本文是一篇计算机论文,计算机论文是计算机专业毕业生培养方案中的必修环节。学生通过计算机论文的写作,培养综合运用计算机专业知识去分析并解决实际问题的能力,学有所用,不仅实践操作、动笔能力得到很好的锻炼,还极大地增强了今后走向社会拼搏、奋斗的勇气和自信。(以上内容来自百度百科)今天为大家推荐一篇计算机论文,供大家参考。
第 1 章 绪论
随着计算机硬件及软件技术的飞速发展,计算机在各行业领域的应用日益广泛,形成了以计算机技术为辅助的诸多交叉学科。医学影像学即是其中之一,医学影像作为医生诊断疾病的重要依据之一,其自动分析处理技术的发展近年来引起了行业学者的极大兴趣,提出的各种理论和相关算法在医学界得到广泛应用,并取得了不错的处理结果,对医学技术的进步有较大的推进作用。眼底图像是由眼底照相机获取的视网膜影像,能够直接反映眼底的血管分布状况。通过观察眼底血管的粗细、弯曲度等结构变化,能够对高血压、糖尿病等相关疾病以及眼底病变的发展阶段做出辅助诊断。众所周知,疾病诊断地越早,治愈的几率越高,因此眼底图像作为人体能够直接观察到的血管结构,引起了眼科医生的重视,同时对眼底图像的自动分析处理技术的需求日益增加,以期代替医生完成对眼底视网膜图像的视盘及血管的分割与变化分析,为医生诊断疾病提供辅助信息。眼底图像结构复杂,如果图像对比度不高,噪声较多,对血管和视盘等的自动分割精度会造成较大影响,因此眼底图像分割结果的好坏很大程度取决于眼底图像获取的质量,即成像设备的性能。
1.1 眼底成像设备及应用
1.1.1 成像设备
医学图像是通过成像设备对相关部位进行拍摄而成,根据拍摄部位的不同,成像设备也分成了不同的类别,而眼科成像设备主要是对眼部器官进行拍摄得到图像以供进一步检查,根据检查部位的不同,眼科成像设备分为眼前节成像设备、眼底成像设备、眼球与眼眶成像设备等。表 1.1 列出了一些主要的眼科成像设备及相关应用。眼底照相机用于拍摄视网膜、脉络膜、黄斑和视神经等内眼后组织结构,经拍摄得到的眼底图像可以直接观察视盘、血管和黄斑等,可以对各种相关疾病引发的眼底病变提供辅助诊断信息。因此眼底图像及其分析处理技术在医学临床诊断的应用日益广泛,而由于获取的眼底图像质量对图像处理的结果有较大影响,因此对于眼底照相机性能也有较高的要求,随着现代科学技术水平的发展,眼底照相机的性能参数也得到了大幅提升,极大降低了后续的视盘和血管分割难度。图 1.1 中列出了由眼底照相机获取的几种常见的眼底图像,(a)为健康眼底图像,(b)为老年性黄斑变性图像,(c)为糖尿病视网膜病变图像,(d)为青光眼图像。
........
1.2 眼底图像分析处理技术的研究现状
1.2.1 研究背景
相关统计资料显示,非传染性眼病容易致盲,按照致盲率排序依次为:白内障(46.1%),角膜病(15.4%),沙眼(10.7%),青光眼(8.8%),眼底病(8.4%),先天和遗传性眼病(5.1%),屈光不正和弱视(2.9%),眼外伤(2.6%)。沙眼患者随着医疗技术的进步日趋减少,而白内障、眼底病和青光眼患病率明显增加[2]。我国眼底病的基础研究工作主要以视网膜脱离、眼外伤、视网膜静脉阻塞、糖尿病视网膜病变等为研究内容,虽然取得了一些研究成果,但多数工作处于起步阶段。眼底图像是观察血管特征的重要信息来源,许多全身性疾病如心血管疾病、糖尿病、青光眼等,均可反映到人眼中的血管变化,从视网膜血管的改变可以判断患者病变的程度,从而对相关疾病的诊断给出有效的辅助信息。随着计算机硬件和软件技术水平的飞速提高,图像处理技术也得到了较快的发展,而医学图像也成为图像处理技术中重要的研究内容。眼底血管图像是观察眼底血管特征的重要参考,已经有近 20 年的研究历史[3],其分析处理技术取得了较大的发展,已有诸多成果应用到医学诊断领域,并取得了不错的效果。
..........
第 2 章 眼底结构及相应的图像处理技术
眼底包括视网膜、视盘和视网膜中央动脉和静脉血管(如图 2.1 所示)。视网膜专门负责感光成像,其感觉层由三级神经元组成,第一是感光细胞层,负责感光,它包括视杆细胞和视锥细胞。视杆细胞主要在离中心凹较远的视网膜上,而视锥细胞则在中心凹处最多。第二是双极细胞,约有 10 到数百个感光细胞通过双节细胞与一个神经节细胞相联系,负责联络作用。第三是神经节细胞层,负责传导视觉信息。视网膜位于眼球壁的内层,由色素上皮层和视网膜感觉层组成。黄斑是视网膜后极部的小凹陷区,直径约2 毫米,呈浅漏斗状,黄斑中央有一小凹为黄斑中心凹,该区域没有血管,但由于色素上皮细胞中色素较多,导致黄斑区域颜色较暗,中心凹处的反光点称为中心凹反射,它是视网膜上视觉最敏锐的部位。视盘也称视乳头,直径约为 1.5 毫米,位于黄斑区颞侧约 3 毫米处,淡红色,在眼底图像中亮度最高,呈椭圆形状,视觉纤维在视盘上汇集并穿出眼球向视中枢传递。视盘中央存在一处小凹陷区,称为视杯,由于没有感光细胞,没有视觉,因此视盘是生理性的盲点。进入眼底后,视网膜中央血管分成颞上、颞下、鼻上、鼻下四支,然后又生出许多小的分支,动脉呈鲜红色,较细,静脉呈暗红色,较粗。
2.1 眼底图像预处理
眼底图像结构复杂多变,且由于光照不均、对比度弱及噪音干扰问题,眼底图像清晰度往往不高,视盘和血管等的边缘不明显,使得后续的识别分割较为困难。因此首先需要对眼底图像进行预处理以消除噪音、增强目标和背景对比度等,提高图像辨识度,改善图像处理与分析的结果。目前关于眼底图像的预处理主要包括去噪和图像对比度增强。图像噪声主要包括高斯噪声和脉冲噪声等,可以使用均值滤波等线性滤波器和适合于脉冲噪声的中值滤波等非线性滤波器进行去噪处理。通过去除噪音,增强分割所需要的图像特征信息,可以加快图像处理速度,保证后续处理算法的精度和鲁棒性。通常情况下,我们要处理的眼底图像都有噪声,这无疑会影响视盘及血管的分割与分析。因此需要进行有效的平滑去噪预处理,传统的滤波方法在各自适应的图像环境中,能够有效的减少甚至去除噪音,以保证后续的分析处理结果的准确性。
.......
2.2 眼底图像分割技术
关于眼底图像的研究已经有 20 多年的历史,研究内容主要包括:视网膜视盘定位及分割、视网膜血管分割、病变检测、血管和病变的定量分析、多幅眼底图像的配准与拼接以及眼底结构的三维重建等。眼底结构的目标(如视盘、血管等)参数测量可以用来辅助诊断某些疾病、跟踪疾病的发展过程,并评价治疗效果。因此眼底图像中视盘和眼底血管等重要目标结构的分割与参数测量一直是研究的热点问题。视盘是眼底图像中的一个重要结构,其形状、面积和深度等参数是衡量眼底健康状况的重要指标,视盘准确定位及精确分割是实现视网膜疾病诊断和视网膜特征识别的前提和关键步骤。视盘分割技术可以分为如下几类:基于特定理论(如数学形态学)、基于边缘(灰度不连续性)和基于区域(灰度相似性)。基于区域和边缘的分割方法较为简单,但是如果图像的对比度较低,则无法实现视盘等目标的精确分割,因此需要综合各种算法的优势并加以改进。
..........
第 3 章 视盘定位及分割技术.............32
3.1 基于形态学方法定位视盘......... 32
3.2 视盘初始分割 .... 35
3.3 视盘精确分割 .... 38
3.4 实验和结论 ........ 39
第 4 章 基于局部自适应阈值的眼底图像血管分割方法 ...............41
4.1 预处理.... 41
4.2 点特异度定义及相关理论分析............. 43
4.3 应用梯度下降基于点特异度进行血管分割 ..... 44
4.4 血管分割后期处理 ........ 47
4.5 实验及算法性能评价 .... 50
4.6 结论........ 52
第 5 章 基于自适应分类策略的眼底图像血管分割方法 ...............54
5.1 引言........ 54
5.2 点特异度新定义 ............ 55
5.3 基于点特异度阈值的主血管分割 ......... 56
5.4 多主体自适应像素分类............. 58
5.5 双层窗口去噪 .... 61
5.6 血管分割算法 SSVD........ 63
5.7 实验及结论 ........ 64
第 5 章 基于自适应分类策略的眼底图像血管分割方法#p#分页标题#e#
5.1 引言
诸多疾病会导致眼底血管形态或结构的变化,如高血压会引起血管粗度、曲度和分支等的变化[91][92],糖尿病视网膜病变会引发眼底新血管增生[93-95]。疾病发现越早,治愈几率越高,因此眼底血管结构变化的早期检测对于防治相关疾病具有重要意义。眼底血管结构复杂,经常出现如血管临近、分支和交叉以及血管中央高亮等特殊形态,现有的眼底图像分割方法在对这类特殊血管的处理上大多存在一定的局限性,如图5.1中所示,黑色矩形包含两条临近血管,黑色椭圆内为血管交叉区域,黑色箭头指示视盘区域,白色椭圆中为中央高亮反射血管,白色矩形中包含了细小血管。图 5.1(b)显示,Staal 等[31]将眼底血管分割完毕之后,部分视盘轮廓被误分割为血管,而且存在血管间断不连通的问题;同时如图 5.1(c)所示,Soares 等[21]的分割结果中,部分临近血管被合并成一条血管。文献[19]和文献[21]的分割结果中部分细小血管被遗漏,对中央高亮区域的分割也不准确。图 5.1(d)为 Ricci[49]提出的基于直线算子的血管分割效果,可以看出直线算子容易导致血管间断,而且对于部分血管交叉区域的识别结果不准确;图5.1(e)为Ricci[49]提出的基于支持向量机的血管分割效果,可以看出与直线算子相比,血管连通性较好,但部分细小血管仍会被遗漏。基于反应式 Agent 系统,Liu 等[96]提出了大脑 MRI 图像分割方法, 4 种不同类型的Agent 的行为只取决于对图像的局部感知,Agent 之间不直接相互作用,而是根据像素与不同类别区域的归属等级对像素进行分类标注。基于情景和协同 Agent 的分层体系结构,Richard 等[97]提出 MRI 脑部图像的处理算法,不同层级的 Agent 之间相互作用以完成低级分割任务。由于脑部结构不同区域特征较为规律,因此文献[96,97]取得了较好的图像分割结果,然而眼底血管结构复杂多变,因此二者对血管分割是否有效有待确定。依据认知体系结构,Bovenkamp 等[98]提出应用多 Agent 系统分割血管内超声图像,基于知识实现低级图像处理的高级控制,不过没有提出相应的 Agent 方法以处理不确定区域和噪音数据。
........
总结
本文对眼底图像分割技术进行了深入研究,从图像预处理、视盘分割及定位、眼底血管分割等几个方面入手,相对于目前的眼底图像分割算法,本文所述方法具有更好的分割效果。眼底图像主要包括视盘和血管两大结构,图像在获取过程中容易受到光照不均和噪音等的影响,导致清晰度下降,对比度较弱,不能直接作为图像分割的输入,因此需要进行预处理。基于像素的邻域灰度状况,本文提出局部自适应滤波方法,取特定大小的滑动窗口,分析窗口内像素灰度分布情况,并据此判断窗口内像素是否属于同一类别,若是,则计算中心像素灰度与窗口内其他像素灰度均值的差异,若差异超过阈值,则认定中心像素为噪声,取邻域像素颜色均值代替,实现去噪。基于邻域上下文,可以自适应的滤除噪音点,避免全局统一滤波,从而能够保留图像的边缘细节,利于后续的图像处理。眼底图像对比度较弱,造成视盘及血管的边缘分割较为困难,因此采用限制对比度自适应直方图均衡化(CLAHE)来实现眼底图像对比度增强。CLAHE 能够有效的增强眼底图像的对比度,有助于提高图像分割的准确度和效率。视盘作为眼底图像中的一个重要结构,其准确定位是实现视网膜疾病诊断和视网膜特征识别的前提和关键。本文提出基于灰度和数学形态学的视盘自动定位及精确分割方法,视盘区域像素灰度较之其他区域要高的多,依据视盘灰度特点,首先对眼底图像像素灰度进行统计,建立灰度直方图,计算灰度阈值,选择灰度高于阈值的像素作为视盘候选像素点。因此根据视盘形状和大小定义特定维度的结构元素,利用形态学方法对视盘进行定位,然后通过形态学膨胀、区域填充、最小包围圆确定、视盘内部血管清除及边缘片段连接等操作,完成视盘的精确分割,相对于 Viranee T.等[87]的基于 PCA 和 GVF主动轮廓模型方法,本文方法高效且分割精度更高。
..........
参考文献(略)