一种眼底图像出血点的检测算法

目的 提出一种基于灰度检测和形态学重构的出血点(hemorrhages,HA)自动检测算法,以提高糖尿病视网膜病变(diabetic retinopathy, DR)眼底图像的质量和灵敏度。方法 对预处理后的图像进行灰度阈值分割,保留并提取出HA和血管特征,再利用形态学方法去除血管并消除图像边缘假阳性区域,形成新算法。用新算法测试公开数据库DIARETED1中的50幅图像(45幅HA病变图像,5幅正常图像),与专家人工判断结果进行比对验证。结果 该算法的灵敏度(sensitivity, SE)和特异性(specificity, SP)分别为93.33%和80.00%。结论 该算法可提升眼底图像质量和灵敏度,在不借助医生经验的条件下完成快速判定,很大程度提高了筛查的效率。     

基于定向局部对比度的眼底图像视盘检测方法

视盘作为眼底图像的一个重要特征,其自动检测方法在眼底病变图像分析中有着重要的作用。提出一种基于定向局部对比度滤波的方法,有效地提取眼底图像中的局部亮度区域;结合视盘区域的局部血管特征,选择定位出正确的视盘感兴趣区域;采用数学形态学方法和区域主动轮廓模型,可较准确地检测出视盘轮廓。对开放的STARE数据库上的81幅眼底图像进行测试,其中含31幅正常和50幅病变图像（含严重病理图像）,用该方法正确检测出视盘73幅,准确率约为90.1%。结果表明,该方法有效地克服大块亮斑病灶对视盘检测的影响,且仅需提取粗血管,计算较为简单,说明了算法的有效性。     

免散瞳眼底图像中微动脉瘤的高效自动检测

为快速、有效地自动检测免散瞳眼底图像中的微动脉瘤,构建基于免散瞳眼底图像的糖尿病视网膜病变自动筛查系统,提出了一种简单而高效的微动脉瘤自动检测算法。在对免散瞳眼底图像G通道预处理的基础上,利用数学形态学分割提取硬性渗出和血管;并通过将二者从扩展极小值变换后的二值图像中去除而获得微动脉瘤候选区域;进而根据尺寸信息获取真正的微动脉瘤。利用该算法对两组不同质量免散瞳眼底图像进行微动脉瘤自动检测,并对检测结果进行统计分析。结果表明:两组图像检测结果精度均较高,相应指标间的相对误差均低于4%,且处理效率高(平均一幅图像的处理时间为9.7 s)。该算法能够高效地自动检测出免散瞳眼底图像中的微动脉瘤,且算法稳定可靠,具有很高的实用价值。     

基于生成对抗网络的彩色眼底图像硬性渗出检测方法

糖尿病视网膜病变(DR)是糖尿病严重的并发症,是视力损害最常见的原因之一。硬性渗出物(HE)是DR早期的症状之一,从眼底图像中对硬性渗出的准确检测是DR筛查的关键步骤。提出一种基于生成对抗网络(GANs)的视网膜硬性渗出的自动检测方法。相比一般的卷积神经网络,生成对抗网络由生成式模型G和判别式模型D组成,两者之间的博弈与竞争使得生成对抗网络能够更加精确地检测眼底图像中的硬性渗出。首先,为了避免视盘对后续硬性渗出检测的干扰,根据血管分布信息与全局灰度信息,准确定位视盘(OD)中心并掩盖视盘;然后,交替迭代训练生成式模型G和判别式模型D,得到在验证集上分割效果最佳的模型并保存。所提出的算法在e-ophtha EX数据库上训练和验证,并进行像素级评估,获得88.6％、84.3％和86.4％的平均灵敏度、PPV和F-score。在另一个独立的DIARETDB1数据库上进行测试,获得的平均灵敏度、特异性和准确性分别为100％、96.2％和97.8％。综上所述,两个视网膜图像数据库的评估结果证明,生成对抗网络的博弈模式能够有效地检测彩色眼底图像中的硬性渗出。     

基于背景估计和SVM分类器的眼底图像硬性渗出物检测方法

硬性渗出物是糖尿病视网膜病变(DR)的早期病症,是糖尿病性黄斑水肿的最主要表现,因此对硬性渗出物的准确检测具有重要的临床意义。提出一种基于背景估计和SVM分类器的眼底图像硬性渗出物检测方法。首先通过背景估计,得到包含亮目标的前景图;然后利用基于Kirsch算子的边缘信息确定硬性渗出物的候选区域,再移除视盘;最后对候选区域进行形状特征、直方图统计特征以及相位特征的提取,采用SVM对候选区域进行分类,完成硬性渗出物的精确提取。对DIARETDB1和HEI MED公共数据库中共248幅眼底图像进行实验,图像水平达到灵敏度97.3%和特异性90%,病灶水平达到灵敏度84.6%和阳性预测值944%。实验表明,所提出的方法能够实现眼底图像中硬性渗出物的自动检测。     

基于改进的模糊C-均值聚类算法及支持向量机的眼底图像中硬性渗出检测方法

目的提出一种基于改进的模糊C-均值(improved fuzzy C-means,IFCM)聚类算法及支持向量机(support vector machine,SVM)的检测算法,以实现对眼底图像中硬性渗出的自动识别。方法首先利用改进的FCM算法对由江苏省中医院眼科提供的120幅彩色眼底图像进行粗分割以获取硬性渗出候选区域;其次,利用Logistic回归对候选区域提取出的特征进行选择,并利用候选区域的优化特征集及相应判定结果建立SVM分类器,实现眼底图像中硬性渗出的自动检测;最后利用该方法对65幅眼底图像进行硬性渗出自动检测。结果硬性渗出自动检测得到的病灶区域水平灵敏度96.47%,阳性预测值90.13%;图像水平灵敏度100%,特异性95.00%,准确率98.46%;平均一幅图像处理时间4.56 s。结论利用改进的FCM算法与识别率较高的SVM分类器相结合的方法能够高效自动地识别出眼底图像中的硬性渗出。     

基于k均值聚类和自适应模板匹配的眼底出血点检测方法

眼底出血点是糖尿病视网膜病变的早期症状,准确检测眼底图像中的出血点,对于构建糖尿病视网膜病变的自动筛查系统具有重要意义,本研究提出了一种基于k均值聚类和自适应模板匹配的出血点检测方法。首先利用HSV空间亮度校正以及对比度受限自适应直方图均衡化方法对眼底图像进行预处理,然后使用k均值聚类分割出候选目标,最后利用自适应归一化互相关模板匹配与支持向量机(SVM)分类器对候选目标进行筛选,从而得到真正的出血区。采用DIARETDB数据库的219幅眼底图像进行实验,本方法在图像水平的灵敏度为100%,特异性为80%,准确率为92.4%,在病灶水平的灵敏度为89%,阳性预测值为87.3%。结果表明本方法能够实现眼底图像中出血点的自动检测。     

改进的快速FCM及SVM实现糖网白色病灶的自动检测

为构建基于眼底图像的糖尿病视网膜病变(糖网)自动筛查系统,提出一种基于改进的快速FCM(IFFCM)及SVM的糖网白色病灶自动检测算法.首先,利用改进的快速FCM算法,对彩色眼底图像进行粗分割获取糖网白色病灶候选区域,由于该算法将中值滤波添加到FCM算法的准则函数中,同时利用K-means算法的聚类结果对FCM进行聚类中心初始化,使得该算法克服了传统FCM算法计算复杂度高以及对噪声敏感的缺点;其次,采用两层级联分类结构的SVM对候选区域进行分类,即先利用SVM根据候选区域的特征集将白色病灶提取出来,再利用SVM根据另外的特征集将白色病灶中的硬性渗出与棉绒斑区分开,从而实现眼底图像中糖网白色病灶的自动检测.利用该方法对65幅眼底图像进行糖网白色病灶的自动检测,得到图像水平灵敏度100％,特异性95.0％,准确率98.46％;病灶区域水平(硬性渗出/棉绒斑)灵敏度96.42％/97.15％,阳性预测值90.03％/91.18％;平均一幅图像处理时间35.56 s.结果表明:将改进的快速FCM算法所提供的良好粗分割结果与识别率较高的分类器SVM相结合,使得对糖网白色病灶的自动检测结果较优,即该算法能够高效地自动检测出眼底图像中的糖网白色病灶.     

基于拓扑结构的眼底图像分割评价新方法

在眼底图像分割效果的评价中,针对传统评价方法只考虑像素点重合而未考虑视网膜血管拓扑结构的不足,本文提出一个新的评价方法。该方法首先利用数学形态学和细化算法得到血管的拓扑结构,然后统计并分析视网膜血管区域3个特征参数的分布情况,即以互信息、相关系数和节点率来获得基于拓扑结构的眼底图像分割评价结果。该方法的实验数据取自STARE公开数据库中专家手工分割及其腐蚀结果。实验结果表明:互信息、相关系数和节点率这三个特征参数可以从拓扑结构的角度来评价眼底图像视网膜血管的分割效果,且算法复杂程度较低,该方法对眼底图像视网膜血管分割评价方法的补充有重要意义。     

基于眼底结构特征的彩色眼底图像视盘定位方法

眼底图像中视盘的大小和形状等参数是判断眼底病变的重要辅助参数,视盘的检测和定位对眼科疾病的计算机辅助诊断具有重要意义。提出一种基于眼底结构特征的彩色眼底图像视盘定位方法。首先采用基于低帽运算的方法,提取眼底图像中的静脉血管;然后基于静脉血管的结构特征,采用最小二乘抛物线拟合法初步定位视盘;最后通过滑动窗口灰度扫描的方法,精确定位视盘。在4个公开的眼底图像数据库(DRIVE、DIABETED0、STARE和MESSIDOR)中,对所提出的视盘定位方法进行测试,定位准确率分别为100%、98.6%、93.8%、99.75%,验证了该方法的准确性和通用性。     

基于CT图像的颅内血肿检测与分割

目的:为提高血肿分割精度,提出一种基于改进Canny算子的颅内类血肿噪声检测方法。方法:首先用区域生长算 法分割出颅脑组织,去掉颅骨等干扰信息。然后使用基于改进Canny边缘检测的方法检测颅脑边缘类血肿噪声,并与原 图像进行与运算消除该噪声。最后,通过使用OTSU适应度函数的遗传算法精准分割出颅内血肿。结果:该方法在随机 抽取的200例颅脑血肿图像中,血肿检测的准确率达到96.3%,Dice相似度达到93.5%。结论:该方法能准确、有效地检测 并分割出颅内血肿。     

一种眼底视盘图像的自动分割方法

本文研究了基于计算机图像处理技术的眼底视盘图像的自动分割方法。首先获取视盘图像的红基色图像,然后根据红基色图像中视盘的明显的边沿特征实现视盘的自动分割。一幅具体的眼底图像实验证明了本方法的可行性。     

一种基于Snake模型的脑部CT图像分割新算法

针对目前传统的Snake模型图像分割算法的力场捕捉范围小、对初始轮廓的选取敏感以及对轮廓曲线难以收敛到 细小深凹边界的缺陷,提出一种基于Snake 模型的脑部CT图像分割新算法。算法首先运用Canny 边缘算子对图像进行 边缘检测,将边缘检测图像叠加到原始图像上,然后再运用Snake模型和梯度向量流（GVF）Snake模型分别对叠加图像进 行分割。实验结果表明,该算法克服了传统Snake 模型和GVF Snake 模型因边缘轮廓不清晰造成的漏分割情况,防止了 GVF Snake模型由于GVF力场的相互作用所造成的过分割现象,同时,还能促使轮廓线收敛到细小深凹边界,提高定位精 度,具有更好的分割效果。     

基于形态学去噪的兔眼相干光断层成像中角膜形态自动识别

目的对兔眼相干光断层成像(optical coherence tornography,OCT)中的角膜边缘识别进行研究,以期从不具有较高清晰度的图像中自动获得角膜边缘以及相关形态学参数。方法首先利用Otsu算法对兔眼OCT图像进行二值化,并以半径为5像素的圆盘形结构元素进行形态学去噪运算消除内部伪边缘,通过Canny算子获得角膜边缘图像;然后使用筛选过错误边缘点后的其余边缘点进行边缘的二次曲线一般方程的曲线拟合,求出各点曲率半径;最后用克朗巴哈系数法与人工描绘的边缘获得的相应点的曲率半径进行一致性检验。结果基于形态学去噪的Canny算法获得了较为连续平滑的角膜内外边缘曲线,与手工标点拟合曲线求出的曲率半径值具有较高的一致性(Cronbach’sα=0.953,P0.05)。结论基于形态学去噪的Canny算法可以较为准确地对OCT图像中的兔眼角膜的形态进行识别。     

基于多层Mumford-Shah向量模型的彩色视乳头图像杯盘重建、分割与度量

基于多层Mumford-Shah向量值图像分割、去噪与重建模型(HMSMv)和光滑样条曲线拟合技术,提出了一种用于计算机辅助青光眼诊断的视乳头图像视杯和视盘重建、分割与度量的新方法。首先,采用HMSMv分割和重建视杯和视盘;然后,基于重建的视乳头图像,结合青光眼视乳头图像杯、盘的先验知识,提取视杯和视盘特征矩形和边缘特征点;最后,采用光滑样条曲线拟合技术,重建被血管遮挡的视杯和视盘部分边缘,并计算杯盘比等病理特征参数值。不同青光眼病人的视乳头图像杯盘重建、分割与度量实验结果表明,该方法能克服噪声污染、血管遮挡、光照不均匀、对比度小、个体间差异大等视网膜图像分割中固有的困难,并有效重建、分割与度量青光眼彩色视乳头图像中的视杯和视盘。     

红外眼震视频瞳孔寻迹

针对眼震红外视频图像灰度分布不均匀造成瞳孔边缘检测精度不高的状况,介绍了一种基于形态学和Canny算法实现瞳孔中心定位方法,运用形态学去除一些无意义的区域,使目标瞳孔平滑,分离和提取最大连通区域瞳孔,再根据所设计的Canny算法实现瞳孔边缘提取,通过计算获取瞳孔中心位置坐标,实时地把每帧图像得到的瞳孔中心坐标通过曲线拟合出来,得到瞳孔的运动轨迹,从而获得眼震临床所期望的诊断信息。实验结果表明,该方法能够很好地适应不同实验对象灰度值差别,进行准确的边缘提取,拟合的瞳孔运动轨迹良好地反映眼睛运动情况,为国内视频眼震瞳孔中心定位的研究提供一种可借鉴的实用方法。     

基于改进区域生长算法的肝脏分割方法研究

目的：把肝脏从医学图像中提取出来,为肝脏三维定位以及放疗计划制定提供准确的数据。肝脏与其周围器官组织灰度差别小、边界不明显,而传统区域生长算法生长准则单一,不能满足分割精确度需求,并且未经处理的轮廓比较粗糙。针对这些问题,本文提出一种改进的区域生长算法。方法：本文算法主要从三个方面改进：基于先验经验和肝脏特性的种子区域选择;基于Canny算子边缘检测结果的区域生长准则动态优化;基于漫水填充法和曲线拟合的轮廓后处理。结果：本文使用多套临床实际腹部CT序列测试算法,以医生手动勾画结果为标准进行评价。在大多数CT切片上的肝脏自动分割都能取得较好的结果,并且分割用时很短,保证了效率。结论：测试结果表明,本文算法在动态控制区域生长和平滑轮廓方面有很好的作用,在保证速度的同时有效提高了肝脏自动分割精度。     

Effects of CT image segmentation methods on the accuracy of long bone 3D reconstructions

An accurate and accessible image segmentation method is in high demand for generating 3D bone models from CT scan data, as such models are required in many areas of medical research. Even though numerous sophisticated segmentation methods have been published over the years, most of them are not readily available to the general research community. Therefore, this study aimed to quantify the accuracy of three popular image segmentation methods, two implementations of intensity thresholding and Canny edge detection, for generating 3D models of long bones. In order to reduce user dependent errors associated with visually selecting a threshold value, we present a new approach of selecting an appropriate threshold value based on the Canny filter. A mechanical contact scanner in conjunction with a microCT scanner was utilised to generate the reference models for validating the 3D bone models generated from CT data of five intact ovine hind limbs. When the overall accuracy of the bone model is considered, the three investigated segmentation methods generated comparable results with mean errors in the range of 0.18-0.24 mm. However, for the bone diaphysis, Canny edge detection and Canny filter based thresholding generated 3D models with a significantly higher accuracy compared to those generated through visually selected thresholds. This study demonstrates that 3D models with sub-voxel accuracy can be generated utilising relatively simple segmentation methods that are available to the general research community.     

一种基于组合分割思想的尿沉渣图像分割新方法

本研究针对复杂散焦的尿沉渣图像的精细分割,提出了首先使用小波变换和形态学处理消除散焦影响并进行图像的粗分割,然后根据粗分割得到的子图像的情况采用边缘检测或者自适应阈值分割的混合分割方法进行细分割,最后再采用剥离算法处理待分割的粘连重叠成分的分割。该方法不受散焦影响,充分利用了图像的多种信息,因此分割结果准确。实验结果表明,该方法对尿沉渣图像的分割有效且令人满意。