本文为2019年西安交通大学计算机辅助诊断答辩综述的糖尿病视网膜病变特征分割部分
DR特征分割
1 分割综述
在医学临床上，医生首先要知道的是病灶的位置、大小以及和周围正常组织之间的关系，这可以通过分割过程来达到这个目的。
而在DR诊断中，常需要将血管、微动脉瘤、渗出物等特征分割出来，以便医生判断病情。（我们着重讲述分割血管。）
2 分割挑战
- 在眼底成像过程中，不同深度的视网膜结构投射到具有最大强度的二维图像上，会导致非血管结构的重叠，和低对比度图像中细血管的可见性降低。
- 成像会引入伪影、不均匀照明等不利因素。
- 中央凹、视盘、视网膜边界、硬性渗出物、出血和其他病理改变呈现出复杂的情况，需要考虑。
- 中央反射呈白色条带，通常位于动脉（上分支血管）的显著位置，可能会导致错误的分割过程。
3 分割方法
3.1 基于像素处理的分割方法
利用图像中像素的特征来进行分割是比较常用的方法，采用的方法包括选取灰度级、利用彩色、多谱灰度直方图等。在医学影像中，它的生物学依据是“同一种人体组织具有相同或相似的灰度或色彩的概率最大”。因此图像中的各个部分的图像可以用灰度级的差别来划分。
直方图阈值分割：如果图像中有两种灰度，一个代表物体， 另一个代表背景，物体和背景的灰度级有明显的差别，那么在直方图上将呈现双峰形态。最直接简单的办法就是把直方图上两个峰之间的谷底作为灰度值分割的阈值。为了得到更精确的分割结果，可以把整幅图像分成许多小区域，这些小区可以分为只有物体和背景、只有物体、只有背景三类，这时再对每个小区用直方图阈值法进行分割。
——Early diabetic retinopathy diagnosis based on local retinal blood vessel analysis in optical coherence tomography angiography (OCTA) images
3.2 基于统计学的分割方法
MRF随机场：用马尔可夫随机场的方法来对像素的邻域特征进行建模，近年来在图像分割领域取得了成功的发展。图像中某一个像素点可能的概率值分布，只和这个像素点周围的空间像素点信息有关系，而和该图像中剩余的像素点关系，也就是这个像素点对除了它周围的像素点以外的该图像的其他像素点是独立的。
——Early diabetic retinopathy diagnosis based on local retinal blood vessel analysis in optical coherence tomography angiography (OCTA) images
3.3 基于人工神经网络的方法
人工神经网络方法是将图像分割问题转化成为诸如能量、 最小化分类等问题。基本的方法是用已知的训练样本对ANN进行训练，调节各个节点的连接权值，当训练误差满足一定要求后，用训练好的ANN去分割未知的图像数据。为了达到好的分割结果，训练集的采集和ANN的训练成为影响分割结果的主要因素。
——Deep-learning-based automatic computer-aided diagnosis system for diabetic retinopathy
3.4 结合模糊理论的方法
对模糊集合来说，每个元素都是以一定程度属于某个集合，也可以同时以不同程度属于几个集合。将模糊集合论结合到模式识别中，得到模糊分类方法。 结合模糊理论的分类方法，由于分类结果是以隶属度的形式给出，克服了确定性分类方法中强行分类的缺点。当两个 类别的特征分布非常接近，或有重叠时，确定性分类造成的决策风险是不可避免的，而模糊分类方法给出了关于这两个类别的隶属度函数，然后通过一些去模糊方法得到最终的分类结果。
来源：CSDN
作者：移动石楠花
链接：https://blog.csdn.net/qq_44465606/article/details/103592700