邹北骥，易博松，刘晴†

（1.中南大学自动化学院，湖南长沙 410083；2.中南大学计算机学院，湖南长沙 410083；3.湖南省机器视觉与智慧医疗工程技术研究中心，湖南长沙 410083）

糖尿病性视网膜病变是糖尿病的微血管主要并发症之一，也是主要的致盲疾病之一[1].据估计，到2030 年全世界将有约3.6 亿人罹患糖尿病.我国目前的糖尿病患病率为9.7%，约有9 400 万人罹患糖尿病[1].临床上视网膜新生血管的出现是非增殖期糖尿病性视网膜病变恶化至增殖期糖尿病性视网膜病变的主要标志，也是医生是否需要对患者立刻进行积极治疗的关键判断依据[1-2].

目前已有的对于视网膜新生血管的检测方法主要是通过传统图像处理方法对彩色眼底图中的新生血管进行分割，去除背景和大部分图像噪声，只提取血管图像，再使用机器学习方法训练分类器并对眼底图像全局或者特定区域的血管进行分类以达到新生血管检测的目的.

Agurto 等[3]将AM-FM 算法用于检测正常和非正常的血管，以此筛查糖尿病性视网膜病.Goatman 等[4]直接提取血管的形状、位置、方向、密度等特征，并使用支持向量机（Support Vector Machine，SVM）分类器来区分正常和非正常血管.Hassan 等[5]选择固定大小区域里的血管数目和血管所占面积作为特征来检测新生血管.Maryam[6]证明了在各种描述新生血管的特征中，Gabor 滤波器方法能实现最好的特异性和较好的敏感性.Welikala 等[7]分别从标准线性算子和修正线性算子生成的二值化的血管图中提取两组不同的特征集，并提出……