基于IHBMO-RF 的眼底硬性滲出物檢測(cè)①

趙仕成, 馬 力, 張 偉, 陳 穎, 殷偉東

(南京市衛(wèi)生信息中心, 南京 210003)

1 引言

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展, 人們的生活質(zhì)量得到了很大提高, 飲食結(jié)構(gòu)也不斷改變, 高糖高熱量食物的攝入導(dǎo)致糖尿病的發(fā)病人數(shù)不斷增加[1]. 據(jù)統(tǒng)計(jì), 2017年我國(guó)的糖尿病患者已達(dá)1.14 億, 給國(guó)家?guī)?lái)了嚴(yán)重的社會(huì)和經(jīng)濟(jì)負(fù)擔(dān)[2]. 糖尿病的并發(fā)癥主要在血管硬化、糖尿病腎病、糖尿病足、周圍神經(jīng)病變, 視網(wǎng)膜病變等[3]. 其中糖尿病視網(wǎng)膜病變(diabetic retinopathy,DR)是糖尿病患者最主要的并發(fā)癥之一, 有調(diào)查研究顯示, 在糖尿病人群中10 年的DR 患病率達(dá)60%, 15年的DR 患病率達(dá)75%–80%, 是糖尿病患者致盲的主要原因[4], 對(duì)DR 的早期發(fā)現(xiàn)和診斷能夠有效降低糖尿病患者的失明率, 提高患者的生活質(zhì)量, 減少社會(huì)醫(yī)療支出, 具有重大意義[5].

傳統(tǒng)的DR 檢測(cè)主要依靠專業(yè)醫(yī)師來(lái)人工發(fā)現(xiàn)診斷, 由于存在主觀的判斷和外界因素的干擾, 效率低且錯(cuò)誤率高[6]. 計(jì)算機(jī)輔助系統(tǒng)的出現(xiàn)為DR 篩查提供了新的路徑, 可以有效來(lái)對(duì)DR 進(jìn)行輔助檢查診斷, DR的主要表現(xiàn)是出血斑點(diǎn)、滲出、血管異常等[7], 其中檢測(cè)的關(guān)鍵環(huán)節(jié)就是對(duì)硬性滲出物(hard exudates, HE)的檢測(cè), 硬性滲出物是DR 患者早期的明顯特征[8], 因此如何準(zhǔn)確檢測(cè)到硬性滲出物是計(jì)算機(jī)輔助系統(tǒng)的主要任務(wù).

硬性滲出物準(zhǔn)確檢測(cè)一直是專家學(xué)者研究的熱點(diǎn)之一, 主流的檢測(cè)算法主要分為兩個(gè)大類: 一是先對(duì)眼底圖像的關(guān)鍵結(jié)構(gòu)進(jìn)行分割, 然后對(duì)HE 病變進(jìn)行檢測(cè); 二是先對(duì)眼底圖像進(jìn)行特征提取, 然后使用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等等算法對(duì)圖像進(jìn)行分類, 然后檢測(cè)HE病變結(jié)構(gòu). 高瑋瑋等人通過(guò)Otsu 閾值分割和數(shù)學(xué)形態(tài)學(xué)相結(jié)合的方法快速提取視盤, 再根據(jù)數(shù)學(xué)形態(tài)學(xué)來(lái)構(gòu)建糖尿病視網(wǎng)膜病變的自動(dòng)檢測(cè)的系統(tǒng)[9]. 呂衛(wèi)等人發(fā)現(xiàn)利用單獨(dú)的形態(tài)學(xué)方法對(duì)圖像進(jìn)行增強(qiáng)時(shí), 由于一些外在因素的影響, 存在效果不佳的問(wèn)題, 提出了一種基于改進(jìn)的數(shù)學(xué)形態(tài)學(xué)糖網(wǎng)滲出物的自動(dòng)檢測(cè)方法,主要的改進(jìn)方法是在亮度矯正之后, 通過(guò)多尺度的頂帽變換對(duì)圖像進(jìn)行增強(qiáng), 避免了方向的單一性; 再綜合圖像邊緣信息和亮度信息的方法定位視盤且利用水平集分割視盤, 最后利用背景估計(jì)的方法提取滲出物的輪廓[10]. 段彥華等人提出一種基于Canny 邊緣檢測(cè)算法與形態(tài)學(xué)重構(gòu)相結(jié)合的HE 自動(dòng)檢測(cè)方法, 以解決目前算法靈敏度低、檢測(cè)結(jié)果中視盤和血管的干擾等問(wèn)題[11]. 韓婧通過(guò)對(duì)糖尿病視網(wǎng)膜圖像視盤分割, 然后提出基于BAKFCM 硬性滲出物區(qū)域分割和基于PCAGA-SVM 硬性滲出物分類檢測(cè)全方位來(lái)研究硬性滲出物檢測(cè)算法[2]. Amel 等人主要是對(duì)L 通道進(jìn)行增強(qiáng), 再結(jié)合閾值處理和形態(tài)學(xué)重建消除視盤區(qū)域, 最后使用K-means 聚類、邊緣檢測(cè)及形態(tài)學(xué)重建的方法提取滲出物[12]; Sopharak 等人通過(guò)對(duì)I 通道進(jìn)行增強(qiáng), 然后利用形態(tài)學(xué)的方法分割視盤, 最后再結(jié)合標(biāo)準(zhǔn)差濾波和形態(tài)學(xué)重建的方法檢測(cè)滲出物[13]; Osarah 通過(guò)采用Fuzzy C-Means 聚類獲取滲出物候選區(qū)域, 再通過(guò)分類得到硬性滲出物[14]. Wang 等人利用深度卷積神經(jīng)網(wǎng)絡(luò)和多特征聯(lián)合表示HE 檢測(cè)新方法[15]. Theera-Umpon等人通過(guò)應(yīng)用多種圖像處理技術(shù)檢測(cè)硬滲出物, 使用監(jiān)督學(xué)習(xí)方法對(duì)其進(jìn)行分類, 包括支持向量機(jī)、多層感知器(MLP)網(wǎng)絡(luò)、分層自適應(yīng)神經(jīng)模糊推理系統(tǒng)(分層ANFIS)和卷積神經(jīng)元網(wǎng)絡(luò)[16].

由上述文獻(xiàn)可以看出, 目前基本對(duì)硬性滲出物位置的檢測(cè)都是使用形態(tài)學(xué)或者機(jī)器學(xué)習(xí)的方法, 一旦使用機(jī)器學(xué)習(xí)的算法就要考慮算法最優(yōu)問(wèn)題的解決, 機(jī)器學(xué)習(xí)中大部分的算法不是純粹的凸函數(shù), 或者是凸規(guī)劃, 所以采用迭代下降的方法, 這種研究方法很容易陷入了局部最優(yōu)的困境, 找到的通常是局部最優(yōu), 這樣的模型對(duì)于眼底硬性滲出物的檢測(cè)很不利, 會(huì)影響檢測(cè)的準(zhǔn)確度. 為了解決這個(gè)問(wèn)題, 本文提出一種基于蜜蜂交配優(yōu)化-隨機(jī)森林 (honey bee mating optimizationrandom forests, IHBMO-RF)的眼底硬性滲出物的檢測(cè)算法研究, 優(yōu)化后的IHBMO 算法不僅能快速找到全局最優(yōu), 而且能夠有效精確提取滲出物, 具有很好效果.

2 理論基礎(chǔ)

本文對(duì)提出了基于IHBMO-RF 的眼底硬性滲出物的檢測(cè)算法, 首先對(duì)眼底數(shù)據(jù)集的圖像進(jìn)行預(yù)處理分割, 完成后利用IHBMO-RF 算法對(duì)圖像進(jìn)行分類,得到最終的結(jié)果, 流程見(jiàn)圖1. 下面將對(duì)蜜蜂交配優(yōu)化(HBMO)算法和IHBMO-RF 算法相關(guān)原理進(jìn)行描述.

圖1 流程圖

2.1 蜜蜂交配優(yōu)化(HBMO)算法原理

Abbass 在2001 年提出了一種以蜂群的繁殖行為作為模型而設(shè)計(jì)的一種蜜蜂交配優(yōu)化算法(honey bee mating optimization, HBMO)[17]. 蜂群算法是由蜂王、雄蜂、工蜂和幼蜂組合而成[18]. 在蜂群中, 蜂群中的每只蜜蜂都有著自己的職責(zé). 蜂王是唯一能夠繁殖后代的雌性蜜蜂, 它的主要職責(zé)是產(chǎn)子; 而雄蜂的主要任務(wù)是與蜂王進(jìn)行交配, 一旦交配結(jié)束, 則雄蜂的生命也即將結(jié)束; 工蜂的主要責(zé)任是照顧幼蜂、修整蜂巢等工作. 基本的蜜蜂交配優(yōu)化算法的步驟如下所示[19]:

1) 群體初始化: 設(shè)置雄蜂的數(shù)量、幼蜂的數(shù)量、蜂王受精囊的大小, 將個(gè)體中適應(yīng)度值最大的蜜蜂視為蜂王, 而蜂王的選取是根據(jù)隨機(jī)森林(RF)算法對(duì)眼底圖像的特征數(shù)進(jìn)行分類的結(jié)果作為當(dāng)前的最大的適應(yīng)度值, 其他視為雄蜂.

2)婚飛: 婚飛過(guò)程中, 蜂王以固定的速度在不同的狀態(tài)來(lái)回轉(zhuǎn)變, 設(shè)蜂王的初始速度和能量分別為S(0)、E(0), 而在每一種狀態(tài)下, 雄蜂以Pi的概率與蜂王進(jìn)行交配, 若交配成功, 則將雄蜂的染色體植入受精囊中.在每次狀態(tài)更新后, 蜂王的速度和能量有所減弱, 具體計(jì)算公式如下:

其中,S(t)、E(t)為t時(shí)刻蜂王的速度和能量, γ ∈[0,1]為衰減系數(shù), θ ∈(0,1)是指在每次狀態(tài)更新后能量的衰減值, 而當(dāng)蜂王的速度和能量值達(dá)到預(yù)先設(shè)定的臨界值,則蜂王飛回蜂巢. 在婚飛的過(guò)程中, 雄蜂與蜂王進(jìn)行交配, 公式如下:

其中, Δ(f)為雄蜂與蜂王的適應(yīng)度之差.

3)繁殖過(guò)程: 在受精過(guò)程中, 隨機(jī)的選擇一條染色體與蜂王的染色體結(jié)合, 產(chǎn)生幼蜂[20].

4)飼養(yǎng)過(guò)程: 工蜂采用啟發(fā)式算法, 通過(guò)不斷地對(duì)幼蜂進(jìn)行局部搜索, 尋找適應(yīng)度值最好的解.

5)若幼蜂的適應(yīng)度的值高于蜂王, 則取代蜂王, 否則仍然保持原樣, 剩余的為雄蜂.

6)判斷是否達(dá)到婚飛次數(shù). 若達(dá)到, 則停止飛行,否則轉(zhuǎn)到步驟2).

蜜蜂算法的流程圖如圖2 所示.

圖2 蜜蜂交配優(yōu)化算法的流程圖

2.2 佳點(diǎn)集原理

3 IHBMO-RF 算法的改進(jìn)

對(duì)滲出物候選區(qū)域進(jìn)行二分類, 劃分的依據(jù)是將眼底圖像的公共數(shù)據(jù)庫(kù)中所提取的候選區(qū)域與數(shù)據(jù)庫(kù)中提供的真實(shí)的分類的標(biāo)簽進(jìn)行對(duì)比, 以此將滲出物候選區(qū)域劃分為硬性滲出物和非硬性滲出物. 將滲出物候選區(qū)域內(nèi)的特征數(shù)作為優(yōu)化的變量, 通過(guò)使用改進(jìn)的IHBMO 對(duì)特征數(shù)進(jìn)行優(yōu)化, 獲取最合適的特征子空間的維數(shù), 而將最初的特征數(shù)根據(jù)RF 算法分類得出的結(jié)果作為初始蜂王, 此時(shí)的蜂王的適應(yīng)度的值最大, 具體的IHBMO 優(yōu)化如下.

二維初始化蜂群時(shí), 在相同的取點(diǎn)數(shù)下, 運(yùn)用佳點(diǎn)集的方法取點(diǎn)比隨機(jī)初始化蜂群會(huì)更加均勻, 因此將佳點(diǎn)集的原理結(jié)合到HBMO 算法中可以均勻初始化蜂群. HBMO 算法在每次迭代的過(guò)程中, 讓幼蜂秉承了蜂王的優(yōu)良的基因, 增加了后代蜂群進(jìn)化最優(yōu)解的可能性. 傳統(tǒng)的HBMO 算法是隨機(jī)初始化蜂群, 增加了計(jì)算的復(fù)雜度, 所以本文引入佳點(diǎn)集的方法對(duì)蜂群進(jìn)行初始化, 加快蜂群的收斂速度. 由于傳統(tǒng)的HBMO算法易陷入局部最優(yōu), 且易早熟收斂, 因此, 在迭代的過(guò)程中, 引入了隨機(jī)蜜蜂來(lái)代替那些表現(xiàn)不佳的雄峰,進(jìn)而維持蜂群的豐富性, 得到全局最優(yōu)解.

改進(jìn)蜜蜂交配優(yōu)化算法的流程如下:

1)蜂群初始化: 將個(gè)體中適應(yīng)度值最大的視為蜂王, 剩余的作為雄峰;

2)婚飛: 蜂王以初始速度S(0)和初始能量E(0)飛行, 若蜂王的能量已達(dá)到臨界值, 則直接轉(zhuǎn)入步驟3),否則, 隨機(jī)選擇雄峰, 按照式(3)來(lái)計(jì)算交配的概率Pi,若Pi>r,r∈[0,1], 則將此雄峰的染色體加入受精囊中,雄峰宣告死亡, 設(shè)counter=0, 否則counter++, 然后再根據(jù)式(1)和式(2)計(jì)算雄蜂的速度和能量;

3)繁殖過(guò)程: 蜂王q與雄峰dri根據(jù)式(4)和式(5)產(chǎn)生幼蜂bri、br′:

4)飼養(yǎng)過(guò)程: 工蜂通過(guò)對(duì)蜂王和幼蜂進(jìn)行局部搜索, 而產(chǎn)生新的值, 若現(xiàn)在的值高于原來(lái)的值, 則將現(xiàn)在的值來(lái)取代原來(lái)的值;

5)若第i只雄峰的counteri大于預(yù)定值, 則被取代,否則不變;

6)若當(dāng)前幼蜂的適應(yīng)度的值大于蜂王的適應(yīng)度的值, 則蜂王的位置由幼蜂暫時(shí)保管, 否則保持不變;

7)當(dāng)?shù)螖?shù)一旦大于預(yù)先設(shè)置的數(shù)值時(shí), 則宣告循環(huán)結(jié)束, 否則轉(zhuǎn)到步驟2), 迭代次數(shù)再加1;

改進(jìn)蜜蜂交配優(yōu)化算法的適應(yīng)度函數(shù)曲線如圖3.

圖3 適應(yīng)度變化曲線圖

從圖3 可知, 隨著迭代次數(shù)的不斷地增加, 適應(yīng)度的值不斷地趨近于1, 逐步趨向于最優(yōu)狀態(tài); 其主要原因是由于改進(jìn)的蜜蜂交配優(yōu)化算法, 通過(guò)引入佳點(diǎn)集原理, 引入了隨機(jī)蜜蜂來(lái)代替那些表現(xiàn)不佳的雄峰, 進(jìn)而維持蜂群的豐富性, 降低了算法易陷入局部最優(yōu)的問(wèn)題, 致使整個(gè)尋優(yōu)過(guò)程不僅收斂快且穩(wěn)定性好.

4 實(shí)驗(yàn)結(jié)果與分析

4.1 數(shù)據(jù)集及評(píng)價(jià)指標(biāo)

本文在公開的眼底數(shù)據(jù)庫(kù)DiaretDB1 下進(jìn)行試驗(yàn)[22].選取了89 幅分辨率為1500×1152 的眼底圖像, 其中包括47 幅病變圖像和33 幅棉絨斑圖像. 對(duì)任意一幅眼底圖像, 以數(shù)據(jù)庫(kù)中圖像標(biāo)注的病變結(jié)果作為參考, 檢測(cè)出相同或者不同的區(qū)域分別稱為真陽(yáng)性(TP)和假陰性(FN), 同理, 以標(biāo)注的正常的區(qū)域作為參考, 本文算法給出相同或者不同的結(jié)果分別稱為真陰性(TN)和假陽(yáng)性(FP). 基于此, 分別有4 種評(píng)價(jià)參數(shù): 靈敏度(SE)、特異性(SP)、陽(yáng)性預(yù)測(cè)率(PPV)及準(zhǔn)確率(AC).其中, 敏感性也被稱為真陽(yáng)性率, 是指運(yùn)用某種方法能檢測(cè)出病變的概率; 特異性也被稱為真陰性率, 是運(yùn)用某種方法來(lái)判定某種病變的概率; 陽(yáng)性預(yù)測(cè)值是指真實(shí)患病的人數(shù)占整個(gè)患病人數(shù)的百分比. 其計(jì)算公式如下:

糖網(wǎng)的眼底硬性滲出物的檢測(cè)方法的性能的評(píng)價(jià)標(biāo)準(zhǔn)是基于靈敏度(SE)、特異性(SP)、準(zhǔn)確率(PPV)及預(yù)測(cè)值(AC)這4 種參數(shù)來(lái)判斷圖像是否含有硬性滲出物, 進(jìn)而判斷疾病是否可靠的依據(jù).

4.2 實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)是在Windows 10 操作系統(tǒng), Matlab 2014a的編程環(huán)境下進(jìn)行的. 在公共數(shù)據(jù)庫(kù)DiaretDB1 中, 對(duì)方法進(jìn)行性能測(cè)試.

根據(jù)本文方法對(duì)候選區(qū)域進(jìn)行分類得到最終的眼底硬性滲出物的位置, 如圖4 所示, 圖4(a)表示利用IHBMO-RF 算法檢測(cè)的眼底硬性滲出物的具體的位置, 圖4(b)表示檢測(cè)的眼底硬性滲出物在彩色眼底圖像中具體的位置.

圖4 硬性滲出物的位置標(biāo)記圖像

主要根據(jù)算法的SE、SP、PPV及AC四個(gè)方面進(jìn)行評(píng)價(jià), 本文方法和其他檢測(cè)硬性滲出物的方法的比較結(jié)果如表1 所示.

表1 本文方法與其他檢測(cè)算法的比較 (%)

由表1 可以看出, 與Welfer 等人[23]基于數(shù)學(xué)形態(tài)學(xué)對(duì)彩色眼底圖像滲出物進(jìn)行檢測(cè)和Osarah 等人[14]提出的K 近鄰、高斯二次和高斯混合模型分類器的機(jī)器學(xué)習(xí)方法相比較, 本文的陽(yáng)性預(yù)測(cè)值分別高出了70.98%和3%. 比使用支持向量機(jī)(SVM)[24]算法來(lái)分類眼底硬性滲出物準(zhǔn)確率提高了1.7%, Niemeijer 等人提出的全自動(dòng)的機(jī)器學(xué)習(xí)方法雖然在敏感性和陽(yáng)性預(yù)測(cè)值上取得較好的效果, 但是準(zhǔn)確率上稍微有所欠缺[25].Fraz 等人提出的用于視網(wǎng)膜眼底圖像滲出物多尺度定位和分割的自舉決策樹集成分類器, 通過(guò)兩者結(jié)合, 效果不錯(cuò), 本文的準(zhǔn)確率比其高出7.68%[26].

通過(guò)使用IHBMO 算法對(duì)選取的RF 算法內(nèi)的特征數(shù)進(jìn)行優(yōu)化, 而獲得特征子空間的維數(shù), 進(jìn)而獲取特征向量以及新的數(shù)據(jù)集, 然后在公共的眼底數(shù)據(jù)庫(kù)中提取滲出物候選區(qū)域與現(xiàn)有的分割出的滲出物進(jìn)行對(duì)比, 生成硬性滲出和非硬性滲出的二分類的分類標(biāo)簽[27].最后根據(jù)RF 算法將新數(shù)據(jù)分為測(cè)試集和訓(xùn)練集, 從而獲取最終的眼底硬性滲出物的位置, 得出的SE、SP、PPV和AC的數(shù)值分別為95.65%、88.23%、92.3%、95.4%.

IHBMO-RF 算法的準(zhǔn)確率相較于其他人的算法,在準(zhǔn)確率上更高且穩(wěn)定性更好, 但在敏感性、特異性及陽(yáng)性預(yù)測(cè)值方面仍有欠缺, 因此, 在未來(lái)的研究中,仍然需要對(duì)算法做進(jìn)一步的優(yōu)化, 以便能更準(zhǔn)確地檢測(cè)眼底硬性滲出物的位置, 減少誤診率及漏診率.

5 結(jié)束語(yǔ)

糖尿病視網(wǎng)膜病變患者越來(lái)越多, 為了更好早期診斷, 對(duì)眼底硬性滲出物的檢測(cè)至關(guān)重要, 為了解決機(jī)器學(xué)習(xí)中陷入的局部最優(yōu)的困境, 本文提出了一種基于IHBMO-RF 算法的眼底硬性滲出物的檢測(cè)算法研究. 在IHBMO-RF 算法的眼底硬性滲出物的分類中,主要是通過(guò)HBMO 算法的理論知識(shí)及佳點(diǎn)集原理, 然后因?yàn)镠BMO 算法存在的不足, 提出了改進(jìn)的方法.由于HBMO 算法是隨機(jī)初始化蜂群, 導(dǎo)致計(jì)算的復(fù)雜度不斷地增加, 易陷入局部最優(yōu)狀態(tài); 因此, 通過(guò)引入佳點(diǎn)集原理對(duì)蜂群進(jìn)行初始化, 不但能保持蜂群的多樣性, 而且還能加快蜂群的收斂速度, 獲得全局最優(yōu)解.實(shí)驗(yàn)結(jié)果表明本文提出的算法敏感性、特異性、陽(yáng)性預(yù)測(cè)值和準(zhǔn)確率都取得了較好的結(jié)果. 但本文也有局限性眼底硬性滲出物區(qū)域的提取主要以視盤消除為前提, 如何更好定位視盤是關(guān)鍵[28], 這個(gè)可以作為今后研究的重點(diǎn)方向之一.