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。     

基于小波变换的SAR图像分割

SAR(合成孔径雷达)图像包含有相干斑噪声,传统方法不能很好地对SAR图像进行分割,该文结合SAR图像和小波变换多分辨分析的特点,提出了一种新的SAR图像分割方法。首先利用小波变换提取SAR图像的纹理特征信息,然后根据SAR图像噪声在小波域中的分布特点对SAR图像进行滤波,最后以SAR图像小波能量纹理特征和滤波后的灰度组成特征向量对SAR图像进行分割。实验结果表明,该方法是一种有效的SAR图像分割方法。     

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Retina-GAN的视网膜图像血管分割

对于一些可以从视网膜血管观测到的眼科疾病, 眼底图像起着关键的作用, 能够为专业的医科人员提供有效的参考, 然而手工标注血管费时费力, 且工作量较大, 所以实现自动智能的血管分割方法对相关人员大有裨益. 本文将Attention机制与RU-Net结构融合应用到生成对抗网络(generative adversarial network, GAN)的生成器中, 形成了一种新的结构——Retina-GAN. 同时在对眼底图像的预处理步骤上选择了自动色彩均衡 (ACE), 提高图像对比度, 使血管更加清晰. 为了验证所提出的方法, 选用DRIVE数据集, 并把Retina-GAN与其他研究比照, 测量分析了算法准确性、灵敏度和特异度. 实验数据显示Retina-GAN比其他模型具有更好的性能.     

基于分类回归树和AdaBoost的眼底图像视网膜血管分割

提出一种能有效分割眼底图像中视网膜血管的监督学习方法,为眼底图中的每个像素点构造一个包括局部特征、形态学特征和Gabor特征在内的39维特征向量,用以判定其是否为血管上的像素.在进行分类计算时,以分类回归树作为弱分类器对样本集分类,然后对AdaBoost分类器进行训练得到强分类器,并由此完成各个像素点的分类判定.基于国际公共数据库DRIVE的实验结果表明,该方法的平均精确度达到0.960 7,且敏感度和特异性均优于已有的基于监督学习的方法,适用于眼底图像的计算机辅助定量分析和疾病诊断.     

基于小波变换的多分辨率图像分割

基于多分辨率分析的图像分割技术是当前图像处理的重要内容。该文介绍了基于小波变换的多分辨率图像分析和分水岭分割算法的综合分割方法。小波变换的多分辨率应用可以有效地减少分水岭算法图像过分割现象;给出了低分辨率下的分割图像到高分辨率图像层上的映射策略,完成了图像从粗糙到精细分割,从而保证了分割准确性,降低了分割的复杂性和计算量。分析了形态学滤波器降低图像噪声和保护图像中对象边界的处理方法,进一步减少了图像过分割的现象,提高了图像分割效果。经实验证明该方法的有效性。     

基于融合相位特征的视网膜血管分割算法

针对相位一致性特征对血管中心检测不足问题,提出基于融合相位特征的眼底视网膜血管分割算法。首先,预处理原始的视网膜图像;然后,对图像中每个像素构造4D的特征向量（包括Hessian矩阵、Gabor变换、条带选择组合位移滤波响应（B-COSFIRE）滤波、相位特征）;最后,采用支持向量机（SVM）进行像素分类,实现眼底视网膜血管的分割。其中,相位特征是将分别提取的相位一致性特征与Hessian矩阵特征进行小波融合后得到的一种新的融合相位特征。该特征既保留了相位一致性特征良好的血管边缘信息,又克服了相位一致性特征对血管中心检测的不足。在用于血管提取的数字视网膜图像（DRIVE）数据库上测得基于融合相位特征的视网膜血管分割算法的平均准确率（Acc）为0.9574,平均受试者工作曲线面积（AUC）为0.9702;且在单一特征进行像素分类提取血管的实验中,与使用相位一致性特征相比,使用融合相位特征进行像素分类提取血管的Acc由0.9191提高到0.9478,AUC由0.9359提高到0.9578。实验结果表明,融合相位特征比相位一致性特征更适用于基于像素分类的眼底视网膜血管分割算法。     

基于视网膜血管分割的系统设计与实现

视网膜血管是唯一一种可直接观测的人体微型血管。医生可通过观察视网膜中的微血管结构,有效判断患者是否存在疾病。通过模糊C-均值聚类算法和均值滤波算法分割视网膜血管边缘,利用MATLAB的图形用户界面开发环境设计控件,通过性能测试将分割的视网膜血管和测试数据进行对比,得出算法的准确率,保证图像分割的正确性、准确性。     

基于改进的U-Net眼底视网膜血管分割

针对视网膜血管图像特征信息复杂程度高,现有算法存在微血管分割较低和病理信息误分割等问题,提出一种融合DenseNet和U-Net网络的血管分割模型。首先,通过限制对比度直方图均衡化和filter滤波对图像进行血管增强处理;其次利用局部自适应Gamma提升图像亮度信息并降低伪影的干扰;再次,由多尺度形态学滤波局部增强微血管特征信息;最后,利用U型密集连接模块进行分割。该算法在DRIVE数据集上实验,其平均准确率、灵敏度和特异性分别高达96.74%、81.50%和98.20%。     

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。     

基于残差与小波U-Net的视网膜图像分割

视网膜血管分割是医学图像分割中常见的一项任务, 视网膜血管图像有着分割目标小而多的特点, 过去的网络在分割中可以较好地提取粗血管, 但是很容易忽略细血管, 而这部分细血管的提取在一定程度上影响网络的性能, 甚至是诊断的结果. 因此, 为了达到在保证准确提取粗血管的前提下, 提取到更多更连续的细血管的目标, 本文使用对称编解码网络作为基础网络, 使用一种新的卷积模块DR-Conv, 旨在防止过拟合的同时提高网络的学习能力. 同时, 针对最大池化层造成的信息损失问题, 考虑使用小波变换进行图像分解并使用逆小波变换对图像进行恢复, 利用混合损失函数结合不同损失函数的特性以弥补单个损失函数优化能力不足的问题. 为了评估网络的性能, 在3个公共视网膜血管数据集上分别对网络进行了测试, 并与最新方法进行了比较, 实验结果表明本文网络拥有更优的性能.     

基于多尺度高阶注意力机制的视网膜血管分割

视网膜血管分割对于辅助医生诊断糖尿病性视网膜病变、黄斑萎缩、青光眼等眼科疾病具有重要意义.注意力机制被广泛用于U-Net及其变体中以提高血管分割模型的性能.为进一步提高视网膜血管的分割精度,挖掘视网膜图像中的高阶及全局上下文信息,本文提出基于多尺度高阶注意力机制的模型(multi-scale high-order attention network, MHA-Net).首先,多尺度高阶注意力(multi-scale high-order attention, MHA)模块从深层特征图中提取多尺度和全局特征计算初始化注意力图,从而改进模型处理医学图像分割时尺度不变的缺陷.接下来,该模块通过图的传递闭包构建注意力图,进而提取高阶的深层特征.通过将多尺度高阶注意力模块应用于编码器-解码器结构中,在彩色眼底图像数据集DRIVE上进行血管分割,实验结果表明,基于多尺度高阶注意力机制的视网膜血管分割方法有效地提高了分割的精度.     

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。     

低尺度血管检测在视网膜血管分割中的应用

视网膜图像分析成为目前诊断多种疾病非侵入的主要方式,其中血管的提取是最重要的一步。监督学习的方法在血管提取上有很好的效果,为了进一步提高检测的精度,提出了低尺度血管检测(LVD)算法。该网络除了有一个提取输入原尺度下特征的子网络外,还增加了两个低尺度下的特征提取子网络,并将低尺度下的单一输出融合原尺寸下的特征,降维后得到最后的输出结果。考虑到眼底血管结构特性,在LVD中设计了具有较深层数和较少参数的非对称固定深度子网络(ADS)。在公共的数据库DRIVE中进行测试,仅采用彩色眼底图像的绿色分量和B-COSFIRE滤波响应作为特征输入,其敏感性、特异性、准确率以及AUC指标分别为0.819 2、0.984 2、0.969 5、0.978 2,达到了先进水平。     

空洞残差U型网络用于视网膜血管分割

青光眼是一种不可逆转的致盲性眼科疾病,应当早发现和早治疗.但人工诊断是费时费力的过程,而且受基层医疗资源的限制,人工诊断很容易产生漏诊和误诊的现象.因此,利用深度学习技术辅助诊断眼疾病具有重大意义.如何更为准确且有效地分割视网膜血管成为眼疾病辅助诊断的研究热点问题.于是,基于U型网络(U-Net)提出一种新的网络结构称...     

一种基于Morlet小波变换的虹膜识别算法

虹膜识别包括虹膜定位、特征提取以及模式匹配几个步骤。文章提出了基于虹膜灰度梯度分析的新定位算法和基于Morlet小波变换的特征提取算法。首先对沿瞳孔半径方向展开的虹膜图像通过寻找灰度梯度最大值位置的方法进行虹膜定位;然后根据虹膜生理的特点对虹膜图像进行分区,对不同的虹膜区域采用一维和二维Morlet复小波变换相结合的特征提取算法,并用二比特格雷编码来表征提取的虹膜纹理的相位信息;最后通过计算虹膜间的Hamming距进行匹配,最终实现虹膜识别。实验结果表明,与现有算法相比,该算法识别速度快,提取特征的效果好,在实验室身份认证系统中表现出很好的识别效果。     

一种基于超像素和生成对抗网络的视网膜血管分割方法

针对传统视网膜图像血管分割中部分血管轮廓粗糙、血管末梢和分支细节丢失等问题,提出 一种结合线性谱聚类超像素与生成对抗网络(Generative Adversarial Networks,GAN)的视网膜血管分割 方法。该方法首先对 GAN 进行改进,采用空洞空间金字塔池化模块的多尺度特征提取来提高 GAN 分 割精度,在获得视网膜血管分割图像后,利用线性谱聚类超像素分割的边缘贴合性高、轮廓清晰的特 点,将 GAN 输出图像映射到超像素分割图再对像素块进行分类,以达到分割的效果。仿真实验结果表 明,与传统的视网膜血管分割方法相比,该方法在灵敏度和准确性上有一定提升,轮廓边缘细节方面 有着更好的效果。