[發明專利]一種基于機器視覺的視網膜OCT圖像中液體區域自動分割方法

在審

• 申請號: 202110670522.2
• 申請日: 2021-06-16
• 公開（公告）號: CN113627231A
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 程丹;沈麗君;陳亦棋;沈梅曉
• 申請（專利權）人: 溫州醫科大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62
• 代理公司: 溫州金甌專利事務所(普通合伙) 33237
• 代理人: 王宏雷

一種基于機器視覺的視網膜OCT圖像中液體區域自動分割方法，包含訓練學習網絡和預測分類及分割兩大部分。首先對采集到的OCT圖像進行去噪，此后分成訓練學習和預測分類兩部分。訓練學習部分首先要采集足夠多種類和數量的液體區域圖像，和非液體區域圖像，然后利用積分圖法求Harr特征，再根據AdaBoost學習算法訓練分類器，獲得學習參數。預測分類及分割部分首先利用積分圖法求Harr特征，然后根據訓練好的參數模型，求得包含液體的區域塊，再利用Kmean算法對該區域塊進行分割，最后輸出液體輪廓邊界和面積，解決了現有需要手動在OCT圖像上進行液體區域分割工作量巨大的問題，且分割效果更佳。

技術領域

本發明具體涉及視網膜OCT圖像處理技術領域，具體涉及一種基于機器視覺的視網膜OCT圖像中液體區域自動分割方法。

背景技術

相干光斷層成像(Optical coherence tomography，OCT)是一種強大的成像模式，可以用于獲取生物組織的結構和分子信息。它在各個領域經歷了快速發展，特別是在生物醫學應用中。眼科是OCT技術的第一個醫學應用，徹底改變了眼科的臨床實踐。

黃斑水腫是由于血液視網膜屏障中斷引起的液體積聚導致的眼黃斑區腫脹。自從90年代初出現以來，OCT成為診斷黃斑水腫的重要工具，液體區域分割作為衡量黃斑水腫病變程度的重要指標。然而手動在OCT圖像上進行液體區域分割是個工作量巨大的工作，雖然已有大量自動層分割方法被提出，但大多數現有研究僅適用于健康視網膜圖像，當這些方法應用于有黃斑水腫的視網膜圖像時，分割效果通常較差。因此尋求一種高效、自動的液體區域分割方法對輔助專家診斷有重要意義。

發明內容

為了解決現有技術存在的技術缺陷，本發明提供了一種基于機器視覺的視網膜OCT圖像中液體區域自動分割方法。

本發明采用的技術解決方案是：一種基于機器視覺的視網膜OCT圖像中液體區域自動分割方法，包括訓練階段和預測階段，

所述的訓練階段包括：

二值化找出視網膜OCT區域；

塊采樣及建立樣本數據庫：將視網膜OCT區域的圖像分成固定大小的區域，人工區分出含液體和不含液體區域，對含液體區域的樣本，可以進行樣本擴充，使得樣本形態更加全面；

用積分圖法求Harr特征:Haar特征值反映了圖像的灰度變化情況，Haar特征分為三類：邊緣特征、線性特征、中心特征和對角線特征，組合成特征模板,積分圖構建算法具體為：

用s(i，j)表示行方向的累加和，初始化s(i，-1)＝0；

用ii(i，j)表示一個積分圖像，初始化ii(-1，j)＝0；

逐行掃描圖像，遞歸計算每個像素(i,j)行方向的累加和s(i,j)和積分圖像ii(i,j)的值：

s(i，j)＝s(1，-1)+f(i，j)；

ii(i，j)＝ii(-1，j)+s(i，j)；

掃描圖像一遍，當到達圖像右下角像素時，積分圖像ii就構造好了；

利用Adaboost學習算法訓練分類器：分開訓練模型，每一輪訓練一個新的模型，在每一輪的結束，錯分的樣本會被標定并且增加其在下一輪新的訓練集中的權重，然后進行下一輪學習得到一個新的模型，基于后來的模型可以對前面模型的錯誤進行補償，通過不斷的迭代增加新模型來實現集成，每一次學到一個模型，確保它的分類精度大于0.5，利用Harr特征能夠很好的表示圖像的紋理特征，再利用Adaboost學習算法將Harr特征進行訓練，生成多級弱分類器，然后級聯成一個強分類器，也可以根據需要再將強分類器級聯構造成更強的分類器，用于檢測液體所在區域；

所述的預測階段包括：