基于背景估計和集成分類的眼底硬性滲出檢測

張磊+卜巍+鄔向前+戴百生

摘要： 眼底圖像中硬性滲出的檢測對于糖尿病性視網(wǎng)膜病變（簡稱“糖網(wǎng)”）的早期診斷具有重要意義。為了實現(xiàn)眼底圖像中硬性滲出物的自動檢測，本文提出了一種結(jié)合背景估計和集成分類的眼底圖像硬性滲出物自動檢測方法。首先，對圖像進(jìn)行亮度校正、去噪、對比度增強等預(yù)處理操作，然后結(jié)合形態(tài)學(xué)方法進(jìn)行背景估計和圖像重建并移除視盤區(qū)域，得到滲出物候選區(qū)域。最后利用集成分類方法對候選區(qū)域進(jìn)行分類，提取最終的硬性滲出區(qū)域。實驗結(jié)果表明，本方法能夠有效準(zhǔn)確地檢測到眼底圖像中的硬性滲出物，對于糖網(wǎng)自動診斷技術(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； 集成分類

中圖分類號： TP391

文獻(xiàn)標(biāo)志碼： A

文章編號： 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（簡稱“糖網(wǎng)”）是糖尿病患者最為常見的眼部并發(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)國家主要的致盲眼部疾病之一[1]。隨著中國經(jīng)濟的發(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人視力健康的主要疾病。

對于糖尿病患者而言，在出現(xiàn)視力下降癥狀之前，定期對視網(wǎng)膜狀況進(jìn)行檢查，盡早發(fā)現(xiàn)病變情況并及時采取對癥治療措施，能夠在很大程度上降低因糖尿病視網(wǎng)膜病變帶來的失明風(fēng)險。因此，對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，對糖網(wǎng)的篩查主要通過眼科醫(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。過程中將依賴于眼科醫(yī)師的臨床經(jīng)驗，并且由于糖尿病患者數(shù)量及檢查頻率的升高，對眼科醫(yī)師的數(shù)量要求也越來越多，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檢查的機會。如果能夠借助計算機技術(shù)，實現(xiàn)對糖網(wǎng)自動、可靠和快速地篩查，將能夠為更多的患者提供及時的診斷和治療，降低患者失明的風(fēng)險。

糖尿病視網(wǎng)膜硬性滲出，多由擴張的毛細(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)早期的常見病變[2]，如圖1所示。因此，對硬性滲出的及時檢測能夠?qū)崿F(xiàn)對糖網(wǎng)的早期診斷，降低患者失明風(fēng)險。為了實現(xiàn)對硬性滲出的自動檢測，本文在深入研究數(shù)學(xué)形態(tài)學(xué)和分類方法基礎(chǔ)上，提出了背景估計和集成分類結(jié)合的眼底圖像硬性滲出自動檢測方法。

2視盤檢測與消除

視神經(jīng)盤（簡稱“視盤”）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。為了減少視盤區(qū)域?qū)τ残詽B出的檢測造成的干擾，需要對視盤區(qū)域進(jìn)行檢測與消除。

視盤檢測主要通過視盤定位和視盤分割來實現(xiàn)。視盤定位采取文獻(xiàn)[5]提出的方法，該方法將視盤定位問題看作分類問題，結(jié)合子圖字典的稀疏表示，通過最小化L1范式來實現(xiàn)。對視盤定位后，考慮到視盤在眼底圖像上表現(xiàn)為一個圓形區(qū)域，因此，可以在以定位點為中心的一個小區(qū)域內(nèi)使用霍夫變換檢測圓形區(qū)域的方式來實現(xiàn)對視盤的檢測。檢測到視盤之后，對視盤區(qū)域的像素值置零以實現(xiàn)對視盤的消除。具體算法描述如下：

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

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

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

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

5）將預(yù)處理后的圖像上對應(yīng)視盤檢測結(jié)果的區(qū)域置零，可得到消除視盤的圖像INOD。視盤消除后的眼底

3基于背景估計的硬性滲出候選區(qū)域提取

本文主要使用數(shù)學(xué)形態(tài)學(xué)方法，在預(yù)處理和視盤消除的基礎(chǔ)上對硬性滲出的候選區(qū)域進(jìn)行提取。考慮到眼底圖像上的滲出區(qū)域為面積較小的較亮區(qū)域，除視盤外的其它區(qū)域為較暗區(qū)域，可以通過背景估計方法先估計出背景區(qū)域，再結(jié)合增強后的圖像進(jìn)行對比，得出前景目標(biāo)區(qū)域，再通過形態(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

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，因此，考慮使用機器學(xué)習(xí)中的分類方法進(jìn)行進(jìn)一步提取操作，得到更準(zhǔn)確的硬性滲出區(qū)域。在機器學(xué)習(xí)的分類方法中，集成分類[6]是指通過集成多個弱分類器，采用多數(shù)表決對樣例進(jìn)行分類而獲得優(yōu)于單個分類器分類效果的一種分類方法。集成分類方法通常可以提高分類器的魯棒性，降低分類誤差。本文經(jīng)過多次實驗后，采用決策樹裝袋的集成分類方法對硬性滲出區(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、周長和致密性、區(qū)域邊緣強度、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、短軸長度等38個特征構(gòu)成的特征向量，用特征向量對候選區(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)集提供的真實標(biāo)簽進(jìn)行比對，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)練集和測試集劃分方法得到訓(xùn)練集和測試集。訓(xùn)練集對裝袋決策樹分類器進(jìn)行訓(xùn)練，即在訓(xùn)練集的隨機子集上訓(xùn)練多棵決策樹，得到集成分類器模型，再利用分類器模型對硬性滲出進(jìn)行進(jìn)一步提取，得到硬性滲出的最終檢測結(jié)果。使用集成分類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結(jié)果。從圖5 c）中可以看出使用集成分類器對硬性滲出的最終檢測取得了令人滿意的結(jié)果。

5實驗結(jié)果與分析

本文實驗是在Windows 10操作系統(tǒng)，Matlab 2016b軟件環(huán)境下進(jìn)行的。對本文算法性能的測試是在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、陽性預(yù)測值和準(zhǔn)確率四個評價指標(biāo)，并與其它算法的結(jié)果進(jìn)行了對比，對比結(jié)果如表1所示。

在表1列舉的檢測方法中，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多重形態(tài)學(xué)重建進(jìn)行檢測，Harangi[11]等人主要利用了主動輪廓模型和優(yōu)化的樸素貝葉斯分類器進(jìn)行檢測，F(xiàn)raz[12]等人主要利用了上下文信息和集成決策樹分類的方法。Prentai[KG-*4]c[DD（-*1]′[DD）][13]等人則是采用了深度神經(jīng)網(wǎng)絡(luò)在非完全公開數(shù)據(jù)集DRiDB上對硬性滲出進(jìn)行檢測。通過對比表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爭力。這主要是由于本文通過采用數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行背景估計，有針對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)姆诸愄卣鳎⒉捎昧搜b袋決策樹的集成分類方法，降低了算法對噪聲數(shù)據(jù)的敏感度，提高了算法的魯棒性。

[BT4]6結(jié)束語

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

參考文獻(xiàn)：

梁衛(wèi)強， 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， 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