基于特征信息和灰度信息的眼底圖像配準

張志順

（嘉應學院醫(yī)學院，梅州 514031）

0 引言

在糖尿病視網(wǎng)膜病變篩查中，由于獲得圖像時相機視場有限，單幅圖像只能反映眼底局部信息，難以滿足醫(yī)生需要[1]。眼底圖像配準在糖尿病視網(wǎng)膜病變等心血管疾病診療中起到重要作用。

基于灰度和基于特征是眼底圖像配準算法中的兩類。其中，視神經盤、血管網(wǎng)絡、血管分支和交叉點為眼底視網(wǎng)膜特征。Nunes 等人[3]用多尺度迭代光流配準算法估計變換模型。Laliberte 等人[2]以基于血管交叉點作為控制點實現(xiàn)眼底圖像配準。以上算法容易造成配準精度不高，因為算法的性能被非線性光照變化降低，相似性測度被重新定義。

針對眼底圖像配準存在的問題，提出一種新的配準算法。用血管中心線進行特征結點檢測，用多分辨分層匹配算法實現(xiàn)平移變換，用最大互信息法實現(xiàn)眼底圖像精確匹配。

1 血管特征點檢測

血管結點是指血管分支點與血管交叉點交疊的位置。可通過鄰域內的8 像素點判斷血管結點。設血管結點為p 點，血管中心線為S，搜索點p 對應的8 個鄰域點分別為p1～p8。p 點是否在眼底血管中心線上，取決于 S（p）值是否為 1。如果 S（p）值不為 1，則表示 p點不在眼底血管中心線上；如果S（p）值為1，則表示p點在眼底血管中心線上。若Ns（p）=1，則p 點為血管端點，若Ns（p）＞3，則為血管結點。血管結點定義為：

通過血管結點檢測可獲得血管端點、血管結點，然后對它們修剪毛刺：從任一個端點p 沿血管中心線搜索，跟蹤的像素點數(shù)用計數(shù)器L（p）計算，長度閾值設為Lt。在搜索中如果發(fā)現(xiàn)一個結點且L（p）＜Lt，則把這一段血管中心線當作毛刺去除，若L（p）＞Lt，則不進行毛刺修剪，搜索結束。以此類推，當所有毛刺的修剪結束后，得到血管結點檢測圖，如圖1 所示。

圖1 血管結點檢測結果

2 平移變換

眼底圖像是在不同模態(tài)或不同視角下采集到的，由于眼底圖像具有球面性，所以非線性變換關系在圖像之間客觀存在。圖像表現(xiàn)為變形、旋轉或平移變換，其中，平移變換最為常見，所以用平移變換進行配準。設一張圖像的血管中心線檢測結果為C1，視場ROI 提取結果為F1；另一張圖像的血管中心線檢測結果為C2，視場ROI 提取結果為F2。用多分辨率分層的方式處理兩張眼底視網(wǎng)膜圖像的血管中心線。設多分辨率分層數(shù)為s，則最小分辨率中心線圖像C1s、C2s，最頂層分辨率圖像為F1s。使用平移變換來表達它們之間的對應關系，設MTM 為平移變換后的配準測度，tx與ty為平移變換參數(shù)，與橫向、縱向有關，則MTM 定義為：

上式表示平移變換后的血管中心線數(shù)目，其中，分母表示C2s在視場ROI 區(qū)域內的血管中心線數(shù)目，分子表示C1s、C2s重合的血管中心線數(shù)目。最優(yōu)的平移變換通過MTM 測度的最大響應值來獲得最優(yōu)位置，如圖2所示。

圖2 MTM測度圖像

3 特征結點匹配

設兩張眼底圖像的矩形窗口區(qū)域分別為z1、z2，它們之間的關系被定義為：

設pz（a）為矩形窗口區(qū)域z 內基于灰度信息的概率密度函數(shù)，pz1z2（a，b）為z1、z2基于灰度信息的聯(lián)合概率密度函數(shù)。通過z1與z2的聯(lián)合直方圖可得pz（a）與pz1z2（a，b）。則 z1、z2的個體熵分別為 H（z1）與 H（z2），設圖像的灰度級為 L，則 z1、z2的聯(lián)合熵 H（z1，z2）為：

設兩張眼底圖像的特征結點集分別為B1、B2，則它們的匹配過程為：

（1）對于眼底圖像 1 內任一點（x1，y1）∈B1，根據(jù)血管特征點檢測得到的平移變換，通過平移變換得到眼底圖像 2 內的對應點（x2，y2），以該點為中心得到 z，它的窗口大小為W。

（2）找到 z 內的每個特征結點（m，n）∈B2，互信息值MI（z1，z2）通過以（m，n）為中心的 z2與以（x1，y1）為中心的z1計算得到，z1的窗口大小為W，z2的窗口大小也為W。

（3）用以上方法得到（x1，y1）與 z 內所有特征結點的互信息，將這些互信息進行統(tǒng)計，得到最大的互信息，與它對應的一對匹配特征結點為（x1，y1）與（xc2，yc2）。

用以上方法為每一個交叉分支點集B1找到對應B2的特征匹配點，得到MA1與MA2對應匹配點集。通過這樣得到的匹配點集有可能出現(xiàn)的多對一的情況，因為從B1中尋找B2結點時，有可能找到B1中相鄰不同結點對應的同一個B2中的結點。如果出現(xiàn)這種情況，找到MA2在MA1中對應的所有結點。如果對應結點大于一個，那么使用最大互信息法從篩選出的對應點中找到最優(yōu)點；如果對應結點只有一個，那就不用處理。通過這種方法可找到對應的匹配點集MB1、MB2，并消除匹配中可能存在的多對一的問題，得到眼底血管特征點配準結果，如圖3 所示。

圖3 特征點精確配準

4 實驗結果及分析

眼底視網(wǎng)膜圖像通過Topcon TRC-50EX 眼底相機采集得到，相機分辨率為1280×720。用基于特征信息與灰度信息的算法對1000 對采集到的眼底視網(wǎng)膜圖像進行特征點配準實驗。算法用MATLAB R2009b 實現(xiàn)，其中，矩形窗口區(qū)域W=38，粗配準ε=80，多分辨率分層數(shù)s=3。

檢測兩張圖像配準精度的關鍵指標[4-5]是血管中心線誤差測度（Centerline Error Measure，CEM），它主要用來評估兩張眼底視網(wǎng)膜圖像的血管配準性能及對準精度。通過配準矩陣將一張待配準圖像的血管中心線S1映射到另一張待配準圖像的血管中心線S2上，統(tǒng)計所有最近鄰點之間的距離（Distance to the Closest Point，DCP）均值，即可得到CEM 值。CEM 值越小，則說明眼底視網(wǎng)膜圖像的配準越準確。S1上的像素點用s1n表示，S1的像素總和用N 表示。S2上的像素點用S2i表示，S2像素總和用M 表示。配準變換用R 表示，經過變換后的像素點用表示。CEM 可定義為：

圖4 是重合率為15%的圖像配準結果，中心線誤差測度CEM=0.8756。圖5 是重合率為85%的圖像配準結果，中心線誤差測度CEM=0.3369。

圖4 重合率為15%的配準結果

圖5 重合率為85%的配準結果

在1000 待對配準圖像中，有830 對圖像成功配準，這些成功配準的圖像所需要的血管中心線檢測平均時間t1為26.35.67±0.68s，粗匹配平均時間t2為5.85±1.02s、特征點檢測的平均時間 t3為 1.25±0.13s、精匹配的平均時間t4為1.58±0.93s。成功配準圖像的總平均時間為 35.03±2.76s。

從1000 對眼底圖像的配準結果來看，成功配準圖像的CEM 值在0.5 像素附近。當視網(wǎng)膜圖像配準的重合率達到25%以上時，圖像配準的成功率在75%以上；當視網(wǎng)膜圖像配準的重合率達到50%以上時，圖像配準的成功率在96%以上。

5 結語

在考慮眼底視網(wǎng)膜圖像特征、灰度等因素基礎上，提出一種基于特征信息和灰度信息的眼底視網(wǎng)膜圖像配準算法。通過1000 對眼底視網(wǎng)膜圖像的配準實驗和結果分析結果表明，配準算法的精度較高、速度較快，穩(wěn)定性較好。

同時也應看到，血管中心線的檢測時間在所有配準時間中較長，還有改進的地方。因此，后續(xù)研究工作的重點在于改進血管中心線算法。