本發(fā)明涉及醫(yī)學(xué)圖像處理，特別是涉及一種基于視網(wǎng)膜血管造影的眼底血管智能分割方法及系統(tǒng)。

背景技術(shù)：

1、眼底血管的檢測(cè)和分析在臨床醫(yī)學(xué)中，尤其是在眼科及糖尿病、心血管疾病等相關(guān)疾病的診斷中，具有重要的意義。目前，視網(wǎng)膜血管造影(ffa)和光學(xué)相干斷層掃描(oct)等技術(shù)被廣泛應(yīng)用于眼底血管影像的獲取。視網(wǎng)膜血管造影技術(shù)能夠提供眼底血管的清晰成像，通過對(duì)這些圖像的分析，可以獲得有關(guān)動(dòng)靜脈血管的信息以及潛在疾病的預(yù)警。然而，由于眼底圖像的復(fù)雜性，自動(dòng)化處理這一過程仍面臨許多挑戰(zhàn)。

2、首先，現(xiàn)有的眼底血管分割方法往往依賴于手工特征提取，導(dǎo)致分割精度不足，無法充分捕捉復(fù)雜結(jié)構(gòu)，分割結(jié)果的泛化能力較差。其次，很多傳統(tǒng)算法執(zhí)行效率較低，無法滿足實(shí)時(shí)處理的需求，特別是在處理全視場(chǎng)圖像時(shí)，處理速度的瓶頸顯著影響臨床應(yīng)用的可行性。此外，眼底圖像常常受到噪聲和偽影的影響，現(xiàn)有技術(shù)在噪聲去除和偽影處理方面能力不足，降低了血管分割的可靠性。現(xiàn)有技術(shù)還缺乏智能化的分析能力，許多方法僅關(guān)注圖像分割本身，未對(duì)血管特征(如動(dòng)靜脈分類和血管直徑計(jì)算等)進(jìn)行綜合分析，這限制了其提供更加全面的生理和病理信息的能力。最后，許多分割模型在特定數(shù)據(jù)集上訓(xùn)練，缺乏對(duì)不同患者和不同類型圖像的適應(yīng)能力，導(dǎo)致其在新數(shù)據(jù)上的表現(xiàn)不佳。因此，設(shè)計(jì)一種基于視網(wǎng)膜血管造影的眼底血管智能分割方法及系統(tǒng)是十分有必要的。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于視網(wǎng)膜血管造影的眼底血管智能分割方法及系統(tǒng)，以通過智能分割模型進(jìn)行多層次的特征提取與融合，實(shí)現(xiàn)眼底圖像的色彩、紋理、形狀及強(qiáng)度等多維特征的有效提取，并通過特征融合提升分割的準(zhǔn)確性。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種基于視網(wǎng)膜血管造影的眼底血管智能分割方法，包括如下步驟：

4、通過視網(wǎng)膜血管造影技術(shù)獲取眼底圖像；眼底圖像包括：全視場(chǎng)圖像和局部增強(qiáng)圖像；

5、對(duì)眼底圖像進(jìn)行預(yù)處理操作，得到預(yù)處理圖像；

6、對(duì)預(yù)處理圖像進(jìn)行超像素分割，得到分割區(qū)域；

7、對(duì)分割區(qū)域進(jìn)行眼底血管識(shí)別，得到識(shí)別結(jié)果；識(shí)別結(jié)果包括：視盤直徑、動(dòng)靜脈血管分類結(jié)果和動(dòng)靜脈比值；

8、構(gòu)建訓(xùn)練好的眼底血管分割模型，并通過眼底血管分割模型對(duì)識(shí)別結(jié)果進(jìn)行特征分割，得到分割結(jié)果；眼底血管分割模型的訓(xùn)練過程包括：特征提取、特征整合和損失函數(shù)優(yōu)化。

9、可選地，全視場(chǎng)圖像為包含全部眼底范圍的圖像；局部增強(qiáng)圖像的大小為1024*1024像素，局部增強(qiáng)圖像內(nèi)的血管數(shù)量大于20根。

10、可選地，對(duì)眼底圖像進(jìn)行預(yù)處理操作，得到預(yù)處理圖像，包括：

11、通過高斯濾波器對(duì)眼底圖像進(jìn)行去噪處理，得到去噪圖像；

12、對(duì)去噪圖像進(jìn)行直方圖均衡化處理，得到增強(qiáng)圖像；

13、對(duì)增強(qiáng)圖像進(jìn)行二值化處理，得到預(yù)處理圖像。

14、可選地，對(duì)預(yù)處理圖像進(jìn)行超像素分割，得到分割區(qū)域，包括：

15、根據(jù)預(yù)處理圖像的大小確定超像素?cái)?shù)量；

16、根據(jù)超像素?cái)?shù)量得到超像素尺寸，并根據(jù)超像素尺寸確定種子點(diǎn)；

17、提取種子點(diǎn)的種子向量，并根據(jù)種子向量之間的距離進(jìn)行超像素分配，得到分配結(jié)果；

18、根據(jù)分配結(jié)果進(jìn)行超像素更新，得到分割區(qū)域。

19、可選地，種子向量之間的距離的計(jì)算公式為：其中，dis為向量距離，(xp，yp)為像素p的位置，為種子點(diǎn)ck的位置，lp、ap和bp分別為像素在顏色空間中的不同顏色值，和分別為種子點(diǎn)在顏色空間中的不同顏色值，dl、da和db分別為不同顏色的顏色坐標(biāo)權(quán)重。

20、可選地，對(duì)分割區(qū)域進(jìn)行眼底血管識(shí)別，得到識(shí)別結(jié)果，包括：

21、對(duì)分割區(qū)域進(jìn)行區(qū)域特征提取，并根據(jù)區(qū)域特征篩選出視盤區(qū)域；

22、通過閾值分割法得到視盤區(qū)域的視盤邊緣，并根據(jù)視盤邊緣得到視盤直徑；

23、通過血管顏色對(duì)分割區(qū)域進(jìn)行血管分類，得到動(dòng)靜脈血管分類結(jié)果；

24、對(duì)血管進(jìn)行骨架化處理和窗口滑動(dòng)，得到動(dòng)靜脈血管直徑，并通過動(dòng)靜脈血管直徑得到動(dòng)靜脈比值。

25、可選地，眼底血管分割模型的訓(xùn)練過程包括：

26、將歷史眼底圖像作為訓(xùn)練集輸入至初始模型中進(jìn)行特征提取，得到識(shí)別特征；識(shí)別特征包括：顏色特征、紋理特征、邊緣特征、形狀特征和強(qiáng)度特征；

27、將識(shí)別特征進(jìn)行特征融合，得到融合特征，并對(duì)融合特征進(jìn)行標(biāo)準(zhǔn)化處理，得到整合特征；

28、通過損失函數(shù)對(duì)整合特征進(jìn)行損失優(yōu)化，得到訓(xùn)練輸出；

29、對(duì)歷史眼底圖像進(jìn)行人工標(biāo)注，得到標(biāo)注圖像，并將標(biāo)注圖像作為驗(yàn)證集對(duì)訓(xùn)練輸出進(jìn)行驗(yàn)證，得到眼底血管分割模型。

30、可選地，初始模型包括依次連接的多尺度卷積層、空洞卷積層和特征重建層；多尺度卷積層由多個(gè)卷積層構(gòu)成，不同的卷積層內(nèi)置有不同尺寸的卷積核；特征重建層內(nèi)置有反卷積算法。

31、可選地，損失函數(shù)的表達(dá)式為：其中，l為損失函數(shù)，n為樣本總數(shù)，y為真實(shí)標(biāo)簽，p為預(yù)測(cè)概率，ω為樣本權(quán)重，λ為系數(shù)權(quán)重，i為第i個(gè)像素。

32、一種基于視網(wǎng)膜血管造影的眼底血管智能分割系統(tǒng)，包括：

33、圖像獲取模塊，用于通過視網(wǎng)膜血管造影技術(shù)獲取眼底圖像；

34、圖像處理模塊，用于對(duì)眼底圖像進(jìn)行預(yù)處理操作，得到預(yù)處理圖像；

35、圖像分割模塊，用于對(duì)預(yù)處理圖像進(jìn)行超像素分割，得到分割區(qū)域；

36、圖像識(shí)別模塊，用于對(duì)分割區(qū)域進(jìn)行眼底血管識(shí)別，得到識(shí)別結(jié)果；

37、模型構(gòu)建模塊，用于構(gòu)建訓(xùn)練好的眼底血管分割模型，并通過眼底血管分割模型對(duì)識(shí)別結(jié)果進(jìn)行特征分割，得到分割結(jié)果。

38、根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開了以下技術(shù)效果：本發(fā)明提供的基于視網(wǎng)膜血管造影的眼底血管智能分割方法，該方法包括：通過視網(wǎng)膜血管造影技術(shù)獲取眼底圖像；對(duì)眼底圖像進(jìn)行預(yù)處理操作，得到預(yù)處理圖像；對(duì)預(yù)處理圖像進(jìn)行超像素分割，得到分割區(qū)域；對(duì)分割區(qū)域進(jìn)行眼底血管識(shí)別，得到識(shí)別結(jié)果；構(gòu)建訓(xùn)練好的眼底血管分割模型，并通過眼底血管分割模型對(duì)識(shí)別結(jié)果進(jìn)行特征分割，得到分割結(jié)果。

技術(shù)特征：

1.一種基于視網(wǎng)膜血管造影的眼底血管智能分割方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于視網(wǎng)膜血管造影的眼底血管智能分割方法，其特征在于，所述全視場(chǎng)圖像為包含全部眼底范圍的圖像；所述局部增強(qiáng)圖像的大小為1024*1024像素，所述局部增強(qiáng)圖像內(nèi)的所述血管數(shù)量大于20根。

3.根據(jù)權(quán)利要求1所述的基于視網(wǎng)膜血管造影的眼底血管智能分割方法，其特征在于，對(duì)所述眼底圖像進(jìn)行預(yù)處理操作，得到預(yù)處理圖像，包括：

4.根據(jù)權(quán)利要求1所述的基于視網(wǎng)膜血管造影的眼底血管智能分割方法，其特征在于，對(duì)所述預(yù)處理圖像進(jìn)行超像素分割，得到分割區(qū)域，包括：

5.根據(jù)權(quán)利要求4所述的基于視網(wǎng)膜血管造影的眼底血管智能分割方法，其特征在于，所述種子向量之間的距離的計(jì)算公式為：其中，dis為向量距離，(xp，yp)為像素p的位置，為種子點(diǎn)ck的位置，lp、ap和bp分別為像素在顏色空間中的不同顏色值，和分別為種子點(diǎn)在顏色空間中的不同顏色值，dl、da和db分別為不同顏色的顏色坐標(biāo)權(quán)重。

6.根據(jù)權(quán)利要求1所述的基于視網(wǎng)膜血管造影的眼底血管智能分割方法，其特征在于，對(duì)所述分割區(qū)域進(jìn)行眼底血管識(shí)別，得到識(shí)別結(jié)果，包括：

7.根據(jù)權(quán)利要求1所述的基于視網(wǎng)膜血管造影的眼底血管智能分割方法，其特征在于，所述眼底血管分割模型的訓(xùn)練過程包括：

8.根據(jù)權(quán)利要求7所述的基于視網(wǎng)膜血管造影的眼底血管智能分割方法，其特征在于，所述初始模型包括依次連接的多尺度卷積層、空洞卷積層和特征重建層；所述多尺度卷積層由多個(gè)卷積層構(gòu)成，不同的所述卷積層內(nèi)置有不同尺寸的卷積核；所述特征重建層內(nèi)置有反卷積算法。

9.根據(jù)權(quán)利要求7所述的基于視網(wǎng)膜血管造影的眼底血管智能分割方法，其特征在于，所述損失函數(shù)的表達(dá)式為：其中，l為損失函數(shù)，n為樣本總數(shù)，y為真實(shí)標(biāo)簽，p為預(yù)測(cè)概率，ω為樣本權(quán)重，λ為系數(shù)權(quán)重，i為第i個(gè)像素。

10.一種基于視網(wǎng)膜血管造影的眼底血管智能分割系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明提供了一種基于視網(wǎng)膜血管造影的眼底血管智能分割方法及系統(tǒng)，該方法包括：通過視網(wǎng)膜血管造影技術(shù)獲取眼底圖像；對(duì)眼底圖像進(jìn)行預(yù)處理操作，得到預(yù)處理圖像；對(duì)預(yù)處理圖像進(jìn)行超像素分割，得到分割區(qū)域；對(duì)分割區(qū)域進(jìn)行眼底血管識(shí)別，得到識(shí)別結(jié)果；構(gòu)建訓(xùn)練好的眼底血管分割模型，并通過眼底血管分割模型對(duì)識(shí)別結(jié)果進(jìn)行特征分割，得到分割結(jié)果。該方法通過智能分割模型進(jìn)行多層次的特征提取與融合，實(shí)現(xiàn)了眼底圖像的色彩、紋理、形狀及強(qiáng)度等多維特征的有效提取，并通過特征融合提升了分割的準(zhǔn)確性。

技術(shù)研發(fā)人員：林仲,王雷,林玨,林威,張日炎
受保護(hù)的技術(shù)使用者：溫州醫(yī)科大學(xué)附屬眼視光醫(yī)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15