基于多任务学习的眼底图像红色病变点分割

糖尿病性视网膜病变（糖网病）是导致成年人视觉损失的主要因素之一.早期的眼底筛查可以显著降低这种视觉损失的可能性.彩色眼底图像由于具有采集便利、对人体无伤害等特点,常被用于大规模的眼底筛查工作.对眼底图像中的红色病变点而言,微动脉瘤是轻度非增殖性糖网病的主要标志,出血点与中度及重度非增殖性糖网病的诊断有关,因此,眼底图像中出血点和微动脉瘤的准确分割对糖网病分级诊断具有重要参考价值.提出一种基于多任务学习的分割模型Red-Seg来对出血点和微动脉瘤进行分割.该网络包含两个分支,每个分支处理一种病变点.设计了一种两阶段训练算法,并且两个阶段使用不同的损失函数：第1阶段使用改进的Top-k带权交叉熵损失函数,将模型训练集中在难分样本上;第2阶段将最小化假阳性和假阴性作为Red-Seg模型训练的优化目标,进一步减少病变点误分.最后,在IDRiD数据集上进行模型验证,并与其他病变点分割方法进行对比.实验结果表明,在应用Red-Seg模型进行微动脉瘤和出血点红色病变点分割时,两阶段训练算法可以显著减少病变点误分情况,尤其是出血点分割的准确率和召回率都提高2.8%.同时,与HED、FCRN、DeepLabv3+和L-Seg等图像级分割模型相比,Red-Seg模型在微动脉瘤分割上获得了更好的AUC_PR.     

面向眼底图像小目标检测的无监督学习方法

小目标检测是图像处理领域的一个难点,尤其是医学图像中的小目标检测。微动脉瘤MA作为眼底图像中的一类小目标,尺寸小、局部对比度较低,并且存在较多的噪声干扰,检测难度较大。传统的检测方法需要手工提取特征,难以准确检测MA。而基于深度学习的检测需要进行复杂的前期准备工作,工作量大,并且难以解决正负样本数量不平衡的问题,容易产生过拟合。稀疏编码器SAE是一种无监督机器学习算法,可以在样本数量不平衡的环境中有效地提取样本的特征。因此,提出了一种基于SAE的无监督学习方法检测MA,采用反向传播更新SAE的权重和偏置以提取样本的特征,并利用提取的特征训练Softmax,最终实现MA的准确检测。为验证方法性能,选取了Retinopathy Online Challenge、DIARETDB1和E-ophtha-MA 3个数据库分别进行实验。实验结果表明,本文方法能够准确地检测出眼底图像中的MA,并且获得了较高的准确率和灵敏度。准确率分别为98.5%,87.2%和92.6%,灵敏度分别为99.9%,99.8%和98.7%。     

基于PCA-SIFT特征检测的眼底图像拼接

确定稳定的特征点是图像配准和拼接的重要环节。针对传统基于特征的拼接方法需要原始图像具有明显的角点或边界信息的弱点,将PAC-SIFT(Principal Components Analysis-scale invariant keypoints)主成分不变特征检测算法引入到眼底图像拼接中。该算法在划分的特征子区域内用梯度构造特征量,并用主成分分析法(PCA)降低特征维数。在拼接时,采用淡入淡出算法完成眼底图像的拼接。实验结果表明:该算法能够有效实现眼底图像的精确配准和平滑。     

基于特征的眼底图像配准方法

研究眼底图像的精确配准问题,眼底图像配准,需经仿射变换等.由于分辨率不高,达不到要求.针对传统基于跟底图像的血管分支和交叉点等配准方法的局限性,提出一种基于不变特征的眼底图像配准方法.在尺度不变特征变换( Scale Invariant Feature Transform,SIFT)的基础上,建立特征点对之间的初始匹配,并利用特征点的方向特征和空间几何特性去除误匹配.根据匹配特征进行层次估计,求解图像对间的变换关系矩阵,利用Akaike Information Criteria(AIC)模型选择技术判断变换关系矩阵的类型,再通过得到的变换关系对配准图像进行修正.实验结果表明,改进方法具有良好的配准效果,配准精度可以达到亚像素级要求.     

基于SIFT特征的眼底图像自动拼接

针对眼底图像对比度低、不同视场的图像间存在几何畸变等特点,提出一种基于SIFT特征的眼底图像自动拼接算法。该算法分别提取待拼接眼底图像的SIFT特征点,并用向量进行描述,确定两幅图像特征点的匹配关系,使用MLESAC算法去除误匹配点对,提出对特征点对提纯的距离-斜率相似测度方法,计算匹配点之间的透视变换矩阵,最后进行图像配准和拼接。对实际眼底照相机获取的多幅图像拼接结果表明,该算法具有很好的鲁棒性和稳健性,可以实现眼底图像的高精度自动拼接。     

基于多尺度匹配滤波和集成学习的眼底图像微脉瘤检测

针对微脉瘤的灰度分布特性,提出一种新的微脉瘤检测算法。首先通过多尺度匹配滤波筛选出候选微脉瘤病变点,并作为种子点利用区域生长技术分割出病变区域;然后提取病变区域特征向量;最终采用Adaboost神经网络集成分类器检测真实的微脉瘤病变。在公开的ROC数据集测试表明,所提方法检测的平均正确率达到40.92%,优于以往的双环滤波和形态学方法。     

基于张量鲁棒主成分分析的视网膜眼底图像序列变化检测

在计算机辅助诊断系统中,视网膜眼底图像序列的变化检测是一项重要且具有挑战性的任务。针对视网膜眼底图像序列采样帧少、光照干扰大、难以获得稳健的背景模型,提出了一种基于张量鲁棒主成分分析(tensor robust principal component analysis, TRPCA)的变化检测方法。该方法以TRPCA为模型,通过对序列背景扩充,再利用张量分解而获得变化区域：首先,先选择出序列中最接近正常状态的一张图像作为背景模型;然后,通过预处理将单帧背景模型扩张成多帧背景使得背景模型包含更丰富的光照变化;接着,将整个序列建模为一个3维张量体;最后,利用总变分约束背景模型和变化区域的时空连续性,通过Tucker分解分离出背景模型,获得变化区域。实验结果表明,与基于矩阵的鲁棒主成分分析(matrix robust principal component analysis, Matrix RPCA)方法,Masked-RPCA方法以及不加总变分约束的TRPCA方法相比,基于总变分约束的TRPCA方法能够更准确地分离出变化区域,对血管和光照干扰更具有鲁棒性。     

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。     

基于改进U-Net的眼底图像血管分割方法

眼底血管图像分析可用于各种眼病的评估和监测.它在降低失明风险方面发挥着重要作用.目前,许多眼底血管分割模型在小血管的分割结果上仍需改进.针对上述问题,我们提出了一种改进U-Net模型的视网膜血管分割方法.首先,利用网状跳跃连接提取浅层到深层的特征映射.然后将特征图拼接融合,最大限度地发挥它们的作用.在特征层中,我们采用...     

一种基于模板匹配法的眼底图像拼接方法

图像拼接技术是近年来医学图像处理的研究热点之一,在眼科方面具有广泛的研究价值.笔者根据眼底图像的特点,提出了一种基于模板匹配法的眼底图像拼接方法.首先在两幅图像的重叠区域中分别抓取一对初始匹配点,分别以抓取点为中心取不同大小的模板区域和搜索区域,然后根据模板匹配法的基本原理,确定最佳匹配点,通过平移和旋转变换完成图像之间的配准,最后采用重叠区域线性过渡的图像融合方法消除拼缝,实现图像间的平滑过渡.经实验验证,该方法实现了不同视角眼底图像之间的拼接,且计算速度快,精度高.     

结合生成对抗网络及多角度注意力的图像翻译模型

本文提出一个新的无监督图像翻译模型,该模型结合了生成对抗网络和多角度注意力,称为MAGAN.多角度注意力引导翻译模型将注意力集中在不同域间最具有判别性的区域.与现存的注意力方法不同的是,空间激活映射一方面捕获通道间的依赖,减少翻译图像的特征扭曲;另一方面决定网络对最具判别性区域的空间位置的关注程度,使翻译的图像更具有目标域风格.在空间激活映射的基础上,结合类激活映射,可以获得图像的全局语义信息.此外,根据空间激活程度对图像特征信息的影响,设计不同的注意力结构分别训练生成器和判别器.实验结果表明,本文模型在selfie2anime、cat2dog、horse2zebra和vangogh2photo这4个数据集上的KID分数分别达到9.48、6.32、6.42和4.28,性能优于大部分主流模型,并且与基线模型UGATIT相比,在selfie2anime、cat2dog和horse2zebra这3个数据集上的距离值分别减少了2.13、0.75和0.64,具有明显的性能优势.     

基于嵌入置信度的眼底血管边缘检测方法

针对现有的眼底图像血管检测方法对小血管分割效果差、计算量大以及自动化程度不高等问题,提出基于嵌入置信度的眼底血管边缘检测方法。改进传统的基于梯度的边缘检测算法,利用边缘置信度来辅助检测。实验结果表明,通过适当的参数选择,该方法能快速准确地检测出血管边缘,甚至包括弱小边缘,并能较好地抑制噪声的影响。     

基于眼底图像层次特征的分类方法

针对眼底图像中视网膜血管结构的划分问题,提出一种自适应的广度优先搜索算法。首先,基于视网膜血管的结构提出层次特征的概念并进行特征提取;然后,对分割的视网膜血管进行分析及处理,提取得到多个无向图子图;最后,使用自适应的广度优先搜索算法对每个子图中的层次特征进行分类。视网膜血管结构的划分问题被转化为层次特征的分类问题,通过对视网膜血管中的层次特征进行分类,包含这些层次特征的视网膜血管段的层次结构就可以被确定,从而实现视网膜血管结构的划分。该算法运用于公开的眼底图像数据库时具有良好的性能。     

基于眼底图像的糖尿病视网膜病变分类系统设计

针对眼底图像,设计了一个糖尿病视网膜病变(Diabeticretinopathy,DR)分类系统,通过对视网膜血管图像进行定量分析来实现对DR病程的分类.采用Messidor数据集的眼底照片图像,这个数据集共包含100个研究项目,其中32张未患DR的眼底照片,24张患NPDR.根据数据集中DR患者和非DR人群的眼底图像以及眼科专家的分类结果,利用数字图像处理技术分析特征值的统计意义,判断该图像所反映的DR病程.预处理为提取特征值前的图像增强、主像素成分分析、匹配滤波以及Gabor滤波,对预处理后的图像进行直径、角度和分形维数等特征值提取.最终结果展示了直径、角度和分形维数的准确率达到了93％、96％、81.8％,提供有效的辅助诊断手段.糖尿病视网膜病变的特征值分析包括直径、角度和分形维数准确率较高.对于缺乏医疗条件的地区很有价值.     

基于纹理特征的糖网临床前期眼底自发荧光图像识别

及时发现和干预潜在的糖尿病视网膜病变患者，对帮助提升糖尿病患者的整体视觉质量和降低医疗成本具有十分积极的意义.由于糖尿病视网膜病变临床前期和正常人的眼底荧光图像在视觉感观基本上没有差别，为此本文通过目前应用较广的纹理特征算法和支持向量机对这两组图像进行了模式识别.通过将185张眼底荧光图片十折交叉检验发现，LBP算法对其具有很好的识别效果.等价模式下的59维LBP算子的十折交叉准确率达到了91.89%，同时在测试集和训练集以1：1随机划分的情况下，由训练集数据所生成的模型对测试集中92张眼底荧光图像的识别准确率达到了88.12%，AUC值为0.943.     

基于IDA-RF眼底硬性渗出物的检测

为了准确检测眼底图像中的硬性渗出物,降低糖尿病性视网膜病变引起的失明,提出了一种基于IDA-RF的眼底硬性渗出物的检测方法。对眼底图像预处理,提取渗出物候选区域。利用[k]-means初始种群,与万有引力搜索算法相结合,改变步长更新公式,提出一种改进的蜻蜓算法（IDA）。IDA在寻优过程中对随机森林算法参数进行优化,并利用优化后的随机森林算法对渗出物候选区域分类,提取最终精确的硬性渗出物。该方法在公开的眼底图像数据库进行实验,与RF、DA-RF、GSA-RF相比,准确率达97.28%。实验表明,提出的方法能够准确检测硬性渗出物且鲁棒性能好。     

交互式眼底图像拼接的研究与实现

眼底照相机获取的人眼眼底图像,可以辅助医生对眼底或相关疾病进行诊断。现有眼底相机只能获取局部眼底图像,而全景眼底图像的信息更为有效、全面,可降低医生误诊率。虽然眼底图像自动拼接精度高,人工干预少,但限制因素较多尚不完善。本文提出一种交互式眼底图像拼接方法,并对具有重叠区域的眼底图像在配准时引入模板匹配法提高精度,在VC++编译环境中实现,拼接结果保留了各子图的细节信息,融合接缝区域,是有效的眼底全景图像,并可为眼底图像后续处理提供支持。     

一种改进的视网膜图像中微小动脉瘤的检测算法

基于糖尿病性视网膜病变中最早出现的微小动脉瘤病症进行了研究,提出一种有效的微小动脉瘤检测算法。首先在传统模板匹配算法的基础上提出了一种动态多参数模板匹配算法,并且使用相对误差和与相关系数来共同制约匹配度,从而实现了更为精确的匹配提取;其次提出了基于分布特性的计分策略和自适应加权的汇总策略,避免了单纯采用各个特征量作为独立约束指标进行筛选时忽视各个特征量的约束力大小的弊端。实验结果表明,该检测算法能够有效地提高微小动脉瘤的检测真阳性率。     

一种基于模板匹配法的眼底图像拼接方法

图像拼接技术是近年来医学图像处理的研究热点之一,在眼科方面具有广泛的研究价值。笔者根据眼底图像的特点,提出了一种基于模板匹配法的眼底图像拼接方法。首先在两幅图像的重叠区域中分别抓取一对初始匹配点,分别以抓取点为中心取不同大小的模板区域和搜索区域,然后根据模板匹配法的基本原理,确定最佳匹配点,通过平移和旋转变换完成图像之间的配准,最后采用重叠区域线性过渡的图像融合方法消除拼缝,实现图像间的平滑过渡。经实验验证,该方法实现了不同视角眼底图像之间的拼接,且计算速度快,精度高。