医学影像学及相关分析处理技术已经在医学领域得到了广泛应用,并逐渐发展成为临床诊断和治疗的重要依据。其作为辅助诊疗的关键,具有重要的研究和应用价值。眼底图像是眼科中通过眼底照相机获得的一种诊断影像,对眼底图像进行分析处理可以发现血管结构的变化,从而为糖尿病、高血压等引起的眼底病变的诊断和治疗提供辅助信息。由于眼底图像结构复杂多变,在对其自动分析处理方面取得的能够实际应用的研究成果不多,仍然有一些技术瓶颈需要突破。因此论文从眼底图像预处理、视盘定位及分割、血管分割等问题入手,主要进行以下几个方面的研究工作。1.眼底图像视盘边缘较为模糊,血管较细,由于图像噪音、光照不均、目标背景对比度弱等原因,难以实现对二者的精确分割。本文提出专门针对眼底图像结构及灰度特征的图像去噪方法。传统的去噪是对整幅图像进行统一处理,在滤除噪音的同时也会造成图像分割目标边缘细节的丢失,从而导致分割结果的不准确和不完整。因此提出局部自适应滤波方法,对于每一个像素,以其为中心取邻域,并分析该邻域中像素灰度分布状况,若邻域内像素灰度差异在一定范围内,则认为该邻域像素属于同一类别,若中心像素灰度与邻域像素平均灰度之差大于预设的阈值,则认为该像素是噪音点,以邻域像素颜色均值代替实现去噪,否则不进行滤波处理。局部自适应滤波根据邻域环境状况判断是否对像素进行平滑处理,能够有效地去除图像中的椒盐噪声,同时可以保留图像的边缘细节。2.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,由于图像边缘模糊、光照不均等问题,难以对视盘进行定位及精确分割。本文首先对图像灰度分布情况进行统计,针对每幅图像,自适应确定一个灰度阈值,灰度高于阈值的像素被标注为视盘候选区域点,根据视盘的大小定义结构元素,借鉴腐蚀运算机理寻找视盘位置实现视盘定位。以视盘中心点为圆心,确定一个能够完全包含视盘的最小包围圆,清除圆内血管,学习视盘边缘点灰度特征,选取符合特征的像素点作为视盘边缘,完成对视盘的精确分割。与传统的主动轮廓模型方法相比,本方法无需人工干预,其效率更高,边界提取更准确。3.本文提出基于点特异度的眼底血管分割方法。以灰度为基础给出点特异度的定义,为图像中每一个像素计算点特异度值。由点特异度定义可知,如果一个像素的点特异度值较大,则该像素有较大的概率属于血管,否则有较大的概率属于背景。以该理论为依据,针对不同类型的眼底图像,分别提出两种血管分割方法。(1)基于局部自适应阈值的眼底血管分割方法。眼底图像在获取过程中由于光照不均,会造成图像的各个区域灰度分布差异较大,若按同一标准进行血管分割,会导致分割准确度的下降;而且如果图像中存在较多的椒盐噪声,会对细小血管的分割造成干扰。针对上述问题,首先对图像进行局部自适应滤波处理消除椒盐噪声,然后设置点特异度阈值对血管进行预分割,将图像分成互不重叠的16′16的小区域,对每一个小区域,应用梯度下降自适应地计算其局部点特异度阈值,并用于小区域的血管分割。最后将所有小区域的分割结果合并得到整体分割结果,通过噪音去除、集群感知搜索遗漏血管像素和间断血管片段连接,最终得到完整的血管结构。(2)基于自适应分类策略的眼底血管分割方法。不同眼底图像之间灰度分布或其他结构特征会有差别,有些眼底图像,视盘区域灰度较大,视盘边缘显著,容易被误分割为血管;有些图像对比度不高,部分血管边缘细节较为模糊,血管中心存在高亮区域;有些图像中存在较多的病变区域,灰度较低,容易被误分割为血管等。针对上述问题,将血管分割任务分3阶段实现,首先基于点特异度和血管概率之间的关系,将点特异度阈值设置较高,大于阈值的像素提取出来作为主血管,然后运用自适应分类策略对剩余像素进行分类,将剩余的每个像素作为一个Agent,在多尺度点特异度阈值范围内,根据邻域Agent状态修订自身状态,逐步完成对像素的分类,最后通过双层窗口去噪对噪音进行滤除实现对图像血管结构的分割。4.设计并训练了一种卷积神经网络,能够同时分割视盘和血管。在分割之前首先对眼底图像进行归一化以保证所有图像背景亮度和对比度的一致性。对于眼底图像的每个有效点,提取有效点三个不同尺度的邻域构成三通道输入前向传播通过5层网络。输出层包含三个神经元,分别对应背景、视盘和血管三个分类。应用DRIVE数据库眼底图像作为测试数据,本方法平均分割准确度达到了92.99%,其中单幅图像分割准确度最高为94.95%,准确度最低为88.79%。使用一个卷积神经网络实现了眼底视盘和血管的精确分割,与其他卷积网络相比,降低了卷积网络的训练时间,提高了分割效率。