一種新穎的糖尿病視網(wǎng)膜病變滲出檢測算法

王偉 沈丹軍 陸文斌

摘要：基于眼底圖像處理的糖尿病視網(wǎng)膜病變滲出的自動檢測具有重要意義。這里提出了一種利用免散瞳數(shù)字眼底圖像的基于形態(tài)學和支持向量機的檢測滲出的方法。算法首先利用血管會聚檢測出OD并且將其移除，通過背景分離技術(shù)和數(shù)學形態(tài)學找到可能包含硬質(zhì)滲出的區(qū)域，然后提取候選區(qū)域的各類特征，通過支持向量機實現(xiàn)滲出的分類。通過將自動檢測結(jié)果與人工檢測結(jié)果相對比，得到了四個評價指標分別為：靈敏度等于95.57%，特異性等于96.05%，準確率為95.49%，陽性檢測值為95.43%，從而證明該算法適用于糖尿病視網(wǎng)膜病變滲出的自動檢測。

關(guān)鍵詞： 眼底圖像； 糖尿病視網(wǎng)膜病變； 滲出檢測； 數(shù)學形態(tài)學； 支持向量機

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2019）07-0197-03

Abstract：The automated detection of exudates on digital fundus images to diabetic retinopathy is of great value. This paper investigates and proposes a set of optimally adjusted morphological operators to be used for exudate detection on diabetic retinopathy patients non-dilated pupil and low-contrast images. The OD is firstly located and moved using the vessel convergence. And we use the background subtraction technique and morphological technique to obtain the exudate candidate regions. Then the basic properties of exudates are extracted as feature for classification by the support vector machine （SVM） classifier. These automatically detected exudates are validated by comparing with expert ophthalmologists hand-drawn ground-truths. The results are successful and the sensitivity and specificity for our exudate detection is 95.57% and 96.05%， respectively. The accuracy and predictive value is 95.49% and 95.43% respectively. It proves that our algorithm is feasible to apply on the exudate detection of diabetic retinopathy.

Key words：fundus image； diabetic retinopathy； exudates detection； morphology； support vector machine

1 引言

糖尿病是嚴重影響人類健康的內(nèi)分泌疾病，致殘致死率僅次于心腦血管疾病及癌癥。該疾病不僅給人類帶來巨大的痛苦，而且?guī)肀姸嗖l(fā)癥，其中，以糖尿病視網(wǎng)膜病變（Diabetic Retinopathy，DR）發(fā)生率為最高，影響也最大，已成為目前特別是發(fā)達國家20-74歲成年人致盲的首要原因。視網(wǎng)膜疾病的治療只有在不可逆損傷發(fā)生之前才有比較好的效果，因此，眼科醫(yī)生需要盡早檢測出視網(wǎng)膜病變進行治療，避免導(dǎo)致視力衰退。由于糖尿病的患者數(shù)量龐大，人工檢測對專業(yè)眼科醫(yī)生數(shù)量和專業(yè)程度要求很高，在世界很多地區(qū)，都無法滿足這一需求。因此，借助計算機和利用現(xiàn)代圖像處理技術(shù)對DR進行篩查具有重要的社會價值和臨床意義[1，2，3]。利用數(shù)字免散瞳眼底照相機拍攝得到的眼底圖像，雖然對比度相對較差，但經(jīng)過計算機處理，也能提供視網(wǎng)膜“異常”的信息。20世紀七八十年代國外學者開始從眼底圖像人手，從中尋找DR病灶。在非增殖型DR病灶中，以硬性滲出的檢測最為重要。

硬性滲出（hard exudates， EXs）是由于血管通透性增加，類脂質(zhì)從血清中滲出積而成，變現(xiàn)為大小不等、規(guī)則不定的黃白色斑狀。硬質(zhì)滲出與視神經(jīng)盤（optic disk，OD）通常具有接近的亮度和顏色，因此在檢測硬質(zhì)滲出時需要區(qū)別其與視神經(jīng)盤。此外，由于光照的變化，普通背景像素也可能與硬質(zhì)滲出具有相近的亮度，而血管則可能與硬質(zhì)滲出具有相同的灰度差，這些都增加了硬質(zhì)滲出自動檢測的難度。目前國外已經(jīng)有大量學者研究了EXs的自動檢測。

Philips R[4]等人提出了基于灰度級的HE檢測算法。他們首先去掉紅色通道，通過陰影校正提高滲出物與背景的對比度，然后分別用全局和局部閾值來分割滲出物。為了解決全局閾值分割不理想的問題，Liu[5]等人引進了一種動態(tài)閾值的算法，先統(tǒng)計局部區(qū)域直方圖，然后根據(jù)統(tǒng)計出來的直方圖對相應(yīng)的像素設(shè)置閾值。在此基礎(chǔ)上，Ege[6]等人利用中值濾波去除噪聲，結(jié)合閾值分割和區(qū)域生長算法來分割背景和白色病灶。

由于發(fā)表的各類算法大多應(yīng)用于滲出明顯的情況下，因此算法對圖片質(zhì)量的要求很高。當眼底圖像存在亮度不均勻、低對比度、模糊等問題時以上算法不能很好實現(xiàn)滲出的自動檢測，因此本文在此基礎(chǔ)上提出了一種基于數(shù)學形態(tài)學[7]和支持向量機的硬質(zhì)滲出自動檢測算法[8]。該算法利用病灶對比度不同的特點，通過背景分離技術(shù)[9]和數(shù)學形態(tài)學找到可能包含硬質(zhì)滲出的區(qū)域，然后提取候選區(qū)域的各類特征，通過支持向量機實現(xiàn)滲出的分類。

本文余下的內(nèi)容如下所述：第二章介紹本文所使用的方法步驟；第三章展示部分實驗結(jié)果并對其進行分析；第四章總結(jié)全文。

2 本文方法步驟

對于滲出自動檢測算法主要包含以下幾個步驟。

2.1 視神經(jīng)盤檢測和移除

在眼底圖像中，OD與EXs通常具有相似的亮度特征，為了避免將OD誤判為EXs，需要對OD進行檢測與移除。通常OD具有特定的圓形形狀、高亮度、固定大小等特征，根據(jù)這些特征可以實現(xiàn)OD的檢測。

這里提出了一種將血管匯合作為依據(jù)來定位視神經(jīng)盤的算法。由于在綠色分量中硬質(zhì)滲出和視神經(jīng)盤具有較高的亮度值，血管與背景的對比度最大，因此在此我們使用RGB圖像的綠色分量來進行處理，檢測OD。我們首先采用均值濾波器平滑背景，然后減去原圖像得到陰影校正圖像fsc。在對fsc進行二值化后，我們利用一個大小為30x30的方形窗口來模糊分類，得到會聚圖像。我們將包含最多血管分支的窗口中心假設(shè)為匯聚點。利用亮度信息選擇出最有可能的匯聚點作為OD的中心，為了減少計算量以及考慮到圖片大小、OD所占比例和形狀特征，我們將OD設(shè)定為以匯聚點為圓心的半徑為120的區(qū)域并且將其移除。

2.2 滲出檢測

在滲出物候選區(qū)域中會夾雜著一些負樣本，包括血管附近的區(qū)域，亮暗分布不均勻的區(qū)域還有絮狀物的區(qū)域，這些區(qū)域在某些特征上和滲出物相似，但還是有一些區(qū)別的，他們的區(qū)別體現(xiàn)在一些不同的特征上。在此基礎(chǔ)上，我們通過提取一系列特征使用SVM進行分類從而得到最終的檢測結(jié)果。考慮到滲出物與背景的對比度很大，亮度較大，顏色呈黃白色，我們選擇了RGB色彩空間的綠色通道、LAB色彩空間的亮度通道 、以及CMYK色彩空間的黃色通道來進行特征提取。特征描述如下：

1）每個候選區(qū)域在三個通道上的平均值；

2）候選區(qū)域在這三個通道上的標準差；

3）候選區(qū)域的五像素領(lǐng)域區(qū)域在三個通道上的平均值；

4）候選區(qū)域與其領(lǐng)域平均值的差值；

5）候選區(qū)域的質(zhì)心在三通道上的值。

6）區(qū)域邊界值

在提取特征后，本文使用支持向量機來實現(xiàn)滲出物和非滲出物的分類。我們將采用的圖像庫中的30幅眼底圖像作為訓練樣本，其余作為測試樣本。我們將候選區(qū)域的特征和病灶的人工判斷作為訓練集的輸入和輸出，對SVM進行訓練。利用訓練所得的分類模型對測試樣本進行分類，得到滲出檢測的結(jié)果fhardexs。

滲出檢測的過程如圖2所示。

3 實驗結(jié)果

本文算法在公開的眼底圖像標準庫DIARETDB1[12]上進行了測試。DIARETDB1庫包含有89副彩色圖像，圖片大小為1500x1152.根據(jù)眼科醫(yī)生的人工判斷其中84幅圖含有病變，5幅為正常健康眼底圖像。

由此可以看出本文算法比單純使用數(shù)學形態(tài)學的算法靈敏度更高，支持向量機的分類效果也比神經(jīng)網(wǎng)絡(luò)和FCM等分類算法更好，說明本文算法具有較高識別準確率。

4 結(jié)論

這里提出了一種利用免散瞳數(shù)字眼底圖像的基于形態(tài)學和支持向量機的自動檢測滲出的方法。算法首先利用血管會聚檢測出OD并且將其移除，然后利用對比度檢測和形態(tài)學重建粗糙檢測出滲出，通過特征提取利用支持向量機對病灶進行分類從而實現(xiàn)滲出的檢測。通過將自動檢測結(jié)果與人工檢測結(jié)果相對比，得到了四個評價指標分別為：靈敏度等于95.6%，特異性等于96.1%，準確率為95.5%，陽性檢測值為95.4%，從而說明本文算法適用于糖尿病視網(wǎng)膜病變滲出的滲出檢測。

該算法的創(chuàng)新點在于：在OD檢測時采用了血管匯合和亮度相結(jié)合的算法，準確率達100%，且所需時間少，為后續(xù)EXs準確檢測提供保障。在EXs檢測過程中充分考慮到亮度不均勻和低對比度的情況，擴大候選區(qū)域，利用形態(tài)學重建去除背景，合理提取特征進行SVM分類，提高了分類的靈敏度和特異性。但是本文算法還存在不足之處，就是該算法需要提前訓練學習，檢測實現(xiàn)所需時間較長，還需要進一步改善以減少檢測所需時間，這是后續(xù)主要完成的工作。

參考文獻：

[1] C. Sinthanayothin， J. F. Boyce and H. L. Cook. Automated Localisation of the Optic Disc Fovea， and Retinal Blood Vessels From Digital Colour Fundus Images[J]. British Journal of Ophthalmology.1999， 83（8）： 902-910.

[2] A. Hoover， V. Kouznetsova and M. Goldbaum. Locating Blood Vessel in Retinal Images by Piecewise Threshold Probing of a Matched Filter Response.[J].IEEE Transactions on Medical Imaging，2000， 19（3）： 203-210.

[3] GAO Wei-wei，SHEN Jian-xin，WANG Yu-liang. Method of Fast and Automated Detection of Diabetic Retinopathy Based on Mathematical Morphology [J]. Spectroscopy and Spectral Analysis， 2012， 32（3）： 760-764.

[4] Phillips R， Spencer T， Ross P. Quantification of diabetic maculopathy by digital imaging of the fundus [C].Eye，1991，5：130-137.

[5] Zheng Liu， Opas C， Krishnan SM. Automatic image analysis of fundus photograph[C]. In： Proceedings of the International Conference on Engineering in Medicine and Biology，1997（2）：524–526.

[6] Ege BM， Hejlesen OK， Larsen OV， Moller K， Jenning B， Kerr D. Screeningfor diabetic retinopathy using computer based image analysis and statistical classification[J]. Comput Methods Prog Biomed ，2000（62）：165–75.

[7] Savran， B. Sankur， M. T. Bilge， "Regression-based Intensity Estimation of Facial Action Units"[J]， Image and Vision Computing， 2012，30（10）： 774-784.

[8] 高瑋瑋，沈建新，王玉亮.神經(jīng)網(wǎng)絡(luò)和閾值分割實現(xiàn)視網(wǎng)膜硬性滲出自動檢測[J].中國圖象圖形學報， 2013， 18（7）：859-865.

[9] Y. Sun， S. Chen and B. Yin. Color face recognition based on quaternion matrix representation[J] .Pattern Recognition Letters， 2011（32）： 597-605.

【通聯(lián)編輯：唐一東】