糖尿病视网膜病变以及所用的技术介绍.docVIP

糖尿病性视网膜病变 糖尿病性视网膜病变（DR）是糖尿病性微血管病变中最重要的表现，是一种具有特异性改变的眼底病变，是糖尿病的严重并发证之一。临床上根据是否出现视网膜新生血管为标志，将没有视网膜新生血管形成的糖尿病性视网膜病变称为非增殖性糖尿病性视网膜病变（NPDR）（或称单纯型或背景型），而将有视网膜新生血管形成的糖尿病性视网膜病变称为增殖性糖尿病性视网膜病变（PDR）。 视网膜毛细血管的病变表现微动脉瘤、出血斑点、硬性渗出、棉绒斑、静脉串珠状、视网膜内微讯管异常（IRMA），以及黄斑水肿等。广泛缺血会引起视网膜或视盘的新生血管、视网膜前出血、体积血及牵拉性视网膜脱离。患者有严重的视力障碍。糖尿病可引起两种类型视网膜病变，增殖性和非增殖性视网膜病变。糖尿病性视网膜病变是主要致盲眼病之一。 在增殖性视网膜病变，视网膜损害刺激新生血管生长。新生血管生长对视网膜有害无益，其可引起纤维增生，有时还可导致视网膜脱离。新生血管也可长入玻璃体或引起玻璃体出血。与非增殖性视网膜病变相比，增殖性视网膜病变对视力的危害性更大，其可导致严重视力下降甚至完全失明。 ?X射线照片、细胞图像判读和处理方面有广泛的应用。关于纹理，还没有一个统一的数学模型。它起源于表征纺织品表面性质的纹理概念，可以用来描述任何物质组成成分的排列情况，例如医学上X 射线照片中的肺纹理、血管纹理、航天(或航空)地形照片中的岩性纹理等。图像处理中的视觉纹理通常理解为某种基本模式（色调基元）的重复排列。因此描述一种纹理包括确定组成纹理的色调基元和确定色调基元间的相互关系。纹理是一种区域特性，因此与区域的大小和形状有关。两种纹理模式之间的边界，可以通过观察纹理度量是否发生显著改变来确定。纹理是物体结构的反映，分析纹理可以得到图像中物体的重要信息，是图像分割、特征抽取和分类识别的重要手段。 统计纹理分析寻找刻划纹理的数字特征，用这些特征或同时结合其他非纹理特征对图像中的区域（而不是单个像素）进行分类。图像局部区域的自相关函数、灰度共生矩阵、灰度游程以及灰度分布的各种统计量，是常用的数字纹理特征。如灰度共生矩阵用灰度的空间分布表征纹理。由于粗纹理的灰度分布随距离的变化比细纹理缓慢得多，因此二者有完全不同的灰度共生矩阵。结构纹理分析研究组成纹理的基元和它们的排列规则。基元可以是一个像素的灰度、也可以是具有特定性质的连通的像素集合。基元的排列规则常用树文法来描述。 集合论，因此它具有完备的数学基础，这为形态学用于图像分析和处理、形态滤波器的特性分析和系统设计奠定了坚实的基础。数学形态学的应用可以简化图像数据，保持它们基本的形状特性，并除去不相干的结构。数学形态学的算法具有天然的并行实现的结构， 实现了形态学分析和处理算法的并行，大大提高了图像分析和处理的速度。 代数运算子组成的，它的基本运算有4个： 膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合， 它们在二值图像和灰度图像中各有特点。基于这些基本运算还可推导和组合成各种数学形态学实用算法，用它们可以进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边缘检测、?图像滤波、图像增强和恢复等。数学形态学方法利用一个称作结构元素的“探针”收集图像的信息，当探针在图像中不断移动时， 便可考察图像各个部分之间的相互关系，从而了解图像的结构特征。数学形态学基于探测的思想，与人的FOA(Focus Of Attention)的视觉特点有类似之处。作为探针的结构元素，可直接携带知识（形态、大小、甚至加入灰度和色度信息）来探测、研究图像的结构特点。 数学形态学的基本思想及方法适用于与图像处理有关的各个方面，如基于击中/击不中变换的目标识别，基于流域概念的图像分割， 基于腐蚀和开运算的骨架抽取及图像编码压缩，基于测地距离的图像重建，基于形态学滤波器的颗粒分析等。迄今为止， 还没有一种方法能像数学形态学那样既有坚实的理论基础，简洁、 朴素、 统一的基本思想，又有如此广泛的实用价值。有人称数学形态学在理论上是严谨的，在基本观念上却是简单和优美的。数学形态学是一门建立在严格数学理论基础上的学科，其基本思想和方法对图像处理的理论和技术产生了重大影响。事实上， 数学形态学已经构成一种新的图像处理方法和理论，成为计算机数字图像处理及分形理论的一个重要研究领域， 并且已经应用在多门学科的数字图像分析和处理的过程中。这门学科在计算机文字识别， 计算机显微图像分析(如定量金相分析，颗粒分析)， 医学图像处理（例如细胞检测、心脏的运动过程研究、 脊椎骨癌图像自动数量描述），图像编码压缩， 工业检测(如食品检验和印刷电路自动检测)，材料科学， 机器人视觉，汽车运动情况监测等方面都取得了非常成功的应用。另外，数学形态学在指纹检测、经济地理、合成音乐和断层X光照像等领域也有良好的应用前