眼底图像硬性渗出物检测算法

针对眼底图像中由于硬性渗出物堆叠造成的灰度分布曲线复杂,以及近距离血管割裂眼底背景造成误检等问题,提出了一种基于方向空间理论并结合上下采样平滑的眼底硬性渗出物检测算法。通过最大间距法,结合经过反向值修正的绝对幅值生成的直方图,对代表眼底硬性渗出物的凸线段进行提取。实验结果表明,本算法的敏感度、特异度和准确度在置信度大于50%区域炮较为理想。该算法符合医学诊断标准,可为相关疾病的诊断提供一种有效的辅助手段。

基于背景估计和SVM分类器的眼底图像硬性渗出物检测方法

硬性渗出物是糖尿病视网膜病变(DR)的早期病症,是糖尿病性黄斑水肿的最主要表现,因此对硬性渗出物的准确检测具有重要的临床意义。提出一种基于背景估计和SVM分类器的眼底图像硬性渗出物检测方法。首先通过背景估计,得到包含亮目标的前景图;然后利用基于Kirsch算子的边缘信息确定硬性渗出物的候选区域,再移除视盘;最后对候选区域进行形状特征、直方图统计特征以及相位特征的提取,采用SVM对候选区域进行分类,完成硬性渗出物的精确提取。对DIARETDB1和HEI-MED公共数据库中共248幅眼底图像进行实验,图像水平达到灵敏度97.3%和特异性90%,病灶水平达到灵敏度84.6%和阳性预测值94.4%。实验表明,所提出的方法能够实现眼底图像中硬性渗出物的自动检测。

结合FCM聚类和边缘感知模型的眼底渗出物检测

眼底图像中渗出物是构成糖尿病视网膜病变(Diabetic Retinopathy,DR)的早期症状之一,提出一种结合模糊C-均值(Fuzzy C-Means,FCM)聚类和边缘感知模型的方法实现对渗出物的检测。为保证后期检测精度和效率,对眼底图像进行增强对比度和均衡亮度等预处理操作,用FCM聚类分割出渗出物候选区域,利用基于判断邻域灰度差异的边缘感知模型对候选区域进行筛选,通过移除视盘区域,从而得到真实的渗出物区域。在公开的数据集上进行实验,算法的灵敏度为86.65%,特异性为94.79%,阳性预测值为95.14%,准确度为92.09%。结果表明,该方法能够有效实现对眼底渗出物的自动检测。

融合重建滤波器和暗特征的渗出物检测算法

针对多数视网膜渗出物提取算法检测精度不高的问题,提出了一种融合重建滤波器和暗特征的视网膜渗出物检测算法。首先,对视网膜灰度图像均值滤波后应用"球形"重建滤波器移除视网膜血管,使用列滤波器标识出渗出物区域并阈值分割得到含有视盘和边界的渗出物区域图像。其次,在均值滤波后的灰度图像中检测视盘和图像边界,并根据视盘构建掩膜,接着从含有视盘和边界的渗出物区域图像中移除视盘和边界,然后应用"圆盘形"重建滤波器扩充渗出物尺寸。最后,对视网膜灰度图像自适应直方图均衡化,阈值分割后反转灰度值得到暗特征,从扩充渗出物尺寸后的图像中移除暗特征即得到最终渗出物图像。实验结果表明,本文算法能有效检测视网膜眼底图像中的渗出物,较现有算法具有更高的检测精度。