基于脉冲耦合神经网络的视网膜血管图像分割算法设计与实现

摘要

随着现代生活水平的提高，患高血压、糖尿病、动脉硬化等心血管疾病的人日益增多。视网膜血管是人体内唯一可以通过非创伤地方式直接观察到的较深层微血管，其结构特征的变化可以直接反映出这些心脑血管疾病对血管形态结构的影响。医生通过观察眼底视网膜图像中血管的结构特征的变化以进一步地判断出疾病的类型及严重程度，从而可以对症下药。因此，视网膜图像中血管的检测与自动分割在医学临床上具有十分重要的意义。
　　由于采集后的视网膜图像会出现诸如光照不均、血管区域对比度低等问题，加之血管结构特征复杂，使得视网膜图像中的血管很难被有效提取。脉冲耦合神经网络（Pulse Coupled Neural Network）是一种第三代神经网络，所具有的神经元同步脉冲发放特性使其非常适用于图像分割应用。但由于PCNN模型仅是连续处理过程的一个离散表达，在进行迭代处理的过程中，已经被激发的神经元所捕获的神经元必须等到下一时刻才能被激发,这样会造成分割结果中出现不连续的区域或断点。将其用于视网膜图像中的血管分割会造成分割结果的不精确，难以有效发挥PCNN的优势。
　　针对当前视网膜血管图像分割存在的问题和难点，本文在深入研究PCNN模型的基础上，提出了一种基于自适应连接值PCNN的视网膜血管图像分割算法，旨在提高视网膜血管图像分割的精确度。整个论文的研究工作如下：
　　1)视网膜图像的预处理。为了改善视网膜图像的质量，清晰地突出血管结构，在血管结构提取之前，需要对视网膜图像进行预处理。主要采用对比度受限制的自适应直方图均衡化（CLAHE）和二维高斯匹配滤波的方法对视网膜图像中的血管进行增强处理。
　　2)提出了一种基于自适应连接值PCNN的视网膜血管图像分割算法。该算法将带有快速连接机制的PCNN与种子区域增长思想相结合，首先利用阈值操作选择出可靠的血管区域作为种子区域，然后通过动态设置PCNN中的连接强度系数和停止条件，使得点火神经元能够快速捕获周围相似神经元，实现血管区域的自动生长，从而有效提取视网膜图像中的血管。
　　3)在DRIVE图像库中进行了大量的实验，并对所得实验结果进行了对比分析和详细说明。在DRIVE图像库中的实验结果验证了该算法的有效性。
　　4)基于MATLAB设计了一个基于PCNN的视网膜血管提取系统，该系统界面友好、简单实用，为视网膜血管图像处理提供了一个操作方便的实验平台。

目录

声明

选题的依据与意义

国内外文献资料综述

1 绪论

1.1 眼底视网膜图像概述

1.2 研究内容及结构安排

2.1 PCNN模型

2.2 眼底标准图像库

2.3 性能评价指标

2.4 本章小结

3 视网膜图像预处理

3.1 视网膜图像视场的提取

3.2 视网膜图像绿色通道的提取

3.3 CLAHE图像增强处理

3.4 基于二维高斯匹配滤波的血管增强处理

3.5 实验结果与说明

3.6 本章小结

4.1 Fast-linking机制

4.2 本文提出的算法

4.3 实验结果与分析

4.4 本章小结

5 基于PCNN的视网膜血管提取系统

5.1 视网膜血管提取系统的设计

5.2 视网膜血管提取系统的功能实现

5.3 本章小结

6 总结与展望

6.1 本文工作总结

6.2 展望

参考文献

附录：攻读工程硕士学位期间发表的部分科研成果

致谢