下载文档原格式
眼底图像分类算法的研究与应用随着医疗技术的不断发展，人们越来越注重眼部健康。
眼底图像是评估眼部健康的重要手段之一，然而传统的眼底图像分析方法只能依靠医生的经验判断，存在误诊率高、费时费力等缺点。
为提高眼部疾病的诊断效率，开发基于深度学习的眼底图像分类算法成为了当今研究的热点之一。
一、眼底图像分类算法原理及发展眼底图像分类算法是一种基于深度学习技术的计算机视觉方法，其原理主要基于卷积神经网络（CNN）。
卷积神经网络是一种数据处理的方法，其主要特点是利用卷积层将输入的图像转换为另一张图像，同时再经过激励函数和池化层的处理，最终生成分类结果。
该方法的优点是可以自动提取特征，有效地缓解了人工分类的繁琐过程。
近年来，随着深度学习算法的不断发展，基于CNN的眼底图像分类算法应用推广得越来越广泛。
例如，眼底图像分类算法被应用于糖尿病视网膜病变、青光眼、白内障等眼部疾病的自动诊断中。
这些应用提高了眼部疾病的诊断效率，降低了医疗成本，同时也解放了医务人员的工作压力，显著改善了病患的治疗效果和生活质量。
二、眼底图像分类算法的研究现状1. 糖尿病视网膜病变糖尿病视网膜病变是糖尿病的最常见并发症之一，特征是视网膜出现微血管新生、微瘤、出血和渗出物。
眼底图像分类算法对糖尿病视网膜病变进行分类诊断已有较好的应用，包括传统的机器学习方法和基于深度学习的方法。
传统的机器学习方法主要基于手工特征提取，采用多个分类器对眼底图像进行分类。
如基于随机森林模型的糖尿病视网膜病变自动检测系统、基于支持向量机模型的糖尿病视网膜病变自动诊断软件等。
基于深度学习的方法主要应用于图像分类和定位，如 :基于深度学习的糖尿病视网膜病变分类系统、基于深度学习的糖尿病视网膜病变定位方法等。
这些方法主要采用卷积神经网络（CNN）作为特征提取器，并在原始图像的基础上添加全连接层和池化层，将图像切分为病变区和正常区，从而实现分类和分割的目的。
2. 青光眼青光眼是一种眼压增高引起的眼部疾病，早期很难发现，因此易导致失明。
眼底图像分割算法及应用研究一、眼底图像分割的基本原理及算法研究在本论文中，我们将聚焦于眼底图像分割的基本原理及算法研究。
首先，我们将介绍眼底图像分割的背景与意义，为读者铺陈研究该领域的重要性。
接下来，我们将梳理眼底图像分割的基本原理，包括采集眼底图像、预处理与预处理流程、图像分割技术、分割效果的评估等。
然后，我们对眼底图像分割的相关算法进行详细的介绍、分析及比较，包括基于传统算法（如阈值分割算法、固定重心算法、区域生长算法等）的眼底图像分割算法，以及基于深度学习算法（如卷积神经网络、全卷积网络、U-Net等）的眼底图像分割算法。
在算法比较中，我们将针对不同算法的优缺点进行分析、比较与展望，为读者更好地了解各种算法的特点，从而选择最为合适且最为优秀的算法。
二、眼底图像分割算法实现的技术细节与步骤在本论文中，我们将从实现眼底图像分割算法的技术细节和步骤出发，系统地讲解如何实现高效且准确的算法。
具体而言，我们将介绍双目图像的预处理、图像边缘检测及均衡化、直方图的均衡化、自适应阈值分割、形态学处理、改进的区域生长算法、半监督学习等步骤。
在每个步骤中，我们将提供详细的实现技巧、代码框架，以及相应的优化方法。
而在整个算法实现过程的最后，我们将借着开源平台PyTorch，搭建一套完整的眼底图像分割实现流程，帮助读者快速而准确地实现该算法；同时，我们将提供一套代码的详细注释以及详细的改进策略。
三、眼底图像分割算法的优化细节与方案在本论文中，我们将探讨眼底图像分割算法的优化细节与方案。
具体而言，我们将介绍在不同算法环节中，如何利用GPU/CPU并行计算与矩阵运算技术、CUDA指令优化技术等方法来提高算法效率。
在算法优化中，我们将分别分析传统算法与深度学习算法的优化方法，并且介绍如何通过辅助训练、跳过异常样本等技巧提高算法的准确率。
在本部分中，我们将通过实验数据和代码实现，来展示各种优化方法的效果。
四、眼底图像分割算法在眼科医学中的应用在本论文中，我们将探讨眼底图像分割算法在眼科医学中的应用。
基于分层特征渐进融合的糖尿病视网膜病变图像分割方法在医学影像分析领域，糖尿病视网膜病变（DR）的诊断和评估一直是个挑战，尤其是在图像分割方面。
传统的算法往往因为缺乏对细节的捕捉而无法达到高精度。
然而，一种基于分层特征渐进融合的技术正在改变这一局面，它就像是一位细心的侦探，逐步揭开了隐藏在眼底照片中的病变秘密。
首先，让我们想象一下，如果我们的眼睛是一台相机，那么视网膜就是那层神奇的感光胶片。
当糖尿病侵蚀这层薄膜时，它就像是被蛀虫蚕食的古老画作，细节逐渐模糊，色彩失真。
为了挽救这些珍贵的“画作”，分层特征渐进融合技术应运而生。
这项技术的核心在于它的“分层”策略。
它不是一蹴而就地处理整个图像，而是像考古学家一样，层层深入，逐步揭示信息。
在最底层，它关注基本的形态特征；随着层次的加深，更多的细节和纹理特征被纳入考量。
这种由浅入深的方法，确保了每个阶段的信息都不会丢失，而且还能相互补充。
夸张地说，这种方法就像是在搭建一座桥梁，每一层都是坚实的桥墩，支撑着最终的结构。
而这座桥梁的目的，就是为了跨越从原始数据到准确诊断之间的鸿沟。
通过这种方式，即使是微小的出血点或微血管瘤也能被精确地识别出来。
然而，任何技术都不是万能的。
尽管这种方法在理论上具有巨大潜力，但在实际应用中仍面临着挑战。
例如，图像的质量、患者的配合程度以及设备的先进程度都可能影响最终的分割效果。
此外，算法本身的复杂性也可能导致计算效率低下。
尽管如此，我们不能否认这项技术在提高DR诊断准确性方面的贡献。
它不仅仅是一种工具，更是一种希望——给予无数糖尿病患者一个更清晰的未来。
随着技术的不断进步和完善，我们有理由相信，这座桥梁将变得更加坚固，能够承载更多的重量，带领我们走向更加精准的医疗诊断时代。
总之，基于分层特征渐进融合的糖尿病视网膜病变图像分割方法是一项创新且前景广阔的技术。
它不仅提高了诊断的准确性，还为未来的研究和应用开辟了新的道路。
当然，任何技术的发展都需要时间来验证其真正的价值，但至少在目前看来，这项技术无疑是医学影像分析领域的一颗璀璨明星。
眼底图像视网膜血管分割技术研究眼底图像视网膜血管分割技术研究摘要：视网膜血管分割是眼科和医学图像领域的一个重要研究方向。
视网膜血管的自动分割可以帮助医生更好地检测和诊断一系列眼科疾病，如糖尿病视网膜病变和青光眼等。
本文针对眼底图像视网膜血管分割技术进行了详细的研究和讨论。
导言：眼底图像分析是目前眼科领域的一个热点研究方向。
通过对眼底图像的分析，我们可以得到大量的生理和解剖特征，其中包括视网膜的血管网络。
然而，给定任何一张眼底图像，如何自动地分割出视网膜血管仍然是一个具有挑战性的问题。
视网膜血管的自动分割不仅能够帮助医生进行快速和准确的诊断，而且还可以提供更多关于患者眼部疾病的有用信息。
方法：我们采用了基于图像处理和机器学习技术的方法来完成眼底图像视网膜血管分割任务。
首先，我们对输入的眼底图像进行预处理，包括亮度校正、对比度增加和噪声去除等步骤。
然后，我们使用基于形态学操作的算法来增强图像中的血管结构。
接下来，我们将预处理后的图像分割为血管和非血管区域。
最后，我们通过训练一个分类器来自动地将图像中的血管部分标记出来。
结果与讨论：我们在包含多种眼底疾病的眼底图像数据集上测试了我们的方法，并与其他现有方法进行了比较。
实验结果表明，我们的方法在视网膜血管分割任务上表现出了良好的性能。
与传统的图像处理方法相比，我们的方法在分割结果的准确性和效率方面都取得了很大的改进。
结论：本文提出了一种基于图像处理和机器学习技术的眼底图像视网膜血管分割方法，并通过实验证明了该方法的有效性和优势。
这项研究对于改善眼科临床诊断和治疗提供了一种可行的自动化解决方案。
未来的研究可以进一步探索如何将该方法应用于实际临床中，并进一步改进和优化算法的性能总之，本研究提出了一种基于图像处理和机器学习技术的眼底图像视网膜血管分割方法，并通过实验证明了该方法在快速和准确诊断眼部疾病方面的潜力。
与传统方法相比，该方法在血管分割结果的准确性和效率上都取得了显著改善。
基于视觉注意机制的眼底图像视盘快速定位与分割柯鑫;江威;朱江兵【摘要】视盘定位与分割对利用眼底图像进行眼科计算机辅助诊断十分重要.视觉注意机制模拟人类视觉系统从而能在复杂场景中快速定位目标.利用视盘在眼底图像中视觉显著度高这一特性,提出基于视觉注意模型实现视盘的快速定位并分割的算法.算法首先对不同眼底图像进行归一化,接着采用高斯金字塔提取图像不同尺度的颜色、亮度和方向特征图(feature map),进一步整合得到显著性图(saliency map),在显著性图中提取FOA(focus of attention)从而定位视盘.接着在视盘定位区域采用统计排序滤波器(rank-filter)抹除血管,在极坐标中采用亚像素提取图像边缘,实现视盘分割.采用国际Messidor数据库来验证算法的性能,定位精度为95％,运行时长为0.213 s,与其他算法相比,算法具有准确性高和实用性强等特点,具有良好的应用潜力.【期刊名称】《科学技术与工程》【年(卷),期】2015(015)035【总页数】7页(P47-53)【关键词】眼底图像;视觉注意模型;特征整合;显著性图;亚像素提取【作者】柯鑫;江威;朱江兵【作者单位】中国大恒(集团)北京大恒图像视觉有限公司,北京100085;中国科学院遥感与数字地球研究所,北京100094;中国科学院大学,北京100049;中国大恒(集团)北京大恒图像视觉有限公司,北京100085【正文语种】中文【中图分类】TP391.41视神经盘也叫视神经乳头，简称为视盘，是视网膜眼底图像一个重要的特征[1]。
视盘形态大小等参数是诊断眼睛病变的重要依据；此外，视盘与黄斑区域有着固定的距离，视盘中心位置的信息可以作为先验知识来辅助黄斑区域选择[2]。
因此，眼底医学图像视盘的快速定位与分割对利用计算机辅助眼科诊断具有重要的应用价值。
由于个人差异、眼底疾病、光照等问题，对眼底图像视盘高效定位分割并不容易[3—5]。
基于图像处理技术的眼底病变分类与分割算法研究一、引言眼底病变是指眼底部分所发生的各种异常病变，常见的有糖尿病视网膜病变、黄斑变性、青光眼等。
这些疾病一旦发展成中晚期，会导致视力严重受损，甚至失明。
因此，及早发现和治疗眼底病变对于保护视力至关重要。
目前，眼底病变的诊断主要依赖于医生的经验和手动观察，这种方法存在主观性强、诊断结果不准确等缺点。
随着图像处理技术的发展，基于图像处理技术的眼底病变分类与分割算法逐渐成为一种有效的辅助诊断方法。
二、眼底图像处理技术眼底图像处理技术是指通过数字图像处理技术对眼底图像进行处理和分析，从而得出眼底病变的诊断结果。
眼底图像处理技术主要包括以下几个方面。
1. 图像增强眼底图像通常具有低对比度、低亮度、噪声干扰等问题，这些问题会影响病变的诊断结果。
因此，需要对眼底图像进行增强处理，提高图像的质量和清晰度。
常用的图像增强方法包括直方图均衡化、灰度拉伸、滤波等。
2. 特征提取眼底病变的特征包括大小、形状、颜色、纹理等。
通过特征提取技术，可以将这些特征从眼底图像中提取出来，为分类和分割算法提供依据。
常用的特征提取方法包括SIFT、SURF、HOG等。
3. 分类与分割基于图像处理技术的眼底病变分类与分割算法是将眼底病变分为不同类型，并根据类型对病变进行分割的过程。
常用的分类与分割算法包括支持向量机、决策树、卷积神经网络等。
三、分类算法研究1. 支持向量机支持向量机是一种常用的分类算法，其基本原理是通过将数据映射到高维空间中，将不同类型的数据分隔开。
在眼底病变分类中，支持向量机可以将不同类型的眼底病变分开，从而为医生提供诊断依据。
支持向量机的优点是分类准确率高，但对数据量和特征的选择敏感，需要大量实验进行优化。
2. 决策树决策树是一种基于树形结构的分类算法，其主要思想是通过不断划分样本空间，将不同类型的数据分隔开。
在眼底病变分类中，决策树能够根据不同的特征将眼底病变分为不同类型。
2021年4月第36卷第4期内江师范学院学报J o u r n a l o fN e i j i a n g N o r m a lU n i v e r s i t yA pr .2021V o l .36N o .4基于D e n s eU -N e t 的眼底视网膜血管分割付顺兵, 王朝斌*, 陈 旭, 刘文秀, 张晓倩*(西华师范大学计算机学院, 四川 南充 637009) 摘 要:针对眼底视网膜血管图像特征信息复杂,现有的血管分割算法对细小血管特征难以采集和血管误分割等问题,提出一种融合U -N e t 网络和密集网络的分割方法.首先,提取眼底图像的绿通道,通过限制对比度自适应直方图均衡化对图像进行血管增强处理,其次,利用局部自适应G a mm a 校正来调整眼底图像的亮度信息,同时在卷积层之间引入一种动态激活函数,提高网络的特征表达能力,最后输入到改进网络模型中进行分割.该算法在D R I V E (d i g i t a l r e t i n a l i m a g e s f o r v e s s e l e x t r a c t i o n )和S T A R E (s t r u c t u r e da n a l y s i s o f t h e r e t i n a )两个公开数据集上的准确率分别为96.28%和96.85%,特异性分别为98.46%和98.55%,灵敏度分别为80.47%和81.38%.实验表明所提方法能够准确识别并分割出眼底细微血管,提高了视网膜血管分割的准确率.关键词:图像处理;眼底图像;血管分割;U -N e t;密集网络D O I :10.13603/j .c n k i .51-1621/z .2021.04.008中图分类号:T P 391文献标志码:A文章编号:1671-1785(2021)04-0040-070 引言眼底视网膜血管形态结构(如直径㊁分支㊁角度等)是衡量人体健康的重要指标,能够反映出人体的各种疾病,如糖尿病视网膜病变(d i a b e t i c r e t i n o p a -t h y ,D R )㊁青光眼㊁高血压等[1].因此,进行眼底图像分析,对辅助医生诊断和治疗人体各种系统疾病,具有重要的临床意义.目前,眼底视网膜图像的血管主要还是通过人工分割获得,然而对眼底图像中的血管进行手动标记费时费力,并且易受主观因素的影响,难以获得高准确的分割结果,视网膜血管辅助诊断疾病未得到广泛的应用,所以迫切需要一种能准确分割视网膜血管的方法来为眼科医生提供有价值的辅助诊断.近年来,国内外的专家学者针对眼底视网膜血管提出了很多的分割算法.其分割算法可分为两大类:无监督方法和有监督方法.无监督方法不需要先验标记信息,而是使用传统的分割方法来提取眼底血管,如基于模型[2]㊁形态学处理[3]㊁匹配滤波[4]等方法.该类方法虽然在分割速度上有优势,但提取到的血管信息粗糙,分割的准确率较低.而有监督的方法是通过提取图像的各种特征来训练一个能准确区分血管和背景像素的分类器,最终实现血管的分割.该类分割方法需要人工提取的标签用于训练.常用的有监督方法包括基于机器学习的方法和基于深度学习的方法,基于机器学习的方法首先通过人工提取图像的特征再结合支持向量机㊁贝叶斯分类器等进行分割.如R i c c i 等[5]先对眼底图像进行预处理,提取了图像的绿通道,然后再利用S VM 对血管和非血管进行分割.与无监督的方法相比,基于机器学习的方法在准确率上有所提高,但由于需要人工提取特征,很大程度上增加了因人为因素导致分割结果错误的概率.为此,人们将基于深度学习的方法引入医学图像分割领域,如W a n g 等[6]使用卷积神经网络提取眼底图像的特征,并结合随机森林(r a n -d o mf o re s t ,R F )实现了血管的分割.F u 等[7]先将眼底图像输入到卷积神经网络中生成其概率图,再使收稿日期:2021-01-20基金项目:西华师范大学英才科研基金项目(17Y C 498) 作者简介:付顺兵(1995 ),男,四川凉山人,硕士研究生,研究方向:医学图像处理*通信作者:王朝斌(1970 ),男,重庆人,教授,博士,研究方向:网络安全与算法第4期付顺兵,等:基于D e n s eU-N e t的眼底视网膜血管分割用全连接条件随机场来获得血管的分割结果.L u 等[8]提出一种包含收缩路径和扩展路径的神经网络架构来对眼底视网膜血管进行分割,捕获了更多的上下文语义信息,分割的准确率得到一定的提升.但目前所提的血管分割算法仍存在细小血管特征难以采集和误分割等问题,因此本文提出一种融合U-N e t网络和密集网络的D e n s eU-N e t模型,并用于视网膜血管分割.1相关算法原理1.1 U-N e t模型U-N e t网络由R o n n e b e r g e r等[9]在2015年提出,是一种基于全卷积神经网络(f u l l y c o n v o l u t i o n a l n e t w o r k s,F C N)[10]改进的全卷积网络,其结构类似于U型,因此得名U-N e t.整个的U-N e t网络主要由两部分构成:收缩路径和扩展路径.其中收缩路径用于获取输入图像的上下文信息,扩展路径用于对输入图像中需要分割的区域进行精确定位.在对医学图像进行分割时,由于器官结构固定和本身的语义信息不是特别丰富,要想达到好的分割效果,图像的深层特征和浅层特征都很重要,U-N e t网络通过使用跳跃连接(s k i p c o n n e c t i o n)融合深层和浅层的特征,能提取到更多的语义信息,所以U-N e t网络常用于医学图像分割任务中.1.2密集网络密集网络由H u a n g等[11]在受到以下两点启发后提出.在对残差网络进行改进时,发现训练过程中每一步都随机的D r o p o u t一些层,可以提高网络模型的泛化能力.这就说明神经网络中的某一层不仅仅依赖于前一层的特征,还可以依赖更前面层的特征.其次,在网络训练过程中随机舍弃很多中间层也不会对算法的收敛性造成影响,说明了残差网络具有冗余性.密集网络的主要改进在于任何两层之间都有连接,每一层都会接收来自前面所有层的输出,实现了特征的重复利用.如图1所示,假设某层网络的输入为x,H代表一个非线性的操作,H其公式定义如下:X l=H l([x0,x1, ,x l-1]).图1密集连接模块2视网膜血管分割网络结构2.1网络结构针对眼底视网膜图像特征的复杂性及U-N e t 网络对细微血管特征难以采集等问题,本文提出了一种融合U-N e t网络和密集连接模块的D e n s e U-N e t网络架构,整体网络结构如图2所示.传统U-N e t网络使用4次下采样操作和4次上采样操作来提取图像的特征信息,由于眼底图像是小数据集,为了防止在训练过程中因网络层数过多而可能出现的过拟合[12]等问题,因此本文使用3次下采样和3次上采样的网络架构.整体网络架构由收缩路径和扩展路径组成,包含密集模块(d e n s eb l o c k)㊁拼接块(c o n c a t e n a t eb l o c k)㊁下采样㊁上采样等操作.蓝色的条形框为密集模块,图中条形框旁的数字代表图像的尺寸大小,黄色条形框为拼接块,是对扩展路径中经过上采样操作后的图像与对应收缩路径网络层的特征图进行融合,同时在每个卷积层之间使用一种动态的激活函数,将在后面进行详细介绍.图2D e n s eU-N e t网络结构㊃14㊃内江师范学院学报第36卷2.2 D y n a m i cR e L U激活函数在卷积神经网络中,激活函数的主要作用是引入非线性的因素,使网络能够完成非线性映射.常见的激活函数有:S i g m o i d㊁T a n h㊁R e L U等,然而传统的激活函数是静态的,即对所有的输入样本都执行同样的操作.为了改善神经网络中传统激活函数存在的问题,本文通过引入了一种动态修正单元(d y-n a m i c r e c t i f i e d l i n e a r u n i t,D y n a m i cR e L U)[13]来提高本文网络模型的非线性表达能力.图3动态修正单元流程如图3所示,对输入向量x进入激活函数之前,将其分为两个流分别输入θ(x)和fθ(x)(x),θ(x)用于获得激活函数的参数,即对输入向量x各维度的上下文信息进行编码,使其参数自适应激活函数,fθ(x)(x)用于获得激活函数的输出值.D y n a m i cR e-L U的计算公式如下: y c=fθ(x)x()c=m a x1ɤkɤK a k c(x)x c+b k{}c,其中,c(1ɤcɤC)为通道数,k(1ɤkɤK)为函数的数目,x c表示第c个通道的输入向量,a k c㊁b k c 是一组由辅助函数θ(x)计算得到的参数,表示如下:θ(x)=[a11, ,a1C, ,a K1, ,a K C,b11, ,b1C, ,b K1, ,b K C]T.辅助函数θ(x)的计算采用的是S E网络(s q u e e z e-a n d-e x c i t a t i o nn e t w o r k s,S E-N e t)中的S E 模块.其主要思想是通过注意力来自动获取每个特征通道的重要程度,然后按照这个重要程度去提升对特定任务有用的特征信息,抑制用处不大的特征信息,最后将权重加权到每个特征通道上[14].对于输入向量x,先通过一个全局池化层(g l o b a l a v e r a g e p o o l i n g)压缩空间信息,得到一维向量,然后经过两个全连接层(f u l l y c o n n e c t e d l a y-e r),同时在两个全连接层之间使用一个R e L U函数,增加了更多的非线性操作,可以更好的拟合通道间复杂的相关性,最后通过S i g m o i d函数标准化输出的范围.当完成S E模块中的计算后,最后的输出为:a k c(x)=αk+λaΔa k c(x),b k c(x)=βk+λbΔb k c(x),其中,αk㊁βk分别为a k c㊁b k c的初始值,λa和λb是用于控制范围的标量,也就是在对每个特征通道上所加的权值.3实验及结果分析3.1眼底图像数据集实验使用的数据集来自公开数据库D R I V E[15]和S T A R E[16],目前相关的研究大多采用这两个数据库来验证自己算法的性能.其中D R I V E数据集包含40张彩色眼底血管图像,尺寸大小为565ˑ584,如图4(a)所示为一张原始眼底血管图像.每张图像对应2位专家的手动分割结果及眼底掩模,分别如图4(b)㊁图4(c)㊁图4(d)所示.本文使用D R I V E数据库划分好的20张训练图像和20张测试图像进行实验,训练数据包括彩色眼底图像㊁来自第一位专家手动分割的结果图和掩模图像,测试时使用来自第一位专家的手动分割结果对模型进行评估,将模型的输出结果与第二位专家的手动分割结果进行比较.图4数据库部分图像S T A R E数据集是由M i c h a e l G o l d b a u m在1975年发起的一个项目.其中包含了20张视网膜图像,每张图像对应2个专家的手动分割结果,尺寸大小为700ˑ605,但没有相对应的掩膜,需要手动设置掩膜图像.由于该数据集官方并未划分为训练图像和测试图像,因此本文将前10幅作为训练图像,另外10幅作为测试图像.由于D R I V E数据集与S T A R E数据集中的图㊃24㊃第4期付顺兵,等:基于D e n s eU-N e t的眼底视网膜血管分割像较少,本文对训练图像进行数据增强处理,将经过预处理后的图像先进行90ʎ㊁180ʎ㊁270ʎ的旋转操作,然后再进行水平㊁垂直和镜像翻转操作,数据集在原来的基础上增加了7倍,D R I V E训练数据图像变为140张,S T A R E训练数据图像变为70张.同时从每张图像中随机提取2000个大小为48p i x e lˑ48 p i x e l的局部样本块用于模型的训练,图5展示了实验中数据的部分局部样本块,其中图5(a)为训练集局部样本块,图5(b)为对应的金标准局部样本块,可以看到图像被裁剪为很多的小块,D R I V E和S T A R E数据集分别提取了280000和140000个局部样本块.图5局部样本块示例3.2数据预处理由于眼底图像存在光照不均㊁血管与背景对比度低等问题,为了易于网络的训练,提高分割的准确率,先对这两个数据集进行预处理.处理步骤如下:(1)灰度变换两个数据库的眼底图像都为R G B图像,先对图像进行通道提取,如图6所示.通过实验可以看出,提取绿色通道后的眼底图像中血管与背景对比度高,能够较好的显示出血管结构,所以本文使用绿色通道的图像进行后续的分割实验.(2)数据标准化对绿色通道后的图像进行零均值化和单位标准化处理,使其符合正态分布.公式如下:xᶄ=x-μσ,其中,x为原始样本数据,μ为原始样本数据的均值,σ为原始样本数据的标准差,xᶄ为标准化后的图像数据.(3)限制对比度自适应直方图均衡化对图像进行分块处理,一般划分为8行8列的图6眼底彩色图及其不同通道图像64个小块,然后对每一个小块进行直方图均衡化操作,增加图像的对比度.(4)数据归一化对图像进行归一化处理,处理后图像的像素值取值范围在[0,1]之间.归一化公式定义如下:x n o r m=x i-m i n(x)m a x(x)-m i n(x),其中,x i为输入图像的像素点值,m i n(x)和m a x(x)分别为图像样本数据中最小像素值和最大像素值,x n o r m为经过归一化处理后的像素值.(5)局部自适应G a mm a校正G a mm a校正是一种非线性操作,通过对视网膜图像的背景和血管进行G a mm a校正,用于增强图像中血管较暗部分的亮度信息,并且能够有效保留图像亮度较强部分的质量.3.3参数设置本文使用t e n s o r f l o w框架下的k e r a s深度学习库进行实验,输入图像包括原始眼底图像㊁金标准图像及掩模,把输入图像的90%作为训练集,10%作为验证集.训练时,使用A d m a优化器对模型进行优化,初始学习率为0.001,每次训练20个局部样本块,模型的迭代次数为100.3.4性能评价指标为了对本文所提算法的分割性能进行评估,采用准确率(a c c u r a c y)㊁特异性(s p e c i f i c i t y)㊁灵敏度(s e n s i t i v i t y)和F1值(f1-s c o r e)作为评价标准.准确率A c c表示被正确分割的血管像素点和背景像素点占整个图像总的像素点的比例;特异性表示被㊃34㊃内江师范学院学报第36卷正确分割的背景像素点占金标准背景总的像素点的比例;灵敏度S n表示被正确分割的血管像素点占金标准血管总的像素点的比例;F1值用于衡量分割结果和金标准之间的相似性.相关指标计算公式如下:A c c=T N+T PT N+T P+F N+F P,S p=T NT N+F P,S n=T PT P+F N,F1-s c o r e=2T P2T P+F P+F N,其中,T P(真阳性)表示血管像素被正确分类为血管;T N(真阴性)表示背景像素被正确分类为背景;F P(假阳性)表示背景像素被错误分类为血管;F N (假阴性)表示血管像素被错误分类为背景.R O C曲线(r e c e i v e r o p e r a t i n g c h a r a c t e r i s t i c c u r v e)也是一种衡量视网膜血管分割标准的重要指标.它反映了不同阈值时灵敏度与特异性之间的关系,其中横轴为假阳性率(f a l s e p o s i t i v e r a t e,F P R),纵轴为真阳性率(t r u e p o s i t i v e r a t e,T P R),R O C曲线下方的面积(a r e au n d e r t h er o cc u r v e,A U C)更加直观地评估算法的血管分割性能,其值越接近1,表示预测准确率越高,分割效果越好.3.5实验结果分析3.5.1分割结果本文改进模型分别在D R I V E和S T A R E眼底图像数据库上进行实验,其分割结果如图7和图8所示.其中第一列为输入图像,第二列为金标准图像,第三列为本文模型的分割结果.通过与专家手动分割的图像进行比较,本文算法可以将血管与背景区域分开,并成功的检测出细小血管,具有良好的分割性能.图7在D R I V E数据库上的分割结果为了更直观的表现出本文算法的分割性能,给出了如图9所示的R O C曲线,从图中可以看出,在图8在S T A R E数据库上的分割结果D R I V E和S T A R E数据库上的R O C曲线下方面积分别为0.9840和0.9746,假阳性率较低,真阳性率高,存在血管误分割的可能性小.图9不同数据库上的R O C曲线3.5.2先进算法对比为了验证本文改进模型在眼底视网膜血管分割上的分割性能,将本文所提算法在D R I V E和S T A R E数据集上的性能评价指标与目前先进的算法进行对比,结果如表1和表2所示.从表1中可看出,本文的分割算法在D R I V E数据集上的A c c,㊃44㊃第4期付顺兵,等:基于D e n s eU-N e t的眼底视网膜血管分割S p,S n,F1-s c o r e和A U C等性能指标分别达到了96.28%㊁98.46%㊁80.47%㊁82.54%和98.40%.从表2可看出,在S T A R E数据集上的A c c,S p,S n, F1-s c o r e和A U C等性能指标分别达到了96.85%㊁98.55%㊁81.38%㊁83.17%和97.46%.综上所述,这表明了本文所提的算法能够准确分割出细小血管,相比其他算法对视网膜血管分割更具优势,鲁棒性较强.表1在D R I V E数据集上与其他算法对比单位:% M e t h o d s A c c S p S n F1-s c o r e A U C C h e n g[17]94.7497.9872.52 96.48 A z z o p a r d i[18]94.4297.0476.55 96.14 R o y c h o w d h u r y[19]95.2098.3072.50 96.20 L u95.5998.1478.12 97.90U-N e t95.6298.2375.6580.8698.35 P r o p o s e dm e t h o d96.2898.4680.4782.5498.40表2在S T A R E数据集上与其他算法对比单位:% M e t h o d s A c c S p S n F1-s c o r e A U C A z z o p a r d i95.6397.0177.16 94.97 R o y c h o w d h u r y95.1097.3077.20 96.90 L i s k o w s k i[20]95.6698.4477.26 96.71 W a n g[21]96.4098.8575.23U-N e t96.7898.6078.4681.5996.95 P r o p o s e dm e t h o d96.8598.5581.3883.1797.46 3.5.3激活函数对比表3展示了基于本文改进模型的6种不同激活函数在D R I V E数据集上的分割性能.从表中可以看到,S o f t p l u s激活函数的各项评价指标都很差,说明该函数的非线性表达能力差且不稳定;R e L U及其变种激活函数的部分指标比前两种激活函数高,但提升的效果并不大;D y n a m i cR e L U激活函数在各项评价指标上均有所提高,这表明该函数能够更好地提升网络的非线性表达能力,从而增强了网络对视网膜血管的分割效果.表3不同激活函数在D R I V E数据集上的评价指标对比单位:%激活函数A c c S p S n F1-s c o r e A U C S o f t p l u s80.6292.5565.0766.2782.43S E L U82.0890.3270.8169.2187.14R e L U92.6596.5475.1378.8696.82 L e a k R e L U90.4895.6676.2978.5295.77P R e L U93.5796.8677.6380.3796.64 D y n a m i cR e L U96.2898.4680.4782.5498.404结束语眼底图像中视网膜血管的准确分割对患者早期的诊断和治疗具有十分重要的临床意义.本文针对视网膜血管的图像特征信息复杂及现有血管分割算法存在细小血管特征难以采集等问题,在U-N e t网络架构的基础上,提出了一种融合U-N e t网络和密集网络的分割方法.通过将密集网络中的密集连接模块引入到U-N e t网络中,增加了特征信息的重复利用,提高了分割的准确率,同时使用D y n a m i cR e-L U激活函数来提高网络的非线性表达能力.通过在D R I V E和S T A R E两个眼底图像数据集上的实验表明,本文所提的算法能够分割出细小血管,且准确率较高,具有良好的分割性能.但对带有病灶的视网膜血管图像仍会出现血管分割断裂的现象,如何更准确地分割出带有病灶信息的眼底图像血管并防止出现断裂的问题将是下一步研究的重点.参考文献:[1]Z HU C,Z O U B,Z HA O R,e t a l.R e t i n a l v e s s e l s e g m e n-t a t i o ni nc o l o u rf u n d u si m a g e su s i n g e x t r e m el e a r n i n g m a c h i n e[J].C o m p u t e r i z e d M e d i c a l I m a g i n g a n dG r a p h i c s,2017,55:68-77.[2]Z HA O YT,R A D AL,C H E NK,e t a l.A u t o m a t e d v e s s e l s e g m e n t a t i o n u s i n g i n f i n i t e p e r i m e t e r a c t i v e c o n t o u r m o d e lw i t hh y b r i d r e g i o n i n f o r m a t i o nw i t h a p p l i c a t i o n t o r e t i n a l i m a g e s[J].I E E ET r a n s a c t i o n so n M e d i c a l I m a-g i n g,2015,34(9):1797-1807.[3]F R A Z M M,B A R MA NSA,R E MA G N I N OP,e t a l.A na p p r o a c ht ol o c a l i z et h er e t i n a lb l o o dv e s s e l su s i n g b i t p l a n e s a n dc e n t e r l i n ede t e c t i o n[J].C o m p u t e r M e t h o d sa n dP r o g r a m s i nB i o m e d i c i n e,2012,108(2):600-616.[4]陆培,王磊,李志成,等.一种普适的基于多尺度滤波和统计学混合模型的血管分割方法[J].中国生物医学工程学报,2016,35(5):519-525.[5]R I C C I E,P E R F E T T I R.R e t i n a l b l o o d v e s s e l s e g m e n t a t i o n u-s i n g l i n eo p e r a t o r sa n ds u p p o r tv e c t o rc l a s s i f i c a t i o n[J].I E E ET r a n s a c t i o n so n M e d i c a l I m a g i n g,2007,26(10): 1357.[6]WA N G S,Y I N Y,C A O G,e ta l.H i e r a r c h i c a lr e t i n a lb l o o dv e s s e l s e g m e n t a t i o nb a s e do nf e a t u r ea n de n s e m-b l e l e a r n i n g[J].N e u r oc o m p u t i n g,2015,149(P a r tB): 708-717.[7]F U H,X U Y,WO N G D W K,e t a l.R e t i n a l v e s s e l s e g-m e n t a t i o nv i ad e e p l e a r n i n g n e t w o r ka n d f u l l y-c o n n e c t e d c o n d i t i o n a l r a n d o mf i e l d s[C]//2016I E E E13t h I n t e r n a-t i o n a l S y m p o s i u mo nB i o m e d i c a l I m a g i n g(I S B I).I E E E,㊃54㊃内江师范学院学报第36卷2016:698-701.[8]L U Y,Z HO U Y,Q I NJ.Ac o n v o l u t i o n a l e n c o d e r-d e c o d-e r a r c h i t e c t u r ef o rr e t i n a lb l o o dv e s s e ls eg m e n t a t i o ni nf u n d u s i m ag e s[C]//20185t hI n t e r n a t i o n a lC o n f e r e n c e o nS y s t e m s a n d I n f o r m a t i c s(I C S A I),N o v e m b e r10-12, 2018.N a n j i n g,Chi n a.I E E E,2018:1071-1075.[9]R O N N E B E R G E R O,F I S C H E R P,B R O X T.U-N e t:C o n v o l u t i o n a lN e t w o r k s f o rB i o m e d i c a l I m a g eS e g m e n-t a t i o n[E B/O L].(2015-05-18)[2020-10-06].h t-t p s://a r x i v.o r g/a b s/1505.04597.[10]L O N GJ,S H E L HAM E RE,D A R R E L L T.F u l l y c o n v-o l u t i o n a ln e t w o r k s f o r s e m a n t i c s e g m e n t a t i o n[J].I E E E T r a n s a c t i o n so n P a t t e r n A n a l y s i sa n d M a c h i n eI n t e l l i g e n c e,2015,39(4):640-651.[11]HU A N GG,L I UZ,W E I N B E R G E RK Q,e t a l.D e n s e l yc o n n e c t ed c o n v o l u t i o n a l ne t w o r k s[C]//2017I E E EC o n f e r e n c eo nC o m p u t e rV i s i o na n dP a t t e r n R e c o g n i-t i o n(C V P R).I E E E,2017:2261-2269. [12]张凯,陈亚军,张俊.生成对抗网络在医学小样本数据中的应用[J].内江师范学院学报,2020,35(4):57-60.[13]C H E N YP,D A IX Y,L I U M C,e t a l.D y n a m i cR e L U[E B/O L].(2020-03-22)[2020-10-06].h t t p s://a r x-i v.o r g/a b s/2003.10027.[14]HUJ,S H E NL,A L B A N I ES,e t a l.S q u e e z e-a n d-e x c i t a-t i o nn e t w o r k s[E B/O L].(2017-09-05)[2020-10-06].h t t p s://a r x i v.o r g/a b s/1709.01507.[15]S T A A LJ,A B R AMO F F M D,N I E M E I J E R M,e ta l.R i d g e-b a s e dv e s s e l s e g m e n t a t i o n i n c o l o r i m a g e so f t h e r e t i n a[J].I E E E T r a n s a c t i o n so n M e d i c a lI m a g i n g, 2004,23(4):501-509.[16]H O O V E R A D,K O U Z N E T S O V A V,G O L D B A UM M.L o c a t i n g b l o o d v e s s e l si n r e t i n a li m a g e s b y p i e c e w i s e t h r e s h o l d p r o b i n g o fa m a t c h e df i l t e rr e s p o n s e[J].I E E Et r a n s a c t i o n so n m e d i c a l i m a g i n g,2000,19(3): 203-210.[17]C H E N G E,D U L,WU Y,e ta l.D i s c r i m i n a t i v ev e s s e l s e g m e n t a t i o n i nr e t i n a l i m a g e sb y f u s i n g c o n t e x t-a w a r e h y b r i d f e a t u r e s[J].M a c h i n eV i s i o na n dA p p l i c a t i o n s, 2014,25(7):1779-1792.[18]A Z Z O P A R D IG,S T R S C I U G L I O N,V E N T O M,e t a l.T r a i n a b l e c o s f i r e f i l t e r s f o rv e s s e l d e l i n e a t i o n w i t ha p-p l i c a t i o n t o r e t i n a l i m a g e s[J].M e d i c a l I m a g eA n a l y-s i s,2015,19(1):46-57.[19]R O Y C H OW D H U R YS,K O O Z E K A N A N ID D,P A R H IK K.B l o o d v e s s e l s e g m e n t a t i o n o f f u n d u s i m a g e sb y m a-j o rv e s s e le x t r a c t i o na n ds u b i m a g ec l a s s i f i c a t i o n[J].I E E E J o u r n a lo f B i o m e d i c a l&H e a l t hI n f o r m a t i c s,2015,19(3):1118-1128.[20]L I S K O W S K IP,K R A W I E C K.S e g m e n t i n g r e t i n a lb l o o dv e s s e l sw i t hd e e p n e u r a l n e t w o r k s[J].I E E ET r a n s a c t i o n so nM e d i c a l I m a g i n g,2016,35(11):2369-2380. [21]W A N G XH,J I A N GXD,R E NJ F.B l o o d v e s s e l s e g m e n t a-t i o nf r o mf u n d u s i m a g eb y ac a s c a d ec l a s s i f i c a t i o nf r a m e-w o r k[J].P a t t e r nR e c o g n i t i o n,2019,88:331-341.R e t i n a lV e s s e l S e g m e n t a t i o nB a s e d o nD e n s eU-N e tF US h u n b i n g,W A N GC h a o b i n*,C H E NX u,L I U W e n x i u,Z H A N GX i a o q i a n(S c h o o l o fC o m p u t e r S c i e n c e,C h i n aW e s tN o r m a lU n i v e r s i t y,N a n c h o n g,S i c h u a n637009,C h i n a)A b s t r a c t:I nv i e wo f t h e c o m p l e x f e a t u r e i n f o r m a t i o n o f t h e f u n d u s r e t i n a l b l o o d v e s s e l i m a g e,a n d t h e d i f f i c u l t y i n c o l l e c-t i n g t h e f e a t u r e s o f t i n y b l o o d v e s s e l s i m a g e,w h i c ho f t e n r e s u l t s i n i n c o r r e c t s e g m e n t a t i o n,a n e ws e g m e n t a t i o nm e t h o d c o m b i-n i n g U-N e t n e t w o r k a n d d e n s e n e t w o r k i s p u t f o r t h.F i r s t l y,t h e g r e e n c h a n n e l o f t h e f u n d u s i m a g e i s e x t r a c t e d,a n d b l o o d v e s s e l e n h a n c e m e n t p r o c e s s i n g o n t h e i m a g eb y t h e c o n t r a s t l i m i t e da d a p t i v eh i s t o g r a me q u a l i z a t i o n i s p e r f o r m e d.S e c o n d l y,u s e l o c a l a d a p t i v eG a mm a c o r r e c t i o nt oa d j u s t t h eb r i g h t n e s s i n f o r m a t i o no f t h e f u n d u s i m a g e,a t t h es a m et i m ead y n a m i ca c t i v a t i o n f u n c t i o n i s i n t r o d u c e db e t w e e n t h e c o n v o l u t i o n a l l a y e r s t o i m p r o v e t h e f e a t u r e e x p r e s s i o n a b i l i t y o f t h e n e t w o r k.F i n a l l y,t h e i m-a g e i s i n p u t i n t o t h e i m p r o v e dn e t w o r k m o d e l f o r s e g m e n t a t i o n.T h ea c c u r a c y o f t h ea l g o r i t h mo nt h e t w o p u b l i cd a t as e t so f D R I V E(D i g i t a l R e t i n a l I m a g e s f o rV e s s e l E x t r a c t i o n)a n dS T A R E(S t r u c t u r e dA n a l y s i s o f t h eR e t i n a)i s96.28%a n d96.85%, t h e s p e c i f i c i t y i s98.46%a n d98.55%,t h e s e n s i t i v i t y i s80.47%a n d81.38%.T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h e p r o p o s e d m e t h o dc a n a c c u r a t e l y i d e n t i f y a n d s e g m e n t t h e f i n e b l o o d v e s s e l s o f t h e f u n d u s,a n d i m p r o v e t h e a c c u r a c y o f r e t i n a l b l o o d v e s s e l s e g m e n t a t i o n.K e y w o r d s:i m a g e p r o c e s s i n g;f u n d u s i m a g e;b l o o dv e s s e l s e g m e n t a t i o n;U-N e t;d e n s en e t w o r k(责任编辑:王佩)㊃64㊃。
基于眼底图像视网膜血管分割、分类方法的中医目诊研究作者：李翔邓颖蒋鹏飞彭清华来源：《湖南中医药大学学报》2021年第03期〔摘要〕中医目诊是通过观察眼部的神、色、形、态来诊断全身疾病的一种方法。
对眼底血管的观察是目诊的主要内容。
视网膜血管结构的变化与许多慢性疾病密切相关。
图像处理技术在眼底图像研究的应用可以为系统性疾病提供早期诊断。
眼底图像血管分割是眼底血管研究的基础，目前大体可分为基于匹配滤波、血管跟踪、形态学处理、形变模型以及机器学习的分割算法5类。
眼底血管分类，如动静脉分类，为临床诊断提供重要价值。
在此类研究的基础上，提出了眼底血管分割、分类方法在中医目诊中的实际应用方法。
〔关键词〕中医目诊;眼底图像;视网膜血管;血管分割;血管分类〔中图分类号〕R241 〔文献标志码〕A 〔文章编号〕doi：10.3969/j.issn.1674-070X.2021.03.016〔Abstract〕 Eye diagnosis of traditional Chinese medicine （TCM） is a method to diagnose systemic diseases by observing the changes of spirits， expressions， shapes and states of eyes. Fundus observation is the most important content of eye diagnosis. The changes of retinal vascular structure are closely related to many chronic diseases. The application of image processing techniques to fundus images can provide early diagnosis of systemic diseases. Fundus image segmentation is the basis of fundus vascular research and can be roughly divided into five main categories： matched filtering， blood vessel tracking， mathematical morphology， deformable model， and machine learning. Classification of fundus vessels， such as arteriovenous classification， provides important value for clinical diagnosis. Based on this kind of research， we put forward the practical application methods of fundus segmentation and classification methods in the eye diagnosis of TCM.〔Keywords〕 eye diagnosis of TCM; fundus image; retinal blood vessels; blood vessel segmentation; blood vessel classification中醫目诊通过观察眼睛各部位的神、色、形、态等变化来辨析疾病的发病部位、病因、病性、预后等情况。
基于图像处理的眼底图像分割与异常检测研究图像处理在医疗领域中具有广泛的应用，其中眼底图像的分割和异常检测是医生诊断疾病的重要工具。
本文将介绍基于图像处理的眼底图像分割与异常检测的研究进展和方法。
眼底图像分割是指将眼底图像中的不同解剖结构分离出来，如血管、视盘、黄斑等，以便医生进行病变区域的分析和诊断。
眼底图像的复杂性和多变性使得眼底图像分割成为一个具有挑战性的任务。
近年来，基于图像处理的眼底图像分割研究取得了一些重要进展。
传统的眼底图像分割方法常常基于阈值分割、边缘检测和数学形态学等技术。
这些方法对于简单的眼底图像分割问题可能有效，但对于复杂的图像，如光照不均匀和噪声干扰较大的图像，效果不佳。
近年来，随着深度学习技术的发展，基于深度学习的眼底图像分割方法也得到了广泛关注。
基于深度学习的眼底图像分割方法主要利用卷积神经网络（CNN）进行特征提取和分割。
研究者们通过设计适合眼底图像分割的网络结构和损失函数，取得了较好的分割效果。
例如，U-Net是一种常用的用于图像分割的网络结构，通过构建编码器和解码器，可以实现像素级别的分割。
除了眼底图像分割，异常检测也是眼底图像处理中的重要任务。
异常检测旨在找出图像中与正常解剖结构不同的区域，以帮助医生诊断疾病。
传统的异常检测方法主要基于特征工程和统计学方法，如颜色特征、纹理特征和形状特征等。
然而，这些方法往往需要人工提取特征并且依赖于特定的问题和图像数据集。
近年来，随着深度学习技术的兴起，基于深度学习的异常检测方法在眼底图像处理中也取得了一些突破。
研究者们利用自动编码器、生成对抗网络和支持向量机等深度学习模型进行异常检测，不仅提高了检测的准确性，还减少了对人工特征提取的依赖。
眼底图像处理中存在的一个挑战是数据集的获取和标注。
眼底图像的获取需要昂贵的设备和专业的操作人员，同时由于隐私保护的要求，眼底图像的公开数据集很少。
标注更是一项费时费力的工作，需要专业的医生进行图像结构的标注。
