彩色眼底图像视网膜血管分割方法研究进展

视网膜血管分割方法是眼科计算机辅助诊断和大规模疾病筛查系统的基础,文中讨论了基于彩色眼底图像的视网膜血管分割方法研究进展.概述了该领域的背景意义、常用标准库、性能衡量指标、采用的主要算法及其优缺点,旨在快速地引导研究人员了解本领域研究内容.视网膜血管分割方法可分为基于血管跟踪的方法、基于匹配滤波的方法、基于形态学处理的方法、基于形变模型的方法和基于机器学习的方法等5大类,各类方法都各有特点,为后期研究提供了基础.其中基于机器学习的方法是目前最重要的分割方法,以数据驱动的方式为眼科辅助诊断系统提供依据.尽管研究人员已经做了大量工作,视网膜血管分割依然有进一步提高精度和效率的空间.眼底图中其他生理结构和各种病灶的干扰,微小血管、视盘内血管、新生毛细血管网等的分割,都是血管分割问题中有待解决的难点.

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.