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。     

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。     

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。     

基于改进相位一致性算法的眼底血管分割

为了从眼底图像中分割出具不同形态特征的视网膜血管,提出了基于改进相位一致性算法的眼底血管分割方法。采用二维离散Hilbert变换实现相位一致性算法,利用相位一致性算法在频域提取眼底图像特征并用于视网膜血管分割。采用STARE眼底图像数据库进行实验并以专家手工分割结果为标准,实验结果表明,提出的改进相位一致性算法可较好完成视网膜血管分割,能够有效避免图像亮度和对比度对分割结果的影响。     

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。