基于纹理Radon变换与形态学重建的糖尿病视网膜病变硬性渗出物自动检测方法研究

本研究针对糖尿病视网膜病变(DR)筛查中硬性渗出物(HEs)检测的临床挑战，创新性地提出融合纹理Radon变换(RT)与形态学图像处理技术的自动化检测方法。通过预处理增强、血管及视盘分割、Kirsch边缘检测和Top-Hat形态学重建等关键技术，在DIARETDB1和MUMS-DB数据集上实现病灶分类灵敏度96%/像素级灵敏度92%的优异性能，为资源受限环境提供可解释性强的高效筛查工具。

　　

糖尿病视网膜病变(DR)作为全球致盲主因之一，其早期诊断依赖眼底彩照(CFP)中硬性渗出物(HEs)的精准识别。这些由血管渗漏形成的黄色脂质沉积，不仅是DR典型标志，更是黄斑水肿的重要预警信号。然而临床实践中，HEs与视盘(OD)、血管网络及形态相似的软性渗出物、玻璃膜疣等结构的鉴别存在巨大挑战，传统人工筛查不仅耗时费力，不同医师诊断一致性仅达60-70%。更棘手的是，现有AI方法普遍依赖海量标注数据和算力资源，在基层医疗机构难以推广。

为解决这一临床痛点，研究人员开展了一项创新性研究。团队首先观察到HEs在CFP中具有三个关键特征：高亮度、锐利边缘和空间分布规律性。基于此，研究提出"纹理引导的Radon变换+形态学重建"技术路线，通过数学变换将二维图像特征转化为可量化参数，结合临床先验知识构建轻量化检测体系。该研究近期发表于《Biomedical Engineering Advances》，为DR筛查提供了新的技术范式。

关键技术方法包含四个核心环节：(1)采用CLAHE和Multi-Scale Retinex(MSR)进行图像增强；(2)基于Radon变换的OD和血管分割，通过自适应窗口参数(n=310/313像素)解决分辨率差异问题；(3)Kirsch算子边缘检测结合β系数优化(0.66-0.85)实现HEs特异性识别；(4)Top-Hat形态学重建与Otsu阈值完成最终分割。研究使用DIARETDB1(89例)和MUMS-DB(32例)两个数据集验证，后者包含眼科专家双重标注。

【材料与方法】
采用分阶段处理框架：预处理阶段提取绿色通道，通过CLAHE(限幅0.02)和自适应中值滤波(5×5核)增强对比度；主处理阶段创新性地采用圆形掩模消除Radon变换对角偏差，设置步长4像素的滑动窗口检测OD(直径308像素)和血管(直径17-25像素)；特征提取阶段运用Kirsch 3×3八方向核突出HEs边缘特征；后处理阶段采用直径30像素的圆形结构元素进行Top-Hat运算，最终通过Otsu双阈值分类完成分割。

【结果】
在像素级评估中，算法在MUMS-DB数据集达到92%灵敏度(PPV 85-92%)，显著优于DIARETDB1的83%；病灶分类表现更突出，对两位医师标注分别实现100%灵敏度和97-100%特异性。OD检测准确率呈现数据集依赖性：MUMS-DB达96.8%，而DIARETDB1仅65.2%，揭示不同采集协议对算法鲁棒性的影响。

【讨论】
该研究突破性地将数学变换与临床知识融合：Radon变换通过投影角度α和距离s参数化特征，配合形态学操作解决HEs形态多变难题；创新性提出的β系数自适应机制(0.66-0.85)有效平衡不同分辨率图像的血管检测精度。相比深度学习方案，该方法在保持90%+灵敏度的同时，特异性提升2-3个百分点，且无需GPU加速，在标准PC(Intel i5-10300H)即可实现实时处理。

研究局限性在于参数调整仍需人工参与，未来可通过机器学习实现n值自动优化。但不可否认，这种"白盒"算法为理解DR影像特征提供了新视角——例如发现HEs在45°和135°投影方向的Radon响应具有诊断特异性，这为开发新型生物标志物奠定基础。该技术现已应用于三家区域性医院试点，显著提升筛查效率，特别适合医疗资源分布不均的发展中国家。

这项研究的意义不仅在于技术突破，更开创了"临床认知驱动"的AI研发新模式。通过深度结合眼科医生的诊断逻辑(如重视边缘锐利度而非单纯亮度)，使算法决策过程透明可溯。随着全球糖尿病患病率持续攀升，这种高效、可解释的筛查工具，或将成为实现WHO"2030消除可避免盲"目标的重要助力。