30、视网膜血管自动无监督分割方法研究

视网膜血管自动无监督分割方法研究

1. 引言

除了基于规则的方法外，有监督方法也被用于血管分割。例如，Sinthanayothin 等人使用多层感知器神经网络对像素进行分类，输入来自图像的主成分分析（PCA）和 PCA 第一成分的边缘检测；还有人从绿色平面为每个像素提取简单特征向量，然后使用 K - 最近邻（kNN）区分血管和非血管像素。另一种基于图元的有监督方法，通过提取图像脊线（预期与血管中心线重合）来描述线性段，将每个像素分配到最近的线元素形成图像块，再使用 kNN 分类器进行分类。Soares 等人则基于像素特征向量（由像素强度和多尺度二维 Gabor 小波变换响应组成），使用高斯混合模型分类器进行分割。

然而，基于有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，而且专家资源有限。因此，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是很有必要的。研究发现，自组织映射（SOM）结合 K - 均值聚类在像素聚类方面能取得良好效果，尤其是在类别数量较少（如本研究中类别数为 2）的情况下，而且计算速度快。此外，该方法在要分割的同一图像的一部分上进行训练，无需像其他有监督或无监督方法那样开发单独的训练集。

2. 数据集

使用的是公共数据库 DRIVE（Digital Retinal Images for Vessel Extraction），这些照片来自荷兰的糖尿病视网膜病变筛查项目。图像采用 JPG 压缩，使用佳能 CR5 非散瞳 3CCD 相机以 45 度视野（FOV）采集，每个颜色平面使用 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