结合K-means算法的C-V分割模型改进方法——以黄斑水肿区域分割为例

摘要

光学相干断层成像(OCT)是眼科用于检测糖尿病性黄斑水肿(DME)病变部位的主要成像技术。针对OCT图像中DME水肿区域的高精准提取问题,提出了一种结合K-means算法的C-V分割模型改进方法。首先用变分水平集函数替代C-V模型中的水平集函数,终止C-V模型演化过程中的初始轮廓曲线重新初始化问题,提高分割模型的计算效率;在此基础上利用K-means算法对视网膜轮廓区域进行分割,将其作为固定的初始轮廓曲线,克服C-V模型对初始轮廓区域的敏感问题,提高分割结果的精度。实验结果表明:所提方法与测地活动轮廓(GAC)模型和选择性二值高斯滤波正则化水平集(SBGFRLS)模型相比,在迭代次数上分别减小了约90.8%和69%;在时间上分别减少了约99.3%和82.5%;所提方法的分割精确度、召回度和Dice相似性系数分别为97.95%、98.90%、98.42%。所提分割方法能够有效提高DME水肿区域边界的分割精度,同时降低了计算的复杂度,可为临床诊断提供技术支撑。