[發(fā)明專(zhuān)利]視網(wǎng)膜血管彎曲度確定方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811483151.1
• 申請(qǐng)日: 2018-12-05
• 公開(kāi)（公告）號(hào): CN109685770B
• 公開(kāi)（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 劉磊
• 申請(qǐng)（專(zhuān)利權(quán)）人: 合肥奧比斯科技有限公司
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06T7/10
• 代理公司: 北京久誠(chéng)知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11542
• 代理人: 余罡

1.一種視網(wǎng)膜血管彎曲度確定方法，其特征在于，包括：

構(gòu)建全卷積深度神經(jīng)網(wǎng)絡(luò)，所述全卷積深度神經(jīng)網(wǎng)絡(luò)能夠從眼底圖像中分割出血管和視盤(pán)；

獲取目標(biāo)眼底圖像，應(yīng)用所述全卷積深度神經(jīng)網(wǎng)絡(luò)從所述目標(biāo)眼底圖像中分割出所述目標(biāo)眼底圖像中的血管和視盤(pán)；

根據(jù)所述目標(biāo)眼底圖像中的血管和視盤(pán)，確定所述目標(biāo)眼底圖像中血管的彎曲度；

所述根據(jù)所述目標(biāo)眼底圖像中的血管和視盤(pán)，確定所述目標(biāo)眼底圖像中血管的彎曲度包括：

根據(jù)視盤(pán)中心、視盤(pán)直徑確定曲率測(cè)量范圍；

提取血管中心線；

根據(jù)所述血管中心線及所述曲率測(cè)量范圍，提取血管分支；

對(duì)所述血管分支進(jìn)行曲率計(jì)算；

所述提取血管中心線包括：

對(duì)通過(guò)深度學(xué)習(xí)獲得的視網(wǎng)膜血管灰度圖像進(jìn)行二值化處理；

使用自適應(yīng)大津閾值算法對(duì)圖像進(jìn)行全局閾值處理，并采用形態(tài)學(xué)處理去除孤立或細(xì)小的噪聲點(diǎn)；

使用形態(tài)學(xué)處理得到骨骼化圖像，并通過(guò)歐氏距離變換計(jì)算血管上每個(gè)像素到離它最近的背景像素的距離獲得血管距離圖像，得到保持距離參數(shù)的血管中心線圖像；

所述根據(jù)所述血管中心線及所述曲率測(cè)量范圍，提取血管分支包括：

去除血管分支交叉點(diǎn)；

血管樹(shù)去除分支交叉點(diǎn)后，獲得最終需要計(jì)算曲折度的ROI圖像，將所有分支打斷并分別統(tǒng)計(jì)每條分支曲線上所有像素的曲率值；

使用canny算子提取血管邊緣線并進(jìn)行角點(diǎn)檢測(cè)，保留分支曲線上像素個(gè)數(shù)總數(shù)大于12的分支，對(duì)每段分支血管曲線進(jìn)行樣條函數(shù)擬合，得到平滑后的血管分支曲線；

所述血管分支交叉點(diǎn)的去除包括：

將在視網(wǎng)膜象限區(qū)域并二值化處理后的血管中心線圖作為感興趣區(qū)域ROI圖像；

對(duì)ROI圖像進(jìn)行形態(tài)學(xué)運(yùn)算找到血管樹(shù)中所有的分支交叉點(diǎn)，并構(gòu)建一個(gè)指定半徑2的平面圓盤(pán)形的結(jié)構(gòu)元素；

對(duì)所有的分支交叉點(diǎn)進(jìn)行膨脹操作并反相，獲得一個(gè)交叉點(diǎn)模板圖，ROI圖像與交叉點(diǎn)模板圖相與得到去除分支點(diǎn)的血管樹(shù)圖。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述構(gòu)建全卷積深度神經(jīng)網(wǎng)絡(luò)包括：

構(gòu)建所述全卷積深度神經(jīng)網(wǎng)絡(luò)的特征提取部分和上采樣部分，其中，所述特征提取部分，每經(jīng)過(guò)一個(gè)池化層生成一個(gè)尺度，包括原圖一共有5個(gè)尺度；所述上采樣部分，每上采樣一次，就和特征提取部分對(duì)應(yīng)的通道數(shù)相同尺度融合，同時(shí)在每層的卷積之后增加BatchNormalization，保證神經(jīng)網(wǎng)絡(luò)中間數(shù)據(jù)盡量規(guī)范化。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，采用以下方式訓(xùn)練所述全卷積深度神經(jīng)網(wǎng)絡(luò)，得到針對(duì)醫(yī)療眼底圖像的血管和視盤(pán)分割的全卷積深度神經(jīng)網(wǎng)絡(luò)：

使用Binary CrossEntropy Loss作為損失函數(shù)；

使用帶Nesterov Momentum的隨機(jī)梯度下降法作為優(yōu)化學(xué)習(xí)算法；

對(duì)所述全卷積深度神經(jīng)網(wǎng)絡(luò)中的各參數(shù)使用L2 Weight Decay正則化，防止參數(shù)過(guò)大導(dǎo)致的過(guò)擬合。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，采用以下方式訓(xùn)練所述全卷積深度神經(jīng)網(wǎng)絡(luò)：

獲取訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集中分別包含20張輸入訓(xùn)練圖像的文件夾和20張標(biāo)記好的眼底血管標(biāo)簽數(shù)據(jù)、20張標(biāo)記好的眼底視盤(pán)標(biāo)簽數(shù)據(jù)文件夾；

對(duì)數(shù)據(jù)集中的眼底圖像進(jìn)行預(yù)處理，針對(duì)全卷積深度神經(jīng)網(wǎng)絡(luò)所進(jìn)行的訓(xùn)練，遍歷訓(xùn)練數(shù)據(jù)集中的20張輸入圖像文件夾的所有圖像，用訓(xùn)練樣本訓(xùn)練全卷積深度神經(jīng)網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)視盤(pán)中心、視盤(pán)直徑確定曲率測(cè)量范圍包括：

對(duì)深度學(xué)習(xí)獲取得到視網(wǎng)膜視盤(pán)灰度圖像進(jìn)行二值化處理，利用主活動(dòng)輪廓CV(Chan-Vese)模型將視盤(pán)灰度圖像分割成前景和背景形成模板，對(duì)模板中近似圓形的視盤(pán)區(qū)域計(jì)算面積估計(jì)視盤(pán)中心和等效圓直徑；

以視盤(pán)中心為起點(diǎn)中心，向外延伸4個(gè)視盤(pán)直徑距離的圓形區(qū)域，即為血管曲率的計(jì)算范圍。

6.根據(jù)權(quán)利要求1至5中任一項(xiàng)所述的方法，其特征在于，所述對(duì)所述血管分支進(jìn)行曲率計(jì)算包括：

提取一張血管樹(shù)中n段平滑后的分支血管曲線，對(duì)所述每條曲線進(jìn)行曲線擬合后，近似圓上的某段圓弧，采用k對(duì)，k7像素點(diǎn)的大小作為鏈碼；

確定好計(jì)算區(qū)域后，采用最小二乘法對(duì)血管曲線段進(jìn)行圓擬合，獲得對(duì)應(yīng)像素點(diǎn)上的等效圓半徑R，曲率值即為1/R。