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。     

双层水平集描述眼底图像视杯视盘分割

目的 青光眼是一种可导致视力严重减弱甚至失明的高发眼部疾病。在眼底图像中,视杯和视盘的检测是青光眼临床诊断的重要步骤之一。然而,眼底图像普遍是灰度不均匀的,眼底结构复杂,不同结构之间的灰度重叠较多,受到血管和病变的干扰较为严重。这些都给视盘与视杯的分割带来很大挑战。因此,为了更准确地提取眼底图像中的视杯和视盘区域,提出一种基于双层水平集描述的眼底图像视杯视盘分割方法。方法 通过水平集函数的不同层级分别表示视杯轮廓和视盘轮廓,依据视杯与视盘间的位置关系建立距离约束,应用图像的局部信息驱动活动轮廓演化,克服图像的灰度不均匀性。根据视杯与视盘的几何形状特征,引入视杯与视盘形状的先验信息约束活动轮廓的演化,从而实现视杯与视盘的准确分割。结果 本文使用印度Aravind眼科医院提供的具有视杯和视盘真实轮廓注释的CDRISHTI-GS1数据集对本文方法进行实验验证。该数据集主要用来验证视杯及视盘分割方法的鲁棒性和有效性。本文方法在数据集上对视杯和视盘区域进行分割,取得了67.52%的视杯平均重叠率,81.04%的视盘平均重叠率,0.719的视杯F1分数和0.845的视盘F1分数,结果优于基于COSFIRE（combination of shifted filter responses）滤波模型的视杯视盘分割方法、基于先验形状约束的多相Chan-Vese（C-V）模型和基于聚类融合的水平集方法。结论 实验结果表明,本文方法能够有效克服眼底图像灰度不均匀、血管及病变区域的干扰等影响,更为准确地提取视杯与视盘区域。     

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。     

视盘与黄斑同时定位检测的FPGA方法研究

在眼底图像自动分析中,视盘与黄斑的定位是实现利用计算机辅助诊断或筛查糖尿病视网膜病变的先决条件。提出一种实现眼底图像中视盘与黄斑同时定位检测的新方法,使用YOLOv4-tiny算法定位检测,将该算法移植到现场可编程逻辑门阵列（field programmable gate array,FPGA）。与传统方法相比,该方法不仅可以快速准确地同时定位眼底图像中视盘和黄斑的位置,而且也是利用高层综合（high level synthesis,HLS）语言和时分复用技术实现38层中型神经网络的首次尝试。实验采用公认的COCO数据集和Kaggle-Diabetic Retinopathy Detection竞赛中的381幅眼底图像对算法进行训练,将训练后的算法移植到FPGA平台后视盘和黄斑定位的平均正确率（mean average precision,mAP）为96.11%,检测一张图片只需要150.445?ms,在相关领域具有良好的临床应用前景。     

U-net与Dense-net相结合的视网膜血管提取

目的 视网膜血管健康状况的自动分析对糖尿病、心脑血管疾病以及多种眼科疾病的快速无创诊断具有重要参考价值。视网膜图像中血管网络结构复杂且图像背景亮度不均使得血管区域的准确自动提取具有较大难度。本文通过使用具有对称全卷积结构的U-net深度神经网络实现视网膜血管的高精度分割。方法 基于U-net网络中的层次化对称结构和Dense-net网络中的稠密连接方式,提出一种改进的适用于视网膜血管精准提取的深度神经网络模型。首先使用白化预处理技术弱化原始彩色眼底图像中的亮度不均,增强图像中血管区域的对比度;接着对数据集进行随机旋转、Gamma变换操作实现数据增广;然后将每一幅图像随机分割成若干较小的图块,用于减小模型参数规模,降低训练难度。结果 使用多种性能指标对训练后的模型进行综合评定,模型在DRIVE数据集上的灵敏度、特异性、准确率和AUC（area under the curve）分别达到0.740 9、0.992 9、0.970 7和0.917 1。所提算法与目前主流方法进行了全面比较,结果显示本文算法各项性能指标均表现良好。结论 本文针对视网膜图像中血管区域高精度自动提取难度大的问题,提出了一种具有稠密连接方式的对称全卷积神经网络改进模型。结果表明该模型在视网膜血管分割中能够达到良好效果,具有较好的研究及应用价值。     

标牌粘连字符自适应定位分割重建与识别

目的 针对仪表、电梯等标牌上一些字符间距较小,传统分割方法分割不准确,字符识别率不高的问题,提出了一种标牌粘连字符自适应定位分割重建识别算法。方法 首先对标牌图像进行中值滤波、二值化等预处理;其次运用数学形态学方法对预处理后的图像进行开运算及腐蚀,将字符间一些无用的信息去掉,增大字符间距;继而通过形心算法找出每个字符的几何中心,并通过Sobel边缘检测算子根据几何中心获取每个字符边框,建立ROI（region of interest）,再返回标牌原图利用已经建立的ROI从中分割字符,依据国家字符间距相关标准,在分割的每个字符后加一定像素宽的矩形间隔条后重建字符图像,再进行OCR（optical character recognition）字符识别。结果 经过对993块标牌进行字符识别实验,算法的识别率达到95.7%。结论 实验结果表明本文算法是对标牌字符识别的一种有效算法。     

带尺寸约束的弱监督眼底图像视盘分割

目的 医学图像的像素级标注工作需要耗费大量的人力。针对这一问题，本文以医学图像中典型的眼底图像视盘分割为例，提出了一种带尺寸约束的弱监督眼底图像视盘分割算法。方法 对传统卷积神经网络框架进行改进，根据视盘的结构特点设计新的卷积融合层，能够更好地提升分割性能。为了进一步提高视盘分割精度，本文对卷积神经网络的输出进行了尺寸约束，同时用一种新的损失函数对尺寸约束进行优化，所提的损失公式可以用标准随机梯度下降方法来优化。结果 在RIM-ONE视盘数据集上展开实验，并与经典的全监督视盘分割方法进行比较。实验结果表明，本文算法在只使用图像级标签的情况下，平均准确识别率（mAcc）、平均精度（mPre）和平均交并比（mIoU）分别能达到0.852、0.831、0.827。结论 本文算法不需要专家进行像素级标注就能够实现视盘的准确分割，只使用图像级标注就能够得到像素级标注的分割精度。缓解了医学图像中像素级标注难度大的问题。     

基于置信度计算的快速眼底图像视盘定位

眼底图像视盘定位是视盘分割的重要前提.针对视盘定位结果易受图像对比度的影响的问题,提出一种基于置信度计算的快速视盘定位方法.首先采用基于形态学变换的方法增强眼底图像中视盘、血管区域与图像背景的对比度,并根据图像增强结果中像素点的亮度特征初始定位视盘区域;然后运用局部滑动窗口扫描的方法,根据窗口内像素点亮度特征和其周围血管分布的特性计算候选区域的置信度,定位视盘区域.在不同的眼底图像公共数据上进行实验的结果表明,对于1 341幅眼底图像,该方法能准确地定位其中1 325幅图像的视盘区域,视盘定位准确率为98.8%,平均每幅图像耗时0.25 s,优于现有的视盘定位方法,适用于眼底疾病的计算机辅助诊断.     

糖尿病性视网膜图像的深度学习分类方法

目的 糖尿病性视网膜病变（DR）是目前比较严重的一种致盲眼病,因此,对糖尿病性视网膜病理图像的自动分类具有重要的临床应用价值。基于人工分类视网膜图像的方法存在判别性特征提取困难、分类性能差、耗时费力且很难得到客观统一的医疗诊断等问题,为此,提出一种基于卷积神经网络和分类器的视网膜病理图像自动分类系统。方法 首先,结合现有的视网膜图像的特点,对图像进行去噪、数据扩增、归一化等预处理操作;其次,在AlexNet网络的基础上,在网络的每一个卷积层和全连接层前引入一个批归一化层,得到一个网络层次更复杂的深度卷积神经网络BNnet。BNnet网络用于视网膜图像的特征提取网络,对其训练时采用迁移学习的策略利用ILSVRC2012数据集对BNnet网络进行预训练,再将训练得到的模型迁移到视网膜图像上再学习,提取用于视网膜分类的深度特征;最后,将提取的特征输入一个由全连接层组成的深度分类器将视网膜图像分为正常的视网膜图像、轻微病变的视网膜图像、中度病变的视网膜图像等5类。结果 实验结果表明,本文方法的分类准确率可达0.93,优于传统的直接训练方法,且具有较好的鲁棒性和泛化性。结论 本文提出的视网膜病理图像分类框架有效地避免了人工特征提取和图像分类的局限性,同时也解决了样本数据不足而导致的过拟合问题。     

复杂自然环境下感兴趣区域检测

目的 感兴趣区域检测是图像处理领域的关键技术.人类视觉系统处理一个较为复杂的场景时,会首先将其视觉注意力集中于该场景中的几个特定对象上,这些对象被称为感兴趣区域.在图像处理和分析过程中,感兴趣区域检测模拟人类视觉,能够快速、准确抓住图像重点,降低图像处理计算量,有效提高计算机信息处理的效率.因此感兴趣区域检测对于图像分析和理解有着重要意义.为此,提出一种基于低层次图像信息与中层次图像信息相结合的自底向上的感兴趣区域检测方法.方法 首先通过彩色增强Harris算子检测角点进而得到凸包边界,通过凸包区域与超像素聚类结果计算中层次信息粗略显著图;然后将图像从RGB空间转换到CIELab空间,使用差分滤波器对图像进行滤波,得到低层次信息粗略显著图;最后将低层次图像信息与中层次图像信息进行加权融合得到图像的显著图.结果 在微软亚洲研究院提供的公开数据库MSRA上验证了本文方法的有效性,根据该数据库人工标记的真值评价本文方法的检测效果,并与其他方法进行对比.其他方法的显著图是由其作者提供的源代码得到.在主观分析和客观判断两个方面的本文方法可有效抑制背景噪声,检测出的显著物具有均匀显著度,且边缘清晰.结论 本文方法是一种有效的图像预处理方法.     

Automated detection of fovea in fundus images based on vessel-free zone and adaptive Gaussian template

This study developed a computerised method for fovea centre detection in fundus images. In the method, the centre of the optic disc was localised first by the template matching method, the disc–fovea axis (a line connecting the optic disc centre and the fovea) was then determined by searching the vessel-free region, and finally the fovea centre was detected by matching the fovea template around the centre of the axis. Adaptive Gaussian templates were used to localise the centres of the optic disc and fovea for the images with different resolutions. The proposed method was evaluated using three publicly available databases (DIARETDB0, DIARETDB1 and MESSIDOR), which consisted of a total of 1419 fundus images with different resolutions. The proposed method obtained the fovea detection accuracies of 93.1%, 92.1% and 97.8% for the DIARETDB0, DIARETDB1 and MESSIDOR databases, respectively. The overall accuracy of the proposed method was 97.0% in this study.     

Combining algorithms for automatic detection of optic disc and macula in fundus images

This paper proposes an efficient combination of algorithms for the automated localization of the optic disc and macula in retinal fundus images. There is in fact no reason to assume that a single algorithm would be optimal. An ensemble of algorithms based on different principles can be more accurate than any of its individual members if the individual algorithms are doing better than random guessing. We aim to obtain an improved optic disc and macula detector by combining the prediction of multiple algorithms, benefiting from their strength and compensating their weaknesses. The location with maximum number of detectors’ outputs is formally the hotspot and is used to find the optic disc or macula center. An assessment of the performance of integrated system and detectors working separately is also presented. Our proposed combination of detectors achieved overall highest performance in detecting optic disc and fovea closest to the manually center chosen by the retinal specialist.     

Detection and Classification of Hemorrhages in Retinal Images

Damage of the blood vessels in retina due to diabetes is called diabetic retinopathy (DR). Hemorrhages is the first clinically visible symptoms of DR. This paper presents a new technique to extract and classify the hemorrhages in fundus images. The normal objects such as blood vessels, fovea and optic disc inside retinal images are masked to distinguish them from hemorrhages. For masking blood vessels, thresholding that separates blood vessels and background intensity followed by a new filter to extract the border of vessels based on orientations of vessels are used. For masking optic disc, the image is divided into sub-images then the brightest window with maximum variance in intensity is selected. Then the candidate dark regions are extracted based on adaptive thresholding and top-hat morphological techniques. Features are extracted from each candidate region based on ophthalmologist selection such as color and size and pattern recognition techniques such as texture and wavelet features. Three different types of Support Vector Machine (SVM), Linear SVM, Quadratic SVM and Cubic SVM classifier are applied to classify the candidate dark regions as either hemorrhages or healthy. The efficacy of the proposed method is demonstrated using the standard benchmark DIARETDB1 database and by comparing the results with methods in silico. The performance of the method is measured based on average sensitivity, specificity, F-score and accuracy. Experimental results show the Linear SVM classifier gives better results than Cubic SVM and Quadratic SVM with respect to sensitivity and accuracy and with respect to specificity Quadratic SVM gives better result as compared to other SVMs.     

Fovea center detection based on the retina anatomy and mathematical morphology

In this work, we present a new fovea center detection method for color eye fundus images. This method is based on known anatomical constraints on the relative locations of retina structures, and mathematical morphology. The detection of this anatomical feature is a prerequisite for the computer aided diagnosis of several retinal diseases, such as Diabetic Macular Edema. The proposed method is adaptive to local illumination changes, and it is robust to local disturbances introduced by pathologies in digital color eye fundus images (e.g. exudates). Our experimental results using the DRIVE image database indicate that our method is able to detect the fovea center in 37 out of 37 images (i.e. with a success rate of 100%). Using the DIARETDB1 database, our method was able to detect the fovea center in 92.13% of all tested cases (i.e. in 82 out of 89 images). These results indicate that our approach potentially can achieve a better performance than comparable methods proposed in the literature.     

基于显著性检测和改进局部高斯分布拟合模型的眼底图像视盘边界自动提取

正确的视盘(OD)定位和分割是糖尿病视网膜病变自动筛选系统中的两个主要步骤.鉴于此,提出一种基于显著性目标检测和改进局部高斯分布拟合(LGDF)模型的视神经盘分割方法.该方法主要包含两个阶段:第一阶段,将显著性检测技术应用到增强的视网膜图像中实现视盘的自动定位;第二阶段,通过增加椭圆约束信息来改进局部高斯分布拟合(LGDF)模型分割视盘边界.使用公开数据库Diaretdbq对所提出方法的性能进行测试,并与其他先进的方法进行对比,结果验证了所提出方法的优越性和有效性.     

Retinal optic disc localization using convergence tracking of blood vessels

Optic disc localization is of great diagnostic value related to retinal diseases, such as glaucoma and diabetic retinopathy. However, the detection process is quite challenging because positions of optic discs vary from image to image, and moreover, pathological changes, like hard exudates or neovascularization, may alter optic disc appearance. In this paper, we propose a robust approach to accurately detect the optic disc region and locate the optic disc center in color retinal images. The proposed technique employs a kernelized least-squares classifier to decide the area that contains optic disc. Then connected-component labeling and lumination information are used together to find the convergence of blood vessels, which is thought to be optic disc center. The proposed method has been evaluated over two datasets: the Digital Retinal Images for Vessel Extraction (DRIVE), and the Non-fluorescein Images for Vessel Extraction (NIVE) datasets. Experimental results have shown that our method outperforms existing methods, achieving a competitive accuracy (97.52 %) and efficiency (1.1577s).     

基于自适应多尺度模板匹配的视盘检测方法

针对视盘检测易受光照和弱对比度影响的问题,提出了一种全新的视盘检测方法用于有效地定位和分割视盘.首先,采用预处理技术校正不均匀的光照和提高弱的对比度.然后,利用交替序列滤波和区域极大值技术提取一系列的视盘关键点.再次,利用提出的自适应多尺度模板匹配方法,计算每一个视盘关键点的相关系数,并将最大相关系数值所对应的关键点视为视盘中心.最后,基于获得的视盘中心,提取包含该中心位置的感兴趣区域,并在此基础上,利用Canny边缘检测算子和霍夫变换技术,实现视盘边缘的有效估计.该算法在DRIVE、DIRATEDB0、DIRATEDB1和ROC四个公共数据库上进行了测试,实验结果表明,提出算法的性能明显地优于现有方法.