DIY编程器网

标题: 眼底造影图像分割算法的研究与对比 [打印本页]

作者: admin 时间: 2014-10-12 21:02
标题: 眼底造影图像分割算法的研究与对比
眼底即视网膜，位于眼球最内层，是视觉神经功能的重要组织部分，眼底组织结构的病变与全身组织器官和系统疾病，尤其是与中枢神经系统与血管系统等疾病联系紧密。眼底荧光血管造影FFA（Fundus Fluorescence Angiography）是眼科临床诊治眼底病的特殊检查技术，是眼底病检查、诊断最重要的手段之一[1].通过对FFA所得到的图像进行数字化处理，可反映眼底血管结构、血流动力学改变、血管病理生理变化及其相关结构的病理改变，广泛应用于视网膜、脉络膜及视神经疾病的鉴别诊断，并可指导眼底病的激光光凝治疗及推测视功能预后，从而为临床诊断、预后评价、治疗、疗效观察以及探讨发病机理等提供有价值的依据。本文分别利用阈值分割法与BP神经网络算法对眼底造影血管图像及眼底病变区域图像进行分割与对比，使临床医生可以得到病变面积的较精确的测量数据，观察到更细微的血管变化，为与此相关的心、脑血管系统和糖尿病的诊治提供重要依据。

1眼底造影图像的阈值分割方法

阈值分割法的步骤描述如下：（1）从原始医学图像的起始像素点开始，依次取出每一个像素点的像素值；（2）将这些像素点的值与预设阈值相比较，大于阈值的像素点组成的区域就是要分割的目标区域，将这些区域单独分离出来，就得到要分割的目标[2].

阈值分割法可分为半自动阈值分割法和自动阈值分割法。半自动阈值分割法是指利用人工方法设定阈值和改变阈值，这种方法运算量小，速度快，但自适应能力差。自动阈值分割法是通过图像处理的方法自动得到阈值，并随着不同的分割图像自动改变阈值。这种方法自适应能力强，但速度较慢。其中，最常见的算法是基于最大熵的自动阈值分割，下面对该方法进行详细介绍。

熵是对事物所携带信息量的度量，事物发生的概率越小，则该事物所携带的信息量越大。设某事物A发生的概率为p，则事物A的熵H（A）定义为：

为了减少运算量，提高算法的速度，在算法的实现中采用了二维快速傅里叶正反变换。由于低频背景和极高频噪声得到衰减，在反变换后的图像中病变的灰度值得到相对增强，明显高于周围的背景灰度值，这样可以较容易地分离病变和背景，因此，经过傅里叶正反变换病变得到增强的图像，灰度值可以作为输入特征进行提取。

利用上述方法获得样本图像的方差、残差和灰度特征，归一化后组成输入特征向量，输入到如图1所示的神经网络分类器，利用神经网络BP训练算法进行训练。训练完毕后，输入待分类的眼底荧光图像，提取图像特征，并进行归一化处理。将归一化后的特征值输入已训练的神经网络分类器进行分类，根据分类结果就可得到眼底荧光图像中的目标区域。

3实验结果分析与对比

图4所示为视网膜血管图像分割结果，其中图4（d）为基于最大熵的阈值方法分割后的血管图像，图4（e）为基于神经网络分割后的血管图像。图5所示为视网膜病变区域分割结果，其中图5（d）为基于最大熵的阈值方法分割后的图像，图5（e）为基于神经网络分割后的图像。对比两种不同的分割方法可以发现，基于阈值的分割方法运算速度较快，采用神经网络方法分割后的图像噪声更小，图像更清晰。

参考文献

[1]文峰。浅谈眼底血管造影的临床释义[J].中华眼底病杂志，2001，3（17）：67-68.

[2]章毓晋。图像分割[M].北京：科学出版社，2001.

[3] Gao Ning， Shao Lushou. Application of BP neural network prediction nodel on corps pests level by MATLAB [J]. Computer and Agriclture，2003，7：16-18.

[4]王传永，孙杰，陈辉，等。基于BP神经网络的血液图像细胞色彩分割[J].光电子。激光，2005，16（12）：1506-1509.

[5]杨治明，王晓蓉，彭军，等。BP人工神经网络在图像分割中的应用[J].计算机科学，2007，34（2）：234-236.

[6]周志华，曹存根。神经网络及其应用[M] .北京：清华大学出版社，2004.

欢迎光临 DIY编程器网 (http://diybcq.com/)