通过集成K-means集群算法对视网膜图像进行细分的一种新方法,用于图像细分的图形切割
Ramasubramanian Bhoopalan1, S Priyadharshini2
1SRM TRP Engineering College, Tiruchirappalli, Tamil Nadu, 621 105, India.
Scientific reports
|October 15, 2025
概括
本研究介绍了一种混合K-Means和Graph Cut方法用于糖尿病视网膜病变 (DR) 图像细分. 这种方法显著提高了精度和图像质量,有助于早期DR检测.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 糖尿病视网膜病变 (DR) 是导致视力丧失的主要原因.
- 传统的细分方法与复杂的视网膜特征,噪音和低对比度作斗争,影响诊断准确度.
- 准确的细分对于早期DR检测和管理至关重要.
研究的目的:
- 为糖尿病视网膜病变 (DR) 开发和评估一种新的混合图像细分方法.
- 克服传统方法在细分复杂的视网膜病变的局限性.
- 提高视网膜图像分析的准确性和稳定性,以改善DR诊断.
主要方法:
- 开发了一种混合细分方法,集成K-Means集群和图形切割优化.
- K-Means 聚类提供了初始的图像细分到不同的区域.
- 图形切割优化根据像素相似性和空间连续性的细分边界.
主要成果:
- 混合方法的平均平方误差 (MSE) 为0.044,峰值信号噪声比 (PSNR) 为40.84,结构相似度指数 (SSIM) 为0.92.
- 这些指标显著优于现有的基准指标,显示出优越的图像质量和结构性保存.
- 该方法有效地解决了低对比度视网膜图像中的噪声敏感性和边界检测问题.
结论:
- 拟议的混合K-Means和图形切割方法为视网膜图像细分提供了强大的,可扩展的和高效的解决方案.
- 这一进步提高了糖尿病视网膜病变的早期检测,为全球眼科护理做出了贡献.
- 这项工作通过提供可访问和准确的医疗保健技术来支持可持续发展目标9.
