基于视网膜血管形态提取的糖尿病视网膜病变智能分级模型研究

　　本研究针对糖尿病视网膜病变(DR)早期诊断难题，开发了基于血管形态特征提取的智能检测模型。通过结合形态学闭运算、霍夫变换和灰度共生矩阵特征，利用SVM分类器实现了对视网膜图像的精确分级，准确率达95.20%，为DR早期筛查提供了有效技术手段。

　　

通过开发智能模型利用视网膜图像中的血管模式提取来检测糖尿病视网膜病变(diabetic retinopathy, DR)等级。糖尿病视网膜病变作为一种慢性进展性眼病，其视网膜损伤与血糖水平升高直接相关。微动脉瘤(microaneurysm)作为DR的早期临床标志，因其尺寸微小且对比度低而难以检测。

该研究采用六步法流程：首先通过形态学闭运算实现血管检测与分割；第二步采用梯度形态学运算进行圆形边缘检测；第三步运用圆形霍夫变换(Circular Hough Transform)完成视盘检测；第四步在去除血管、圆形边缘和视盘结构后实现微动脉瘤的分割；第五步提取血管区域面积、微动脉瘤区域面积两个形态学特征及灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)的四个纹理特征；最终采用支持向量机(Support Vector Machine, SVM)配合高斯核函数进行分类。

模型在EyePacs视网膜眼底图像数据库上取得95.20%准确率与97%特异性的优异性能，显著优于现有方法，为DR早期诊断提供了可靠的技术方案。