眼底圖像硬性滲出物檢測算法

石佳昊，苑瑋琦

（沈陽工業大學視覺檢測技術研究所，沈陽 110870）

1 引 言

由糖尿病引起的眼底病變是糖尿病患者常見的并發疾病。眼底病變會引起患者視力下降，如不能及時進行診斷治療甚至會導致失明[1]。當前，眼科醫生通過肉眼觀察眼底圖像的方式，對眼底病變進行篩查和診斷。其中，硬性滲出物的數量和面積是診斷的重要依據[2]。由于眼科醫生的數量限制以及巨大的糖尿病患者數量，使得眼底病變的早期診斷面臨巨大困難。如果能夠采用機器視覺技術實現眼底病變的自動化輔助診斷，將大大提高眼底病變的診斷效率[3]。因此，對眼底圖像硬性滲出物檢測算法的研究具有十分重要的意義。為了實現眼底硬性滲出物的自動化檢測，本研究從方向空間理論出發，結合上下采樣對眼底圖像的平滑結果，提出基于凸線段絕對幅值的眼底硬性滲出物的提取方法以及基于反向值的絕對幅值修正方法。

2 硬性滲出物檢測算法設計

所提算法的具體步驟為：①對眼底圖像先進行下采樣再進行上采樣，完成對眼底圖像的平滑；②根據方向空間理論計算出凸線段的絕對幅值，并通過凸線段的反向值對絕對幅值進行修正，達到對偽陽性區域的絕對幅值進行抑制從而減小偽陽性區域干擾的目的；③使用最大間距法對絕對幅值直方圖進行二分類，得到硬性滲出物的檢測結果。

2.1 眼底圖像有效數據提取

在眼底圖像中，除了有效數據區域，還存在無效數據區域。為了減小無效數據區域的影響，根據數據集提供的掩膜圖像，如圖1 所示，對眼底圖像有效數據進行提取。首先，使用羅伯特算子對圖1(a)的掩模圖像進行邊緣檢測；然后，根據邊緣檢測結果，如圖1(b)所示，得到有效數據的邊界坐標；最后，按行根據左右邊界坐標對眼底圖像有效區域的數據進行提取。由于眼底圖像以黃白紅色等暖色調為主，所以在綠色通道中眼底圖像的各種組織會表現得更為清晰明顯[4]。因此，選擇綠色通道的眼底圖像進行有效區域數據提取。由于研究范圍僅限為眼底硬性滲出物檢測，因此對視盤區域數據進行提前的標記剔除。

圖1 眼底掩模圖像示意圖

2.2 眼底圖像的上下采樣平滑

由于眼底圖像中存在不同程度的噪聲，且眼底圖像中存在血管交疊以及硬性滲出物的堆積，導致灰度分布曲線十分復雜。在此提出一種保留眼底圖像主要目標的平滑方法。首先，對眼底圖像采取16倍下采樣，對主要目標進行抽象，其公式如下：

其中，m 為輸出圖片大??；n 為輸入圖片大小；p 為補充像素的大??；f 為卷積核大小；p 為步長。其中p 值選為0，f 選為8，s 選為16。然后，對抽象后的圖像進行上采樣還原到圖片的原始尺寸1500×1152 像素，其公式如下：

公式(2)中字母含義與公式(1)中相同。經過上下采樣處理過的圖片，對于眼底圖像中較小的目標實現了平滑的效果，如圖2 所示。

圖2 眼底圖像較小目標平滑處理

2.3 凸線段絕對幅值計算

2.3.1 絕對幅值計算

對凸線段絕對幅值的計算是基于方向空間理論來完成的。方向空間理論是指：在笛卡爾坐標系中，灰度圖像的灰度曲面在與X-Y 平面垂直的灰度級截面內，與灰度級曲面相交的部分是一條波動的曲線，稱為灰度分布曲線，示意圖如圖3 所示。在灰度分布曲線中，通過計算凸線段最大灰度值與相鄰凹線段最小灰度值的差值，可以得到凸線段和凹線段的幅值。以凸線段為例，定義較大的差值為該凸線段的相對幅值，較小的差值為該凸線段的絕對幅值。絕對幅值較大的凸線段代表亮目標[5]。

圖3 凸線段示意圖

首先按邊界坐標對每行有效數據進行提取，然后對每行有效眼底數據進行極值點計算，原理為：當被判斷像素點的像素值大于附近像素點的像素值，則該點為極大值點；如果被判斷像素點的像素值小于附近像素點的像素值，則該點為極小值點。根據極大值點與相鄰極小值點的灰度值對凸線段的絕對幅值進行計算，公式為：

其中，i 代表凸線段序號；f(i)代表凸線段絕對幅值；下標left 代表凸線段左側的幅值，下標right 代表凸線段右側的幅值。得到的凸線段幅值情況如圖4 所示。對圖4(a)中亮線所示眼底圖像數據進行凸線段絕對幅值計算，得到如圖4(b)的凸線段絕對幅值分布直方圖。位于直方圖中間的幅值具有較大的幅值。對于代表眼底背景的凸線段而言，由于其與周圍灰度值差異不大，通常情況下不應具有較大的幅值。并且該位置的幅值不僅會對眼底背景和硬性滲出物的二分類造成干擾，還會造成硬性滲出物的誤檢。因此，需要對該位置幅值異常的原因進行分析，并根據異常原因對絕對幅值進行修正。

圖4 凸線段絕對幅值分布檢測

2.3.2 絕對幅值修正

得到的眼底組織灰度分布曲線如圖5 所示。其中圖5(a)兩條豎線之間的凸線段代表硬性滲出物，對應的極大值點灰度值較高，與背景差異較大，具有較大的絕對幅值；圖5(b)曲線中豎線之間的凸線段代表眼底背景，對應的極大值點灰度值較低，與背景差異較小，但由于兩側凹線段距離較近，對應這兩個凹線段的極小值點的灰度值較低，造成該凸線段的絕對幅值偏大。

圖5 眼底組織灰度分布曲線

由分析可知，代表硬性滲出物的凸線段由于自身原因，絕對幅值較大。而代表背景的凸線段由于附近凹線段影響，絕對幅值較大。因此，可以從凸線段兩側凹線段的絕對幅值出發，對絕對幅值進行修正，對干擾進行抑制。對圖5 觀察可知，代表硬性滲出物的凸線段兩側凹線段的絕對幅值對凸線段的絕對幅值影響有限，而由近距血管割裂眼底背景形成的凸線段受兩側凹線段絕對幅值影響很大。因此，定義凸線段兩側凹線段的絕對幅值為對應側的反向值。當計算凸線段幅值時，左右兩側幅值分別先減去對應側反向值得到對應的幅值，公式為：

其中，i 代表凸線段序號；t(i)代表修正后的幅值；f(i)代表修正前的幅值；g(i)代表反向值。按公式(3)對絕對幅值進行判斷，最終得到修正后的絕對幅值。將如圖4(a)中亮線所示眼底圖像數據按以上算法進行計算、修正、判斷，得到絕對幅值直方圖，如圖6 所示。觀察可知，修正幅值形成的直方圖對于代表硬性滲出物幅值與代表眼底背景的幅值具有較好的區分度，并且抑制了近距血管割裂背景的干擾。

圖6 修正絕對幅值直方圖

在絕對幅值分布直方圖中，代表背景的幅值與代表硬性滲出物的幅值間具有該直方圖中最大的幅值空白間距。以此為依據，可以尋找直方圖中的最大空白區域，并以此為依據對目標進行區分，此區分方法稱之為最大間距法。可以使用該方法對眼底背景和硬性滲出物進行有效的區分。使用該算法對眼底圖像進行硬性滲出物檢測，檢測結果如圖7 所示。觀察可知，算法在對近距血管進行較好抑制的同時，可以有效地對眼底硬性滲出物進行檢測。

圖7 檢測結果

3 實驗結果與分析

使用DIARETDB1 數據集對所提出的算法進行評估。該數據集包含在不同光照條件下拍攝的，包含各種眼底病變的眼底圖像89 張。其中包含硬性滲出物的眼底圖像有65 張[6]。該數據集由眼科專家對包含硬性滲出物的區域進行了標記，如圖8 所示。

圖8 給定病變范圍

醫學上采用陽性和陰性對診斷結果進行描述，因此對眼底圖像中硬性滲出物所在區域為陽性，正常區域為陰性。檢測結果對應陽性正確檢測、陰性正確檢測、誤檢和漏檢有4 種表述方式。對應圖7圖像，根據數據集給定的硬性滲出物范圍，當檢測結果位于給定范圍內則該檢測結果為真陽性（TP）；檢測結果不在給定范圍內則該檢測結果為假陽性（FP）；當陰性圖片中不存在硬性滲出物的檢測標記，該檢測結果為真陰性（TN）；當陽性眼底圖片中不存在硬性滲出物的檢測標記，該檢測結果為假陰性（FN）[7]。根據這四個參數和如下公式，可以分別對算法的靈敏度、特異度和準確度進行計算：

對所提出算法的檢測結果進行統計分析，得出該眼底硬性滲出物檢測算法的敏感度、特異度和準確度分別為81.8%、74.1%和81.7%。

可見，本算法敏感度較高，特異度一般，整體準確度可以達到80%以上。根據醫學診斷準確率的標準，初次診斷準確率應大于80%[8]，表明該算法可以有效幫助醫生進行輔助診斷。該算法對于眼底圖像中明顯的硬性滲出物具有比較好的檢測效果，并且解決了由于圖像采集條件限制以及滲出物堆疊造成的灰度分布曲線復雜，以及近距離血管割裂眼底背景造成誤檢等極具挑戰性的問題。但是對于血管大曲率彎折與眼底本身的劇烈灰度變化疊加情況造成的誤檢問題仍無法得到有效的解決。

4 結束語

作為一種對眼底圖像硬性滲出物檢測的自動化眼科輔助診斷算法，本算法基于方向空間理論，結合適當倍率的上下采樣圖像平滑算法，使用較為簡單的算法解決了眼底圖像灰度分布曲線復雜的問題，實現了凸線段的有效提取。在不單獨去除眼底血管的情況下，解決了近距血管造成誤檢的問題，在不同光照條件下的眼底圖像中表現穩定，具有很好的魯棒性。在DIARETDB1 數據集上的測試結果達到較高的敏感度與準確度，可以作為眼科硬性滲出物輔助診斷的有效工具。