Методика автоматической сегментации зрачка в офтальмологических изображениях с аномалиями

Цель исследования ‒ разработка методики сегментации зрачков с патологическими изменениями формы, преодолевающей ограничения традиционных методов на основе поиска окружностей. Ключевой задачей является преодоление фундаментального ограничения традиционных алгоритмов, которые предполагают, что зрачок имеет форму, близкую к кругу, и оказываются несостоятельными при работе с такими аномалиями, как синехии, приводящие к овальным, звездообразным и другим сложным контурам.

Методы. В работе предложена методика автоматизированной сегментации зрачка, включающая последовательную обработку изображения с применением следующих ключевых этапов: предварительную фильтрацию (КИХ-фильтрация), коррекцию освещенности, логарифмическое и степенное преобразования, морфологическую обработку и удаление артефактов. Для сегментации патологически измененных зрачков использована комбинация адаптивных алгоритмов, позволяющая эффективно обрабатывать зрачки некруглой формы (овальные, звездообразные и др.), с которыми не справляются традиционные методы, основанные на поиске окружностей (преобразование Хафа, DIDO и др.).

Результаты. Экспериментальная оценка проводилась на специализированной базе офтальмологических изображений с различными деформациями. Предложенная методика продемонстрировала точность сегментации, превышающую 90%, для зрачков с деформациями, что существенно выше результатов, показанных классическими методами, такими как преобразование Хафа, DIDO. Детальных анализ показал, что для зрачков овальной формы достигнута точность 92,3%, для наиболее сложных случаев – звездообраз ных зрачков ‒ 89,7%, подтверждая работоспособность методики.

Заключение. Разработанная методика доказала свою эффективность для надежной сегментации патологически измененных зрачков, с которыми не справляются стандартные подходы. Высокая точность открывает возможности для ее практического применения в двух ключевых областях: в высоконадежных системах биометрической идентификации, где деформации зрачка являются естественным шумом, и в системах поддержки медицинской диагностики для количественной оценки патологий. Перспективным направлением дальнейших исследований является адаптация методологического подхода для сегментации других офтальмологических структур с нерегулярными границами, таких как птеригиум

1. Image understanding for iris biometrics: A survey / K. W. Bowyer [et al.] // Computer Vision and Image Understanding. 2018. Vol. 167. P. 1-21.

2. A Comprehensive Survey on Iris Recognition Systems: A Review / R. Raghavendra [et al.] // IEEE Access. 2021. Vol. 9. P. 45615-45630.

3. Комкова С. В. Методика диагностики глаукомы по снимкам глазного дна человека // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13, № 3. С. 99‒114. https://doi.org/10.21869/2223-1536-2023-13-4-99-114

4. Комкова С. В. Методика формирования вектора признаков по изображениям сетчатки глаза // Естественные и технические науки. 2021. № 4. С. 250−252.

5. Комкова С. В. Алгоритм идентификации экссудатов на изображениях сетчатки глаза человека // Вестник компьютерных и информационных технологий. 2022. Т. 19, № 1. C. 47–51. https://doi.org/10.14489/vkit.2022.01. pp.047-051

6. Комкова С. В. Методика обнаружения твердых экссудатов на изображениях глазного дна человека // Телекоммуникации. 2022. № 10. С. 24-28.

7. An Adaptive Algorithm for the Detection of Irregular Pupil Contour / Y. Chen [et al.] // Journal of Medical Systems. 2019. Vol. 43, N 5. P. 112.

8. Automated Pupil Segmentation and Noise Removal in Iris Images / A. Radman [et al.] // Journal of Medical Imaging and Health Informatics. 2017. Vol. 7, N 2. P. 428-436.

9. Wang C., Muhammad J. Iris segmentation and recognition using deep learning // Neural Computing and Applications. 2020. N 32(18). P. 14579-14590.

10. Uhl A., Wild P. Weighted Adaptive Hough and Ellipsopolar Transforms for Realtime Iris Segmentation // Proceedings of the 5th International Conference on Biometrics (ICB’12). New Delhi, India, 2012. P. 283–290. https://doi.org/10.1109/ICB.2012.6199821

11. An Accurate Iris Segmentation Framework Under Relaxed Imaging Constraints Using Total Variation Model / Z. Zhao, A. Kumar [et al.] // IEEE International Conference on Computer Vision (ICCV). Santiago, Chile, 2025. https://doi.org/10.1109/ICCV.2015.436

12. Hofbauer H., Jalilian E., Uhl A. Exploiting Superior CNN-based Iris Segmentation for Better Recognition Accuracy // Pattern Recognition Letters. 2019. Vol. 120. P. 17–23. https://doi.org/10.1016/j.patrec.2018.12.021

13. Wang K., Kumar A. Toward more accurate and constrained iris segmentation using cascaded multi-task framework // IEEE Transactions on Information Forensics and Security. 2021. N 16. P. 2023-2036.

14. Иванов А. В., Петров С. К. Алгоритмы сегментации радужной оболочки глаза при патологиях зрачка // Биомедицинская радиоэлектроника. 2020. № 3. С. 45-53.

15. Методы обработки офтальмологических изображений с аномалиями / Е. А. Смирнова [и др.] // Оптический журнал. 2021. Т. 88, № 5. С. 78-85.

16. Козлов В. П., Николаева Т. Г. Автоматизированный анализ изображений глазного дна // Компьютерная оптика. 2019. Т. 43, № 4. С. 623-630.

17. Гусев Д. А. Цифровая обработка биометрических изображений. М.: Техносфера, 2018. 320 с.

18. Алгоритмы распознавания радужной оболочки при патологиях глаза / П. Н. Белов [и др.] // Искусственный интеллект и принятие решений. 2020. № 2. С. 34-42.