• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      改進(jìn)的快速FCM 及SVM 實(shí)現(xiàn)糖網(wǎng)白色病灶的自動(dòng)檢測(cè)

      2013-03-10 08:12:06高瑋瑋沈建新王玉亮晶2南京航空航天大學(xué)機(jī)電學(xué)院南京2006
      關(guān)鍵詞:自動(dòng)檢測(cè)分類器白色

      高瑋瑋 沈建新* 王玉亮 梁 春 左 晶2(南京航空航天大學(xué)機(jī)電學(xué)院,南京2006)

      2(江蘇省中醫(yī)院眼科,南京210029)

      引言

      被譽(yù)為“沉默殺手”的糖尿病是影響全球公共健康的主要疾病,致殘致死率僅次于心腦血管疾病及癌癥。據(jù)統(tǒng)計(jì),到2030 年全球糖尿病患者將達(dá)到總?cè)丝跀?shù)的4.4%[1];我國(guó)目前糖尿病患者已達(dá)9 240萬(wàn)人,居全球之首[2]。該病不僅給人類帶來(lái)巨大痛苦,而且?guī)?lái)很多并發(fā)癥,其中糖尿病視網(wǎng)膜病變(簡(jiǎn)稱“糖網(wǎng)”,diabetic retinopathy,DR)的發(fā)生率最高,對(duì)視力的影響也最大,已成為目前20 ~65歲成人致盲的首要原因[3]。由于每個(gè)糖尿病患者都有發(fā)展為DR 的可能,而DR 具有進(jìn)行性、不可逆性,因此如何準(zhǔn)確篩查無(wú)明顯視力損傷的糖尿病患者是否存在DR,不僅為早期診斷、早期治療從而挽救患者的視功能提供先機(jī),還可節(jié)約大量社會(huì)醫(yī)療資源[4]。目前,國(guó)內(nèi)外已有多種糖網(wǎng)篩查方法[5-6],其中眼底照相檢查由于具有許多優(yōu)點(diǎn),如簡(jiǎn)單易行、價(jià)格低廉、圖像易得、直觀、易于保存和記錄,且與眼底熒光造影診斷結(jié)果具有顯著一致性和較高的靈敏度、特異性等,所以眼科醫(yī)生普遍認(rèn)為它最適用于DR 的篩查和隨診[7]。但現(xiàn)階段該方法基本依靠眼科醫(yī)生對(duì)眼底圖像的肉眼觀察,這在很大程度上制約了DR 大規(guī)模篩查的實(shí)施。因此,若能借助計(jì)算機(jī)快速、有效地自動(dòng)識(shí)別出眼底圖像中的DR 病灶并對(duì)其進(jìn)行分類,則不僅可將醫(yī)生從繁重的人工閱片工作中解脫出來(lái),而且能為DR 篩查的大規(guī)模實(shí)施奠定必備的基礎(chǔ)。

      臨床上以是否出現(xiàn)視網(wǎng)膜新生血管為分界[8],將 DR 分為非增殖性糖尿病視網(wǎng)膜病變(nonproliferative diabetic retinopathy,NPDR)(或稱單純型或背景型)和增殖性糖尿病視網(wǎng)膜病變(proliferative diabetic retinopathy,PDR),其中DR 篩查的目標(biāo)——NPDR 又可分為紅色病灶(包括視網(wǎng)膜內(nèi)出血、微動(dòng)脈瘤)和白色病灶(包括硬性滲出、棉絨斑)。之前的研究報(bào)道多集中在對(duì)糖網(wǎng)白色病灶——硬性滲出的自動(dòng)檢測(cè)方面。Ward 等和Philips 等均提出應(yīng)用閾值分割的方法提取眼底圖像中的硬性滲出,但是前者需根據(jù)直方圖手動(dòng)選擇分割 閾 值,后 者 則 需 要 事 先 手 動(dòng) 確 定 ROI[9-10]。Sinthanayothin 等通過循環(huán)區(qū)域增長(zhǎng)法實(shí)現(xiàn)了硬性滲出的自動(dòng)檢測(cè),但檢測(cè)結(jié)果在一定程度上依賴于所選取的種子點(diǎn)和停止準(zhǔn)則[11]。Osareh 等利用FCM 結(jié)合SVM,完成硬性滲出的自動(dòng)識(shí)別[12];Jaafar等通過局部對(duì)比度尋找病灶候選區(qū)域,然后利用拆分合并算法獲取真正的硬性滲出[13]。另一糖網(wǎng)白色病灶——棉絨斑的相關(guān)研究報(bào)道較少,主要有Bernhard 等提出先利用閾值分割獲取病灶候選區(qū)域,然后利用區(qū)域增長(zhǎng)法獲取候選區(qū)域的準(zhǔn)確形狀,最后利用模式分類器根據(jù)區(qū)域特征對(duì)候選區(qū)域進(jìn)行分類,從而實(shí)現(xiàn)糖網(wǎng)白色病灶(硬性滲出、棉絨斑)的自動(dòng)檢測(cè)[14]。但該方法僅根據(jù)簡(jiǎn)單的閾值分割以及區(qū)域生長(zhǎng)法來(lái)實(shí)現(xiàn)病灶候選區(qū)域的獲取存在明顯不足:過高的閾值會(huì)導(dǎo)致病灶丟失,而過低的閾值則會(huì)增加后續(xù)區(qū)域增長(zhǎng)以及模式分類器的運(yùn)算量,從而導(dǎo)致最終的檢測(cè)效率低下。

      模糊聚類是非監(jiān)督模式識(shí)別的主要技術(shù)之一,在各種聚類算法中,F(xiàn)CM 聚類算法的應(yīng)用最為廣泛[15]。該算法用于圖像分割時(shí)是一種非監(jiān)督模糊聚類后的標(biāo)記過程,適用于圖像中存在不確定性和模糊性的場(chǎng)合。但FCM 算法也存在一些缺點(diǎn),如:對(duì)噪聲比較敏感;類中心的位置和特性未知,須進(jìn)行初始假設(shè);運(yùn)算開銷大等。從FCM 算法原理來(lái)看,影響其聚類速度的主要原因是隸屬度矩陣U 或聚類中心V 的初始化。目前,對(duì)U 或V 的初始化一般都采用隨機(jī)賦值的方法[16],使得FCM 需經(jīng)過較長(zhǎng)的迭代過程才能達(dá)到收斂。K-means 算法也是迭代尋優(yōu)過程,但其計(jì)算復(fù)雜度遠(yuǎn)低于FCM,雖會(huì)出現(xiàn)局部極小解的情況,但在絕大部分情況下,其最終聚類中心與FCM 聚類中心都較為接近。因此,提出利用K-means 算法對(duì)FCM 算法的聚類中心進(jìn)行初始化,這樣FCM 算法的迭代次數(shù)將會(huì)明顯減少,從而提高FCM 算法的聚類速度。此外,F(xiàn)CM 算法對(duì)噪聲較為敏感,提出將中值濾波添加到準(zhǔn)則函數(shù)中,從而有效地克服FCM 算法對(duì)噪聲敏感的問題。利用該改進(jìn)的快速FCM(improved and fast FCM,IFFCM)算法對(duì)眼底圖像進(jìn)行粗分割,獲取糖網(wǎng)白色病灶候選區(qū)域,在此基礎(chǔ)上利用SVM 對(duì)獲取的候選區(qū)域進(jìn)行分類,從而實(shí)現(xiàn)眼底圖像中糖網(wǎng)白色病灶的自動(dòng)檢測(cè)。

      1 糖網(wǎng)白色病灶

      由于硬性滲出與棉絨斑在彩色眼底圖像中均表現(xiàn)為黃白色,故通常將二者統(tǒng)稱為糖網(wǎng)白色病灶。硬性滲出[3](hard exudates,EXs)又稱蠟樣滲出,是糖網(wǎng)的早期重要特征之一,也是多種視網(wǎng)膜病變的重要特征,主要是由于血管通透性增加,類脂質(zhì)從血清中滲出、堆積而成,表現(xiàn)為大小不等、邊緣清楚的黃白色斑點(diǎn)狀。EXs 可無(wú)規(guī)則分布于眼底,多見于后極部,常數(shù)個(gè)或數(shù)十個(gè)呈簇狀堆積,有時(shí)相互融合成片,有時(shí)排列成環(huán)狀,具體見圖1。棉絨斑[3](cotton wool spots,CWs)又稱軟性滲出,表現(xiàn)為大小不等、形態(tài)不規(guī)則、邊界不清楚的黃白色斑,呈棉絮狀或絨毛樣;其大小一般為1/6 ~1/3 PD,偶有大至1/2 PD。其多分布在后極部視網(wǎng)膜距視盤3 ~4 PD 的范圍內(nèi),多數(shù)在大血管附近,具體形態(tài)見圖1。有研究者認(rèn)為,棉絨斑是NPDR 的最后預(yù)兆,即它的出現(xiàn)預(yù)示著視網(wǎng)膜病變有迅速向增值性方向發(fā)展的趨勢(shì)[3]。

      圖1 彩色眼底圖像及EXs、CWs 細(xì)節(jié)Fig. 1 Color fundus image and detail of EXs,CWs

      2 算法

      實(shí)現(xiàn)眼底圖像中糖網(wǎng)白色病灶的自動(dòng)檢測(cè),首先需利用IFFCM 對(duì)彩色眼底圖像進(jìn)行粗分割,獲取糖網(wǎng)白色病灶候選區(qū)域;然后提取候選區(qū)域的特征,利用設(shè)計(jì)好的SVM 對(duì)候選區(qū)域進(jìn)行分類,從而將其中的真糖網(wǎng)白色病灶提取出來(lái);最后再利用SVM 對(duì)獲取的糖網(wǎng)白色病灶中的EXs 與CWs 進(jìn)行分類,最終實(shí)現(xiàn)眼底圖像中糖網(wǎng)白色病灶的自動(dòng)檢測(cè)。具體算法流程見圖2。

      圖2 算法流程Fig. 2 Flowchart of the proposed algorithm

      2.1 糖網(wǎng)白色病灶候選區(qū)域的獲取

      2.1.1 IFFCM 算法

      FCM 算法適用于圖像中存在不確定性和模糊性的場(chǎng)合,這一特點(diǎn)對(duì)CWs 檢測(cè)尤為有效。因此,選用該算法來(lái)獲取糖網(wǎng)白色病灶候選區(qū)域。但是,從該算法的實(shí)現(xiàn)過程發(fā)現(xiàn),在相關(guān)參數(shù)(模糊聚類數(shù)c,模糊加權(quán)指數(shù)m,收斂門限ε )確定的情況下,模糊聚類的速度完全取決于隸屬度矩陣U 或聚類中心V 的初始值,即當(dāng)V 的初始值非常接近最優(yōu)解V*時(shí),F(xiàn)CM 的迭代次數(shù)將明顯減少,也就意味著算法的運(yùn)行速度將得到很大程度的提高。K-means 算法是聚類技術(shù)中的硬聚類算法,也是一個(gè)迭代尋優(yōu)過程,但其算法簡(jiǎn)單,聚類速度快。通過對(duì)K-means算法的研究發(fā)現(xiàn),該算法雖會(huì)出現(xiàn)局部極小解的情況,但在絕大部分情況下,最終的聚類中心與FCM的聚類中心都較為接近。因此,可利用K-means 算法的聚類結(jié)果作為FCM 的聚類初始化中心。除此之外,F(xiàn)CM 算法還存在一個(gè)比較嚴(yán)重的缺點(diǎn)——對(duì)噪聲比較敏感。故提出將中值濾波因?yàn)樘砑拥綔?zhǔn)則函數(shù)中,與其他濾波技術(shù)相比,中值濾波在去除噪聲的同時(shí)能夠很好地保留目標(biāo)的邊緣。具體算法描述如下:

      1)將中值濾波加入到FCM 的準(zhǔn)則函數(shù)中,即

      式中,medianik= median (‖xr- vi‖2)xr∈Nk,m ∈[1,+ ∞]為加權(quán)指數(shù),c 為聚類類別數(shù),N 為樣本集中元素個(gè)數(shù),uik為樣本xk對(duì)聚類中心vi的隸屬度,Nk為中值濾波窗口中的樣本集合,α 為對(duì)鄰域的影響程度。

      2)根據(jù)解拉格朗日方程的方法,將式(1)變?yōu)?/p>

      式 中, dik= ‖xk- vi‖2,βi= median(‖xr- vi‖2)xr∈Nk。

      3)令F 對(duì)uik的偏導(dǎo)為0,可得F 達(dá)到最小值時(shí)的,即由

      4)同理,由

      可得

      式中,‖xM-‖2= median(。

      在得到隸屬度矩陣和聚類中心更新公式的基礎(chǔ)上,首先利用K-means 算法對(duì)圖像進(jìn)行預(yù)分割,得到c 個(gè)聚類中心,然后將c 作為FCM 聚類中心的初始值,根據(jù)式(4)更新隸屬度矩陣,進(jìn)而根據(jù)式(5)更新聚類中心。以此往復(fù),直到滿足收斂條件為止。

      2.1.2 IFFCM 分割彩色眼底圖像

      利用上述IFFCM 算法對(duì)彩色眼底圖像進(jìn)行粗分割,并通過視盤定位到糖網(wǎng)白色病灶所在的分割結(jié)果圖即得糖網(wǎng)白色病灶候選區(qū)域。在所得的病灶候選區(qū)域中,除EXs 和CWs 外還有一些背景區(qū)域,因此需利用分類器將其進(jìn)行區(qū)分。

      2.2 SVM 分類器設(shè)計(jì)及候選區(qū)域的特征提取

      SVM 是Vapnik 等提出的一類以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的新型機(jī)器學(xué)習(xí)方法[17-18],不僅結(jié)構(gòu)簡(jiǎn)單,學(xué)習(xí)性能出色,且泛化能力明顯提高,是結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的具體實(shí)現(xiàn)。常用的核函數(shù)有:多項(xiàng)式核函數(shù)、徑向基(RBF)核函數(shù)、Sigmoid 核函數(shù)等,其中以RBF 核函數(shù)最為常用。在應(yīng)用SVM 進(jìn)行分類時(shí),需要從將要處理的數(shù)據(jù)中取出一定數(shù)量且具有代表性的樣本,并從中提取特征構(gòu)建訓(xùn)練集;然后利用訓(xùn)練集對(duì)SVM 進(jìn)行訓(xùn)練,從而得到分類模型;最后利用所得模型,對(duì)所需分類樣本進(jìn)行分類。

      在眼底圖像經(jīng)IFFCM 粗分割后所得的糖網(wǎng)白色病灶候選區(qū)域中,除了EXs、CWs 外還有一些亮白色背景區(qū)域。對(duì)于該三分類問題,采用兩層級(jí)聯(lián)分類(均選用RBF 核函數(shù))的SVM 結(jié)構(gòu),即先利用SVM 將候選區(qū)域中的糖網(wǎng)白色病灶分離出來(lái),再利用SVM 將白色病灶中的EXs、CWs 區(qū)分開來(lái)。采用此分類結(jié)構(gòu)的優(yōu)點(diǎn)是:一方面,便于臨床醫(yī)生根據(jù)需要查看不同等級(jí)的病灶群;另一方面,便于最后基于眼底圖像的糖網(wǎng)自動(dòng)篩查系統(tǒng)的集成。

      對(duì)于糖網(wǎng)白色病灶與非糖網(wǎng)白色病灶的區(qū)分,所用特征為區(qū)域邊緣強(qiáng)度和區(qū)域內(nèi)外顏色差異。

      1)區(qū)域邊緣強(qiáng)度

      2)區(qū)域內(nèi)外顏色差異

      式中,u 表示Luv 彩色空間的u 通道。

      對(duì)于EXs 與CWs 的分類,選用的特征是:區(qū)域面積A ,區(qū)域內(nèi)u 通道均值μu,區(qū)域內(nèi)v 通道均值μv。

      3 實(shí)驗(yàn)方法

      3.1 實(shí)驗(yàn)材料及設(shè)備

      源圖像由江蘇省中醫(yī)院眼科提供,是Canon CF-60DSI 眼底照相機(jī)拍攝的120 幅,JPG 彩色眼底圖像分辨率為3 504 像素×2 336 像素(目前,國(guó)際上還沒有用于評(píng)價(jià)DR 病灶自動(dòng)檢測(cè)算法性能的公共標(biāo)準(zhǔn)圖像數(shù)據(jù)庫(kù)[19])。在實(shí)際使用時(shí),對(duì)原圖進(jìn)行了適當(dāng)裁減,去掉了背景區(qū)域并進(jìn)行了壓縮,即實(shí)際處理圖像的分辨率為640 像素×480 像素。據(jù)眼科醫(yī)師判斷,除30 幅健康眼底圖像外,其余90 幅眼底圖像中42 幅只出現(xiàn)EXs,28 幅僅存在CWs,剩余的20 幅中EXs 與CWs 均有出現(xiàn)。對(duì)于出現(xiàn)相關(guān)病灶的眼底圖像,由眼科醫(yī)師對(duì)其中病灶的相關(guān)位置進(jìn)行手工標(biāo)注,所得標(biāo)注結(jié)果用于評(píng)價(jià)算法的自動(dòng)檢測(cè)性能。為獲取SVM 分類模型,將其中的55 幅眼底圖像(10 幅健康眼底圖像,20 幅僅出現(xiàn)EXs,15幅僅出現(xiàn)CWs,10 幅兩種白色病灶均有出現(xiàn))作為訓(xùn)練樣本,其余作為測(cè)試樣本。

      實(shí)驗(yàn)系統(tǒng)配置為:Intel(R)Core(TM)Duo E7500 CPU,6.00GB RAM 的計(jì)算機(jī),Matlab R2010b的軟件環(huán)境。所用SVM 工具庫(kù)為:臺(tái)灣大學(xué)林智仁教授等開發(fā)設(shè)計(jì)的LibSVM 3.1(http://www. csie.ntu.edu.tw/ ~cjlin/libsvm/)。

      3.2 相關(guān)評(píng)價(jià)指標(biāo)及選取

      基于眼科醫(yī)師對(duì)120 幅眼底圖像的判斷結(jié)果,分別從圖像、病灶區(qū)域水平定義了如下3 個(gè)評(píng)價(jià)指標(biāo):

      式中,TP 為真陽(yáng)性,F(xiàn)N 為假陰性,TN 為真陰性,F(xiàn)P為假陽(yáng)性。具體解釋為:對(duì)于醫(yī)師判斷為病灶的區(qū)域(或圖像),根據(jù)算法給出相同或不同的結(jié)果而分別稱為真陽(yáng)性、假陰性;同理,對(duì)于醫(yī)師判斷為正常的區(qū)域(或圖像),根據(jù)算法給出的一致或不一致的判斷而分別稱為真陰性、假陽(yáng)性。SE 為靈敏度,體現(xiàn)不漏判的概率;SP 為特異性,表征正常圖像(或區(qū)域)不被誤判的比例;AC 為準(zhǔn)確率,反映平均分類的正確率。

      在算法實(shí)現(xiàn)的不同階段,所研究的對(duì)象并不相同,因此所選用的評(píng)價(jià)指標(biāo)及相應(yīng)的基準(zhǔn)也不盡相同。具體而言,在SVM 訓(xùn)練階段,是將粗分割階段得到的每一個(gè)區(qū)域及相應(yīng)的人工判定結(jié)果作為樣本,故此時(shí)選用病灶區(qū)域水平的靈敏度、特異性以及準(zhǔn)確率三個(gè)指標(biāo)來(lái)衡量相關(guān)結(jié)果是否滿足要求。而在最終算法的整體性能評(píng)價(jià)階段,不僅要考核算法對(duì)眼底圖像中病灶的自動(dòng)檢測(cè)性能,而且還需考核算法對(duì)病變眼底圖像和健康眼底圖像的自動(dòng)識(shí)別能力,即需要從病灶及圖像兩個(gè)方面去全面地衡量算法的整體性能。此時(shí)將算法對(duì)某幅圖像的處理結(jié)果與眼科醫(yī)師的判定結(jié)果相比時(shí),卻不存在病灶區(qū)域水平的TN,因此無(wú)法計(jì)算特異性以及準(zhǔn)確率,而僅依靠靈敏度又不能全面評(píng)價(jià)算法對(duì)病灶區(qū)域的自動(dòng)檢測(cè)能力,故引入了PPV (陽(yáng)性預(yù)測(cè)值),該指標(biāo)定義為

      因此,在算法整體性能評(píng)價(jià)時(shí),采用靈敏度和陽(yáng)性預(yù)測(cè)值來(lái)評(píng)價(jià)其對(duì)病灶區(qū)域的自動(dòng)檢測(cè)性能,選用靈敏度、特異性以及準(zhǔn)確率來(lái)評(píng)價(jià)其對(duì)病變眼底圖像和健康眼底圖像的自動(dòng)識(shí)別能力。另外,結(jié)合處理一幅圖像(分辨率為640 ×480 像素)的平均時(shí)間來(lái)評(píng)價(jià)算法效率。

      4 結(jié)果

      在利用IFFCM 算法對(duì)眼底圖像進(jìn)行分割前,必須選擇如下參數(shù):模糊聚類數(shù)c 、模糊加權(quán)指數(shù)m 、收斂門限ε 、鄰域影響度系數(shù)α 、中值濾波窗口大小Nk,這些參數(shù)從多方面控制著圖像的分割結(jié)果。對(duì)于一幅確定的圖像,其聚類數(shù)是一個(gè)相對(duì)固定的值;對(duì)于眼底圖像而言,其內(nèi)容比較復(fù)雜,其聚類數(shù)相對(duì)較大,一般c 取7 時(shí)的分割結(jié)果較佳。到目前為止,對(duì)模糊加權(quán)指數(shù)m 的優(yōu)化問題還沒有從理論上得到解決,一般都是根據(jù)實(shí)際需要人為選定。當(dāng)m = 1 時(shí),F(xiàn)CM 退化為硬聚類算法,當(dāng)m →∞時(shí),每個(gè)像素對(duì)每一類的隸屬度都等于1/c。在一般情況下,m 在[1.5,2.5]范圍內(nèi)取值時(shí),可以滿足聚類的模糊度要求;取m =2 作為系統(tǒng)的模糊度,可以提高運(yùn)行速度,也可以得到最佳的聚類結(jié)果。對(duì)ε 的取值,取ε =0.01 可以得到滿意的聚類結(jié)果。而鄰域的影響度系數(shù)α 則可根據(jù)待處理圖像被噪聲污染的程度來(lái)確定,其取值范圍為[0,1]。Nk取值與所處理對(duì)象的分辨率相關(guān),對(duì)于筆者所選用的分辨率為640 像素×480 像素的眼底圖像而言,Nk取11× 11 結(jié)果較佳。

      首先利用FCM、K-means + FCM 以及IFFCM 對(duì)55 幅作為訓(xùn)練樣本的眼底圖像進(jìn)行粗分割,并對(duì)這三種方法的分割結(jié)果進(jìn)行統(tǒng)計(jì),具體見表1。由表1發(fā)現(xiàn),K-means + FCM 的迭代次數(shù)和聚類時(shí)間與FCM 算法的結(jié)果有顯著差異。

      表1 聚類結(jié)果統(tǒng)計(jì)(均值±標(biāo)準(zhǔn)差)Tab. 1 Statistics of clustering results (mean ±SD)

      圖3 中(a)和(b)分別為FCM 算法以及Kmeans +FCM 算法對(duì)質(zhì)量較好眼底圖像(圖1 所示眼底圖像)中白色病灶候選區(qū)域的聚類結(jié)果(所示聚類結(jié)果已去除視盤[20],具體的視盤分割方法參見文獻(xiàn)[20])。由圖3 發(fā)現(xiàn),這兩種算法的聚類結(jié)果幾乎一致。因此,由表1 和圖3 可得出:利用Kmeans 算法的聚類結(jié)果初始化FCM 的聚類中心,在不影響分割結(jié)果的情況下,可將FCM 算法的分割速度提高2.3 倍左右。

      圖3 質(zhì)量較好圖像的聚類結(jié)果。(a)FCM 分割結(jié)果;(b)K-means +FCM 分割結(jié)果Fig. 3 Clustering results of image with better quality. (a)Segmentation result of FCM;(b)Segmentation result of IFFCM

      另外,對(duì)于受噪聲污染的眼底圖像,筆者提出的IFFCM 仍可較為準(zhǔn)確地將白色病灶候選區(qū)域提取出來(lái),而FCM 算法則會(huì)丟失很多糖網(wǎng)白色病灶,具體分割情況見圖4。因此,結(jié)合表1 可得出,IFFCM 算法不僅可以克服傳統(tǒng)FCM 算法對(duì)噪聲敏感的問題,而且在不影響分割結(jié)果的情況下可明顯提高分割速度,明顯優(yōu)于傳統(tǒng)的FCM 算法。

      利用IFFCM 算法從55 幅眼底圖像中提取出2 280個(gè)候選區(qū)域的特征和候選區(qū)域是否為病灶,以及是哪種白色病灶的人工判定,分別作為訓(xùn)練集的輸入和輸出,對(duì)SVM 進(jìn)行訓(xùn)練,并采用遺傳算法結(jié)合10 倍交叉驗(yàn)證獲取最優(yōu)懲罰參數(shù)C 以及核函數(shù)參數(shù)g,具體見表2(注:對(duì)于二級(jí)SVM 分類模型由于其區(qū)分的是EXs 與CWs,因此存在兩組評(píng)價(jià)指標(biāo),故表2 中列出的是這兩組評(píng)價(jià)指標(biāo)的均值)。

      圖4 噪聲污染圖像聚類結(jié)果。(a)原圖;(b)FCM 分割結(jié)果;(c)IFFCM 分割結(jié)果Fig. 4 Clustering results of the noised image. (a)Original image;(b)Segmentation result of FCM;(c)Segmentation result of IFFCM

      表2 參數(shù)選擇Tab. 2 Selection of parameters

      利用所獲得的兩層級(jí)聯(lián)結(jié)構(gòu)的SVM 分類模型,對(duì)其從未見過的其余65 幅眼底圖像中由IFFCM 算法分割出的白色病灶候選區(qū)域進(jìn)行白色病灶的分類,具體檢測(cè)結(jié)果的評(píng)價(jià)指標(biāo)見表3,另外文獻(xiàn)[14]對(duì)該組圖像的白色病灶自動(dòng)檢測(cè)結(jié)果也見表3。

      由表3 可見,本算法對(duì)糖網(wǎng)白色病灶的自動(dòng)檢測(cè)性能無(wú)論是精度還是處理效率均明顯優(yōu)于文獻(xiàn)[14]的結(jié)果結(jié)合這兩種方法的具體實(shí)現(xiàn)過程(文獻(xiàn)[14]利用閾值分割獲取病灶候選區(qū)域)還可發(fā)現(xiàn),良好的粗分割結(jié)果可保證較好的白色病灶識(shí)別率,故表3 數(shù)據(jù)從側(cè)面也反映了IFFCM 算法具有良好的分割結(jié)果。另外,還將SVM 的分類性能與RBF神經(jīng)網(wǎng)絡(luò)以及Bayes 分類器進(jìn)行了比較,具體見表4。由表4 可見,SVM 分類器的識(shí)別率明顯比傳統(tǒng)分類器的識(shí)別率更高。

      表3 檢測(cè)結(jié)果Tab. 3 Detection result

      表4 不同分類器分類結(jié)果Tab.4 Classification results of different classifiers

      5 討論

      分割是識(shí)別的前提,只有良好的圖像分割結(jié)果,才有可能得到較高的目標(biāo)識(shí)別率。針對(duì)兩種糖網(wǎng)白色病灶的特點(diǎn),發(fā)現(xiàn)FCM 算法適合用于這二者的分割,但傳統(tǒng)FCM 算法存在一些缺點(diǎn),如對(duì)噪聲比較敏感、類中心的位置和特性未知、須進(jìn)行初始假設(shè)、運(yùn)算開銷大等,因此對(duì)其進(jìn)行了改進(jìn)。通過實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),改進(jìn)的FCM 算法具有以下顯著的進(jìn)步:一是將K-means 聚類算法獲得的聚類中心作為FCM 聚類算法的初始聚類中心,解決了傳統(tǒng)FCM聚類算法中隨機(jī)選取初始聚類中心而使得其計(jì)算復(fù)雜度高的缺陷;二是直接將中值濾波添加到FCM聚類算法的準(zhǔn)則函數(shù)中,與現(xiàn)有的先去噪再進(jìn)行模糊聚類技術(shù)相比,在將噪聲的抑制直接內(nèi)置于模糊隸屬度矩陣以及聚類中心的迭代更新過程中,有效提高了模糊隸屬度矩陣以及聚類中心的準(zhǔn)確性,從而有效增強(qiáng)了算法的抗噪性,提高了算法的分割精度。另外,對(duì)于后續(xù)分類階段所用分類器的選擇方面,本方法采用了識(shí)別性能較優(yōu)的SVM 分類器,并且選用兩層級(jí)聯(lián)分類結(jié)構(gòu),從而滿足了醫(yī)生不同的詢?cè)\需求,更貼近臨床需求。

      提出糖網(wǎng)白色病灶自動(dòng)檢測(cè)方法是一種“強(qiáng)強(qiáng)聯(lián)合”的策略,但是從臨床應(yīng)用角度而言,仍存在一些問題,特別是效率問題。因此,在后續(xù)的研究中,如何在保證檢測(cè)精度的同時(shí),進(jìn)一步提高算法的效率,是該課題研究的重點(diǎn),這也是基于眼底圖像的糖網(wǎng)自動(dòng)篩查系統(tǒng)最終能否應(yīng)用于臨床必須解決的關(guān)鍵問題。

      6 結(jié)論

      EXs、CWs 這兩種糖網(wǎng)白色病灶是早期糖網(wǎng)的特征性表現(xiàn),實(shí)現(xiàn)對(duì)這兩種病灶的快速、有效檢測(cè)是建立基于眼底圖像的糖網(wǎng)自動(dòng)篩查系統(tǒng)必須解決的首要問題。本算法首先利用IFFCM 對(duì)眼底圖像進(jìn)行粗分割,獲取糖網(wǎng)白色病灶候選區(qū)域,克服了FCM 算法計(jì)算復(fù)雜度高以及對(duì)噪聲敏感的缺點(diǎn),在不影響分割結(jié)果的情況下可將分割速度提高2.3倍左右;然后根據(jù)候選區(qū)域的特征,選用較傳統(tǒng)分類器識(shí)別率更高的SVM 分類器,采用兩層級(jí)聯(lián)分類結(jié)構(gòu),對(duì)粗分割結(jié)果進(jìn)行分類,即先利用一級(jí)SVM識(shí)別出候選區(qū)域中的真糖網(wǎng)白色病灶,進(jìn)而繼續(xù)利用二級(jí)SVM 分類器將EXs 與CWs 區(qū)分開來(lái),從而實(shí)現(xiàn)眼底圖像中糖網(wǎng)白色病灶的自動(dòng)檢測(cè)。良好的粗分割結(jié)果與識(shí)別率較高的分類器相結(jié)合,使得對(duì)糖網(wǎng)白色病灶的自動(dòng)檢測(cè)結(jié)果較優(yōu)(圖像水平靈敏度100%,特異性95.0%,準(zhǔn)確率98.46%;病灶區(qū)域水平(硬性滲出/棉絨斑)靈敏度 96.42% /97.15%,陽(yáng)性預(yù)測(cè)值90.03% /91.18%);平均一幅圖像的處理時(shí)間為35.56 s,即基于改進(jìn)的快速FCM算法(IFFCM)及SVM 能夠?qū)崿F(xiàn)眼底圖像中糖網(wǎng)白色病灶的高效自動(dòng)檢測(cè)。該研究工作為構(gòu)建基于眼底圖像的糖網(wǎng)自動(dòng)篩查系統(tǒng)提供了算法支持,具有很高的實(shí)用價(jià)值。但是,如何進(jìn)一步提高這兩種糖網(wǎng)白色病灶的自動(dòng)檢測(cè)性能(特別是檢測(cè)效率),還需加大實(shí)驗(yàn)量和改進(jìn)算法。

      [1] Wild S,Roglic G,Green A,et al. Global prevalence of diabetes:estimates for the year 2000 and projections for 2030[J]. Diabetes Care,2004,27:1047 -1053.

      [2] 蒲一民,楊君,楊田. 糖尿病視網(wǎng)膜病變藥物治療的研究進(jìn)展[J]. 國(guó)際眼科雜志,2011,11(12):2134 -2137.

      [3] Watkins PJ. ABC of diabetic retinopathy[J]. British Medical Journal,2003,7(2):105 -107.

      [4] Sanchez CI,Hornero R,Lopez MI,et al. Retinal image analysis to detect and quantify lesions associated with diabetic retinopathy[C] // Proceedings of 26th IEEE Annual International Conference on Engineering in Medicine and Biology Society. San Francisco:EMBC,2004:1:1624 -1627.

      [5] Villarroel M,Ciudin A,Hernndez C,et al. Neurodegeneration:An early event of diabetic retinopathy[J]. World J Diabetes,2010,1(2):57 -64.

      [6] 彭金娟,鄒海東,王偉偉,等. 上海市北新涇社區(qū)糖尿病視網(wǎng)膜病變遠(yuǎn)程篩查系統(tǒng)的應(yīng)用研究[J]. 中華眼科雜志,2010,46(3):258 -262.

      [7] 張 蕾,許維強(qiáng),譚榮強(qiáng),等. 糖尿病視網(wǎng)膜病變篩查方式探討[J]. 國(guó)際眼科雜志,2010,10(3):482 -484.

      [8] 陳喆,張士勝,朱惠敏. 糖尿病視網(wǎng)膜病變的國(guó)際臨床分類分析[J]. 國(guó)際眼科雜志,2011,11(8):1394 -1401.

      [9] Ward NP, Tomlinson S, Taylor CJ. The detection and measurement of exudates associated with diabetic retinopathy[J].Ophthalmology,1989,96(1):80 -85.

      [10] Philips R,F(xiàn)orrester J,Sharp P. Automated detection and quantification of retinal exudates[J]. Graefe’s Arch. Clin.Ophthalmol,1993,231(2):90 -94.

      [11] Sinthanayothin C,Boyce JF,Williamson TH,et al. Automated detection of diabetic retinopathy on digital fundus images[J].Diabetic Medicine,2002,19:105 -112.

      [12] Osareh A,Mirmehdi M,Thomas B,et al. Comparative exudate classification using support vector machines and neural networks[C] // 5th International Conference on Medical Image Computing and Computer-Assisted Intervention. Tokyo:Springer,2002,2489:413 -420.

      [13] Jaafar HF,Nandi AK,Nuaimy WA. Automated detection of exudates in retinal images using a split-and-merge algorithm[C]// 18th European Signal Processing Conference. Aalborg:EUSIPCO,2010:1622 -1626.

      [14] Bernhard ME,Ole KH,Ole VL,et al. Screening for diabetic retinopathy using computer based image analysis and statistical classification [J]. Computer Methods and Programs in Biomedicine,2000,62:165 -175.

      [15] 聶生東,陳瑛,顧順德,等. 磁共振顱腦圖像快速模糊聚類分割算法的研究[J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2001,20(2):105 -109.

      [16] Bensaid AM,Hall LO,Bezdek JC,et al. Validity-guided(Re)clustering with applicaton to image segmentation[J]. IEEE Trans on Fuzzy System,1996,4(2):112 -113.

      [17] 王衛(wèi)星,蘇培垠.基于顏色梯度矢量流活動(dòng)輪廓及支持向量機(jī)實(shí)現(xiàn)白細(xì)胞的提取和分類[J]. 光學(xué) 精密工程,2012,20(12):2781 -2790.

      [18] 鄭一華,徐立中,黃風(fēng)辰. 基于支持向量分類的水質(zhì)分析應(yīng)用研究[J]. 儀器儀表學(xué)報(bào),2006,27(6):2291 -2292.

      [19] Sánchez CI,Hornero R,López MI,et al. A novel automated image processing algorithm for detection of hard exudates based on retinal images analysis[J]. Med Eng Phys,2007,30(3):350 -357.

      [20] 高瑋瑋,沈建新,王玉亮. 基于數(shù)學(xué)形態(tài)學(xué)的快速糖尿病視網(wǎng)膜病變自動(dòng)檢測(cè)算法[J]. 光譜學(xué)與光譜分析,2012,32(4):760 -764.

      猜你喜歡
      自動(dòng)檢測(cè)分類器白色
      基于STM32的室內(nèi)有害氣體自動(dòng)檢測(cè)與排風(fēng)系統(tǒng)
      電子制作(2018年19期)2018-11-14 02:36:50
      光電傳感器在自動(dòng)檢測(cè)和分揀中的應(yīng)用
      電子制作(2018年9期)2018-08-04 03:30:58
      基于TestStand的自動(dòng)檢測(cè)程序開發(fā)
      BP-GA光照分類器在車道線識(shí)別中的應(yīng)用
      雪為什么是白色的
      總之就是要選白色
      總之就是要選白色
      總之就是要選白色
      加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
      結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
      丹巴县| 辽中县| 饶阳县| 金华市| 扎囊县| 金坛市| 济阳县| 阿尔山市| 嘉兴市| 三原县| 舟曲县| 通山县| 上犹县| 定南县| 寻乌县| 鹤山市| 渭南市| 滁州市| 龙南县| 荥阳市| 塔城市| 锦屏县| 遂宁市| 阿鲁科尔沁旗| 沙洋县| 阿荣旗| 民权县| 宁蒗| 樟树市| 新民市| 北京市| 泗水县| 日土县| 太仆寺旗| 芷江| 繁昌县| 铜陵市| 翁源县| 青州市| 漳平市| 郸城县|