基于快速圆环变换与Chan-Vese模型的视盘定位与分割新方法及其在眼科疾病早期诊断中的应用

本研究针对视网膜图像中视盘(OD)定位与分割存在的图像质量变异、背景噪声和边缘信息不足等挑战，提出了一种结合快速圆环变换(FCT)与血管熵特征的创新方法。通过Minkowski加权K-means聚类动态评估特征重要性，结合PDE(偏微分方程)修复技术和Chan-Vese主动轮廓模型，在DRISHTI-GS等公开数据集上实现了0.94-0.95的Dice系数，为青光眼等眼科疾病的早期筛查提供了高精度、可解释的解决方案。

　　

在全球范围内，青光眼等视网膜疾病正成为不可逆视力丧失的主要诱因。研究预测到2040年全球青光眼患者将达1.118亿，其中亚洲和非洲人群因医疗资源匮乏面临更高风险。视盘(OD)作为视神经头部(ONH)在眼底图像中的表现，其形态变化是青光眼等疾病的关键生物标志物。然而，传统方法在应对模糊边界、血管遮挡和病理变形时表现欠佳，而深度学习又面临数据依赖性强、计算资源需求高等瓶颈。

针对这一临床痛点，来自印度Vellore理工学院的S. Gowthaman和Abhishek Das在《Scientific Reports》发表研究，提出了一种融合频域和空域特征的创新框架。该方法通过分析眼底图像中视盘的环形结构和血管汇聚模式，实现了无需标注数据的精准定位与分割，为资源有限地区的疾病筛查提供了可行方案。

关键技术包括：(1)基于颜色主导性的图像预处理，通过Lab空间通道增强和CLAHE(限制对比度自适应直方图均衡化)优化图像质量；(2)快速圆环变换(FCT)提取10-20像素半径的环形特征；(3)基于PCA(主成分分析)的血管分割与熵值计算；(4)Minkowski加权K-means聚类实现特征自适应融合；(5)PDE(偏微分方程)修复技术消除血管干扰；(6)Chan-Vese主动轮廓模型完成最终分割。实验采用DRISHTI-GS等四个公开数据集验证性能。

【图像预处理基于颜色主导】通过计算蓝色通道方差(阈值θ=1500)判断图像色彩倾向，在Lab空间选择增强a或b通道，再经CLAHE和双边滤波处理。如图1所示，预处理后血管和视盘区域对比度显著提升。

【Patch-based FCT检测】将图像分为60×60像素的非重叠区块，采用半径r=10/20像素、尺度j=2的FCT系数分析，避免全局分析导致的漏检问题。通过最大圆环系数Max_Coeff_i^(10/20)构建特征集，聚焦视杯区域检测。

【血管熵特征分析】采用Coye方法获取二值血管图像，计算各区块熵值H_i=-Σp_klog₂(p_k)。高熵值区域对应血管交汇处，与FCT特征形成互补。

【自适应特征融合】通过Minkowski加权K-means(γ经轮廓分析选择)动态优化特征权重w_1-3，线性组合L_i=w₁Max_Coeff_i⁽¹⁰⁾+w₂Max_Coeff_i⁽²⁰⁾+w₃H_i确定视盘中心。

【PDE修复技术】基于热方程?u/?t=λΔu+χ_Ω\D(f-u)消除血管干扰，生成如图2所示的血管抑制图像I_w=0.7I_R+0.3I_B。

【Chan-Vese分割】通过能量函数F(α₁,α₂,C)=μ·Length(C)+λ₁∫_inside(C)|I_w-α₁|²dxdy+λ₂∫_outside(C)|I_w-α₂|²dxdy实现精确分割。

在ORIGA和DRISHTI-GS数据集上分别获得0.94和0.95的Dice系数，Jaccard指数稳定在0.9。相比传统方法，自适应版本在IDRID数据集将平均误差从0.2539降至0.2493。与深度学习方法相比，该方法无需标注数据即可达到MSGANet-OD等模型的性能水平(差异p=0.598)。

研究同时揭示了当前局限：在视盘周围萎缩(如图4a)或形态异常(如图4b)时性能下降。未来将通过融合纹理特征和多尺度分析进一步提升鲁棒性。这项工作的临床价值在于：首次将FCT的几何鲁棒性与血管熵的解剖特异性通过动态加权结合，为医疗资源匮乏地区提供了可解释、低计算成本的筛查工具，其代码已开源供社区验证和改进。