一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法

一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法
【技术领域】
[0001] 本发明涉及一种眼底图像视网膜血管分割方法，一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法。
【背景技术】
[0002] 彩色眼底图是利用眼底照相机对眼球内壁进行不同角度拍摄而成的图像。眼底 图能尽早发现各种眼部病变，如青光眼、视神经炎、黄斑病变等，方便及时有效的治疗。此 外，视网膜血管是人体全身血管中唯一可以无创直接观察到的血管，它的形状、管径、尺度、 分支角度是否有变化，以及是否有增生、渗出，均可反应全身血管的病变，如动脉硬化、高血 压、糖尿病、肾病等患者的视网膜微血管均会有病变的表现。因此，眼底图也可以作为全身 健康状况的辅助诊断方式，视网膜彩色眼底图中血管的检测提取，对于与之相关各种疾病 的辅助诊断、辅助治疗和后期观察都具有重要的临床医学意义。
[0003] 国内外许多学者从事这一领域工作，并取得了一定成就。目前视网膜血管分割的 方法大致可分为如下几类：基于模式识别的方法，基于匹配滤波器的方法，基于血管跟踪的 方法，基于数学形态学的方法，多尺度方法，基于模型的方法。其中研宄较多，分割效果较好 的是采用监督学习的模式分类方法。例如，Niemeijer等提取RGB图像每个像素的绿色分量 灰度值，并对其用高斯匹配滤波以及高斯一阶二阶导的结果作为特征向量进行分割。Staal 等提出一种基于脊线的血管分割方法。Soares等用二维Gabor小波和高斯混合模型分类器 对血管进行分割，每个像素点的特征向量由该点灰度值和多尺度的二维Gabor小波变换组 成。Ricci等用支持向量机来进行血管分割。Osareh等使用多层神经网络分类器对眼底图 血管点进行分类，且开始用主成份分析来提取特征。Lupascu等研宄了AdaBoost分类器，采 用41个特征向量，包含前所未有的丰富的血管细节信息。Fraz等用基于Bagging的监督学 习方法得到血管分类结果。单独使用匹配滤波方法或者数学形态学方法时也都不能很好地 对病变眼底图像进行血管分割，通常与其他方法结合使用。基于血管跟踪的分割方法能够 精确地测量血管的宽度和方向，但是一次只能跟踪一根血管，且遇到血管分支点或交叉点 时容易出现跟踪错误。另外，初始种子点的选取也是血管跟踪方法的难题之一。基于模型 的分割方法是所有方法中唯一能够很好地处理病变眼底图像的方法，其通过建立不同的模 型能够将血管、背景和病变区分开来，但也存在精确度问题。
[0004] 由于是在医疗行业中的应用，因此对算法实现提取的血管结构的精确度和特异性 要求比较高。基于学习的视网膜血管分割方法是所有方法中准确率最高的方法，但是现有 的方法对背景非常不均匀的眼底图像尤其是带病变的眼底图像效果不好，并且准确率不 尚。

【发明内容】

[0005] 针对现有算法的不足，本发明提出了一种基于分类回归树和AdaBoost的眼底图 像视网膜血管分割方法，采用AdaBoost自适应迭代算法，血管提取精度高。
[0006] -种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，包括以下步 骤：
[0007] 步骤1:对训练集中已知标定结果的眼底图像的每个像素点进行36维特征向量的 提取；
[0008] 所述36维特征向量包括29维局部特征、6维形态学特征以及1维散度特征；
[0009] 其中，所述29维局部特征依次包括1维灰度值特征、24维高斯尺度空间滤波特征、 4维Y方向二阶高斯导数特征；
[0010] 所述1维灰度值特征是眼底图像中每个像素点在绿色通道上的灰度值；
[0011] 所述24维高斯尺度空间滤波特征是对眼底图像在4个不同尺度进行二维高斯滤 波、二维高斯滤波的一阶偏导以及二维高斯滤波的二阶偏导值；
[0012] 所述4维Y方向二阶高斯导数特征是先对眼底图像在X方向上的一维高斯滤波得 到X方向一维滤波图像，再对X方向一维高斯滤波图像求解在Y方向上的二阶高斯导数得 到的4个特征；
[0013] 其中，所述X方向上的一维高斯滤波所用的高斯标准方差为3;所述Y方向上的二 维高斯滤波所用的高斯标准方差的取值依次为
【主权项】
1. 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，其特征在于，包 括以下步骤： 步骤1 :对训练集中已知标定结果的眼底图像的每个像素点进行36维特征向量的提 取； 所述36维特征向量包括29维局部特征、6维形态学特征以及1维散度特征； 其中，所述29维局部特征依次包括1维灰度值特征、24维高斯尺度空间滤波特征、4维Y方向二阶高斯导数特征； 所述1维灰度值特征是眼底图像中每个像素点在绿色通道上的灰度值； 所述24维高斯尺度空间滤波特征是对眼底图像在4个不同尺度进行二维高斯滤波、二 维高斯滤波的一阶偏导以及二维高斯滤波的二阶偏导值； 所述4维Y方向二阶高斯导数特征是先对眼底图像在X方向上的一维高斯滤波得到X方向一维滤波图像，再对X方向一维高斯滤波图像求解在Y方向上的二阶高斯导数得到的 4个特征； 其中，所述X方向上的一维高斯滤波所用的高斯标准方差为3 ;所述Y方向上的二维高 斯滤波所用的高斯标准方差的取值依次为 所述6维形态学特征是对眼底图像进行Bottom-Hat变换获得的6维特征； 所述1维散度特征是不同尺度的各个方向的向量场的散度的总和Feature :
其中，（x，y)表示眼底图像中像素点坐标，〇 3为多尺度滤波器的滤波尺度，k为尺度参 数，〇 3=kXO. 4;k= 1，2......，10 ; 0是不同尺度中向量的方向，X为方向参数，0 = 入jt/l〇 ; A=1，2......10 ; )',〇_()是利用多尺度滤波器对眼底图像进行滤波处理获 得的滤波图像； 步骤2 :采用CART树生成弱分类器，基于生成的弱分类器采用AdaBoost算法获得强分 类器； 利用AdaBoost算法进行T次迭代，每次迭代用训练集中每幅已知标定结果的眼底图像 的每个像素点的36维特征向量作为分类依据，结合训练集的手工标记分类结果，用CART二 叉树分类，选取错分率最低的特征向量所对应的阈值生成二叉树的结点，构造的二叉树作 为弱分类器； 第一次迭代过程中获得的弱分类器的的初始权重t= 1，m为训练样本像素 m 点数，m取值为3倍的血管像素点数目，正负样本选取比例为1:2,正样本即血管点，负样本 即背景点； 每次迭代过程中所需使用的错分率A= '后一次迭代得到的弱分类器的 i=\ 权重Dt+1(i)与前一次迭代弱分类器的权重Dt(i)之间的关系为 C表示权重参数，利用弱分类器对像素点进行分类得到的分类结果Ht (Zi)与该像素点 的人工标记结果yi-致时，权重参数C= 0 ;否则，C= 1;y取值为1或者-1 ; 其中，at表示第t次迭代过程得到的弱分类器组合参数，
7i表示第i个 样本像素点的人工标记结果，Ht表示第t次迭代过程得到的弱分类器，Qt表示归一化因子，
Zi为第i个训练样本像素点的36维特征向量，i= 1，…，m; 所述CART树的深度为2 ; 步骤3 :利用AdaBoost算法得到的T个弱分类器线性组合成一个强分类器F(U)对待 测试图像进行分类，提取测试图像中的血管结构； 户1
F⑶e{-1，1}，U表示对待分割图像中的像素点所提取的36维特征向量。
2. 根据权利要求1所述的一种基于分类回归树和AdaBoost的眼底图像视网膜血管分 割方法，其特征在于，将步骤3获得的分割结果与掩膜进行与操作，得到与操作结果，对与 操作结果图中去除小于20个像素点的区域，得到优化分割结果。
3. 根据权利要求1所述的一种基于分类回归树和AdaBoost的眼底图像视网膜血管分 割方法，其特征在于，所述对眼底图像在4个不同尺度进行二维高斯滤波、二维高斯滤波的 一阶偏导以及二维高斯滤波的二阶偏导值，分别按以下公式获得： 在4个不同尺度进行二维高斯滤波：
在4个不同尺度进行二维高斯滤波的一阶偏导：
在4个不同尺度进行二维高斯滤波的二阶偏导：
其中，〇是二维高斯滤波中使用的高斯标准方差，即滤波的尺度，在高斯尺度空间每次 滤波都有4个尺度，〇取值分别为
4. 根据权利要求1-3任一项所述的一种基于分类回归树和AdaBoost的眼底图像视网 膜血管分割方法，其特征在于，所述Bottom-Hat变换是指在n个不同方向上对眼底图像进 行底帽变换获得的特征，针对每个不同大小的结构元素在所有方向上的底帽变换结果叠加 在一起，作为一个特征；其中，n个不同方向角度范围在0° -180°之间，底帽变换中结构元 素的长度取值范围为3个像素到23个像素，每次增加4个像素。
【专利摘要】本发明公开了一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法，该方法为眼底图中的每个像素点构造一个包括局部特征、形态学特征和像素的向量场散度特征在内的36维特征向量，用以判定其是否为血管上的像素。分类计算时，以分类回归树作为弱分类器对样本集分类，然后对AdaBoost分类器进行训练得到强分类器，并由此完成各个像素点的分类判定，得到最后的分割结果。该方法对血管主干部分提取较好，对于高亮度病灶区的处理很有优势，适合进行后期处理，为主要血管的病变提供了直观结果，适用于眼底图像的计算机辅助定量分析和疾病诊断，对相关疾病的辅助诊断有明显临床意义。
【IPC分类】G06T7-00, G06K9-62
【公开号】CN104809480
【申请号】CN201510262249
【发明人】邹北骥, 朱承璋, 崔锦恺, 向遥, 李暄, 张思剑, 陈奇林
【申请人】中南大学
【公开日】2015年7月29日
【申请日】2015年5月21日