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。     

基于多特征融合和随机森林的视网膜血管分割

为了进行眼底疾病辅助诊断,提出一种基于多特征融合和随机森林的视网膜血管分割方法.首先为彩色眼底图中的每个像素点提取一个23维特征向量(包括图像不变矩、灰度共生矩阵、LoG结合高斯二阶导、梯度法、相位一致性和Hessian矩阵特征);然后选取一定数量的像素点,提取其特征共同构造一个特征矩阵作为输入数据,并采用随机森林算法训练分类器;再用训练好的分类器对待分割图像中的像素点进行分类,判断其是否为血管点;最后在初步分割基础上进行基于连通区域补足血管的后处理,得到优化后的血管分割结果.在DRIVE公共数据库上进行实验的结果表明,该方法平均精确度达0.9606,平均灵敏度达0.7447,平均特异性达0.9838,比已有方法性能更优.     

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。     

特征组合和多模块学习的视网膜血管分割

有监督的学习方法用于视网膜血管分割须以专家手动标记好的视网膜血管为标准，存在训练样本获取困难且训练时间长等不足。针对这些缺点，提出一种基于特征组合的多模块无监督学习方法，提取眼底图像素的不变矩、Hessian矩阵、相位一致性、Gabor小波变换、Candy边缘共18维特征向量，采用多模块[k]-means方法进行视网膜血管分割。实验结果表明，该方法简单，具有较好的准确度，且时间开销少。     

基于多尺度滤波的视网膜血管分割算法

眼底视网膜血管图像的纹理与结构信息可作为医学对相关疾病诊断的重要依据。针对视网膜血管存在伪影与尺度结构复杂等难题以及微血管分割较低等问题,提出一种基于多尺度滤波的有监督学习视网膜血管分割算法。采用二维K-L变换综合分析彩色图像三通道的频带信息得到视网膜灰度图像,并利用受限对比度直方图均衡化增强血管与背景的对比度,利用Retinex降低伪影与视盘的干扰;由多尺度高斯匹配滤波、多尺度形态学滤波、Frangi滤波以及2D-Gabor滤波提取相关血管特征,并将提取好的特征集由AdaBoost初步提取血管;利用血管连通域信息去除初分割结果的非血管像素,获得最终的血管图像。该算法在DRIVE与STARE数据集上实验,准确率分别达到96.34%与95.83%。     

基于HESSIAN增强和形态学尺度空间的视网膜血管分割

眼底视网膜血管的走向、弯曲度、分叉度等性状分析已成为医学上诊断全身血管性疾病的重要手段。采集到的眼底图像常存在光照不均匀等现象,利用传统的血管分割方法难以对微小血管进行检测。为此提出一种基于改进Hessian矩阵增强和形态学尺度空间的分割方法。首先利用高斯函数构建多尺度Hessian增强滤波器,采用新型的血管相似性函数对血管网络进行对比度增强,同时平滑图像以减轻噪声;然后利用改进的Top-hat变换尺度空间从背景中提取血管,并引入形态学重建方法进一步突出血管像素,消除伪边缘及孤立点噪声;最后使用二次阈值化方法实现血管的最终分割。仿真结果表明,改进的分割方法在保证大血管脉络准确分割的同时,能够较好地实现微小血管分割。     

基于相位一致和核模糊C均值的眼底血管分割

为提取反映心脑血管疾病的眼底视网膜血管,提出一种结合相位一致性和核模糊C均值的分割算法。利用基于Log Gabor小波的相位一致性算法在频域做血管边缘检测,利用核模糊C均值聚类检测结果,去噪声并二值化得到血管图像。基于STARE数据库的实验结果表明,以专家手工分割结果为参考标准,使用该算法的平均分割正确率高达92?65％。     

基于双注意力编码-解码器架构的视网膜血管分割

眼底视网膜血管的分割提取对于糖尿病、视网膜病、青光眼等眼科疾病的诊断具有重要的意义。针对视网膜血管图像中的血管难以提取、数据量较少等问题,文中提出了一种结合注意力模块和编码-解码器结构的视网膜血管分割方法。首先对编码-解码器卷积神经网络的每个卷积层添加空间和通道注意力模块,加强模型对图像特征的空间信息和通道信息(如血管的大小、形态和连通性等特点)的利用,从而改善视网膜血管的分割效果。其中,空间注意力模块关注于血管的拓扑结构特性,而通道注意力模块关注于血管像素点的正确分类。此外,在训练过程中采用Dice损失函数解决了视网膜血管图像正负样本不均衡的问题。在3个公开的眼底图像数据库DRIVE,STARE和CHASE_DB1上进行了实验,实验数据表明,所提算法的准确率、灵敏度、特异性和AUC值均优于已有的视网膜血管分割方法,其AUC值分别为0.988 9,0.981 2和0.983 1。实验证明,所提算法能够有效提取健康视网膜图像和病变视网膜图像中的血管网络,能够较好地分割细小血管。     

基于Gabor小波的视网膜血管自动提取研究

针对视网膜血管网络灰度分布特征和区域结构特征,提出了一种基于Gabor小波的视网膜血管提取方法。采用Gabor滤波预处理以增强血管,用改进的自适应二值化方法对增强后的视网膜图像进行二值化处理,根据视网膜血管具有区域连通性的特征,并用形态学方法分割出最终的血管。为验证方法的有效性,对Hoover眼底图像库进行实验,结果表明该方法在细小血管的提取以及连续性、有效性方面都优于Hoover算法。     

一种新的血管造影图像Hessian矩阵增强算法

针对实际血管造影图像存在的噪声和光照不均,本文提出一种新的Hessian矩阵增强算法来提取血管图像。算法主要通过无抽样方向滤波器组进行血管方向图分解、同态滤波器滤波、Hessian特征矩阵和血管方向图合成。实验表明,与传统Hessian算法相比,提出的算法能够连续提取血管的精细结构,对噪声不敏感,处理的图像质量更高。     

Construction and verification of retinal vessel segmentation algorithm for color fundus image under BP neural network model

To improve the accuracy of retinal vessel segmentation, a retinal vessel segmentation algorithm for color fundus images based on back-propagation (BP) neural network is proposed according to the characteristics of retinal blood vessels. Four kinds of green channel image enhancement results of adaptive histogram equalization, morphological processing, Gaussian matched filtering, and Hessian matrix filtering are used to form feature vectors. The BP neural network is input to segment blood vessels. Experiments on the color fundus image libraries DRIVE and STARE show that this algorithm can obtain complete retinal blood vessel segmentation as well as connected vessel stems and terminals. When segmenting most small blood vessels, the average accuracy on the DRIVE library reaches 0.9477, and the average accuracy on the STARE library reaches 0.9498, which has a good segmentation effect. Through verification, the algorithm is feasible and effective for blood vessel segmentation of color fundus images and can detect more capillaries.

     

基于PST和多尺度高斯滤波的视网膜血管的分割

视网膜血管分割是眼科计算机辅助诊断和大规模眼科疾病筛查系统的基础。为辅助眼科医生进行眼底疾病的诊断，文中提出了一种基于相位拉伸变换(PST)和多尺度高斯滤波的视网膜血管分割方法。首先，将彩色眼底影像的绿色通道分量图进行增强预处理；然后采用不同尺度的高斯滤波器对预处理增强后的视网膜血管进行降噪处理，再结合PST边缘检测算法初步获得视网膜血管分割图；最后整合初步获得的视网膜血管分割图并进行形态学去噪，获得最终的视网膜血管分割图。通过在视网膜图像库DRIVE上进行实验，其平均准确率为93%，平均灵敏度达77%，平均特异性为95%，该实验结果验证了文中方法的有效性。     

Finger vein segmentation in infrared images using supervised and unsupervised clustering algorithms

In this paper, two new methods to segment infrared images of finger in order to perform the finger vein pattern extraction task are presented. In the first, the widespread known and used K nearest neighbor (KNN) classifier, which is a very effective supervised method for clustering data sets, is used. In the second, a novel clustering algorithm named nearest neighbor clustering algorithm (NNCA), which is unsupervised and has been recently proposed for retinal vessel segmentation, is used. As feature vectors for the classification process in both cases two features are used: the multidirectional response of a matched filter and the minimum eigenvalue of the Hessian matrix. The response of the multidirectional filter is essential for robust classification because offers a distinction between vein-like and edge-like structures while Hessian based approaches cannot offer this. The two algorithms, as the experimental results show, perform well with the NNCA has the advantage that is unsupervised and thus can be used for full automatic finger vein pattern extraction. It is also worth to note that the proposed vector, composed only of two features, is the simplest feature set which has proposed in the literature until now and results in a performance comparable with others that use a vector with much larger size (31 features). NNCA evaluated also quantitatively on a database which contains artificial images of finger and achieved the segmentation rates: 0.88 sensitivity, 0.80 specificity and 0.82 accuracy.     

Supervised Vessels Classification Based on Feature Selection

Arterial-venous classification of retinal blood vessels is important for the automatic detection of cardiovascular diseases such as hypertensive retinopathy and stroke. In this paper, we propose an arterial-venous classification (AVC) method, which focuses on feature extraction and selection from vessel centerline pixels. The vessel centerline is extracted after the preprocessing of vessel segmentation and optic disc (OD) localization. Then, a region of interest (ROI) is extracted around OD, and the most efficient features of each centerline pixel in ROI are selected from the local features, grey-level co-occurrence matrix (GLCM) features, and an adaptive local binary patten (A-LBP) feature by using a max-relevance and min-redundancy (mRMR) scheme. Finally, a feature-weighted K-nearest neighbor (FW-KNN) algorithm is used to classify the arterial-venous vessels. The experimental results on the DRIVE database and INSPIRE-AVR database achieve the high accuracy of 88.65% and 88.51% in ROI, respectively.     

基于U-Net多尺度自校准注意力视网膜分割算法

针对视网膜细小血管分割精度低的问题,提出一种融合可伸缩级联模块、Transformer和自校准注意力的改进U-Net算法以提高细小血管分割精度。首先在编码阶段利用可伸缩级联模块,先行学习复杂多变的视网膜血管拓扑结构。然后在解码阶段提出一种自校准注意力机制,利用多尺度挤压激励模块,自适应对特征图通道和空间之间特征重要性进行校准,增强目标区域特征响应,抑制背景噪声。最后使用Transformer特征提取块,提高特征空间映射能力。基于DRIVE和CHASEDB1数据集的实验结果表明,所提算法准确率分别为96.49%和96.67%,灵敏度分别为83.75%和83.30%,特异性分别为98.28%和98.01%,AUC分别为0.987 1和0.987 2,所提算法的整体性能优于现有算法,各模块能够有效提高细小血管分割能力。     

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。     

基于紧凑混合网络的视网膜血管自动分割

针对视网膜血管分割困难及时间复杂度高等问题,提出一种可以兼顾分割速度和准确度,同时结构非对称的视网膜血管分割模型,即紧凑混合网络(compact mixed network,CMNet).可变形卷积能够提取复杂多变的血管结构,并且混合深度卷积中的大核在增大感受野的同时能够改善分割质量,首先在此基础上提出一种轻量级混合瓶...