眼底图像分割算法发展历史

考虑到在医学图像领域，有标注图像数量有限和对模型诊断结果可解释性的要求等问题，一些针对医学图像特点设计的特殊算法被提出。2006年，Soares等提出了一种基于像素特征向量的图像分割方法，将每个像素点分为血管和非血管两类。该方法通过对图像的像素强度和在多尺度上得到的二维Gabor小波变换响应进行组合，以此来获取特征向量，最后使用高斯混合的贝叶斯分类器快速完成分类。2007年，Ricci等先通过检测器对视网膜图像进行特征信息的提取，再使用提取的特征训练支持向量机来对血管和背景进行分类。2010年，Marin等先通过灰度级和矩不变量的特征计算出多维向量，再对神经网络训练，完成像素分类。2015年，Lim等采用卷积神经网络，将其侧重于分割过程中的血管偏重值，取得良好的分类效果。同年，Olaf等设计出一种独特的U-Net卷积网络，通过相关前后卷积网络层的连接和对称的扩展通路，有效融合了网络前后层的信息，可以高效地利用有限的标注样本，在小样本数据集上具有优异的性能。2016年，Aslani等使用混合特征向量训练随机森林分类器，对图像中的血管和非血管信息进行分类。吴奎等使用一种COSFIRE滤波器来提取血管特征，并通过训练贝叶斯高斯混合模型来完成血管的分割。2017年，Zilly等提出了熵采样和集成学习的方法，完成了视盘和视神经乳头的分割。2018年，Xiao等提出了一种带有加权注意力机制的U-Net模型，让深度学习的视网膜血管分割方法达到了最新水平。Cheng等将极坐标变换、多尺度输入的多标注U型卷积神经网络和旁路输出层相结合，有效融合了图像的多尺度层次信息，在视杯视盘的联合分割中具有了较优的性能。2019年，陈莉等利用特征组合的方式提取到18维特征向量，并通过多模块K-Means的方法进行视网膜血管分割。卓钟烁等提出了一种基于卷积神经网络的视网膜血管分割方法，设计了不同大小的卷积核，获取到了不同维度的特征，综合运用局部特征和全局特征后取得了不错的视网膜血管分割效果。雷军明等在多尺度U-Net的基础上，把一般的卷积层改为灵活可变的卷积网络，该网络能够根据视网膜血管的特征，自适应地调整模型的结构，取得了更优的效果。