基于眼底图像的动静脉视网膜血管分类方法
【技术领域】
[0001]本发明涉及计算机辅助诊断技术领域，具体涉及一种基于眼底图像的动静脉视网膜血管分类方法。
【背景技术】
[0002]随着计算机技术中的人工智能领域的快速发展，计算机辅助诊断技术也逐渐发展。计算机辅助诊断技术是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段，结合计算机的分析计算，辅助影像科医师发现病灶，提高诊断的准确率。
[0003]通常医学影像学中计算机辅助诊断分为三步，具体如下:第一步是把病变从正常结构中提取出来；第二步是图像特征的量化；第三步是对数据进行处理并得出结论。
[0004]因为计算机可以全面利用影像信息进行精确的定量计算，去除人的主观性，避免因个人知识和经验的差异而引起的“千差万别”的诊断结果；所以它的结果是不含糊的，是确定的，它使诊断变得更为准确、更为科学。
[0005]随着现代高科技的发展，计算机辅助诊断将与图像处理和PACS系统等技术融合，变得更易于操作、也更趋于准确，其临床应用范围将进一步扩大。
[0006]在医学检测中，眼睛是唯一可无损检测同时信息丰富的器官。研宄指出视网膜血管病变中的血管局限缩窄、弥漫缩窄、动静脉交叉压迫、血管行走改变、铜丝动脉、出血、棉絮斑、硬性渗出以及视网膜神经纤维层缺损与脑卒有显著的相关性。且对于脑卒中的预测，眼底检查仅需40元，而MRI检查则需要上千元，颈动脉超声也需要140元。相比之下眼底检查的性价比最高。眼底图像计算机分析的全自动化的方法，包括可以提供即时的视网膜病变分类，而不需要专家意见，建立以眼底血管视神经预测三高并发症的系统具有其确实的经济意义。因此，视网膜血管的病变检测在对脑卒的辅助检测具有突出作用。其中构建一个动静脉交叉压迫视网膜血管病变的自动检测系统更是其中的关键部分。
[0007]对眼底图像进行血管分割、视盘定位和血管分类(动静脉分裂)是视网膜血管的病变检测的基础，现有的血管分割方法需要人工添加标注信息，自动化程度不高。
【发明内容】
[0008]针对现有技术的不足，本发明提供了一种基于眼底图像的动静脉视网膜血管分类方法。
[0009]一种基于眼底图像的动静脉视网膜血管分类方法，包括如下步骤:
[0010](I)针对所述眼底图像，基于血管分割法获取若干个不同的全局血管集；
[0011](2)针对每个全局血管集，基于模糊收敛算法获取对应的最终收敛区域，并根据各个最终收敛区域的重叠情况确定所述眼底图像的视盘中心；
[0012](3)选择一个全局血管集，根据该全局血管集和视盘定位信息确定主血管，并对主血管进行分类得到主血管分类信息；
[0013](4)利用所述的主血管分类信息采用基于SAT的广度搜索算法对所述的全局血管集中的血管进行分类得到全局分类信息。
[0014]本发明中步骤(3)中选择对应为血管的像素点数量最多的全局血管集，相应的步骤(4)中即对该选择的全局血管集进行分类。
[0015]本发明获取若干个不同的全局血管集的目的在于通过多个全局血管集确定收敛区域，根据各个全局血管集对应的收敛区域之间的重叠情况获取视盘中心，有利于保证得到的视盘中心的准确性。
[0016]所述步骤(I)基于血管分割法通过如下步骤获取若干个不同的全局血管集时，首先设定若干个不同的二值化阈值，然后针对每个二值化阈值进行如下操作:
[0017](1-1)按照当前二值化阈值对所述的眼底图像进行二值化处理，并提取二值化处理后的眼底图像中的中心线和边缘，得到血管树；
[0018](1-2)对所述的血管树分叉处做断开处理得到血管段，并对各个血管段进行线分割得到血管，得到原始血管集；
[0019](1-3)确定误分割血管，并从原始血管集中去除即得到全局血管集。
[0020]本发明中二值化阈值为二值化处理后为血管的像素点个数占整个眼底图像的像素点比例，通常取值为4?20%。二值化阈值越大，则越宽松。作为优选，所述的二值化阈值为14%。
[0021]所述步骤(1-3)中的误分割血管包括分为两类，第一类误分割血管基于血管两侧的背景差异确定，第二类基于血管形状确定。
[0022]本发明中所述的背景差异值背景颜色的差异，步骤(1-3)中通过如下步骤确定第一类误分割血管:
[0023](al)针对每个血管，提取该血管两侧背景的特征向量；
[0024]任意一侧背景的特征向量根据该侧距离中心线5?8个像素点以内区域中的所有像素点(即与中心线的距离小于5?10个像素点)的RGB三个通道上的颜色值得到。
[0025]每侧的特征向量为一个三维向量，分别表示血管两侧背景的在RGB三个通道上的颜色值信息。具体实现时获取该侧距离中心线小于5?10个像素点的区域中的所有像素点在R、G、B三个通道上的颜色值并分别在每个通道上求平均，进而得到该侧的特征向量。
[0026](a2)根据所述特征向量采用聚类法将所有血管聚为两类，得到的小类即为视盘周围误分割血管。
[0027]针对每个血管，计算两侧特征向量的欧氏距离，然后对所有血管对应的欧式距离进行聚类，即完成对血管的聚类。
[0028]由于K均值聚类(即K-means算法)不需要调整参数，且运行速度较快。作为优选，所述步骤(a2)中采用K均值聚类法将所有血管聚为两类。
[0029]本发明中所述的血管形状实际上指各个血管的连接关系，步骤(1-3)中通过如下步骤确定第二类误分割血管:
[0030]确定划分出原始血管集的眼底图像中的环状结构，针对各个环状结构，若该环状结构中长度最大的血管的长度小于预设的分割长度阈值，则认为该环状结构中所有血管均为第二类误分割血管，进一步进行如下操作:
[0031]确定该环状结构的中心，并计算该中心到长度大于或等于分割长度阈值的血管的最短距离(即该中心到距离其最近的长度大于或等于分割长度阈值的血管的距离)，认为以该中心为圆心、最短距离为半径的圆形区域内所有血管为第二类误分割血管。
[0032]分割长度阈值的设定根据实际经验值设定，本发明中该环状分割长度阈值α =χ/60 ?χ/450
[0033]本发明的血管分割方法，得到原始血管后进一步利用血管的背景和形状确定误分割的血管，可以有效去除因为拍照造成的环状反光、视盘周围的非血管的跃阶边缘、斑状病变以及出血病变等原因造成的误分割血管，大大提高了血管分割结果(即得到的全局血管集)的准确性。
[0034]所述步骤(2)中获取当前全局血管集对应的收敛区域时进行如下操作:
[0035](2-1)对当前全局血管集中每一个血管，使用模糊收敛算法获取该血管的收敛区域；
[0036](2-2)统计眼底图像每个像素点所对应的收敛区域的个数作为该像素点的投票值；
[0037](2-3)选取投票值大的前η个像素点，对选取的η个像素点使用基于八连接的区域连通算法得到若干个连通区域，并以面积最大的连通区域作为最终收敛区域。
[0038]η的大小根据眼底图像的大小设定，作为优选，所述η的取值为1000?3000。
[0039]所述步骤(2)通过如下方法根据各个最终收敛区域的重叠情况确定所述眼底图像的视盘中心:
[0040]判断是否存在至少I个最终收敛区域的重叠区域，其中I = k/3?k/2，K为二值化阈值的个数:
[0041]若存在，则以面积最大的重叠区域的中心坐标作为视盘定位信息；
[0042]否则，以采用特定模板匹配法得到视盘定位信息。
[0043]所述步骤(3)通过如下方法确定主血管:
[0044]以距离视盘中心为若干个像素点以内的区域作为视盘邻近区域，以所述的视盘邻近区域内长度大于预设的分类长度阈值的血管作为主血管。
[0045]本发明中以距离视盘中心为R个像素点以内的区域，即以视盘中心为圆心，以R为半径的区域作为视盘邻近区域，以确定的视盘邻近区域内长度大于预设的分类长度阈值的血管作为主血管。
[0046]其中，半径R和分类长度阈值的大小根据眼底图片的大小和实际情况决定。作为优选，所述R的取值为100?150，所述的分类长度阈值为50?65。
[0047]所述步骤(3)通过如下步骤对主血管进行分类得到主血管分类信息:
[0048](3-1)获取各个主血管的平均管径，指定平均管径最大的主血管为静脉血管；
[0049](3-2)将各个主血管切割