基于k均值聚類(lèi)和自適應(yīng)模板匹配的眼底出血點(diǎn)檢測(cè)方法

肖志濤 趙北方 張 芳* 耿 磊 吳 駿 王 雯 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k均值聚類(lèi)和自適應(yīng)模板匹配的眼底出血點(diǎn)檢測(cè)方法

肖志濤1趙北方1張 芳1*耿 磊1吳 駿1王 雯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)

眼底出血點(diǎn)是糖尿病視網(wǎng)膜病變的早期癥狀，準(zhǔn)確檢測(cè)眼底圖像中的出血點(diǎn)，對(duì)于構(gòu)建糖尿病視網(wǎng)膜病變的自動(dòng)篩查系統(tǒng)具有重要意義，本研究提出了一種基于k均值聚類(lèi)和自適應(yīng)模板匹配的出血點(diǎn)檢測(cè)方法。首先利用HSV空間亮度校正以及對(duì)比度受限自適應(yīng)直方圖均衡化方法對(duì)眼底圖像進(jìn)行預(yù)處理，然后使用k均值聚類(lèi)分割出候選目標(biāo)，最后利用自適應(yīng)歸一化互相關(guān)模板匹配與支持向量機(jī)(SVM)分類(lèi)器對(duì)候選目標(biāo)進(jìn)行篩選，從而得到真正的出血區(qū)。采用DIARETDB數(shù)據(jù)庫(kù)的219幅眼底圖像進(jìn)行實(shí)驗(yàn)，本方法在圖像水平的靈敏度為100%，特異性為80%，準(zhǔn)確率為92.4%，在病灶水平的靈敏度為89%，陽(yáng)性預(yù)測(cè)值為87.3%。結(jié)果表明本方法能夠?qū)崿F(xiàn)眼底圖像中出血點(diǎn)的自動(dòng)檢測(cè)。

眼底圖像；出血點(diǎn)；k均值聚類(lèi)；自適應(yīng)模板匹配；支持向量機(jī)

引言

隨著生活水平的提高和生活模式的轉(zhuǎn)變，糖尿病已經(jīng)成為導(dǎo)致人類(lèi)病殘和死亡的重要原因之一。糖尿病視網(wǎng)膜病變(diabetic retinopathy，DR)是糖尿病最為常見(jiàn)和嚴(yán)重的微血管并發(fā)癥，是目前全世界范圍內(nèi)成年人群致盲的主要原因，其患病率隨患病時(shí)間和年齡的增長(zhǎng)而升高，給人類(lèi)健康和社會(huì)發(fā)展帶來(lái)了沉重的負(fù)擔(dān)，已經(jīng)成為嚴(yán)重的全球性問(wèn)題。出血點(diǎn)是DR的早期癥狀，多位于毛細(xì)血管靜脈端、視網(wǎng)膜深層，呈紅色或暗紅色，為圓形斑點(diǎn)狀。對(duì)其進(jìn)行準(zhǔn)確檢測(cè)，對(duì)于實(shí)現(xiàn)DR的自動(dòng)篩查、有效評(píng)估和抑制病情的發(fā)展具有重要意義。

目前，已有很多學(xué)者對(duì)出血點(diǎn)的檢測(cè)進(jìn)行了研究，主要方法有3種。一是數(shù)學(xué)形態(tài)學(xué)方法，Ravishankar等和Jaafar等利用形態(tài)學(xué)填充的方法檢測(cè)紅色病灶[1-2]；Nutnaree等使用形態(tài)學(xué)高帽變換方法得到出血點(diǎn)[3]。二是分類(lèi)器方法，Li等提出了一種基于網(wǎng)格特征分類(lèi)的視網(wǎng)膜大面積出血的檢測(cè)方法[4]；Niemeijer等對(duì)眼底圖像中每個(gè)像素進(jìn)行分類(lèi)，分割出血管和紅色病灶，再利用K近鄰分類(lèi)得到真正的紅色病灶區(qū)，該方法復(fù)雜度高且計(jì)算時(shí)間長(zhǎng)[5]。三是灰度分析方法，Hatanaka等利用基于背景估計(jì)的方法及歐氏距離分類(lèi)器檢測(cè)出血點(diǎn)[6-7]；Saleh等使用背景估計(jì)建立了一個(gè)DR自動(dòng)診斷系統(tǒng)[8]；García等使用局部灰度分析的方法找到紅色病灶的候選區(qū)，然后利用分類(lèi)器實(shí)現(xiàn)紅色病灶的自動(dòng)檢測(cè)[9-10]。其中文獻(xiàn)[9]使用多層感知器(multilayer perceptron，MLP)分類(lèi)，文獻(xiàn)[10]嘗試了MLP、徑向基函數(shù)(radial basis function，RBF)、支持向量機(jī)(support vector machine，SVM)及以上3種按照多數(shù)投票(majority voting，MV)準(zhǔn)則結(jié)合的分類(lèi)器。另外，Kande等使用匹配濾波檢測(cè)紅色病灶[11]；Bae等把多模板匹配的方法應(yīng)用于出血點(diǎn)的檢測(cè)[12]；Devaraj等用自適應(yīng)閾值的方法檢測(cè)DR紅色病灶，該方法簡(jiǎn)單，但適用性不強(qiáng)[13]。

雖然上述方法均實(shí)現(xiàn)了出血點(diǎn)的自動(dòng)檢測(cè)，但存在誤檢率高、漏檢率高、運(yùn)算復(fù)雜等問(wèn)題。主要原因是這些方法使用固定的尺寸檢測(cè)出血點(diǎn)，沒(méi)有考慮到出血點(diǎn)大小不一的特點(diǎn)，為此，本研究提出一種基于k均值聚類(lèi)和自適應(yīng)模板匹配的眼底圖像出血點(diǎn)檢測(cè)方法。k均值聚類(lèi)是一種基于距離的自適應(yīng)搜索算法，使用該算法能夠確保分割出所有的出血點(diǎn)，自適應(yīng)的模板會(huì)根據(jù)出血點(diǎn)的大小自適應(yīng)生成尺寸合適的窗口，進(jìn)行快速檢測(cè)，消除待檢目標(biāo)尺寸的限制。本方法的檢測(cè)過(guò)程如圖1所示，主要包括預(yù)處理、候選目標(biāo)提取和候選目標(biāo)篩選等3個(gè)部分。首先對(duì)眼底圖像進(jìn)行亮度校正和對(duì)比度增強(qiáng)，消除光照不均的影響并提高出血點(diǎn)與眼底背景間的對(duì)比度；然后進(jìn)行k均值聚類(lèi)分割出眼底圖像中的暗區(qū)域，在此基礎(chǔ)上移除血管，得到出血點(diǎn)的候選目標(biāo)；最后通過(guò)自適應(yīng)模板匹配和SVM分類(lèi)器對(duì)候選目標(biāo)進(jìn)行篩選，獲得真正的出血點(diǎn)。

圖1 出血點(diǎn)檢測(cè)過(guò)程框圖Fig.1 Block diagram of hemorrhages detection

1 材料與方法

1.1預(yù)處理

拍攝眼底圖像的過(guò)程中，因光照等影響會(huì)出現(xiàn)亮度不均的現(xiàn)象，因此，本研究首先進(jìn)行亮度校正。在HSV空間中，將亮度值V(i,j)校正為Bc(i,j)

(1)

原始圖像及其亮度校正后的圖像如圖2所示。

圖2 原始圖像及其亮度校正結(jié)果。(a)原始圖像；(b)亮度校正結(jié)果Fig.2 Original image and result of brightness correction. (a)Original image；(b)Result of brightness correction

亮度校正后，眼底圖像紅、綠、藍(lán)各通道圖像如圖3所示。從圖中可以看出，相對(duì)于紅色通道和藍(lán)色通道的圖像，綠色通道圖像的對(duì)比度最高，包含的出血點(diǎn)特征最為明顯。因此，選擇綠色通道進(jìn)行出血點(diǎn)的檢測(cè)。

圖3 眼底圖像各通道圖像。(a)紅色通道；(b)綠色通道；(c)藍(lán)色通道Fig.3 Each channel images. (a)The red channel；(b)The green channel；(c)The blue channel

采用對(duì)比度受限自適應(yīng)直方圖均衡化(contrast limited adaptive histogram equalization，CLAHE)算法提高出血點(diǎn)與背景之間的對(duì)比度。CLAHE可以增強(qiáng)感興趣對(duì)象的細(xì)節(jié)，同時(shí)克服噪聲過(guò)度放大的問(wèn)題。對(duì)綠色通道進(jìn)行CLAHE后，結(jié)果如圖4所示。

圖4 CLAHE結(jié)果Fig.4 Result of CLAHE

1.2候選目標(biāo)提取

從圖4可以看出，出血點(diǎn)對(duì)應(yīng)圖中灰度值較低的暗目標(biāo)，所以首先估計(jì)背景灰度值找到圖中的暗區(qū)域，實(shí)現(xiàn)出血點(diǎn)的粗分割，即

(2)

式中，Ip為預(yù)處理后的圖像，Ib是用大尺寸窗口對(duì)Ip進(jìn)行中值濾波得到的近似背景圖，t為圖像Ip與Ib對(duì)應(yīng)像素相減得到的值。在進(jìn)行背景估計(jì)時(shí)，為了保證大出血點(diǎn)的完整性，同時(shí)不漏掉小出血點(diǎn)，根據(jù)眼底圖像的尺寸(本研究選用DIARETDB庫(kù)，圖像大小為1 500像素×1 152像素)和出血點(diǎn)的醫(yī)學(xué)大小在眼底圖像中的比例，本研究選擇的窗口尺寸為80像素×80像素。對(duì)圖像Id再次使用CLAHE提高對(duì)比度，并用窗口尺寸為5像素×5像素的中值濾波去除噪聲，得到粗分割結(jié)果，如圖5(a)所示。

經(jīng)過(guò)上述運(yùn)算，原灰度圖像中較暗的出血點(diǎn)均變成明顯的亮目標(biāo)。為了獲得其中的亮目標(biāo)，傳統(tǒng)的做法是對(duì)粗分割結(jié)果進(jìn)行閾值分割。然而，眼底圖像的質(zhì)量不同，難以確定一個(gè)適用于所有圖像的固定閾值。為了克服上述困難，采用k均值聚類(lèi)[14]算法分割出血點(diǎn)候選區(qū)。首先隨機(jī)選取k個(gè)像素點(diǎn)作為初始聚類(lèi)中心，然后計(jì)算各個(gè)像素到各聚類(lèi)中心的歐式距離，把所有像素歸到離它最近的聚類(lèi)中心所在的類(lèi)，對(duì)分配完的每一個(gè)類(lèi)計(jì)算灰度均值作為新的聚類(lèi)中心，繼續(xù)進(jìn)行像素的分配，不斷重復(fù)上述迭代過(guò)程，直至聚類(lèi)準(zhǔn)則函數(shù)式(3)收斂。

(3)

式中，xi為類(lèi)別Ci中的像素灰度值，ci表示類(lèi)別Ci的灰度均值。最終把所有像素分為k個(gè)類(lèi)別，且每個(gè)類(lèi)別內(nèi)灰度差異最小，類(lèi)別間的灰度差異最大。

k值的選取決定了分割的效果，若k過(guò)大，會(huì)造成圖像的過(guò)度分割；反之則會(huì)導(dǎo)致部分出血點(diǎn)和某些偽目標(biāo)混為一類(lèi)。實(shí)驗(yàn)證明k=5時(shí)，能夠提取出所有出血點(diǎn)，聚類(lèi)結(jié)果如圖5(b)所示。其中出血點(diǎn)的灰度值較高，而眼底背景等的灰度值相對(duì)較低，保留聚類(lèi)結(jié)果中灰度級(jí)較高的三類(lèi)作為出血點(diǎn)的初步候選目標(biāo)，如圖5(c)所示。血管和出血點(diǎn)的灰度相近，經(jīng)過(guò)類(lèi)別選擇后仍會(huì)被保留，采用文獻(xiàn)[15]的方法得到血管網(wǎng)絡(luò)，將血管從圖5(e)中移除，得到出血點(diǎn)候選目標(biāo)，如圖5(e)所示。

圖5 候選目標(biāo)提取過(guò)程。(a)粗分割結(jié)果；(b) k均值聚類(lèi)結(jié)果；(c)初步候選目標(biāo)；(d)血管圖；(e)候選目標(biāo)Fig.5 Candidates extraction Process. (a)Coarse segmentation result；(b)Result of k-means clustering；(c)Preliminary candidates；(d)Blood vessel；(e)Candidates

1.3出血點(diǎn)篩選

經(jīng)上述處理過(guò)程提取的出血點(diǎn)候選目標(biāo)中，除包含出血點(diǎn)之外，仍存在血管片段、背景紋理突變部分等非出血點(diǎn)。為了提取出真正的出血點(diǎn)，本研究提出了自適應(yīng)模板匹配方法，結(jié)合SVM分類(lèi)器篩選候選目標(biāo)。

1.3.1自適應(yīng)模板匹配

出血點(diǎn)具有趨于圓形及低灰度值的特征，灰度分布表現(xiàn)為明顯的高斯?fàn)畈ü?，因此可以根?jù)此特征采用模板匹配法篩選出血點(diǎn)。歸一化互相關(guān)(normalized cross correlation，NCC)[16]模板匹配是一種經(jīng)典的圖像匹配算法。模板T在圖像I上從左至右、從上到下搜索，計(jì)算搜索窗口所覆蓋的子圖和模板圖之間的互相關(guān)系數(shù)N(x,y)

(4)

在模板匹配算法中，模板的大小對(duì)匹配結(jié)果至關(guān)重要。眼底圖像中的出血點(diǎn)大小不等，因此本文選用自適應(yīng)的模板。對(duì)每一個(gè)候選目標(biāo)，取其外接矩形長(zhǎng)和寬中的最大值為直徑作圓，使此圓形區(qū)域能夠完全包含該候選目標(biāo)，選取以此圓心為中心、大小為2(r+w)×2(r+w)的矩形區(qū)域設(shè)為模板，如圖6所示，r為模板中心圓的半徑，w為圓到模板邊界的距離。當(dāng)w取值較大時(shí)，模板隨之變大，包含較多背景區(qū)域，增加了計(jì)算的復(fù)雜度；當(dāng)w取值較小時(shí)，包含的背景區(qū)域少，與眼底圖像匹配時(shí)出血點(diǎn)與背景的灰度差異不明顯，降低匹配的敏感程度。經(jīng)多次實(shí)驗(yàn)，研究中選擇w=5。

根據(jù)圖5(e)中候選目標(biāo)的定位結(jié)果，將每一個(gè)候選目標(biāo)在預(yù)處理圖Ip上選取對(duì)應(yīng)的區(qū)域作為子圖，與其對(duì)應(yīng)的模板進(jìn)行NCC匹配，取互相關(guān)系數(shù)的最大值作為匹配結(jié)果的度量值。根據(jù)專(zhuān)家標(biāo)注結(jié)果，本研究計(jì)算出候選目標(biāo)中出血點(diǎn)的度量值概率分布圖，如圖7(a)所示，橫軸為度量值，縱軸為相應(yīng)度量值分布區(qū)間內(nèi)存在的出血點(diǎn)的概率，可以看出，出血點(diǎn)的度量值分布范圍為0.45～0.88之間；圖7(b)為非出血點(diǎn)的度量值概率分布圖，可以看出，非出血點(diǎn)的度量值分布范圍為0.35～0.68之間。通過(guò)對(duì)出血點(diǎn)與非出血點(diǎn)的度量值分布區(qū)間比較可知，度量值<0.45的候選目標(biāo)為偽目標(biāo)并予以剔除，度量值>0.70的候選目標(biāo)認(rèn)為是真正的出血點(diǎn)，如圖8(a)所示，而度量值在0.45～0.70之間的候選目標(biāo)需要進(jìn)一步篩選，如圖8(b)所示。

圖6 模板示意圖Fig.6 Shape of Template

圖7 度量值分布圖。(a)出血點(diǎn)；(b)非出血點(diǎn)Fig.7 Measurement value distribution. (a)Hemorrhages；(b)non-hemorrhages

圖8 自適應(yīng)模板匹配結(jié)果。(a)度量值大于0.7的出血點(diǎn)；(b)需進(jìn)一步篩選的出血點(diǎn)Fig.8 Result of adaptive template matching. (a) Hemorrhages of measurement value greater than 0.7；(b)Further screened hemorrhages

1.3.2SVM分類(lèi)器

模板匹配中度量值在0.45～0.70之間的候選目標(biāo)，利用SVM分類(lèi)器對(duì)其進(jìn)行分類(lèi)篩選。為了能夠精確提取待分類(lèi)目標(biāo)的特征，首先進(jìn)行區(qū)域生長(zhǎng)。以每個(gè)目標(biāo)的形心為種子點(diǎn)，生長(zhǎng)范圍為其外接矩形向四周擴(kuò)展得到的區(qū)域。在生長(zhǎng)過(guò)程中，若擴(kuò)展的范圍較大，可能會(huì)把鄰近的目標(biāo)包含進(jìn)來(lái)；若擴(kuò)展的范圍較小，則不能完全恢復(fù)目標(biāo)本身的形狀，經(jīng)過(guò)實(shí)驗(yàn)，選擇擴(kuò)展10個(gè)像素。在上述范圍內(nèi)的像素點(diǎn)(x,y)，如果其灰度值f(x,y)滿(mǎn)足生長(zhǎng)準(zhǔn)則，則將(x,y)加入?yún)^(qū)域R中。生長(zhǎng)準(zhǔn)則為

|f(x,y)-m|

(5)

式中，m是已生長(zhǎng)區(qū)域R的灰度均值，T0=100，T為每個(gè)生長(zhǎng)范圍的Otsu閾值。

候選目標(biāo)中的非出血點(diǎn)主要是血管和干擾性背景區(qū)域，其中血管的灰度與出血點(diǎn)相近且呈線狀結(jié)構(gòu)，干擾性背景區(qū)域包括紋理突變的背景部分和亮病灶之間的正常眼底部分，前者與周?chē)鷧^(qū)域的對(duì)比度不高，后者周?chē)鷧^(qū)域的灰度值很高，而出血點(diǎn)多趨于圓形或橢圓形，且灰度值較低，與背景間的對(duì)比度較大。因此采取兩個(gè)SVM分類(lèi)器對(duì)候選目標(biāo)進(jìn)行級(jí)聯(lián)分類(lèi)，第1個(gè)分類(lèi)器選用形狀特征區(qū)分血管和出血點(diǎn)，第2個(gè)分類(lèi)器選用灰度特征區(qū)分干擾性背景區(qū)域和出血點(diǎn)。經(jīng)過(guò)大量實(shí)驗(yàn)和比較，最終選擇的特征為

(1)離心率(eccentricity)。

(2)圓度(circularity)，circularity=p2/4πa，p為周長(zhǎng),a為面積。

(3)長(zhǎng)短軸比率(ratio)，ratio=l1/l2，l1和l2分別為與區(qū)域相同二階中心矩的橢圓的長(zhǎng)軸長(zhǎng)度和短軸長(zhǎng)度。

(4)區(qū)域內(nèi)部灰度均值(min)。

(5)區(qū)域外部灰度均值(mout)。

(6)對(duì)比度(md)，md=mout-min。

上述特征中，(1)～(3)為形狀特征，(4)～(6)為灰度特征。兩次候選目標(biāo)的排除結(jié)果分別如圖9中(a)和(b)所示，圖10為本方法在預(yù)處理圖上標(biāo)記的檢測(cè)結(jié)果。

圖9 分類(lèi)器排除偽目標(biāo)結(jié)果。(a)第1個(gè)分類(lèi)器；(b)第2個(gè)分類(lèi)器Fig.9 Classifiers results of false positive reduction. (a)The first classifier；(b)The second classifier

圖10 最終檢測(cè)結(jié)果Fig.10 Detection result

1.4算法驗(yàn)證

采用公開(kāi)數(shù)據(jù)庫(kù)DIARETDB進(jìn)行實(shí)驗(yàn)，共219幅尺寸為1 500像素×1 152像素的彩色眼底圖像，這些圖像來(lái)源于一個(gè)普查項(xiàng)目，眼底相機(jī)以50°視場(chǎng)角度拍攝，專(zhuān)家從數(shù)以千計(jì)來(lái)自不同患者的眼底圖像中進(jìn)行手工挑選，其中包含正常的和存在不同程度病變的圖像，具有很強(qiáng)的代表性。本方法隨機(jī)選擇其中的23幅圖像作為訓(xùn)練集，其他圖像作為測(cè)試集，并與醫(yī)生標(biāo)記的結(jié)果進(jìn)行對(duì)比。

本研究在圖像水平和病灶水平上評(píng)價(jià)檢測(cè)結(jié)果，在圖像水平上計(jì)算靈敏度(sensitivity，SE)、特異性(specificity，SP)、準(zhǔn)確率(accuracy，AC)，在病灶水平上計(jì)算靈敏度和陽(yáng)性預(yù)測(cè)值(positive predict value，PPV)，各指標(biāo)的定義為

SE=TP/(TP+FN)

(6)

SP=TN/(TN+FP)

(7)

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

(8)

PPV=TP/(TP+FP)

(9)

式中，TP為真陽(yáng)性，F(xiàn)P為假陽(yáng)性，TN為真陰性，F(xiàn)N假陰性。對(duì)于檢測(cè)為是出血點(diǎn)的區(qū)域，如果與醫(yī)生標(biāo)記的結(jié)果一致，則為T(mén)P，反之，則為FP；對(duì)于檢測(cè)為無(wú)出血點(diǎn)的區(qū)域，如果與醫(yī)生標(biāo)記的結(jié)果一致，則為T(mén)N，反之，則為FN。靈敏度是對(duì)有出血點(diǎn)的圖像的識(shí)別比率，特異性是對(duì)無(wú)出血點(diǎn)的圖像的識(shí)別比率，準(zhǔn)確率是對(duì)所有圖像能夠正確識(shí)別的比率，陽(yáng)性預(yù)測(cè)值是檢測(cè)為有出血點(diǎn)的圖像中醫(yī)生標(biāo)記有出血點(diǎn)的圖像所占比例，前面4個(gè)值越高代表檢測(cè)效果越好。以上為圖像水平的釋義，病灶水平與之同理。

2 實(shí)驗(yàn)結(jié)果

圖11為本方法對(duì)不同彩色眼底圖像的檢測(cè)結(jié)果，3幅圖像的亮度依次從低到高且均存在對(duì)比度低、光照不均等現(xiàn)象，檢測(cè)結(jié)果用綠色標(biāo)記。按照國(guó)際分期標(biāo)準(zhǔn)，圖(a)有較少的出血點(diǎn)，屬于中度病變，圖(b)和圖(c)有較多的出血點(diǎn)并伴有滲出物，屬于重度病變。實(shí)驗(yàn)結(jié)果表明，在病變程度不同、圖像對(duì)比度低、亮度不同及光照不均的情況下，均能正確地檢測(cè)到出血點(diǎn)，說(shuō)明本方法具有良好的魯棒性。

圖11 本方法的檢測(cè)結(jié)果。(a)～(c)為原圖；(d)～(f)為對(duì)應(yīng)的檢測(cè)結(jié)果圖Fig.11 Detection result of this paper. (a) ～ (c)Original images；(d) ～ (f)Detection results of the proposed method correspondingly

表1為自適應(yīng)模板方法與固定模板方法在圖像水平上的比較，r代表模板半徑。通過(guò)比較可以看出，自適應(yīng)模板的方法效果優(yōu)于固定模板。

本方法與其他方法在圖像水平和病灶水平上的性能比較如表2所示，其中文獻(xiàn)[10]包括4種分類(lèi)器。從表1可以發(fā)現(xiàn)，無(wú)論圖像水平還是病灶水平，本方法的各項(xiàng)指標(biāo)均高于文獻(xiàn)[9]和[10]的方法，結(jié)果表明本方法具有較好的檢測(cè)性能。

表1 自適應(yīng)模板與固定模板的比較Tab.1 Comparison of different templates

表2 本方法與其他方法的比較Tab.2 Comparison of different algorithms

3 討論和結(jié)論

分割效果的好壞、定位是否準(zhǔn)確都將直接影響出血點(diǎn)能否被有效地識(shí)別出來(lái)，聚類(lèi)方法可以根據(jù)圖像特征的相似性對(duì)目標(biāo)進(jìn)行無(wú)監(jiān)督的自動(dòng)分割，因此本文利用k均值聚類(lèi)提取出血點(diǎn)候選目標(biāo)，避免了出血點(diǎn)尺寸對(duì)候選目標(biāo)提取的影響，克服了閾值選取的困難，并且對(duì)灰度變化不敏感，防止出血點(diǎn)遺漏。使用自適應(yīng)模板匹配法進(jìn)行篩選，可根據(jù)候選目標(biāo)的大小自適應(yīng)生成尺寸合適的模板，并與之進(jìn)行匹配，避免了盲目使用大量多尺寸模板進(jìn)行全場(chǎng)掃描。

通過(guò)與固定模板方法比較可知，固定模板不能滿(mǎn)足出血點(diǎn)尺寸差異的特點(diǎn)，產(chǎn)生的漏檢多，使得靈敏度較低，同時(shí)該方法對(duì)出血點(diǎn)的識(shí)別能力差，使得特異性較高，而使用自適應(yīng)的方法盡管特異性不高，但可充分識(shí)別出有病變的圖像，具有更高的準(zhǔn)確率和實(shí)用價(jià)值，故自適應(yīng)模板的方法優(yōu)于固定模板的方法。本方法在圖像水平上檢測(cè)的靈敏度為100%，特異性為80%，準(zhǔn)確率為92.4%，在病灶水平的靈敏度為89%，陽(yáng)性預(yù)測(cè)值為87.3%，各項(xiàng)數(shù)據(jù)表明本方法具有良好的病變檢測(cè)能力，同時(shí)實(shí)驗(yàn)結(jié)果表明本方法對(duì)于對(duì)比度不同、病變程度不同的眼底圖像均可實(shí)現(xiàn)出血點(diǎn)的自動(dòng)檢測(cè)。但是由于眼底圖像的復(fù)雜性，血管、背景組織等因素對(duì)出血點(diǎn)檢測(cè)存在很大干擾，導(dǎo)致本方法仍有一些誤檢和漏檢，因此，在后續(xù)的研究中需進(jìn)一步抑制偽目標(biāo)，通過(guò)提取更全面、更準(zhǔn)確的特征，提高本方法的檢出率和計(jì)算效率。

本研究提出了一種基于k均值聚類(lèi)和自適應(yīng)模板匹配的眼底圖像出血點(diǎn)的檢測(cè)方法。首先采用亮度校正和對(duì)比度增強(qiáng)操作對(duì)圖像進(jìn)行預(yù)處理，然后根據(jù)背景估計(jì)實(shí)現(xiàn)出血點(diǎn)的粗定位，再利用k均值聚類(lèi)提取候選目標(biāo)，最后使用自適應(yīng)模板匹配和SVM分類(lèi)器剔除偽目標(biāo)，獲得真正的出血點(diǎn)，實(shí)現(xiàn)出血點(diǎn)的自動(dòng)檢測(cè)。

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

[2] Jaafar HF, Nandi AK, Al-Nuaimy W. Automated detection of red lesions from digital color fundus photographs [C] //33rd Annual International Conference of the Engineering in Medicine and Biology Society. Boston: IEEE, 2011: 6232-6235.

[3] Nutnaree K, Smith G, Bunyarit U. Automated retinal hemorrhage detection using morphological top hat and rule-based classification [C] //3rd International Conference on Intelligent Computational Systems. Singapore: IEEE, 2013: 39-43.

[4] Li Tang, Niemeijer M, Abramoff MD. Splat feature classification: detection of the presence of large retinal hemorrhages [C] //8th International Symposium on Biomedical Imaging: From Nano to Macro. Chicago: IEEE, 2011: 681-684.

[5] Niemeijer M, Ginneken B, Staal J,etal. Automatic detection of red lesions in digital color fundus photographs [J]. IEEE Transactions on Medical Imaging, 2005,24(5): 584-592．

[6] Hatanaka Y, Nakagawa T, Hayashi Y,etal. CAD scheme to detect hemorrhages and exudates in ocular fundus images [J]. SPIE Medical Imaging: Computer-Aided Diagnosis, 2007,6514(2): 1-8.

[7] Hatanaka Y, Nakagawa T, Hayashi Y,etal. Improvement of automated detection method of hemorrhages in fundus images [C] //30th Annual International Conference of the Engineering in Medicine and Biology Society. Vancouver: IEEE, 2008: 5429-5432.

[8] Saleh MD, Eswaran C. An automated decision-support system for non-proliferative diabetic retinopathy disease based on MA and HA detection [J]. Computer Methods and Programs in Biomedicine, 2012,108(1): 186-196.

[9] García M, Sánchez CI, López MI,etal. Automatic detection of red lesions in retinal images using a multilayer perceptron neural network [C] //30th Annual International Conference of the Engineering in Medicine and Biology Society. Vancouver: IEEE, 2008: 5425-5428.

[10] García M, López MI,lvarez D,etal. Assessment of four neural network based classifiers to automatically detect red lesions in retinal images [J]. Medical Engineering & Physics, 2010,32(10): 1085-1093.

[11] Kande GB, Savithri TS, Subbaiah PV. Automatic detection of microaneurysms and hemorrhages in digital fundus images [J]. Journal of Digital Imaging, 2010,23(4): 430-437.

[12] Bae JP, Kim KG, Kang HC,etal. A study on hemorrhage detection using hybrid method in fundus images [J]. Journal of Digital Imaging, 2011,24(3): 394-404.

[13] Devaraj D, Nagaveena. Detection of red lesion in diabetic retinopathy using adaptive thresholding method [J]. International Journal of Engineering Research & Technology, 2013,2(4): 1889-1892.

[14] Krishna K, Murty MN. Genetic K-means algorithm [J]. IEEE Transactions on System, Man and Cybernetics, 1999,29(3): 433-439.

[15] Vlachos M, Dermatas E. Multi-scale retinal vessel segmentation using line tracking [J]. Computerized Medical Imaging and Graphics, 2010,34(3): 213-227.

[16] Lewis JP. Fast template matching [C] //Canadian Image Processing and Pattern Recognition Society. Quebec: IEEE, 1995: 120-123.

Hemorrhages Detection in Fundus Image Based on k-Means Clustering and Adaptive Template Matching

Xiao Zhitao1Zhao Beifang1Zhang Fang1*Geng Lei1Wu Jun1Wang Wen1Zhang Xinpeng1Su Long2Chen Liming3Shan Chunyan3

1(School of Electronics and Information Engineering, Tianjin Polytechnic University, Tianjin 300387, China)2(Tianjin Medical University Eye Hospital, Tianjin 300384, China)3(Tianjin Medical University Metabolic Disease Hospital, Tianjin 300070, China)

Hemorrhages are early symptoms of diabetic retinopathy (DR), the accurate detection of hemorrhages in fundus images is an important contribution for building automatic screening system of DR, a novel algorithm based onk-means clustering and adaptive template matching was proposed in this work. Firstly, HSV brightness correction and contrast limited adaptive histogram equalization were applied to fundus images. Then, the candidate hemorrhages were extracted by usingk-means clustering. At last, adaptive template matching with normalized cross-correlation and SVM classifier were used to screen the candidates, and the hemorrhages were detected. The approach was evaluated on 219 fundus images from the databases of DIARETDB. Using an image criterion, we achieved 100% sensitivity, 80% specificity and 92.4% accuracy. With a lesion criterion, we reached a sensitivity of 89% and a positive predictive value of 87.3%. The results show that hemorrhages in fundus images can be detected automatically using this method.

fundus images; hemorrhages;k-meansclustering; adaptive template matching; support vector machine (SVM)

10.3969/j.issn.0258-8021. 2015. 03.002

2014-10-08， 錄用日期:2015-04-10

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;TP391.4

A

0258-8021(2015) 03-0264-08

*通信作者(Corresponding author)， E-mail:hhzhangfang@126.com