基于支持向量机的眼底图像视盘定位算法

视盘定位是计算机辅助诊断中处理眼底图像的重要步骤。为了准确、稳健地确定视盘的位置,提出了一种基于支持向量机(SVM)的视盘定位算法。根据眼底图像中亮区域的结构和强度特征,训练支持向量机分类器识别亮区域。在这些候选区域的基础上创建一个凸包来定位视盘的中心。与文献中的视盘定位方法相比,由于机器学习算法的应用提高了亮区域的分类精度,该方法能够以更高的精度定位视盘中心。测试了三个共259张图像的公共数据集,以评估性能。该方法对DRIVE数据集、DIARETDB0数据集和DIARETDB1数据集的准确率分别为100%、96.9%、97.8%。

一种基于YOLOv5网络模型的端到端眼底视盘定位方法研究

目的:研究增进眼底图像视盘检测精度和速度的方法,以提高眼底图像视盘检测精度和速度。方法:设计一种基于YOLOv5网络模型的端到端视盘定位方法,在特征提取网络的输出中舍弃8倍的下采样通道,保留32倍和16倍的下采样通道;运用公共眼底数据库Messidor和Kaggle对YOLOv5网络模型进行200个epoch的训练,并使用该方法对890张眼底图像进行测试。结果:YOLOv5网络模型定位方法在数据集Messidor、DiaretdB0(DB0)和DiaretdB1(DB1)中视盘定位准确率为100%;在深度学习计算平台Stare、Kaggle和Drive数据集上的视盘定位准确率分别为95.06%、97.5%和99.33%。平均定位时间为0.005 s。结论:在数据测试集中的测试结果中,基于YOLOv5网络模型的端到端眼底视盘定位方法在正常眼底图像和病变视网膜眼底图像中都能快速、准确地定位视盘,具有较好的适用性和鲁棒性。

基于眼底结构特征的彩色眼底图像视盘定位方法

眼底图像中视盘的大小和形状等参数是判断眼底病变的重要辅助参数,视盘的检测和定位对眼科疾病的计算机辅助诊断具有重要意义。提出一种基于眼底结构特征的彩色眼底图像视盘定位方法。首先采用基于低帽运算的方法,提取眼底图像中的静脉血管;然后基于静脉血管的结构特征,采用最小二乘抛物线拟合法初步定位视盘;最后通过滑动窗口灰度扫描的方法,精确定位视盘。在4个公开的眼底图像数据库(DRIVE、DIABETED0、STARE和MESSIDOR)中,对所提出的视盘定位方法进行测试,定位准确率分别为100%、98.6%、93.8%、99.75%,验证了该方法的准确性和通用性。

基于区域建议策略的视盘定位方法

视盘定位对利用眼底图像进行眼科疾病的计算机辅助诊疗十分重要。提出一种基于区域建议策略的视盘定位方法。首先,将眼底图像从像素域映射到特征域,在得到的特征图上利用区域建议策略生成视盘的初始候选区域;然后,按照一定准则对候选区域进行采样,构建全连接层对其进行深层特征提取,并利用损失函数的约束实现候选区域的位置精修;最后,通过置信度阈值的过滤对视盘可见性进行判断,若视盘可见,则将置信度最大的候选区域中心作为该眼底图像的视盘坐标,从而实现视盘的正确定位。在3个公开的眼底图像数据库(DRIVE(40张)、MESSIDOR(1 200张)和STARE(400张))中进行实验,定位准确率分别为100%、99.9%和98.8%。实验证明,该方法能够实现视盘的准确、快速、鲁棒定位,优于现有的视盘定位方法,且预先进行视盘可见性的判断更符合实际应用的要求,能够辅助眼底疾病的诊断处理。

基于置信度计算的快速眼底图像视盘定位

眼底图像视盘定位是视盘分割的重要前提.针对视盘定位结果易受图像对比度的影响的问题,提出一种基于置信度计算的快速视盘定位方法.首先采用基于形态学变换的方法增强眼底图像中视盘、血管区域与图像背景的对比度,并根据图像增强结果中像素点的亮度特征初始定位视盘区域;然后运用局部滑动窗口扫描的方法,根据窗口内像素点亮度特征和其周围血管分布的特性计算候选区域的置信度,定位视盘区域.在不同的眼底图像公共数据上进行实验的结果表明,对于1 341幅眼底图像,该方法能准确地定位其中1 325幅图像的视盘区域,视盘定位准确率为98.8%,平均每幅图像耗时0.25 s,优于现有的视盘定位方法,适用于眼底疾病的计算机辅助诊断.

彩色视网膜图像中基于主血管网的视盘定位

视网膜图像被广泛地应用于糖尿病视网膜病变和青光眼的诊断与治疗。视盘作为视网膜图像的重要特征,是成功诊断视网膜疾病的重要前提。以彩色视网膜图像为研究对象,发展出一种快速有效的视盘定位方法。该方法首先在HSV空间的H通道中提取对比度高的主血管,然后确定主血管的方向图,最后利用一种加权匹配滤波方法找到视盘区域。该方法仅利用视网膜中主血管的方向信息,实验结果表明不仅鲁棒,而且相对快速有效。在Benchmark数据DRIVE、DIARETDB0和STARE上的准确检测率分别达到100%、97.6%和90.1%。

一种快速的眼底图像视盘定位算法

目的:探讨一种快速的视网膜图像视盘定位方法。方法:提取RBG彩色视网膜图像的绿色通道作为处理对象;以每个像素点为中心取窗进行灰度调整操作;计算每个窗内灰度最大值,并根据该值重新估算窗的中心值;将该值作为中心像素点的灰度值。对提取到的图像进行二值化与形态学处理得到视盘区域和轮廓。结果:对DRIVE数据库测试图像进行了实验,提取视盘的平均运算时间为2.948s,视盘区域覆盖准确性92.5%。结论:较同类视盘提取算法速度更快,准确率达到平均水平,但对于视盘区域亮度偏暗的视网膜图像效果一般。

基于Hough圆变换的视盘定位与分割

针对视网膜血管分割是眼底图像研究的热门,利用计算机辅助眼底视网膜血管分割的结果有助于医生对临床诊断和眼底疾病的参考。本文提出了一种基于Hough圆变换的视盘定位和分割的方法。首先,对原始图像进行预处理;接着用OTSU对预处理图像进行阀值分割二值化处理,进一步提取和筛选得到视盘定位的最终结果;最后,将结果用于Hough变换实现视盘分割。该算法分别在DRIVE图像库、HRF图像库以及STARE图像库中进行实验验证,分别获得了100%、96.72%和97.77%的视盘分割准确率,验证了该算法具有良好的性能。

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。

基于深度学习的视网膜病变眼底图视盘自动定位与分割研究

目的:研究视网膜病变眼底图像中视盘的自动定位与分割。方法:收集Messidor数据库中1200张眼底图,其中900张用于训练,300张用于测试;采用2个深度学习网络分别实现视盘在图像上的精确定位与分割,采用准确率、Dice系数、Jaccard系数、敏感性、特异性指标评估结果。结果:视盘定位准确率为100%,视盘分割准确率为97.38%,平均Dice系数、Jaccard系数、敏感性、特异性为0.9194、0.8549、0.9959、0.9700,平均处理时间为0.25 s。结论:深度学习方法能够实现高精度的视盘定位及视盘分割,有助于眼底图像的实时自动分析。

改进的多任务学习方法的眼底视盘分割与定位

提出了一种改进的多任务学习方法,网络的主结构由特征提取网络和分别进行视盘分割与视盘定位的双路径网络组成,通过端到端的训练与测试可以实现眼底图像视盘自动分割与定位相结合的多任务目的。在特征提取网络的编码阶段利用密集连接提取眼底图像视盘的上下文特征。视盘分割任务是依靠解码阶段逐步恢复原来的图像分辨率并获取整个视盘轮廓,视盘中心定位任务由空洞空间金字塔模块和金字塔池化模块来进一步提取视盘抽象特征,得到精准的视盘中心坐标。对350幅眼底图像进行了视盘分割和中心定位,实验结果表明:该方法自动分割的视盘结果与手动标注视盘区域的Dice系数为0.965,自动定位的视盘中心坐标与手动标记的视盘中心的平均绝对距离为0.191 mm(34.7像素)。

基于深度学习的眼底图像视盘定位与分割方法

目的观察分析基于深度学习的眼底图像视盘定位与分割方法的准确性。方法在ORIGA数据集上训练和评估基于深度学习的视盘定位和分割方法。在深度学习的Caffe框架上构建深度卷积神经网络(CNN)。采用滑动窗口将ORIGA数据集的原图切割成许多小块图片,通过深度CNN判别各个小块图片是否包含完整视盘结构,从而找到视盘所在区域。为避免血管对视盘分割产生影响,在分割视盘边界之前去除视盘区域的血管。采用基于图像像素点分类的视盘分割深度网络,实现眼底图像视盘的分割。计算基于深度学习的眼底图像视盘定位与分割方法的准确性。定位准确率=T/N,T代表视盘定位正确的眼底图像数量,N代表总共用于定位的眼底图像数量。采用重叠误差(overlap error)比较视盘分割结果与实际视盘边界的误差大小。结果基于深度学习的眼底图像视盘定位方法其定位准确率为99.6%;视盘分割平均重叠误差为7.1%;对青光眼图像和正常图像的平均杯盘比的计算误差分别为0.066和0.049;每幅图像的视盘分割平均花费10 ms。结论基于深度学习的眼底图像视盘定位方法能快速并准确地定位视盘区域,同时也能够较为精准地分割出视盘边界。

眼底图像的双向扫描中央凹定位方法

中央凹定位是计算机辅助眼底疾病诊断的关键步骤。为提高中央凹定位的准确性,提出双向扫描定位方法。在检测出血管和视盘的基础上,以视盘中心为起点的纵向扫描线从上向下扫描,根据扫描线穿过血管像素最少估计中央凹的纵坐标;根据所估计的纵坐标确定一条带状区域,并作通过垂直于带状区域的从左向右扫描的横向扫描线确定横坐标。该方法利用中央凹低亮度、无血管的区域特征来降低计算复杂度,并通过增强对比度来避免不均匀光照产生的干扰。在MESSIDOR数据集和KAGGLE数据集上的实验结果表明,该方法具有较好的定位效果,平均高斯相似度分别为0.980和0.997。