本发明涉及一种基于机器学习的高度近视眼底图像萎缩弧的检测方法，属于医学图像处理领域。
背景技术：
高度近视的症状主要为眼球前后轴的过度伸长，在眼底则表现为视盘周围的脉络膜萎缩弧，即视盘周围一圈比视盘较暗少许的亮弧状区域。在高度近视患者的眼底图像中，视盘周围的脉络膜在巩膜伸张力量的牵引下，从乳头颞侧脱开，使其后面的巩膜暴露，形成白色的弧形斑。如眼球后极部继续扩展延伸，则脉络膜的脱开逐步由乳头颞侧伸展至视盘四周，终于形成环状斑，此斑内可见不规则的色素和硬化的脉络膜血管。
目前对高度近视的早期识别主要依靠于定期的视力检测以及医生的经验判断，但是人工检测不仅耗时费力，而且近视患者人数众多，眼科医疗资源远远不足以满足广大近视病患的需求。因此，对高度近视患者的视网膜眼底图像中脉络膜萎缩弧的自动检测越发受到人们的关注。
技术实现要素：
发明目的：本发明目的在于针对现有技术的不足，提供一种基于机器学习的高度近视眼底图像萎缩弧的检测方法，实现对高度近视患者的眼底图像中脉络膜萎缩弧的自动检测，精度高，速度快。
技术方案：本发明所述基于机器学习的高度近视眼底图像萎缩弧的检测方法，包括如下步骤：
(1)获取眼底图像，随机选取训练集和测试集；
(2)对所述眼底图像进行去除噪声和增强，提取主血管轮廓；
(3)基于提取的主血管轮廓的密度分布进行感兴趣区域取半操作，结合亮度信息和形状信息得到所述眼底图像中视盘及其周围脉络膜萎缩弧的定位区域；
(4)将定位区域图像作为输入，结合完备局部二值模式算子和二值伽柏模式算子提取其纹理特征；
(5)基于提取的纹理特征，在训练集上利用机器学习中的梯度提升机进行脉络膜萎缩弧检测模型的训练，并微调检测模型的参数，最终得到高度近视眼底图像萎缩弧的检测模型。
进一步完善上述技术方案，所述步骤(2)的具体操作包括：对所述眼底图像进行滤波，再进行对比度受限自适应直方图均衡化和形态学黑帽变换，突出血管区域，得到去除噪声和增强后的眼底图像；通过最大类间方差法，将所述去除噪声和增强后的眼底图像二值化，对输出的二值图像采用3×3矩形结构元素进行形态学开操作，令细小的血管与主血管断开，然后仅保留20000像素以上的连通区域，以获得主血管轮廓。
进一步地，所述步骤(3)的具体操作包括：所述主血管轮廓的密度分布的计算是通过统计二值图像左右两部分区域的像素点数量，保留视盘所在的血管密度较大的一半图像，完成感兴趣区域取半操作；基于所述感兴趣区域取半操作，先通过亮度信息初步定位视盘候选区域，再通过形状信息确定符合条件的视盘定位区域，所述视盘定位区域包括了视盘及其周围的脉络膜萎缩弧。
进一步地，所述步骤(3)中所述亮度信息是指由于眼底图像的rgb红色通道分量图像中视盘与背景的区分度较大，因此在可选取灰度值在前5％的像素点作为视盘候选区域；所述形状信息是指由于所述视盘候选区域的最小外接矩形的形状有着一定的约束条件，因此只保留最小外接矩形的宽高比在预设阈值之内的区域作为视盘定位区域；所述视盘及其周围脉络膜萎缩弧的定位区域的确定，是基于所述视盘候选区域的确定，以及脉络膜萎缩弧在高度近视患者的眼底图像中通常表现为视盘周围一圈亮弧状区域的分布规律。
进一步地，所述步骤(4)中纹理特征的提取结合了两种不同的特征提取算法，其中完备局部二值模式算子的提取结果是200维向量，二值伽柏模式算子的提取结果是216维向量，将二者合并得到最终所需的416维的特征向量；
进一步地，所述步骤(5)中训练检测模型时，微调的模型参数是机器学习中梯度提升机的参数，有调节模型中每个决策树的性质的树参数(如决策树中一个节点所需要用来分裂的最少样本数、树的最大深度)、调节模型中boosting操作的boosting参数(如学习率、使用到的决策树数量)、调节模型总体功能的参数(如每次产生随机数的随机种子)。
有益效果：本发明公开了一种基于机器学习的高度近视眼底图像萎缩弧的检测方法，对输入图像设计并训练了一个基于机器学习方法的二分类模型，该模型的流程主要由两个部分组成：视盘及其周围脉络膜萎缩弧的定位部分和脉络膜萎缩弧的检测部分，在图像输入端，对输入图像进行感兴趣区域取半操作，以提高后续定位的精确性并减少计算量，在训练脉络膜萎缩弧检测模型时，基于两种不同的特征提取算子，将组合后的多维特征向量作为输入，对检测模型的各项参数进行微调，最后对测试图像在训练好的模型上判断是否存在脉络膜萎缩弧，输出检测结果。本发明将医学理论知识与机器学习方法相结合，根据高度近视患者的病变特征，自动检测分类眼底图像中是否存在脉络膜萎缩弧，精度高，速度快，能够在实际生活中提供强大的辅助技术支持，快速有效地帮助医生分析疾病。
附图说明
图1是本发明方法的流程示意图；
图2是去除噪声和增强后的图像；
图3是基于主血管密度的感兴趣区域取半的方法示意图；
图4是视盘及其周围脉络膜萎缩弧的定位区域图像。
具体实施方式
下面通过附图对本发明技术方案进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施实例1：本发明提供的基于机器学习的高度近视眼底图像萎缩弧的检测方法，首先对输入的眼底图像进行去除噪声和增强，便于后续的感兴趣区域取半和视盘区域定位的操作，之后提取视盘及其周围脉络膜萎缩弧的定位区域的特征，将特征向量作为脉络膜萎缩弧检测模型的输入，采用机器学习方法中的梯度提升机进行分类判断，最后输出检测结论，参照图1所示，基于机器学习的高度近视眼底图像萎缩弧的检测方法主要包含以下步骤：
步骤一：以本地眼底图像数据集作为训练和测试眼底图像集，该数据集共有1200张不同对象的左右眼图像。其中600张为健康的不存在脉络膜萎缩弧的眼底图像，600张为高度近视患者的存在脉络膜萎缩弧的眼底图像。以4∶1的比例随机分出训练集和测试集，960张图像作为训练样本，剩余240张作为测试图像。
步骤二：对尺寸归一化后的输入图像的绿色通道分量图像采用5×5中值滤波操作去除背景噪声，再采用对比度受限自适应直方图均衡化以增强图像对比度，改善光照不均的区域，通过形态学操作中的黑帽变换突出血管部分，然后用最大类间方差法将图像二值化。
步骤三：对二值图像采用3×3矩形结构元素进行形态学开操作，令细小的血管与主血管断开，然后仅保留20000像素以上的连通区域，以获得主血管轮廓；统计二值图像左右两部分区域的像素点数量，保留视盘所在的血管密度较大的一半图像，完成感兴趣区域取半操作；选取灰度值在前5％的像素点作为视盘候选区域，检测候选区域中所有的像素连通区域并找出对应的最小外接矩形，选择对应的最小外接矩形的宽高比在预设阈值之内的连通区域作为最终的定位区域。
步骤四：将定位区域图像作为输入，结合完备局部二值模式算子和二值伽柏模式算子提取其纹理特征，根据特征向量在训练集上利用机器学习中的梯度提升机进行脉络膜萎缩弧检测模型的训练，并微调检测模型的参数。用训练好的检测模型对测试集图像进行检测，模型的输出结果是判断图像中是否存在脉络膜萎缩弧的概率。
实验硬件：中央处理器为2.8ghzintelxeone5-1603，图形处理器为英伟达gtx1080，显存为8gb。实验软件：操作系统为ubuntul4.04lts，程序设计语言版本为python3.5.2。
本发明中利用机器学习中的梯度提升机(gradientboostingmachine)对脉络膜萎缩弧检测模型完成训练，所述梯度提升是一种用于回归和分类问题的机器学习技术，该技术以弱预测模型(通常为决策树)的集合的形式产生预测模型。梯度提升机的参数有三类：第一类是树参数，调节模型中每个决策树的性质，包括定义树中一个节点所需要用来分裂的最少样本数的min_samples_split，定义树中终点节点所需要的最少的样本数的min_samples_leaf，定义树的最大深度的max_depth，定义用于分类的特征数的max_features；第二类是boosting参数，调节模型中boosting的操作，包括学习率learning_rate，定义需要使用到的决策树数量的n_estimate，训练每个决策树所用到的子样本占总样本的比例subsample；第三类是影响到模型总体功能的其他参数，有作为每次产生随机数的随机种子random_state；本发明在训练脉络膜萎缩弧检测模型时，微调的模型参数设置如表1所示。
表1
本发明中出于局部特征提取和检测精度的目的，结合完备局部二值模式算子和二值伽柏模式算子提取输入的定位区域图像的纹理特征：完备局部二值模式是对传统局部二值模式的一种改进，在传统局部二值模式特征中将3×3邻域扩展，并将正方形邻域替换成圆形邻域，并通过分解邻域像素点与中心像素点的灰度差值得到三个特征描述算子；二值伽柏模式则关注两个区域之间的灰度级差值，得到的纹理特征是全局性的，因此具有更好的可区分性和稳定性；通过两种不同特征提取算子的结合，所提取的特征是200维与216维特征向量的组合，相比于单一的算子，本发明提出的方法能够取得更高的检测精度。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
1.基于机器学习的高度近视眼底图像萎缩弧的检测方法，其特征在于，包括如下步骤：
(1)获取眼底图像，随机选取训练集和测试集；
(2)对所述眼底图像进行去除噪声和增强，提取主血管轮廓；
(3)基于提取的主血管轮廓的密度分布进行感兴趣区域取半操作，结合亮度信息和形状信息得到所述眼底图像中视盘及其周围脉络膜萎缩弧的定位区域；
(4)将定位区域图像作为输入，结合完备局部二值模式算子和二值伽柏模式算子提取其纹理特征；
(5)基于提取的纹理特征，在训练集上利用机器学习中的梯度提升机进行脉络膜萎缩弧检测模型的训练，并微调检测模型的参数，最终得到高度近视眼底图像萎缩弧的检测模型。
2.根据权利要求1所述的基于机器学习的高度近视眼底图像萎缩弧的检测方法，其特征在于：所述步骤(2)的具体操作包括：对所述眼底图像进行滤波，再进行对比度受限自适应直方图均衡化和形态学黑帽变换，突出血管区域，得到去除噪声和增强后的眼底图像；通过最大类间方差法，将所述去除噪声和增强后的眼底图像二值化，对输出的二值图像采用3×3矩形结构元素进行形态学开操作，令细小的血管与主血管断开，然后仅保留20000像素以上的连通区域，以获得主血管轮廓。
3.根据权利要求1所述的基于机器学习的高度近视眼底图像萎缩弧的检测方法，其特征在于：所述步骤(3)的具体操作包括：通过统计二值图像左右两部分区域的像素点数量，保留视盘所在的血管密度较大的一半图像，完成感兴趣区域取半操作；基于所述感兴趣区域取半操作，先通过亮度信息初步定位视盘候选区域，所述亮度信息是指由于眼底图像的rgb红色通道分量图像中视盘与背景的区分度较大，因此在可选取灰度值在前5％的像素点作为视盘候选区域；再通过形状信息确定符合条件的视盘定位区域，所述形状信息是指由于所述视盘候选区域的最小外接矩形的形状有着一定的约束条件，因此只保留最小外接矩形的宽高比在预设阈值之内的区域作为视盘定位区域；所述视盘及其周围脉络膜萎缩弧的定位区域的确定，是基于所述视盘候选区域的确定，以及脉络膜萎缩弧在高度近视患者的眼底图像中通常表现为视盘周围一圈亮弧状区域的分布规律。
4.根据权利要求1所述的基于机器学习的高度近视眼底图像萎缩弧的检测方法，其特征在于：所述步骤(4)中纹理特征的提取结合了两种不同的特征提取算法，其中完备局部二值模式算子的提取结果是200维向量，二值伽柏模式算子的提取结果是216维向量，将二者合并得到最终所需的416维的特征向量。
5.根据权利要求1所述的基于机器学习的高度近视眼底图像萎缩弧的检测方法，其特征在于：所述步骤(5)中训练检测模型时，微调的模型参数是机器学习中梯度提升机的参数，有调节模型中每个决策树的性质的树参数(如决策树中一个节点所需要用来分裂的最少样本数、树的最大深度)、调节模型中boosting操作的boosting参数(如学习率、使用到的决策树数量)、调节模型总体功能的参数(如每次产生随机数的随机种子)。
技术总结