眼底图像中视网膜病变自动检测算法综述

### 眼底图像中视网膜病变自动检测算法综述 #### 1. 亮病变检测算法概述 在大多数视网膜图像中，渗出物代表着最大强度的像素。因此，基于强度的阈值处理在渗出物的分割和提取中起着重要作用。阈值处理将图像分为不同类别，全局阈值处理中阈值在整个图像中保持恒定，而动态阈值处理中阈值取决于像素位置。大多数阈值算法基于图像的直方图工作，在高对比度图像中，阈值处理更为有效。然而，自动阈值的选择是一个巨大的挑战，因为同一视网膜图像中渗出物的强度可能会有所不同，而且渗出物的低对比度和不均匀强度变化进一步增加了难度。 视盘是一个与渗出物外观相似的明亮区域，容易导致误分类。形态学后处理有助于消除基于强度的阈值处理带来的不良影响。在最优阈值处理中，通过优化目标函数来选择阈值；在基于属性的阈值处理中，通过测量直方图的某些选定属性来检测阈值，这种方法速度快，适合多级阈值处理，不过需要提前指定所需的阈值数量。 以下是一些具体的亮病变检测算法： | 作者 | 方法 | 步骤 | 特点 | | ---- | ---- | ---- | ---- | | Sopharak 等 | 自动渗出物检测 | 1. 中值滤波和对比度增强；2. 闭运算去除血管；3. 对视网膜图像的 I 波段应用 Otsu 算法进行自动阈值处理检测渗出物；4. 强度阈值处理和形态学操作去除视盘 | 使用 KOWA - 7 拍摄图像，尺寸为 752×500 像素，24 位/像素 | | Jayakumari 等 | 基于神经网络的方法 | 利用神经网络高精度检测糖尿病视网膜病变（DR） | 创新性方法 | | Saeed 等 | 自动方法 | 1. 预处理包括直方图拉伸、中值滤波和绿色通道图像的伽马校正；2. 初始阶段去除视盘和提取的血管；3. 高斯匹配滤波器分割视网膜血管 | 避免误分类 | | Rokade 等 | 自动化方法 | 1. Haar 小波变换进行渗出物分割；2. 对渗出物概率图进行预处理；3. K 近邻方法进行分类 | 小波用于多分辨率分析 | | Jaafar HF 等 | 自适应阈值和分割合并技术 | 1. 自适应阈值处理；2. 分割合并技术分割亮病变；3. 粗分割和细分割结合检测眼底图像中的病变 | 灵敏度 91.2%，特异性 99.3% | | Reza 等 | 标记控制的分水岭分割 | 1. 平均滤波和对比度增强；2. 标记控制的分水岭分割从眼底图像中提取亮物体 | 平均灵敏度 95% | | Rodriguez 等 | 两阶段方法 | 1. 傅里叶变换进行视网膜图像的光照校正；2. 从红色和绿色通道创建二进制掩码；3. 空间频率域处理，使用超高斯带通滤波器；4. 伽马校正改善图像对比度；5. Otsu 阈值处理和形态学操作提取视网膜血管；6. 渗出物分割 | 改善前景与背景的对比度 | | Harini 等 | 模糊 C 均值（FCM）聚类和形态学图像处理 | 1. FCM 聚类和形态学图像处理；2. 支持向量机（SVM）分类器区分正常和异常图像 | 用于从彩色眼底图像检测 DR | | Yu 等 | 深度卷积神经网络 | 1. 用从光照校正的绿色通道图像中提取的 64×64 补丁训练 CNN；2. 局部相位对称算法去除视盘；3. 利用种子点获取潜在渗出物；4. 将种子点周围的局部补丁传递给训练好的深度学习模型识别渗出物 | 像素级渗出物提取 | | Utami 等 | Renyi 熵阈值处理和数学形态学 | Renyi 阈值处理找到最优阈值 | - | | Andonova 等 | 四层卷积神经网络 | 1. 四层 CNN 提取亮病变；2. 眼底图像分割成簇进行分类；3. 交叉验证方法评估分类器性能 | - | | Omar 等 | 局部二值模式和人工神经网络 | 1. 利用局部二值模式和人工神经网络检测渗出物特征；2. 增强视网膜图像的提取特征作为基于径向基函数的神经网络输入；3. K 近邻分类器进行分类 | - | | Ruba 等 | 计算机辅助筛查系统 | 1. 中值滤波替换噪声像素和平滑输入视网膜图像；2. 阈值处理和形态学操作分割渗出物；3. Gabor 滤波器和灰度共生矩阵（GLCM）提取特征；4. 12 个统计特征作为输入到 SVM 分类器；5. 水平集分割提取视盘；6. 渗出物分割前去除视盘和血管避免误分类 | 用于非扩张、低对比度视网膜图像 | | Atul Kumar 等 | 基于特征的分割方法 | 1. 图像预处理增强图像；2. 形态学操作定位眼底图像中的视盘；3. SVM 分类器使用提取的特征进行分类 | - | | Kumar 等 | 渗出物提取方法 | 1. K 均值聚类进行渗出物分割；2. 灰度共生矩阵（GLCM）提取特征；3. 遗传算法选择特征；4. 概率神经网络分类器进行分类 | - | | Liu 等 | 算法 | 1. 分割定位渗出物；2. 高斯滤波器和阈值处理提取血管；3. 显著性图和阈值处理提取视盘；4. 复合局部二值模式提取渗出物的局部结构；5. 随机森林分类器 | - | | Jarmila 等 | 深度神经网络 | 利用 CNN 的高效纹理分类检测正常和 DR 受影响的图像，最终分类阶段的每个块基于滑动窗口获取的一组特征，初始创建镜像图像，对相关滑动窗口的所有正分类求和并放大 | 适用于具有复杂特征的图像 | | Kittipol 等 | 基于区域、邻域、块操作和最优全局阈值处理方法 | 提取亮病变 | - | | Jaya T 等 | 快速模糊支持向量机分类器 | 1. Hough 变换和形态学操作去除视盘；2. 提取颜色和纹理特征检测候选病变 | 检测硬性渗出物 | | Amel F 等 | 基于 K 均值聚类和数学形态学的方法 | 1. 对比度增强的视网膜图像作为 K 均值聚类算法的输入；2. 应用 Kirsch 算子和形态学重建 | 快速检测眼科图像中的硬性渗出物 | | Fraz MM 等 | 混合阈值算法 | 自适应局部模糊阈值处理和数学形态学检测渗出物 | - | | Akram MU 等 | 混合分类器和滤波器组 | 提取病变 | - | | Harangi B 等 | 智能检测算法 | 1. 详细的轮廓分割；2. 感兴趣区域标记；3. 灰度形态学检测亮病变；4. 多个基于区域的特征输入到分类器减少误检测 | - | | Esmaeili 等 | 曲波变换 | 1. 曲波变换检测低对比度眼底图像中的亮区域；2. 亮病变图区分视盘和渗出物