基于IHBMO-RF 的眼底硬性滲出物檢測①

趙仕成, 馬 力, 張 偉, 陳 穎, 殷偉東

(南京市衛生信息中心, 南京 210003)

1 引言

隨著社會經濟的快速發展, 人們的生活質量得到了很大提高, 飲食結構也不斷改變, 高糖高熱量食物的攝入導致糖尿病的發病人數不斷增加[1]. 據統計, 2017年我國的糖尿病患者已達1.14 億, 給國家帶來了嚴重的社會和經濟負擔[2]. 糖尿病的并發癥主要在血管硬化、糖尿病腎病、糖尿病足、周圍神經病變, 視網膜病變等[3]. 其中糖尿病視網膜病變(diabetic retinopathy,DR)是糖尿病患者最主要的并發癥之一, 有調查研究顯示, 在糖尿病人群中10 年的DR 患病率達60%, 15年的DR 患病率達75%–80%, 是糖尿病患者致盲的主要原因[4], 對DR 的早期發現和診斷能夠有效降低糖尿病患者的失明率, 提高患者的生活質量, 減少社會醫療支出, 具有重大意義[5].

傳統的DR 檢測主要依靠專業醫師來人工發現診斷, 由于存在主觀的判斷和外界因素的干擾, 效率低且錯誤率高[6]. 計算機輔助系統的出現為DR 篩查提供了新的路徑, 可以有效來對DR 進行輔助檢查診斷, DR的主要表現是出血斑點、滲出、血管異常等[7], 其中檢測的關鍵環節就是對硬性滲出物(hard exudates, HE)的檢測, 硬性滲出物是DR 患者早期的明顯特征[8], 因此如何準確檢測到硬性滲出物是計算機輔助系統的主要任務.

硬性滲出物準確檢測一直是專家學者研究的熱點之一, 主流的檢測算法主要分為兩個大類: 一是先對眼底圖像的關鍵結構進行分割, 然后對HE 病變進行檢測; 二是先對眼底圖像進行特征提取, 然后使用機器學習、深度學習等等算法對圖像進行分類, 然后檢測HE病變結構. 高瑋瑋等人通過Otsu 閾值分割和數學形態學相結合的方法快速提取視盤, 再根據數學形態學來構建糖尿病視網膜病變的自動檢測的系統[9]. 呂衛等人發現利用單獨的形態學方法對圖像進行增強時, 由于一些外在因素的影響, 存在效果不佳的問題, 提出了一種基于改進的數學形態學糖網滲出物的自動檢測方法,主要的改進方法是在亮度矯正之后, 通過多尺度的頂帽變換對圖像進行增強, 避免了方向的單一性; 再綜合圖像邊緣信息和亮度信息的方法定位視盤且利用水平集分割視盤, 最后利用背景估計的方法提取滲出物的輪廓[10]. 段彥華等人提出一種基于Canny 邊緣檢測算法與形態學重構相結合的HE 自動檢測方法, 以解決目前算法靈敏度低、檢測結果中視盤和血管的干擾等問題[11]. 韓婧通過對糖尿病視網膜圖像視盤分割, 然后提出基于BAKFCM 硬性滲出物區域分割和基于PCAGA-SVM 硬性滲出物分類檢測全方位來研究硬性滲出物檢測算法[2]. Amel 等人主要是對L 通道進行增強, 再結合閾值處理和形態學重建消除視盤區域, 最后使用K-means 聚類、邊緣檢測及形態學重建的方法提取滲出物[12]; Sopharak 等人通過對I 通道進行增強, 然后利用形態學的方法分割視盤, 最后再結合標準差濾波和形態學重建的方法檢測滲出物[13]; Osarah 通過采用Fuzzy C-Means 聚類獲取滲出物候選區域, 再通過分類得到硬性滲出物[14]. Wang 等人利用深度卷積神經網絡和多特征聯合表示HE 檢測新方法[15]. Theera-Umpon等人通過應用多種圖像處理技術檢測硬滲出物, 使用監督學習方法對其進行分類, 包括支持向量機、多層感知器(MLP)網絡、分層自適應神經模糊推理系統(分層ANFIS)和卷積神經元網絡[16].

由上述文獻可以看出, 目前基本對硬性滲出物位置的檢測都是使用形態學或者機器學習的方法, 一旦使用機器學習的算法就要考慮算法最優問題的解決, 機器學習中大部分的算法不是純粹的凸函數, 或者是凸規劃, 所以采用迭代下降的方法, 這種研究方法很容易陷入了局部最優的困境, 找到的通常是局部最優, 這樣的模型對于眼底硬性滲出物的檢測很不利, 會影響檢測的準確度. 為了解決這個問題, 本文提出一種基于蜜蜂交配優化-隨機森林 (honey bee mating optimizationrandom forests, IHBMO-RF)的眼底硬性滲出物的檢測算法研究, 優化后的IHBMO 算法不僅能快速找到全局最優, 而且能夠有效精確提取滲出物, 具有很好效果.

2 理論基礎

本文對提出了基于IHBMO-RF 的眼底硬性滲出物的檢測算法, 首先對眼底數據集的圖像進行預處理分割, 完成后利用IHBMO-RF 算法對圖像進行分類,得到最終的結果, 流程見圖1. 下面將對蜜蜂交配優化(HBMO)算法和IHBMO-RF 算法相關原理進行描述.

圖1 流程圖

2.1 蜜蜂交配優化(HBMO)算法原理

Abbass 在2001 年提出了一種以蜂群的繁殖行為作為模型而設計的一種蜜蜂交配優化算法(honey bee mating optimization, HBMO)[17]. 蜂群算法是由蜂王、雄蜂、工蜂和幼蜂組合而成[18]. 在蜂群中, 蜂群中的每只蜜蜂都有著自己的職責. 蜂王是唯一能夠繁殖后代的雌性蜜蜂, 它的主要職責是產子; 而雄蜂的主要任務是與蜂王進行交配, 一旦交配結束, 則雄蜂的生命也即將結束; 工蜂的主要責任是照顧幼蜂、修整蜂巢等工作. 基本的蜜蜂交配優化算法的步驟如下所示[19]:

1) 群體初始化: 設置雄蜂的數量、幼蜂的數量、蜂王受精囊的大小, 將個體中適應度值最大的蜜蜂視為蜂王, 而蜂王的選取是根據隨機森林(RF)算法對眼底圖像的特征數進行分類的結果作為當前的最大的適應度值, 其他視為雄蜂.

2)婚飛: 婚飛過程中, 蜂王以固定的速度在不同的狀態來回轉變, 設蜂王的初始速度和能量分別為S(0)、E(0), 而在每一種狀態下, 雄蜂以Pi的概率與蜂王進行交配, 若交配成功, 則將雄蜂的染色體植入受精囊中.在每次狀態更新后, 蜂王的速度和能量有所減弱, 具體計算公式如下:

其中,S(t)、E(t)為t時刻蜂王的速度和能量, γ ∈[0,1]為衰減系數, θ ∈(0,1)是指在每次狀態更新后能量的衰減值, 而當蜂王的速度和能量值達到預先設定的臨界值,則蜂王飛回蜂巢. 在婚飛的過程中, 雄蜂與蜂王進行交配, 公式如下:

其中, Δ(f)為雄蜂與蜂王的適應度之差.

3)繁殖過程: 在受精過程中, 隨機的選擇一條染色體與蜂王的染色體結合, 產生幼蜂[20].

4)飼養過程: 工蜂采用啟發式算法, 通過不斷地對幼蜂進行局部搜索, 尋找適應度值最好的解.

5)若幼蜂的適應度的值高于蜂王, 則取代蜂王, 否則仍然保持原樣, 剩余的為雄蜂.

6)判斷是否達到婚飛次數. 若達到, 則停止飛行,否則轉到步驟2).

蜜蜂算法的流程圖如圖2 所示.

圖2 蜜蜂交配優化算法的流程圖

2.2 佳點集原理

3 IHBMO-RF 算法的改進

對滲出物候選區域進行二分類, 劃分的依據是將眼底圖像的公共數據庫中所提取的候選區域與數據庫中提供的真實的分類的標簽進行對比, 以此將滲出物候選區域劃分為硬性滲出物和非硬性滲出物. 將滲出物候選區域內的特征數作為優化的變量, 通過使用改進的IHBMO 對特征數進行優化, 獲取最合適的特征子空間的維數, 而將最初的特征數根據RF 算法分類得出的結果作為初始蜂王, 此時的蜂王的適應度的值最大, 具體的IHBMO 優化如下.

二維初始化蜂群時, 在相同的取點數下, 運用佳點集的方法取點比隨機初始化蜂群會更加均勻, 因此將佳點集的原理結合到HBMO 算法中可以均勻初始化蜂群. HBMO 算法在每次迭代的過程中, 讓幼蜂秉承了蜂王的優良的基因, 增加了后代蜂群進化最優解的可能性. 傳統的HBMO 算法是隨機初始化蜂群, 增加了計算的復雜度, 所以本文引入佳點集的方法對蜂群進行初始化, 加快蜂群的收斂速度. 由于傳統的HBMO算法易陷入局部最優, 且易早熟收斂, 因此, 在迭代的過程中, 引入了隨機蜜蜂來代替那些表現不佳的雄峰,進而維持蜂群的豐富性, 得到全局最優解.

改進蜜蜂交配優化算法的流程如下:

1)蜂群初始化: 將個體中適應度值最大的視為蜂王, 剩余的作為雄峰;

2)婚飛: 蜂王以初始速度S(0)和初始能量E(0)飛行, 若蜂王的能量已達到臨界值, 則直接轉入步驟3),否則, 隨機選擇雄峰, 按照式(3)來計算交配的概率Pi,若Pi>r,r∈[0,1], 則將此雄峰的染色體加入受精囊中,雄峰宣告死亡, 設counter=0, 否則counter++, 然后再根據式(1)和式(2)計算雄蜂的速度和能量;

3)繁殖過程: 蜂王q與雄峰dri根據式(4)和式(5)產生幼蜂bri、br′:

4)飼養過程: 工蜂通過對蜂王和幼蜂進行局部搜索, 而產生新的值, 若現在的值高于原來的值, 則將現在的值來取代原來的值;

5)若第i只雄峰的counteri大于預定值, 則被取代,否則不變;

6)若當前幼蜂的適應度的值大于蜂王的適應度的值, 則蜂王的位置由幼蜂暫時保管, 否則保持不變;

7)當迭代次數一旦大于預先設置的數值時, 則宣告循環結束, 否則轉到步驟2), 迭代次數再加1;

改進蜜蜂交配優化算法的適應度函數曲線如圖3.

圖3 適應度變化曲線圖

從圖3 可知, 隨著迭代次數的不斷地增加, 適應度的值不斷地趨近于1, 逐步趨向于最優狀態; 其主要原因是由于改進的蜜蜂交配優化算法, 通過引入佳點集原理, 引入了隨機蜜蜂來代替那些表現不佳的雄峰, 進而維持蜂群的豐富性, 降低了算法易陷入局部最優的問題, 致使整個尋優過程不僅收斂快且穩定性好.

4 實驗結果與分析

4.1 數據集及評價指標

本文在公開的眼底數據庫DiaretDB1 下進行試驗[22].選取了89 幅分辨率為1500×1152 的眼底圖像, 其中包括47 幅病變圖像和33 幅棉絨斑圖像. 對任意一幅眼底圖像, 以數據庫中圖像標注的病變結果作為參考, 檢測出相同或者不同的區域分別稱為真陽性(TP)和假陰性(FN), 同理, 以標注的正常的區域作為參考, 本文算法給出相同或者不同的結果分別稱為真陰性(TN)和假陽性(FP). 基于此, 分別有4 種評價參數: 靈敏度(SE)、特異性(SP)、陽性預測率(PPV)及準確率(AC).其中, 敏感性也被稱為真陽性率, 是指運用某種方法能檢測出病變的概率; 特異性也被稱為真陰性率, 是運用某種方法來判定某種病變的概率; 陽性預測值是指真實患病的人數占整個患病人數的百分比. 其計算公式如下:

糖網的眼底硬性滲出物的檢測方法的性能的評價標準是基于靈敏度(SE)、特異性(SP)、準確率(PPV)及預測值(AC)這4 種參數來判斷圖像是否含有硬性滲出物, 進而判斷疾病是否可靠的依據.

4.2 實驗結果

本文實驗是在Windows 10 操作系統, Matlab 2014a的編程環境下進行的. 在公共數據庫DiaretDB1 中, 對方法進行性能測試.

根據本文方法對候選區域進行分類得到最終的眼底硬性滲出物的位置, 如圖4 所示, 圖4(a)表示利用IHBMO-RF 算法檢測的眼底硬性滲出物的具體的位置, 圖4(b)表示檢測的眼底硬性滲出物在彩色眼底圖像中具體的位置.

圖4 硬性滲出物的位置標記圖像

主要根據算法的SE、SP、PPV及AC四個方面進行評價, 本文方法和其他檢測硬性滲出物的方法的比較結果如表1 所示.

表1 本文方法與其他檢測算法的比較 (%)

由表1 可以看出, 與Welfer 等人[23]基于數學形態學對彩色眼底圖像滲出物進行檢測和Osarah 等人[14]提出的K 近鄰、高斯二次和高斯混合模型分類器的機器學習方法相比較, 本文的陽性預測值分別高出了70.98%和3%. 比使用支持向量機(SVM)[24]算法來分類眼底硬性滲出物準確率提高了1.7%, Niemeijer 等人提出的全自動的機器學習方法雖然在敏感性和陽性預測值上取得較好的效果, 但是準確率上稍微有所欠缺[25].Fraz 等人提出的用于視網膜眼底圖像滲出物多尺度定位和分割的自舉決策樹集成分類器, 通過兩者結合, 效果不錯, 本文的準確率比其高出7.68%[26].

通過使用IHBMO 算法對選取的RF 算法內的特征數進行優化, 而獲得特征子空間的維數, 進而獲取特征向量以及新的數據集, 然后在公共的眼底數據庫中提取滲出物候選區域與現有的分割出的滲出物進行對比, 生成硬性滲出和非硬性滲出的二分類的分類標簽[27].最后根據RF 算法將新數據分為測試集和訓練集, 從而獲取最終的眼底硬性滲出物的位置, 得出的SE、SP、PPV和AC的數值分別為95.65%、88.23%、92.3%、95.4%.

IHBMO-RF 算法的準確率相較于其他人的算法,在準確率上更高且穩定性更好, 但在敏感性、特異性及陽性預測值方面仍有欠缺, 因此, 在未來的研究中,仍然需要對算法做進一步的優化, 以便能更準確地檢測眼底硬性滲出物的位置, 減少誤診率及漏診率.

5 結束語

糖尿病視網膜病變患者越來越多, 為了更好早期診斷, 對眼底硬性滲出物的檢測至關重要, 為了解決機器學習中陷入的局部最優的困境, 本文提出了一種基于IHBMO-RF 算法的眼底硬性滲出物的檢測算法研究. 在IHBMO-RF 算法的眼底硬性滲出物的分類中,主要是通過HBMO 算法的理論知識及佳點集原理, 然后因為HBMO 算法存在的不足, 提出了改進的方法.由于HBMO 算法是隨機初始化蜂群, 導致計算的復雜度不斷地增加, 易陷入局部最優狀態; 因此, 通過引入佳點集原理對蜂群進行初始化, 不但能保持蜂群的多樣性, 而且還能加快蜂群的收斂速度, 獲得全局最優解.實驗結果表明本文提出的算法敏感性、特異性、陽性預測值和準確率都取得了較好的結果. 但本文也有局限性眼底硬性滲出物區域的提取主要以視盤消除為前提, 如何更好定位視盤是關鍵[28], 這個可以作為今后研究的重點方向之一.