医学图像视网膜血管分割综述

haerxiluo

已于 2023-07-02 16:20:37 修改

阅读量4.5k

点赞数 15

分类专栏：机器学习文章标签：机器学习 python 人工智能深度学习计算机视觉

于 2023-07-02 15:01:46 首次发布

本文链接：https://blog.csdn.net/haerxiluo/article/details/131498799

版权

机器学习专栏收录该内容

5 篇文章 0 订阅

订阅专栏

文章探讨了视网膜血管分割在眼科疾病诊断中的重要性，尤其是对于糖尿病视网膜病变等疾病的早期检测。介绍了传统方法与基于深度学习的分割算法，如U-Net，以及面临的挑战，如血管尺度变化和复杂结构。未来的研究方向包括多模态图像融合和三维分割技术的应用。

摘要由CSDN通过智能技术生成

一、前言

每年，世界各地都有许多人因不同类型的眼病而失明。一般来说，全世界约有22亿人患有眼睛和视力问题。眼科疾病治疗的主要问题之一是在早期阶段发现疾病。有些人不容易接触到眼科医生。此外，有些人因为各种原因拒绝每年进行眼科检查。另一方面，从视网膜图像诊断眼部疾病是一项耗时、困难的任务，并且它会受到不同专家意见的影响。因此，需要一种智能系统，其自动从原始眼底图像中提取视网膜血管并将其提供给专家进行诊断和治疗。使用视网膜血管的图像来识别各种疾病，包括年龄相关性黄斑变性、糖尿病视网膜病变（DR）、心血管和青光眼。许多研究人员正在尝试从视网膜图像中自动分割血管，这种机制可以适当消除贫困和偏远地区缺乏眼科医生的情况。

1.1 人眼结构

![在这里插入图片描述](https://img-blog.csdnimg.cn/aa760bcc3e554085aabd8b4104f74367.png

人的眼睛结构非常复杂。眼睛的结构像一个球体。在眼球的前部有一个透明的窗口叫做角膜。进入角膜后，光线穿过瞳孔到达透镜。透镜将光线精确地聚焦在视网膜上，以创建清晰的图像。

视网膜（Retina）：覆盖在眼睛后面的最内层。来自外部世界的图像是在视网膜被翻译成用于大脑视觉理解的神经脉冲。

黄斑（macula）：视网膜上的一个椭圆形区域，负责中央视觉和看到详细的规格。黄斑是视网膜的感光部分，有助于直接和明显的视觉，以执行精确的任务。

视神经（optic nerve）：将视网膜的视觉信息传输到大脑的连接。

1.2 相关疾病

1.糖尿病性视网膜病变（Diabetic Retinopathy/DR）
2.青光眼（Glaucoma）
3.视网膜静脉阻塞（Retinal vein occlusion）

图2为视网膜正常情况与各种疾病的对比
在这里插入图片描述

二、应用场景及挑战

视网膜分割是一种计算机视觉技术，主要应用于医学图像处理领域。主要应用场景包括：

糖尿病性视网膜病变诊断：通过对眼底图像进行视网膜分割，可以有效诊断糖尿病患者的视网膜病变状况。

视网膜疾病检测和诊断：视网膜分割可用于检测和诊断多种眼部疾病，如青光眼、黄斑变性等。

视网膜图像分析：将视网膜图像进行分割可以提取各种解剖结构的信息，如血管和神经等。

视网膜图像检索：视网膜分割可用于构建视网膜图像数据库，并实现基于图像内容的检索。

视网膜手术辅助：通过对视网膜图像进行分割，可以为眼科医师提供更详细、准确的信息，以协助手术决策。

脑科学和认知研究：视网膜分割还可以用于脑科学和认知研究，研究大脑对视觉信号的处理机制。

面临的挑战：

视网膜血管准确自动分割难度较大原因在于:

1.视网膜血管的尺度变换大，其中有非常微小的毛细血管，最小直径仅有1~2个像素宽，对比度也比视网膜血管的主要动脉和静脉低
2.视网膜血管具有和树相似的复杂结构，比如分叉、交叉结构;
3.部分的视网膜血管存在微动脉瘤、渗出物等病变,增加了分割的难度。

三、具体流程

3.1 数据集

1.Drive（研究DR疾病）
所有的照片都有一个大小为768×584像素。

2.Stare
一半照片是健康视网膜，另一半包含患有不同类型疾病的视网膜。
每幅图像为700 × 605像素

3.HRF: High-Resolution Fundus Image Dataset
该公共数据集具有15张健康视网膜的照片、15张DR受影响视网膜的图像和15张青光眼受影响视网膜的图像

4.CHASE是英国200所小学的综合健康研究。它包含了14名学生的左右眼眼底图像28张，大小为1280 × 960像素。

在这里插入图片描述

3.2 预处理

在视网膜血管分割中，预处理方法是十分重要的，可以对图像进行降噪、增强、平滑等操作，从而提高分割的准确性和效率。

1）直方图均衡化（Histogram Equalization）：通过增加图像的灰度对比度，使图像中的血管结构更加突出。

2）中值滤波（Median Filtering）：对图像进行平滑处理，去除椒盐噪声和高斯噪声，从而提高分割的准确性。

3）高斯滤波（Gaussian Filtering）：使图像更加平滑，去除噪点和伪影，同时保留血管细节。

4）去除视神经头影（Optic Disc Removal）：在一些病例中，视神经头的影响会干扰血管的分割，因此可以使用预处理方法将视神经头从图像中去除。

5）CLAHE：是直方图均衡化的一种改进方法。CLAHE可以自适应地限制均衡化过程中的对比度增强，从而在保留图像细节的同时避免了过度增强的问题。

在这里插入图片描述

3.3 分割算法

现有的分割方法分为两大类：传统分割方法和深度学习方法。

深度学习方法与传统方法对比：
在这里插入图片描述

3.3.1 传统方法

无监督学习的分割方法是提取血管的固有拓扑结构特征，无需专家标记的血管信息，包括血管追踪、匹配滤波和水平集等。在经典的血管分割方法中，通过不同种类的图像处理技术来增强血管和背景像素之间的差异。

在这里插入图片描述

3.3.2 基于深度学习

随着深度神经网络的发展，在医学图像处理领域取得了良好的效果。因此，基于深度学习的算法在视网膜血管分割得到重视与应用。

在这里插入图片描述

深度学习论文方法总结：

在这里插入图片描述

四.未来方向

视网膜血管分割依赖于单一模态的眼底图像，然而多种模态图像的结合有助于提高准确性。因此，如何将不同模态图像结合起来，成为未来研究的一个方向。此外目前大部分视网膜分割算法是基于二维图像处理的，但是三维视网膜分割可以提供更加完整的信息，从而帮助医学专家进行更加准确的诊断和治疗。最后，深度学习方法特别是vision transformer的引入也是未来算法改进的途径。

参考资料

[1]梁礼明,詹涛,雷坤等.多分辨率融合输入的U型视网膜血管分割算法[J].电子与信息学报,2023,45(05):1795-1806.
[2]梁礼明,阳渊,朱晨锟等.融合Mobile Vit和倒置门控编解码的视网膜血管分割算法[J/OL].北京航空航天大学学报:1-14[2023-07-02].https://doi.org/10.13700/j.bh.1001-5965.2023.0088.
[3]Ronneberger, O., P. Fischer, and T Brox. U-net: Convolutional networks for biomedical image segmentation. In: International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015
[4]Annals of Biomedical Engineering, Vol. 50, No. 10, October 2022 (Ó 2022) pp. 1292–1314 https://doi.org/10.1007/s10439-022-03058-0