基于背景估計(jì)和SVM分類(lèi)器的眼底圖像硬性滲出物檢測(cè)方法

肖志濤 王 雯 耿 磊* 張 芳 吳 駿 趙北方張欣鵬 蘇 龍 陳莉明 單春燕

1(天津工業(yè)大學(xué)電子與信息工程學(xué)院，天津 300387)2(天津醫(yī)科大學(xué)眼科醫(yī)院，天津 300384)3(天津醫(yī)科大學(xué)代謝病醫(yī)院，天津 300070)

?

基于背景估計(jì)和SVM分類(lèi)器的眼底圖像硬性滲出物檢測(cè)方法

肖志濤1王 雯1耿 磊1*張 芳1吳 駿1趙北方1張欣鵬1蘇 龍2陳莉明3單春燕3

1(天津工業(yè)大學(xué)電子與信息工程學(xué)院，天津 300387)2(天津醫(yī)科大學(xué)眼科醫(yī)院，天津 300384)3(天津醫(yī)科大學(xué)代謝病醫(yī)院，天津 300070)

硬性滲出物是糖尿病視網(wǎng)膜病變(DR)的早期病癥，是糖尿病性黃斑水腫的最主要表現(xiàn)，因此對(duì)硬性滲出物的準(zhǔn)確檢測(cè)具有重要的臨床意義。提出一種基于背景估計(jì)和SVM分類(lèi)器的眼底圖像硬性滲出物檢測(cè)方法。首先通過(guò)背景估計(jì)，得到包含亮目標(biāo)的前景圖；然后利用基于Kirsch算子的邊緣信息確定硬性滲出物的候選區(qū)域，再移除視盤(pán)；最后對(duì)候選區(qū)域進(jìn)行形狀特征、直方圖統(tǒng)計(jì)特征以及相位特征的提取，采用SVM對(duì)候選區(qū)域進(jìn)行分類(lèi)，完成硬性滲出物的精確提取。對(duì)DIARETDB1和HEI-MED公共數(shù)據(jù)庫(kù)中共248幅眼底圖像進(jìn)行實(shí)驗(yàn)，圖像水平達(dá)到靈敏度97.3%和特異性90%，病灶水平達(dá)到靈敏度84.6%和陽(yáng)性預(yù)測(cè)值94.4%。實(shí)驗(yàn)表明，所提出的方法能夠?qū)崿F(xiàn)眼底圖像中硬性滲出物的自動(dòng)檢測(cè)。

硬性滲出物檢測(cè)；糖尿病視網(wǎng)膜病變；背景估計(jì)；相位一致性；支持向量機(jī)(SVM)

引言

糖尿病視網(wǎng)膜病變是糖尿病最嚴(yán)重的并發(fā)癥，是成年人視力損傷甚至致盲的主要原因之一。硬性滲出物(hard exudates , HE)是糖尿病視網(wǎng)膜病變最重要的早期病癥之一，是糖尿病性黃斑水腫等致盲眼病的重要訊號(hào)。因此，對(duì)HE進(jìn)行有效的檢測(cè)，對(duì)于視網(wǎng)膜病變的預(yù)防和及時(shí)治療具有重要的臨床意義。如圖1所示，HE表現(xiàn)為邊界清晰的蠟樣黃白色斑點(diǎn)或斑塊，有時(shí)圍繞微動(dòng)脈瘤呈環(huán)形排列，還可互相融合呈片狀，有的呈白鞘狀密集于靜脈旁邊。

圖1 眼底圖像中硬性滲出物區(qū)域及其部分局部放大Fig.1 HE area in fundus image and its partial enlargement

目前，對(duì)HE自動(dòng)檢測(cè)的方法主要分為三大類(lèi)。第一類(lèi)是基于形態(tài)學(xué)的檢測(cè)方法。Walter等首先通過(guò)計(jì)算局部方差后閾值化得到HE候選區(qū)，然后通過(guò)形態(tài)學(xué)重建得到HE的輪廓，完成HE的檢測(cè)[1]；Welfer等首先在LUV顏色空間的L通道利用頂帽變換對(duì)圖像進(jìn)行對(duì)比度增強(qiáng)，然后利用形態(tài)學(xué)重建等操作，完成HE的提取[2]；Gandhi等運(yùn)用形態(tài)學(xué)運(yùn)算移除血管后確定HE，最后利用SVM分類(lèi)器確定病變的嚴(yán)重程度[3]；Ravishankar等通過(guò)合理選擇不同結(jié)構(gòu)元素，利用形態(tài)學(xué)操作確定目標(biāo)邊界，再利用形態(tài)學(xué)填充，實(shí)現(xiàn)對(duì)HE候選區(qū)的提取，最后設(shè)計(jì)了一個(gè)線(xiàn)性分類(lèi)器實(shí)現(xiàn)HE提取[4]。第二類(lèi)是基于聚類(lèi)的檢測(cè)方法。文獻(xiàn)[5]運(yùn)用FCM在拍攝質(zhì)量較差的眼底圖像中檢測(cè)到HE，由于眼底圖像亮度不均勻及對(duì)比度低，使得FCM聚類(lèi)算法在RGB顏色空間提取特征時(shí)結(jié)果并不理想；Zhang等使用改進(jìn)了的FCM聚類(lèi)算法(IFCM)，作用于經(jīng)過(guò)局部對(duì)比度增強(qiáng)圖像的LUV顏色空間，得到亮病灶候選區(qū)，最后分類(lèi)確定HE[6]；Jayakumari等運(yùn)用文本聚類(lèi)算法，將眼底圖像分為背景類(lèi)和亮目標(biāo)類(lèi)進(jìn)行HE的分割[7]。第三類(lèi)是機(jī)器學(xué)習(xí)的方法。Wang等用一種最小距離判別分類(lèi)器，將每個(gè)像素分成黃色的病變(HE和棉絮斑)和非病變(血管和背景區(qū)域)兩類(lèi)，但該方法無(wú)法區(qū)分HE和棉絮斑[8]；Osareh等分別利用SVM和多層感知機(jī)(MLP)兩種分類(lèi)器，對(duì)67幅圖像進(jìn)行測(cè)試，實(shí)現(xiàn)了滲出物的提取[9]；Sánchez等采用Fisher線(xiàn)性分類(lèi)器區(qū)分HE與非HE，他們使用了58幅測(cè)試圖像在圖像級(jí)取得了較高的靈敏度和特異性[10]；García等提出一種基于神經(jīng)網(wǎng)絡(luò)的HE檢測(cè)方法[11]；Niemeijer等提出了基于機(jī)器學(xué)習(xí)的方法，區(qū)分HE、棉絨斑和玻璃疣等亮病變[12]。另外，Tang等提出一種非均勻光照下進(jìn)行背景減除的HE檢測(cè)方法，通過(guò)加權(quán)曲面擬合，從相移補(bǔ)償圖像中估計(jì)背景圖像，再進(jìn)行HE的提取[13]；Sagar等人提出一種基于動(dòng)態(tài)閾值化和邊緣檢測(cè)的HE自動(dòng)檢測(cè)算法，最終算法在25幅圖像上進(jìn)行了驗(yàn)證，取得了較高的靈敏度和預(yù)測(cè)值[14]。

由上述文獻(xiàn)分析可見(jiàn)，基于數(shù)學(xué)形態(tài)學(xué)方法僅根據(jù)HE的亮度、灰度信息，忽視了滲出物的其他特征，因而對(duì)噪聲十分敏感，魯棒性較差。聚類(lèi)算法通常對(duì)噪聲比較敏感，類(lèi)中心的位置和特性未知，需進(jìn)行初始假設(shè)?；跈C(jī)器學(xué)習(xí)的檢測(cè)方法，檢測(cè)結(jié)果依賴(lài)于特征的選取以及訓(xùn)練樣本的全面性，否則會(huì)造成高的漏檢和誤檢率。根據(jù)滲出物的特點(diǎn)及已有方法的不足，筆者首先通過(guò)合理估計(jì)背景，得到眼底圖像中的所有亮目標(biāo)，再結(jié)合基于Kirsch算子的邊緣信息，去除不具有清晰邊緣的偽目標(biāo)，移除視盤(pán)后得到HE候選區(qū)，規(guī)避了形態(tài)學(xué)方法對(duì)噪聲敏感、魯棒性差，聚類(lèi)分析依賴(lài)于初始假設(shè)、計(jì)算復(fù)雜度高等不足；HE的精確提取采用基于分類(lèi)器的方法，在特征提取階段，除了選擇常用的形狀特征、直方圖統(tǒng)計(jì)特征外，還增加了具有亮度和對(duì)比度不變性且抗噪性能好的相位一致性特征，最后利用SVM分類(lèi)器進(jìn)行偽目標(biāo)的去除，完成HE的精確提取。方法流程如圖2所示。

圖2 方法流程Fig.2 Flow chart of proposed method

1 基于背景估計(jì)和SVM分類(lèi)器的HE檢測(cè)方法

1.1 基于背景估計(jì)的HE候選區(qū)提取

HE候選區(qū)提取分為兩個(gè)階段：由于HE在眼底圖像中表現(xiàn)為灰度值較大的高亮區(qū)域，因此首先通過(guò)估計(jì)眼底圖像背景，將原灰度圖與其相減得到所

有亮目標(biāo)；其次根據(jù)HE具有清晰邊緣的特性，計(jì)算基于Kirsch算子的邊緣強(qiáng)度，篩選出邊緣較清晰的眼底圖像亮目標(biāo)，即為HE候選目標(biāo)(見(jiàn)圖3)。

1.1.1 結(jié)合形態(tài)學(xué)重建的背景估計(jì)

首先，在保持原圖長(zhǎng)寬比不變的情況下，統(tǒng)一將圖像高度調(diào)整為750個(gè)像素，以提高算法效率。為了提取眼底前景結(jié)構(gòu)，需要通過(guò)背景估計(jì)，圖3所示為背景估計(jì)過(guò)程。使用一個(gè)大小為25×25的中值濾波器作用于灰度圖像Igray(見(jiàn)圖4(a))，初步估計(jì)背景得到Ibg，該濾波器的大小為被處理圖像高度的1/30[15]。為了使背景更適應(yīng)于原始灰度圖像，從而更好提取眼底結(jié)構(gòu)，對(duì)中值濾波的圖像進(jìn)行形態(tài)學(xué)重建[16]運(yùn)算。形態(tài)學(xué)重建通常用來(lái)強(qiáng)調(diào)標(biāo)記圖像中與掩膜圖像的指定對(duì)象一致的部分，同時(shí)忽略其他對(duì)象。這里以經(jīng)過(guò)中值濾波的圖像作為標(biāo)記圖像，掩膜圖像為原灰度圖與中值濾波結(jié)果圖求最大值后得到突出亮目標(biāo)的圖像。背景估計(jì)結(jié)果如圖4(b)所示。

背景估計(jì)的目的在于將其與原灰度圖比較，提取眼底圖像的前景結(jié)構(gòu)。原灰度圖與估計(jì)的背景相減，得到差值矩陣I，該矩陣元素值分布表現(xiàn)為以零為中心的高斯?fàn)睿渲胁钪荡笥诹愕脑貙?duì)應(yīng)圖中的亮目標(biāo)，包括HE、棉絮狀、神經(jīng)纖維層反射及其他亮度較高的結(jié)構(gòu)，差值小于零的元素對(duì)應(yīng)圖中的暗目標(biāo)，包括血管、黃斑、出血點(diǎn)及其他紅色病灶。將I中小于零的元素值置零，即得到只含有亮目標(biāo)的候選區(qū)Icand，但是其中仍存在大量的假陽(yáng)性病灶，如棉絮斑、神經(jīng)纖維層反射等，如圖4(c)所示。

圖3 背景估計(jì)過(guò)程Fig.3 Block diagram of background-estimation

1.1.2 基于Kirsch算子的HE候選區(qū)提取

相比其他假陽(yáng)性亮目標(biāo)，HE具有較為清晰的邊緣，因此利用邊緣強(qiáng)度信息來(lái)去除邊緣模糊的假陽(yáng)性病灶。眼底圖像在RGB空間的G通道表現(xiàn)出更清晰的結(jié)構(gòu)特征，HE的邊緣特性表現(xiàn)也更為明顯，因此利用G通道圖像Ig來(lái)計(jì)算邊緣強(qiáng)度。這里邊緣提取采用Kirsch算子[17]，它采用8個(gè)模板來(lái)確定梯度和梯度的方向，是一種最佳匹配的邊緣檢測(cè)，具有很好的方向性和很好的精度和抗噪性能，適合HE的提取。

Ig的Kirsch邊緣圖為Ikirsch。為了得到候選區(qū)的邊緣，需求取綠色通道圖中背景區(qū)域的邊緣，首先將綠色通道圖Ig中對(duì)應(yīng)Icand非零元素位置的像素置零，得到Ibge(見(jiàn)式(1))，所有的亮目標(biāo)即從Ig中移除，如圖4(d)所示；然后，以Ig為掩膜圖像對(duì)Ibge進(jìn)行形態(tài)學(xué)重建強(qiáng)調(diào)背景，再利用Kirsch算子計(jì)算其邊緣為I0，kirsch，即為背景區(qū)域的邊緣。Ikirsch與I0，kirsch相減得到邊緣差值圖Icandkirsch，即為亮目標(biāo)的Kirsch邊緣圖，如圖4(e)所示。

(1)

定義Icand中每個(gè)候選目標(biāo)θi的邊緣強(qiáng)度[18]為

(2)

式中，Πi是候選區(qū)域中θi按照8連通區(qū)域得到的候選點(diǎn)集。

為了得到更為準(zhǔn)確的HE候選區(qū)域，需要對(duì)θ進(jìn)行閾值化。若閾值T取值過(guò)大，去除絨毛斑等非HE的同時(shí)會(huì)造成部分HE的漏檢；若取值過(guò)小，則會(huì)留下過(guò)多偽目標(biāo)，不利于下一步的精確提取。經(jīng)實(shí)驗(yàn)，取T=2，即邊緣強(qiáng)度大于2時(shí)，能保證在HE無(wú)漏檢的情況下包含盡量少的偽目標(biāo)，如圖4(f)所示。

圖4 滲出物候選區(qū)提取過(guò)程。(a)原灰度圖；(b)背景估計(jì)結(jié)果；(c)原圖減去背景后的前景圖；(d)將亮目標(biāo)從G通道圖中移除后的圖；(e)Kirsch邊緣差值圖；(f)HE候選目標(biāo)二值圖Fig.4 HE candidates detection. (a)Original gray-scale image; (b)Result of background-estimation; (c)Foreground map after background subtraction; (d)Result of removing bright targets from green channel image; (e)Kirsch edge difference figure; (f)Binary image of HE candidates

1.1.3 視盤(pán)移除

在彩色視網(wǎng)膜眼底圖像中，視盤(pán)通常表現(xiàn)為近似圓形的淡黃色或白色的亮斑，顏色和亮度特征與滲出物非常相似，通常都會(huì)出現(xiàn)在滲出物候選區(qū)中，因此要對(duì)視盤(pán)進(jìn)行準(zhǔn)確定位并移除，可以避免檢測(cè)結(jié)果中出現(xiàn)過(guò)多偽目標(biāo)。

Ravishankar等提出一種基于眼底主血管提取的視盤(pán)定位與分割方法[4]。首先利用基于形態(tài)學(xué)的方法提取眼底圖像主血管，通過(guò)血管收斂方向得到一個(gè)交叉圖，再經(jīng)過(guò)加權(quán)收斂?jī)?yōu)化確定視盤(pán)的最優(yōu)位置，定位視盤(pán)。視盤(pán)的分割與去除通過(guò)霍夫變換實(shí)現(xiàn)，將圓形視盤(pán)區(qū)域從候選區(qū)域中去除，得到HE最終候選區(qū)域，如圖5所示。

圖5 HE候選區(qū)域(黃綠色部分)Fig.5 HE candidates after removing optic disk (area in green color)

1.2 硬性滲出物精確提取

在HE候選區(qū)的提取中結(jié)合了亮度和邊緣特征，去除了大部分偽目標(biāo)，但仍有部分在亮度和邊緣特性上與真HE相似的非HE。筆者通過(guò)提取HE候選區(qū)域的形狀特征、直方圖統(tǒng)計(jì)特征和相位特征，用于區(qū)別與真HE極其相似的清晰棉絮斑、未吸收的激光斑及嚴(yán)重的黃斑反射等非HE，設(shè)計(jì)SVM分類(lèi)器來(lái)完成HE精確提取。

1.2.1 特征提取

1.2.1.1 形狀特征

對(duì)于容易誤檢為HE的激光斑，最主要的特點(diǎn)是形狀較為規(guī)則，呈近似圓形，因此采用離心率和致密性作為特征來(lái)區(qū)分HE和激光斑。

離心率為區(qū)域長(zhǎng)軸與短軸之比，致密性為周長(zhǎng)2/面積。

1.2.1.2 直方圖統(tǒng)計(jì)特征

HE的像素灰度級(jí)分布比較集中，而極易誤檢的棉絮斑都呈現(xiàn)亮度從中間向周?chē)鷿u變的特性。直方圖是描述圖像中像素灰度級(jí)分布的有力工具，因此可以采用直方圖的統(tǒng)計(jì)特征作為區(qū)分HE與棉絮斑的紋理特征。

圖像的灰度直方圖表達(dá)式為

(3)

式中，k為表示圖像灰度等級(jí)的變量，N為灰度圖像總像素?cái)?shù)，nk為每個(gè)灰度等級(jí)的像素?cái)?shù)，L為可區(qū)分的灰度等級(jí)數(shù)量。

直方圖的統(tǒng)計(jì)特征如下：

1) 方差：均值m的二階矩u2。均值m的n階矩定義為

(4)

其中，均值m定義為

(5)

2) 平滑度(R)：反映圖像紋理的深淺程度，區(qū)域灰度值變化范圍越大(方差越大)，R越大，有

(6)

3) 三階矩：直方圖偏斜度度量。u3>0，直方圖向右偏斜；u3<0，直方圖向左偏斜。

4) 一致性(U)：表征區(qū)域像素灰度值的相近程度。當(dāng)圖像某區(qū)域像素灰度值相等時(shí)，U最大；像素差異度變大時(shí)，U減小，有

(7)

5) 熵(e)：隨機(jī)性度量，反映紋理的粗糙程度。隨機(jī)性越大，e越大，有

(8)

這里提取的HE候選區(qū)域特征分別為該區(qū)域灰度直方圖的方差u2、平滑度R、三階矩(直方圖偏斜度度量)u3、一致性度量U和熵e。

1.2.1.3 相位特征

以上提取的特征主要基于幅度值的變化，由于幅度對(duì)光照變化非常敏感，提取的特征不穩(wěn)定，因而僅僅基于幅度特征進(jìn)行的分類(lèi)識(shí)別效果不理想。而相位信息對(duì)亮度和對(duì)比度具有不變性，抗噪性能好，且符合人類(lèi)視覺(jué)感知特性。

相位一致性是將傅里葉分量相位最一致的點(diǎn)作為特征點(diǎn)，Morrone和Owens[19]定義了相位一致性函數(shù)，有

(9)

找到相位一致性最大的點(diǎn)，就相當(dāng)于找到了對(duì)應(yīng)于局部相位變化最小的點(diǎn)。但實(shí)際上，相位一致性是一個(gè)很難直接定量計(jì)算的量，作為相位一致性的等效代替，在文獻(xiàn)[20]中發(fā)現(xiàn)：局部能量等于相位一致性和傅里葉幅度總和的乘積，即局部能量直接正比于相位一致性函數(shù)，局部能量的峰值對(duì)應(yīng)于相位一致性的最大值，因此求最大相位一致性就轉(zhuǎn)化為求局部能量。在本研究中，采用log-Gabor小波函數(shù)來(lái)計(jì)算局部能量。

要將相位一致性應(yīng)用到眼底圖像滲出物的檢測(cè)中，需要將相位一致性的表達(dá)式擴(kuò)展到二維。采用的方法為：在圖像的每一點(diǎn)計(jì)算能量E(x)，在每個(gè)方向上補(bǔ)償噪聲，然后在所有方向上求和，最后將能量和歸一化(除以該點(diǎn)單個(gè)濾波器的所有方向和尺度的幅度和)。這樣得到的二維相位一致性公式為

(10)

式中：E為局部能量；o表示方向數(shù)；n表示小波函數(shù)的尺度數(shù)；ε為小的正數(shù)，防止該式分母為零；PC(x,y)表示在點(diǎn)(x,y)的相位一致性；T為所有尺度上濾波器對(duì)噪聲的響應(yīng)。

為了平衡結(jié)果的準(zhǔn)確性和算法的復(fù)雜度，綜合考慮后，本算法o取8，n取3，ε取0.000 1。

階躍、屋頂及馬赫帶等特征都會(huì)出現(xiàn)在相位一致性[21]高的點(diǎn)。在圖5所示的HE候選區(qū)域中，除真正的HE及通過(guò)形狀和直方圖特性易于去除的激光斑和棉絮斑，還存在常見(jiàn)的視網(wǎng)膜反光等偽目標(biāo)。HE因其亮度高、邊界清晰等特性，明顯區(qū)別于眼底背景，人眼易于區(qū)分，且其局部能量更大，從而具有較高的相位一致性；而視網(wǎng)膜反光區(qū)域在灰度級(jí)上與HE相近，但其與健康眼底背景平穩(wěn)融合，無(wú)明顯階躍，故相位一致性較低。如圖6所示為硬性滲出物候選區(qū)域經(jīng)過(guò)相位一致性計(jì)算的結(jié)構(gòu)信息(見(jiàn)圖6(a))和灰度信息(見(jiàn)圖6(b))，可以發(fā)現(xiàn)通過(guò)相位信息能更有效地區(qū)分HE和非HE。為了避免其他紅色病灶和血管等的影響，只提取相位一致性圖中與滲出物候選區(qū)對(duì)應(yīng)的部分，計(jì)算其均值、中值、方差、最大值及最小值為用于訓(xùn)練的5個(gè)特征。

圖6 HE候選區(qū)相位信息與灰度信息對(duì)比。(a) 候選區(qū)相位信息(b) 候選區(qū)灰度信息Fig.6 Comparison between phase information and grayscale information of HE candidates. (a) Phase information; (b) Grayscale information

結(jié)合HE候選區(qū)的形狀特征、直方圖統(tǒng)計(jì)特征及相位特征，最終形成一個(gè)12維的特征向量，以便進(jìn)一步利用分類(lèi)器來(lái)有效區(qū)分HE和非HE。

1.2.2 SVM分類(lèi)

根據(jù)特征提取得到的特征向量，需要將滲出物候選區(qū)域分為HE和非HE兩類(lèi)，這里采用二類(lèi)SVM分類(lèi)模型。經(jīng)比較，本方法SVM分類(lèi)器選擇徑向基核函數(shù)，并采用交叉驗(yàn)證的方法選取最優(yōu)參數(shù)。在實(shí)驗(yàn)中，選用包括510個(gè)(345個(gè)訓(xùn)練，165個(gè)驗(yàn)證)滲出物候選區(qū)域進(jìn)行模型的訓(xùn)練與驗(yàn)證。用該模型測(cè)試其他含有HE候選目標(biāo)的眼底圖像，完成HE的精確提取。

1.3 實(shí)驗(yàn)對(duì)象與評(píng)價(jià)參數(shù)

本方法以公開(kāi)數(shù)據(jù)庫(kù)DIARETDB1[22]和HEI-MED[23]為實(shí)驗(yàn)對(duì)象。數(shù)據(jù)庫(kù)DIARETDB1包含89幅分辨率為1500×1152的彩色眼底圖像，其中47幅圖像包含HE，33幅圖像包含棉絨斑，伴隨存在出血斑和微動(dòng)脈瘤等病變。數(shù)據(jù)庫(kù)HEI-MED專(zhuān)門(mén)用于滲出物和糖尿病性黃斑水腫算法的驗(yàn)證，包括169幅來(lái)自不同種族且處于不同病變等級(jí)的病人，像素大小為2196×1968。

對(duì)于每幅眼底圖像，若醫(yī)生診斷某個(gè)體為患病的區(qū)域(或圖像)，算法給出相同或者不同的結(jié)果，則分別稱(chēng)為真陽(yáng)性(TP)和假陰性(FN)；同理，醫(yī)生診斷結(jié)果為正常的區(qū)域(或圖像)，算法給出相同或不同的結(jié)果，則分別稱(chēng)為真陰性(TN)和假陽(yáng)性(FP)。在此基礎(chǔ)上，通過(guò)定義靈敏度(sensitivity，SE)、特異性(specificity，SP)、預(yù)測(cè)率(positive predictive value，PPV)、準(zhǔn)確率(accuracy，AC)等參數(shù)[24]來(lái)評(píng)價(jià)算法的優(yōu)劣，有

SE=TP/(TP+FN)

(11)

SP=TN/(FP+TN)

(12)

PPV=TP/(TP+FP)

(13)

AC=(TP+TN)/(TP+FP+TN+FN)

(14)

2 實(shí)驗(yàn)結(jié)果

圖7為4幅不同眼底圖像HE檢測(cè)結(jié)果及與圖庫(kù)標(biāo)準(zhǔn)的對(duì)比。需要說(shuō)明的是，該圖庫(kù)所提供的真值圖并非滲出物的精確結(jié)果，而是專(zhuān)家手動(dòng)標(biāo)注的可能存在HE的區(qū)域(見(jiàn)圖7第3列中紫色塊狀區(qū)域)。另外，本方法的精確檢測(cè)結(jié)果經(jīng)過(guò)了天津醫(yī)科大學(xué)眼科醫(yī)院和天津醫(yī)科大學(xué)代謝病醫(yī)院專(zhuān)家的確認(rèn)。從圖7中可以看出，無(wú)論是亮度較低、HE較多且比較明顯的眼底圖像(見(jiàn)圖7第1行和第2行)，還是亮度高、HE不易分辨的眼底圖像(見(jiàn)圖7第3行)，本方法都可以準(zhǔn)確檢測(cè)滲出物；對(duì)于存在極易誤檢的黃斑反射的健康眼底圖像(見(jiàn)圖第4行)，本方法也能正確檢測(cè)。

圖7 HE檢測(cè)結(jié)果。(a)原始圖像；(b)本方法檢測(cè)結(jié)果；(c) 本方法檢測(cè)結(jié)果與專(zhuān)家標(biāo)注對(duì)比Fig.7 Results of HE detection. (a)Original images; (b) Results by the proposed method; (c)Contrast of results of experts labeled image

筆者在病灶級(jí)和圖像級(jí)兩個(gè)水平上，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)價(jià)。由于識(shí)別結(jié)果中一般假陽(yáng)性區(qū)域(FP)相對(duì)于真陰性區(qū)域(TN)所占的比例很低，其特異性(SP)都接近于100%而沒(méi)有明顯的區(qū)分度，因此病灶級(jí)評(píng)價(jià)選用區(qū)分度較高的靈敏度(SE)和預(yù)測(cè)率(PPV)，圖像級(jí)評(píng)價(jià)選用靈敏度(SE)、特異性(SP)和準(zhǔn)確度(AC)3個(gè)參數(shù)。對(duì)本方法與其他典型的HE檢測(cè)方法進(jìn)行比較，結(jié)果如表1所示。

表1 本方法與其他方法比較

可見(jiàn)，本方法在圖像級(jí)取得較高特異性(SP)和準(zhǔn)確率(AC)，Sánchez等人的方法在圖像級(jí)SE、SP和AC都達(dá)到100%，這與其所有被測(cè)試圖像都包含較清晰的HE有關(guān)。在本研究中，病灶級(jí)靈敏度相對(duì)較低，但是鑒于HE都是一組組出現(xiàn)，對(duì)于一幅含有HE的眼底圖像，個(gè)別不易辨別的HE漏檢在容忍度之內(nèi)，且結(jié)果高于英國(guó)糖尿病協(xié)會(huì)提出的糖尿病病灶篩查算法的標(biāo)準(zhǔn)，在此基礎(chǔ)上提高了陽(yáng)性預(yù)測(cè)值。

3 討論

眼底圖像滲出物檢測(cè)主要存在3個(gè)挑戰(zhàn)：一是眼底圖像中常見(jiàn)光照不均勻、對(duì)比度差異大、不同圖像間顏色變化大等現(xiàn)象,因此要求滲出物檢測(cè)的方法能夠處理這些差異性；二是在一幅眼底圖像中,滲出的尺寸大小變化范圍很大,且位置分布情況無(wú)規(guī)律性，對(duì)此宜采用逐步求精的檢測(cè)方法；三是眼底圖像中存在許多亮度較高的組織結(jié)構(gòu)以及其他病變(如視盤(pán)、棉絮斑、激光斑等)，易對(duì)HE的檢測(cè)造成干擾，因此需要研究區(qū)分HE與這些干擾項(xiàng)的特征。

本方法通過(guò)合理估計(jì)眼底圖像的背景，避免了不同眼底圖像在對(duì)比度、色彩等方面的差異性對(duì)HE檢測(cè)的影響，同時(shí)采用了先提取HE候選區(qū)、再通過(guò)分類(lèi)器精確檢測(cè)的策略。對(duì)于視盤(pán)等眼底本身結(jié)構(gòu)的去除，因其位置形狀比較固定，采用了專(zhuān)門(mén)檢測(cè)視盤(pán)的算法掩膜去除；而棉絮斑、激光斑以及黃斑反射等偽目標(biāo)通過(guò)特征提取，得到了有效的篩除。然而，對(duì)于個(gè)別眼底圖像，由于局部對(duì)比度差，導(dǎo)致HE特性不顯著，與背景極其相似，因而出現(xiàn)一定的漏檢(見(jiàn)圖8(a))；另外，由于拍攝環(huán)境等因素，導(dǎo)致個(gè)別眼底圖像出現(xiàn)了過(guò)于明顯的視神經(jīng)纖維，因其在血管旁邊，造成了邊緣清晰的假象，導(dǎo)致了誤檢(見(jiàn)圖8(b))。

圖8 HE誤檢和漏檢情況。(a)漏檢；(b)誤檢Fig.8 Situations of missing and erroneous detection of HE.(a) Erroneous detection; (b) Missing detection

為了減少漏檢和誤檢，未來(lái)需要進(jìn)一步提取其他方面的特征，同時(shí)增加合適的預(yù)處理步驟。

4 結(jié)論

本研究提出一種基于背景估計(jì)和SVM分類(lèi)器的眼底圖像硬性滲出物檢測(cè)方法。首先，通過(guò)背景估計(jì)和基于Kirsch算子的邊緣信息，完成HE候選區(qū)域的檢測(cè)；然后，提取包括基于相位一致性特征的12維特征向量，設(shè)計(jì)SVM分類(lèi)器對(duì)候選目標(biāo)進(jìn)行分類(lèi)，達(dá)到HE的精確提取。相比其他方法，本方法并非單獨(dú)通過(guò)亮度信息確定候選區(qū)域，而是將亮度信息與邊緣信息結(jié)合，從而使候選區(qū)域在包含所有HE的同時(shí)盡量減少偽目標(biāo)。另外，眼底圖像因拍攝環(huán)境會(huì)導(dǎo)致圖像亮度和對(duì)比度具有很大差異性，相位信息具有亮度和對(duì)比度不變性及良好的抗噪性能，在特征提取階段結(jié)合相位一致性，將其作為特征進(jìn)行分類(lèi)具有明顯的優(yōu)勢(shì)。通過(guò)對(duì)DIARETDB1和HEI-MED庫(kù)中圖像進(jìn)行實(shí)驗(yàn)，證明了本方法的可行性和優(yōu)越性。

[1] Walter T, Klein JC, Massin P,etal. A contribution of image processing to the diagnosis of diabetic retinopathy detection of exudates in color fundus images of the human retina [J]. IEEE Transactions on Medical Imaging, 2002, 21(10): 1236-1243.

[2] Welfer D, Scharcanski J, Marinho DR. A coarse-to-fine strategy for automatically detecting exudates in color eye fundus images [J]. Computerized Medical Imaging Graphics, 2010, 34(3): 228-235.

[3] Gandhi M, Dhanasekaran R. Diagnosis of diabetic retinopathy using morphological process and SVM classifier[C] //International Conference on Communication and Signal Processing. Washington: IEEE, 2013: 873-877.

[4] Ravishankar S, Jain A, Mittal A. Automated feature extraction for early detection of diabetic retinopathy in fundus images[C] //Computer Society Conference on Computer Vision and Pattern Recognition Workshops. Piscataway: IEEE, 2009: 210-217.

[5] Sopharak A, Uyyanonvara B, Barman S. Automatic exudate detection for diabetic retinopathy screening [J]. Science Asia, 2009, (35): 80-88.

[6] Zhang Xiaohui, Chutatape O. Top-down and bottom-up strategies in lesion detection of background diabetic retinopathy[C] //Proceedings of 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego: IEEE, 2005 (2): 422-428.

[7] Jayakumari C, Maruthi R. Detection of hard exudates in color fundus images of the human retina [J]. Procedia Engineering, 2012,(30): 297-302.

[8] Wang Huan, Hsu W, Goh KG. An effective approach to detect lesions in color retinal images[C] //IEEE Conference on Computer Vision and Pattern Recognition. Hilton Head Island: IEEE, 2000: 181-186.

[9] Osareh A. Automated identification of diabetic retinal exudates and the optic disc [D]. Bristol: University of Bristol, 2004.

[10] Sánchez C, Hornero R, López M. A novel automatic image processing algorithm for detection of hard exudates based on retinal image analysis [J]. Medical Engineering and Physics, 2008, 30(3): 350-357.

[11] García M, Sánchez C, López M. Neural network based detection of hard exudates in retinal images [J]. Computer Methods and Programs in Biomedicine, 2009, 93(1): 9-19.

[12] Niemeijer M, Ginneken B, Russell SR,etal. Automated detection and differentiation of drusen, exudates and cotton-wool spots in digital color fundus photographs for diabetic retinopathy diagnosis [J]. Investigative Ophthalmology & Visual Science, 2007, 48(5): 2260-2267.

[13] Sae-Tang W, Chiracharit W, Kumwilaisak W. Exudates detection in fundus image using non-uniform illumination background subtraction[C] //TENCON 2010 IEEE Region 10 Conference. Piscataway: Institute of Electrical and Electronics Engineers, 2010: 204-209.

[14] Sagar AV, Balasubramaniam S, Chandrasekaran V. A Novel Integrated Approach Using Dynamic Thresholding and Edge Detection (IDTED) for Automatic Detection of Exudates in Digital Fundus Retinal Images[C] //Proceedings of the International Conference on Computing: Theory and Applications. Kolkata: IEEE, 2007: 705-710.

[15] Fleming AD, Philip S, Goatman KA,etal. Automated microaneurysm detection using local contrast normalization and local vessel detection[J]. IEEE Transactions on Medical Imaging, 2006, 25: 1223-1232.

[16] Vincent L. Morphological grayscale reconstruction in image analysis: applications and efficient algorithms[J]. IEsEE Transactions on Image Processing, 1993, 2(2): 176-201.

[17] Kirsch RA. Computer determination of the constituent structure of biological images[J]. Computers and Biomedical Research, 1971, 4(3): 315-328.

[18] Sánchez CI, García M, Mayo A. Retinal image analysis based on mixture models to detect hard exudates[J]. Medical Image Analysis, 2009, 13(4): 650-658.

[19] Morrone MC, Owens RA. Feature detection from local energy [J]. Pattern Recognition Letters, 1987, 6(5): 303-313.

[20] Venkatesh S, Owens RA. An energy feature detection scheme [C] //Proceedings of International Conference on Image Processing. Singapore City: IEEE, 1989: 553-557.

[21] Kovesi P. Image features from phase congruency [J]. Journal of Computer Vision Research, 1999, 1(3): 1-26.

[22] Kauppi T, Kalesnykiene V, Kamarainen J. The DIARETDB1 diabetic retinopathy database and evaluation protocol [C] //Proceedings of the British Machine Vision Conference. Warwick: British Machine Vision Association, 2007: 61-65.

[23] Giancardo L, Meriaudeau F. Exudate-based diabetic macular edema detection in fundus images using publicly available datasets[J]. Medical Image Analysis, 2012, 16(1): 216-226.

[24] Akobeng A. Understanding diagnostic tests 2: likelihood ratios, pre and post-test probabilities and their use in clinical practice [J]. Acta Paediatrica, 2007, 96(4):487-491.

Hard Exudates Detection Method Based on Background-Estimation and SVM Classifier

Xiao Zhitao1Wang Wen1Geng Lei1*Zhang Fang1Wu Jun1Zhao Beifang1Zhang Xinpeng1Su Long2Chen Liming3Shan Chunyan3

1(SchoolofElectronicsandInformationEngineering,TianjinPolytechnicUniversity,Tianjin300387,China)2(TianjinMedicalUniversityEyeHospital,Tianjin300384,China)3(TianjinMedicalUniversityMetabolicDiseaseHospital,Tianjin300070,China)

Hard exudates (HE) are early symptoms of diabetic retinopathy (DR) and main symptom of macular edema. Hence, HE detection is very important for clinical diagnosis. In this paper, a new method based on background-estimation and SVM classifier for hard exudates detection is presented. Firstly, foreground map containing all bright objects is obtained by background-estimation. The HE candidates are gotten using the edge information based on Kirsch operator, and then the optic disc is removed. Finally, the shape features, histogram statistic features and phase features of the HE candidates are extracted before using the SVM classifier so that the accurate extraction of HE is obtained. Our method has been tested on the public databases of DIARETDB1 and HEI-MED. The experiment results show that the method’s sensitivity is 97.3% and the specificity is 90% at the image level, the mean sensitivity is 84.6% and the mean predictive value is 94.4% at the lesion level. The performance of the proposed method shows considerable efficiency for hard exudates detection.

hard exudates; diabetic retinopathy; background-estimation; phase congruency; support vector machine (SVM)

10.3969/j.issn.0258-8021. 2015. 06.012

2014-12-25， 錄用日期:2015-10-08

天津市科技支撐計(jì)劃重點(diǎn)項(xiàng)目(13ZCZDGX02100)；天津市應(yīng)用基礎(chǔ)與前沿技術(shù)研究計(jì)劃一般項(xiàng)目(15JCYBJC16600)

R318

A

0258-8021(2015) 06-0720-09

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