眼底照相造影血管分割及动静脉分类方法研究

发布时间：2020-07-03 19:57

【摘要】：随着图像数字化处理的快速发展,医学图像处理越来越受到人们的广泛关注。研究表明,人体许多全身性疾病都与眼底血管的异常有着密切的联系,但是仅靠医学工作者的手动分析与检测,不仅耗时耗力,而且也很难得到比较精确的结果。因此,实现眼底图像血管的自动化分割和动静脉自动分类有着重要的现实意义。本论文分别实现了眼底照相影像血管的分割和动静脉的分类、眼底造影影像的血管分割。眼底照相影像血管的分割和动静脉的分类部分首先对眼底照相图像进行选取绿色通道、去除噪声、图像增强等预处理操作,然后采用了一种基于组合转换滤波器响应和棒状选择相结合的方法对血管干进行检测,采用不对称的组合滤波器对血管末梢进行检测,从而实现眼底照相影像的血管分割,其输出作为后续血管分类的输入。使用组合转换滤波器响应和棒状选择相结合的方法与其他的一些基于非监督学习的方法相比具有更高的精度并且花费更少的时间成本,最后采用了一种基于上下文相关特征的眼底图像动脉血管和静脉血管检测和分类的自动方法实现眼底照相影像血管动静脉的分类。本论文使用了两种方法来实现眼底造影图像的分割,第一种是自适应阈值化分割,采用一种虚拟边缘追踪的方法来检测血管边缘的离散点,然后将图像划分为若干个子图像,这些子图像的尺寸一致,对子图像进行阈值分割,从而实现对整幅图像的分割;第二种是BP神经网络,使用BP神经网络对眼底造影图像进行血管分割主要分为以下几个步骤:提取图像信息、图像变换、特征提取、数据归一化、优化处理(使用神经网络分类器)、分类决策以及最后输出结果,该方法相比于其他传统的分割方法,使用BP神经网络分割得到的血管图像更为清晰,而且噪声也更小。最后,在国际上公认的三大眼底图像数据库之一的DRIVE数据库上进行实验评估和测试,实验结果表明,本论文所使用的方法在血管分割和动静脉分类上都具有较好的效果。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R770.4;TP391.41
【图文】：

影像,通道,眼底,图像

(b) G 通道 (d) B 通道图 3-2 眼底照相影像及其 R 通道、G 通道、B 通道的图像3.2.2 去除噪声一般来讲，各种噪声源都可能会在图像的采集、传输和存储过程中对图像干扰，从而导致观察者观察到的图像不够清晰，细节部分被忽略，本来应该出来的目标也不能识别出来，这对图像的应用效果产生了严重的影响。因此对眼底血管图像进行分割前必须先对图像进行去除噪声预处理操作。眼底图的噪声大致可以分为以下三种：1）外部原因产生的噪声；2）对图像进行数字化处理时产生的噪声；3）某些大的病灶区域和某些不规则的细小区域，及如位于血管边缘的血管等非线性的噪声。故本论文结合血管的线性特征和背景的纹理特征来选择一种适用于眼底图噪的方法对图像进行预处理操作。

对比图,预处理,对比图,视网膜血管

(c) CLAHE 处理后的眼底图像 (d) MSR 处理后的 R 通道的眼底图像图 3-4 对原始图像进行预处理过后各阶段的对比图3.3 血管分割视网膜相关疾病的诊断及治疗首先要实现的是视网膜血管的分割，而视网膜血管分割是否准确对视网膜血管动静脉的分类准确性会产生非常直观的影响。本文采用一种基于组合转换滤波器响应（Combination of Shifted Filter Responses）和棒状选择(Bar Selective)相结合的分割方法，简称为 B-COSFIRE，该方法能够有效地检测出血管等棒状结构。B-COSFIRE 滤波器是非线性方向选择滤波器，通过对不同高斯滤波器（DoG）的输出进行分组得到。该方法对旋转变换和微小形变具有良好的适应性，此外，与基于手动特征训练的其他方法不同， COSFIRE不需要预先定义的滤波器，但它的自动识别需要血管、分叉点或交叉点等特定的模板。

【参考文献】