论文部分内容阅读
人眼球结膜微血管的形态结构能够反映高血压、冠心病和糖尿病等心血管疾病的严重程度,通过对球结膜微血管的形态特征和数量等属性进行筛查,能够辅助医师诊断患者的病情。由此可见,微血管分割的准确性至关重要。在临床中,球结膜微血管分割常采用手动分割的方式,这种方式受人为因素影响且耗费时间较长,无法满足大规模眼底图像处理的要求。因此,利用计算机辅助找到能够高效、精准的微血管图像分割算法,实现血管图像的自动分割技术,对提升医生对血管疾病的诊断效率、减少医疗成本等方面起着重要的作用。目前研究学者提出了许多关于微血管图像分割的方法,虽然取得了一定程度的成效,但是对分割的准确度方面仍有待进一步提高。基于此,本文提出了非监督学习和监督学习两种微血管显微图像分割算法,并将算法应用在本文采集到的微血管显微图像进行实验。主要工作如下:1.针对活体微血管显微图像中血管连续性差、血管边缘与组织界限不清晰和视场照度不均匀的问题,本文提出了一种模糊聚类水平集(Fuzzy Clustering with Level Set Method,FCMLSM)的分割算法。该算法首先利用模糊C均值聚类算法(Fuzzy C-means Clustering,FCM)对预处理后的微血管图像进行分割操作,获得图像中感兴趣区域的初始轮廓,将其结果利用改进水平集算法,实现微血管显微图像的精准分割。该算法有效解决了水平集算法需要手动初始化轮廓的问题,提高水平集算法分割的精准度。将算法应用于本文采集的弱虚焦微血管显微图像进行分割处理,实验结果表明,本文算法分割结果较为理想,具有效率高、抗噪性好和图像分割精准等优点。2.为了进一步提高弱虚焦微血管显微图像分割算法的精准度和自动化程度,本文在原始U-Net网络中添加密集连接网络和注意力机制,提出了一种Attention-Dense-UNet(AD-UNet)的微血管显微图像分割算法。添加密集连接网络能够更充分利用各层的特征信息,并且有效解决梯度扩散等问题;引入注意力机制能够更好的进行感兴趣区域定位,从而提高算法效率。本文算法在常用的眼底图像数据集DRIVE和STARE上测试,其准确率分别达到0.9663和0.9684,并且该算法较好的解决了微小血管分割不足的问题,证明了本文算法的分割优势。将AD-UNet算法应用到分割本文采集的弱虚焦微血管显微图像,分割结果表明,该算法能够得到较理想的分割结果。