基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，包括視網(wǎng)膜圖像獲取單元、視網(wǎng)膜圖像預(yù)處理單元、微小動脈瘤圖像粗提取單元、微小動脈瘤圖像精提取單元和微小動脈瘤發(fā)生風(fēng)險預(yù)測單元，通過對獲取的視網(wǎng)膜圖像進行圖像增強和小波變換進行圖像增強處理，對增強后的圖像進行多動態(tài)模板匹配實現(xiàn)對微小動脈瘤圖像的粗提取，并去除粗提取后圖像上血管組織，提取微小動脈瘤圖像的特征值，建立樸素貝葉斯分類器，實現(xiàn)對微小動脈瘤發(fā)生風(fēng)險的預(yù)測，本發(fā)明采用加權(quán)的樸素貝葉斯分類器，提高了微小動脈瘤發(fā)生風(fēng)險預(yù)測的靈敏度，降低了微小動脈瘤的誤檢率。
【專利說明】基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于模式識別研究領(lǐng)域，具體涉及基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生 風(fēng)險預(yù)測系統(tǒng)。

【背景技術(shù)】
[0002] 采用數(shù)字眼底圖像進行視網(wǎng)膜微小動脈瘤的自動檢測是目前模式識別的一個 重要應(yīng)用領(lǐng)域。Fleming等人使用局部標(biāo)準(zhǔn)化對比度的方法實現(xiàn)了數(shù)字眼底圖像中微小 動脈瘤的自動檢測（A.D. Fleming，S. Philip，K.A.Goatman，J.A. Olson，and P.F. Sharp. Automated microaneurysms detection using local contrast normalization and local vessel detection[J]，IEEE transactions on medical imaging，2006,25 :1223-1232.)， 一定程度上剔除了不易與微小動脈瘤區(qū)分的毛細血管部分。Walter等人提出一種基于 數(shù)學(xué)形態(tài)學(xué)的檢測（T. Walter，P.Massin，A.Erginay，R. Ordonez，C.Jeulin，and J.-C. Klein. Automatic detection of microaneurysms in color fundus images[J]，Medical image analysis，2007,11 (6) :555-566.)，通過圖像標(biāo)準(zhǔn)化實現(xiàn)亮影補償，對微小動脈 瘤的檢測則采用直徑逼近的方法，彌補頂帽變換對彎曲血管檢測的不足。Niemeijer結(jié) 合監(jiān)督像素分類器（Supervised Pixel Classification)方法提出了一種混合檢測算法 (M. Niemeijer, B. van Ginneken, J. Staal, M. S. A. Suttorp-Schulten, and M. D. Abramoff. Automatic detection of red lesions in digital color fundus photographs[J], IEEE transactions on medical imaging，2005, 24 (5) :584-592.)，此算法可以檢測所有的視網(wǎng) 膜血管，包括微小動脈瘤等類似的病灶信息，通過去除粘連在一起的線形結(jié)構(gòu)，得到微小動 脈瘤候選集合，此方法同時可以檢測視網(wǎng)膜出血等病征信息。Bob等人則采用了一種多尺度 相關(guān)系數(shù)的方法實現(xiàn)微小動脈瘤的自動檢測，根據(jù)微小動脈瘤的形狀特征進行形態(tài)匹配， 其匹配程度采用相關(guān)系數(shù)衡量，再經(jīng)過特征提取獲取微小動脈瘤集合（Z. Bob，W.X. Qian， Y. Jane, et al. Detection of microaneurysms using multi-scale correlation coefficients [J]，Pattern recognition，2010,43 :2237-2248.) 〇
[0003] 除了基于數(shù)學(xué)形態(tài)學(xué)方法的微小動脈瘤自動檢測，Sinthanayothin等人采用遞 歸區(qū)域生長實現(xiàn)了微小動脈瘤和血管的檢測，并使用人工神經(jīng)網(wǎng)絡(luò)提取血管，去除提取的 血管后得到所要檢測的微小動脈瘤（C.Sinthanayothin，J.F. Boyce，T.H. Williamson， H.L.Cook, Ε.Mensah, S.Lai, and D.Usher.Automated detection of diabetic retinopathy on digital fundus images[J]，Diabetic medicine，2002,19 :105-112.)〇 Quellec等人選用監(jiān)督學(xué)習(xí)方法，經(jīng)過小波變換后，對變換后小波子帶進行模板匹配，對匹 配結(jié)果進行閾值分割得到所需的微小動脈瘤集合（G. Quellec，M. Lamard，P. M. Josselin， G. Cazuguel, B. Cochener, and C. Roux. Optimal wavelets transform for the detection of microaneurysms in retina photographs [J]，IEEE transactions on medical imaging，2008,27(9) :1230-1241.)基于模板選擇方法的不同，常見的經(jīng)典模板匹配算法 有模板庫匹配（Template Library，TL)算法和函數(shù)模板（Function Template，F(xiàn)T)匹配算 法。
[0004] 目前在微小動脈瘤的初次提取中出現(xiàn)的最新的匹配提取方法，其流程簡單易用， 但其檢測結(jié)果并不理想，檢測正確率偏低且誤檢率較高，并且對不同模式下的視網(wǎng)膜圖像 的適應(yīng)性不夠，甚至完全不適應(yīng)某種成像模式下獲得的視網(wǎng)膜圖像。


【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有技術(shù)的不足，本發(fā)明提出基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù) 測系統(tǒng)。
[0006] 本發(fā)明技術(shù)方案如下：
[0007] 基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，包括視網(wǎng)膜圖像獲取單 元、視網(wǎng)膜圖像預(yù)處理單元、微小動脈瘤圖像粗提取單元、微小動脈瘤圖像精提取單元和微 小動脈瘤發(fā)生風(fēng)險預(yù)測單元；
[0008] 所述的視網(wǎng)膜圖像獲取單元，用于獲取N張已知微小動脈瘤的RGB格式視網(wǎng)膜的 圖像和N張待檢測的RGB格式視網(wǎng)膜的圖像；
[0009] 所述的視網(wǎng)膜圖像預(yù)處理單元，用于對N張已微小動脈瘤的RGB格式視網(wǎng)膜的圖 像和N張待檢測的RGB格式視網(wǎng)膜的圖像進行圖像增強處理，再進行三層haar小波變換， 得到增強處理后的高頻圖像，即2N張小波變換后的圖像；
[0010] 所述的微小動脈瘤圖像粗提取單元，用于將小波變換后的圖像中已知微小動脈瘤 的視網(wǎng)膜圖像作為訓(xùn)練集圖像，將小波變換后的圖像中待檢測的視網(wǎng)膜圖像作為測試集圖 像，建立k個微小動脈瘤動態(tài)多參數(shù)模板，利用k個微小動脈瘤動態(tài)多參數(shù)模板分別對訓(xùn)練 集圖像和測試集圖像進行模板匹配，得到訓(xùn)練集模板匹配后的圖像和測試集模板匹配后的 圖像，圖像中各像素點構(gòu)成微小動脈瘤候選集，分別提取訓(xùn)練集模板匹配后的圖像中血管 上的微小動脈瘤候選集中候選瘤和測試集模板匹配后的圖像中血管上的微小動脈瘤候選 集中候選瘤并剔除，得到訓(xùn)練集的剔除血管圖像和測試集的剔除血管圖像，在利用區(qū)域增 長的方法進行還原，得到訓(xùn)練集區(qū)域增長后的圖像和測試集區(qū)域增長后的圖像；
[0011] 所述的微小動脈瘤圖像精提取單元，用于對訓(xùn)練集區(qū)域增長后的圖像和測試集區(qū) 域增長后的圖像進行特征提取，得到訓(xùn)練集特征值的集合和測試集特征值的集合，并根據(jù) 訓(xùn)練集特征值的集合建立加權(quán)的樸素貝葉斯分類器；
[0012] 所述的微小動脈瘤發(fā)生風(fēng)險預(yù)測單元，用于將測試集特征值的集合帶入加權(quán)的樸 素貝葉斯分類器，當(dāng)屬于微小動脈瘤的概率大于不屬于微小動脈瘤的概率時，該視網(wǎng)膜圖 像存在具有微小動脈瘤的風(fēng)險。
[0013] 所述的視網(wǎng)膜圖像預(yù)處理單元，包括：獲取圖像背景模塊、陰影校正模塊、頂帽變 換模塊、高斯濾波模塊和小波變化模塊；
[0014] 所述的獲取圖像背景模塊，用于將2N張 RGB格式視網(wǎng)膜的圖像在綠色通道下的圖 像進行取反，得到2N張底片效果的圖像；
[0015] 所述的陰影校正模塊，用于對2N張底片效果的圖像進行陰影校正，得到2N張去除 陰影的圖像；
[0016] 所述的頂帽變換模塊，用于對2N張去除陰影的圖像進行頂帽變換，得到2N張頂帽 變換后的圖像；
[0017] 所述的高斯濾波模塊，用于對2N張頂帽變換后的圖像進行高斯濾波，得到2N張增 強處理后的圖像；
[0018] 所述的小波變化模塊，用于對2N張增強處理后的圖像進行三層haar小波變換，得 到2N張增強處理后圖像的高頻圖像，即2N張小波變換后的圖像。
[0019] 所述的微小動脈瘤圖像粗提取單元，包括模板匹配模塊、血管去除模塊和區(qū)域增 長模塊；
[0020] 所述的模板匹配模塊，用于將小波變換后的圖像中已知微小動脈瘤的視網(wǎng)膜圖像 作為訓(xùn)練集圖像，將小波變換后的圖像中待檢測的視網(wǎng)膜圖像作為測試集圖像，建立k個 微小動脈瘤動態(tài)多參數(shù)模板，利用k個微小動脈瘤動態(tài)多參數(shù)模板分別對訓(xùn)練集圖像和測 試集圖像進行模板匹配，得到訓(xùn)練集模板匹配后的圖像和測試集模板匹配后的圖像；
[0021] 所述的微小動脈瘤動態(tài)多參數(shù)模板的多動態(tài)參數(shù)包括：半徑參數(shù)、陡峭度參數(shù)、灰 度水平面參數(shù)和灰度高度參數(shù)；
[0022] 所述的半徑參數(shù)利用枚舉法設(shè)定；
[0023] 所述的陡峭度參數(shù)利用訓(xùn)練集圖像中所有微小動脈瘤候選集中候選瘤的平均誤 差總和ASE進行計算；
[0024] 所述的灰度水平面參數(shù)為小波變換后的圖像中待匹配的微小動脈瘤候選集中候 選瘤的背景強度值；
[0025] 所述的灰度高度參數(shù)為小波變換后的圖像中待匹配的微小動脈瘤候選集中候選 瘤的中心點的相對灰度高度。
[0026] 所述的訓(xùn)練集模板匹配的圖像是閾值分割后的訓(xùn)練集相關(guān)系數(shù)圖像和誤差和圖 像進行邏輯與后的圖像；所述的測試集模板匹配的圖像是閾值分割后的測試集相關(guān)系數(shù)圖 像和誤差和圖像進行邏輯與后的圖像。
[0027] 所述的訓(xùn)練集的相關(guān)系數(shù)圖像為訓(xùn)練集圖像中與微小動脈瘤動態(tài)多參數(shù)模板中 的各像素點相關(guān)系數(shù)最大的各像素點形成的圖像；
[0028] 所述的測試集的相關(guān)系數(shù)圖像為測試集圖像中與微小動脈瘤動態(tài)多參數(shù)模板中 的各像素點相關(guān)系數(shù)最大的各像素點形成的圖像；
[0029] 所述的訓(xùn)練集的誤差和圖像為訓(xùn)練集圖像中與微小動脈瘤動態(tài)多參數(shù)模板中的 各像素點誤差和最大的各像素點形成的圖像；
[0030] 所述的測試集的誤差和圖像為測試集圖像中與微小動脈瘤動態(tài)多參數(shù)模板中的 各像素點誤差和最大的各像素點形成的圖像。
[0031] 所述的血管去除模塊，用于對訓(xùn)練集圖像和測試集圖像采用匹配濾波器的方法， 對圖像中的血管進行剔除，得到訓(xùn)練集血管圖像和測試集血管圖像，利用訓(xùn)練集血管圖像 提取訓(xùn)練集模板匹配后的圖像中血管上的微小動脈瘤候選集中候選瘤并剔除，得到訓(xùn)練集 的剔除血管圖像；利用測試集血管圖像提取測試集模板匹配后的圖像中血管上的微小動脈 瘤候選集中候選瘤并剔除，得到測試集的剔除血管圖像；
[0032] 所述的區(qū)域增長模塊，用于將訓(xùn)練集的剔除血管圖像利用區(qū)域增長的方法進行還 原，得到訓(xùn)練集區(qū)域增長后的圖像；將測試集的剔除血管圖像利用區(qū)域增長的方法進行還 原，得到測試集區(qū)域增長后的圖像。
[0033] 所述的微小動脈瘤圖像精提取單元，包括：特征提取模塊、特征權(quán)重系數(shù)訓(xùn)練模 塊、構(gòu)建分類器模塊；
[0034] 所述的特征提取模塊，用于計算訓(xùn)練集區(qū)域增長后的圖像中每個微小動脈瘤候選 集中候選瘤的48個特征值，得到訓(xùn)練集特征值的集合；計算測試集區(qū)域增長后的圖像中每 個微小動脈瘤候選集中候選瘤的48個特征值，得到測試集特征值的集合；
[0035] 所述的微小動脈瘤候選集中候選瘤的48個特征值包括微小動脈瘤的形狀特征信 息、微小動脈瘤的像素特征信息、微小動脈瘤的匹配特征信息、微小動脈瘤區(qū)域和其最小凸 多邊形中的像素比例、微小動脈瘤區(qū)域和其最小邊界矩形中的像素比例。
[0036] 所述的特征權(quán)重系數(shù)訓(xùn)練模塊，用于利用遺傳算法得到訓(xùn)練集特征值的集合的48 個特征值的權(quán)重系數(shù)；
[0037] 所述的構(gòu)建分類器模塊，用于計算訓(xùn)練集特征值的集合屬于微小動脈瘤的微小動 脈瘤候選集中候選瘤的各個屬性值的均值和方差；計算訓(xùn)練集特征值的集合中不屬于微小 動脈瘤的微小動脈瘤候選集中候選瘤的各個屬性值的均值和方差；根據(jù)訓(xùn)練集特征值的集 合的48個特征值的權(quán)重系數(shù)、訓(xùn)練集特征值的集合中屬于微小動脈瘤的微小動脈瘤候選 集中候選瘤的各個屬性值的均值和方差、訓(xùn)練集特征值的集合中不屬于微小動脈瘤的微小 動脈瘤候選集中候選瘤的各個屬性值的均值和方差建立加權(quán)的樸素貝葉斯分類器。
[0038] 本發(fā)明的有益效果：
[0039] 本發(fā)明適用于視網(wǎng)膜圖像中微小動脈瘤初步提取的模板匹配，并設(shè)計實現(xiàn)了動態(tài) 多參數(shù)模板DMPT，該模板可以適應(yīng)微小動脈瘤在灰度特性上的大多數(shù)形態(tài)變化，并且該模 板的匹配是在小波域進行以突出在某一方向上的特征。另外，本發(fā)明在匹配度的設(shè)計上綜 合了匹配相關(guān)性與匹配誤差之間的矛盾關(guān)系，使用了一種誤差和SE與相關(guān)系數(shù)CC共同制 約匹配度的策略。在最終的微小動脈瘤定位階段，則采取基于數(shù)理統(tǒng)計學(xué)的貝葉斯分類器。
[0040] 本發(fā)明采用在小波域進行的多參數(shù)動態(tài)模版，能夠適應(yīng)不同灰度、大小、背景、銳 利度以及在圖像的低頻、高頻等分量上表現(xiàn)各異的微小動脈瘤，增強了粗提取過程中的提 取準(zhǔn)確性；本發(fā)明采用加權(quán)的樸素貝葉斯分類器，提高了微小動脈瘤發(fā)生風(fēng)險預(yù)測的靈敏 度，降低了微小動脈瘤的誤檢率。

【專利附圖】

【附圖說明】
[0041] 圖1為本發(fā)明【具體實施方式】的基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測 系統(tǒng)的結(jié)構(gòu)框圖；
[0042] 圖2為本發(fā)明【具體實施方式】的已知微小動脈瘤的RGB格式視網(wǎng)膜的圖像；
[0043] 圖3為本發(fā)明【具體實施方式】的頂帽變換后的圖像；
[0044] 圖4為本發(fā)明【具體實施方式】的增強處理后的圖像；
[0045] 圖5為本發(fā)明【具體實施方式】的第一層haar小波變換后的圖像；
[0046] 其中，（a)為第一層haar小波變換后的低頻信號圖像；(b)為第一層haar小波變 換后的高頻信號圖像；
[0047] 圖6為本發(fā)明【具體實施方式】的第二層haar小波變換后的圖像；
[0048] 其中，（a)為第二層haar小波變換后的低頻信號圖像；(b)為第二層haar小波變 換后的高頻信號圖像；
[0049] 圖7為本發(fā)明【具體實施方式】的第三層haar小波變換后的圖像；
[0050] 其中，（a)為第三層haar小波變換后的低頻信號圖像；(b)為第三層haar小波變 換后的高頻信號圖像（小波變換后的圖像）；
[0051] 圖8為本發(fā)明【具體實施方式】的模板匹配后的圖像；
[0052] 圖9為本發(fā)明【具體實施方式】的血管圖像；
[0053] 圖10為本發(fā)明【具體實施方式】的區(qū)域增長后的圖像；
[0054] 圖11為本發(fā)明【具體實施方式】的最終提取到的微小動脈瘤圖像；
[0055] 圖12為本發(fā)明【具體實施方式】的基于小波變換與貝葉斯加權(quán)分類器的微小動脈瘤 檢測方法與計分策略效果以及Bob等人的算法效果對比圖。

【具體實施方式】
[0056] 下面結(jié)合附圖對本發(fā)明【具體實施方式】加以詳細的說明。
[0057] 基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，如圖1所示，包括視網(wǎng)膜 圖像獲取單元、視網(wǎng)膜圖像預(yù)處理單元、微小動脈瘤圖像粗提取單元、微小動脈瘤圖像精提 取單元和微小動脈瘤發(fā)生風(fēng)險預(yù)測單元。
[0058] 視網(wǎng)膜圖像獲取單元，用于獲取50張已知微小動脈瘤的RGB格式視網(wǎng)膜的圖像 1^·· I5tl和50張待檢測的RGB格式視網(wǎng)膜的圖像I51··· I1QQ。
[0059] 已知微小動脈瘤的RGB格式視網(wǎng)膜的圖像如圖2所示。
[0060] 視網(wǎng)膜圖像預(yù)處理單元，用于對50張已知微小動脈瘤的RGB格式視網(wǎng)膜的圖像 Ii··· I5tl和50張待檢測的RGB格式視網(wǎng)膜的圖像I51··· Iiqq進行圖像增強處理，再進行三層 haar小波變換，得到增強處理后的高頻圖像，即2N張小波變換后的圖像Ιω···
[0061] 視網(wǎng)膜圖像預(yù)處理單元，包括：獲取圖像背景模塊、陰影校正模塊、頂帽變換模塊、 高斯濾波模塊和小波變化模塊。
[0062] 獲取圖像背景模塊，用于將100張 RGB格式視網(wǎng)膜的圖像在綠色通道下的圖像 Iei··· 進行取反，得到100張底片效果的圖像Ibgl··· IbglQQ。
[0063] 陰影校正模塊，用于對100張底片效果的圖像Ibgl?IbgK?進行陰影校正，修正由于 不均勻光照產(chǎn)生的圖像陰影，得到100張去除陰影的圖像I sc;1··· ISC；1Q。
[0064] 頂帽變換模塊，用于對100張去除陰影的圖像Iscl-Iscat?進行頂帽變換，去除圖像 中明顯存在的線性結(jié)構(gòu)，如視網(wǎng)膜中的大血管，得到100張頂帽變換后的圖像I thl-IthlQQ。
[0065] 本實施方式中，選取旋轉(zhuǎn)角度為β的線型結(jié)構(gòu)元素對去除陰影的圖像IsyI sc;1(IQ 進行頂帽變換，結(jié)構(gòu)元素旋轉(zhuǎn)時，每次旋轉(zhuǎn)的角度設(shè)置為15°，即選取的角度方向β取值 如公式⑴所示：
[0066] {0°，15°，30°，45°，60°，75°，90°，105°，120°，135°，150°，165° } (1)
[0067] 使用上述不同旋轉(zhuǎn)角度的結(jié)構(gòu)元素去除陰影的圖像Is^Iscxlt?進行形態(tài)學(xué)開運 算，設(shè)經(jīng)過開運算后的每個圖像分別有12個。選擇每個像素點在12個圖像中對應(yīng)點的最 大值為開運算圖像中的像素點，得到開運算圖像，去除陰影的圖像I sWIscx1m減去其對應(yīng) 的開運算圖像，即得到頂帽變換后的圖像Ithl··· IthlQQ。
[0068] 本發(fā)明【具體實施方式】的頂帽變換后的圖像如圖3所示。
[0069] 高斯濾波模塊，用于對100張頂帽變換后的圖像Ithl-Ithlt?進行高斯濾波，增強微 小動脈瘤候選集中候選瘤目標(biāo)區(qū)域的對比度，得到100張增強處理后的圖像Igtl··· IgtlQQ。
[0070] 對頂帽變換后的圖像Ithl-Ithltltl進行高斯濾波用來增強微小動脈瘤候選集中候選 瘤目標(biāo)區(qū)域的對比度。
[0071] 本實施方式中，選用大小為IlX 11，強度參數(shù)〇 = 1的二維高斯濾波器對頂帽變 換后的圖像Ithl··· Ithltltl進行增強濾波，得到增強處理后的圖像Igtl··· IgtlQQ。
[0072] 本發(fā)明【具體實施方式】的增強處理后的圖像如圖4所示。
[0073] 小波變化模塊，用于對100張增強處理后的圖像Igtl··· Igtltltl進行三層haar小波變 換，得到100張增強處理后的圖像Igtl-I gtltltl的高頻圖像，即100張小波變換后的圖像Ihrl- IhrlOO。
[0074] 本發(fā)明【具體實施方式】的第一層haar小波變換后的圖像如圖5所示，其中，（a)為 第一層haar小波變換后的低頻信號圖像；(b)為第一層haar小波變換后的高頻信號圖像。
[0075] 本發(fā)明【具體實施方式】的第二層haar小波變換后的圖像如圖6所示，其中，（a)為 第二層haar小波變換后的低頻信號圖像；(b)為第二層haar小波變換后的高頻信號圖像。
[0076] 本發(fā)明【具體實施方式】的第三層haar小波變換后的圖像如圖7所示，其中，其中， (a)為第三層haar小波變換后的低頻信號圖像；(b)為第三層haar小波變換后的高頻信號 圖像（小波變換后的圖像）。
[0077] 微小動脈瘤圖像粗提取單元，用于將小波變換后的圖像Ih,Ih_中已知微小動 脈瘤的視網(wǎng)膜圖像作為訓(xùn)練集圖像I h^Ihr5tl，將小波變換后的圖像IhWlhritltl中待檢測的 視網(wǎng)膜圖像作為測試集圖像I hrfl··· Ihrlt?，建立k個微小動脈瘤動態(tài)多參數(shù)模板，利用k個 微小動脈瘤動態(tài)多參數(shù)模板分別對訓(xùn)練集圖像I hri··· Ihr5tl和測試集圖像Ihrfl··· Ihrit?進行模 板匹配，得到訓(xùn)練集模板匹配后的圖像Ibvl…Ibv5tl和測試集模板匹配后的圖像I bv51··· Ibvltltl ; 圖像中各像素點構(gòu)成微小動脈瘤候選集，分別提取訓(xùn)練集模板匹配后的圖像Ibvl-Ibv5tl中 血管上的微小動脈瘤候選集中候選瘤和測試集模板匹配后的圖像I bv51··· Ibvlt?中血管上的 微小動脈瘤候選集中候選瘤并剔除，得到訓(xùn)練集的剔除血管圖像Itbl…I tb5tl和測試集的剔 除血管圖像Itb51?it_，在利用區(qū)域增長的方法進行還原，得到訓(xùn)練集區(qū)域增長后的圖像 Irer·· Ireai和測試集區(qū)域增長后的圖像Iref Irel。。。
[0078] 微小動脈瘤圖像粗提取單元，包括模板匹配模塊、血管去除模塊和區(qū)域增長模塊。
[0079] 模板匹配模塊，用于將小波變換后的圖像Itol··· Ihrlt?中已知微小動脈瘤的視網(wǎng)膜 圖像作為訓(xùn)練集圖像Ihri-Ihr5tl,將小波變換后的圖像I hri-Ihric?中待檢測的視網(wǎng)膜圖像作 為測試集圖像Ihrfl··· Ihrltltl,建立k個微小動脈瘤動態(tài)多參數(shù)模板，利用k個微小動脈瘤動態(tài) 多參數(shù)模板分別對訓(xùn)練集圖像和測試集圖像進行模板匹配，得到訓(xùn)練集模板匹配后的圖像 1Iwl…IbV5。和測試集模板匹配后的圖像IbV51…IbVl。。。
[0080] 將小波變換后的圖像Ιω···Ιω(ι(ι中已知微小動脈瘤的視網(wǎng)膜圖像作為訓(xùn)練集圖像 1 1^?11^。，將小波變換后的圖像11^一11^。。中待檢測的視網(wǎng)膜圖像作為測試集圖像1 1^1··· IhrlOO。
[0081] 建立k = 4個微小動脈瘤動態(tài)多參數(shù)模板。
[0082] 半徑參數(shù)利用枚舉法設(shè)定，半徑參數(shù)取值集合RvIiyr4K半徑參數(shù)iyr 4 e [3， l0]ve (1···4)，本實施方式中，利用枚舉法設(shè)定的半徑參數(shù)的取值集合為&= {3,5,7， 10}。
[0083] 陡峭度參數(shù)利用訓(xùn)練集圖像中所有微小動脈瘤候選集中候選瘤的平均誤差總和 ASE進行計算：設(shè)定陡峭度參數(shù)的初始值Stl和遞增步長Sp，利用訓(xùn)練集圖像1^·· Ihrftl中 所有微小動脈瘤候選集中候選瘤的平均誤差總和ASE作為折中函數(shù)，將使該平均誤差總和 ASE減小的比例小于設(shè)定的比例參數(shù)q%作為評判條件，計算出陡峭度參數(shù)s。
[0084] 本實施方式中，設(shè)定的陡峭度參數(shù)的初始值Stl為0. 5,步長參數(shù)為Sp = 0. 5,設(shè)定 的比例參數(shù)為20%,計算出的陡峭度參數(shù)s為3。
[0085] 灰度水平面參數(shù)1為小波變換后的圖像Ihri··· Ihric?中待匹配的微小動脈瘤候選集 中候選瘤的背景強度值b。
[0086] 灰度水平面參數(shù)1如公式（2)所示：

【權(quán)利要求】
1. 基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，其特征在于，包括視網(wǎng)膜圖 像獲取單元、視網(wǎng)膜圖像預(yù)處理單元、微小動脈瘤圖像粗提取單元、微小動脈瘤圖像精提取 單元和微小動脈瘤發(fā)生風(fēng)險預(yù)測單元； 所述的視網(wǎng)膜圖像獲取單元，用于獲取N張已知微小動脈瘤的RGB格式視網(wǎng)膜的圖像 和N張待檢測的RGB格式視網(wǎng)膜的圖像； 所述的視網(wǎng)膜圖像預(yù)處理單元，用于對N張已知微小動脈瘤的RGB格式視網(wǎng)膜的圖像 和N張待檢測的RGB格式視網(wǎng)膜的圖像進行圖像增強處理，再進行H層haar小波變換，得 到增強處理后的高頻圖像，即2N張小波變換后的圖像； 所述的微小動脈瘤圖像粗提取單元，用于將小波變換后的圖像中已知微小動脈瘤的視 網(wǎng)膜圖像作為訓(xùn)練集圖像，將小波變換后的圖像中待檢測的視網(wǎng)膜圖像作為測試集圖像， 建立k個微小動脈瘤動態(tài)多參數(shù)模板，利用k個微小動脈瘤動態(tài)多參數(shù)模板分別對訓(xùn)練集 圖像和測試集圖像進行模板匹配，得到訓(xùn)練集模板匹配后的圖像和測試集模板匹配后的圖 像，圖像中各像素點構(gòu)成微小動脈瘤候選集，分別提取訓(xùn)練集模板匹配后的圖像中血管上 的微小動脈瘤候選集中候選瘤和測試集模板匹配后的圖像中血管上的微小動脈瘤候選集 中候選瘤并剔除，得到訓(xùn)練集的剔除血管圖像和測試集的剔除血管圖像，在利用區(qū)域增長 的方法進行還原，得到訓(xùn)練集區(qū)域增長后的圖像和測試集區(qū)域增長后的圖像； 所述的微小動脈瘤圖像精提取單元，用于對訓(xùn)練集區(qū)域增長后的圖像和測試集區(qū)域增 長后的圖像進行特征提取，得到訓(xùn)練集特征值的集合和測試集特征值的集合，并根據(jù)訓(xùn)練 集特征值的集合建立加權(quán)的樸素貝葉斯分類器； 所述的微小動脈瘤發(fā)生風(fēng)險預(yù)測單元，用于將測試集特征值的集合帶入加權(quán)的樸素貝 葉斯分類器，當(dāng)屬于微小動脈瘤的概率大于不屬于微小動脈瘤的概率時，該視網(wǎng)膜圖像存 在具有微小動脈瘤的風(fēng)險。
2. 根據(jù)權(quán)利要求1所述的基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，其特 征在于，所述的視網(wǎng)膜圖像預(yù)處理單元，包括；獲取圖像背景模塊、陰影校正模塊、頂帽變換 模塊、高斯濾波模塊和小波變化模塊； 所述的獲取圖像背景模塊，用于將2N張RGB格式視網(wǎng)膜的圖像在綠色通道下的圖像進 行取反，得到2N張底片效果的圖像； 所述的陰影校正模塊，用于對2N張底片效果的圖像進行陰影校正，得到2N張去除陰影 的圖像； 所述的頂帽變換模塊，用于對2N張去除陰影的圖像進行頂帽變換，得到2N張頂帽變換 后的圖像； 所述的高斯濾波模塊，用于對2N張頂帽變換后的圖像進行高斯濾波，得到2N張增強處 理后的圖像； 所述的小波變化模塊，用于對2N張增強處理后的圖像進行H層haar小波變換，得到2N 張增強處理后圖像的高頻圖像，即2N張小波變換后的圖像。
3. 根據(jù)權(quán)利要求1所述的基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，其特 征在于，所述的微小動脈瘤圖像粗提取單元，包括模板匹配模塊、血管去除模塊和區(qū)域增長 模塊； 所述的模板匹配模塊，用于將小波變換后的圖像中已知微小動脈瘤的視網(wǎng)膜圖像作為 訓(xùn)練集圖像，將小波變換后的圖像中待檢測的視網(wǎng)膜圖像作為測試集圖像，建立k個微小 動脈瘤動態(tài)多參數(shù)模板，利用k個微小動脈瘤動態(tài)多參數(shù)模板分別對訓(xùn)練集圖像和測試集 圖像進行模板匹配，得到訓(xùn)練集模板匹配后的圖像和測試集模板匹配后的圖像； 所述的血管去除模塊，用于對訓(xùn)練集圖像和測試集圖像采用匹配濾波器的方法，對圖 像中的血管進行剔除，得到訓(xùn)練集血管圖像和測試集血管圖像，利用訓(xùn)練集血管圖像提取 訓(xùn)練集模板匹配后的圖像中血管上的微小動脈瘤候選集中候選瘤并剔除，得到訓(xùn)練集的剔 除血管圖像；利用測試集血管圖像提取測試集模板匹配后的圖像中血管上的微小動脈瘤候 選集中候選瘤并剔除，得到測試集的剔除血管圖像； 所述的區(qū)域增長模塊，用于將訓(xùn)練集的剔除血管圖像利用區(qū)域增長的方法進行還原， 得到訓(xùn)練集區(qū)域增長后的圖像；將測試集的剔除血管圖像利用區(qū)域增長的方法進行還原， 得到測試集區(qū)域增長后的圖像。
4. 根據(jù)權(quán)利要求1所述的基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，其特 征在于，所述的微小動脈瘤圖像精提取單元，包括；特征提取模塊、特征權(quán)重系數(shù)訓(xùn)練模塊、 構(gòu)建分類器模塊； 所述的微小動脈瘤候選集中候選瘤的48個特征值包括微小動脈瘤的形狀特征信息、 微小動脈瘤的像素特征信息、微小動脈瘤的匹配特征信息、微小動脈瘤區(qū)域和其最小凸多 邊形中的像素比例、微小動脈瘤區(qū)域和其最小邊界矩形中的像素比例； 所述的特征權(quán)重系數(shù)訓(xùn)練模塊，用于利用遺傳算法得到訓(xùn)練集特征值的集合的48個 特征值的權(quán)重系數(shù)； 所述的構(gòu)建分類器模塊，用于計算訓(xùn)練集特征值的集合屬于微小動脈瘤的微小動脈瘤 候選點的各個屬性值的均值和方差；計算訓(xùn)練集特征值的集合中不屬于微小動脈瘤的微小 動脈瘤候選集中候選瘤的各個屬性值的均值和方差；根據(jù)訓(xùn)練集特征值的集合的48個特 征值的權(quán)重系數(shù)、訓(xùn)練集特征值的集合中屬于微小動脈瘤的微小動脈瘤候選集中候選瘤的 各個屬性值的均值和方差、訓(xùn)練集特征值的集合中不屬于微小動脈瘤的微小動脈瘤候選集 中候選瘤的各個屬性值的均值和方差建立加權(quán)的樸素貝葉斯分類器。
5. 根據(jù)權(quán)利要求3所述的基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，其特 征在于，所述的微小動脈瘤動態(tài)多參數(shù)模板的多動態(tài)參數(shù)包括：半徑參數(shù)、睹峭度參數(shù)、灰 度水平面參數(shù)和灰度高度參數(shù)； 所述的半徑參數(shù)利用枚舉法設(shè)定； 所述的睹峭度參數(shù)利用訓(xùn)練集圖像中所有微小動脈瘤候選集中候選瘤的平均誤差總 和ASE進行計算； 所述的灰度水平面參數(shù)為小波變換后的圖像中待匹配的微小動脈瘤候選集中候選瘤 的背景強度值； 所述的灰度高度參數(shù)為小波變換后的圖像中待匹配的微小動脈瘤候選集中候選瘤的 中也點的相對灰度高度。
6. 根據(jù)權(quán)利要求3所述的基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，其特 征在于，所述的訓(xùn)練集模板匹配的圖像是闊值分割后的訓(xùn)練集相關(guān)系數(shù)圖像和誤差和圖像 進行邏輯與后的圖像；所述的測試集模板匹配的圖像是闊值分割后的測試集相關(guān)系數(shù)圖像 和誤差和圖像進行邏輯與后的圖像。
7. 根據(jù)權(quán)利要求4所述的基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，其特 征在于，所述的微小動脈瘤候選集中候選瘤的48個特征值包括微小動脈瘤的形狀特征信 息、微小動脈瘤的像素特征信息、微小動脈瘤的匹配特征信息和微小動脈瘤區(qū)域和其最小 凸多邊形中的像素比例及微小動脈瘤區(qū)域和其最小邊界矩形中的像素比例。
8. 根據(jù)權(quán)利要求7所述的基于視網(wǎng)膜圖像處理的微小動脈瘤發(fā)生風(fēng)險預(yù)測系統(tǒng)，其特 征在于，所述的訓(xùn)練集的相關(guān)系數(shù)圖像為訓(xùn)練集圖像中與微小動脈瘤動態(tài)多參數(shù)模板中的 各像素點相關(guān)系數(shù)最大的各像素點形成的圖像； 所述的測試集的相關(guān)系數(shù)圖像為測試集圖像中與微小動脈瘤動態(tài)多參數(shù)模板中的各 像素點相關(guān)系數(shù)最大的各像素點形成的圖像； 所述的訓(xùn)練集的誤差和圖像為訓(xùn)練集圖像中與微小動脈瘤動態(tài)多參數(shù)模板中的各像 素點誤差和最大的各像素點形成的圖像； 所述的測試集的誤差和圖像為測試集圖像中與微小動脈瘤動態(tài)多參數(shù)模板中的各像 素點誤差和最大的各像素點形成的圖像。
【文檔編號】G06K9/62GK104463215SQ201410757731
【公開日】2015年3月25日 申請日期:2014年12月10日 優(yōu)先權(quán)日:2014年12月10日
【發(fā)明者】丁山, 馬文翼 申請人:東北大學(xué)