基于粒子群算法的视网膜血管分割在埃及信息学杂志（2015年）上发表的研究成果

埃及信息学杂志（2015年）16，253开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com全长文章基于粒子群算法的K.S. Sreejini*，V.K.Govindan印度喀拉拉邦卡利卡特国家理工学院计算机科学系接收日期：2014年10月9日;接受日期：2015年2015年8月19日在线发布摘要匹配滤波器的概念广泛应用于视网膜血管分割领域。多尺度匹配滤波器的性能优于单尺度滤波器。所提出的方法利用多尺度滤波器的改进的噪声抑制特性。这里的一个主要问题是确定滤波器的正确参数值。该方法采用粒子群优化算法来寻找多尺度高斯匹配滤波器的最优滤波器参数，以提高视网膜血管分割的准确性。在DRIVE和STARE视网膜数据库上进行了测试，与其他视网膜血管分割算法相比，该方法获得了更好的结果。©2015由Elsevier B.V.代表开罗大学计算机与信息学院制作和主办。 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http：//creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍视网膜眼底图像照片的自动分析以及血管网络变化的研究可以揭示各种疾病的研究、诊断和治疗的重要特征，例如高血压[1]、糖尿病视网膜病变（DR）[2]、糖尿病黄斑水肿（DME）[2血管中的病变、几何和形态变化是所使用的各种特征。几何和形态变化包括直径变化*通讯作者。开罗大学计算机和信息系负责同行审查。血管的曲率、迂曲度和外观。DR创建新的血管和分支。各种病变是DR和DME的症状。高血压使动脉减少，导致动脉与静脉宽度比（AVR）异常。血管闭塞使血管变长。因此，视网膜血管分割是用于定位其他视网膜结构（例如视盘和中央凹）的大多数算法中的重要步骤，并且用作在视网膜的不同时刻或不同位置处拍摄的图像的配准的辅助。这些配准的图像在自动监测某些疾病的进展中是有用的。关于血管结构的知识将减少病变检测中的假阳性检测血管分叉点和交叉点有助于医生更好地诊断。视网膜摄影主要有两种类型[3在FA中，血管边界边缘的图像比后一种图像清晰，但FA具有副作用且复杂。现有的算法大多假设视网膜图像是健康的、无损伤的、无噪声的他们表现不佳http://dx.doi.org/10.1016/j.eij.2015.06.0041110-8665© 2015由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier关键词多尺度匹配滤波器;优化;视网膜血管254公斤Sreejini，V.K. Govindan图1（a）彩色视网膜图像，[9]，（b）红色通道，（c）绿色通道和（d）蓝色通道。图2（a）来自DRIVE数据库的彩色视网膜图像“01_test.tif'"的绿色带在异常视网膜图像的情况下，并取决于不同的参数配置。手动分割既繁琐又昂贵。因此，需要不依赖于参数配置的自动算法以降低成本来筛选更大群体的血管异常。图 1显示了来自DRIVE数据库的彩色视网膜图像[9]以及同一图像的红色、绿色和蓝色通道。血管在图像的绿色通道中比其他通道更清晰，因此该通道用于分析。在图2a中，选择图像的绿色通道，并且用黑线标记血管的一个横截面。图11示出了沿横截面中的线的灰度级强度分布。 2 b. 它的形状类似于高斯曲线。2. 相关作品几种方法可用于血管分割。这些可以主要分类为基于：边缘、数学形态学、轨迹、机器学习和匹配滤波器。基于边缘的方法使用边缘检测器（如Sobel、Canny和Prewit算子）找到血管边缘[10]。这些方法仅在明显和尖锐的边缘上正常工作。文献表明，这种基于边缘的方法不适合于精确的视网膜血管分割。在数学形态学方法中，我们首先得到先验的已知血管形状特征，然后将血管从背景中过滤出来进行分割。 Zana和Klein[11]将形态滤波器与横曲率评价相结合，以从视网膜图像中分离血管[12]中讨论了使用具有血管中心线的位平面来提取视网膜血管。该方法需要更多的处理时间。基于跟踪的方法[13]通过跟踪血管的中心线，在边缘检测后绘制出血管的全局网络。这些方法严重依赖于边缘检测的结果，并且需要较长的处理时间。基于机器学习的方法[14，15]分为两个子组：监督方法[14]和无监督方法[15]。有监督方法利用一些先验标记信息来决定像素是否属于血管，而无监督方法在没有任何先验标记知识的情况下进行血管分割。监督方法需要预标记的训练数据集和有效的训练时间，并且需要用于训练的地面真值分割，这在实时应用中不可用。Staal等人在[14]中提出了基于监督脊的血管检测方法。该方法基于与血管中心线近似重合的脊的提取。这些脊用作形成线元素的基元。然后将每个像素分配给其最近的线元素，从而将图像划分为补丁。 对于每个像素，首先计算27个特征，并最终选择获得最佳类别可修复性的特征。通过使用k-NN分类器对特征向量进行分类，并采用顺序向前特征选择。早期的血管分割方法基于匹配滤波[16]。其基于沿血管横截面的强度分布具有高斯形状的假设。使用一组12个高斯形滤波器来匹配不同方向上的血管对于每个像素，改进的多尺度匹配滤波器在视网膜血管分割中的应用255我..宜新禾谷我保持最大响应。缺点是它对非血管的响应也很高，这导致假阳性增加。后来，使用了匹配滤波器的许多扩展，例如[17]中讨论的与脉冲耦合神经网络相结合的匹配滤波器（MF）。Otsu算法[18]用于获得分割结果。在[19]中提出了通过蚁群算法改进匹配滤波器响应。在[20]中提出了具有高斯滤波器一阶导数的零均值高斯匹配滤波器。MF对真实血管和非血管具有高响应，但其对高斯一阶导数（FDOG）的响应的局部平均值也会很高。匹配滤波器的规模选择非常重要。Chaudhuri等人[16]进行了规模选择的经验估计，Al-Rawi等人[21]进行了简单优化，[22]进行了基于遗传算法的优化。在[23]中，一种新的核函数Cauchy PDF被用作高斯核的替代，用于分割和作者采用试凑法确定滤波器参数。通常，血管宽度在视网膜眼底图像上从15像素（非常大的血管）到3像素（小血管）不等[24]。因此，同时检测不同宽度的血管非常困难。Li等人[24]声称多尺度匹配滤波器的性能优于单尺度方法。多尺度滤波器的响应取决于滤波器尺度的选择。然而，多尺度匹配滤波器参数的正确取值是取得好成绩的艰巨任务血管分割中的主要问题是图像质量差、血管的局部强度对比度和血管宽度的变化。小血管被不同的噪声淹没，如高斯噪声。这使得准确分割成为一个具有挑战性的问题。本文提出采用多尺度滤波器进行血管分割，并解决多尺度匹配滤波器中参数值的选择问题。第三部分简要介绍了所使用的视网膜数据库、匹配滤波器、多尺度匹配滤波器和基本粒子群优化算法。基于PSO的多尺度高斯匹配滤波器的实现细节在第4节中描述。在第5节中给出了所提出的方法在图像数据集上的实验结果和讨论，最后在第6节中总结了本文。3. 背景3.1. 图像数据库3.1.1. 驱动在这项工作中，我们使用了2004年推出的数字视网膜图像血管提取（DRIVE）数据库[9]数据库包含40张视网膜图像;20张训练图像和20张测试图像，由Canon CR 5非散瞳3CCD 相 机 在 45° 视 场 （ FOV ） 捕 获 。 图 像 的 大 小 为768· 584像素，每个颜色通道8位。这包含正常和异常的图像和手标记的图像，为每个图像由专家提供，以评估所提出的方法的性能。数据库还包括用于将FOV与图像的其余部分分离的掩模。有两组手动标记图像可用。的第一本手册为数据集中的所有图像提供了手工标记的图像，而第二本手册只为一半的图像提供了手工标记的图像。首先，手标记的图像被用作地面真值来评估分割的结果。3.1.2. 盯视网膜结构分析（STARE）是另一个提供视网膜彩色眼底图像的公共数据库[14]。该数据集由20张彩色图像组成：10张正常图像和10张异常图像，由TopCon TRV-50眼底相机在35°FOV和700· 605像素图像大小下捕获。 该数据集还提供了由两个观察者执行的两组手动标记图像中的血管的地面实况。STARE中的第二个手标记集被用作第二个观察者，而第一个集被用作地面实况。3.2. 匹配滤波器匹配滤波器（MF）是用于视网膜血管分割的最广泛使用的模板匹配算法。它首先由Chaudhuri等人提出[16]。在这里，我们使用了先前的假设，即血管的横截面可以近似为高斯函数。高斯MF定义为：k=x;y=1-x2=2r28jyj≤L=2<$1<$r是过滤器的刻度L是在一个方向上定向的血管段的长度，其被假设为分段线性的。核，k（x，y）在不同方向上旋转以检测不同方向上的血管，并且（x，y）是核中每个元素的坐标。使用滤波器组的最大响应。也就是说，当核和血管都在同一方向时，响应最大。在这里，旋转15°的量产生具有12个内核的滤波器组邻域N定义为：N<$fu;v;juj≤T;jvj≤L=2g2T是高斯曲线应切割的位置，通常其值设为3 *r。p i是邻域中的点。p½uv]¼½x[yiqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiangqiang]h半个uv]-旋转½ x产生的新坐标y]。coshsinh新河谷然后给出相应旋转核中的权值通过kix;y1-exp-u2=2r28p2N4滤波器的平均值设置为0，以去除平滑背景。滤波器只有几个滤波器参数需要调整，以实现每个应用程序的良好性能。虽然这项技术非常简单，但它不仅对血管有反应，而且对非血管也有反应。由于它是一种常用的有用方法，因此非常需要改进其性能。256K.S. Sreejini，V.K.Govindan表1DRIVE数据库上所提出的方法的结果。注：参议员表示灵敏度（%），质量标准表示以下方面的特异性Acc.表示准确度，单位为（%）。3.3. 多尺度匹配滤波器在灰度视网膜图像中，通常薄的血管是不清楚的，因此文献中可用的大多数方法不能正确地检测血管。本文提出了一种多尺度滤波器用于血管检测。匹配滤波器mi（x，y）对输入图像f（x，y）的滤波器响应可以表示为：ri x; yi x; yωf x;y5两台不同规模的过滤器规模化生产Pi x; y ri x; y· rj x;y6在这项工作中，我们提出了一种新的优化方法来寻找匹配滤波器参数，以提高匹配滤波器的性能，即，为L、r和T找到更好的滤波器参数值。参数的直接估计将不会导致良好的检测。Chaudhari进行了经验估计等人[16]，Al-Rawi等人[21]进行了简单优化，[22]进行了基于遗传算法的优化。在这里，我们使用粒子群优化技术和更好的性能，实现。使用具有两个刻度的匹配过滤器。大的尺度值用于检测大血管，小的尺度值用于检测小血管。3.4. 粒子群优化基于群智能的优化算法由Kennedy和Eberhart[25]于1995年提出。该算法模仿了鱼群或鸟群的社会行为。粒子是指单个的群体成员，这是一个解决方案。每一个粒子的适合性取决于要解决的问题。首先，最佳拟合值为不为任何粒子所知。该算法进行迭代运算并将每次迭代的输出与局部最优和全局最优进行比较。粒子的全局最优解gbest由swarm计算，粒子的局部最优解pbest由self计算。在每次迭代中，位置和速度由（7）和（8）更新，并且重复直到满足某个收敛标准。收敛准则也取决于问题。vit1wvitc1r1½pbest-xit]2017年12月27日，第二次世界大战期间，xit1xitvit1 8i是粒子的指数t表示迭代。vi是质点在时间t的速度xi是质点在时间t的位置W称为惯性权重，在不同迭代c1和c2是用于在0~ 2的迭代范围内控制粒子运动的学习因子。r1和r2是值在0和1之间的随机数。pbest，单个粒子找到的溶液。gbest是swarm发现的最合适的粒子过滤器类型参数参议员规格Acc.单个L1=1，r1=3，T1=634.1099.8194.25规模L2=2，r2=6，T2=677.7095.2193.71多尺度L1=1，r1=3，T1=6，L2=2，r2=6，T2= 671.3298.6696.33图3（a）和（b）不同规模的匹配滤波器响应，（c）是（a）和（b）的规模生产表2STARE数据库上所提出的方法的结果。Img. 号灵敏度（%）特异性（%）准确度（%）165.4396.7294.22253.8597.0194.14379.0493.1692.31432.4599.6994.70576.7894.7293.104482.7693.5492.797785.0395.2294.408184.8596.1995.348283.2796.4895.4413978.1795.2093.8316285.3596.5995.7916389.3596.6496.0723578.5496.8095.1723679.2397.0595.4423972.0297.7195.4924054.9699.0494.5425578.5498.2396.4729158.6599.6497.5631956.8599.2197.3932459.2398.4995.87Avg.71.7296.8795.00改进的多尺度匹配滤波器在视网膜血管分割中的应用2574. 该方法所提出的方法利用上一节中描述的多尺度滤波器来分割视网膜血管系统以检测血管。采用粒子群算法计算多尺度滤波器的参数。数据库中的图像用于确定参数的最佳值4.1. 多尺度匹配滤波器在这项工作中，粒子群优化用于找到L，r和T的优化匹配滤波器参数。这里，使用了具有两个尺度的匹配滤波器。搜索空间不是很大，绿色带的视网膜图像经过中值过滤器被使用。优化过程中滤波器不同参数的取值范围如下：L1={1，2，.. . ，10}，r1={1，2，. . ，10}，T1={1，2，. . ，10}并且L2={1，2，.. . ，10}，r2={1，2，. . ，10}，T2={1，2，. . 、10}。粒子是由{L1，r1}和T1}和{L2，r2和T2}。该算法如下所示第一步：蜂群的孵化在本工作中，人口=30，惯性因子=1.2，迭代次数=50.步骤2：初始化粒子的位置和速度。在这里，粒子的速度被设置为零，并且在搜索空间的边界内随机设置位置。3.循环为每个粒子1. 生成两个具有不同旋转度的匹配滤波器内核。2. 将视网膜输入图像与生成的匹配滤波器进行卷积。3. 乘以匹配滤波器响应以抑制噪声，并使用匹配滤波器响应的最大响应。4. 计算分割后图像的受试者工作曲线下面积（ROC），作为该方法的拟合函数。5. 根据（7）更新每个粒子6. 根据（8）更新每个粒子的位置。端图4（a）和（d）来自STARE数据库的视网膜图像的绿色通道，（b）和（e）地面实况图像，（c）和（f）所提出的方法的输出。表3在STARE数据库上与现有方法进行了性能比较。技术灵敏度规格准确度（%）人类观察员Fraz等人[12]73.11 96.80 94.42Staal等人[14个]––95.16Kande等人[第十五条]––89.76Zhang等人[20个]71.7797.5394.84Hoover等人[26]67.5195.6792.67Soares等人[27]––94.80You等人[28日]72.6097.5694.97马丁内斯-佩雷斯和al.76.994.4992.6[29日]该方法71.7296.8795.00258K.S. Sreejini，V.K.Govindan直到满足停止准则（直到t是迭代次数的最大值，或者最佳解保持不变）。步骤4：返回所选的最佳粒子，用于生成输出图像。通过将具有参数{L1，r1和T1}和{L2，r2和T2}的匹配滤波器应用于输入眼底图像f来获得滤波后的输出图像。该滤波图像使用从0到1递增0.05的不同阈值进行二值化。因此，作为阈值的结果，获得了几个二值图像。ing.由数据库提供的地面实况图像用于计算船只检测的性能。真实像素假像素True_ratio-False_ratio-虚假比率与真实比率的图提供了ROC，ROC下的面积用作该PSO优化的拟合函数。个人将根据中华民国下的最高区域进行选择。在完美检测的情况下，ROC下的面积将为1。4.2. 血管分割4.2.1. 预处理输入视网膜图像的绿色分量被使用，因为在视网膜图像的该频带中血管比其他频带更清晰。中值滤波应用于图像的绿色带，并且从视网膜图像的原始绿色带中减去该输出。大的过滤器窗口尺寸，使用30· 30。4.2.2. 多尺度匹配滤波器通过将具有参数{L1，r1和T1}和{L2，r2和T2}的优化匹配滤波器应用于输入眼底图像f来获得滤波输出图像。通过使用全局阈值化[18]对该滤波图像进行阈值化。图5（a）来自DRIVE视网膜数据库的视网膜图像改进的多尺度匹配滤波器在视网膜血管分割中的应用259¼4.2.3. 精细分段背景减除图像由大尺寸中值滤波器产生。将背景减除图像和匹配滤波器输出图像中存在的像素作为实际输出像素。去除小像素以避免血管的错误检测。5. 结果和讨论我们在MATLAB 7中实现了所提出的方法12个。0，并在DRIVE和STARE数据库上评价了改进的高斯多尺度匹配滤波器的性能通过使用数据库的第一个图像作为优化匹配滤波器的输入来找到最佳滤波器参数。由于PSO优化涉及不同的随机操作，即使我们重新初始化并使用相同的参数和输入再次运行程序，也可能无法获得相同的输出滤波器参数。性能指标中使用的术语包括TP灵敏度<$TP <$FN<$9mmTN特异性<$TN ≤FP≤ 10 μ准确度TPTN FP FNð11Þ表2显示了DRIVE数据库中拟定血管分段的平均灵敏度、特异性和准确性。业绩比较5.1. 多尺度匹配滤波器与单尺度匹配滤波器多尺度匹配滤波器比单尺度匹配滤波器效果更好。性能如表1所示。多尺度匹配滤波器的整体性能指标更好。第一个匹配滤波器提供高特异性和准确性但低灵敏度，而第二个匹配滤波器提供低特异性和准确性但高灵敏度。如表1所示，使用这两种匹配滤波器的多尺度匹配滤波器具有良好的灵敏度、特异性和准确度。5.2. 多尺度匹配滤波器在血管分割中的性能乔杜里等人[16]选择匹配的滤波器参数（L，r，T）作为（9，2，6）。Al-Rawi等人。[21]提出了优化的高斯匹配滤波器（OGMF），参数（L，r，T）为（10.8，1.9，8），以及两级高斯匹配滤波器（TSGMF），第一级参数为（7.6，1.9，8），第二级参数为（10.8，1.9，8）。L=13.6947，r=0.4942，T=5.2275是使用遗传算法对于[19]中匹配滤波器参数的优化，他们使用（13.4086，0.5745，6.2866）作为（L，r，T）。多规模匹配过滤器规模生产的重要性如图3所示。给出了不同尺度下的匹配滤波响应及其生产图像我们可以被观察到在（c）中抑制了大部分噪声并保持了最大响应该方法选择（1，3，6）和（2，6，6）作为DRIVE数据库的匹配滤波器参数值。对于STARE数据库，选择的多尺度匹配滤波器值为（3，2，6）和（2，3，6）。与表3所示的许多现有方法的比较表明，所提出的方法具有总体优越性（见图3）。 4）。图5显示了DRIVE视网膜图像第一幅图像的分割算法结果。图像的绿色通道如（b）所示，经典高斯匹配滤波器的输出如图所示。 5（c），以及Al-Rawi等人的过滤器改进。[21]的输出如图5（d）所示，GA优化[22]的输出如图5（e）所示，所提出的方法的输出如图5（f）所示。从图5中，我们可以观察到Chaudhari等人[16]未能检测到小血管，并且在视盘附近的错误检测更多。(d)及（e）。表4显示了与现有方法相比，在STARE数据库上采用拟议方法获得的性能指标的改进。6. 结论匹配滤波器在视网膜血管分割中是众所周知的。由于血管的宽度在整个图像中变化，因此具有单一比例的匹配滤波器无法提供可接受的性能数据。所提出的方法使用两个匹配滤波器。采用基于粒子群优化算法的参数选择方法来选择多尺度匹配滤波器的参数。的方法在DRIVE和STARE数据库上进行了测试，以证明与现有方法相比的性能优势。在DRIVE数据库上的灵敏度为71.32% ，特异度为98.66%，准确度为结果表明，多尺度匹配滤波器比单尺度匹配滤波器更好地用于血管分割。未来的工作建议引入血管形态学来改善血管分割结果，以实现更好的性能。表4在DRIVE数据库上对所提方法与现有方法进行了性能比较。技术灵敏度规格精度（%）（%）（%）人类观察者77.6397.2394.70Zana和Klein[11]69.7193.7789.84Fraz等人[12个]71.5297.6994.30Staal等人[14个]73.45–94.42Kande等人[第十五条]–89.11乔杜里等人[16个]33.57–87.73钦斯迪基奇和艾登–92.93[19个]Zhang等人[20个]71.2097.2493.82Al-Rawi等人[21]–95.35Soares等人[27]––94.66马丁内斯-佩雷斯等人 63.89–91.81[29日]Perez等[30个]66.096.1292.20马丁内斯-佩雷斯等人 72.4696.5593.44[三十一]Miri和Mahloojifar73.5297.9594.58[32个]该方法71.3298.6696.33260K.S. Sreejini，V.K.Govindan引用[1] Mitchell Paul ， Leung Harry ， Wang Jie Jin ， RochtchinaElena，LeeAnne J，Wong Tien Y，Klein Ronald.视网膜血管直径与开角型青光眼：蓝山眼科研究。 眼科学 2005;112（2）：245-50。[2] 放大图片创作者：Ciulla Thomas A，Amador Armando G，Zinman Bernard. 糖尿病视网膜病变和糖尿病黄斑水肿的病理生理学、筛查和新疗法。糖尿病护理2003;26（9）：2653-64。[3] Giancardo Luca，Meriaudeau Fabrice，Karnowski Thomas P，Li Yaquin，Tobin Kenneth W，Chaum Edward.自动视网膜渗出物分割，无需手动标记训练集。在：生物医学成像：从纳米到宏观，2011年IEEE国际研讨会，IEEE; 2011年。p. 公元1396-1400年。[4] Sreejini KS，Govindan VK.视网膜图像DME严重程度分级：PSO 和 FCM 与 贝 叶 斯 分 类 器 的 组 合 。 IntJ Comput ApplNovember 2013;81（16）：11-7.[5] Sreejini KS，Govindan VK.彩色眼底图像对糖尿病性黄斑水肿严 重 程 度 的 自 动 分 级 。 In ： Advances in Computing andCommunications （ ICACC ） ， 2013thirdinternationalconference on，IEEE; 2013. p. 177比180[6] Wasif Reza Ahmed，Eswaran Chantra，Dimyati Kaharudin. 糖尿病视网膜病变的诊断：使用标记控制的分水岭变换从视网膜图像中自动提取视盘和渗出物。J Med Syst2011;35（6）：1491-501.[7] 梁哈利，王杰进，Rochtchina Elena，黄天Y，Klein Ronald，Mitchell Paul。老年人群当前和既往血压对视网膜小动脉直径的影响。高血压杂志2004;22（8）：1543-9.[8] Kanski Jack J. Clinical Ophthalmology：A Systematic Approach.Boston，Massachusetts：Butterworth Heinemann; 2007，p. 六二九[9] Niemeijer M，Staal JJ，Ginneken Bv，Loog M，Abramoff MD.Drive ：用于血管提取的数字视网膜图像; 2004 。网址：http://www.isi.uu.nl/Research/Databases/DRIVE/。[10] 放大图片作者：Michael C.数字图像处理。Addison-Wesley;1993.[11] Zana Frederic，Klein J-C.基于数学形态学和曲率估计的血管样模式分割。图像处理，IEEE Trans 2001;10（7）：1010-9.[12] Fraz Muhammad Moazam ，Barman SA ，Remagnino Paolo ，Hoppe Andreas ， Basit Abdul ， Uyyanonvara Bunyarit ，RudnickaAlicja R，Owen Christopher G.一种利用位平面和中心线检测的视网膜血管定位方法。计算方法生物医学进 展2012;108（2）：600-16。[13] Vlachos Marios，Dermatas Evangelos.基于直线跟踪的多尺度视网膜血管分割。计算机医学图像图2010;34（3）：213-27。[14] Staal Joes ， Abramoff Michael D ， Niemeijer Meindert ，Viergever Max A，van Ginneken Bram.视网膜彩色图像中基于脊 的 MedImag ， IEEETrans2004;23 （ 4 ） ：501http://www.ces.clemson.edu/[15] Kande Giri Babu，Venkata Subbaiah P，Savithri T Satya. 基于无监督模糊的眼底病理数字图像血管分割。医学系统杂志2010;4（5）：849-58。[16] Chaudhuri Subhasis ， Chatterjee Shankar ， Katz Norman ，NelsonMark，Goldbaum Michael。使用二维匹配滤波器检测视网膜图像中的血管。IEEE Trans MedImag 1989;8（3）：263-9.[17] 姚昶，陈厚进。基于简化PCNN和快速2D-otsu算法的视网膜血管自动分割中南大学学报2009;16：640-6.[18] 大 津 信 之 一 种 基 于 灰 度 直 方 图 的 阈 值 选 取 方 法 。Automatica1975;11（285-296）：23-7.[19] Aydin D. Cinsdikici MG.使用MF/ant（匹配滤波器/蚁群）算法检测眼底图像中的血管。计算方法生物医学进展2009;96（2）：85-95。[20] Zhang Bob，Zhang Lin，Zhang Lei，Karray Fakhri.用高斯一阶导数匹配滤波器提取视网膜血管。计算机生物医学2010;40（4）：438-45。[21] Al-Rawi Mohammed，Qutaishat Munib，Arrar Mohammed.一种用于数字视网膜图像血管检测的改进匹配滤波器。计算机生物医学2007;37（2）：262-7。[22] 阿尔拉维·穆罕默德卡拉杰·胡达遗传算法匹配滤波器优化用于从数字视网膜图像中自动检测血管。计算方法生物医学进展2007;87（3）：248-53。[23] Zolfagharnasab Hooshiar，Naghsh-Nilchi Ahmad Reza.用于视网膜血管检测的基于柯西的匹配滤波器。J Med SignalsSens2014;4（1）：1.[24] 李勤，尤简，张大卫。使用匹配滤波器响应的多尺度产生的视网膜图像中的血管分割和宽度估计。专家系统应用2012;39（9）：7600-10.[25] 肯尼迪·詹姆斯埃伯哈特·罗素粒子群优化算法1995年IEEE神经网络国际会议论文集; 1995年。p. 1942年到1948年[26] 胡佛·亚当，库兹涅佐娃·瓦伦蒂娜，戈德鲍姆·迈克尔。通过匹配滤波器响应的分段阈值探测在视网膜图像中定位血管。Med Imag，IEEE Trans2000;19（3）：203-10.[27] Soares Joao VB ， Leandro Jorge JG ， Cesar Roberto M ，JelinekHerbert F，Cree Michael J.使用2-D Gabor小波和监督分类 的 视 网 膜 血 管 分 割 。 Med Imag ， IEEE Trans 2006;25（9）：1214-22.[28] 游新阁、彭钦木、袁媛、张耀明、雷佳佳。基于径向投影和半 监 督 方 法 的 视 网 膜 血 管 分 割 。 Pattern Geneva2011;44（10）：2314-24.[29] Martinez-Perez M Elena，Hughes Alun D ，Thom Simon A，Bharath Anil A，Parker Kim H.无红色和荧光素视网膜图像中的血管分割。医学影像分析2007;11（1）：47-61。[30] 作者：Michael W，Michael W，Michael W.使用洞察分割和配准工具包（ITK）改进视网膜血管分割方法。在：医学和生物学工程学会，2007年。2007年欧洲管理和预算系统。第29届IEEE年度国际会议，IEEE; 2007年。p. 892-5[31] [10] Martinez-Perez，Hughes Alun D，Stanton Alice V，ThomSimon A，Bharath Anil A，Parker Kim H.基于尺度空间分析和区域生长的视网膜血管分割。见：医学图像计算和计算机辅助干预，MICCAI 99，Springer; 1999。p. 90比7[32] Miri Mohammad Saleh，Mahloojifar Ali.基于曲波变换和多结构元形态学重建的视网膜图像分析。Biomed Eng， IEEETrans 2011;58（5）：1183-92.