基于层次剥离与局部特征的出血区域检测方法及装置与流程

本发明涉及眼部图像识别，具体地涉及一种基于层次剥离与局部特征的出血区域检测方法、一种基于层次剥离与局部特征的出血区域检测方法、一种电子设备以及一种计算机可读存储介质。

背景技术：

1、利用光学相干断层扫描技术形成眼部视网膜图像，对于人工诊断患者眼部疾病有着重要意义。诸多疾病都会造成视网膜病变从而形成视网膜出血(视网膜出血通常称为眼底出血。一般为视网膜内的毛细血管产生病变，主要是毛细血管内膜损坏)，如糖尿病、高血压、肿瘤或者眼内新生血管内的疾病等。人工诊断主要靠医生的诊断经验及主观判断，然而我国日益增长的眼部疾病患者与专业医生的比例极度不平衡，依旧存在巨大的缺口。随着眼部疾病的患者增加以及眼科医生超负荷诊疗的双重压力下，误诊、漏诊的概率也会随之上升。有些眼部疾病通常在确诊后的短时间内会迅速恶化，错过视网膜病变的最佳诊疗时间，会对患者造成不可逆的伤害，因此对于视网膜病变的早期诊断和及时治疗至关重要。

2、随着深度学习技术的普及，该技术在图像领域得到了广泛的应用。利用深度学习技术，快速准确识别定位视网膜出血区域，辅助医生对病症进行判断，有效地降低了人工诊断的误诊，缓解了医生的诊疗压力。由于医疗设备、拍摄角度、光照等诸多外界因素的差异，加之患者的视网膜视盘、视网膜血管弯曲、血管重叠、病灶区域、结构复杂等特点，所采集的视网膜会存在出血区域模糊，视网膜视盘、血管以及其他背景影响等问题，严重影响辅助诊断效果。

技术实现思路

1、本本发明实施例的目的是提出一种基于层次剥离与局部特征的出血区域检测方法及装置，以利用层次剥离方法去除视盘、血管等显性目标以减少对出血区域这种隐性目标识别检测的影响，同时采用局部特征提取的手段将出血区域进行搜索与识别，相对于传统的目标检测算法，不仅去除了显性目标对于隐性目标检测的影响，同时还增强了对于隐性目标的理解，更好地识别出血区域。

2、为了实现上述目的，本发明的第一方面提供了一种基于层次剥离与局部特征的出血区域检测方法，该方法包括：从原始视网膜图像中剥离视盘和血管得到处理后图像；在所述处理后图像上构建t分布差分金字塔，所述t分布差分金字塔通过卷积和平滑的多次循环后得到；从所述t分布差分金字塔空间中的局部极值点中选择关键点，并获取对所述关键点的描述；根据所述关键点的描述对每个关键点在原始视网膜图像上进行定位标记，以标记的区域作为所述出血区域。

3、优选地，从原始视网膜图像中剥离视盘和血管得到处理后图像，包括：通过视盘识别函数从所述原始视网膜图像中识别出视盘区域；通过血管识别函数从所述原始视网膜图像中识别出血管区域；从所述原始视网膜图像剥离所述视盘区域和所述血管区域，并对被剥离的区域进行填充后得到处理后图像。

4、优选地，所述视盘识别函数和所述血管识别函数集成于层次剥离网络模型中；所述层次剥离网络模型以标记好的视盘和血管图片为训练样本，采用十二折交叉验证的方法来进行训练，并利用测试集中的图像验证训练后的层次剥离网络模型是否精确。

5、优选地，在所述处理后图像上构建t分布差分金字塔，所述t分布差分金字塔通过卷积和平滑的多次循环后得到，包括：以所述处理后图像作为第一组第一层；对所述第一组第一层进行t分布卷积，以得到的图像作为第一组第二层；更新所述t分布卷积中的平滑因子，依次得到第一组中后续的各层图像；确定后续每组中的第一层，以不同平滑因子的t分布卷积得到每组中的后续层；重复以上步骤，得到每组中包含多层图像的多组图像，所述多组图像构成了t分布金字塔；根据所述t分布金字塔构建所述t分布差分金字塔。

6、优选地，从所述t分布差分金字塔空间中的局部极值点中选择关键点，包括：在每组的中间层内，根据某一像素点与周围像素点的比较结果确定所述某一像素点是否为极值点；若所某一像素点是否为极值点，采用泰勒展开式更正极值点的位置；以位置更正后的极值点为关键点。

7、优选地，获取对所述关键点的描述，包括：为每一关键点分配一个基准方向；采集所述关键点所在的t分布差分金字塔的图像领域窗口内像素在所述基准方向上的梯度分布特征和方向分布特征；根据所述关键点的位置信息、尺度信息和方向信息对所述关键点进行描述。

8、优选地，根据所述关键点的描述对每个关键点在原始视网膜图像上进行定位标记，以标记的区域作为所述出血区域，包括：根据同一视网膜的不同采集图像进行关键点匹配；根据匹配次数为每一关键点分配权重；根据每一关键点的权重在所述原始视网膜图像上进行定位标记；以标记的区域作为所述出血区域。

9、在本发明的第二方面，还提供了一种基于层次剥离与局部特征的出血区域检测装置，该装置包括：图像剥离模块，用于从原始视网膜图像中剥离视盘和血管得到处理后图像；金字塔处理模块，用于在所述处理后图像上构建t分布差分金字塔，所述t分布差分金字塔通过卷积和平滑的多次循环后得到；关键点确定模块，用于从所述t分布差分金字塔空间中的局部极值点中选择关键点，并获取对所述关键点的描述；以及定位标记模块，用于根据所述关键点的描述对每个关键点在原始视网膜图像上进行定位标记，以标记的区域作为所述出血区域。

10、优选地，从原始视网膜图像中剥离视盘和血管得到处理后图像，包括：通过视盘识别函数从所述原始视网膜图像中识别出视盘区域；通过血管识别函数从所述原始视网膜图像中识别出血管区域；从所述原始视网膜图像剥离所述视盘区域和所述血管区域，并对被剥离的区域进行填充后得到处理后图像。

11、优选地，所述视盘识别函数和所述血管识别函数集成于层次剥离网络模型中；所述层次剥离网络模型以标记好的视盘和血管图片为训练样本，采用十二折交叉验证的方法来进行训练，并利用测试集中的图像验证训练后的层次剥离网络模型是否精确。

12、优选地，在所述处理后图像上构建t分布差分金字塔，所述t分布差分金字塔通过卷积和平滑的多次循环后得到，包括：以所述处理后图像作为第一组第一层；对所述第一组第一层进行t分布卷积，以得到的图像作为第一组第二层；更新所述t分布卷积中的平滑因子，依次得到第一组中后续的各层图像；确定后续每组中的第一层，以不同平滑因子的t分布卷积得到每组中的后续层；重复以上步骤，得到每组中包含多层图像的多组图像，所述多组图像构成了t分布金字塔；根据所述t分布金字塔构建所述t分布差分金字塔。

13、优选地，从所述t分布差分金字塔空间中的局部极值点中选择关键点，包括：在每组的中间层内，根据某一像素点与周围像素点的比较结果确定所述某一像素点是否为极值点；若所某一像素点是否为极值点，采用泰勒展开式更正极值点的位置；以位置更正后的极值点为关键点。

14、优选地，获取对所述关键点的描述，包括：为每一关键点分配一个基准方向；采集所述关键点所在的t分布差分金字塔的图像领域窗口内像素在所述基准方向上的梯度分布特征和方向分布特征；根据所述关键点的位置信息、尺度信息和方向信息对所述关键点进行描述。

15、优选地，根据所述关键点的描述对每个关键点在原始视网膜图像上进行定位标记，以标记的区域作为所述出血区域，包括：根据同一视网膜的不同采集图像进行关键点匹配；根据匹配次数为每一关键点分配权重；根据每一关键点的权重在所述原始视网膜图像上进行定位标记；以标记的区域作为所述出血区域。

16、在本发明的第三方面，还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的基于层次剥离与局部特征的出血区域检测方法的步骤。

17、在本发明的第四方面，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的基于层次剥离与局部特征的出血区域检测方法的步骤。

18、本发明的第五方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现前述的基于层次剥离与局部特征的出血区域检测方法的步骤。

19、上述技术方案至少具有以下有益效果：

20、(1)基于层次剥离与局部特征的出血区域检测的方法相比于传统的方法，利用层次剥离技术直接去除了视盘和血管等显性目标对于出血区域的影响，解决了出血区域与视网膜图像背景相似度高的问题，有效地捕捉出血区域的特征，准确识别出血区域的位置和图像。

21、(2)本发明实施方式将t分布差分金字塔用于出血点检测，提升了出血区域识别中的准确性和效率。

22、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。