李亞婷

摘要：圖像分割在圖像處理中處于至關重要的地位，分割的效果將直接影響到后續(xù)對圖像的處理。視網(wǎng)膜血管是人體的重要組成部分，其血管網(wǎng)絡形態(tài)結構的影響，是心腦血管疾病對血管微循環(huán)檢查的重要部位。因此，對血管的研究具有實際意義，尤其在臨床上的應用更是普及。本文通過對血管分割方法的大量研究，針對當前比較流行的方法進行了闡述。最后對最流行的深度學習算法在醫(yī)學上的應用進行探索。

通過對多種血管分割方法的研究，從而提高眼底病臨床診斷的效率與精度，給DR的進一步治療提供理論依據(jù)，進而協(xié)助臨床眼底病變的早期發(fā)現(xiàn)和診斷。

關鍵詞：血管；閾值；神經(jīng)網(wǎng)絡；深度學習

中圖分類號：TP3 文獻標識碼：A

文章編號：1009-3044（2019）11-0198-03

Abstract： Image segmentation is in a crucial position in image processing， and the effect of segmentation will directly affect the subsequent processing of images. Retinal blood vessels are an important part of the human body， and the influence of the vascular network morphology and structure is an important part of cardiovascular and cerebrovascular diseases for the examination of vascular microcirculation. Therefore， the reasearch of blood vessels has practical significance， especially in clinical applications. In this paper， through a lot of research on the method of blood vessel segmentation， the current popular methods are expounded. Finally， the application of the most popular deep learning algorithms in medicine is explored.

Through the research of a large number of blood vessel segmentation methods， the efficiency and accuracy of clinical diagnosis of fundus diseases can be improved， and the theoretical basis for further treatment of DR can be provided to assist in the early detection and diagnosis of clinical fundus lesions.

Key words： vascular； threshold； neural network； deep learning

1 概述

人體的血管有很多，大部分都是有創(chuàng)才能觀察到的，而眼底血管卻是唯一不用動手術就能直接觀察到的血管，血管的很多特征都能直接反應出一些疾病，比如糖尿病、高血壓等。尤其這兩種病的發(fā)生以及早期癥狀主要體現(xiàn)在血管的直徑、粗細等特征的變化上。因此，研究血管的形態(tài)變化具有重要的診斷價值，尤其對較深層血管分枝和微細血管部分的觀察和檢測，更有助于疾病的早期診斷。對血管分割方法的探索一直受到研究人員的廣泛關注。

2 眼底圖像分割方法

圖像分割就是把圖像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提出感興趣目標（ROI）的技術和過程。目前主要有以下幾種圖像分割技術：基于區(qū)域的方法、基于邊緣的方法、數(shù)學形態(tài)學法等?；趨^(qū)域的方法主要有：閾值法、區(qū)域生長法、聚類等；基于邊緣的方法主要有：微分算子等；監(jiān)督分類的方法主要有：支持向量機、神經(jīng)網(wǎng)絡等。

2.1 基于區(qū)域的分割方法

該方法主要是利用區(qū)域之間的相似性，將具有相同或相似特征的區(qū)域劃分為同一區(qū)域，不同或相似度不高的特征區(qū)域歸屬于不同區(qū)域。最常用的有閾值分割法，聚類等。

2.1.1 直方圖閾值法

直方圖閾值法主要用在灰度圖像分割中，此方法成功與否的關鍵是對閾值的選取，閾值偏大或偏小都會影響圖像的分割效果。很多專家對此進行了研究和改進。雙峰法比單峰法效果好很多。Prewitt就曾利用雙峰法進行閾值的選取，即如果直方圖呈現(xiàn)出了明顯的雙峰狀（如圖1），則選取兩峰之間谷上的灰度值作為分割閾值，然后將圖像中的各像素與該閾值進行比較，從而確定每個像素的劃分類。但是該算法也有缺陷，適用范圍很有限，對于雙峰明顯的圖像效果最佳，而對于雙峰不明顯的圖片就很難選取到合適的閾值。針對該缺陷，很多專家又進行了改進，發(fā)展到后來的迭代閾值法。

此方法后來也被許多專家進行了改進。比如汪維華[2]等人提出了一種修正的形態(tài)學與Otsu相結合的無監(jiān)督視網(wǎng)膜血管分割算法。該方法具有較高的分割精度，能夠有效處理視網(wǎng)膜疾病對血管分割的影響，算法具有健壯性。

2.1.2 區(qū)域生長法

區(qū)域生長法是一種根據(jù)事先定義的準則將像素或者子區(qū)域聚合成更大區(qū)域的過程。簡單地說，就是從圖像中的某個像素或區(qū)域出發(fā)，按照一定的準則，逐步加入臨近像素或區(qū)域，當滿足一定的條件時，區(qū)域生長終止，最后得到整個區(qū)域，進而是心目標的提取。