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。

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。

糖尿病性视网膜病变图像黄斑水肿等级自动分析方法

糖尿病性黄斑水肿(DME)可以出现在糖尿病性视网膜病变(DR)的任何阶段,是导致糖尿病患者视力损伤的主要原因,因此DME自动分析是DR筛查的关键内容。依据DME国际临床分级标准,通过检测并判断硬性渗出(HEs)是否接近或涉及黄斑中心,可对眼底图像进行DME等级的自动分析。HEs检测选择基于现有的数学形态学方法的综合改进;黄斑中心定位则引入定向局部对比度滤波结合局部血管密度的新方法,可同步确定并去除视盘区域,以消除对HEs检测的影响,其中血管密度仅需提取粗血管网络。经开放的HEI-MED数据集中169幅眼底图像的测试,HEs检测在图像水平上获得100%敏感性和92.2%特异性;黄斑中心定位正确率98.2%;各DME等级评价正确率均在88%以上,具有重要的临床参考和应用价值。