《Electronics》：AdaptiveCap: Adaptive Capability Control for Secure and Flexible LLM Agent Workflows
编辑推荐：
准确的视网膜血管分割是自动化视网膜图像分析的重要组成部分，可支持远程评估和联网医疗应用。然而，在检测小视网膜血管的同时限制假阳性仍具挑战性。本研究提出一种混合式视网膜血管分割方法，将视盘排除与遗传算法优化的高斯匹配滤波（Gaussian matched fil
准确的视网膜血管分割是自动化视网膜图像分析的重要组成部分，可支持远程评估和联网医疗应用。然而，在检测小视网膜血管的同时限制假阳性仍具挑战性。本研究提出一种混合式视网膜血管分割方法，将视盘排除与遗传算法优化的高斯匹配滤波（Gaussian matched filter, GMF）相结合。该方法定位并掩蔽视盘，并使用遗传算法优化三个GMF参数，以受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）作为适应度函数。随后应用滤波、阈值化和形态学操作生成最终血管分割。所提方法使用两个公共视网膜图像数据库DRIVE和STARE进行评估。在DRIVE上，该方法获得平均AUC 0.9659和平均准确率（mean accuracy, MA）0.9444；在STARE上获得平均AUC 0.9625和MA 0.9530。结果表明具有竞争力的整体视网膜血管分割性能，同时所提优化特别针对小视网膜血管的响应。因此，该方法显示出作为联网视网膜筛查系统图像分析组件的潜力。然而，实际医疗物联网（Internet of Medical Things, IoMT）部署需要进一步评估计算效率、数据保护以及对图像操纵的鲁棒性。
论文主体解读
研究背景：视网膜血管的病理改变与多种致盲原因相关，糖尿病视网膜病变中可见血管异常狭窄、增宽、新生脆弱血管及边缘不规则等改变。自动且准确地分析视网膜图像已成为眼科诊断的重要实践，血管测量对部分眼病诊断具有价值。自动血管检测面临视盘和视网膜边界等解剖结构、血管宽度变化、相对背景低对比及多种病理改变等挑战。GMF可对窄血管产生稳健响应并抑制背景响应，因此被广泛用于血管检测，但其性能受多个参数控制。已有研究对GMF参数优化不足：穷举搜索受搜索空间限制，遗传算法优化虽被采用但主要关注大血管检测，忽略小血管准确识别。视盘区域明亮、呈圆形，结构类似大血管，易造成混淆和假阳性，并可能遮蔽小血管而导致检测不完整，因此视盘排除被视为必要步骤。该研究的空白在于有限提升GMF对小视网膜血管检测的效果。所提OMFGA的新颖性不在于单独使用遗传算法，而在于使用含小视网膜血管的图像片段优化GMF参数集，将其与已有大血管滤波器组合，并加入视盘定位和排除，从而在同一视网膜血管分割框架中整合小血管导向的遗传算法优化、大血管与小血管匹配滤波组合及视盘排除。研究目标是增强大、小血管检测并减少假血管检测，以AUC评价候选参数。
关键技术与方法：研究人员在DRIVE训练集第一幅图像中选取含小血管的三个片段，进行5次遗传算法（genetic algorithm, GA）优化，以AUC为适应度，优化GMF的L、σ、T，得到Filters 1–5；Filter 6沿用Al-Rawi and Karajeh用于大血管。采用12方向GMF滤波、阈值化与形态学处理，并以阈值0.67定位视盘、膨胀、填充、相减和开运算排除视盘；后处理用3×3均值滤波、阈值0.17及去除小连通对象。DRIVE含40幅图像（20训练、20测试），STARE用20幅评估；实现环境为MATLAB R2022b。
研究结果：
5.1 Materials：DRIVE数据库含40幅数字图像，分为20幅训练集和20幅测试集，附掩膜和由经验丰富病理学家提供的手工标注；图像来自荷兰糖尿病视网膜病变筛查项目，为彩色RGB图像，由Canon CR5 non-mydriatic 3CCD camera采集，大小565×584像素。绿色波段与血管对比强，因此用于实验；第一幅DRIVE训练图像用于遗传优化确定滤波器参数，20幅测试图像用于评价AUC和MA。STARE数据库共20幅图像用于评价，所选GMF参数集Filters 3、4、6直接应用，不进一步遗传优化、滤波器选择或参数调整。
5.2 Testing Metrics：采用AUC和MA评价。匹配滤波后经阈值化产生多个二值图像，评价时阈值在0至1之间以0.001为步长；遗传优化过程中AUC适应度采用0至1、步长0.05的预定义阈值进行候选参数计算评价。ROC通过比较二值图像与专家手工标注图像计算真血管比率和假血管比率；MA为在视野（Field of View, FOV）内正确识别血管和非血管像素数之和除以总像素数。方法开发时用第一幅DRIVE训练图像选择阈值0.17，随后固定应用于20幅DRIVE测试图像，测试图像真值仅用于计算准确率，不用于阈值选择；STARE直接应用由DRIVE优化得到的参数集。
5.3 Procedure：OMFGA用第一幅DRIVE训练图像遗传优化得到的参数集，随后应用于20幅DRIVE测试图像且不再优化；测试图像未参与遗传优化。研究人员比较Filters 1、2、5与Filters 3、4、6两种三滤波器组合，Filters 3、4、6在训练图像上ROC面积和MA更优，因此固定为最终组合。Filters 3和4由含小视网膜血管片段优化，Filter 6用于大血管检测；STARE数据库直接应用DRIVE优化所得参数集，不进一步遗传优化。方法在MATLAB R2022b中实现。
5.4 Experimental Results and Analysis：研究检查OMFGA框架中的6个滤波器，Filters 1–5由遗传优化获得，Filter 6采用自Al-Rawi and Karajeh。20幅DRIVE测试图像中，最终Filters 3、4、6组合平均AUC为0.9659 ± 0.0086（SD），95%置信区间0.9618–0.9699；Filters 1、2、5组合平均AUC为0.9644 ± 0.0089，95%置信区间0.9602–0.9685；配对t检验显示两种组合AUC差异有统计学意义，t(19)=13.92，p<0.001。第一幅DRIVE训练图像上Filters 3、4、6也高于Filters 1、2、5，故在测试前固定。DRIVE上平均AUC 0.9659、MA 0.9444；STARE上不进一步优化，平均AUC 0.9625、MA 0.9530。作者指出AUC和MA为图像级分割指标，未按血管宽度分别量化性能，小血管检测改善由分割输出定性支持而非专用血管尺寸指标。与近期深度学习方法比较需谨慎，因预处理、训练策略、数据集划分和评价协议不同；OMFGA为模型式方法，不需深度神经网络训练，具有可解释的匹配滤波优化过程，可直接检查参数和处理阶段影响。讨论还提到残余假血管响应仍存在并略降低总体准确率。
5.5 Implications for Internet of Medical Things (IoMT)：所提视网膜血管分割方法有潜力作为IoMT视网膜筛查系统中的图像处理工具；IoT连接的眼底成像设备采集图像后可送至处理中心，以识别视网膜血管并用于下游图像筛查和临床决策支持。但本研究仅在公共视网膜图像数据库上评价算法，未在IoMT系统中实现或测试；实际部署尚需评估计算复杂度、通信需求、隐私、安全、互操作性及抗图像篡改能力。
讨论总结：OMFGA为模型式方法，不需深度神经网络训练，可通过遗传算法优化GMF参数并组合不同血管尺度滤波器，同时加入视盘排除；其分割过程相对可解释。由于GA优化在方法开发阶段完成，选定参数随后固定用于新图像而不重复优化，可能降低后续图像分析的计算需求；但执行时间、内存需求及资源受限边缘或移动设备上的性能未评价。视网膜图像及其衍生信息属敏感医疗数据，需要安全传输、适当访问控制和数据保护机制；图像完整性也重要，未经授权操纵或损坏可能影响分割结果。GA优化基于单一DRIVE训练图像的血管片段，未来需评估优化参数在多个训练图像、不同血管片段选择和不同随机种子独立GA运行中的稳定性，并进行系统消融研究以量化GA优化、多滤波器融合和视盘排除对整体分割性能的个体贡献。
研究结论翻译：本研究提出一种新颖方法，通过改进GMF系统以提高医学影像中视网膜血管尤其小血管检测。所提方法使用遗传算法生成五个新的GMF参数集，以ROC面积作为适应度函数优化。基于训练阶段评价，选择其中两个滤波器并与先前GMF研究的第三个滤波器组合形成最终系统。该整合在DRIVE测试集获得MA 0.9444和平均ROC面积0.9659。前两个参数集使用含小视网膜血管的图像片段优化，第三个参数集采用自Al-Rawi and Karajeh用于大血管检测。所提滤波器的组合使用旨在增强小血管检测，同时保持大血管检测。此外，研究纳入定位和排除视盘（optic disc, OD）的过程，以减少视盘区域假血管响应；然而，一些假血管响应持续存在，略微降低整体准确率。总之，本研究提出一种结合遗传算法GMF优化与视盘排除的视网膜血管分割方法。遗传算法用于GMF优化与靶向OD排除过程的组合使用，不仅应对小血管检测挑战，也在所评价数据集中展示竞争性性能。尽管残余假阳性仍存在，所提方法为自动化视网膜图像分析及其潜在集成到联网视网膜筛查系统提供基础。然而，IoMT环境实际部署需要进一步考虑计算效率、隐私和安全。在所提方法中，GA优化在方法开发期间进行，而选定的优化滤波器参数随后固定并应用于新视网膜图像而无需重复优化过程，这可能降低后续图像分析期间的计算需求。然而，执行时间、内存需求以及在资源受限边缘或移动设备上的性能未在本研究中评价，应在实际部署前研究。此外，视网膜图像及其衍生信息构成敏感医疗数据，在联网设备和医疗系统之间交换时需要安全传输、适当访问控制和数据保护机制。图像完整性也很重要，因为未经授权的操纵或损坏视网膜图像可能影响血管分割结果。因此，未来工作应在实际IoMT环境中评价OMFGA的计算性能，并研究适当的隐私、安全和图像完整性机制，以集成到联网视网膜筛查系统。尽管所选滤波器配置在DRIVE和STARE上无进一步优化评价，GA优化基于单一DRIVE训练图像的血管片段。未来工作应评价优化参数在多个训练图像、不同血管片段选择和不同随机种子的独立GA运行中的稳定性。未来工作还应包括系统消融研究，以量化GA优化、多滤波器融合和视盘排除对整体分割性能的个体贡献。
