基于定向局部對(duì)比度的眼底圖像視盤檢測(cè)方法

鄭紹華 陳 健 潘 林 余 輪

(福州大學(xué)物理與信息工程學(xué)院， 福州 350108)

基于定向局部對(duì)比度的眼底圖像視盤檢測(cè)方法

鄭紹華*陳 健 潘 林 余 輪

(福州大學(xué)物理與信息工程學(xué)院， 福州 350108)

視盤作為眼底圖像的一個(gè)重要特征，其自動(dòng)檢測(cè)方法在眼底病變圖像分析中有著重要的作用。提出一種基于定向局部對(duì)比度濾波的方法，有效地提取眼底圖像中的局部亮度區(qū)域；結(jié)合視盤區(qū)域的局部血管特征，選擇定位出正確的視盤感興趣區(qū)域；采用數(shù)學(xué)形態(tài)學(xué)方法和區(qū)域主動(dòng)輪廓模型，可較準(zhǔn)確地檢測(cè)出視盤輪廓。對(duì)開放的STARE數(shù)據(jù)庫上的81幅眼底圖像進(jìn)行測(cè)試，其中含31幅正常和50幅病變圖像(含嚴(yán)重病理圖像)，用該方法正確檢測(cè)出視盤73幅，準(zhǔn)確率約為90.1%。結(jié)果表明，該方法有效地克服大塊亮斑病灶對(duì)視盤檢測(cè)的影響，且僅需提取粗血管，計(jì)算較為簡(jiǎn)單，說明了算法的有效性。

視盤檢測(cè)；眼底圖像；定向局部對(duì)比度；數(shù)學(xué)形態(tài)學(xué)；區(qū)域主動(dòng)輪廓模型

引言

視盤，全稱視神經(jīng)盤(optic disc，OD)，是視神經(jīng)的始端，呈圓盤狀結(jié)構(gòu)，直徑約為1.5 mm。在正常的彩色眼底圖像中，視盤通常為一個(gè)黃色或白色的亮圓形區(qū)域。目前，眼底圖像已經(jīng)廣泛地應(yīng)用在糖尿病視網(wǎng)膜病變(diabetic retinopathy, DR)、青光眼、高血壓等眼科相關(guān)疾病的治療與診斷中。視盤作為眼底圖像的一個(gè)重要特征，其檢測(cè)方法在眼底圖像分析中有著重要的作用。視盤是眼底血管的起始點(diǎn)，其中的血管可以作為血管跟蹤算法的起始種子點(diǎn)；在大多數(shù)的視網(wǎng)膜病變?cè)\斷系統(tǒng)中，如微動(dòng)脈瘤、出血斑、硬性滲出等病灶的檢測(cè)識(shí)別中，視盤檢測(cè)是一個(gè)重要的前處理模塊；視盤的大小、形狀與深度變化信息是判斷各種眼科疾病特別是青光眼的重要指標(biāo)；視盤與黃斑區(qū)域有著固定的距離，視盤中心位置的信息可以作為先驗(yàn)知識(shí)來輔助黃斑區(qū)域的選擇；此外，視盤也可以作為眼底圖像配準(zhǔn)的一個(gè)標(biāo)志[1-3]。

由于視盤在彩色眼底圖像中通常為一個(gè)黃色或白色的亮圓形區(qū)域，因此早期的視盤檢測(cè)方法一般假設(shè)視盤為最亮最大的像素聚集區(qū)域，在網(wǎng)絡(luò)公開的STARE項(xiàng)目提供的供視盤檢測(cè)試驗(yàn)用的81幅眼底圖像中，視盤檢測(cè)的正確率僅在40%～60%之間[4-5]。原因在于在實(shí)際臨床中的眼底病變圖像，視盤區(qū)域并非是最亮最大的，當(dāng)出現(xiàn)較大的亮斑病灶(如硬性滲出、軟性滲出、玻璃膜疣等)或圖像光照不均時(shí)，容易產(chǎn)生錯(cuò)誤。為了克服亮斑病灶等因素的影響，Li等提出了一種結(jié)合監(jiān)督分類的方法[6]，即針對(duì)提取的每一塊亮斑特征，應(yīng)用主成分分析(principal component analysis)技術(shù)來甄別真正的視盤，極大地提高了視盤的識(shí)別準(zhǔn)確率，但同時(shí)也增加了計(jì)算量，而且依賴于訓(xùn)練集。

近些年來，相關(guān)專業(yè)人員更傾向于結(jié)合視盤輪廓及血管結(jié)構(gòu)特征來檢測(cè)視盤。Lalonde等采用了金字塔分解(pyramidal decomposition)及豪斯多夫模板匹配(Hausdorff-based template matching)技術(shù)對(duì)亮斑對(duì)象進(jìn)行跟蹤，在STARE數(shù)據(jù)庫上測(cè)試，視盤識(shí)別率提高到了70%以上，識(shí)別率不高的主要原因在于較難判別與視盤大小、形狀相近的亮斑[7]。而后，Hoover等提出了一種基于模糊收斂(fuzzy convergence)的方法來尋找血管網(wǎng)絡(luò)的起始點(diǎn)(即視盤中心)，在STARE數(shù)據(jù)庫上測(cè)試，獲得了88.9%的準(zhǔn)確率[8]。Foracchia等則利用血管匯聚點(diǎn)對(duì)視盤位置進(jìn)行幾何定向模式建模，且引入了模擬退火算法，取得了97.5%的識(shí)別率[9]，但算法實(shí)現(xiàn)較為復(fù)雜，文獻(xiàn)報(bào)道用C++語言實(shí)現(xiàn)一幅平均消耗約2 min(Intel奔騰4 1.7 GHz CPU，512 MB內(nèi)存)。Abdel-Razik等提出了一種基于血管方向匹配濾波器的方法，據(jù)文獻(xiàn)報(bào)道在STARE數(shù)據(jù)庫上測(cè)試，獲得了98.8%的識(shí)別率，但因需提取全局的血管方向，算法復(fù)雜，Matlab下實(shí)現(xiàn)一幅平均耗時(shí)約3.5 min(Intel迅馳1.7 GHz CPU，512 MB內(nèi)存)[1]。最近，Niemeijer等提出一種快速的結(jié)合局部血管模型和k-NN回歸模型的視盤檢測(cè)方法，取得了93.8%的識(shí)別率，用C++語言實(shí)現(xiàn)一幅平均耗時(shí)30 s(Intel雙核2.83 GHz CPU，2 GB內(nèi)存)，但需依賴于視盤特征訓(xùn)練[10]。Welfer等采用自適應(yīng)形態(tài)學(xué)方法提取主干拱形血管來確定視盤的位置[11]；Qureshi等分析了現(xiàn)有算法的優(yōu)缺點(diǎn)，給出了一種視盤檢測(cè)的綜合方案[3]；在國(guó)內(nèi)，朱等通過對(duì)多尺度高斯濾波的Hessian矩陣特征值和特征向量的分析，提取了眼底圖像中的血管及其方向，然后利用視盤區(qū)域的血管分布特征對(duì)視盤區(qū)域進(jìn)行自動(dòng)檢測(cè)[2]。這些方法在本地?cái)?shù)據(jù)庫測(cè)試，都取得了良好的效果，但未給出在STARE數(shù)據(jù)庫上的測(cè)試結(jié)果。

可以看出，近期專業(yè)人員主要利用血管的結(jié)構(gòu)(如拱形血管)和特征(如血管方向、匯聚特性等)來定位視盤，雖然取得了較高的視盤檢測(cè)準(zhǔn)確率，但付出了較大的計(jì)算量。為此，本研究引入定向局部對(duì)比度(directional local contrast，DLC)濾波方法，結(jié)合視盤區(qū)域的亮度信息及其局部的血管特征來判定正確的視盤感興趣區(qū)域(region of interest, ROI)，即利用視盤在局部區(qū)域的最亮特征及視盤區(qū)域的血管豐富、粗大、交錯(cuò)等特點(diǎn)。通過DLC方法可以找出眼底圖像中的局部較亮區(qū)域，再根據(jù)亮斑所在區(qū)域的血管特征來識(shí)別視盤感興趣的區(qū)域；血管特征的提取僅需分割出粗血管映像，計(jì)算簡(jiǎn)單；最后可采用數(shù)學(xué)形態(tài)學(xué)方法和區(qū)域主動(dòng)輪廓模型，較準(zhǔn)確地定位出視盤的輪廓。

1 材料和方法

1.1材料

實(shí)驗(yàn)用圖像選用了網(wǎng)絡(luò)上公開的STARE(STructured Analysis of the Retina)項(xiàng)目[12]所提供的眼底圖像，并驗(yàn)證文中方法的有效性。STARE數(shù)據(jù)庫共有400幅眼底圖像，圖像用TopCon TRV-50眼底照相機(jī)在35度視場(chǎng)下進(jìn)行采集，分辨率為605像素×700像素，采用ppm格式存儲(chǔ)，每像素24 bit(標(biāo)準(zhǔn)RGB)。Hoover等首先從STARE數(shù)據(jù)庫中選取81幅眼底圖像，作為視盤檢測(cè)的試驗(yàn)數(shù)據(jù)[8]。在這81幅圖像中，31幅為正常眼底圖像，50幅為病變眼底圖像，病變圖像顯示含有嚴(yán)重的病變，其中5幅圖像的視盤幾乎完全被出血斑掩蓋，有的亮斑比視盤更大更亮，或完全遮蓋視盤；此外，其中14幅圖像視盤在視場(chǎng)邊緣僅部分可見，這些都增加了視盤檢測(cè)的難度。因此，STARE數(shù)據(jù)庫中的這81眼底圖像給視盤檢測(cè)帶來了極大的挑戰(zhàn)，已成為視盤檢測(cè)算法驗(yàn)證的標(biāo)準(zhǔn)數(shù)據(jù)集，許多研究都以此81幅眼底圖像來驗(yàn)證算法的有效性。

1.2方法

1.2.1定向局部對(duì)比度

定向局部對(duì)比度方法是一種對(duì)比度濾波器，由Zhang等首先引入眼底圖像的血管檢測(cè)中，其利用DLC算法來表征血管像素的特征，然后采用監(jiān)督分類的方法識(shí)別出血管像素[13]。經(jīng)作者研究發(fā)現(xiàn)，利用DLC算法的性質(zhì)，可以有效地提取局部亮斑。關(guān)于DLC算法的定義和性質(zhì)描述如下：假設(shè)像素p的亮度為Ip，沿著方向角θ的像素p的DLC定義為

(1)

(2)

(3)

因此，像素p的DLC向量就可以定義為

(4)

式中，n為角度的個(gè)數(shù)，可以根據(jù)實(shí)際需要把360°均等劃分。

為了驗(yàn)證DLC能夠識(shí)別局部亮斑的性質(zhì)，截取了眼底圖像綠色分量中的一小塊含有亮斑的區(qū)域，如圖2(a)所示。為了更好地識(shí)別每一個(gè)像素的DLC向量，需確定選取某些像素。選取了橫穿某一亮斑的若干個(gè)像素，用圖2(a)中的白色橫線來標(biāo)注像素位置，取24個(gè)像素，長(zhǎng)度大于亮斑稍許即可。從左到右分別計(jì)算這被白線標(biāo)注的24個(gè)像素的DLC向量，取角度θ=15°(360°共可劃分為24個(gè)角度)，半徑取值r需大于亮斑的大致半徑，此處取10個(gè)像素。24個(gè)像素點(diǎn)的DLC計(jì)算結(jié)果如圖2(b)所示，依次從左到右、從上到下排列。

從圖2(b)的DLC計(jì)算結(jié)果可以看出，24個(gè)像素中處于亮區(qū)域(中間段7個(gè)像素，第10～第16個(gè)像素)像素的DLC向量的24維分量均大于零，其余像素的DLC向量分量中均含有小于等于零的值。利用這一性質(zhì)，可獲得亮區(qū)域的像素位置。需要注意的是，獲得的像素DLC向量值與選取的半徑相關(guān)性較大，一般取稍大于要檢測(cè)亮斑的半徑為宜。

1.2.2視盤感興趣區(qū)域選擇

視盤感興趣區(qū)域的選擇是視盤檢測(cè)中最重要的步驟，也是視盤檢測(cè)的關(guān)鍵。由于DLC具有檢測(cè)局部亮度的性質(zhì)，把DLC方法應(yīng)用于視盤感興趣區(qū)域的檢測(cè)中，克服了把視盤當(dāng)作眼底圖像中最亮區(qū)域所帶來的缺點(diǎn)。具體實(shí)現(xiàn)的步驟如下：

1)預(yù)處理。首先提取眼底圖像中對(duì)比度最好的綠色分量，再把尺寸重置為高度為500像素(保持寬高比)，以減小算法計(jì)算量。

2)計(jì)算像素DLC向量。取DLC中的角度參數(shù)θ=15°，半徑參數(shù)r=50，每個(gè)像素將獲得一個(gè)24維的DLC向量。以STARE數(shù)據(jù)庫中im0001、im0002、im0003等3幅彩色眼底病變圖像為例(這3幅眼底圖像存在較為嚴(yán)重的亮斑病變，僅依靠視盤的亮度信息難以識(shí)別出視盤的位置，如圖3中(a)、(c)、(e)所示)，分別進(jìn)行DLC運(yùn)算。若某個(gè)像素的DLC向量中的每一分量值均大于零，則認(rèn)為是亮斑像素，置1，其余像素置0，并去除8連通域小面積斑塊(此處像素面積取100)，則可獲得如圖3(b)、(d)、(f)對(duì)應(yīng)的二值圖。參數(shù)的選擇依據(jù)見討論小節(jié)。

另外，為了減少參與DLC計(jì)算的像素?cái)?shù)量，僅對(duì)灰度值大于OTSU閾值的像素進(jìn)行DLC計(jì)算，小于等于OTSU閾值的像素則不參與DLC計(jì)算，因此提高了近一倍的計(jì)算速度。OTSU即最大類間方差法，在Matlab中以graythresh()函數(shù)實(shí)現(xiàn)。因?yàn)檠鄣子兄黠@的視場(chǎng)外黑背景，OTSU有著較好的閾值分割效果[14]。

接下來就要判定哪一塊亮斑為視盤區(qū)域特征。視盤是眼底血管的起始點(diǎn)，其區(qū)域中的血管豐富，且有著粗大和交錯(cuò)等特點(diǎn)，較容易識(shí)別。因此，可在提取粗血管的前提下，選用感興趣區(qū)域的血管分支數(shù)作為判定條件，血管分支多的區(qū)域則判定為視盤感興趣區(qū)域。血管的精確分割是一個(gè)艱難的任務(wù)，而僅提取粗血管則容易實(shí)現(xiàn)。

1.2.3粗血管分割

粗血管分割采用對(duì)現(xiàn)有算法的簡(jiǎn)化獲得。同樣，利用綠色分量及500像素尺寸下來進(jìn)行粗血管的分割，預(yù)處理僅采用中值濾波器(3×3)來去除噪聲。

首先是背景消除，在文獻(xiàn)[15]提出的局部對(duì)比度規(guī)范化(local contrast normalization)方法的基礎(chǔ)上，增加形態(tài)學(xué)背景重建來改進(jìn)和實(shí)現(xiàn)。先在綠色分量(Ig)上采用大尺度(一般選為圖像高的1/30)的中值濾波器來完成背景的初步估計(jì)[15]。為了得到更好的背景估計(jì)，對(duì)背景進(jìn)行了形態(tài)學(xué)重建，結(jié)果標(biāo)記為IReBg。以im0002圖像為例，圖4(a)為im0002圖像的綠色分量，(b)為其形態(tài)學(xué)重建后的背景估計(jì)。

接著根據(jù)背景修正表達(dá)式

(5)

可獲得背景修正映像S′。通過S′與其標(biāo)準(zhǔn)差的比值

(6)

可獲得全局圖像對(duì)比度規(guī)范化映像S。經(jīng)統(tǒng)計(jì)，血管和暗色病灶在映像S中的表征值小于-1.5。去除噪聲點(diǎn)及小面積斑點(diǎn)，就可獲得粗血管的二值映像，如圖5所示。

1.2.4感興趣區(qū)域血管特征

接下來要通過判別感興趣候選區(qū)域中的血管特征，識(shí)別正確的視盤感興趣區(qū)域。由于視盤區(qū)域中的血管多而粗且相互交錯(cuò)，所以選用感興趣區(qū)域的血管分支數(shù)作為判定條件，血管分支片段多的區(qū)域則判定為視盤感興趣區(qū)域。視盤感興趣區(qū)域識(shí)別的步驟如下：

1)感興趣區(qū)域截取。在高度為500像素分辨率下，視盤直徑大小約為75像素。因?yàn)橥ㄟ^DLC方法獲得的亮斑一般并不在視盤的中心位置，所以視盤感興趣區(qū)域?qū)捀咭〈笥谝暠P的直徑，經(jīng)驗(yàn)證，取感興趣窗口大小為105像素×105像素較為合適。以亮斑坐標(biāo)均值為中心，即可截取105像素×105像素大小的感興趣區(qū)域。此外，若存在亮斑面積大于等于11 025(105×105)像素時(shí)，則直接取為感興趣區(qū)域。

2)計(jì)算感興趣窗口中血管分支數(shù)量。首先需對(duì)窗口內(nèi)的血管進(jìn)行細(xì)化(Matlab中以bwmorph()函數(shù)實(shí)現(xiàn))，并去除交叉點(diǎn)，即去除8連通域相鄰像素多于3個(gè)的像素點(diǎn)(置零)。接著就可計(jì)算感興趣窗口中血管的分支數(shù)，將分支數(shù)量最大的區(qū)域確定為視盤區(qū)域。同樣以im0001～im0003圖為例，如圖6所示，第1行(a)、(b)、(c)分別對(duì)應(yīng)這3個(gè)圖像中粗血管分支數(shù)最多的感興趣區(qū)域，第2行(d)、(e)、(f)則是原圖紅色分量中(a)、(b)、(c)所對(duì)應(yīng)的感興趣區(qū)域。選用紅色分量是因?yàn)榧t色分量提供了最好的視盤對(duì)比度，便于視盤的輪廓檢測(cè)?？梢?，獲得的感興趣區(qū)域都包含了視盤。

1.2.5視盤輪廓檢測(cè)

接下來的工作就是從圖6所示的視盤感興趣區(qū)域檢測(cè)出視盤的輪廓。首先是消除視盤內(nèi)血管，采用多方向線性結(jié)構(gòu)元素的形態(tài)學(xué)低帽變換檢測(cè)血管，結(jié)構(gòu)元素長(zhǎng)度選擇為15像素,每15°為一方向，有

(7)

式中，符號(hào)·為閉運(yùn)算， 圖7(b)為Imax運(yùn)算的結(jié)果。

通過下式及平滑后可以得到圖7(c)。

(8)

接著，采用區(qū)域主動(dòng)輪廓模型(region-based active contour model)進(jìn)行視盤輪廓的精確檢測(cè)。區(qū)域主動(dòng)輪廓模型是一種經(jīng)典的Snakes模型，通過最小化一種能量函數(shù)來搜索目標(biāo)邊界，從而達(dá)到分割圖像的目的[16]。如圖7(d)為區(qū)域主動(dòng)輪廓模型迭代150次的結(jié)果。因視盤感興趣區(qū)域尺寸小，在Matlab環(huán)境(普通計(jì)算機(jī)，雙核2 GHz CPU，1 GB內(nèi)存)下耗時(shí)僅4 s左右。

然后，基于獲得的輪廓(圖7(e))，可容易地通過圓形擬合來獲得綠色分量的視盤圓形輪廓及視盤中心，見圖7中(f)和(g)。

恰當(dāng)?shù)膮^(qū)域主動(dòng)輪廓模型的初始輪廓和迭代次數(shù)的選擇，不僅可以減少計(jì)算量，還可以保證當(dāng)視盤輪廓對(duì)比度較差或存在光照不均時(shí)引起的檢測(cè)精度。經(jīng)驗(yàn)證，初始圓形輪廓以亮斑質(zhì)心為圓心，半徑為50，迭代次數(shù)限定為150次，檢測(cè)效果最好。

2 結(jié)果

對(duì)STARE數(shù)據(jù)庫中81幅眼底圖像進(jìn)行了測(cè)試，其中能成功檢測(cè)視盤的達(dá)到73幅圖像，正確率約90.1%。圖8分別列出了文獻(xiàn)[8]與本方法對(duì)STARE庫中6幅圖像的視盤檢測(cè)結(jié)果，其中(a)列為彩色原圖像，(b)列為文獻(xiàn)[8]的檢測(cè)結(jié)果，(c)列為本方法的檢測(cè)結(jié)果(紅色分量)。在結(jié)果中，文獻(xiàn)[8]對(duì)第1～3行的3幅圖像視盤檢測(cè)失敗，而本方法檢測(cè)正確，驗(yàn)證了本方法能更好地克服由于亮斑病灶帶來的影響，且對(duì)圖像中僅有部分視盤的情況也有較好的檢測(cè)效果；但文獻(xiàn)[8]對(duì)圖8中第4～6行的3幅檢測(cè)正確，本方法檢測(cè)失敗，說明本方法對(duì)由成像或病變等原因造成視盤區(qū)域內(nèi)血管不可見時(shí)的檢測(cè)無效。庫中有8幅視盤檢測(cè)失敗，其中5幅視盤被大量出血遮蓋，3幅因光照因素造成視盤中血管幾乎不可見或很少。

3 討論

本方法參數(shù)的選擇影響著視盤檢測(cè)的效果。經(jīng)驗(yàn)證，DLC方法中半徑參數(shù)r的選擇應(yīng)大于所檢測(cè)亮斑的半徑。在高度為500像素的眼底圖像中，視盤的直徑一般在75個(gè)像素左右，因此對(duì)r分別選取了40、45及50進(jìn)行了對(duì)比，發(fā)現(xiàn)當(dāng)r取50個(gè)像素時(shí)，視盤處亮斑檢測(cè)效果最好，且其余候選亮斑較少。DLC方法中角度參數(shù)θ取值決定了DLC向量的分量個(gè)數(shù)，本研究取為15°，360°劃分為24個(gè)方向，獲得24維的DLC向量，足以表征像素的局部方向?qū)Ρ榷忍匦?。另外，由于亮顆粒噪聲或較小亮斑均能獲得大于零的DLC向量值，且眼底圖像視盤面積大小較為固定，所以，可以根據(jù)實(shí)際圖像尺寸大小排除小面積DLC亮斑。本研究選擇去除8連通域面積小于100的斑塊，是考慮STARE數(shù)據(jù)庫中存在僅有半個(gè)視盤的眼底圖像，否則可以取的更大些以減少候選亮斑的數(shù)量。再有，形態(tài)學(xué)低帽變換檢測(cè)血管時(shí)，線性結(jié)構(gòu)元素長(zhǎng)度要稍大于最大血管寬度；因此本研究取長(zhǎng)度為15個(gè)像素，是考慮在高500像素的眼底圖像中，最大的血管寬度不足15個(gè)像素。

表1列出十幾年來主要的文獻(xiàn)在SATRE數(shù)據(jù)庫中視盤檢測(cè)的準(zhǔn)確率。可以看出，本方法的視盤檢測(cè)準(zhǔn)確率并非最高，與文獻(xiàn)[8]相當(dāng)，而低于文獻(xiàn)[1,9-10]的結(jié)果。文獻(xiàn)[1,9-10]的共同特點(diǎn)就是充分利用了血管的整體特征，需要較精確地提取血管及其特征(如方向、匯聚特性、拱形拋物線擬合等)，算法較為復(fù)雜。雖然本方法的準(zhǔn)確率并非最高但有其優(yōu)點(diǎn)，它充分利用了視盤局部的亮度和血管信息，最大限度地克服了由于亮斑病灶等帶來的影響，且計(jì)算較為簡(jiǎn)單，在Matlab 環(huán)境下一幅平均耗時(shí)僅約15 s(Intel雙核2 GHz CPU，1 GB內(nèi)存)。STARE數(shù)據(jù)庫中的眼底圖像為十幾年前采集，成像條件較差，圖像分辨率也較低，選取了其中81幅病變較為嚴(yán)重、形態(tài)各異的圖像作為測(cè)試數(shù)據(jù)，這對(duì)算法的要求較高。隨著成像技術(shù)的成熟，目前免散瞳眼底照相已開始廣泛推廣應(yīng)用，成像分辨率至少600萬像素，甚至高達(dá)1 800萬像素，可獲得更高質(zhì)量的眼底圖像[19]。因此，本方法將能獲得更高的檢測(cè)準(zhǔn)確率，如在質(zhì)量好的DRIVE數(shù)據(jù)庫[20]中，就能獲得100%的視盤檢測(cè)準(zhǔn)確率。因此，本方法在臨床糖尿病視網(wǎng)膜病變或黃斑病變篩查中可以得到較好的應(yīng)用。

4 結(jié)論

視盤是眼底圖像中最重要的解剖結(jié)構(gòu)之一，其自動(dòng)定位與輪廓檢測(cè)在眼底病變圖像分析中有著重要的作用。由于眼底成像的光照及亮斑病灶的影響，使視盤的檢測(cè)變得困難。筆者引入了定向局部對(duì)比度的方法，有效地提取了眼底圖像中的局部亮度區(qū)域，并利用視盤區(qū)域粗血管分支數(shù)最多的特點(diǎn)，正確地定位了視盤感興趣區(qū)域；最后結(jié)合數(shù)學(xué)形態(tài)學(xué)方法和區(qū)域主動(dòng)輪廓模型，較準(zhǔn)確地檢測(cè)出視盤輪廓。經(jīng)驗(yàn)證，該方法能有效克服亮斑病灶的影響，且對(duì)僅存在部分視盤的眼底圖像也有效。對(duì)81幅STARE數(shù)據(jù)庫的眼底圖像進(jìn)行測(cè)試，視盤定位的正確率約為90.1%，可滿足醫(yī)學(xué)臨床的要求，在臨床糖尿病視網(wǎng)膜病變或黃斑病變篩查中可以得到較好的應(yīng)用。

[1] Abdel-Razik Youssif AAH, Ghalwash AZ, Abdel-Rahman Ghoneim AAS. Optic disc detection from normalized digital fundus images by means of a vessels’ direction matched filter [J]. IEEE Trans Med Imaging, 2008,27(1): 11-18.

[2] 朱琳琳, 唐延?xùn)|. 基于眼底特征的視盤自動(dòng)檢測(cè) [J]. 儀器儀表學(xué)報(bào), 2010,31(8): 118-122.

[3] Qureshi RJ, Kovacs L, Harangi B,etal. Combining algorithms for automatic detection of optic disc and macula in fundus images [J]. Computer Vision and Image Understanding, 2012,116(1): 138-145.

[4] Sinthanayothin C, Boyce JF, Cook HL,etal. Automated localisation of the optic disc, fovea, and retinal blood vessels from digital colour fundus images [J]. British Journal of Ophthalmology, 1999,83(8): 902-910.

[5] Walter T, Klein JC. Segmentation of color fundus images of the human retina: Detection of the optic disc and the vascular tree using morphological techniques [M] //Medical Data Analysis. BerLin: Springer Berlin Heidelberg, 2001: 282-287.

[6] Li Huihua, Chutatape O. Automatic location of optic disk in retinal images [C] //Proceedings of International Conference on Image Processing. Thessaloniki: IEEE, 2001,2: 837-840.

[7] Lalonde M, Beaulieu M, Gagnon L. Fast and robust optic disc detection using pyramidal decomposition and Hausdorff-based template matching [J]. IEEE Trans Med Imaging, 2001,20(11): 1193-1200.

[8] Hoover A, Goldbaum M. Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels [J]. IEEE Trans Med Imaging, 2003,22(8): 951-958.

[9] Foracchia M, Grisan E, Ruggeri A. Detection of optic disc in retinal images by means of a geometrical model of vessel structure [J]. IEEE Trans Med Imaging, 2004,23(10): 1189-1195.

[10] Niemeijer M, Abràmoff MD, van Ginneken B. Fast detection of the optic disc and fovea in color fundus photographs [J]. Medical image analysis, 2009,13(6): 859-870.

[11] Welfer D, Scharcanski J, Kitamura CM,etal. Segmentation of the optic disk in color eye fundus images using an adaptive morphological approach [J]. Computers in Biology and Medicine, 2010,40(2): 124-137.

[12] Goldbaum M. The STARE (STructured Analysis of the Retina) Project [DB/OL]. http://www.parl.clemson.edu/～ahoover/stare, 2013-01/2013-09-24.

[13] Zhang Ming, Liu J -C. Directional local contrast based blood vessel detection in retinal images [C] //IEEE International Conference on Image Processing. San Antonio: IEEE, 2007, 4: IV-317-IV-320.

[14] Otsu N. A threshold selection method from gray level histograms [J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, SMC-9(1): 62-66.

[15] Fleming AD, Philip S, Goatman KA,etal. Automated microaneurysm detection using local contrast normalization and local vessel detection [J]. IEEE Trans Med Imaging, 2006,25(9): 1223-1232.

[16] Chan TF, Vese LA. Active contours without edges [J]. IEEE Transactions on Image Processing, 2001,10(2): 266-277.

[17] Osareh A, Mirmehdi M, Thomas B,etal. Comparison of colour spaces for optic disc localisation in retinal images [C] //Proceedings of 16th International Conference on Pattern Recognition. Quebec: IEEE, 2002, 1: 743-746.

[18] ter Haar F. Automatic localization of the optic disc in digital colour images of the human retina [D]. Utrecht: Utrecht University, 2005.

[19] 夏偉, 王利, 李蓬秋, 等. 應(yīng)用免散瞳眼底照相技術(shù)篩查糖尿病視網(wǎng)膜病變臨床分析[J]. 國(guó)際眼科雜志(中文刊), 2013,13(11): 2267-2269.

[20] B. van Ginneken. The DRIVE (Digital Retinal Images for Vessel Extraction) database [DB/OL]. http://www.isi.uu.nl/Research/ Databases/DRIVE, 2007-04/2013-09-24.

OpticDiscDetectiononRetinalImagesBasedonDirectionalLocalContrast

ZHENG Shao-Hua*CHEN Jian PAN Lin YU Lun

(College of Physics and Information Engineering, Fuzhou University, Fuzhou 350108, China)

The optic disc (OD) is considered as one of the main features of a retinal image. OD detection is a main step in developing automated analysis systems for the retinopathy. In this paper, we proposed a method aiming to effectively extract the local brightness areas in digital retinal fundus images based on directional local contrast (DLC) filter. The right OD region of interest (ROI) was selected by considering its local vessels features. Thereupon, in the selected ROI, the OD contour was exactly detected using the mathematical morphology method and region-based active contour model technique. The evaluation for the proposed method was performed using the dataset of 81 images from the public STARE project, containing images from both normal (31) and pathological (50) subjects, even including severe pathological situations. The OD position was correctly identified in 73 out of 81 images, the accuracy rate is about 90.1%. These results demonstrate that the method effectively overcomes the influence from the large bright spot lesions on OD detection by just extracting the large vessels and less computation time.

optic disc detection; retinal image; directional local contrast; mathematical morphology; region-based active contour model

10.3969/j.issn.0258-8021. 2014. 03.05

2013-06-07，錄用日期：2014-02-24

國(guó)家自然科學(xué)基金(60827002)；福建省教育廳項(xiàng)目(JA13037)

R318.08 TP391.41

A

0258-8021(2014) 03-0289-08

*通信作者(Corresponding author)，E-mail: sunphen@fzu.edu.cn