基于深度学习和二维高斯拟合的视网膜血管管径测量方法

糖尿病、高血压等疾病会引起视网膜血管的形状发生变化,眼底图像血管分割是疾病定量分析过程中的关键步骤,对临床疾病的分析和诊断具有指导意义。本文提出一种视网膜血管管径自动测量方法。首先,将通道特征图叠加,同时通过使用深度可分离卷积来增加网络深度,将二者引用于全卷积神经网络中对血管网络进行分割;然后在分割的血管网络基础上,利用形态学细化和最小二乘拟合求取血管的中心线和方向;最后根据血管横截面灰度值分布特性,利用二维高斯拟合对血管中心线和方向进行校正,得到准确的血管方向和中心线位置进而计算血管管径。利用本文方法分别对REVIEW数据库中的3个图像集进行测试,测量的管径均值的标准差接近专家测量的标准差,表明本文血管管径测量方法的准确率高,实验结果验证了本文方法的准确性。     

一种基于高斯匹配滤波法的视网膜图像血管中轴线快速提取算法

目的：研制快速、精确的视网膜血管中轴线（ｖｅｓｓｅｌ ａｘｉａｌ ｓｋｅｌｅｔｏｎ ＶＡＳ）提取算法，以定量分析眼底血管形态改变的细微变化。方法：１．图像预处理（去噪、增强）。２．以经二值化及膨胀后的梯度图像为模板，进行基于高斯匹配滤波法的快速血管提取。３．后处理（细化等）。结果：分别采用本文方法及传统方法对视网膜ＶＡＳ进行提取与结果比较。结论：本文方法具有快速、精确、抗噪声能力强及提取出的ＶＡＳ     

基于数学形态学的视网膜血管提取算法

目的 影像中血管的分割与特征提取,对疾病的早期诊断具有重要意义。针对很多视网膜血管提取算法分割精度不高的问题,提出了运用数学形态学中的高帽变换的方法对其进行检测。方法 首先,选取结构元素为“圆盘形”的形态学对图像进行高帽变换,经过高帽变换后的图像平滑了图像的背景,同时增强了血管在图像中的对比度。其次,对变换后的图像利用Otsu＇s自动分割法对图像进行阈值分割得到血管的二值图像。再次,根据血管在图像中的结构信息和几何信息,利用基于连通域度量的方法,设置连通域的“面积”和“长宽比”两个阈值,去除虚假目标。最后,为保持血管的连续性,对图像进行一次膨胀运算,可将断裂的血管连接起来,减小了实验的误差。结果 通过上述步骤实现了对血管的提取。结论 结果表明,本文算法能有效提取视网膜眼底图像的血管网络,有较强的分割精度。     

基于中心线提取的视网膜血管分割

精确估计眼底图像中的血管中心线和血管宽度是眼底血管疾病量化和可视化诊断的先决条件。在深入研究眼底图像和视网膜血管特征的基础上,提出一种基于中心线提取的视网膜血管分割算法,该算法以离散高斯核函数的偏微分为模板卷积图像,利用血管的微分几何特征定位血管中心线,并测量血管宽度。本方法的血管分割精度达到亚像素级,解决了传统方法无法直接计算血管宽度的问题,且在速度方面有较大提高。应用本算法对各类眼底图像进行了血管分割的实验,结果表明,该算法可以快速、准确地进行眼底血管分割和中心线提取。     

一种血管管径的精确测量方法

本文提出一种血管管径的精确测量方法，通过对血管图像实施技术，二值化，数字形态学处理，细化，边缘检测等处理方法，从而实现血管管径的精确测量。     

视网膜血管管径可以预测冠心痛相关死亡风险

根据7月13日的《心脏》（Heart，2006）在线版上一项报告，视网膜血管管径与冠心病（CHD）相关的死亡风险独立相关，特别是在女性，这些发现显示可使用视网膜照相术评估心血管风险。     

使用Radon变换进行二维MRI图像配准

使用了一种基于Radon变换的技术来进行二维的MRI图像配准.MRI的图像配准一般使用灰度配准,而Radon变换一般用于CT图像的重建,虽然现已经存在使用Radon变换进行图像配准,但是比较繁琐,我们对这一配准算法进行了简化.     

基于Gabor滤波器的糖尿病视网膜新生血管检测

目的:采用Gabor滤波器实现眼底图像中新生血管检测,帮助医生准确确定糖尿病视网膜病变的分期。 方法:对眼底图像进行预处理,并使用不同尺度参数和方向参数Gabor滤波器作用于预处理图像,并在尺度参数确定的情况下取各方向输出结果的最大值作为最后Gabor滤波器的输出。 结果:对比分析不同尺度参数的Gabor滤波器的结果,发现小尺度参数的Gabor滤波器在新生血管部分具有较强的输出。 结论:本研究提出的Gabor滤波器可以很好地区分眼底图像中正常血管与新生血管结构。     

基于局部Radon变换和卡尔曼滤波的超声图像肌束方向自动跟踪方法

超声成像是一种无创、实时和便捷的成像方法,已被广泛用于人体肌肉运动分析。临床上目前主要采用手工处理的方法来提取超声图像中的形态结构, 不仅依赖于操作者的主观经验,且耗时严重、重复性低。提出一种自动计算与跟踪超声图像序列中肌束方向的新方法,利用基于约束互信息的自由变换算法自动提取感兴趣区域,然后基于局部Radon变换对超声图像进行投影,并利用相邻帧间肌束的连贯性,采用卡尔曼滤波的图像处理方法。对6名试验对象进行步行实验,共采集小腿内侧腓肠肌的动态超声影像1 080帧,并用所提出的方法计算肌束方向。实验结果表明,所提出的自动检测方法有较好的鲁棒性。与人工检测结果相比,两者的平均相关系数为0.92±0.02,平均误差为0.30°±0.62°。该方法可以一定程度地替代人工测量,在处理大量超声数据时具有较大的优势。     

基于Hessian矩阵的DSA图像冠状动脉直径的测量

【摘要】目的:通过对冠状动脉血管的数字减影血管造影技术（DSA）图像进行分析处理,得到血管的骨架与中心线,从而实现血管直径测量。方法:采用MATLAB语言进行图像处理,在对DSA图像平滑及均衡化处理后,得到血管的骨架与中心线。以Hessian矩阵的特征向量为参考方向,做与血管垂直的直线,利用该直线与血管骨架的两个交点求得血管直径。结果:实现冠状动脉血管中心线、骨架的自动提取和冠状动脉血管直径的自动测量。结论:对于随机抽取的DSA图像,该方法均取得理想的冠状动脉血管中心线与骨架,以及精确的冠状动脉血管直径数值,可为操作人员提供丰富的信息,具有一定的实用价值。     

Characterization of the binding profile of peptide to transporter associated with antigen processing (TAP) using Gaussian process regression

Although MHC–peptide binding is the most selective event in epitope presentation process, the protein fragments generated by proteasomal cleavage require to be recognized by transporter associated with antigen processing (TAP) and translocated from cytosol to endoplasmic reticulum before they can be loaded into the ligand-binding groove of MHC. In this article, we report the use of a new and powerful machine learning tool called Gaussian process (GP) to model the linear and nonlinear relationships between the sequence pattern and binding affinity of peptide to TAP, and to explain the physicochemical properties and structural implications underlying the specific recognition and association of peptide with TAP. The resulting statistics are compared systematically with those obtained by sophisticated PLS, ANN and SVM. Results show that: (i) Nonlinear methods such as the ANN and GP perform much better than the linear PLS. (ii) GP is capable of handling both linearity- and nonlinearity-hybrid relationship and thus exhibits a good performance relative to other two nonlinear methods. (iii) Investigation of the GP model shows that the P1, P2, P3 and P9 of peptide are the most important positions that dominate TAP–peptide recognition, P5 contributes slightly to the peptide binding, whereas P4, P6, P7 and P8 can only exert very limited potency on the binding. (iv) Diverse properties cast remarkable effects on the interaction between TAP and peptide. In particular, hydrophobility, electronic property and hydrogen bond contribute most significantly to the binding affinity of TAP–peptide association.