ICDM–Blood vessel segmentation in pathological retinal image

血管是视网膜图像中的主要结构和重要的标志,视网膜血管的特征是一些疾病的重要的指示器,但是视网膜图像中其他结构的边以及色素上皮经常导致视网膜血管检测错误。这种错误在视网膜病理图像中更加明显,本文提出了一个视网膜病理图中的血管分割方法。

方法流程如下:

从原始图像中提取green channel ->对于绿色通道图像中的每个像素提取特征向量

->利用训练集训练分类器(SVM)->对测试样例中的每个像素进行分类

主要问题是选择哪些特征构成特征向量,我们需要知道血管和其他结构的主要不同是什么,本文的作者从三个方面抽取了特征向量。

1、local shape based features

从一个像素所属的局部区域抽取形状特征。

2、multi-scale local statistically features based on grey level

血管上的像素要比其附近背景像素要暗,因此可以利用所属区域内强度不超过当前像素点的像素个数与区域内像素总数的比值作为特征。Multi-scale即选取多个大小区域,本文选择了6个不同大小的区域,即获得了6个比值。

3、multi-scale morphology features

多尺度形态学特征。

作者使用了两组数据库中的数据对文章中方法进行了实验,分别是STARE、DRIVE数据库。使用三种度量方法:(TP=True Positive ,TN=True Negative ,FP=False Positive,FN=False Negative)

Sensitivity(SEN)=TP/(TP+FN)

Specificity(SPE)=TN/(TN+FP)

Accuracy(ACC)=(TP+TN)/FOV pixel count

相对其他方法来说有较高的Accuracy且Specificity远高于已存在的方法,sensitivity也是可以接受的程度。

最后作者进行了总结,指出了该方法的两个缺点:

1、该方法不擅长处理细血管。

2、方法耗时较多。

并指出了未来要进行工作:

1、设计更加有效地特征。

2、识别细血管。

anyShare分享到:
This entry was posted in 新闻动态. Bookmark the permalink.

发表评论