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。     

基于改进U型网络的眼底图像血管分割

眼底图像血管分割问题是眼科及其他相关疾病计算机辅助诊断的基础。通过分割和分析眼底图像中的血管结构,可以对糖尿病视网膜病变、高血压和动脉硬化等疾病进行早期诊断和监测。针对目前已有血管分割算法存在准确率不高和灵敏度较低的问题,基于深度学习基本理论,提出一种改进U型网络的眼底图像血管分割算法。首先,通过减少传统U型网络下采样和上采样操作次数,解决眼底图像数据较少的问题;其次,通过将传统卷积层串行连接方式改为残差映射相叠加的方式,提高特征的使用效率;最后,在卷积层之间加入批量归一化和PReLU激活函数对网络进行优化,使网络性能得到进一步的提升。在DRIVE和CHASE_DB1这两个公开的眼底数据库上进行实验,每个数据库随机抽取160 000个图像块送入改进的网络中进行训练和测试,可以得到该算法在两个数据库上的灵敏度、准确率和AUC(ROC曲线下的面积)值,相比已有算法的最好结果平均分别提高2.47%、0.21%和0.35%。所提出的算法可改善眼底图像细小血管分割准确率不高及灵敏度较低的问题,能够较好地分割出低对比度的微细血管。     

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。     

BP神经网络在眼底造影图像分割中的应用

背景:通过眼底荧光血管造影(FFA)所得到的数字图像以及对其进行处理所得到的数据,可反映视网膜血管结构、血流动力学改变、血管病理生理变化及其相关结构的病理改变,广泛应用于视网膜、脉络膜及视神经疾病的鉴别诊断。目的:通过分析眼底造影图像和BP神经网络的特点,利用BP神经网络对眼底造影图像进行分割,并将其利用到眼科的临床辅助诊断之中。方法:将待分割图像区域分为背景和目标两类,用手工方法得到这两类的样本图像,提取样本图像的特征,如灰度、方差、纹理等;对提取的样本特征值进行归一化处理,输入神经网络分类器,利用BP训练算法进行训练;输入待分类的医学图像,提取图像特征,并进行归一化处理;将归一化后的特征值,输入已训练的神经网络分类器进行分类,得到眼底造影图像的分割结果。结果与结论:本文使用的眼底造影图像分割方法抗干扰能力强,分割的眼底造影图像清晰、内容丰富。可以为眼科医生的临床诊断提供较大帮助。     

眼底图像中硬性渗出物检测算法

目的利用眼底图像中硬性渗出物(hard exudates,HE)的亮度与边缘特征,提出一种基于Canny边缘检测算法与形态学重构相结合的HE自动检测方法,以解决目前算法灵敏度低、检测结果中视盘和血管的干扰等问题,对糖尿病视网膜病变(diabetic retinopathy,DR)的自动筛查具有重要意义。方法检测算法包括4个步骤。步骤一,图像预处理,主要包括RGB通道选取、基于形态学的图像对比度增强。步骤二,视网膜图像关键结构的消除,利用基于Gabor滤波的血管分割方法,消除血管边缘对HE检测的影响。将本文视杯分割算法应用在眼底图像红色通道上实现视盘自动分割,消除视盘及其边缘对HE检测的影响。步骤三,利用改进的Canny边缘检测算法和形态学重构方法对HE进行提取。步骤四,基于形态学的图像后处理,消除眼底图像边缘部分假阳性区域。最后利用该算法测试公开数据库中的40幅图像(35幅HE病变图像,5幅正常图像)。结果该算法对基于病变的灵敏性(sensitivity,SE)和阳性预测值(positive predictive value,PPV)分别为93.18%和79.26%,基于图像的灵敏性、特异性(specificity,SP)和准确率(accuracy,ACC)分别为97.14%、80.00%和95.00%。结论与其他方法对比,基于Canny边缘检测算法与形态学重构相结合的HE自动检测算法具有较好的可行性。     

基于Dense U-net方法的眼底彩色照片图像血管分割研究

眼底彩色照片图像血管分析可用于评估和监测各种眼科疾病,对患者提前干预治疗提供指导,减少致盲风险,具有十分重要的临床意义。目前眼底血管分割的算法及模型,对于细小血管如视网膜毛细血管的分割效果仍有待提高。本研究针对此问题提出Dense U-net网络架构,该模型在U-net网络中加入了Dense Block架构,可以提高细小血管的分割准确率,同时该算法模型在DRIVE(digital retinal images of vessel extration,DRIVE)公开数据集上进行了实验,相比现有的算法,本研究模型的准确率、灵敏度、特异性分别为0.9532、0.7977、0.9759,其中灵敏度的提高可以使得算法模型更准确地识别并分割出细小血管。     

改进U-Net深度网络的视网膜血管分割算法

为了解决U-Net算法在分割眼底图像时无法分割末梢微小血管和无法处理噪声干扰等问题,提出了一种改进的视网膜血管分割算法。首先,在U-Net算法中引入通道强化残差网络,用以优化U-Net架构,使得网络识别更多视网膜微血管。其次,引入空间注意力网络来排除噪声,更好地突出血管。最后,在损失函数的计算中,使用动态权重代替U-Net算法的固定权重,迫使神经网络能够学习一个稳健的特征映射。将改进的算法在DRIVE数据集上进行实验,实验结果表明本文分割算法的准确性和敏感性大幅提高。比原U-Net算法准确性和敏感性分别提高了2.12%和7.51%,比DCU-Net准确性和敏感性分别提高了1.20%和2.55%。     

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。     

基于先验知识随机游走模型的视网膜血管分割方法

视网膜图像的血管提取对心脑血管等疾病的诊断、治疗与评价具有重要的临床应用价值.为解决目前视网膜血管分割算法中存在的分割精度低(特别针对病变图像)等问题,提出基于先验知识随机游走模型的视网膜血管分割方法.在分析视网膜血管特征的基础上,构建归一化梯度向量散度场,针对高、低对比度血管采用不同的定向拉普拉斯算子提取血管中心线,并将先验知识随机游走模型应用于图像分割,实现对比度低、边界微弱的视网膜血管提取.采用STARE视网膜图像库进行分割精度测试,结果表明本算法精度相对已有算法明显提高,特别针对带有病变的视网膜图像,算法的有效性得到了验证,可满足临床处理的要求.     

基于光学相干层析的视网膜图像分割

利用光学相干层析（optical coherence tomography,OCT）技术可以得到清晰的视网膜层状结构,实现视网膜层状结构自动分割功能是解决OCT技术应用于视网膜疾病诊断的一项基础问题。本文通过图像平滑、峰值探测、Snake模型、贪婪算法和样条插值等综合技术,对OCT视网膜图像进行分割,自动提取层状结构轮廓并获取视网膜厚度分布图。将以上算法应用于24例正常人眼底图像,并与专家手动标记轮廓提取的厚度相比,结果证实上述视网膜自动测量算法与专家人工标记取得较好一致性。本文提出的测量算法有望应用于视网膜变异性评估。     

基于改进小波边缘检测算法的视网膜血管宽度测量

背景:眼底荧光血管造影可反映视网膜血管结构、血流动力学改变、血管病理生理变化及其相关结构的病理改变,广泛应用于视网膜、脉络膜及视神经疾病的鉴别诊断。目的:通过分析视网膜血管的特点和小波边缘检测算法的优缺点,对小波边缘检测算法进行改进,并利用该算法对视网膜血管进行边缘检测与宽度测量。方法:首先由样条函数构造样条小波,由此得到小波滤波系数。根据改进的小波边缘检测方法得到眼底荧光图像的血管初始边缘,利用边缘细化算法对初始边缘进行细化,基于分形技术对细化后的边缘进行连接,由噪声去除算法消除边缘图像中的噪声点,得到连续的单象素点血管边缘。通过两条边缘之间垂直线上的象素点数,得到血管的实际内径。结果与结论:文章使用的方法较好的解决了传统方法边缘细节和噪声太多的问题,具有更好的边缘连续性和更少的过检测点。将其应用于视网膜血管宽度的测量之中,诊断结果与实际情况较为接近,可以为眼科医生的临床诊断提供较大帮助。     

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。     

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。     

双线性非局部特征结合中继监督网络用于视网膜血管分割

对眼底图像中的视网膜血管精准分割是检测多种疾病的关键技术,在相关疾病自动筛查系统中发挥着重要的作用。针对现存方法追求分割精度时忽略对算法复杂性的考虑,导致在资源受限的医疗设备上部署困难的问题。本文通过进一步合理减少卷积层的特征通道数量来轻量化分割网络并提出了BNIS-Net。该网络采用多尺度图像作为输入融合到编码过程中,使得不同感受野之间建立良好的联系,并提出一种双线性非局部模块来增强相关上下文信息的捕捉能力。最后,在解码过程中采用中继监督的策略,为解码部分各级输出提供监督来约束网络的学习,这样可以有效改善收敛行为使浅层部分得到充分训练。BNIS-Net以0.41 M的参数量在DRIVE、STARE和CHASE_DB1 3个公开数据集上分别取得了81.02%、81.07%、78.15%的DSC值和0.983 3、0.986 1、0.985 9的AUC值。通过大量对比实验和消融研究证明,该方法能够更好地分割血管的边缘细节。     

一种病变眼底图像的配准方法

对于具有病变的眼底图像,血管结构不够清晰,采用基于血管分割和血管分支点、交叉点等眼底图像配准方法具有一定的局限性。为了解决这个问题,提出一种基于不变特征的眼底图像配准方法。提取眼底图像的尺度不变特征(SIFT)作为特征点,提出双边或的Best-Bin-First(BBF)算法进行特征点匹配,并根据特征点具有旋转不变性的方向特征和空间斜率及空间距离等几何特性的一致性检测去除误匹配,精化匹配特征,利用得到的匹配特征进行M估计得到眼底图像的变换关系。通过对不同程度病变的眼底图像数据进行配准实验,观察配准结果,对比匹配特征的正确匹配数量和分析衡量配准精度的均方根误差。结果表明,该方法实现了良好的细节对齐,保留了足够的正确匹配对,对实验的病变眼底图像配准成功后的均方根误差均小于1,且浮动于0.5左右,验证了方法的精确性和有效性。     

视网膜血管生物医学图像的减影增强预处理研究

图像分割的效果随处理对象不同而异 ,至今仍属探索的难题。针对视网膜血管图像进行整体背景减影方法的研究 ,用已摄的实际图像自身作依据 ,处理过程不必依赖于图像记录系统的先验信息 ,以实现视网膜血管灰度图像增强的预处理效果 ,为后续二值分割过程提供合适的图像品质 ,实验结果显示本方法的预处理增强效果良好     

结合深度可分离卷积与通道加权的全卷积神经网络视网膜图像血管分割

糖尿病和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。本文提出一种结合深度可分离卷积与通道加权的全卷积神经网络(FCN)视网膜图像血管分割方法。首先,对眼底图像的绿色通道进行CLAHE及Gamma校正以增强对比度;然后,为了适应网络训练,对增强后的图像进行分块以扩充数据;最后,以深度可分离卷积代替标准的卷积方式以增加网络宽度,同时引入通道加权模块,以学习的方式显式地建模特征通道的依赖关系,提高特征的可分辨性。将二者结合应用于FCN网络中,以专家手动标识结果作为监督在DRIVE数据库进行实验。结果表明,本文方法在DRIVE库的分割准确性能够达到0.963 0,AUC达到0.983 1,在STARE库的分割准确性可以达到0.962 0,AUC达到0.983 0。在一定程度上,本文方法具有更好的特征分辨性,分割性能较好。     

眼底数码图像血管分割预处理关键技术研究

目的本文以眼底图像为研究对象,针对眼底图像血管分割的预处理关键技术进行了深入的研究和探讨。方法首先通过RGB通道选择,显示出较为清晰的血管图像,并通过自适应直方图均衡化增强图像对比度。其次,利用灰度倒置和灰度增强,使细小血管更加清晰,并采用空域滤波对血管轮廓边缘进行增强。最后进行图像填充,去除背景中的噪声干扰。结果通过MATLAB仿真实验,获得了血管脉络清晰的眼底数码图像。结论本研究为血管的自动分割以及血管成分的定性和定量分析奠定了基础。     

基于相位一致性模型的眼底微动脉瘤检测方法

眼底微动脉瘤是糖尿病视网膜病变最早期的症状,准确检测眼底图像中的微动脉瘤对糖尿病视网膜病变的筛查具有重要意义。提出一种基于相位一致性模型的微动脉瘤检测方法。首先采用相位一致性模型获取微动脉瘤候选者,然后通过构建灰度剖面图去除图像中血管片段等无关信息,从而筛选出真正的微动脉瘤。通过对ROC网站提供的50幅眼底图像进行实验,在图像水平上实现了灵敏度94%、特异性100%、准确率96%的检测效果。结果表明,该方法对图像的亮度、对比度不敏感,能够高效自动地检测出彩色眼底图像中的微动脉瘤。     

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.