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)

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

得

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.