一种基于SVM的医疗图像血管识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106530283A(43)申请公布日2017.03.22(21)申请号201610917304.3(22)申请日2016.10.20(71)申请人北京工业大学地址100124北京市朝阳区平乐园100号(72)发明人胡启东李建强张苓琳韩赫(74)专利代理机构北京思海天达知识产权代理有限公司11203代理人张慧(51)Int.Cl.G06T7/00(2017.01)G06T7/136(2017.01)权利要求书1页说明书5页附图1页(54)发明名称一种基于SVM的医疗图像血管识别方法(57)摘要本发明公开一种基于SVM的医疗图像血管识别方法，包括：首先SVM分类器是通过专家手工分割后的样本训练出来的SVM模型对FCM自动选取的样本训练出的SVM模型进行交叉验证、优化后的结果，使分割结果更加精确；然后采用SVM分割血管，其实就是将像素点分为前景(即血管)和背景(即除血管外其他部分)两类，然后把血管部分提取出来，最后通过形态学处理以及阈值化可以达到增强血管网络、保留血管分叉以及交汇部分，最终转化为二值图像可以更直接地反映血管分布。本发明采用了FCM、SVM和形态学图像处理相结合，可使识别效果更好。CN106530283ACN106530283A权利要求书1/1页1.一种基于SVM的医疗图像血管识别方法，其特征在于，包括以下步骤：S1、获取眼底图像；S2、对所述眼底图像进行血管的绿色通道分量提取，得到待处理眼底图像；S3、通过FCM自动选取训练样本，提取样本颜色和纹理特征，即分别提取血管部分和非血管部分的特征，然后训练SVM模型；S4、通过专家标记后的图像训练出的SVM模型来交叉验证FCM自动选取的样本所训练的SVM模型，优化SVM参数；S5、采用优化好的SVM分类器对待处理眼底图像进行分割，即初步提取眼底图像血管；S6、对所述初步提取眼底图像血管进行形态学操作及阈值化处理，实现最终提取眼底血管。2.如权利要求1所述的基于SVM的医疗图像血管识别方法，其特征在于，基于FCM训练样本自动选取以及训练SVM模型包括以下步骤：(1)、灰度化以及初始化参数：像素点的灰度值作为像素点的属性值，初始化参数，设定聚类个数，取c＝2(即分为血管和背景)，以及收敛误差ε；(2)、更新迭代求聚类中心、隶属度矩阵：对图像所有领域窗口计算局部空间信息、局部灰度信息、局部相似性度量，然后运用上述参数值计算线性加权求和图像，更新隶属度矩阵，更新聚类中心，用新的聚类中心计算方法更新迭代，直到灰度之差小于ε为止；(3)、对像素点分类：通过隶属度函数uk(xi,yi)(k＝1,2,…,c；i＝1,2,…,n)对像素点进行分类,uJ(xi,yi)＝max(u1(xi,yi),u2(xi,yi),…,uc(xi,yi)),即第i个像素点(xi,yi)属于第J类，所述隶属度函数uk(xi,yi)为SVM参数；(4)、训练样本的自动选取和标注：对于属于第J类的像素点，随机选取个数为uJ/t的像素点作为第J类的训练样本，其中，uJ是第J类像素点的个数，t值的选取依赖于样本的个数。3.如权利要求1所述的基于SVM的医疗图像血管识别方法，其特征在于，步骤S6中的形态学操作及阈值化处理包括：灰度取反、高帽滤波、阈值化处理。2CN106530283A说明书1/5页一种基于SVM的医疗图像血管识别方法技术领域[0001]本发明属于计算机领域，提出一种基于SVM的医疗图像血管识别方法，能很好的提取出医疗图像血管网络，尤其是眼底图像血管。背景技术[0002]在医疗诊断和医学研究中，血管是非常重要的生物组织，许多器官发生病变时，其血管会出现异常。如眼睛中的视网膜血管、心脏中的冠状动脉血管、肺部小血管等。其中，视网膜是人体中唯一可以以非创伤方式直接观察到的较为深层的血管，而且视网膜血管是眼底图像中可见的最主要解剖结构，其结构特征变化直接反映身体的各种病变。视网膜眼底图像还可以作为判断白内障等多种疾病的重要依据，计算机的自动眼底图像处理与分析在辅助医疗诊断中有重要的价值，而且所提取的血管可以作为一种特征用于白内障眼底图像分类。[0003]此外，考虑到眼底筛查结果客观性、可重复性、准确性以及大批量的需求，临床上对视网膜血管的自动检测以及定量分析提出来迫切要求。因此，采取有效的方法自动提取视网膜眼底图像中的血管结构，有助于对白内障等眼底疾病的早期诊断、治疗跟踪，在临床上具有重要的应用价值。[0004]目前，针对视网膜眼底图像血管的提取，国内外已经做了较多的研究，不断有新方法涌现。根据分割时是否有采用标准图像提供的特征数据规则，现有的视网膜血管分割方法分为非监督和监督方法两大类。非监督方法主要包括局部滤波法、局部自适应阈值法和