[發明專利]一種基于PCA的加速隨機森林訓練的視網膜分層方法

在審

• 申請號: 202110116328.X
• 申請日: 2021-01-28
• 公開（公告）號: CN112784855A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 陳勇;王陸權;曾亞光;韓定安;熊紅蓮;郭學東;許祥叢;黃銘斌;覃楚渝;劉明迪
• 申請（專利權）人: 佛山科學技術學院
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 李斌

本發明提供了一種基于PCA的加速隨機森林訓練的視網膜分層方法，包括如下步驟：采集多張人眼視網膜圖像；構建隨機森林模型；提取多張人眼視網膜圖像的第一圖像特征；使用PCA算法對第一圖像特征進行降維處理以獲取第二圖像特征；利用第二圖像特征訓練隨機森林模型；利用訓練好的隨機森林模型對人眼視網膜圖像進行邊界追蹤以完成人眼視網膜的分層。本發明減少了低權重的信息，提高了維度間的獨立性，提高了隨機森林模型對于視網膜圖像的分層效率。

技術領域

本發明涉及圖像處理技術領域，具體而言，涉及一種基于PCA的加速隨機森林訓練的視網膜分層方法。

背景技術

光學相干斷層掃描(Optical Coherence tomography,OCT)技術是一項無創的眼底視網膜圖像采集技術，也是目前眼科疾病的研究和診斷的基礎之一。由于一些疾病如糖尿病、多發性硬化等會使病患的視網膜層厚度改變，病患的視網膜層厚度與正常視網膜層厚度有較明顯的差異，因此視網膜層厚度是研究眼睛病理的一項重要指標，對視網膜分層算法的研究也是十分必要的。而在各種分層算法中，隨機森林算法誤差較低，與基于梯度的算法和主動輪廓法相比，其有著較強的穩定性。但在使用隨機森林算法時，由于可選取的樣本特征數量較多，算法所需時間較多，不可避免的導致了信息的丟失，其分層效率有待提高。

發明內容

基于此，為了解決在使用隨機森林算法時，由于可選取的樣本特征數量較多，算法所需時間較多，不可避免的導致了信息的丟失，其分層效率有待提高的問題，本發明提供了一種基于PCA的加速隨機森林訓練的視網膜分層方法，其具體技術方案如下：

一種基于PCA的加速隨機森林訓練的視網膜分層方法，包括如下步驟：

采集多張人眼視網膜圖像；

構建隨機森林模型；

提取多張所述人眼視網膜圖像的第一圖像特征；

使用PCA算法對所述第一圖像特征進行降維處理以獲取第二圖像特征；

利用所述第二圖像特征訓練所述隨機森林模型；

利用訓練好的所述隨機森林模型對所述人眼視網膜圖像進行邊界追蹤以完成所述人眼視網膜的分層。

上述基于PCA(Principal Component Analysis，主成分分析)的加速隨機森林訓練的視網膜分層方法通過PCA重構隨機森林模型所選取的視網膜特征，提取所述人眼視網膜圖像的主要特征維度，降低了特征信息之間的冗余，減少了輸入隨機森林模型的特征信息，使得隨機森林模型中的決策樹每次都能得到更多的信息，減少了決策樹的高度，提高了隨機森林模型的執行效率。

即是說，上述基于PCA的加速隨機森林訓練的視網膜分層方法在最大程度保留特征信息的同時降低數據維度，減少了低權重的信息，提高了維度間的獨立性，提高了隨機森林模型對于視網膜圖像的分層效率。

進一步地，所述第一圖像特征共有27個視網膜維度特征，27個所述視網膜維度特征包括9個領域特征、3個角度的一階和二階高斯各向異性濾波與2個像素尺度的全部組合、3個環境特征、x維度特征、y維度特征以及z維度特征。

進一步地，所述隨機森林模型的決策樹數量為60，所述隨機森林模型的隨機特征數為10。

進一步地，多張所述人眼視網膜圖像共分為40組，其中30組所述人眼視網膜圖像為訓練集，剩余10所述人眼視網膜圖像為預測集，每組所述人眼視網膜圖像共有128張。

進一步地，在提取多張所述人眼視網膜圖像的第一圖像特征前，先對以BM邊界為基準線將所述人眼視網膜圖像壓平。

進一步地，所述利用訓練好的所述隨機森林模型對所述人眼視網膜圖像進行邊界追蹤的具體方法包括如下步驟：