《Electronics》：Novel Hybrid Approach for Retinal Blood Vessel Detection: Optimizing a Matched Filter with a Genetic Algorithm Toward IoMT Applications
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，支持远程评估和互联医疗应用。然而，在限制假阳性的同时检测视网膜小血管仍然具有挑战性。本研究提出了一种混合视网膜血管分割方法，该方法将视盘排除与遗传算法优化的高斯匹配滤波器（GMF）相结合。该方法定位并掩
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，支持远程评估和互联医疗应用。然而，在限制假阳性的同时检测视网膜小血管仍然具有挑战性。本研究提出了一种混合视网膜血管分割方法，该方法将视盘排除与遗传算法优化的高斯匹配滤波器（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（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的血管分割结果。使用两个公共视网膜图像数据库DRIVE和STARE对所提方法进行了评估。在DRIVE上，该方法实现了平均AUC 0.9659和平均准确度（MA）0.9444；在STARE上，实现了平均AUC 0.9625和MA 0.9530。结果表明，该方法在整体视网膜血管分割方面具有竞争力，同时所提出的优化专门针对小视网膜血管的响应。因此，该方法有望作为互联视网膜筛查系统的图像分析组件。然而，在实际IoMT部署中，还需要进一步评估计算效率、数据保护和图像操纵的韧性。
视网膜血管分割是自动化视网膜图像分析的重要环节，对糖尿病视网膜病变等眼病的早期诊断具有关键作用。然而，视网膜图像中的视盘区域、血管宽度差异、低对比度等因素使得精确检测小血管并控制假阳性成为挑战。高斯匹配滤波器（Gaussian Matched Filter，GMF）虽能有效响应血管结构，但其性能高度依赖参数L（血管段长度）、σ（强度扩展因子）和T（高斯截断值）。已有优化方法存在搜索空间有限或侧重大血管而忽略小血管的局限。为此，本研究提出一种混合方法——基于遗传算法的优化匹配滤波器（OMFGA），将遗传算法（Genetic Algorithm，GA）优化的GMF与视盘排除相结合，旨在提升小血管检测能力并降低假阳性率。
研究人员利用DRIVE数据库首个训练图像中的小血管段，通过GA优化GMF参数，以受试者工作特征曲线下面积（Area Under the Curve，AUC）为适应度函数，获得五组参数集（Filters 1–5），并引入一项早期研究中用于大血管检测的参数集（Filter 6）。训练阶段比较候选滤波器组合后，最终固定Filters 3、4、6的组合。在DRIVE测试集上，该方法平均AUC为0.9659，平均准确度（Mean Accuracy，MA）为0.9444；在STARE数据库上直接应用该组合，平均AUC为0.9625，MA为0.9530。结果表明，该方法整体分割性能具有竞争力，且针对小血管响应进行了专门优化，可作为互联视网膜筛查系统的图像分析组件。
本研究使用的样本来源为DRIVE数据库（40幅图像，20幅训练、20幅测试）和STARE数据库（20幅图像）。关键方法包括：提取彩色视网膜图像的绿色通道以增强血管对比度；使用遗传算法优化GMF的三个参数，适应度函数为AUC；构建12个方向的匹配滤波器组，并选择三个滤波器结果进行算术融合；视盘定位与排除通过阈值化（阈值0.67）、膨胀、填充等形态学操作实现；后处理包括3×3平均滤波、固定阈值0.17及去除小连通对象。所有实验基于MATLAB R2022b实现。
以下按论文语节概述研究结果：
5.1 材料（Materials）：DRIVE数据库来自荷兰糖尿病视网膜病变筛查项目，包含40幅彩色RGB图像，分为训练组和测试组各20幅；STARE数据库选取20幅图像用于评估。所有实验使用绿色通道，因其与血管对比度最佳。
5.2 测试指标（Testing Metrics）：采用AUC和MA作为评价指标。通过将分割结果与专家手工标注图像比较，计算真/假血管像素比例，绘制ROC曲线并计算AUC；MA为在视场（Field of View，FOV）内正确分类像素占总像素的比例。
5.3 程序（Procedure）：GA优化仅基于DRIVE首幅训练图像中的小血管段，选定的滤波器组合在测试前固定，不随测试图像调整。STARE图像直接应用该组合，无进一步优化。
5.4 实验结果与分析（Experimental Results and Analysis）：在DRIVE 20幅测试图像上，Filters 3、4、6组合的平均AUC为0.9659±0.0086（95%置信区间0.9618–0.9699），而Filters 1、2、5组合为0.9644±0.0089；配对t检验显示差异显著（t(19)=13.92，p<0.001）。在STARE 20幅图像上，平均AUC为0.9625，MA为0.9530。与多种已有方法比较，OMFGA在DRIVE和STARE上均表现出有竞争力的性能。视觉比较显示，OMFGA能检测出更多小血管，同时视盘区域的假阳性明显减少。
5.5 对医疗物联网（IoMT）的意义（Implications for Internet of Medical Things）：该方法有望用于IoMT视网膜筛查系统，但实际部署需评估计算效率、通信需求、隐私安全及图像防篡改能力。
讨论部分指出，与深度学习方法相比，OMFGA是一种模型化方法，不需要训练深度神经网络，参数优化过程可解释性较强。但不同研究的数值比较受预处理、数据集划分和评估协议差异影响，需谨慎解读。同时，虽然优化使用了包含小血管的图像段，但AUC和MA是图像级指标，未按血管宽度分别量化性能，小血管改善主要得到定性支持。结论部分翻译如下：本研究提出了一种将基于遗传算法的GMF优化与视盘排除相结合的视网膜血管分割方法。遗传算法以ROC面积作为适应度函数，生成了五组新的GMF参数集；基于训练阶段评估，选择其中两个滤波器与来自先前GMF研究的一个滤波器组合成最终系统。该组合在DRIVE测试集上实现了MA 0.9444和平均ROC面积0.9659。前两组参数使用包含小视网膜血管的图像段优化，第三组参数用于大血管检测，这种设计旨在增强小血管检测同时保持大血管检测性能。此外，研究引入了视盘定位与消除步骤以减少该区域的假血管响应，但仍有残留假阳性。总之，该方法结合了遗传算法优化的GMF和针对性的视盘消除，不仅解决了小血管检测难题，还在评估数据集上表现出有竞争力的性能。然而，在IoMT环境中实际部署前还需考虑计算效率、隐私和安全性。未来工作应评估参数在多个训练图像和不同随机种子下的稳定性，并实施消融研究以量化各步骤的贡献。
