基于背景估計(jì)和集成分類(lèi)的眼底硬性滲出檢測(cè)

張磊+卜巍+鄔向前+戴百生

摘要： 眼底圖像中硬性滲出的檢測(cè)對(duì)于糖尿病性視網(wǎng)膜病變（簡(jiǎn)稱“糖網(wǎng)”）的早期診斷具有重要意義。為了實(shí)現(xiàn)眼底圖像中硬性滲出物的自動(dòng)檢測(cè)，本文提出了一種結(jié)合背景估計(jì)和集成分類(lèi)的眼底圖像硬性滲出物自動(dòng)檢測(cè)方法。首先，對(duì)圖像進(jìn)行亮度校正、去噪、對(duì)比度增強(qiáng)等預(yù)處理操作，然后結(jié)合形態(tài)學(xué)方法進(jìn)行背景估計(jì)和圖像重建并移除視盤(pán)區(qū)域，得到滲出物候選區(qū)域。最后利用集成分類(lèi)方法對(duì)候選區(qū)域進(jìn)行分類(lèi)，提取最終的硬性滲出區(qū)域。實(shí)驗(yàn)結(jié)果表明，本方法能夠有效準(zhǔn)確地檢測(cè)到眼底圖像中的硬性滲出物，對(duì)于糖網(wǎng)自動(dòng)診斷技術(shù)的研究具有積極意義。

關(guān)鍵詞： 眼底圖像； 硬性滲出； 背景估計(jì)； 集成分類(lèi)

中圖分類(lèi)號(hào)： TP391

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 2095-2163（2017）05-0066-05

Abstract：The detection of hard exudates in retinal images is an important task to the early diagnosis of diabetic retinopathy（DR）. This paper presents a novel method to automatically detect hard exudates in retinal images， which is based on background estimation and ensemble classification. In the first stage， retinal images are preprocessed for shade correction， denoising and contrast enhancement. Then the candidate hard exudates are extracted by background estimation， morphological reconstruction and elimination of the optic disc. At last， an ensemble classifier is trained for the classification of candidate regions. As the experimental results suggest， the proposed method can detect hard exudates in retinal images accurately， which is a contribution to the research of the automatic diagnosis technique for DR.

Keywords：retinal images； hard exudates； background estimation； ensemble classification

0引言

糖尿病視網(wǎng)膜病變（簡(jiǎn)稱“糖網(wǎng)”）是糖尿病患者最為常見(jiàn)的眼部并發(fā)癥，是導(dǎo)致糖尿病患者視力下降甚至失明的主要原因，是發(fā)達(dá)國(guó)家主要的致盲眼部疾病之一[1]。隨著中國(guó)經(jīng)濟(jì)的發(fā)展，人民生活水平的提高以及飲食結(jié)構(gòu)的變化，糖尿病的發(fā)病率亦逐年提高。因此，糖尿病視網(wǎng)膜病變也正逐步成為威脅國(guó)人視力健康的主要疾病。

對(duì)于糖尿病患者而言，在出現(xiàn)視力下降癥狀之前，定期對(duì)視網(wǎng)膜狀況進(jìn)行檢查，盡早發(fā)現(xiàn)病變情況并及時(shí)采取對(duì)癥治療措施，能夠在很大程度上降低因糖尿病視網(wǎng)膜病變帶來(lái)的失明風(fēng)險(xiǎn)。因此，對(duì)糖尿病患者是否出現(xiàn)了糖尿病視網(wǎng)膜病變癥狀的早期準(zhǔn)確篩查具有重要意義。目前，對(duì)糖網(wǎng)的篩查主要通過(guò)眼科醫(yī)師觀察患者眼底照片的方式進(jìn)行。這種檢查方式具有很多局限性。過(guò)程中將依賴于眼科醫(yī)師的臨床經(jīng)驗(yàn)，并且由于糖尿病患者數(shù)量及檢查頻率的升高，對(duì)眼科醫(yī)師的數(shù)量要求也越來(lái)越多，而現(xiàn)有的眼科醫(yī)師數(shù)量則是有限的，不能滿足如此巨大的數(shù)量需求，這使得很多患者失去了及時(shí)檢查的機(jī)會(huì)。如果能夠借助計(jì)算機(jī)技術(shù)，實(shí)現(xiàn)對(duì)糖網(wǎng)自動(dòng)、可靠和快速地篩查，將能夠?yàn)楦嗟幕颊咛峁┘皶r(shí)的診斷和治療，降低患者失明的風(fēng)險(xiǎn)。

糖尿病視網(wǎng)膜硬性滲出，多由擴(kuò)張的毛細(xì)血管和微血管瘤滲漏的脂質(zhì)和蛋白質(zhì)成分組成，通常呈現(xiàn)為邊界比較清晰的蠟黃色點(diǎn)片狀滲出，可呈簇狀堆積，融合成片，排列成環(huán)狀或半環(huán)狀分布，是糖網(wǎng)早期的常見(jiàn)病變[2]，如圖1所示。因此，對(duì)硬性滲出的及時(shí)檢測(cè)能夠?qū)崿F(xiàn)對(duì)糖網(wǎng)的早期診斷，降低患者失明風(fēng)險(xiǎn)。為了實(shí)現(xiàn)對(duì)硬性滲出的自動(dòng)檢測(cè)，本文在深入研究數(shù)學(xué)形態(tài)學(xué)和分類(lèi)方法基礎(chǔ)上，提出了背景估計(jì)和集成分類(lèi)結(jié)合的眼底圖像硬性滲出自動(dòng)檢測(cè)方法。

2視盤(pán)檢測(cè)與消除

視神經(jīng)盤(pán)（簡(jiǎn)稱“視盤(pán)”）是視網(wǎng)膜上的視神經(jīng)纖維穿出眼球的部位，在眼底圖像上呈現(xiàn)為與硬性滲出具有相似亮度和色彩的圓形結(jié)構(gòu)[4]，如圖1所示。為了減少視盤(pán)區(qū)域?qū)τ残詽B出的檢測(cè)造成的干擾，需要對(duì)視盤(pán)區(qū)域進(jìn)行檢測(cè)與消除。

視盤(pán)檢測(cè)主要通過(guò)視盤(pán)定位和視盤(pán)分割來(lái)實(shí)現(xiàn)。視盤(pán)定位采取文獻(xiàn)[5]提出的方法，該方法將視盤(pán)定位問(wèn)題看作分類(lèi)問(wèn)題，結(jié)合子圖字典的稀疏表示，通過(guò)最小化L1范式來(lái)實(shí)現(xiàn)。對(duì)視盤(pán)定位后，考慮到視盤(pán)在眼底圖像上表現(xiàn)為一個(gè)圓形區(qū)域，因此，可以在以定位點(diǎn)為中心的一個(gè)小區(qū)域內(nèi)使用霍夫變換檢測(cè)圓形區(qū)域的方式來(lái)實(shí)現(xiàn)對(duì)視盤(pán)的檢測(cè)。檢測(cè)到視盤(pán)之后，對(duì)視盤(pán)區(qū)域的像素值置零以實(shí)現(xiàn)對(duì)視盤(pán)的消除。具體算法描述如下：

1）利用L1范式最小化方法定位視盤(pán)，得到定位點(diǎn)p。視盤(pán)定位結(jié)果如圖3a）所示。

2）以點(diǎn)p為中心對(duì)眼底圖像綠色通道進(jìn)行截取，獲得較小的視盤(pán)候選區(qū)域IOD_Cand。截取的視盤(pán)候選區(qū)域如圖3b）所示。

3）在IOD_Cand上通過(guò)形態(tài)學(xué)閉運(yùn)算消除血管，保持視盤(pán)的完整性，得到IOD_Cand_Close。消除血管的視盤(pán)候選區(qū)域如圖如圖3c）所示。endprint

4）在IOD_Cand_Close上使用霍夫變換檢測(cè)圓形區(qū)域，并進(jìn)行一次形態(tài)學(xué)膨脹得到視盤(pán)檢測(cè)結(jié)果IOD。

5）將預(yù)處理后的圖像上對(duì)應(yīng)視盤(pán)檢測(cè)結(jié)果的區(qū)域置零，可得到消除視盤(pán)的圖像INOD。視盤(pán)消除后的眼底

3基于背景估計(jì)的硬性滲出候選區(qū)域提取

本文主要使用數(shù)學(xué)形態(tài)學(xué)方法，在預(yù)處理和視盤(pán)消除的基礎(chǔ)上對(duì)硬性滲出的候選區(qū)域進(jìn)行提取。考慮到眼底圖像上的滲出區(qū)域?yàn)槊娣e較小的較亮區(qū)域，除視盤(pán)外的其它區(qū)域?yàn)檩^暗區(qū)域，可以通過(guò)背景估計(jì)方法先估計(jì)出背景區(qū)域，再結(jié)合增強(qiáng)后的圖像進(jìn)行對(duì)比，得出前景目標(biāo)區(qū)域，再通過(guò)形態(tài)學(xué)膨脹重建方法得到輪廓準(zhǔn)確的滲出物候選區(qū)域。算法的主要步驟如下：

4特征提取與分類(lèi)

從上述硬性滲出提取結(jié)果可以看出，除了硬性滲出外，還有其他一些非滲出區(qū)域也被提取了出來(lái)，因此，考慮使用機(jī)器學(xué)習(xí)中的分類(lèi)方法進(jìn)行進(jìn)一步提取操作，得到更準(zhǔn)確的硬性滲出區(qū)域。在機(jī)器學(xué)習(xí)的分類(lèi)方法中，集成分類(lèi)[6]是指通過(guò)集成多個(gè)弱分類(lèi)器，采用多數(shù)表決對(duì)樣例進(jìn)行分類(lèi)而獲得優(yōu)于單個(gè)分類(lèi)器分類(lèi)效果的一種分類(lèi)方法。集成分類(lèi)方法通常可以提高分類(lèi)器的魯棒性，降低分類(lèi)誤差。本文經(jīng)過(guò)多次實(shí)驗(yàn)后，采用決策樹(shù)裝袋的集成分類(lèi)方法對(duì)硬性滲出區(qū)域進(jìn)行進(jìn)一步提取。

硬性滲出區(qū)別于其它眼底生理結(jié)構(gòu)和病變的特征，本文選取候選區(qū)域RGB各通道和Lab各通道的灰度均值、標(biāo)準(zhǔn)差，候選區(qū)域的面積、周長(zhǎng)和致密性、區(qū)域邊緣強(qiáng)度、候選區(qū)域與鄰域的平均灰度差值、區(qū)域塊狀結(jié)構(gòu)特征[7]、區(qū)域長(zhǎng)、短軸長(zhǎng)度等38個(gè)特征構(gòu)成的特征向量，用特征向量對(duì)候選區(qū)域進(jìn)行描述。

從眼底圖像數(shù)據(jù)集DiaretDB1[8]中提取的候選區(qū)域與數(shù)據(jù)集提供的真實(shí)標(biāo)簽進(jìn)行比對(duì)，生成帶標(biāo)簽的數(shù)據(jù)集，按照原始數(shù)據(jù)集提供的訓(xùn)練集和測(cè)試集劃分方法得到訓(xùn)練集和測(cè)試集。訓(xùn)練集對(duì)裝袋決策樹(shù)分類(lèi)器進(jìn)行訓(xùn)練，即在訓(xùn)練集的隨機(jī)子集上訓(xùn)練多棵決策樹(shù)，得到集成分類(lèi)器模型，再利用分類(lèi)器模型對(duì)硬性滲出進(jìn)行進(jìn)一步提取，得到硬性滲出的最終檢測(cè)結(jié)果。使用集成分類(lèi)器提取的最終滲出區(qū)域如圖5 c）所示，其中綠色區(qū)域表示硬性滲出最終檢測(cè)結(jié)果。從圖5 c）中可以看出使用集成分類(lèi)器對(duì)硬性滲出的最終檢測(cè)取得了令人滿意的結(jié)果。

5實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)是在Windows 10操作系統(tǒng)，Matlab 2016b軟件環(huán)境下進(jìn)行的。對(duì)本文算法性能的測(cè)試是在DiaretDB1數(shù)據(jù)集上進(jìn)行的，主要考察了算法的敏感性、特異性、陽(yáng)性預(yù)測(cè)值和準(zhǔn)確率四個(gè)評(píng)價(jià)指標(biāo)，并與其它算法的結(jié)果進(jìn)行了對(duì)比，對(duì)比結(jié)果如表1所示。

在表1列舉的檢測(cè)方法中，在DiaretDB1數(shù)據(jù)集上，Imani[9]等人主要是使用形態(tài)學(xué)成分分析方法分離滲出區(qū)域，Welfer[10]等人主要利用了形態(tài)學(xué)和閾值化的方法通過(guò)多重形態(tài)學(xué)重建進(jìn)行檢測(cè)，Harangi[11]等人主要利用了主動(dòng)輪廓模型和優(yōu)化的樸素貝葉斯分類(lèi)器進(jìn)行檢測(cè)，F(xiàn)raz[12]等人主要利用了上下文信息和集成決策樹(shù)分類(lèi)的方法。Prentai[KG-*4]c[DD（-*1]′[DD）][13]等人則是采用了深度神經(jīng)網(wǎng)絡(luò)在非完全公開(kāi)數(shù)據(jù)集DRiDB上對(duì)硬性滲出進(jìn)行檢測(cè)。通過(guò)對(duì)比表1中各方法的性能指標(biāo)可以發(fā)現(xiàn)，本文提出的方法具有一定的競(jìng)爭(zhēng)力。這主要是由于本文通過(guò)采用數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行背景估計(jì)，有針對(duì)性地提取到了更多滲出候選區(qū)域，在很大程度上避免了漏檢。此外，提取了恰當(dāng)?shù)姆诸?lèi)特征，并采用了裝袋決策樹(shù)的集成分類(lèi)方法，降低了算法對(duì)噪聲數(shù)據(jù)的敏感度，提高了算法的魯棒性。

[BT4]6結(jié)束語(yǔ)

本文通過(guò)對(duì)眼底圖像進(jìn)行亮度校正、去噪、對(duì)比度增強(qiáng)等操作實(shí)現(xiàn)預(yù)處理，通過(guò)背景估計(jì)等形態(tài)學(xué)操作提取硬性滲出候選區(qū)域，最終利用集成分類(lèi)器完成了對(duì)眼底圖像硬性滲出物的檢測(cè)。在DiaretDB1數(shù)據(jù)集上的測(cè)試結(jié)果表明，本文的方法能夠較為準(zhǔn)確地檢測(cè)出眼底圖像中的硬性滲出，具有一定的競(jìng)爭(zhēng)力。雖然本文已經(jīng)取得了較好的敏感性指標(biāo)，但是由于一些假陽(yáng)性區(qū)域的存在，特異性和陽(yáng)性預(yù)測(cè)值仍然有進(jìn)一步提高的空間，如何進(jìn)一步減少假陽(yáng)性區(qū)域的干擾將是后續(xù)研究工作的重點(diǎn)內(nèi)容。

參考文獻(xiàn)：

梁衛(wèi)強(qiáng)， 王麗聰. 糖尿病視網(wǎng)膜病變的防治進(jìn)展[J]. 中華臨床醫(yī)師雜志（電子版）， 2014，8（9）： 1763-1766.

[2] [JP2]周海英， 焦璇， 趙萌， 等. 非增殖期糖尿病視網(wǎng)膜病變黃斑區(qū)硬性滲出的臨床觀察[J]. 首都醫(yī)科大學(xué)學(xué)報(bào)， 2010， 31（5）： 645-648.[JP]

[3] BAI Xiangzhi， ZHOU Fugen， XUE Bindong. Image enhancement using multi scale image features extracted by tophat transform[J]. Optics & Laser Technology， 2012， 44（2）： 328-336.[ZK）]

[4] [ZK（#]ABRAMOFF M D， GARVIN M K， SONKA M. Retinal imaging and image analysis[J]. IEEE Reviews in Biomedical Engineering， 2010， 3：169-208.

[5] SINHA N， BABU R V. Optic disk localization using L1 minimization[C]//Image Processing （ICIP）， 2012 19th IEEE International Conference on. Orlando， FL， USA：IEEE， 2012： 2829-2832.

[6] POLIKAR R. Ensemble based systems in decision making[J]. IEEE Circuits and Systems Magazine， 2006， 6（3）： 21-45.endprint

[7] ZHANG Min， WU T， BENNETT K M. Small blob identification in medical images using regional features from optimum scale[J]. IEEE Transactions on Biomedical Engineering， 2015， 62（4）：1051-1062.

[8] KAUPPI T，KALESNYKIENE V， KAMARAINEN J K， et al. DIARETDB1 diabetic retinopathy database and evaluation protocol[C]//Proceedings of the British Machine Vision Conference 2007. Uk：University of Warwick， 2007：1-18.

[9] IMANI E， POURREZA H R. A novel method for retinal exudate segmentation using signal separation algorithm[J]. Computer Methods and Programs in Biomedicine， 2016， 133（C）：195-205.

[10]WELFER D， SCHARCANSKI J， MARINHO D R. A coarsetofine strategy for automatically detecting exudates in color eye fundus images[J]. Computerized Medical Imaging and Graphics， 2010， 34（3）： 228-235.

[11]HARANGI B， HAJDU A. Automatic exudate detection by fusing multiple active contours and regionwise classification[J]. Computers in Biology & Medicine， 2014， 54（156）： 156-171.

[12][JP3]FRAZ M M， JAHANGIR W， ZAHID S， et al. Multiscale segmentation of exudates in retinal images using contextual cues and ensemble classification[J]. Biomedical Signal Processing & Control， 2017， 35：50-62.[JP]

[13]PRENTAI[KG-*3]C[DD（-*2]′[DD）] P， LON[KG-*2]C [DD（-*1] [XZ（180] ^[XZ）][DD）][KG-*6]ARI[KG-*3]C[DD（-*2]′[DD）] S， Detection of exudates in fundus photographs using deep neural networks and anatomical landmark detection fusion[J]. Computer Methods and Programs in Biomedicine， 2016， 137： 281-292.endprint