30、视网膜血管的自动无监督分割

视网膜血管的自动无监督分割

1 引言

在血管分割领域，除了基于规则的方法，监督方法也得到了广泛应用。例如，Sinthanayothin 等人使用多层感知器神经网络对像素进行分类，其输入来自图像的主成分分析（PCA）和 PCA 第一成分的边缘检测；还有方法从绿色平面为每个像素提取简单特征向量，然后使用 K - 近邻（kNN）区分血管和非血管像素；另外，基于原语的方法则是提取图像脊线作为描述线性段的原语，对像素进行分类。

然而，基于监督方法的像素分类需要手动标记的真实图像进行训练，这个过程不仅耗时，还需要专家参与。由于缺乏专家以及监督方法的耗时性，促使我们寻找一种自动无监督的方法来对视网膜图像中的像素进行血管和非血管分类。我们发现，自组织映射（Self - Organizing Maps，SOM）结合 K - 均值聚类在像素聚类方面能取得良好效果，尤其在类别数量较少（如本案例中类别数为 2）的情况下，而且计算速度快。该方法的吸引力还在于它在要分割的同一图像的一部分上进行训练，无需像其他监督或无监督方法那样开发单独的训练集。

2 数据集

我们使用的是公共数据库 DRIVE（Digital Retinal Images for Vessel Extraction）。该数据库的照片来自荷兰的糖尿病视网膜病变筛查项目，每个图像都经过 JPG 压缩。图像使用佳能 CR5 非散瞳 3CCD 相机采集，视野（FOV）为 45 度，每个彩色平面使用 8 位，分辨率为 768×584 像素，FOV 为圆形，直径约 540 像素，图像围绕 FOV 进行了裁剪，并且为每个图像提供了划定 FOV 的掩码图像。数据集包含 40 张 584×565 的眼底图像，我们仅使用测试集中的 20