论文部分内容阅读
视网膜视神经疾病(青光眼、糖尿病视网膜病变、年龄相关性黄斑变性等)是由多种原因引起的视网膜及视觉神经组织病变,在世界范围内有较高的发病率,因此早期的诊断非常重要。目前大多通过彩色立体眼底(视网膜)照相机来获得视网膜(视乳头)图像。但是由于计算机辅助诊断中视乳头医学图像噪声污染大、光照不均匀、对比度小、部分视乳头被血管遮挡、不同病人个体间差异大等因素导致的视乳头图像自动分割不能很好的进行,分割结果不能满足临床诊断需要。为了解决此难题,本文提出在分段常数水平集方法(PCLSM)的Mumford-Shah模型的基础上结合图分割最优化的方法对视乳头图像进行分割。首先采用基于图论的多相分段常数水平集Mumford-Shah图像分割模型及其相应的图分割最优化方法对视乳头杯盘图像进行分割,获得其未被血管遮挡的杯盘边缘部分；再采用凸多边形约束方法去除上述杯盘边缘中由于血管遮挡、光照不均等原因等引起的凹陷或断裂部分,提取杯盘边缘特征点,然后采用光滑曲线拟合技术,获得完整的杯盘边缘曲线。最后我们用拟合好的杯盘边缘来重建视乳头杯盘图像,并根据该重建图像取得杯盘比等特征参数,这些参数对青光眼的辅助诊断有着非常重要的价值。通过不同时期青光眼病人的视乳头图像杯盘分割的试验结果可以表明,上述方法可以很好地解决血管遮挡、噪声污染、对比度小、个体间差异大、光照不均匀等视网膜图像分割中固有的难题,分割青光眼彩色视乳头图像中的视杯和视盘,并且其计算代价大大低于经典的多相分段常数水平集Mumford-Shah模型,其视乳头图像的视杯和视盘分割结果也更为精准。本文重点论述如何将基于图分割的分段常数M-S模型应用于视乳头图像杯盘分割中。该方法的特点是：(1)只需要一个水平集函数就可以分割多个目标；(2)传统的对于带约束问题的最小化问题可以采用Lagrangian方法来求解,但是其收敛速度慢,计算量很大,本文采用图分割最优化方法,得到图像分割结果精度高,且效率有所提高；(3)它能很好的处理多相图像分割问题,处理过程不需要人工干预,自动化程度较高。