眼底圖像中視盤的自動定位方法研究

張先杰++張貴英

摘要：視盤是視網(wǎng)膜圖像的重要特征，其準(zhǔn)確定位是視網(wǎng)膜病變診斷和治療的重要前提，為眼底圖像處理和識別等工作的基礎(chǔ)。本文綜述了視網(wǎng)膜圖像中視盤定位算法研究現(xiàn)狀；分析了各種視盤定位方法的優(yōu)缺點；最后總結(jié)全文，對視盤自動定位方法進(jìn)行了展望。

關(guān)鍵詞：眼底圖像；視盤；定位

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）09-0205-02

視神經(jīng)盤也叫視神經(jīng)乳頭，簡稱為視盤（Optic Disc， OD），視網(wǎng)膜上視覺纖維匯集穿出眼球的部位，為視覺神經(jīng)的始端，是視網(wǎng)膜眼底圖像的一個重要特征和組成部分。視盤的準(zhǔn)確檢測是診斷視網(wǎng)膜病變的重要前提。視網(wǎng)膜圖像被廣泛地應(yīng)用于眼科眼底病變的診斷與治療。視盤的準(zhǔn)確定位與糖尿病視網(wǎng)膜病變、高血壓視網(wǎng)膜病變、視網(wǎng)膜脫離的裂孔定位、眼底腫瘤定位以及視網(wǎng)膜血管性疾病的診斷與治療息息相關(guān)，視神經(jīng)盤的形狀、大小，顏色、面積和生理杯深度等參數(shù)是衡量眼底健康狀況和病灶的重要指標(biāo)。視盤定位是眼底圖像配準(zhǔn)拼接、血管跟蹤、黃斑和病變提取，以及視盤邊緣定位等工作的基礎(chǔ)?？焖贉?zhǔn)確地檢測視盤是實現(xiàn)視網(wǎng)膜疾病診斷和視網(wǎng)膜特征識別的前提和關(guān)鍵步驟。本文研究視網(wǎng)膜圖像中視盤的自動定位算法，為眼底病變相關(guān)軟件系統(tǒng)提供技術(shù)支持。

1 眼底圖像中視盤定位概述

用來做視盤定位最常用的主要有3種特性：外觀特性、血管特性、空間尺度和位置約束特性。視盤的外觀特性主要表現(xiàn)在如下方面：就灰度值來說，視盤區(qū)域灰度值最大，對比度最大；形狀近似于圓形或橢圓形；彩色圖像表現(xiàn)為顏色為亮黃色。而眼底圖像中的血管特性主要表現(xiàn)為視盤區(qū)域為主血管交匯區(qū)，視盤區(qū)域的血管的特性表現(xiàn)為血管粗、密度大；主血管整體走向為拋物線形，最高點匯集于視盤中心；視盤區(qū)域血管垂直方向占支配地位，其它位置水平方向占優(yōu)勢?？臻g尺度和位置約束特性主要是指擬合的血管拋物線、視盤中心和黃斑中心三者滿足空間位置約束關(guān)系。科研人員依據(jù)視盤的上述特性，對視盤的定位進(jìn)行了大量深入的研究。

2 視盤定位研究現(xiàn)狀

目前，科研人員基于眼底視盤的幾何、血管和自身特征來定位視盤，國內(nèi)外學(xué)者提出了多種視盤定位方法，可分為以下幾類。

2.1基于視網(wǎng)膜血管結(jié)構(gòu)的方法

血管結(jié)構(gòu)在眼底圖像中相對穩(wěn)定可靠，并且在病變圖像視盤定位中有更穩(wěn)定的性能。視網(wǎng)膜血管網(wǎng)絡(luò)匯聚點即為視盤，很多算法根據(jù)這一屬性來定位視盤。G.A.Hoover[2]等提出利用模糊收斂算法進(jìn)行血管分割來定位視盤的位置。首先對提取的血管進(jìn)行細(xì)化操作，然后擦除血管的分叉點而得到一些血管段，構(gòu)造模糊血管段，進(jìn)而使用基于投票方法得到收斂圖，收斂圖進(jìn)一步被模糊化并閾值化后取收斂度最強(qiáng)點作為視盤位置。該算法用到了血管在視盤點匯合度高這個特性，但是需要精細(xì)的血管信息同時在血管分叉處容易給出錯誤分叉信息，導(dǎo)致算法易出錯且復(fù)雜度高，其在 STARE 數(shù)據(jù)庫中準(zhǔn)確率為89%，平均耗時為15秒每幅。M.Foracchia[3]先檢測出主要的視網(wǎng)膜血管，根據(jù)兩個拋物線模型頂點的交點來定位視盤。該方法準(zhǔn)確率為97.5%，耗時約為2分鐘每幅。

這類方法定位準(zhǔn)確率較高，但有兩方面的缺點，一方面血管有時候收斂于視盤區(qū)，但并不是收斂于視盤的中心點；另一方面，這種方法需要事先分割出血管，而血管的分割本身是一個復(fù)雜且耗時的工作，且僅適用于血管網(wǎng)絡(luò)結(jié)構(gòu)清晰的視網(wǎng)膜眼底圖像，對于圖像質(zhì)量不高，尤其是病變情況下的血管分割，這類算法的魯棒性不高。例如，在圖1所示，圖（a）為正常的眼底圖片，圖（b）血管結(jié)構(gòu)破壞，此類算法很難分割出血管。因此，這種算法的魯棒性不高，僅依靠血管結(jié)構(gòu)來定位視盤仍然是一個比較有挑戰(zhàn)的工作。

2.2 基于視盤外觀特征的方法

H.Li[4]提出了一種基于視盤外觀特征來定位視盤的方法。首先聚類1%的最大灰度值像素得到候選區(qū)域，這些候選區(qū)域主要來源于視盤或亮色病變區(qū)，然后將這些像素點被聚合成像素簇，再通過聚類分割把小于整幅圖像面積0.04%的像素簇予以排除，獲得視盤候選區(qū)域，再通過PCA方法將新的視網(wǎng)膜圖像投影到“盤空間”，將原始圖像與其投影之間距離最小的區(qū)域定為視盤中心。T.Walter[5]根據(jù)視盤區(qū)域亮度變化最大這一自身特性，尋找亮度變化最大圓形區(qū)域的中心點作為視盤中心點位置。該方法使用了形態(tài)學(xué)濾波技術(shù)和分水嶺變換。

這類方法定位速度較快，可滿足實時性需要。基于視盤大致的圓形結(jié)構(gòu)和相對眼底其它部位有比較高的亮度，對于有病變出現(xiàn)的視網(wǎng)膜，這種方法魯棒性不強(qiáng)。如圖1（c）中所示，該圖中有類似視盤形態(tài)和亮度的病變區(qū)域出現(xiàn)，此時基于視盤外觀的方法對于視盤的定位往往出錯。

2.3融合視網(wǎng)膜血管結(jié)構(gòu)和視盤特征的方法

一般而言，融合可以獲得關(guān)于視盤更多的信息，因為能獲得更高的準(zhǔn)確性。A.Youssif[6]先分割出視網(wǎng)膜血管，接著利用血管的方向和結(jié)構(gòu)信息來選出視盤的候選區(qū)域，再根據(jù)視盤的形狀及灰度信息從候選區(qū)域中找出視盤所在位置，該方法的準(zhǔn)確率較高。為了達(dá)到實時需要，A.E.Mahfouz[7]提出了一種快速的視盤定位方法，該方法把2D圖像特征投影到水平和垂直坐標(biāo)，把二維圖像特征變?yōu)閮蓚€一維信號，圖像的特征包括血管的方向和亮度特征。該方法在340副圖像的數(shù)據(jù)集上實驗，正確率為97%。S.Ravishankar[8]首先利用主血管及血管的匯合找到視盤的大致位置，然后利用顏色特征進(jìn)一步定位視盤。在516副不同對比度、光照和病變的眼底圖像上實驗，得到了97.1%的正確率。趙曉芳[9]提出一種綜合利用視網(wǎng)膜眼底圖像中血管結(jié)構(gòu)和視盤特征的視盤自動定位方法?？紤]到提取血管本身是一項復(fù)雜的工作，因此作者首先利用眼底血管網(wǎng)絡(luò)的灰度信息去定位視盤的橫坐標(biāo)，未提取血管，同時綜合利用視盤范圍灰度變化最大值及視盤周圍血管的灰度最小值來定位視盤的縱坐標(biāo)；然后利用視盤本身屬性，即形狀近似于圓的屬性，用Hough變換準(zhǔn)確定位視盤的中心及邊界。H.Yu[10]首先利用模板匹配的方法篩選出視盤的候選區(qū)域，然后根據(jù)血管的特征來進(jìn)行視盤的準(zhǔn)確定位。該方法在MESSIDOR數(shù)據(jù)集1200副圖片上實驗，正確率為99%。

這類方法相對于前兩類方法，定位準(zhǔn)確率更高。這類方法需要事先分割血管，耗時復(fù)雜。在病變情況下，有類似視盤的白斑存在，依據(jù)灰度信息和近似于圓的屬性，這種方法往往定位失敗。

2.4 綜合利用視盤區(qū)域的多種特性

如A. Rovira[11]利用視盤與黃斑、血管之間的距離和角度關(guān)系來確定視盤的中心點。C.Duanggate[12]提出了一種基于分類器視盤定位的方法，該方法主要是用三個分類器對眼底圖像的特征進(jìn)行分類篩選，最終通過三個分類器篩選的像素點即為視盤。還有一些文獻(xiàn)融合多種算法，再通過決策投票選出盤中心位置點如 R. J.Qureshi[13]。S.A.Ramakanth[14]提出了一種特征匹配的方法。首先選擇一個視盤的模板圖片，然后計算要定位圖片塊和模板塊的一致性，這種一致性提供了需定位塊和模板塊的接近分布，通過此分布來定位視盤。

該類算法利用多種特征進(jìn)行視盤定位，能夠提高定位的魯棒性，但算法的效率較低。怎樣有效的利用多種特性或特性之間的特殊關(guān)系，是一個很難決策的問題，這可能導(dǎo)致復(fù)雜的定位模型與算法，不便于在實際中應(yīng)用。

2.5半自動視盤定位

上述算法均為全自動視盤定位，由于目前計算機(jī)智能有限，對于普通的視網(wǎng)膜眼底圖像，全自動的圖像定位方法通常只能依據(jù)低層的像素特征，算法的魯棒性和正確性很難保證，為此，人們提出了半自動的交互式圖像定位，董銀偉[15]針對眼底圖像視杯和視盤水平集分割中 C_V 模型自適應(yīng)能力不強(qiáng)等問題，提出一種基于 C_V模型的視盤和視杯交互式水平集分割算法。針對視盤與視杯兩個定位目標(biāo)，人工給定相應(yīng)的初始輪廓，進(jìn)行相關(guān)參數(shù)設(shè)定，然后迭代，最終獲得視盤與視杯準(zhǔn)確輪廓！ 實驗結(jié)果表明，該方法可克服噪聲污染"光照不均勻"對比度低等特點對眼底圖像分割的影響，對彩色眼底圖像中的視杯精確定位。

為待定位的一副圖像，Ω為定義域，C為輪廓曲線，則能量函數(shù)為：

式中，為閉合輪廓曲線C的長度，分別為輪廓曲線的內(nèi)部目標(biāo)區(qū)域和外部背景區(qū)域，對應(yīng)的各區(qū)域平均灰度分別為。為C中內(nèi)部（）區(qū)域的面積， 為各能量項的權(quán)重系數(shù)。僅當(dāng)C位于區(qū)域邊界時，上式可取極小值。

該方法雖然能精確地得到視盤，但需要用戶給定初始輪廓和迭代次數(shù)等相關(guān)參數(shù)，在視網(wǎng)膜圖像中視盤的自動定位系統(tǒng)中難以滿足用戶的需求。

3 結(jié)束語

綜上所述，科研人員對視盤的定位進(jìn)行了大量研究，主要依據(jù)眼底視盤的幾何、血管和自身屬性，或者融合視盤多種特性?，F(xiàn)有算法視盤定位的準(zhǔn)確率較高，速度較快，魯棒性較高，一定程度上滿足了實時性需要。基于視網(wǎng)膜血管結(jié)構(gòu)的視盤定位方法需要事先分割出血管，計算復(fù)雜度比較高。視盤定位的正確率和速度沒有兼顧，利用視盤各種特征的定位算法定位，效果較好，但定位時間較長，不利于實時操作。現(xiàn)有算法中的特征均為傳統(tǒng)特征，為了提高視盤定位的準(zhǔn)確性和速度，可考慮提取視盤的深度學(xué)習(xí)特征，融合傳統(tǒng)特征和深度學(xué)習(xí)特征，篩選出最能刻畫視盤本質(zhì)的特征。已有算法都是在小規(guī)模數(shù)據(jù)庫中進(jìn)行了測試，對于算法的評估不夠客觀全面。為了驗證算法的有效性和魯棒性，可以在更大的數(shù)據(jù)集上進(jìn)行算法的測試。

參考文獻(xiàn)：

[1] 劉國才，王耀南， 全惠敏. 基于多層 Mumford-Shah 向量模型的彩色視乳頭圖像杯盤重建、分割與度量[J]. 中國生物醫(yī)學(xué)工程學(xué)報， 2007，26（5）：700-707.

[2] A.Hoover， M.Goldbaum. Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels [J]. IEEE Transactions on Medical Imaging， 2003，22（8）：951-958.

[3] M.Foracchia， E.Grisan， A.Ruggeri. Detection of optic disc in retinal images by means of a geometrical model of vessel structure[J]. IEEE Transactions on Medical Imaging， 2004， 23（10）：1189-1195.

[4] H.LI，C.Opas. Automatic location of optic disk in retinal images [A]. Proceedings of the International Conference on Image Processing [C]. Thessalonik： IEEE CS， 2001：837-840.

[5] Walter T， Klein J C， Massin P， et al. A contribution of mage processing to the diagnosis of diabetic retinopathy detection of exudates in color fundus images of the human retina [J]. IEEE Transactions on Medical Imaging， 2002， 21（10）：1236-1243.

[6] Youssif A.， Ghalwash A.， Ghoneim A. Optic disc detection from normalized digital fundus images by means of a vessels direction matched filter [J]. IEEE Transaction on Medical Imaging， 2008， 27（1）：11-18.

[7] Mahfouz A. E.， Fahmy A. S. Ultrafast localization of the optic disc using dimensionality reduction of the search space [A]. Proceedings of the 12th International Conference on Medical Image Computing and Computer Assisted Intervention [C]. London： IEEE， 2009： 985-992.

[8] S.Ravishankar， Jain A， Mittal A. Automated feature extraction for early detection of diabetic retinopathy in fundus images[C]//Computer Vision and Pattern Recognition， 2009. CVPR 2009. IEEE Conference on. IEEE， 2009： 210-217.

[9] 趙曉芳. 視網(wǎng)膜圖像中視盤的快速自動定位方法[J]. 華南理工大學(xué)學(xué)報（自然科學(xué)版）， 2011，39（2）：71-75.

[10] H.Yu， E.S.Barriga， C.Agurto， et al. Fast localization and segmentation of optic disk in retinal images using directional matched filtering and level sets[J]. Information Technology in Biomedicine， IEEE Transactions on， 2012， 16（4）： 644-657.

[11] A.Perez-Rovira， E.Trucco. Robust optic disc location via combination of weak

detectors[C]//Engineering in Medicine and Biology Society， 2008. EMBS 2008. 30th Annual International Conference of the IEEE. IEEE， 2008： 3542-3545.

[12] C.Duanggate， B. Uyyanonvara， S. S. Makhanov， et al. Parameter-free optic disc detection[J].Computerized Medical Imaging and Graphics， 2011， 35（1）： 51-63.

[13] R. J. Qureshi， L.Kovacs， B.Harangi， et al. Combining algorithms for automatic detection of

optic disc and macula in fundus images[J]. Computer Vision and Image Understanding， 2012，116（1）： 138-145.

[14] S.A.Ramakanth R.V. Babu Approximate nearest neighbour field based optic disk detection[J]. Computerized medical imaging and graphics， 2014， 38（1）： 49-56.

[15] 董銀偉， 沈建新.基于C-V模型的眼底圖像交互式杯盤分割[J]. 計算機(jī)應(yīng)用與軟件，2012， 29（5）：104-107.