基于多方向特征和連通性檢測的眼底圖像分割

摘要：針對眼底圖像中存在大量不規(guī)則、噪聲干擾嚴重、邊界模糊、分割難度較大的細小血管的問題，提出一種基于多方向特征和連通性檢測的眼底圖像分割方法MDF_Netamp;CD（Multi-Directional Features neural Networkand Connectivity Detection）。設計了一個以像素點不同方向特征向量為輸入的深度神經網絡模型MDF_Net（Multi-Directional Features neural Network），利用MDF_Net對眼底圖像進行初步分割；提出連通性檢測算法，根據血管的幾何特征，對MDF_Net的初步分割結果進一步修訂。在公開的眼底圖像數據集上，將MDF_Netamp;CD與近期有代表性的分割方法進行實驗對比，結果表明MDF_Netamp;CD各項評估指標均衡，敏感度、F1值和準確率優(yōu)于其他方法。該方法能有效捕捉像素點的細節(jié)特征，對不規(guī)則、噪聲干擾嚴重、邊界模糊的細小血管有較好分割效果。

關鍵詞：眼底血管分割；多方向特征；連通性檢測；深度神經網絡

中圖分類號：TP391. 41 文獻標志碼：A

0 引言

眼底圖像分割是對眼底血管結構進行提取的關鍵技術。通過觀察血管分布和動靜脈管徑，可對糖尿病、高血壓和動脈硬化等多種疾病進行早期診斷。由于眼底視網膜圖像中的血管結構復雜，傳統(tǒng)的人工分割工作量大，依賴于分割者的主觀經驗，影響臨床診斷的一致性和可靠性。

隨著計算機技術的不斷發(fā)展，利用智能算法實現眼底圖像的自動分割，為醫(yī)生提供一致、可靠的影像分析結果，已經成為計算視覺和醫(yī)學影像處理領域的研究熱點。近年來，由于能有效地學習和提取圖像的特征表示，無需人工干預，且具有較高的分割精度和泛化能力，基于深度學習技術的眼底圖像分割方法不斷涌現，逐漸成為當前眼底圖像分割領域最重要的技術手段。……