基于相位一致性的眼底图像视网膜血管分割

眼底图像的视网膜血管分割是眼底图像处理的重要组成部分,视网膜血管对于医学研究和临床诊断有着重要的作用。传统图像分割算法都有一定的缺陷,而相位一致性算法由于不受对亮度和对比度的影响,且有着较好的分割效果,可以用于图像特征的提取和分割。为此提出了将相位一致性算法应用于眼底图像的血管提取中,采用真实的眼底图像数据库进行实践,证明了可较好地用于眼底图像视网膜血管分割。     

基于融合相位特征的视网膜血管分割算法

针对相位一致性特征对血管中心检测不足问题,提出基于融合相位特征的眼底视网膜血管分割算法。首先,预处理原始的视网膜图像;然后,对图像中每个像素构造4D的特征向量（包括Hessian矩阵、Gabor变换、条带选择组合位移滤波响应（B-COSFIRE）滤波、相位特征）;最后,采用支持向量机（SVM）进行像素分类,实现眼底视网膜血管的分割。其中,相位特征是将分别提取的相位一致性特征与Hessian矩阵特征进行小波融合后得到的一种新的融合相位特征。该特征既保留了相位一致性特征良好的血管边缘信息,又克服了相位一致性特征对血管中心检测的不足。在用于血管提取的数字视网膜图像（DRIVE）数据库上测得基于融合相位特征的视网膜血管分割算法的平均准确率（Acc）为0.9574,平均受试者工作曲线面积（AUC）为0.9702;且在单一特征进行像素分类提取血管的实验中,与使用相位一致性特征相比,使用融合相位特征进行像素分类提取血管的Acc由0.9191提高到0.9478,AUC由0.9359提高到0.9578。实验结果表明,融合相位特征比相位一致性特征更适用于基于像素分类的眼底视网膜血管分割算法。     

基于相位一致和核模糊C均值的眼底血管分割

为提取反映心脑血管疾病的眼底视网膜血管,提出一种结合相位一致性和核模糊C均值的分割算法。利用基于Log Gabor小波的相位一致性算法在频域做血管边缘检测,利用核模糊C均值聚类检测结果,去噪声并二值化得到血管图像。基于STARE数据库的实验结果表明,以专家手工分割结果为参考标准,使用该算法的平均分割正确率高达92?65％。     

基于核模糊C均值的眼底视网膜血管分割算法

针对眼底视网膜图像对比度差、背景不一致的问题,提出了一种基于核模糊C均值的眼底视网膜血管分割算法。首先采用二维高斯匹配滤波预处理以增强血管,然后采用核模糊C均值算法对增强眼底图像进行分割,并根据血管与各类隶属度的关系自动合并聚类图像得到最终的血管图像。实验结果表明,该算法分割结果令人满意。     

视网膜血管图像分割及眼底血管三维重建

眼底视网膜图像的血管分布情况为高血压、糖尿病等疾病的早期诊断提供了重要依据. 计算机处理眼底图像可以减少医生的重复劳动. 本文提出了一种新的眼底视网膜血管图像分割算法. 利用构建的局部归一化方法消除视网膜血管图像背景的差异性. 利用期望最大化算法进行聚类, 实现了眼底视网膜血管图像分割. 最后, 根据眼底图像成像原理, 通过投影逆变换构建了眼底视网膜图像的三维模型. 构建的模型可以进行多角度观察分析.     

基于马尔可夫随机场的眼底图像血管分割研究

眼底图像血管分割是医用图像分割中较为复杂的一种,在目前的研究中存在分割精度低、效率不高等问题。提出基于马尔可夫随机场的眼底图像血管分割算法,根据眼底图像的特点构建马尔可夫随机场模型,提取H通道作为特征场参数,利用最大后验准则完成标号场更新,最终实现对视网膜血管的分割。算法通过眼底图像数据库DRIVE进行测试,结果表明:该算法平均准确度为0.954 6,平均敏感度为0.899 9,平均特异度为0.957 1,具有很好的分割效果,且运行稳定,计算方便快捷,具有鲁棒性。     

基于编解码结构的多特征融合眼底图像分割

为解决现有眼底图像分割方法对于细微血管存在低分割精度和低准确率的问题,提出一种基于编解码结构的U-Net改进网络模型。首先对数据进行预处理与扩充,提取绿色通道图像,并将其通过对比度限制直方图均衡化和伽马变换以增强对比度;其次训练集被输入到用于分割的神经网络中,在编码过程加入残差模块,用短跳跃连接将高、低特征信息融合,并利用空洞卷积增加感受野,解码模块加入注意力机制增加对细微血管分割精度;最后利用训练完成的分割模型进行预测得出视网膜血管分割结果。在DRIVE和CHASE-DB1眼底图像数据集上进行对比实验,模型算法的平均准确率、特异性和灵敏度分别达到96.77%和97.22%、98.74%和98.40%、80.93%和81.12%。实验结果表明该算法能够改善微细血管分割准确率及效率不高的问题,对视网膜血管可以进行更准确的分割。     

基于多尺度全局注意力的U型视网膜血管分割网络

眼底视网膜血管分割在多种类型眼科疾病的评估和诊断中起着重要作用。由于眼底图像中血管的拓扑结构复杂多变,现有算法通常存在分割结果中血管特征不连续以及血管边缘分割准确度不高的问题。针对上述问题,本文提出一种用于视网膜血管分割的多尺度全局注意力U型神经网络MSGA-UNet。该网络一方面通过全局特征注意力模块从编码器中较为容易地获得图像的全局表征信息,解决眼底视网膜血管分割中特征不连续的问题;另一方面利用多尺度空洞卷积模块,利用不同膨胀率的空洞卷积扩大感受野并获取图像的多尺度局部特征信息,从而提升血管边缘信息的提取能力。经过在DRIVE、STARE和CHASEDB1数据集上的实验,MSGA-UNet的平均交并比分别为74.06%、78.22%和79.62%;类别平均像素准确率分别为80.39%、84.60%和85.53%;精确度分别为96.32%,96.42%和97.23%;综合分割性能优于其他模型。     

基于PST和多尺度高斯滤波的视网膜血管的分割

视网膜血管分割是眼科计算机辅助诊断和大规模眼科疾病筛查系统的基础。为辅助眼科医生进行眼底疾病的诊断，文中提出了一种基于相位拉伸变换(PST)和多尺度高斯滤波的视网膜血管分割方法。首先，将彩色眼底影像的绿色通道分量图进行增强预处理；然后采用不同尺度的高斯滤波器对预处理增强后的视网膜血管进行降噪处理，再结合PST边缘检测算法初步获得视网膜血管分割图；最后整合初步获得的视网膜血管分割图并进行形态学去噪，获得最终的视网膜血管分割图。通过在视网膜图像库DRIVE上进行实验，其平均准确率为93%，平均灵敏度达77%，平均特异性为95%，该实验结果验证了文中方法的有效性。     

基于密集注意力网络的视网膜血管图像分割

视网膜血管的结构信息对眼科疾病的诊断具有重要的指导意义,对视网膜血管图像进行高效正确的分割成为临床的迫切需求。传统的人工分割方法耗时较长且易受个人主观因素的影响,分割质量不高。为此,提出一种基于密集注意力网络的图像自动分割算法。将编码器-解码器全卷积神经网络的基础结构与密集连接网络相结合,以充分提取每一层的特征,在网络的解码器端引入注意力门模块,对不必要的特征进行抑制,提高视网膜血管图像的分割精度。在DRIVE和STARE眼底图像数据集上的实验结果表明,与其他基于深度学习的算法相比,该算法的敏感性、特异性、准确率和AUC值均较高,分割效果较好。     

基于改进的B样条RibbonSnake视网膜血管分割方法

眼底视网膜血管的分割在眼底视网膜血管病变分析和心脑血管疾病诊断中具有重要的临床应用价值。针对现有视网膜血管割算法分割出的血管边界不够精确光滑以及对低对比度血管分割效果不理想等问题,本文提出一种改进的B样条Ribbon Snake模型,对视网膜图像中的血管进行分割。该方法首先对眼底视网膜图像进行亮度均衡化、去噪等预处理操作,再利用方向线检测算子对血管中心线进行提取,最终在传统B样条Ribbon Snake模型的基础上设计新的宽度能量、区域能量,并利用该模型完成对视网膜血管进行分割。实验结果表明,该方法分割出的血管边界具有精确与光滑的特性,且能对低对比度血管进行有效分割。     

基于深度学习的眼底血管图像分割研究进展

眼底血管图像分割对青光眼、糖尿病视网膜病变等多种眼部疾病有较好的辅助诊断作用, 目前深度学习因其强大的抽象特征发现能力, 有望满足人们从眼底血管图像中提取特征信息进行图像自动分割的需求, 成为眼底血管图像分割领域的研究热点. 为更好把握该领域的研究进展, 本文对相关数据集和评价指标整理归纳, 对深度学习在眼底血管图像分割中的应用进行详细阐述, 重点梳理各类分割方法的基本思想、网络结构及改进之处, 分析现有眼底血管图像分割方法存在的局限性及面临的挑战, 并对该领域未来的研究方向做出展望.     

基于多尺度2D Gabor小波的视网膜血管自动分割

眼底视网膜血管分割对临床视网膜疾病诊断具有重要意义. 由于视网膜血管结构微小, 血管轮廓边界模糊, 加上图像采集时噪声的影响, 视网膜血管分割非常困难. 本文提出一种视网膜血管自动分割新方法. 首先, 应用对比度受限的自适应直方图均衡法增强视网膜图像;然后, 采用不同尺度的2D Gabor小波对视网膜图像进行变换, 并分别应用形态学重构 (Morphological reconstruction, MR)和区域生长法 (Region growing, RG)对变换后的图像进行分割; 最后, 对以上两种方法分割的视网膜血管和背景像素点重新标记识别, 得到视网膜血管最终分割结果. 通过对DRIVE和STARE数据库视网膜图像的分割实验, 证明了该算法的有效性.     

基于多尺度高阶注意力机制的视网膜血管分割

视网膜血管分割对于辅助医生诊断糖尿病性视网膜病变、黄斑萎缩、青光眼等眼科疾病具有重要意义. 注意力机制被广泛用于U-Net及其变体中以提高血管分割模型的性能. 为进一步提高视网膜血管的分割精度, 挖掘视网膜图像中的高阶及全局上下文信息, 本文提出基于多尺度高阶注意力机制的模型(multi-scale high-order attention network, MHA-Net). 首先, 多尺度高阶注意力(multi-scale high-order attention, MHA)模块从深层特征图中提取多尺度和全局特征计算初始化注意力图, 从而改进模型处理医学图像分割时尺度不变的缺陷. 接下来, 该模块通过图的传递闭包构建注意力图, 进而提取高阶的深层特征. 通过将多尺度高阶注意力模块应用于编码器-解码器结构中, 在彩色眼底图像数据集DRIVE上进行血管分割, 实验结果表明, 基于多尺度高阶注意力机制的视网膜血管分割方法有效地提高了分割的精度.     

基于双注意力编码-解码器架构的视网膜血管分割

眼底视网膜血管的分割提取对于糖尿病、视网膜病、青光眼等眼科疾病的诊断具有重要的意义。针对视网膜血管图像中的血管难以提取、数据量较少等问题,文中提出了一种结合注意力模块和编码-解码器结构的视网膜血管分割方法。首先对编码-解码器卷积神经网络的每个卷积层添加空间和通道注意力模块,加强模型对图像特征的空间信息和通道信息(如血管的大小、形态和连通性等特点)的利用,从而改善视网膜血管的分割效果。其中,空间注意力模块关注于血管的拓扑结构特性,而通道注意力模块关注于血管像素点的正确分类。此外,在训练过程中采用Dice损失函数解决了视网膜血管图像正负样本不均衡的问题。在3个公开的眼底图像数据库DRIVE,STARE和CHASE_DB1上进行了实验,实验数据表明,所提算法的准确率、灵敏度、特异性和AUC值均优于已有的视网膜血管分割方法,其AUC值分别为0.9889,0.9812和0.9831。实验证明,所提算法能够有效提取健康视网膜图像和病变视网膜图像中的血管网络,能够较好地分割细小血管。     

改进的形态学与Otsu相结合的视网膜血管分割

针对视网膜图像采集过程中由于疾病引起的图像光照反射过强问题,提出了一种修正的形态学与Otsu相结合的无监督视网膜血管分割算法。首先运用形态学中的高低帽变换增强血管与背景的对比度;然后提出了一种修正方法,消除部分由视网膜疾病引起的光照问题;最后使用Otsu阈值方法分割血管。算法在DRIVE和STARE视网膜图像数据库中进行了测试,实验结果表明,DRIVE数据库中的分割精度为0.9382,STARE数据库中的分割精度为0.9460,算法的执行时间为1.6s。算法能够精确地分割出视网膜血管,与传统的无监督视网膜血管分割算法相比,算法的分割精度高、抗干扰能力强。     

基于多特征融合和随机森林的视网膜血管分割

为了进行眼底疾病辅助诊断,提出一种基于多特征融合和随机森林的视网膜血管分割方法.首先为彩色眼底图中的每个像素点提取一个23维特征向量(包括图像不变矩、灰度共生矩阵、LoG结合高斯二阶导、梯度法、相位一致性和Hessian矩阵特征);然后选取一定数量的像素点,提取其特征共同构造一个特征矩阵作为输入数据,并采用随机森林算法训练分类器;再用训练好的分类器对待分割图像中的像素点进行分类,判断其是否为血管点;最后在初步分割基础上进行基于连通区域补足血管的后处理,得到优化后的血管分割结果.在DRIVE公共数据库上进行实验的结果表明,该方法平均精确度达0.9606,平均灵敏度达0.7447,平均特异性达0.9838,比已有方法性能更优.     

基于多尺度滤波的视网膜血管分割算法

眼底视网膜血管图像的纹理与结构信息可作为医学对相关疾病诊断的重要依据。针对视网膜血管存在伪影与尺度结构复杂等难题以及微血管分割较低等问题,提出一种基于多尺度滤波的有监督学习视网膜血管分割算法。采用二维K-L变换综合分析彩色图像三通道的频带信息得到视网膜灰度图像,并利用受限对比度直方图均衡化增强血管与背景的对比度,利用Retinex降低伪影与视盘的干扰;由多尺度高斯匹配滤波、多尺度形态学滤波、Frangi滤波以及2D-Gabor滤波提取相关血管特征,并将提取好的特征集由AdaBoost初步提取血管;利用血管连通域信息去除初分割结果的非血管像素,获得最终的血管图像。该算法在DRIVE与STARE数据集上实验,准确率分别达到96.34%与95.83%。     

基于Morlet小波变换的视网膜血管分割

眼底视网膜血管网络是诊断糖尿病视网膜病、青光眼等眼科疾病的重要手段.根据视网膜血管的树状网络结构和灰度分布特征,提出一种基于Morlet小波和高斯匹配滤波的分割方法.首先通过分析二维Morlet小波变换对血管的系数响应来构造血管特征函数图;随后采用多尺度的离散高斯核对血管骨架进行匹配滤波,提高微小血管与背景区域的对比度;最后结合区域连通性分析和滞后阈值技术滤除背景噪声,提取出更加精确的血管树细节.在DRIVE和STARE数据库上的实验结果表明,作为非监督类分割方法,该方法能有效地提取眼底图像的视网膜血管网络,粘连现象少,而且对图像中噪声的鲁棒性较其他方法明显提高,具有较好的临床应用参考价值.     

特征组合和多模块学习的视网膜血管分割

有监督的学习方法用于视网膜血管分割须以专家手动标记好的视网膜血管为标准，存在训练样本获取困难且训练时间长等不足。针对这些缺点，提出一种基于特征组合的多模块无监督学习方法，提取眼底图像素的不变矩、Hessian矩阵、相位一致性、Gabor小波变换、Candy边缘共18维特征向量，采用多模块[k]-means方法进行视网膜血管分割。实验结果表明，该方法简单，具有较好的准确度，且时间开销少。