一种基于病灶彩色视网膜眼底图像的中央凹定位方法与流程

本发明属于视网膜眼底图像检测技术领域，尤其涉及一种基于病灶彩色视网膜眼底图像的中央凹定位方法。

背景技术：

黄斑是视网膜眼底图像的解剖结构之一。在正常的彩色视网膜眼底图像中，黄斑是一块比周围组织更暗的区域。由于该区域存在较高比例的类胡萝卜素而使黄斑在眼底图像上呈现较暗的颜色。黄斑的中心被称为中央凹(fovea)，是整个黄斑区域最暗的位置。黄斑与其他解剖结构如血管和视盘等不同，血管和视盘有明显的结构特征而黄斑和中央凹只有亮度特征。在亮度特征上，黄斑与暗病灶如出血等很相似。当眼底图像带暗病灶时，一般很难精确定位中央凹。另外，由于图像的亮度很容易受不均匀光照影响，因此，现有的带病灶彩色视网膜眼底图像的中央凹定位方法效果并不理想。

黄斑及中央凹的定位方法主要基于非监督学习方式进行。这些非监督学习方法分为两类：基于亮度与极坐标融合的方法和基于位置约束的方法。基于亮度的方法受光照影响比较大，而基于极坐标的方法依赖于其他解剖结构的精确定位。基于位置的约束方法主要利用血管、视盘和中央凹等解剖结构的空域分布关系，用抛物线模型拟合血管来实现定位。血管结构通常可以看成是由两条共顶点的抛物线组成，抛物线的顶点为视盘的中心。视盘中心和中央凹的连线构成了主抛物线的对称轴，通过在主轴固定位置附近进行亮度搜索来实现中央凹定位。这种对血管进行抛物线拟合的方法依赖于血管和视盘的精确检测和定位，在带病灶图像中很难拟合出准确的抛物线模型。同时，抛物线模型涉及到两个坐标系之间的变换，计算相对复杂，其主轴所表示的水平脊线受噪声干扰大。

技术实现要素：

本发明的目的在于提供一种基于病灶彩色视网膜眼底图像的中央凹定位方法，能有效避免病灶和不均匀光照的干扰，实现中央凹的精确定位。为实现上述目的，本发明所采用的技术方案为：

一种基于病灶彩色视网膜眼底图像的中央凹定位方法，包括以下步骤：

s1：检测和定位视盘及血管；

s2：获取血管向量和血管向量集；

s3：由血管向量集估算获取穿过中央凹的水平脊线；

s4：根据视盘和水平脊线，获取搜索区域；

s5：在搜索区域内，获取中央凹。

优选地，在s2中，具体包括以下步骤：

s21：沿血管扩散方向，以预先设置的步长为间隔，选取多个点；

s22：以视盘中心为起点；分别以所述点为终点，构造血管向量；所述血管向量构成血管向量集。

优选地，在s3中，所述水平脊线为血管向量集中所有血管向量的矢量和。

优选地，在s4中，具体包括以下步骤：

s41：确定搜索区域的中心位置：以视盘中心为起点，沿着水平脊线，取视盘直径的2.4倍～2.6倍的距离的线段，该线段的终点即为搜索区域的中心位置；

s42：确定搜索区域的半径：取视盘半径的1倍～1.5倍的距离的线段；该线段的长度即为搜索区域的半径。

优选地，在s5中，具体为：计算搜索区域中每个像素点的亮度值，找到第一点，即为中央凹。

优选地，在s1中，具体包括以下步骤：

s11：采用深度u-net模型，基于drive数据集的训练图像以分块方式训练以获取血管概率图；

s12：对血管概率图进行hough变换以获取血管拟合直线图；

s13：在血管拟合直线图中的直线交点处标记圆圈；计算圆圈内直线交点的个数，给每个圆圈设置不同的圆圈概率，获取概率泡泡图；

s14：采用深度u-net模型，基于kaggle数据集以获取视盘概率图；

s15：将概率泡泡图和视盘概率图进行乘运算获取视盘区域联合概率图以确定视盘。

优选地，所述drive数据集包括训练集和测试集。

优选地，在步骤s1之前，对drive数据集和kaggle数据集分别经irhsf模型进行光照处理。

与现有技术相比，本发明的优点为：本发明通过构建血管向量集模型，并计算这些向量的矢量和，确定眼底图像的水平脊线，再利用视盘与中央凹的位置关系，确定搜索区域，最后根据搜索区域的局部亮度极值确定中央凹定位。该方法可以有效避免图像中病灶和光照等对视盘的干扰，准确定位中央凹。

附图说明

图1是本发明一实施例提供的kaggle数据集中的部分视网膜眼底图像；

图2为图1中一张视网膜眼底图像的基于病灶彩色视网膜眼底图像的中央凹定位方法的过程图；

图3为本发明一实施例的基于病灶彩色视网膜眼底图像的中央凹定位方法的流程图；

图4为图1中(a)-(d)视网膜眼底图像的中央凹的定位结果图；

图5为图1中(e)-(h)视网膜眼底图像的中央凹的定位结果图；

图6为本发明一实施例提供的基于病灶彩色视网膜眼底图像的中央凹定位方法的效果校验图。

具体实施方式

下面将结合示意图对本发明的基于病灶彩色视网膜眼底图像的中央凹定位方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。

图1是来自kaggle数据集的8幅图像，这些图像都带有病灶或创伤且内部光照比较复杂。(a)-(d)中内部存在较严重局部不均匀光照；(e)中包含有激光手术留下的创伤块，(f)-(h)中包含大片病灶区域，这些病灶或创伤出现在黄斑附近，对中央凹的定位存在较大干扰。

如图2所示，基于图1中第一行第12张图，对本发明技术方案的具体内容进行说明。其中：(a)原始视网膜眼底图像，来自messidor数据集base12；(b)对(a)进行irhsf光照校正所得到的增强图像；(c)应用u-net血管模型检测到的血管概率图；(d)应用u-net视盘检测模型和概率泡泡图相结合的方法定位的视盘，圆圈为视盘边界；(e)构建的血管向量、水平脊线和搜索区域，构成直线集的直线代表血管向量，两个圆圈分别代表(d)中的视盘边界和搜索区域边界；连接视盘边界和搜索区域边界的直线为水平脊线；(f)根据水平脊线和搜索区域所定位的中央凹，圆点表示中央凹。从图2可以看出，本发明所提供的方法能准确估算出中央凹的位置。

如图3所示，本实施例提供了一种基于病灶彩色视网膜眼底图像的中央凹定位方法，包括s1～s5。下面将结合图2对本发明的技术方案进行具体说明。

在本实施例中，在检测和定位视盘及血管之前，对drive数据集和kaggle数据集分别经irhsf模型进行光照处理。irhsf通过构造一个带有15个未知数的4阶多项式描述光通过眼介质的衰减程度，计算出光照模型。irhsf是针对视网膜设计的一种有效的去除局部光照、增强图像的方法。该方法将同态过滤和曲面拟合相结合，利用视网膜的解剖结构特征如血管、视盘、中央凹和病灶等信息来确定视网膜表面的反射模型。成像设备所采集到的图像可以被看成是光照分量和反射分量共同作用的结果。处理后的图像如图2中的(b)所示。

s1：检测和定位视盘及血管。具体包括以下步骤：

s11：采用深度u-net模型，基于drive数据集的训练图像以分块方式训练以获取血管概率图，像素点的概率值代表该点是血管的可能性大小。如图2中的(c)所示；drive数据集包括训练集和测试集。drive数据集中的每张图像是分辨率为768*584的8位彩色图像。数据集中包含有训练集和测试集，每组各20张图片。训练块的大小为48*48，依次从每幅图像抽取；每幅图像取9500块，一共有190000块。前90％的块用于训练模型，剩下的10％的块用于模型验证。

s12：对血管概率图进行hough变换以获取血管拟合直线图；即用hough变换分段线性拟合s11所检测的血管；用hough变换进行分段线性拟合，可以得到拟合血管的很多条直线。血管从视盘开始，沿一定的方向慢慢向四周延伸，分支并扩散。视盘区域是主血管交汇的区域。因此，这些直线相交最密集的区域为视盘区域。根据这些直线，计算它们两两相交的交点，以这些交点为圆心，根据一个固定长度半径可以确定一个圆。

s13：在血管拟合直线图中的直线交点处标记圆圈；计算圆圈内直线交点的个数，给每个圆圈设置不同的圆圈概率，圆圈概率为圆圈像素，获取概率泡泡图；

s14：采用深度u-net模型，基于kaggle数据集以获取视盘概率图；

s15：将概率泡泡图和视盘概率图进行乘运算获取视盘区域联合概率图以确定视盘，如图2中的(d)所示。

s2：获取血管向量和血管向量集；如图2中的(e)所示；具体包括以下步骤：

s21：沿血管扩散方向，以预先设置的步长为间隔，选取多个点；

s22：以视盘中心为起点；分别以所述点为终点，构造血管向量；所述血管向量构成血管向量集。

s3：由血管向量集估算获取穿过中央凹的水平脊线；所述水平脊线为血管向量集中所有血管向量的矢量和。如图2中的(e)所示。水平脊线的确定原理为：在视网膜眼底图像中，血管基本沿通过视盘中心和中央凹的直线对称分布，该直线即为水平脊线。在本实施例中，确定了血管和视盘的位置后，水平脊线的计算不需要依赖于这些结构在图像中的绝对位置坐标，它们的相对位置可以用来确定水平脊线。

s4：根据视盘和水平脊线，获取搜索区域；如图2中的(e)所示，具体包括以下步骤：

s41：确定搜索区域的中心位置：以视盘中心为起点，沿着水平脊线，取视盘直径的2.4倍～2.6倍的距离的线段，该线段的终点即为搜索区域的中心位置；

s42：确定搜索区域的半径：取视盘半径的1倍～1.5倍的距离的线段；该线段的长度即为搜索区域的半径。

s5：在搜索区域内，获取中央凹，如图2中的(f)所示。具体为：计算搜索区域中每个像素点的亮度值，找到第一点，即亮度最低的点，即为中央凹。

如图4所示为图1中(a)-(d)视网膜眼底图像的中央凹的定位结果图。图中直线集为血管向量集在固定长度下的显示结果；蓝绿色线条，两个圆圈分别代表视盘和中央凹所在范围的搜索区域，视盘和搜索区域的连线为所计算的水平脊线；圆点是计算得到的中央凹。第一列为将计算的视盘位置、水平脊线、搜索区域和中央凹叠加在经过irhsf光照校正后的视网膜眼底图像的结果，第二列为在等长距离下血管向量分布、血管向量集矢量及搜索区域，第三列为中央凹在原视网膜眼底图像图上的显示。这一组图像的主要特征是出现各种局部不均匀光照，图1(a)的主血管发生了大的形变，图1(b)在黄斑区域附近有不均匀光照，图1(c)和图1(d)在黄斑区域有不均匀光照干扰。这些干扰对相关解剖结构的检测和定位造成干扰，从而很难实现中央凹的精确定位。从这组实验结果可以看出，本发明所提供的方法在这种复杂条件下，能实现中央凹的精确定位。

图5为图1中(e)-(h)视网膜眼底图像的中央凹的定位结果图；图片的排列方式及原始特征与图4相同。这一组图像的内部光照基本均匀，但存在较严重的病灶和创伤影响，图1(e)中病灶分布在整个图像中，这些病灶使得黄斑的颜色特征不明显，图1(f)在黄斑区域出现了大块暗的激光手术留下的创伤。图1(g)和图1(h)的黄斑区域基本被病灶覆盖。在这些情况下，实验结果表明本发明所提供的方法能实现中央凹的精确定位。

图6是本发明所提供的算法与2006年narasimha等提出的基于局部亮度阈值定位方法的比较。横坐标为kaggle数据集中的图片，一共69幅，纵坐标为高斯相似度。高斯相似度计算公式为：

其中，x为根据算法所计算到的中央凹的位置，y为手动标志的中央凹的位置。从该图6中可以看出，本发明所提供的带病灶彩色视网膜眼底图像中央凹定位方法对病灶和不均匀光照具有很强的鲁棒性。本发明所提出的方法优于基于局部亮度阈值的检测方法。其中，6-1表示本发明的曲线图；6-2表示采用2006年的基于局部亮度阈值定位方法的曲线图。

综上，在本发明实施例提供的基于病灶彩色视网膜眼底图像的中央凹定位方法中，本发明通过构建血管向量集模型，并计算这些向量的矢量和，确定眼底图像的水平脊线，再利用视盘与中央凹的位置关系，确定搜索区域，最后根据搜索区域的局部亮度极值确定中央凹定位。该方法可以有效避免图像中病灶和光照等对视盘的干扰，准确定位中央凹。

上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。