高向軍
(商丘師范學(xué)院計(jì)算機(jī)與信息技術(shù)學(xué)院,河南 商丘476000)
作為人體血脈網(wǎng)絡(luò)的一部分,視網(wǎng)膜血管的長度、寬度、彎曲度及分支角度等形態(tài)參數(shù)是否有變化,以及是否有增生、滲出,均可反映全身血管的病變[1]。實(shí)現(xiàn)對眼底血管網(wǎng)絡(luò)的特征信息分析,對于輔助診斷眼部疾病和一些全局性病變都有價(jià)值。
由于視網(wǎng)膜血管網(wǎng)絡(luò)呈復(fù)雜的樹狀結(jié)構(gòu),擁有豐富的分枝,多樣,同時(shí)細(xì)小血管與背景之間的對比度較弱,使得視網(wǎng)膜血管分割成為一個(gè)充滿挑戰(zhàn)的課題。彩色眼底照相(CFP)、眼底熒光素血管造影(FFA)等眼底影像受到廣泛關(guān)注,已經(jīng)產(chǎn)生大量血管分割算法,綜述[2]按照不同角度對視網(wǎng)膜血管的分割算法做了很好的回顧。根據(jù)所用的圖像處理理論和算法,將視網(wǎng)膜血管分割算法分為六類:(1)模式識別技術(shù);(2)匹配濾波;(3)血管追蹤;(4)數(shù)學(xué)形態(tài)學(xué);(5)多尺度方法;(6)基于模型的方法。分析各種血管分割算法,其實(shí)質(zhì)離不開對醫(yī)學(xué)影像中的血管形態(tài)信息進(jìn)行特征建模。模式識別技術(shù)通常是對血管的灰度、梯度等局部特征的建模和分類;匹配濾波利用了血管的橫斷面近似高斯模型或混合高斯模型;追蹤算法離不開對局部血管的尺寸、方向、曲率、線性度、對比度的漸變性來實(shí)現(xiàn)血管的逐步遞推和跟蹤檢測;多尺度方法通常利用了血管網(wǎng)絡(luò)的分段線性尺度特性;基于模型的分割算法更是利用血管的局部灰度、梯度等特征信息進(jìn)行能量函數(shù)建模。
基于此,本文從視網(wǎng)膜血管在各種醫(yī)學(xué)影像中特征表現(xiàn)展開分析,對常規(guī)的視網(wǎng)膜血管建模方法做了性能比對,讓讀者能夠從另一種角度理解把握目前的視網(wǎng)膜血管分割算法,從而提出更加合適的視網(wǎng)膜血管分割算法。
利用眼底照相機(jī)對眼球內(nèi)壁進(jìn)行不同角度的拍攝,能夠獲取二維的視網(wǎng)膜影像。眼底照相機(jī)一般有三種操作模式:在白色光源下,能夠獲取真彩色眼底圖像;濾除紅色圖像光后,能夠獲取血管對比度高的眼底圖像;注射熒光劑后,可以獲取眼底熒光素血管影像。血管注射熒光素鈉后,利用490納米的藍(lán)色光源能夠激發(fā)血管中的熒光,從而獲取血管高亮的視網(wǎng)膜血管影像,如圖1所示。
圖1 眼底熒光素血管影像[3]
由圖1看出視網(wǎng)膜血管的形態(tài)信息:(1)視網(wǎng)膜血管是分段線性的網(wǎng)狀結(jié)構(gòu);(2)血管的灰度值與背景存在灰度差,但是在細(xì)小血管處,灰度差很??;(3)血管的寬度差別很大,從視盤出發(fā),血管寬度從十幾個(gè)像素減少到一兩個(gè)像素;(4)血管橫斷剖面近似于高斯分布或混合高斯分布。
目前有許多視網(wǎng)膜醫(yī)學(xué)影像的公用數(shù)據(jù)庫[2]。其中DRIVE和STARE兩大眼底圖像數(shù)據(jù)庫分別提供了不同眼底照相機(jī)從不同角度獲取的彩色眼底圖像,兩者都有兩套眼科專家手工分割的視網(wǎng)膜血管網(wǎng)絡(luò)作為金標(biāo)準(zhǔn),便于視網(wǎng)膜血管分割算法的性能比較。
表1總結(jié)了視網(wǎng)膜血管網(wǎng)絡(luò)的特征表現(xiàn),并給出常見的特征模型及其存在的主要問題。由表1看出,僅對血管的一個(gè)屬性進(jìn)行建模無法有效分割目標(biāo)。管狀器官的局部特征便于提取和建模,廣泛應(yīng)用于視網(wǎng)膜的血管分割,包括對圖像的濾波和增強(qiáng)。管狀器官的全局特征為分割算法提供全局空間一致性信息,便于處理圖像的局部噪聲和分割不連續(xù)的管狀器官。但是由于全局特征的獲取復(fù)雜度高,該類算法值得進(jìn)一步研究。
表1 視網(wǎng)膜血管的特征表現(xiàn)及常見特征模型
Hessian矩陣的本征值分析是血管增強(qiáng)的最常用工具[4]?;贖essian矩陣的管狀檢測器通常選用不同的測量尺度來檢測目標(biāo),并且將所有尺度下的最大尺寸合并為一個(gè)多尺度響應(yīng)。但是Hessian匹配濾波存在三個(gè)問題:(1)采用Gaussian函數(shù)與圖像進(jìn)行卷積計(jì)算梯度向量場,會導(dǎo)致邊界模糊;(2)由Hessian矩陣特征值定義的管狀結(jié)構(gòu)度量函數(shù)難以分割分叉點(diǎn);(3)需要在多尺度空間下,獲取不同尺度下的管狀結(jié)構(gòu)最大響應(yīng),計(jì)算量大。
Xu和Prince提出的梯度向量場(GVF)[5]能夠?qū)崿F(xiàn)圖像的邊界梯度信息向目標(biāo)中心的擴(kuò)散。由于來自管狀器官邊界的梯度向量在中心處相互抵消,導(dǎo)致GVF向量場在管狀器官的中心處幾乎為零,恰好對應(yīng)多尺度檢測的最大尺度響應(yīng),因此可以采用Jacobian矩陣代替?zhèn)鹘y(tǒng)多尺度下的Hessain矩陣進(jìn)行血管檢測[2]。根據(jù)Jacobian矩陣的特征值和特征向量信息可以進(jìn)行三個(gè)方面的應(yīng)用:(1)進(jìn)行管狀結(jié)構(gòu)檢測,增強(qiáng)管狀器官;(2)管腔脊線生成,經(jīng)過細(xì)化可以作為血管中心線;(3)提供細(xì)小血管的方向信息,從而為視網(wǎng)膜血管的交叉、分支在3維空間的走向提供信息。
由于視網(wǎng)膜血管網(wǎng)絡(luò)形態(tài)復(fù)雜、位置特殊,準(zhǔn)確提取視網(wǎng)膜血管網(wǎng)絡(luò),為心血管和眼科疾病的診斷提供幫助,成為許多計(jì)算機(jī)輔助治療系統(tǒng)的研究核心。由此產(chǎn)生了大量分割提取視網(wǎng)膜血管的算法和成果,但是依然存在許多問題有待解決。比如,有關(guān)分割已經(jīng)病變或存有噪音的視網(wǎng)膜血管的算法很少;算法復(fù)雜度高,對高分辨率的醫(yī)學(xué)影像進(jìn)行血管分割依然具有很大的挑戰(zhàn)。許多算法局限于對DRIVE和STARE數(shù)據(jù)庫的圖像進(jìn)行分析,性能測量僅限局部的特定形態(tài)特征。兩大公用數(shù)據(jù)庫的圖像數(shù)據(jù)缺少圖片之間的相關(guān)信息,比如,片內(nèi)或片間的灰度變換,相鄰圖片之間的對比度和不均勻的背景灰度不斷漂移等信息。充分利用這些全局性的血管特征信息是進(jìn)行視網(wǎng)膜血管分割及分析的方向。
[1]Cheng S C,Huang Y M.A novel approach to diagnose diabetes based on the fractal characteristics of retinal images[J].Information Technology in Biomedicine,IEEE Transactions on,2003,7(3):163-170.
[2]FrazMM,RemagninoP,HoppeA,etal.Bloodvessel segmentationmethodologies in retinal images-a survey[J].Computer methods and programs in biomedicine,2012,108(1):407-433.
[3]Arevalo,J.Fernando.Retinal angiography and optical coherence tomography[M].New York:Springer,2009.
[4]Frangi A F,Niessen W J,Vincken K L,et al.Multi-scale vessel enhancement filtering [M]//Medical Image Computing and Computer-Assisted Interventation MICCAI’98.Springer Berlin Heidelberg,1998:130-137.
[5]Xu C,Prince J L.Snakes,shapes,and gradient vector flow[J].Image Processing,IEEE Transactions on,1998,7(3):359-369.