本发明涉及视网膜图像检测技术领域,具体为一种糖尿病视网膜图像病变检测方法。
背景技术:
视网膜视部常简称视网膜,为一层柔软而透明的膜,紧贴在脉络膜内面,有感受光刺激的作用。视网膜厚度不一,一般为0.4mm,视盘边缘最厚,约0.5mm,中央凹最薄,为0.1mm,至锯齿缘为0.15mm。视网膜主要由色素上皮细胞、视细胞、双极细胞、节细胞、水平细胞、无长突细胞、网间细胞和muller细胞等组成。这些细胞及其突起排列有序,可据此将视网膜自外向内分为10层。①色素上皮层:由单层色素上皮细胞构成;②视杆视锥层:由视杆细胞和视锥细胞的外突构成;③外界膜:由muller细胞的外突末端连接而成;④外核层:由视杆细胞和视锥细胞的细胞体组成;⑤外网层:由视杆细胞和视锥细胞的内突及双极细胞的树突构成;⑥内核层:由双极细胞、水平细胞、无长突细胞和muller细胞的胞体构成;⑦内网层:由双极细胞的轴突和无长突细胞及节细胞的树突构成;⑧节细胞层:由节细胞的胞体组成;⑨神经纤维层:由节细胞的轴突组成;⑩内界膜:为müller细胞的内突末端连接而成。
糖尿病视网膜病变时美国和欧洲人口中最重要的致病眼疾。据世界卫生组织预测,到2030年,全球视网膜病变患者将增加到3.66亿,糖尿病防治将成为一个更为严重的世界性问题。
研究表明,对糖尿病视网膜病变患者进行早期诊断和治疗能有效防止视觉的损失以及失明,而防治的关键则是通过眼底照相检查,定期随访发现病情的进展,及时进行激光干预治疗。但是目前世界上超过50%的患者没有接受任何形式的眼部检查,基于眼底图像的糖尿病视网膜病变检查工作基本还是靠眼科医生的肉眼观察进行。
近年来,随着计算机辅助诊断技术的发展,基于计算机视觉的相关技术已经在肝脏疾病、呼吸系统疾病的影像诊断中得到开发和应用。
技术实现要素:
本发明的目的在于提供一种糖尿病视网膜图像病变检测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种糖尿病视网膜图像病变检测方法,包括以下步骤:
a、图像采集设备采集视网膜图像并进行预处理;
b、将预处理后的图像进行分割,分割成多个子图像;
c、对每个子图像进行特征提取,并输入至卷积神经网络cnn模型中进行处理后输出清晰图像;
d、将输出的清晰图像发送至视网膜缺陷数据库中进行自动匹配。
优选的,所述步骤a中预处理方法如下:
a、将采集的视网膜图像的像素根据亮度值分成若干个图层,每个图层的亮度均不同,并将每个图层按亮度值,由高到低进行排列,且每一图层中的图像的边界都是由闭合曲线构成;
b、对于亮度最低的图层以及亮度最大的图层,先单独进行直方图均衡化处理,再去除背景噪声,最后进行噪点去除;
c、将处于最低亮度和最高亮度中间的图层先去除噪点,再去除背景噪声,最后进行直方图均衡化处理;
d、最后将处理过后的所有图层合并为一幅图像增强后的图像。
优选的,所述步骤b中图像分割方法如下:
a、获取待分割图像对应的第一分割图像,第一分割图像为对待分割图像进行超分割后所形成的,第一分割图像中包括多个区域;
b、对第一分割图像相邻两个区域进行特征提取,并按照预设算法获取当前第一分割图像中的每两个相邻区域的区域边缘梯度差值特征;
c、根据区域边缘梯度差值特征对第一分割图像进行增强处理,得到第二分割图像;
d、将第二分割图像输入至图像分割网络中,得到分割结果。
优选的,所述步骤c中,提取图像的像素值、清晰度值、图像尺寸大小并进行排序。
与现有技术相比,本发明的有益效果是:
(1)本发明采用的检测方法操作简单,精确度高,有效地提高了检测的准确性和时效性;
(2)本发明采用的图像预处理方法降低了图像的全局亮度差异,增强了图像对比度,有效的抑制了噪声,进一步提高了图像的清晰度,进一步提高了病变区域的检测准确度;
(3)本发明采用的图像分割方法减少出现图像分割错误的情况,提升了图像分割的准确度。
附图说明
图1为本发明流程框图。
图2为本发明图像预处理方法流程框图。
图3为本发明图像分割方法流程框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
请参阅图1-2,本发明提供一种技术方案:一种糖尿病视网膜图像病变检测方法,包括以下步骤:
a、图像采集设备采集视网膜图像并进行预处理;
b、将预处理后的图像进行分割,分割成多个子图像;
c、对每个子图像进行特征提取,提取图像的像素值、清晰度值、图像尺寸大小并进行排序,并输入至卷积神经网络cnn模型中进行处理后输出清晰图像;
d、将输出的清晰图像发送至视网膜缺陷数据库中进行自动匹配。
本发明中,步骤a中预处理方法如下:
a、将采集的视网膜图像的像素根据亮度值分成若干个图层,每个图层的亮度均不同,并将每个图层按亮度值,由高到低进行排列,且每一图层中的图像的边界都是由闭合曲线构成;
b、对于亮度最低的图层以及亮度最大的图层,先单独进行直方图均衡化处理,再去除背景噪声,最后进行噪点去除;
c、将处于最低亮度和最高亮度中间的图层先去除噪点,再去除背景噪声,最后进行直方图均衡化处理;
d、最后将处理过后的所有图层合并为一幅图像增强后的图像。
本发明采用的图像预处理方法降低了图像的全局亮度差异,增强了图像对比度,有效的抑制了噪声,进一步提高了图像的清晰度,进一步提高了病变区域的检测准确度。
实施例二:
请参阅图1-3,本发明提供一种技术方案:一种糖尿病视网膜图像病变检测方法,包括以下步骤:
a、图像采集设备采集视网膜图像并进行预处理;
b、将预处理后的图像进行分割,分割成多个子图像;
c、对每个子图像进行特征提取,提取图像的像素值、清晰度值、图像尺寸大小并进行排序,并输入至卷积神经网络cnn模型中进行处理后输出清晰图像;
d、将输出的清晰图像发送至视网膜缺陷数据库中进行自动匹配。
本发明中,步骤a中预处理方法如下:
a、将采集的视网膜图像的像素根据亮度值分成若干个图层,每个图层的亮度均不同,并将每个图层按亮度值,由高到低进行排列,且每一图层中的图像的边界都是由闭合曲线构成;
b、对于亮度最低的图层以及亮度最大的图层,先单独进行直方图均衡化处理,再去除背景噪声,最后进行噪点去除;
c、将处于最低亮度和最高亮度中间的图层先去除噪点,再去除背景噪声,最后进行直方图均衡化处理;
d、最后将处理过后的所有图层合并为一幅图像增强后的图像。
本发明采用的图像预处理方法降低了图像的全局亮度差异,增强了图像对比度,有效的抑制了噪声,进一步提高了图像的清晰度,进一步提高了病变区域的检测准确度。
本实施例中,步骤b中图像分割方法如下:
a、获取待分割图像对应的第一分割图像,第一分割图像为对待分割图像进行超分割后所形成的,第一分割图像中包括多个区域;
b、对第一分割图像相邻两个区域进行特征提取,并按照预设算法获取当前第一分割图像中的每两个相邻区域的区域边缘梯度差值特征;
c、根据区域边缘梯度差值特征对第一分割图像进行增强处理,得到第二分割图像;
d、将第二分割图像输入至图像分割网络中,得到分割结果。
本发明采用的图像分割方法减少出现图像分割错误的情况,提升了图像分割的准确度。
综上所述,本发明采用的检测方法操作简单,精确度高,有效地提高了检测的准确性和时效性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。