多能量变分模型驱动的精确眼底视盘分割

本文主要探讨了"基于多能量变分模型的光盘分割"这一主题，它在视网膜图像分析和疾病筛查领域具有重要意义。作者Baisheng Da和Xiangqian Wu，以及Wei Bu，来自哈尔滨工业大学计算机科学技术学院和新媒体技术与艺术系，提出了一个创新的自动视网膜盘（Optic Disc，简称OD）分割方法。 首先，他们采用稀疏编码技术作为关键步骤，用于精确地定位视盘中心。这种技术依赖于信号的稀疏表示，能够有效提取图像特征并确定OD的核心区域。接着，利用霍夫变换进一步估算出初始的边界曲线，为后续的分割过程奠定了基础。 论文的核心部分是提出了一种结合多种能量项的变分模型。这个模型将OD分割视为一个能量最小化的问题，旨在找到最接近真实OD边界的曲线。变分模型包含三个关键能量项： 1. 基于相位的边界能：这部分着重于吸引进化曲线趋近于OD的真实边界，即使在对比度较低的区域也能保持有效性。它通过相位信息引导曲线向OD区域演化，提高分割的准确性。 2. 基于PCA的形状能：为了限制进化曲线保持典型的视盘形状，作者引入了主成分分析（PCA），这有助于减少明亮病变（如脉络膜新生血管或有髓神经纤维）对分割结果的干扰。通过形状约束，模型更稳健地处理这些噪声和异常。 3. 区域能量：此能量项促使曲线趋向于均匀区域的边界，增强了模型对噪声边界和初始曲线位置的鲁棒性。通过这种方式，模型能够更好地抵抗图像中的随机噪声和不规则性。 实验部分，研究者在三个公共数据库——MESSIDOR、ONHSD和DRIONS——上对所提方法进行了评估。结果显示，与现有最先进的OD分割技术相比，该方法表现出更高的准确性和可靠性，证明了其在实际应用中的优越性能。 总结来说，这篇论文贡献了一个结合稀疏编码、霍夫变换和多能量变分模型的视网膜盘分割方案，提升了视网膜图像分析的精度和疾病筛查的效率，对于眼科医学研究和临床实践具有重要价值。