【摘要】：視網(wǎng)膜眼底圖像中的生理結(jié)構(gòu),無需創(chuàng)傷就可以直接通過照相儀器觀察到正常的血管、視盤以及可能存在的病變,對(duì)于臨床醫(yī)學(xué)具有重要的研究參考價(jià)值。眼底圖像中血管的粗細(xì)、視盤的大小和亮度變化,都在一定程度上反映了人體機(jī)能的改變。糖尿病視網(wǎng)膜病變作為糖尿病引起的一種視網(wǎng)膜病變,是世界三大致盲眼病之一。因此,視網(wǎng)膜眼底圖像生理結(jié)構(gòu)的識(shí)別,以及潛在病變特征的篩查,對(duì)于降低糖尿病視網(wǎng)膜病變導(dǎo)致的失明具有重要意義。本文結(jié)合視網(wǎng)膜眼底圖像的研究熱點(diǎn),基于MATLAB實(shí)現(xiàn)了眼底圖像的血管分割、視盤定位,以及病變眼底圖像的硬性滲出物檢測(cè),主要研究內(nèi)容如下:(1)研究并實(shí)現(xiàn)了一種基于半訓(xùn)練廣義線性模型的視網(wǎng)膜血管分割方法。首先采用CLAHE增強(qiáng)、均值濾波以及多尺度Gabor小波變換對(duì)綠色通道圖像進(jìn)行預(yù)處理,其結(jié)果血管特征突出且背景噪聲較弱。隨后基于廣義線性模型,提取預(yù)處理圖像半幅圖像的Gabor特征,訓(xùn)練模型并用于整副圖像的分割。最后結(jié)合綠色通道的灰度最大值進(jìn)行后處理,降低噪聲。將本文方法在DRIVE數(shù)據(jù)庫上進(jìn)行驗(yàn)證,實(shí)驗(yàn)顯示平均準(zhǔn)確率為0.9455、靈敏度為0.8724、特異性為0.9337。該方法針對(duì)半幅圖像進(jìn)行訓(xùn)練,彌補(bǔ)了傳統(tǒng)機(jī)器學(xué)習(xí)分類器可能不適用于所有圖庫的缺陷,實(shí)驗(yàn)結(jié)果證明靈敏度遠(yuǎn)高于其他基于分類的算法,在正常眼底圖像和病變眼底圖像中均取得了較好的分割效果。(2)研究并實(shí)現(xiàn)了一種基于背景減除和霍夫圓檢測(cè)的快速視盤分割方法。在預(yù)處理階段,采用AHE圖像增強(qiáng)和形態(tài)學(xué)開運(yùn)算對(duì)紅色通道圖像進(jìn)行處理;隨后結(jié)合紅色通道均值濾波結(jié)果實(shí)現(xiàn)背景減除,得到視盤的陰影圖像。在定位階段,結(jié)合視盤大小比例以及血管分割結(jié)果雙重篩查陰影圖像中的視盤候選區(qū)域,并基于霍夫圓檢測(cè)實(shí)現(xiàn)視盤定位及分割。結(jié)合HRF眼底圖庫進(jìn)行驗(yàn)證,本文方法取得了 0.87的平均重疊指數(shù);結(jié)合自定規(guī)則對(duì)DRIVE數(shù)據(jù)庫以及糖尿病視網(wǎng)膜病變常用數(shù)據(jù)DIARETDB0和DIARETDB1眼底圖庫進(jìn)行視盤分割,取得了 100%、96.15%和95.51%的準(zhǔn)確率。該方法結(jié)合視盤與背景亮度差異實(shí)現(xiàn)視盤定位,分割速度快,準(zhǔn)確率高,在糖尿病視網(wǎng)膜病變圖像中也具有良好的適用性。(3)研究并實(shí)現(xiàn)了一種基于CMY品紅通道動(dòng)態(tài)閾值分割的支持向量機(jī)硬性滲出物檢測(cè)方法。首先提取眼底圖像CMY色彩空間的M通道圖像作為預(yù)處理圖像,結(jié)合其直方圖面積進(jìn)行閾值分割,并基于本文視盤分割方法剔除視盤,獲取滲出物檢測(cè)的候選區(qū)域。最后提取DIARETDB1圖庫眼底圖像的滲出物候選區(qū)域24維特征構(gòu)造SVM,進(jìn)行模型訓(xùn)練和測(cè)試集驗(yàn)證。本文方法在基于病變區(qū)域的評(píng)價(jià)標(biāo)準(zhǔn)中取得了93.91%和95.7%的敏感度及預(yù)測(cè)率;在基于圖像的評(píng)價(jià)標(biāo)準(zhǔn)中平均靈敏度為100%,特異性為89.3%,平均準(zhǔn)確率為94.6%。該方法結(jié)合滲出物的顏色特征進(jìn)行預(yù)處理,采用傳統(tǒng)機(jī)器學(xué)習(xí)方法取得了較高的預(yù)測(cè)率和準(zhǔn)確率,避免了深度學(xué)習(xí)方法需要大量數(shù)據(jù)支撐的弊端。
【圖文】：

．丨丨前對(duì)ｆ糖尿病視Ｎ膜病變的診斷主要有散瞳眼底圖像檢查、眼底熒光血管造逡逑影、Ｂ超檢查等早期醫(yī)生通過觀察視卜彳膜眼底圖像，人工識(shí)別有無異常病變區(qū)逡逑域并結(jié)合臨床經(jīng)驗(yàn)來進(jìn)行診斷和篩查。人工篩查的方式不僅效率低下，而且會(huì)因?yàn)殄义细鞣N主觀原因產(chǎn)生誤診。逡逑隨著計(jì)算機(jī)和人工智能技術(shù)的不斷進(jìn)步，近年來結(jié)合計(jì)算機(jī)閿像處理的輔助診逡逑

底圖像中的血管是人體內(nèi)唯一可以無創(chuàng)傷觀察到的血管，因此，實(shí)現(xiàn)對(duì)視網(wǎng)膜眼底生理特征的定位和識(shí)別，在臨床上具有重大血管分割結(jié)果不僅可以提高視盤定位的準(zhǔn)確性，而且可以為糖測(cè)提供更多的參考依據(jù)。逡逑言，目前的視網(wǎng)膜血管分割方法，簡單快捷的如基于窗口和追快，但準(zhǔn)確率有待提高。相反，基于分類的方法雖然準(zhǔn)確率較練分類模型，導(dǎo)致分割效率較低。此外，不同的眼底圖庫光照較大，，因此根據(jù)特征訓(xùn)練的分類器難以匹配所有的圖像庫。針出一種基于半訓(xùn)練廣義線性模型的視網(wǎng)膜血管分割方法：首先，與均值濾波后的差值圖像作為初步分割圖像；其次，結(jié)合多尺度管增強(qiáng)，疊加在初步分割圖像上以增大血管和背景的像素差并減義線性模型，結(jié)合Ｇａｂｏｒ?yàn)V波提取預(yù)處理圖像的下半幅圖像特征，像；最后，通過濾除分割結(jié)果中灰度值小于綠色通道灰度最大值１現(xiàn)一種簡單高效的噪聲過濾，得到精確的視網(wǎng)膜血管分割結(jié)果。圖所示：逡逑ｆ邋＊始視網(wǎng)？逡逑
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;R770.4

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 肖志濤;王雯;耿磊;張芳;吳駿;趙北方;張欣鵬;蘇龍;陳莉明;單春燕;;基于背景估計(jì)和SVM分類器的眼底圖像硬性滲出物檢測(cè)方法[J];中國生物醫(yī)學(xué)工程學(xué)報(bào);2015年06期

2 王曉紅;趙于前;廖苗;鄒北驥;;基于多尺度2D Gabor小波的視網(wǎng)膜血管自動(dòng)分割[J];自動(dòng)化學(xué)報(bào);2015年05期

3 單玲玉;閔鋒;李延達(dá);;全局閾值與局部閾值相結(jié)合的視網(wǎng)膜血管分割方法[J];武漢工程大學(xué)學(xué)報(bào);2015年03期

4 姜平;竇全勝;王晶;;基于局部自適應(yīng)點(diǎn)特異度閾值的眼底圖像血管分割方法研究[J];南京大學(xué)學(xué)報(bào)(自然科學(xué));2015年01期

5 潘燕紅;潘林;;基于SVM的眼底圖像硬性滲出檢測(cè)[J];計(jì)算機(jī)與現(xiàn)代化;2014年04期

6 高向軍;;基于多尺度線性檢測(cè)的視網(wǎng)膜血管分割[J];科學(xué)技術(shù)與工程;2013年23期

7 高瑋瑋;沈建新;王玉亮;;RBF神經(jīng)網(wǎng)絡(luò)和閾值分割實(shí)現(xiàn)視網(wǎng)膜硬性滲出自動(dòng)檢測(cè)[J];中國圖象圖形學(xué)報(bào);2013年07期

8 美麗巴努·玉素甫;陳雪藝;;視力損害的流行病學(xué)研究[J];國際眼科雜志;2010年02期

相關(guān)碩士學(xué)位論文 前7條

1 蔡震震;糖網(wǎng)病輔助診斷的眼底圖像處理研究[D];西南交通大學(xué);2018年

2 馮河洋;視網(wǎng)膜血管圖像分割算法的研究[D];西南交通大學(xué);2017年

3 孫妤U

本文編號(hào)：2618480