• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 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 ?

    基于深度森林的視網(wǎng)膜血管分割算法

    2020-12-16 09:23:30李志強吳臣桓
    關(guān)鍵詞:級聯(lián)集上視網(wǎng)膜

    李志強,楊 欣,吳臣桓

    (南京航空航天大學(xué) 自動化學(xué)院,江蘇 南京 211100)

    眼底視網(wǎng)膜血管的形態(tài)是相關(guān)眼科疾病和心腦血管疾病診斷的重要依據(jù),但由于眼底視網(wǎng)膜血管結(jié)構(gòu)分布十分復(fù)雜,而且受噪聲和器械成像質(zhì)量的影響,醫(yī)護人員難以高效地從眼底視網(wǎng)膜圖像中正確分離出血管,這給相關(guān)疾病的診斷帶來了極大的困難[1].因此,視網(wǎng)膜血管自動化分割成為了現(xiàn)代醫(yī)學(xué)圖像處理領(lǐng)域內(nèi)的研究熱點.目前的視網(wǎng)膜血管分割算法主要分為非監(jiān)督方法和監(jiān)督方法2類,非監(jiān)督方法主要是基于血管跟蹤、匹配濾波、形態(tài)學(xué)處理和形變模型的方法[2],文獻[3]利用圖像的混合區(qū)域信息通過主動輪廓模型來解決血管分割問題,文獻[4]利用二維匹配濾波增強血管灰度,并用灰度-梯度共生矩陣的最大熵閾值化方法對視網(wǎng)膜血管進行分割,文獻[5]提出一種基于形態(tài)學(xué)的分割方法,有效提高了分割結(jié)果對光照變化的魯棒性.監(jiān)督方法將視網(wǎng)膜血管分割視為像素級分類問題,通過分類算法對像素點進行分類.近幾年基于機器學(xué)習(xí)的視網(wǎng)膜血管分割算法得到了很大的發(fā)展,這類方法需要人工提取視網(wǎng)膜圖像特征再通過分類器區(qū)分血管和非血管像素.文獻[6]提取視網(wǎng)膜圖像的梯度矢量場信息,并通過集成決策樹系統(tǒng)進行視網(wǎng)膜血管分割;文獻[7]提出了一種利用灰度級特征和不變矩特征,通過神經(jīng)網(wǎng)絡(luò)進行視網(wǎng)膜血管分割的算法;文獻[8]提出了一種利用Gabor濾波和不變矩特征,采用多層感知器進行視網(wǎng)膜血管分割的算法.基于機器學(xué)習(xí)的方法的分割性能整體要比非監(jiān)督方法好,但手動提取醫(yī)學(xué)圖像的特征非常依賴研究人員的領(lǐng)域先驗知識.此外,基于機器學(xué)習(xí)的方法一般需要大量數(shù)據(jù)進行訓(xùn)練,但在醫(yī)學(xué)圖像處理領(lǐng)域內(nèi),大量的醫(yī)學(xué)圖像數(shù)據(jù)很難獲取,給實現(xiàn)訓(xùn)練高效穩(wěn)定的視網(wǎng)膜血管分割模型帶來了很大的困難.深度森林是Zhou等[9]提出的一種新型集成機器學(xué)習(xí)方法,相比于經(jīng)典機器學(xué)習(xí)模型超參數(shù)要少很多且模型性能對超參數(shù)設(shè)置不敏感.更重要的是,深度森林對小樣本數(shù)據(jù)集非常有效.考慮到深度森林的這些優(yōu)良特性,本文提出了一種基于深度森林的眼底視網(wǎng)膜血管分割方法,首次將深度森林算法應(yīng)用到醫(yī)學(xué)圖像分割領(lǐng)域,在公開眼底視網(wǎng)膜圖像數(shù)據(jù)集上的分割效果取得了顯著提升.

    1 本文算法

    1.1 整體框架

    視網(wǎng)膜血管分割算法整體框架如圖1所示,模型整體結(jié)構(gòu)由預(yù)處理模塊(preprocessing module)、多粒度掃描模塊(multi-grained scanning module,MGS模塊)和級聯(lián)森林模塊(cascade forest module,CF模塊)3部分組成.3個模塊分別負責(zé)特征增強、特征提取和像素點分類,這樣既增加了模型的可解釋性也降低了超參數(shù)調(diào)節(jié)的難度.

    圖1 算法整體框架

    模型運行過程可表示為:

    y=F(M(P(x))).

    (1)

    式(1)中,x為輸入數(shù)據(jù),y為預(yù)測結(jié)果,P表示預(yù)處理過程,M表示MGS模塊的特征提取過程,F(xiàn)表示CF模塊的類別預(yù)測過程.首先預(yù)處理模塊對原始數(shù)據(jù)進行噪聲抑制和特征增強操作并以待分類像素點為中心提取圖像塊;然后將圖像塊輸入MGS模塊進行特征提?。蛔詈髮GS模塊提取到的特征向量輸入到CF模塊進行中心像素點類別預(yù)測.

    1.2 預(yù)處理模塊

    為抑制噪聲和提高血管與背景的對比度,需要先對圖像進行預(yù)處理.彩色眼底視網(wǎng)膜原始圖像的RGB 3個通道中,綠色通道的噪聲相對較少且細節(jié)信息明顯,能夠很容易定位出血管的輪廓.而其余兩個通道對比度太低,飽和效應(yīng)明顯,無法提供有用的前后景分辨信息.為抑制光照不均勻帶來的影響,進一步使用限制對比度自適應(yīng)直方圖均衡算法(CLAHE)做增強處理.

    圖2 預(yù)處理可視化結(jié)果

    圖2以DRIVE數(shù)據(jù)集中的1張圖像作為示例,分別展示了原始RGB圖像、原始圖像綠色通道以及CLAHE增強處理后的綠色通道可視化結(jié)果.可見經(jīng)過CLAHE增強處理后的綠色通道圖像,血管邊緣和末梢的對比度得到了進一步加強.

    1.3 多粒度掃描特征提取模塊

    深度森林(gcForest)是Zhou等2017年提出的1種新型集成機器學(xué)習(xí)算法.深度森林以決策樹作為基學(xué)習(xí)器,整體結(jié)構(gòu)由多粒度掃描(multi-grained scanning,MGS)和級聯(lián)森林(cascade forest,CF)2部分組成,其中多粒度掃描的作用是對原始輸入數(shù)據(jù)進行特征學(xué)習(xí),即特征抽取過程.級聯(lián)森林是1種可自主生長的級聯(lián)結(jié)構(gòu),用于將多粒度掃描得到的特征進行分類預(yù)測.

    多粒度掃描模塊通過多尺度滑窗掃描原始輸入圖像,每個尺度的掃描結(jié)果都送入1個隨機森林和1個完全隨機森林進行類向量提取,最后將所有森林得到的類向量拼接作為變換后的特征向量(如圖3所示).所以多粒度掃描得到的特征向量維度可以表示為:

    (2)

    式(2)中,m和n表示輸入圖像的長和寬,s表示正方形滑窗移動的步長,{x1,x2,…,xi,…,xn}是滑窗的邊長集合且必須滿足max{x1,x2,…,xi,…,xn}≤min{m,n},C是輸入數(shù)據(jù)類別個數(shù).V是多粒度掃描從原始數(shù)據(jù)中提取的特征向量維度.

    圖3 多粒度掃描模塊

    1.4 級聯(lián)森林分類模塊

    級聯(lián)森林模塊采用了Bagging和Stacking集成學(xué)習(xí)思想,將基學(xué)習(xí)器決策樹進行集成,構(gòu)造了1種可自主生長的級聯(lián)結(jié)構(gòu),且對超參數(shù)和數(shù)據(jù)量不敏感,模型可解釋性更強.級聯(lián)森林的結(jié)構(gòu)與神經(jīng)網(wǎng)絡(luò)類似,原始特征向量輸入到級聯(lián)森林淺層,將輸出類向量結(jié)果與原始特征向量拼接作為下一層的輸入,直到級聯(lián)森林性能不再提升或提升小于某一閾值時停止生長,在級聯(lián)森林最后一層將所有森林類向量取平均作為模型預(yù)測的類別概率.這種結(jié)構(gòu)不僅可以通過增加模型深度來提高模型性能,還可以通過自適應(yīng)調(diào)節(jié)模型復(fù)雜度,使其更好地擬合數(shù)據(jù)集.如圖4所示,級聯(lián)森林的輸入向量維度為N,每層由x個隨機森林和y個完全隨機森林組成,且每個森林都包含m棵決策樹,那么對于C分類問題,級聯(lián)森林每增加一層,將產(chǎn)生1個(X+Y)×C維的增強特征,然后用增強特征與輸入特征拼接(維度為(X+Y)×C+N)作為下一層的輸入,自適應(yīng)生長直到模型性能不再提升或提升小于某一閾值,并將級聯(lián)最后一層每個森林的輸出類向量取平均得到C維預(yù)測向量作為模型最終的預(yù)測概率,并以最大預(yù)測概率對應(yīng)的類作為模型的最終預(yù)測結(jié)果.

    圖4 級聯(lián)森林模塊

    2 實驗驗證與分析

    2.1 數(shù)據(jù)集介紹

    本文使用DRIVE和STARE眼底視網(wǎng)膜數(shù)據(jù)集驗證了算法的有效性.DRIVE數(shù)據(jù)集[11]包含40張眼底視網(wǎng)膜彩色圖片,其中有7張有輕微糖尿病視網(wǎng)膜病變跡象,并且每張圖片的分辨率均為565×584,該數(shù)據(jù)集已將所有圖片分為20張訓(xùn)練圖片和20張測試圖片,所以可以直接在訓(xùn)練集上訓(xùn)練模型,在測試集上評估模型.STARE數(shù)據(jù)集[12]包含20張眼底視網(wǎng)膜彩色圖片,其中有10張顯示出輕微病變跡象,并且每張圖片的分辨率為700×605.但STARE數(shù)據(jù)集并未區(qū)分訓(xùn)練集和測試集,為了更準確地評估模型性能,需要在STARE數(shù)據(jù)集上做k-fold交叉驗證,本文選擇k=4的交叉驗證來進行模型性能評估.以上2個數(shù)據(jù)集都包含由2位專家手動標記的血管分割標簽,本文采用第1位專家標記的結(jié)果作為標準結(jié)果進行模型訓(xùn)練和評估.此外,DRIVE數(shù)據(jù)集已經(jīng)提供了視野范圍的二值掩模,但STARE數(shù)據(jù)集并未提供,本文已手動提取了視野范圍的掩膜以備模型訓(xùn)練和評估使用.

    2.2 參數(shù)設(shè)置

    在預(yù)處理后的訓(xùn)練數(shù)據(jù)中隨機選取20萬個大小為25×25圖像塊,并以圖像塊中心位置對應(yīng)的標簽作為圖像塊的標簽,其中正負樣本比為1∶4,并取其中10%作為驗證集.MGS模塊的滑窗尺度集合設(shè)為{7,14,21},滑窗步長設(shè)為3,每個尺度對應(yīng)的2個森林均包含101個決策樹.CF模塊能夠根據(jù)訓(xùn)練數(shù)據(jù)的復(fù)雜度自主生長,本文設(shè)置級聯(lián)森林每層包含4個隨機森林,其中2個為完全隨機森林,2個為隨機森林,每個森林的決策樹個數(shù)均為121.為限制決策樹生長,當決策樹節(jié)點與根節(jié)點樣本數(shù)的比值低于 0.000 1 或節(jié)點只包含一類樣本時終止節(jié)點分裂.為限制級聯(lián)森林生長,當驗證集準確率提升低于 0.000 01 時停止級聯(lián)森林生長.此外,實驗程序全部使用python3.6在Windows10系統(tǒng)上運行,深度森林模型使用Scikit-learn庫編寫并在Intel i5-9400f CPU上進行訓(xùn)練.

    2.3 評估指標

    本文采用準確度(accuracy,ACC)、靈敏度(sensitivity,SE)、特異性(specificity,SP)以及AUC(area under the ROC curve)這4個指標來評估模型性能,其中靈敏度衡量模型區(qū)分前景(血管)的能力;特異性衡量模型區(qū)分背景(非血管)的能力;ACC和AUC衡量模型整體分割性能.這4個指標都是數(shù)值越大表明性能越好.計算公式如下:

    其中,TP表示分類正確的前景(血管)像素,TN表示分類正確的后景(非血管)像素、FP表示背景(非血管)像素錯誤分類為前景(血管)像素,F(xiàn)N表示前景(血管)像素錯誤分類為背景(非血管)像素.此外,AUC通過計算ROC曲線下的面積得到.為保證評價的合理性,所有的評價指標均在視野范圍內(nèi)(即掩膜內(nèi)部)進行計算.

    2.4 實驗結(jié)果

    本文在 DRIVE和STARE數(shù)據(jù)集上進行算法性能評估,且均將數(shù)據(jù)集中第1位專家標記結(jié)果作為標準結(jié)果,表1展示了模型在每個數(shù)據(jù)集上的測試結(jié)果.

    表1 本文算法測試結(jié)果

    從表1可知,本文算法的SE、SP、ACC和AUC指標,在DRIVE數(shù)據(jù)集上分別達到了 0.694 5、0.972 9、0.937 5 和 0.932 0;在STARE數(shù)據(jù)集上分別達到了 0.745 6、0.969 3、0.946 1 和 0.952 4.深度森林的級聯(lián)層數(shù)在DRIVE和STARE數(shù)據(jù)集上訓(xùn)練時,分別自適應(yīng)設(shè)置為7層和8層(交叉驗證的均值).為更直觀地評估分割模型的魯棒性,作出模型在每個數(shù)據(jù)集上測試得到的ROC(receiver operating characteristic)曲線如圖5所示,并給出樣例分割結(jié)果如圖6所示.

    由圖5、圖6可知,本文算法的分割概率圖非常接近標準圖,對于較細的血管也具有良好的區(qū)分性.分割二值圖是用0.5為閾值進行二值化得到的結(jié)果,可以觀察到主干血管都能被正確的分割出來,表明本文算法對視網(wǎng)膜血管分割問題的有效性.表2將本文算法和其他視網(wǎng)膜血管分割算法進行了性能對比,綜合本文算法在2個數(shù)據(jù)集上的測試結(jié)果可知,本文算法的整體性能要優(yōu)于部分其他視網(wǎng)膜血管分割算法,尤其在SE和AUC指標上表現(xiàn)突出.實驗結(jié)果表明本文算法具有優(yōu)異的視網(wǎng)膜血管分割能力,具有一定的應(yīng)用價值.

    圖5 模型預(yù)測結(jié)果ROC曲線

    圖6 模型分割結(jié)果示例

    表2 本文算法與其他算法的性能比較

    3 結(jié)語

    本文提出的基于深度森林的視網(wǎng)膜血管分割方法,首先通過多粒度掃描對預(yù)處理過的圖像塊進行特征提取,然后用級聯(lián)森林對圖像塊中心像素進行分類,進而完成對視網(wǎng)膜血管的分割.本文首次將深度森林算法引入到圖像分割領(lǐng)域,并通過實驗證明了其在眼底視網(wǎng)膜圖像分割任務(wù)中的有效性,具有一定的應(yīng)用價值.本文算法還有進一步改進的空間,由實驗結(jié)果可知,主干血管分割效果較好,但存在血管邊緣分割邊界不明顯、血管末端誤分和斷裂問題,其主要原因是視網(wǎng)膜血管邊緣和末端相比于主干血管中心像素的前后景區(qū)分度較低.下一步工作計劃引入深度學(xué)習(xí)模型來加強模型的上下文感知能力,以及增加后處理來解決這些不足之處.

    猜你喜歡
    級聯(lián)集上視網(wǎng)膜
    深度學(xué)習(xí)在糖尿病視網(wǎng)膜病變診療中的應(yīng)用
    家族性滲出性玻璃體視網(wǎng)膜病變合并孔源性視網(wǎng)膜脫離1例
    高度近視視網(wǎng)膜微循環(huán)改變研究進展
    Cookie-Cutter集上的Gibbs測度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    復(fù)扇形指標集上的分布混沌
    級聯(lián)LDPC碼的STBC-OFDM系統(tǒng)
    電子制作(2016年15期)2017-01-15 13:39:09
    復(fù)明片治療糖尿病視網(wǎng)膜病變視網(wǎng)膜光凝術(shù)后臨床觀察
    基于級聯(lián)MUSIC的面陣中的二維DOA估計算法
    LCL濾波器在6kV級聯(lián)STATCOM中的應(yīng)用
    電測與儀表(2014年1期)2014-04-04 12:00:34
    龙泉市| 探索| 苏州市| 左云县| 武隆县| 新野县| 嘉峪关市| 灌云县| 淳化县| 马鞍山市| 兰坪| 阿拉善右旗| 罗山县| 苍溪县| 皋兰县| 东兰县| 平塘县| 富蕴县| 友谊县| 古丈县| 海丰县| 凤山市| 万全县| 南京市| 河池市| 陇南市| 元阳县| 大石桥市| 沭阳县| 江都市| 三河市| 沧州市| 西峡县| 阿坝县| 堆龙德庆县| 靖边县| 广水市| 罗田县| 伊春市| 普安县| 平顺县|