基于知识的多层Mumford-Shah向量值图像分割模型

针对多层Mumford-Shah模型不能正确分割对比度小且部分被遮挡的复杂医学图像问题, 将目标形状先验知识窄带水平集统计形状模型集成到多层Mumford-Shah模型, 提出了基于目标形状先验知识的多层Mumford-Shah向量值图像分割模型和求解该图像分割模型泛函最小值的水平集逐层迭代算法. 实验结果表明, 该方法能够有效分割对比度小且部分被血管遮挡的早期青光眼病人视乳头图像.     

基于参数估计的多层M-S模型杯盘分割方法

多层Mumford-Shah模型能够很好地分割通过彩色眼底成像得到的视乳头杯盘图像,但由于光照不均、对比度小等因素,图像中存在很多无用的噪声点,对于不同的图像,多层Mumford-Shah模型需要不同的长度参数,为了解决这个问题,给出了一个自适应的长度参数估计模型.另外,血管遮挡也会使得杯盘边缘曲线的凹陷和断裂,从而造...     

基于多相Mumford-Shah模型最小图分割的视乳头杯盘分割*

为了有效地解决血管遮挡、噪声污染、光照不均、对比度小以及个体间差异大等视乳头图像分割中固有 的难题,提出采用基于图论的多相分段常数水平集ＭｕｍｆｏｒｄＳｈａｈ图像分割模型及其相应的图分割最优化方法。实验表明,该方法能够比经典的多相分段常数水平集ＭｕｍｆｏｒｄＳｈａｈ模型更快更精准地分割青光眼病人视乳头图像中的视杯和视盘形态。     

基于C-V模型的眼底图像交互式杯盘分割

针对眼底图像视杯和视盘水平集分割中C-V模型自适应能力不强等问题,提出一种基于C-V模型的视盘和视杯交互式水平集分割算法。该方法通过交互方式给定不同的视盘初始轮廓和C-V模型参数,对眼底图像的杯盘进行精确地分割。实验结果表明,该方法可克服噪声污染、光照不均匀、对比度低等特点对眼底图像分割的影响,对彩色眼底图像中的视杯和视盘进行精确分割。     

一种基于改进Attention U-net的联合视杯视盘分割方法

青光眼是当前世界范围内致盲的主要病因之一,其发病过程没有明显的特征。视杯盘比是青光眼诊断中最主要的评估指标之一,这使得视杯视盘的分割成为了目前青光眼诊断的关键。已有的视杯视盘分割方法大多基于手工提取的特征,低效且精度不高。提出一种名为MAR2U-net的深度神经网络架构用于青光眼视杯视盘的联合分割。它是基于Attention U-net的一种改进架构,通过在Attention U-net的基础之上引入递归残差卷积模块来提取更加深层次的特征,并结合多尺度的输入和多标签的Focal Tversky损失函数来提升模型的联合分割性能。实验结果表明,该方法在REFUGE数据集上的分割效果较已有方法取得了显著提升,为实现大规模的青光眼诊断筛查提供了基础。     

基于改进U-Net的视盘视杯联合分割方法

青光眼是一种不可逆的致盲性眼疾,疾病早期症状不明显使得许多患者错失治疗的最佳时机。眼底照相作为最常见的青光眼筛查手段,眼底杯盘比值是诊断青光眼的重要指标之一。针对图像中视盘视杯分割精度不高的问题,构建了一种改进U-Net的视盘视杯联合分割模型CASSP-Net,引入CBAM注意力机制和空洞空间金字塔结构,进一步提升视盘视杯联合分割的精确度,在Drishti-GS和REFUGE数据集中进行测试,在Dice和IoU上分别获得92.03%和85.23%的较好表现。     

基于图像处理的青光眼分类研究

青光眼致盲率高,检测难度大,视盘及视杯检测对青光眼早期诊断至为关键,为提高检测效率,提出一种改进的青光眼分类方法。方法通过掩膜闭合操作分割视盘,再将超像素分割与阈值相结合分割视杯,从中提取杯盘比特征来.对青光眼进行分类。详细介绍视盘区域的确定过程,以及如何通过阈值和椭圆拟合得到的视杯候选区域。在实验中通过REFUGE数据库进行测试,获得最终分类结果,识别准确率可达83.64%。该分类方法具有较高精度,在同类研究当中具有一定的竞争优势。     

一种交互式的云模型图像分割方法

论文针对图像分割中存在的不确定性问题,通过研究不确定性人工智能中定性和定量的转换模型—云模型,提出一种新的基于云模型的图像分割方法。该方法采取交互式的方式选择训练样区,利用训练样区中的像素生成云模型,并通过泛概念树生成算法生成泛概念树,最后通过极大判定法判定像素所属类别,实现图像分割。这种方法能较好地描述图像目标的不确定性。通过几组实验,证明该方法可以准确地分割出目标,并优于传统的图像分割算法。     

青光眼视神经头参数与视网膜神经纤维层的相关性分析

青光眼是一种以视神经萎缩和视野缺损为共同特征的视网膜疾病,是导致人类失明的第二大视网膜疾病.青光眼的早期症状不明显,因此对早期青光眼的筛选和诊断将会阻止青光眼的进一步发展.文中提出一种评估青光眼发病机制的算法,首先利用随机森林分割视网膜神经纤维层,然后利用块搜索算法分割视盘与视杯,最后分析两者相关性.实验结果表明,视网膜神经纤维层与垂直杯盘比,视杯面积以及沿盘面积比的相关性大小为0.64,0.62和0.54,验证了在诊断青光眼方面计算视网膜神经纤维层厚度与杯盘比大小是密切相关和互补的,对研究青光眼的发展趋势具有重要意义.     

分类法定量评估频谱光学相干层析图像杯盘比EI北大核心CSCD

在青光眼检测中,基于频谱光学相干层析图像较眼底图像具有更高的精确度和可靠性,为了克服眼底图像评估杯盘比精度不高的缺陷,提出一种基于频谱光学相干层析图像进行视网膜色素上皮层断点检测的杯盘比评估方法.首先利用主成分分析和支持向量机将频谱光学相干层析图像与其投影图像限定断点搜索区域,并对限定的图像区域进行断点识别;然后借助于类别标签矩阵对断点进行纠正;最后根据视杯视盘与断点的关系测量杯盘比.实验结果表明,该方法在准确检测视网膜色素上皮层断点、提高杯盘比测量精度方面效果显著.     

多相主动轮廓模型的眼底图像杯盘分割

目的 视盘及视杯的检测对于分析眼底图像和视网膜视神经疾病计算机辅助诊断来说十分重要,利用医学眼底图像中视盘和视杯呈现椭圆形状这一特征,提出了椭圆约束下的多相主动轮廓模型,实现视盘视杯的同时精确分割。方法 该算法根据视盘视杯在灰度图像中具有不同的区域亮度,建立多相主动轮廓模型,然后将椭圆形约束内嵌于该模型中。通过对该模型的能量泛函进行求解,得到椭圆参数的演化方程。分割时首先设定两条椭圆形初始曲线,根据演化方程,驱动曲线分别向视盘和视杯方向进行移动。当轮廓线到达视盘、视杯边缘时,曲线停止演化。结果 在不同医学眼底图像中对算法进行验证,对算法抗噪性、不同初始曲线选取等进行了实验,并与多种算法进行了对比。实验结果表明,本文模型能够同时分割出视盘及视杯,与其他模型的分割结果相比,本文算法的分割结果更加准确。结论 本文算法可以精确分割医学眼底图像中的视盘和视杯,该算法不需要预处理,具有较强的鲁棒性和抗噪性。     

一个新的基于分段常数水平集方法的多相位图像分割模型

在Mum ford-Shah模型和Yoon Mo Jung等提出的分割模型的基础上,利用分段常数水平集方法,提出了一个新的多相位分割模型。新模型输出一个多相位的分布图象,并可以容易地提取每个单独的相位,有一定的抗噪音能力。利用最速下降算法求解总变差最小化问题。引进了一个函数确定模型中的参数值,加速了算法的收敛速度。数值试验表明新模型有很好的分割效果且能准确地处理含T-交汇的图象。     

Optic disk feature extraction via modified deformable model technique for glaucoma analysis

A deformable-model based approach is presented in this paper for robust detection of optic disk and cup boundaries. Earlier work on disk boundary detection up to now could not effectively solve the problem of vessel occlusion. The method proposed here improves and extends the original snake, which is essentially a deforming-only technique, in two aspects: knowledge-based clustering and smoothing update. The contour deforms to the location with minimum energy, and then self-clusters into two groups, i.e., edge-point group and uncertain-point group, which are finally updated by the combination of both local and global information. The modifications enable the proposed algorithm to become more accurate and robust to blood vessel occlusions, noises, ill-defined edges and fuzzy contour shapes. The comparative results on the 100 testing images show that the proposed method achieves better success rate (94%) when compared to those obtained by GVF-snake (12%) and modified ASM (82%). The proposed method is extended to detect the cup boundary and then extract the disk parameters for clinical application, which is a relatively new task in fundus image processing. The resulted cup-to-disk (C/D) ratio shows good consistency and compatibility when compared with the results from Heidelberg Retina Tomograph (HRT) under clinical validation.     

视觉显著性的眼底图像视盘检测

目的 青光眼是导致失明的主要疾病之一,视盘区域的形状、大小等参数是青光眼临床诊断的重要指标。然而眼底图像通常亮度低、对比度弱,且眼底结构复杂,各组织以及病灶干扰严重。为解决上述问题,实现视盘的精确检测,提出一种视觉显著性的眼底图像视盘检测方法。方法 首先,依据视盘区域显著的特点,采用一种基于视觉显著性的方法对视盘区域进行定位;其次,采用全卷积神经网络（fully convolutional neural network,FCN）预训练模型提取深度特征,同时计算视盘区域的平均灰度,进而提取颜色特征;最后,将深度特征、视盘区域的颜色特征和背景先验信息融合到单层元胞自动机（single-layer cellular automata,SCA）中迭代演化,实现眼底图像视盘区域的精确检测。结果 在视网膜图像公开数据集DRISHTI-GS、MESSIDOR和DRIONS-DB上对本文算法进行实验验证,平均相似度系数分别为0.965 8、0.961 6和0.971 1;杰卡德系数分别为0.934 1、0.922 4和0.937 6;召回率系数分别为0.964 8、0.958 9和0.967 4;准确度系数分别为0.996 6、0.995 3和0.996 8,在3个数据集上均可精确地检测视盘区域。实验结果表明,本文算法精确度高,鲁棒性强,运算速度快。结论 本文算法能够有效克服眼底图像亮度低、对比度弱及血管、病灶等组织干扰的影响,在多个视网膜图像公开数据集上进行验证均取得了较好的检测结果,具有较强的泛化性,可以实现视盘区域的精确检测。     

基于Mumford-Shah模型和开样条曲线的边界检测

受Cremers方法启发, 本文提出了一种新的开边界自动检测算法, 如图像中海岸线和天际线的检测. 这一算法的设计主要是基于样条函数、曲线演化理论和Mumford-Shah图像分割泛函模型. 由于所要检测的目标为图像区域中开曲线, 在一般Mumford-Shah模型中引入了两个约束条件. 这就将开边界的检测问题转化为一般的曲线最小分割问题. 通过样条曲线控制点所满足的微分方程和约束条件, 曲线将演化至所要求的边界. 如果图像中有一条开曲线将图像分为两个明显不同质区域, 这一算法将能有效地自动检测出该边界曲线, 且不需要边界的梯度信息. 即使在图像中有大量噪声情况下, 该算法同样有效. 此外, 通过两条曲线演化方程, 该算法可推广到图像中带状区域的(如河流、道路等)自动检测.     

基于直方图的快速Mumford-Shah模型MRI分割

Mum ford-Shah(MS)模型因为其具有良好的图像分割能力,目前已被广泛应用于图像分割、目标跟踪等领域。但是由于其迭代过程需要对所有图像数据反复进行计算,因而其时间效率很低,难以实时应用。针对这个缺点,根据医学核磁共振图像(MR I)的特点,对M-S模型进行了改进,提出了一种基于直方图的快速求解方法,其求解时,首先构造符号表,以区分曲线内外区域;然后利用直方图法来进行目标的快速粗分割,再通过遍历优化边界,来获得较精确的分割。对MR图像进行的分割实验表明,其分割效果更好,同时,时间效率也有大幅提高,这就方便了实时应用。