本文關(guān)鍵詞： 視盤分割 視杯分割 區(qū)域生長算法 山谷差值準則　出處：《沈陽工業(yè)大學》2017年碩士論文　論文類型：學位論文

【摘要】：數(shù)字眼底圖像可以用于診斷諸如青光眼、眼底黃斑性病變等眼底疾病,也可以為診斷糖尿病、高血壓等疾病提供參考依據(jù)。通過計算機輔助自動檢測得到患者眼底圖像中的參數(shù),既可以為醫(yī)生在診斷疾病時提供方便,也可以大大縮短時間達到高效醫(yī)學檢測疾病的效果。利用圖像處理技術(shù)來增強圖像特征、自動識別圖像中目標區(qū)域并分割提取出眼底目標圖像、自動測量形態(tài)參數(shù),能夠較客觀、準確、迅速地為臨床診斷提供可靠的依據(jù)。視盤和視杯的參數(shù)是識別青光眼的重要眼底結(jié)構(gòu)特征。通過計算機輔助自動檢測得到杯盤比(CDR)這一眼底圖像參數(shù),可以便捷地進行青光眼病篩查。本文提出了一套完整的篩查方法:首先進行了通道提取及圖像增強等預處理,然后應用閾值分割算法、邊緣檢測算法、霍夫變換算法、分水嶺分割算法進行處理,分割出了視盤和視杯,并可自動檢測出視盤視杯的區(qū)域面積,最終得出杯盤比。與傳統(tǒng)算法進行比較,閾值分割算法更為簡便并且計算準確率相對更高。而后本文改進了傳統(tǒng)區(qū)域生長算法,用以自動檢測并分割出視杯。考慮到傳統(tǒng)的區(qū)域生長算法在選取種子點時不精確、自適應性差、分割結(jié)果不正確的缺陷,本文通過計算感興趣區(qū)(ROI)的幾何中心并結(jié)合中心亮度作為選取種子點的標準;用5*5模板對眼底圖像進行均值濾波,提出山谷差值準則和8鄰域連通準則對眼底圖像進行種子合并,最終準確分割出視杯。本文應用該方法,對高分辨率眼底圖像(HRF)數(shù)據(jù)庫中15張青光眼眼底圖像和15張健康眼眼底圖像逐張進行檢測,實驗結(jié)果表明,該算法能快速、有效地自動檢測出眼底圖像中的視杯并將其正確的分割出來,與傳統(tǒng)算法相比較該算法穩(wěn)定可靠,并具有較好的準確性、特異性和敏感性。
[Abstract]:Digital fundus images can be used to diagnose fundus diseases such as glaucoma, fundus macular disease, or diabetes. The parameters of the patient's fundus image can be obtained by computer aided automatic detection, which can provide convenience for the doctor in diagnosing the disease. The image processing technology is used to enhance the image features, identify the target area in the image automatically, segment and extract the fundus target image, and measure the morphological parameters automatically. It can provide reliable basis for clinical diagnosis. The parameters of optic disc and cup are important fundus structure features for identifying glaucoma. The fundus image parameters of cup / disc ratio (CDR) can be obtained by computer aided automatic detection. This paper presents a set of complete screening methods: firstly, we preprocess channel extraction and image enhancement, then apply threshold segmentation algorithm, edge detection algorithm, Hough transform algorithm, etc. The watershed segmentation algorithm is used to segment the disc and cup, and the area of the cup can be detected automatically. Finally, the ratio of cup to disc is obtained, which is compared with the traditional algorithm. The threshold segmentation algorithm is simpler and the calculation accuracy is higher. Then the traditional region growth algorithm is improved to detect and segment the viewing cup automatically. Considering that the traditional region growing algorithm is not accurate in selecting seed points. In this paper, the geometric center of ROI (region of interest) is calculated and the center luminance is used as the criterion of selecting seed points, and the mean value of the fundus image is filtered by the 5 ~ (5) template. The valley difference criterion and 8 neighborhood connectivity criterion are proposed to combine the seeds of the fundus image, and finally to segment the visual cup accurately. This method is applied in this paper. Fifteen glaucoma fundus images and 15 healthy eye fundus images in HRF database were detected. The experimental results show that the algorithm is fast. Compared with the traditional algorithm, the algorithm is stable and reliable, and has better accuracy, specificity and sensitivity.
【學位授予單位】：沈陽工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 馮河洋;李柏林;劉甲甲;陳少杰;;基于不同尺度增強融合的視網(wǎng)膜血管分割算法[J];傳感器與微系統(tǒng);2017年01期

2 朱研;易佐慧子;楊燕寧;;光學相干斷層掃描血管成像在慢性閉角型青光眼診斷中的應用[J];武漢大學學報(醫(yī)學版);2017年01期

3 楊洪玲;;青光眼患者生活質(zhì)量評估及相關(guān)因素的研究進展[J];山東大學耳鼻喉眼學報;2016年06期

4 劉靜坤;王霖邦;王兵;盛亞玲;賀靜;夢粉鴿;;生物信息法推算青光眼小鼠視乳頭及視網(wǎng)膜功能變化[J];國際眼科雜志;2016年11期

5 郭冉陽;;光學相干斷層掃描儀對原發(fā)性開角型青光眼患者早期診斷價值[J];新鄉(xiāng)醫(yī)學院學報;2016年08期

6 凌財進;曾婷;張超;黑霞麗;;一種改進的基于分水嶺的圖像分割算法[J];計算機測量與控制;2016年06期

7 高瑋瑋;程武山;王明紅;沈建新;左晶;;一種基于視網(wǎng)膜主血管方向的視盤定位及提取方法[J];激光生物學報;2016年03期

8 張少華;;自適應正則化活動輪廓模型[J];計算機應用;2016年06期

9 馬小力;陳禹jf;劉賢潔;李丹丹;張宏偉;寧宏;;頻域光學相干斷層掃描測量青光眼視網(wǎng)膜神經(jīng)纖維層厚度的可重復性研究[J];中國醫(yī)科大學學報;2016年03期

10 王沙娜;戴惟葭;;青光眼眼底形態(tài)學構(gòu)建及研究[J];醫(yī)學綜述;2016年02期

相關(guān)博士學位論文 前1條

1 楊文艷;云南少數(shù)民族地區(qū)青光眼五年發(fā)病率隨訪及盲和視力損傷的流行病學調(diào)查[D];昆明醫(yī)科大學;2016年

相關(guān)碩士學位論文 前10條

1 段彥華;眼底圖像中視杯分割和硬性滲出物檢測算法研究[D];北京工業(yè)大學;2016年

2 王穎;視網(wǎng)膜眼底圖像的快速魯棒視盤定位方法研究[D];湘潭大學;2016年

3 黃元康;基于圖像分割的青光眼眼底圖識別研究[D];云南大學;2016年

4 高振玉;基于C掃描圖的視盤OCT圖像運動偽差校正算法的研究[D];北京協(xié)和醫(yī)學院;2016年

5 吳婭莉;視網(wǎng)膜神經(jīng)節(jié)細胞估算值在青光眼評估中的應用研究[D];昆明醫(yī)科大學;2016年

6 買買提熱夏提·玉蘇甫;開角型青光眼視網(wǎng)膜神經(jīng)纖維層厚度與視野缺損的相關(guān)性研究[D];新疆醫(yī)科大學;2016年

7 邵一婷;彩色眼底圖像視盤自動檢測方法研究[D];天津工業(yè)大學;2016年

8 閆曉葳;基于隨機森林的視網(wǎng)膜圖像質(zhì)量評價[D];山東大學;2015年

9 董益;青光眼視功能評估和重建的相關(guān)研究[D];天津醫(yī)科大學;2015年

10 王玉萍;基于OCT圖像的青光眼病變定量分析研究[D];南京理工大學;2015年

，

本文編號：1502664