效地解決相鄰血管易相連、血管過寬、細(xì)小血 管易斷裂、血管交叉處分割不足以及對圖像噪聲過于敏感、目標(biāo)與背景灰度值交叉等問題。
[0005] -種融合形狀先驗(yàn)的水平集視網(wǎng)膜血管圖像分割方法，包括三個(gè)步驟：
[0006] 步驟1，視網(wǎng)膜血管圖像預(yù)處理:在對視網(wǎng)膜做邊緣擴(kuò)展基礎(chǔ)上采用高斯卷積估計(jì) 視網(wǎng)膜背景，以消除視網(wǎng)膜原始邊界處的灰度突變，獲得了一個(gè)背景更加均勻的血管增強(qiáng) 圖像；
[0007] 步驟2,視網(wǎng)膜血管圖像粗略分割:利用改進(jìn)的血管響應(yīng)函數(shù)和閾值得到視網(wǎng)膜血 管的粗分割圖像，并以此信息初始化水平集函數(shù)和構(gòu)建形狀約束項(xiàng)，以克服水平集模型對 初始化敏感以及區(qū)域能量擬合項(xiàng)對噪聲敏感的問題；
[0008] 步驟3,視網(wǎng)膜血管圖像精細(xì)分割:應(yīng)用連通域面積Area和寬W、高Η構(gòu)建幾何算子， 消除連通域面積較小的偽影和病灶，獲得高準(zhǔn)確率的視網(wǎng)膜血管分割圖像。
[0009] 所述的步驟1包括以下三個(gè)子步驟：
[0010] (a)選取視網(wǎng)膜圖像的綠色通道圖像I，利用測地線活動(dòng)輪廓(Geodesic active contours，GAC)模型自動(dòng)獲得視網(wǎng)膜的"掩模"；
[0011] (b)在獲取的"掩模"的基礎(chǔ)上對視網(wǎng)膜圖像作邊緣擴(kuò)展，獲得圖像iExten;就是采用 形態(tài)學(xué)算子，對圖像作開運(yùn)算，消除血管中心亮線，從而獲得消除了血管中心亮線的視網(wǎng)膜 邊緣擴(kuò)展圖像iExten;
[0012] (C)構(gòu)建高斯模板，所述的高斯模板尺寸為原始圖像尺寸除以14后取整數(shù)，小數(shù)點(diǎn) 后四舍五入;對圖像I Exten做卷積運(yùn)算，估計(jì)視網(wǎng)膜圖像背景IBackg，并與IExten做減法運(yùn)算和 與"掩模"做點(diǎn)乘運(yùn)算，從而獲得增強(qiáng)的視網(wǎng)膜血管圖像然后把圖像的灰度值 線性拉伸到[0-255]，獲得圖像1 &_。
[0013] 所述的步驟2包括以下兩個(gè)子步驟：
[0014] (a)構(gòu)建血管響應(yīng)函數(shù)，根據(jù)Hessian矩陣對圖像不同點(diǎn)（x，y)的特征值描述，構(gòu)建 用以區(qū)別血管與背景的描述算子;構(gòu)建的視網(wǎng)膜血管描述算子J和血管響應(yīng)函數(shù)vd^y)分 別定義為：
[0015] J=(|A1|-|A2|)2(|A1| + |A2|)2 (1)
[0017] 式（1)、式⑵中為二維Hessian矩陣的特征值;β為調(diào)整血 管明暗的尺寸參數(shù)，σ是高斯核函數(shù)尺寸，Jmax是J的最大值；
[0018]由于視網(wǎng)膜血管圖像尺寸不一，需在多尺度下計(jì)算血管響應(yīng)函數(shù)V(3(X，y)，最后取 各尺度下的最大響應(yīng)值，其定義如下：
[0019 ] ^(.v, .v) = maxv^.(.v. V) (3)
[0020] 式(3)中〇mir^P〇max為感興趣的眼底視網(wǎng)膜血管的最小和最大尺寸；
[0021] (b)二值化處理，利用式(2)和式(3)計(jì)算v(x，y)，獲得血管響應(yīng)圖像IRest^進(jìn)行二 值化處理;先選取較小的閾值^獲得二值化圖像，并作為水平集函數(shù)φ的初始化;然后 選取略大的閾值(： 2獲得二值化圖像4IliW，并使用2X2的模板對/^"作開運(yùn)算和刪除連通 域面積小于100的偽影，獲得二值化圖像Ιβ去構(gòu)建形狀約束項(xiàng)。
[0022] 所述的步驟3包括以下兩個(gè)子步驟：
[0023] (a)構(gòu)建視網(wǎng)膜圖像血管分割的水平集模型，利用粗略去除血管后視網(wǎng)膜背景方 差設(shè)置形狀約束項(xiàng)、面積約束項(xiàng)、長度懲罰項(xiàng)的權(quán)重系數(shù)，進(jìn)一步克服圖像噪聲和固定時(shí)間 開銷;視網(wǎng)膜圖像血管分割的水平集模型Ε( Φ，fi，f2)定義如下：
[0024] Ε( Φ ,fi,f2)=ER( Φ ,fi,f2)+nEs( Φ )+uPr( Φ )+vLp( Φ )+yAr( Φ ) (4)
[0025] 式(4)右邊分別為局部區(qū)域能量擬合項(xiàng)、形狀約束項(xiàng)、水平集函數(shù)正則性維持項(xiàng)、 長度懲罰項(xiàng)、加權(quán)面積約束項(xiàng)，η,μ,ν, γ為權(quán)重系數(shù)；
[0026]①區(qū)域能量擬合項(xiàng)Er( Φ，&彳2)定義為：
[0027] ⑴
[0028] 式(5)中kdx-y)為高斯核函數(shù)，〇是高斯核尺寸參數(shù)，用以控制局部區(qū)域灰度值擬 合范圍；f1( X)，i = l，2為局部區(qū)域灰度值擬合函數(shù)，通過標(biāo)準(zhǔn)梯度下降流法求解能量函數(shù)E (Φ，fl，f2)得到：
[0030]式（6)0i，i = 1，2為區(qū)域能量擬合項(xiàng)權(quán)重系數(shù)；Φ為Lipschitz水平集函數(shù)， <(辦/ = 1，2為區(qū)域函數(shù)，表示曲線內(nèi)部和外部，定義ΜΓ以) = Ag⑷=1- Ηε( Φ )為具有正則性的Heaviside函數(shù)，其導(dǎo)數(shù)為Dirac函數(shù)δε( φ );
[0033] 式(7)、式(8)中ε為尺寸參數(shù)；
[0034] 由于/^^作為水平集函數(shù)的初始化信息，即Μχ,.ν,Ο) = 2卜-24J ;
[0035]②形狀約束項(xiàng)Ε5(Φ)能量表達(dá)式定義為：
[0036] .⑷=⑷-//..?|: Λ ,；?
[0037] 相應(yīng)的水平集函數(shù)?φ'ν,0) = |二(10)
[0038] 式(9)中識表示視網(wǎng)膜血管先驗(yàn)形狀，即在t*時(shí)刻 d{x,C) X e Cwlii,jde
[0039] φ(.\\?) - 〇 xe C (II) rd{x,C) xeC?*
[0040] 式（11)中d(x，C)表示視網(wǎng)膜圖像中點(diǎn)x到輪廓曲線C的Euclidean距離，xeCoutside 表示點(diǎn)在輪廓線C外面，X e Cinsicb表示點(diǎn)在輪廓線C內(nèi)部，X e C表示點(diǎn)在輪廓線C上；
[0041 ]③水平集函數(shù)正則性維持項(xiàng)Pr( Φ )定義為：
[0042] = ▽詞-1)3辦 （12)
[0043] ④長度懲罰項(xiàng)LP( Φ )定義為：
[0044] Lp [φ) - |ω VHt: (^)| dx (13)
[0045] ⑤加權(quán)面積約束項(xiàng)Ar( Φ )定義為：
[0046] Ar( Φ )=/Qg(l-He( Φ ))dx (14)
[0047] 式（12)、式（13)和式（14)中Ω為圖像全域，g = l/(l + |VG*/Rea|2)為非負(fù)單調(diào)遞減 函數(shù)，G為高斯函數(shù)，IRea等于Ib點(diǎn)乘IExten;在非血管的背景區(qū)域g=l，面積約束項(xiàng)具有一個(gè) 較大的懲罰，而在血管附近g-o,面積約束項(xiàng)只獲得一個(gè)較小的懲罰；
[0048] (b)移除病灶和偽影，利用連通域面積Area和寬W、高Η信息構(gòu)建相應(yīng)算子去除偽影 與病灶；
[0049] 當(dāng)W/H和W X Η同時(shí)滿足:0.33〈W/H〈3.0和W X H〈4Area時(shí)，則可判定整個(gè)連通域?yàn)椴?灶而非血管；當(dāng)連通域面積Area小于50時(shí)，可判定整個(gè)連通域?yàn)閭斡岸茄埽瑥亩靡蕴?高視網(wǎng)膜血管的分割精度。
[0050] 本發(fā)明在HRF和STARE、DRIVE數(shù)據(jù)庫上的實(shí)驗(yàn)驗(yàn)證，準(zhǔn)確率分別達(dá)到96.182%、 95.034 %和95.357 %，優(yōu)于現(xiàn)有分割方法。同時(shí)克服了在相鄰血管處、血管交叉處和微血管 處其它方法的不足，使分割出的血管結(jié)構(gòu)最為接近金標(biāo)準(zhǔn)和血管真實(shí)尺寸值。
【附圖說明】
[0051] 圖1為本發(fā)明實(shí)施例中的視網(wǎng)膜圖像的綠色通道圖像I。
[0052]圖2為本發(fā)明實(shí)施例中自動(dòng)獲得視網(wǎng)膜的"掩模"。
[0053]圖3為本發(fā)明實(shí)施例中消除了血管中心亮線的視網(wǎng)膜邊緣擴(kuò)展圖像IExten。
[0054] 圖4為本發(fā)明實(shí)施例中視網(wǎng)膜圖像背景估計(jì)IBac；kg。
[0055] 圖5為本發(fā)明實(shí)施例中增強(qiáng)的視網(wǎng)膜血管圖像Ienhance。
[0056] 圖6為本發(fā)明實(shí)施例中灰度值線性拉伸后獲得的圖像ICrayS。
[0057] 圖7為本發(fā)明實(shí)施例中獲得血管響應(yīng)圖像IResp。
[0058] 圖8為本發(fā)明實(shí)施例中選取閾值C1獲得的二值化圖像
[0059] 圖9為本發(fā)明實(shí)施例中使用尺寸為2X2的模板對/Law作開運(yùn)算和刪除連通域面 積小于100的偽影，獲得的二值化圖像Ib。
[0060] 圖10為本發(fā)明實(shí)施例中的12_h視網(wǎng)膜圖像偽影和病灶。
[0061 ]圖11為本發(fā)明實(shí)施例中的12_h移除偽影和病灶后分割圖像。
【具體實(shí)施方式】
[0062]下面結(jié)合【具體實(shí)施方式】，進(jìn)一步闡述本發(fā)明。
[0063]實(shí)驗(yàn)說明：本發(fā)明的應(yīng)用所涉及實(shí)施例數(shù)據(jù)來自于HRF數(shù)據(jù)庫中第12個(gè)正常人 (12_h)的視網(wǎng)膜圖像。
[0064]本實(shí)施例包括三個(gè)步驟:視網(wǎng)膜血管圖像預(yù)處理、血管圖像粗略分割和血管圖像 精細(xì)分割。
[0065] 具體描述如下：
[0066] 1、視網(wǎng)膜血管圖像預(yù)處理
[0067] (a)選取視網(wǎng)膜圖像的綠色通道圖像I，利用測地線活動(dòng)輪廓(Geodesic active contours，GAC)模型自動(dòng)獲得視網(wǎng)膜的"掩模"，如圖2所示。
[0068] (b)利用上一步驟(a)獲取的視網(wǎng)膜"掩模"信息，對圖1做基于鏡像對稱的邊緣擴(kuò) 展，邊緣擴(kuò)展的尺寸等于下一步驟(c)中的高斯模板尺寸。然后使用板尺寸為5X5形態(tài)學(xué)算 子，對圖像作開運(yùn)算，消除血管中心亮線，可防止含有區(qū)域能量擬合項(xiàng)的水平集模型產(chǎn)生錯(cuò) 誤分割，從而獲得消除了血管中心亮線的視網(wǎng)膜邊緣擴(kuò)展圖像I Ext_如圖3所示。
[0069] (c)構(gòu)建尺寸為100X100的高斯模板，對圖像IExten做卷積運(yùn)算，估計(jì)視網(wǎng)膜圖像背 景I Backg，如圖4所示，并與之做減法運(yùn)算和與"掩模"做點(diǎn)乘運(yùn)算，從而獲得增強(qiáng)的視網(wǎng)膜血 管圖像Ienhana，如圖5所示。然后把圖像I enhance的灰度值線性拉伸到[0 - 2 5 5 ]，獲得圖像 I GrayS，如圖6所示。
[0070] 2、視網(wǎng)膜血管圖像粗略分割
[0071] 視網(wǎng)膜血管圖像預(yù)粗略分割主要包括以下兩個(gè)步驟：
[0072] (a)構(gòu)建血管響應(yīng)函數(shù)
[0073]根據(jù)Hessian矩陣對圖像不同點(diǎn)（x，y)的特征值描述，構(gòu)建用以區(qū)別血管與背景的 描述算子。本發(fā)明構(gòu)建的視網(wǎng)膜血管描述算子J和血管響應(yīng)函數(shù)wUd)分別定義為：
[0076] 式（15)、式（16)中，用于描述血管，λ^Ρλ；^別為二維Hessian矩陣的特 征值。β為調(diào)整血管明暗的尺寸參數(shù)，這里取β=0.5;〇是高斯核函數(shù)尺寸，Jmax是J的最大值。 上式（16)能最大化血管像素的響應(yīng)，使血管響應(yīng)函數(shù)vXx，y) - l,而在非血管背景平坦區(qū)域 上使血管響應(yīng)函數(shù)νσ(χ,γ)4〇,即[0,1]。
[0077] 由于視網(wǎng)膜血管圖像尺寸不一，需在多尺度下計(jì)算血管響應(yīng)函數(shù)V(3(X，y)，最后取 各尺度下的最大響應(yīng)值，其定義如下：
[0078] ^(.v.v) = max^(A-,.v) ?Π)
[0079] 式（17)中〇mir^P〇max為感興趣的眼底視網(wǎng)膜血管的最小和最大尺寸。這里〇e[l， 11]，步長取2。
[0080] (b)二值化處理
[0081] 利用式（16)和式（17)計(jì)算v(x，y)，獲得血管響應(yīng)圖像IResp(如圖7)后進(jìn)行二值化 處理。本發(fā)明先選取較小的閾值 C1 = 〇. 〇〇〇〇 1獲得二值化圖像如圖8所示，并作為水平 集函數(shù)Φ的初始化。然后選取略大的閾值c2 = 0.0001獲得二值化圖像，并使用尺寸為 2X2的模板對iLrfl.y作開運(yùn)算和刪除連通域面積小于100的偽影，獲得二值化圖像Ib，如圖9 所示。
[0082] 3、視網(wǎng)膜血管圖像精細(xì)分割
[0083]視網(wǎng)膜血管圖像預(yù)精細(xì)分割主要包括以下兩個(gè)步驟：
[0084] (a)構(gòu)建視網(wǎng)膜圖像血管分割的水平集模型
[0085] 本發(fā)明利用粗略去除血管后視網(wǎng)膜背景方差設(shè)置形狀約束項(xiàng)、面積約束項(xiàng)、長度 懲罰項(xiàng)的權(quán)重系數(shù)，進(jìn)一步克服圖像噪聲和固定時(shí)間開銷。視網(wǎng)膜圖像血管分割的水平集 模型Ε( Φ，fl，f2)定義如下：
[0086] Ε( Φ ,fi,f2)=ER( Φ ,fi,f2)+nEs( Φ )+uPr( Φ )+vLp( Φ )+yAr( Φ ) (18)
[0087] 式（18)右邊分別為局部區(qū)域能量擬合項(xiàng)、形狀約束項(xiàng)、水平集函數(shù)正則性維持項(xiàng)、 長度懲罰項(xiàng)、加權(quán)面積約束項(xiàng)。η,μ,ν, γ為權(quán)重系數(shù)。
[0088]①區(qū)域能量擬合項(xiàng)Er( Φ，&彳2)定義為：
[0089]在(為/，/2)=辦俯認(rèn)卜"ν)|/〇')-,/;(.Υ)「Λ<(<ν))4，)?λ. (19)
[0090]式（19)中kdx-y)為高斯核函數(shù)，〇為高斯核尺寸參數(shù)，用以控制局部區(qū)域灰度值 擬合范圍；f i(X)，i = 1，2為局部區(qū)域灰度值擬合函數(shù)，通過標(biāo)準(zhǔn)梯度下降流法求解能量函 數(shù)Ε( Φ，fl，f2)得到
[0092] &4 = 1，2為區(qū)域能量擬合項(xiàng)權(quán)重系數(shù)，這里01 = 02 = 1;巾為1^口8〇11；^2水平集函 數(shù)，M,W = 1，2為區(qū)域函數(shù)，表示曲線內(nèi)部和外部。定義= ，樹(# = 1-礦(斗 Ηε( Φ )為具有正則性的Heaviside函數(shù)，其導(dǎo)數(shù)為Dirac函數(shù)δε( φ )。
[0095] 其中ε為尺寸參數(shù)，這里取ε = 1。
[0096]由于 <胃作為水平集函數(shù)的初始化信息，即#^,0) = 2(1-2/,1^^
[0097]②形狀約束項(xiàng)Ε5(Φ)能量表達(dá)式定義為：
[0098] Es (φ) = f〇|//'，； [φ] - ??'： dx (23)
[0099] 相應(yīng)的水平集函數(shù) #(λ·, )，,0) = p ^-° (24) 1 -2. 1 β U
[0100] 式(23)中識表示視網(wǎng)膜血管先驗(yàn)形狀，即在t*時(shí)刻 φ-，<τ) X e CoutsUk
[0101 ] φ^χ,?*^ = < 0 xeC (25) -d(x,C) x^Cimille
[0102] 其中d(x，C)表示視網(wǎng)膜圖像中點(diǎn)x到輪廓曲線C的Euc 1 i dean距離，x e Couts ide表示 點(diǎn)在輪廓線C外面，x e Cinsicb表示點(diǎn)在輪廓線C內(nèi)部，x e C表示點(diǎn)在輪廓線C上。
[0103]③平集函數(shù)正則性維持項(xiàng)PR( Φ )定義為：
[0105] ④長度懲罰項(xiàng)LP( Φ )定義為：
[0106] LP(>5) = Viy,，；(y)|i/v (27)
[0107] ⑤加權(quán)面積約束項(xiàng)ΑΚ(Φ)定義為：
[0108] Ακ(Φ)=/Ωδ(1-Ηε(Φ))?χ (28)
[0109] 式（26)、式（27)和式（28)中Ω為圖像全域，§ = + 為非負(fù)單調(diào)遞減 函數(shù)，G為高斯函數(shù)，IRea等于ΙΒ點(diǎn)乘IExten。在非血管的背景區(qū)域g=l，面積約束項(xiàng)具有一個(gè) 較大的懲罰，而在血管附近g-〇，面積約束項(xiàng)只獲得一個(gè)較小的懲罰。
[0110] 在視網(wǎng)膜血管分割實(shí)驗(yàn)中，時(shí)間步長t = 0.1，正則化項(xiàng)系數(shù)μ=1、長度懲罰項(xiàng)系數(shù) v=ms、面積約束項(xiàng)系數(shù)y=nlogas、形狀約束項(xiàng)系數(shù)n=ls2(s2表示粗略去除血管后視網(wǎng)膜 背景方差），本實(shí)施例中m、n、a、l分別取5、1、7、1。
[0111] (b)移除病灶和偽影
[0112] 本發(fā)明利用連通域面積Area和寬、高(W，H)信息構(gòu)建相應(yīng)算子去除偽影與病灶。
[0113] 本實(shí)施例構(gòu)建8連通域模板標(biāo)記水平集分割結(jié)果，從而獲得每個(gè)連通域的面積 Ar ea和寬W、高財(cái)言息。
[0114] 當(dāng)W/H和WXH同時(shí)滿足：
[0115] 算子①：0.4〈W/H〈2.5
[0116] 算子②：WXH〈3.5Area
[0117] 則整個(gè)連通域判定為病灶(非血管）。
[0118] 算子③:Area〈30,則整個(gè)連通域判定為偽影(非血管）。
[0119] 利用算子①、算子②和算子③移除偽影和部分病灶，如圖10所示，以提高視網(wǎng)膜血 管的分割精度，如圖11所示。
【主權(quán)項(xiàng)】
1. 一種融合形狀先驗(yàn)的水平集視網(wǎng)膜血管圖像分割方法，包括Ξ個(gè)步驟： 步驟1，視網(wǎng)膜血管圖像預(yù)處理:在對視網(wǎng)膜做邊緣擴(kuò)展基礎(chǔ)上采用高斯卷積估計(jì)視網(wǎng) 膜背景，W消除視網(wǎng)膜原始邊界處的灰度突變，獲得了一個(gè)背景更加均勻的血管增強(qiáng)圖像； 步驟2,視網(wǎng)膜血管圖像粗略分割:利用改進(jìn)的血管響應(yīng)函數(shù)和闊值得到視網(wǎng)膜血管的 粗分割圖像，并W此信息初始化水平集函數(shù)和構(gòu)建形狀約束項(xiàng)，W克服水平集模型對初始 化敏感W及區(qū)域能量擬合項(xiàng)對噪聲敏感的問題； 步驟3，視網(wǎng)膜血管圖像精細(xì)分割:應(yīng)用連通域面積Area和寬W、高Η構(gòu)建幾何算子，消除 連通域面積較小的偽影和病灶，獲得高準(zhǔn)確率的視網(wǎng)膜血管分割圖像。2. 根據(jù)權(quán)利要求1所述的一種融合形狀先驗(yàn)的水平集視網(wǎng)膜血管圖像分割方法，其特 征是:所述的步驟1包括W下Ξ個(gè)子步驟： (a) 選取視網(wǎng)膜圖像的綠色通道圖像I，利用測地線活動(dòng)輪廓模型自動(dòng)獲得視網(wǎng)膜的 "掩模'； (b) 在獲取的"掩模"的基礎(chǔ)上對視網(wǎng)膜圖像作邊緣擴(kuò)展，獲得圖像lExten;就是采用形態(tài) 學(xué)算子，對圖像作開運(yùn)算，消除血管中屯、亮線，從而獲得消除了血管中屯、亮線的視網(wǎng)膜邊緣 擴(kuò)展圖像lExten; (C)構(gòu)建高斯模板，所述的高斯模板尺寸為原始圖像尺寸除W14后取整數(shù)，小數(shù)點(diǎn)后四 舍五入;對圖像lExten做卷積運(yùn)算，估計(jì)視網(wǎng)膜圖像背景iBackg，并與lExten做減法運(yùn)算和與"掩 模"做點(diǎn)乘運(yùn)算，從而獲得增強(qiáng)的視網(wǎng)膜血管圖像lenhance，然后把圖像lenhance的灰度值線性 拉伸到[0-255]，獲得圖像L·rayS。3. 根據(jù)權(quán)利要求1所述的一種融合形狀先驗(yàn)的水平集視網(wǎng)膜血管圖像分割方法，其特 征是:所述的步驟2包括W下兩個(gè)子步驟： (a) 構(gòu)建血管響應(yīng)函數(shù)，根據(jù)Hessian矩陣對圖像不同點(diǎn)(x，y)的特征值描述，構(gòu)建用W 區(qū)別血管與背景的描述算子;構(gòu)建的視網(wǎng)膜血管描述算子J和血管響應(yīng)函數(shù)vn(x，y)分別定 乂為：式（1)、式(2)中1/Κρ = λ2/λι，λι和λ2分別為二維Hessian矩陣的特征值;β為調(diào)整血管明 暗的尺寸參數(shù)，σ是高斯核函數(shù)尺寸，Jmax是J的最大值； 由于視網(wǎng)膜血管圖像尺寸不一，需在多尺度下計(jì)算血管響應(yīng)函數(shù)Vn(X，y)，最后取各尺 度下的最大響應(yīng)值，其定義如下：式(3)中Omin和Omax為感興趣的眼底視網(wǎng)膜血管的最小和最大尺寸； (b) 二值化處理，利用式(2)和式(3)計(jì)算V(X，y)，獲得血管響應(yīng)圖像iResp后進(jìn)行二值化 處理;先選取較小的闊值C1獲得二值化圖像瑞，并作為水平集函數(shù)Φ的初始化;然后選取 略大的闊值C2獲得二值化圖像巧1。，。，并使用2X2的模板對巧。wy作開運(yùn)算和刪除連通域面 積小于100的偽影，獲得二值化圖像Ib去構(gòu)建形狀約束項(xiàng)。4.根據(jù)權(quán)利要求1所述的一種融合形狀先驗(yàn)的水平集視網(wǎng)膜血管圖像分割方法，其特 征是:所述的步驟3包括W下兩個(gè)子步驟： (a)構(gòu)建視網(wǎng)膜圖像血管分割的水平集模型，利用粗略去除血管后視網(wǎng)膜背景方差設(shè) 置形狀約束項(xiàng)、面積約束項(xiàng)、長度懲罰項(xiàng)的權(quán)重系數(shù)，進(jìn)一步克服圖像噪聲和固定時(shí)間開 銷;視網(wǎng)膜圖像血管分割的水平集模型E( Φ，fl，f2)定義如下： E( Φ ,fi,f2)=ER( Φ ,fi,f2)+nEs( Φ )+μΡκ( Φ )+vLp( Φ )+yAr( Φ ) (4) 式(4)右邊分別為局部區(qū)域能量擬合項(xiàng)、形狀約束項(xiàng)、水平集函數(shù)正則性維持項(xiàng)、長度 懲罰項(xiàng)、加權(quán)面積約束項(xiàng)，η，μ，V，丫為權(quán)重系數(shù)； ① 區(qū)域能量擬合項(xiàng)Er( Φ，fl，f2)定義為：C5) 式(5)中kn(x-y)為高斯核函數(shù)，σ是高斯核尺寸參數(shù)，用W控制局部區(qū)域灰度值擬合范 圍；fi(x)，i = l，2為局部區(qū)域灰度值擬合函數(shù)，通過標(biāo)準(zhǔn)梯度下降流法求解能量函數(shù)Ε(Φ, fl,f2)得到：式(6)βι4 = 1，2為區(qū)域能量擬合項(xiàng)權(quán)重系數(shù)；Φ為Lipschitz水平集函數(shù)，W;'·'(約，/ = 1，2 為區(qū)域函數(shù)，表示曲線內(nèi)部和外部，定義Μ,ι''(辦=(刮.Λ'/;'(抑=1 -/-Γ'(刮;HE ( Φ )為具有 正則性的化aviside函數(shù)，其導(dǎo)數(shù)為Dirac函數(shù)δΕ( Φ );式(7)、式(8)中ε為尺寸參數(shù)； 由于這。。。作為水平集函數(shù)的初始化信息，即クl·l義.1'，()) = 2?l--2瑞。"y；); ② 形狀約束項(xiàng)Es( Φ )能量表達(dá)式定義為：式（11)中d(x,C)表示視網(wǎng)膜圖像中點(diǎn)X到輪廓曲線C的Euclidean距離，xeCoutside表示 點(diǎn)在輪廓線C外面，X e Cinside表示點(diǎn)在輪廓線C內(nèi)部，X e C表示點(diǎn)在輪廓線C上； ③水平集函數(shù)正則性維持項(xiàng)Pr( Φ )定義為：式（12)、式（13)和式（14)中Ω為圖像全域，留= 1/(?十|VG*/J2)為非負(fù)單調(diào)遞減函數(shù)， G為高斯函數(shù)，iRea等于Ib點(diǎn)乘lExten;在非血管的背景區(qū)域g=l，面積約束項(xiàng)具有一個(gè)較大的 懲罰，而在血管附近g^O,面積約束項(xiàng)只獲得一個(gè)較小的懲罰； (b)移除病灶和偽影，利用連通域面積Area和寬W、高Η信息構(gòu)建相應(yīng)算子去除偽影與病 灶； 當(dāng)W/H和W X Η同時(shí)滿足:0.33<W/H<3.0和W X H<4Area時(shí)，則可判定整個(gè)連通域?yàn)椴≡疃?非血管；當(dāng)連通域面積Area小于50時(shí)，可判定整個(gè)連通域?yàn)閭斡岸茄埽瑥亩肳提高視 網(wǎng)膜血管的分割精度。
【文檔編號】G06T7/00GK106097378SQ201610585839
【公開日】2016年11月9日
【申請日】2016年7月24日 公開號201610585839.5, CN 106097378 A, CN 106097378A, CN 201610585839, CN-A-106097378, CN106097378 A, CN106097378A, CN201610585839, CN201610585839.5
【發(fā)明人】梁禮明, 黃朝林, 陳新建, 曾璐, 周發(fā)助
【申請人】江西理工大學(xué)