基于超像素框架与自适应特征分析的硬性渗出物检测新方法

《Informatics》：An Optimized Superpixel-Based Framework for Hard Exudates Segmentation Incorporating Multi-Stage Preprocessing

　　摘要硬性渗出物（HEs）是糖尿病视网膜病变（DR）最早期的临床表现之一，也是疾病诊断和进展评估的重要指标。因此，准确分割HEs对于早期干预和预防视力丧失至关重要。然而，由于病变外观、光照条件以及视盘等解剖结构相似的眼底结构存在差异，自动HEs检测仍然具有挑战性。本研究提出了一种基于超像素框架（SBF）并结合自适应特征分析的知识引导型硬性渗出物检测框架。所提出的方法整合了眼底图像增强、CIELAB色彩空间转换、SBF超像素生成、自适应亮度-色度阈值分割、视盘抑制和形态学细化，以提高病变定位的准确性并减少假阳性检测。与需要大量标注数据集和大量计算资源的深度学习方法是不同的，所提出的框架利用具有感知意义的色彩信息和眼底解剖学知识，实现了稳健且可解释的分割。我们在公开的DIARETDB1和STARE数据集上对该框架进行了评估，并将其与K-means聚类、模糊C均值（FCM）、均值漂移分割、区域生长、U-Net以及基于卷积神经网络（CNN）的分割方法进行了比较。所提出的框架在标准糖尿病视网膜病变数据库（DIARETDB1）上取得了最佳性能，准确率为98.24%，灵敏度为95.81%，特异度为99.12%，Dice系数为95.58%，IoU为91.42%。同样，在视网膜结构化分析（STARE）数据集上，该方法达到了97.89%的准确率和90.21%的IoU。结果表明，所提出的方法为自动化DR筛查系统提供了准确、计算高效且可解释的HEs分割。