彩色视网膜血管图像的自动分割算法

为了保证眼底测量结果的准确性、客观性、可重复性以及实用性，提出了彩色眼底图像自动分割与定量分析的算法。具体步骤如下：首先对彩色视网膜血管图像进行网格划分，其次对包含重要血管信息的网格区域实现Otsu阈值分割，在此基础上对其它相邻网格进行区域生长算法分割，最后由计算机统一处理得到视网膜血管的网络径线。实验结果表明：该算法提取的血管网络径线连续性较好，血管中心线定位准确，抗干扰能力较强，处理速度较快，具有较高的临床应用价值。     

视网膜图像中的血管自适应提取

观察和分析视网膜血管网络是分析和诊断心血管疾病的重要方法.根据视网膜血管图像的灰度分布特征,提出了一种自适应阈值分割的血管提取方法.此方法首先将视网膜图像分为若干同样大小的区域;然后计算出每一区域满足梯度要求的像素点个数;接着对所有满足梯度个数的区域计算其局部阈值,并用该局部阈值进行二值化.经过以上处理后,能得到有部分断开的血管和一些分散的碎片,再经过后处理连接断开的血管,并清除孤立的碎片,得到视网膜血管网络.实验证明:该算法处理速度较快,并能提取到大部分血管主干.     

基于改进Res-UNet的视网膜图像血管分割

精准的视网膜血管分割可以辅助诊疗如糖尿病、高血压等疾病。眼睛血管结构和病理特征的复杂性导致血管分割的精度和速度都存在很多局限。为了克服这一问题,提出了一种改进的U-net分割方法,该方法将U-net网络解码器和编码器中的卷积模块改为残差模块,使用非局部注意模块连接编码器和解码器。网络模型在不增加参数量的情况下,通过添加残差模块和注意力机制提高了像素之间的信息相关性以及模型提取特征的能力。最后,采用DRIVE数据集对所提模型与原U-net网络进行对比评价,新模型在测试集上的特征检测准确率、特异性、灵敏度和Dice系数分别达到了0.9679、0.9896、0.8245和0.8281。实验结果证明,所提网络模型可对视网膜进行精确地血管分割。     

彩色眼底图像视盘自动定位与分割

针对彩色眼底图像视盘定位时图像边缘高亮环对定位准确率的影响,提出了一种有效的图像预处理方法。针对已有的视盘分割算法中存在的问题,提出了一种结合形态学、椭圆拟合及梯度矢量流(GVF)Snake模型的分割算法。提出的预处理方法首先利用最小二乘法拟合出眼底图像的边界,然后裁剪掉边界的一部分高亮像素点,最后进行视盘定位。视盘分割算法则首先进行血管擦除,然后用椭圆拟合提取初始轮廓,最后使用GVF Snake精确调整视盘边界。用提出的方法对Messidor眼底图像数据库1 200幅图像上进行了实验,结果显示:视盘定位准确率由原来没经过预处理的95.4%提升到了98.7%;视盘分割错误率与当前已知最好的算法相比由12.5%降低到了9.39%。结果表明:提出的眼底图像视盘自动定位与分割方法准确率高、实用性强,可以用于眼科疾病的计算机辅助诊断。     

眼底图像动静脉宽度差变化率测量方法

眼底图像中动静脉血管的宽度变化能够体现患者糖尿病的病程情况,人工确定血管宽度及其差值耗时费力且需要丰富经验。本文针对辽宁何氏眼科医院眼病筛查系统中受检者的眼底图像提出了动静脉宽度差变化率的概念,指出了其与糖尿病诊断之间的关系,并选取RGB、LAB、YCb Cr、Gaussian 4个颜色空间中不同的通道分量,定义了新的基于血管中心线像素和血管像素的特征向量,采用线性判别分析(LDA)分类器完成了对动静脉的全自动分类,继而实现了对动静脉血管宽度测量及相应差值变化率的计算。实验结果表明,与其他算法相比,本文方法在血管分割、动静脉分类、血管宽度及差值计算等方面都较准确,其诊断结果与临床诊断基本一致,具有一定的临床应用价值。     

基于几何形变模型的三维肺血管图像分割方法

肺血管分割一直是重要而困难的工作,因此,提出了一种新的基于几何形变模型的三维肺血管图像分割方法。现有几何形变模型方法仅仅包含了图像区域与边缘属性中的一种,而新方法能够同时包含上述两种图像属性。首先,定位血管内外同质区域;然后,通过目标边缘能量的计算使曲面沿着图像梯度方向的二阶导数进行演化,以使其精确收敛到目标边缘;最后,根据上述步骤,建立三维血管分割形变模型。通过多组CT图像的实验表明,该方法快速、准确,对背景噪声具有较好的适应性。     

基于Hessian矩阵的视网膜血管中心线提取

为实现视网膜血管在临床诊断中的重要作用,提出了一种基于Hessian矩阵的视网膜血管提取方法,该方法通过图像预处理增强血管信息,利用血管的微分几何特性,采用离散高斯核对眼底图像进行卷积,结合Hessian矩阵计算血管方向,通过连接算法得到视网膜血管的分布情况.实验结果表明,该方法提取血管中心线的精度可达亚像素级,对不同眼底照相机拍摄的眼底图像可根据血管宽度进行多尺度快速分割.     

融合下补偿结构的眼底血管图像分割网络研究

眼底血管图像在临床中通常被用于眼部疾病的诊断及监测,其中血管的形态结构能够反映疾病的重要特征,因此,眼底血管图像的分割处理对眼部疾病的诊断和预防具有十分重要的医学意义。针对目前人工智能主流算法中卷积和池化操作会导致很多特征丢失,提取特征时会忽视图像中的空间信息,图像中的细小血管很难分割出来等问题,基于U-net模型进行了相关研究,结合空间注意力模块对空间特征进行细化,同时提出了一种下补偿结构LCSAnet。该结构能够减少网络提取特征信息过程中的特征损失,从而提高分割精度。研究实验在DRIVE数据集上完成,LC-SAnet的分割准确率达到96.97%,F1值达到74.36%。结果证明,LC-SAnet表现出更好的分割性能,对细小血管的结构识别更加准确。     

基于活动轮廓模型和Contourlet多分辨率分析分割血管内超声图像

血管内超声斑块图像的分割对动脉粥样硬化疾病的诊断有重要价值。针对传统分割方法初始化和鲁棒性两个问题,提出一种基于活动轮廓模型和Contourlet多分辨率分析分割血管内超声斑块图像的新方法。该方法运用Contourlet变换将原图像分解为多分辨率低通分量和多分辨率带通分量方向性子带。对低通分量进行模板匹配,确定血管内腔边界和中外膜边界的初始轮廓;对带通分量方向性子带进行扩散滤波,抑制噪声的同时尽可能保留有用边缘,并结合边界矢量场使轮廓演化得到最终分割结果,从而提高了分割算法的鲁棒性。对100幅仿真图像和120幅实际图像的分割结果表明,该方法能自动、精确地提取血管的两条边界。相对于传统活动轮廓模型法,该方法分割实际图像的平均距离误差提高了3.04像素,面积差异百分比提高了6.30%。     

基于CART决策树与改进的AdaBoost的视网膜血管提取算法

本文提出了一种分类回归树(Classification and regression tree, CART)算法与改进的AdaBoost相结合的视网膜血管分割的监督学习算法。该算法对视网膜图像的绿色分量提取、反转、膨胀和增强后分别提取LBP(local binary patterns)纹理特征和局部特征,从而构建出17维特征向量。利用特征向量与专家手工标注的数据构造一个数据集,以特征为节点生成CART二叉树,将CART二叉树作为AdaBoost的弱分类器,通过加入再判决函数对AdaBoost做出一定改进,从而形成强分类器。本算法在DRIVE(digital retinal images for vessel extraction)数据库上进行了实验仿真,实验结果表明,本文所提出的改进算法对血管的分割精度高,包含了完整的血管细节,而且分割出来的血管树的连通性较好,能够反映出血管的分布走势。与传统的AdaBoost分类算法和基于SVM(support vector machine)的分类算法相比,本文所提出的改进算法的平均准确率和可靠性指标都比较高。     

应用于医学三维影像的血管结构自动提取

针对从计算机断层扫描血管造影术(CTA)的三维体数据中提取血管结构信息通常需要大量的人为介入操作的问题,提出了一种全自动血管分割方法。首先,采用多尺度增强滤波器对数据中的管状结构进行增强,剔除非管状结构,并过滤噪声。然后,利用Sigmoid函数作用于梯度图像产生水平集的速度图像,并通过测地活动轮廓模型迭代逼近真实的三维血管轮廓。最后,通过拉普拉斯算法对提取的血管表面网格进行平滑处理,获得光滑的血管曲面。实验采用胸部和颈部的CTA体数据对算法进行测试,结果表明:该方法无需人工干预即可从CTA体数据中准确地提取出血管的三维信息;血管中心线提取的平均误差为0.26mm,直径测量平均误差为0.16mm,分割精度满足临床血管疾病辅助诊疗的要求。     

Retinal imaging analysis based on vessel detection

With an increase in the advancement of digital imaging and computing power, computationally intelligent technologies are in high demand to be used in ophthalmology cure and treatment. In current research, Retina Image Analysis (RIA) is developed for optometrist at Eye Care Center in Management and Science University. This research aims to analyze the retina through vessel detection. The RIA assists in the analysis of the retinal images and specialists are served with various options like saving, processing and analyzing retinal images through its advanced interface layout. Additionally, RIA assists in the selection process of vessel segment; processing these vessels by calculating its diameter, standard deviation, length, and displaying detected vessel on the retina. The Agile Unified Process is adopted as the methodology in developing this research. To conclude, Retina Image Analysis might help the optometrist to get better understanding in analyzing the patient's retina. Finally, the Retina Image Analysis procedure is developed using MATLAB (R2011b). Promising results are attained that are comparable in the state of art.     

Automated techniques for blood vessels segmentation through fundus retinal images: A review

Retina is the interior part of human's eye, has a vital role in vision. The digital image captured by fundus camera is very useful to analyze the abnormalities in retina especially in retinal blood vessels. To get information of blood vessels through fundus retinal image, a precise and accurate vessels segmentation image is required. This segmented blood vessel image is most beneficial to detect retinal diseases. Many automated techniques are widely used for retinal vessels segmentation which is a primary element of computerized diagnostic systems for retinal diseases. The automatic vessels segmentation may lead to more challenging task in the presence of lesions and abnormalities. This paper briefly describes the various publicly available retinal image databases and various machine learning techniques. State of the art exhibited that researchers have proposed several vessel segmentation methods based on supervised and supervised techniques and evaluated their results mostly on publicly datasets such as digital retinal images for vessel extraction and structured analysis of the retina. A comprehensive review of existing supervised and unsupervised vessel segmentation techniques or algorithms is presented which describes the philosophy of each algorithm. This review will be useful for readers in their future research.     

光学遥感图像中复杂海背景下的舰船检测

本文针对光学遥感图像中复杂海背景下的舰船检测问题,提出一种快速精确的舰船检测方法。首先,基于最大对称环绕显著性检测完成初始目标候选区域提取,并结合一种基于元胞自动机的同步更新机制,利用图像局部相似性和舰船目标几何特征,对初始目标候选区域进行更新,并通过OTSU算法获取最终目标候选区域;然后,根据舰船目标的固有特性对方向梯度直方图特征进行改进,提出一种新的表征舰船特性的边缘-方向梯度直方图特征对舰船目标进行描述,与传统HOG特征相比,这种特征向量侧重于对边缘特征的描述,对梯度向量鲁棒性更强,并且仅为一个24维的特征向量,计算复杂度低;最后,通过构建的训练库完成AdaBoost分类器的训练,并利用训练完成后的AdaBoost分类器完成目标的最终判别确认。本文的检测算法,针对尺寸为1 024pixel×1 024pixel的遥感图像,检测时间为2.386 0s,召回率为97.4%,检测精度为97.2%。实验表明,本文提出算法的检测性能优于目前主流的舰船检测算法,在检测时间和检测精度上都能够满足实际工程需要。     

一种合成孔径声呐图像目标分割方法

合成孔径声呐图像的信噪比低于普通光学图像,使图像分割成为合成孔径声呐图像处理中的重要环节。本文研究了表示合成孔径声呐图像数据分布的瑞利混合模型,结合马尔科夫随机场模型,将其应用于声呐图像水下目标(亮区)分割;通过最大期望算法分别估计目标和背景的瑞利混合模型参数,并利用该参数使用Graph cut方法进行马尔科夫随机场图像分割,通过重复迭代,最后形成稳定的目标分割结果;对实际的声呐图像进行了数据分析及目标分割,结果表明瑞利混合模型在描述合成孔径声呐声图上有良好的性能,可以改善目标分割的效果。     

Computerized detection and segmentation of mitochondria on electron microscope images

Mitochondrial function plays an important role in the regulation of cellular life and death, including disease states. Disturbance in mitochondrial function and distribution can be accompanied by significant morphological alterations. Electron microscopy tomography (EMT) is a powerful technique to study the 3D structure of mitochondria, but the automatic detection and segmentation of mitochondria in EMT volumes has been challenging due to the presence of subcellular structures and imaging artifacts. Therefore, the interpretation, measurement and analysis of mitochondrial distribution and features have been time consuming, and development of specialized software tools is very important for high-throughput analyses needed to expedite the myriad studies on cellular events. Typically, mitochondrial EMT volumes are segmented manually using special software tools. Automatic contour extraction on large images with multiple mitochondria and many other subcellular structures is still an unaddressed problem. The purpose of this work is to develop computer algorithms to detect and segment both fully and partially seen mitochondria on electron microscopy images. The detection method relies on mitochondria's approximately elliptical shape and double membrane boundary. Initial detection results are first refined using active contours. Then, our seed point selection method automatically selects reliable seed points along the contour, and segmentation is finalized by automatically incorporating a live-wire graph search algorithm between these seed points. In our evaluations on four images containing multiple mitochondria, 52 ellipses are detected among which 42 are true and 10 are false detections. After false ellipses are eliminated manually, 14 out of 15 fully seen mitochondria and 4 out of 7 partially seen mitochondria are successfully detected. When compared with the segmentation of a trained reader, 91% Dice similarity coefficient was achieved with an average 4.9 nm boundary error.     

彩色融合图像的质量主观评价

考虑人眼主观评价在彩色融合图像质量评价中的重要作用,设计了52人的彩色融合图像质量主观评价实验。采用"目标背景的感知对比度","清晰度","颜色协调性","颜色自然感"4个单一评价指标以及"基于目标探测的图像感知质量","基于场景理解的图像感知质量"2个综合评价指标对绿地、海天和城镇3类典型场景、8种融合算法获得的240幅彩色融合图像进行了主观评价,并依此进行指标分值归整及相关性分析,建立了2个综合指标的预测模型。实验结果表明:彩色融合图像的"颜色协调性"和"颜色自然感"有较高的相关性;基于目标探测的图像感知质量可用"目标背景的感知对比度"和"清晰度"来描述,基于场景理解的图像感知质量可用"颜色协调性"和"清晰度"来描述。但是对于不同的场景,每个指标的影响效果不同,所以预测模型中的权重系数不同。