基于Canny邊緣檢測和外觀特征的微血管瘤檢測方法

薛嵐燕　劉杜鵑　陳藝慧

摘 要： 糖尿病性視網(wǎng)膜病變進(jìn)行早期篩查可以減少疾病的發(fā)展并且阻止隨后的視力損害。微血管瘤是糖尿病性視網(wǎng)膜病變的早期臨床癥狀，可以通過微血管瘤檢測對糖尿病性視網(wǎng)膜病變進(jìn)行早期篩查。針對眼底圖像中視網(wǎng)膜血管、視盤、滲出物以及微血管瘤之間的相互關(guān)系，在紅色通道和綠色通道加權(quán)圖上定位出視盤，在綠色通道上采用基于簡單統(tǒng)計的自適應(yīng)雙閾值Canny算子進(jìn)行邊緣檢測，并進(jìn)行封閉區(qū)域的填充。設(shè)定閾值消除大面積對象并移除視網(wǎng)膜血管、視盤和滲出物得到微血管瘤的候選區(qū)域，最后根據(jù)形狀特征和顏色特征從候選區(qū)域中得到真正的視網(wǎng)膜微血管瘤。實驗結(jié)果表明，該算法能夠有效提取視網(wǎng)膜眼底圖像中的微血管瘤，敏感性和陽性預(yù)測值分別達(dá)到92%和86%，優(yōu)于現(xiàn)有一些典型的微血管瘤檢測方法，能夠精確地檢測出微血管瘤，可用在糖尿病性視網(wǎng)膜病變早期篩查中。

關(guān)鍵詞： 糖尿病性視網(wǎng)膜病變； 微血管瘤； Canny算子； 區(qū)域填充

中圖分類號： TN911.23?34； TP391.4； TH79 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）06?0103?06

Abstract： The early screening of the diabetic retinopathy can restrain the development of disease and prevent the subsequent vision impairment. The microaneurysm is the earliest clinical sign of the diabetic retinopathy， and its detection can perform the early screening for the diabetic retinopathy. Considering the interrelation among the retinal blood vessel， optic disc， exudates and microaneurysm in the eye ground image， the optic disc is located in the weighted images of the red channel and green channel. The adaptive dual?threshold Canny operator based on simple statistics is adopted in the green channel to perform the edge detection， and fill the enclosed region. The threshold is set to eliminate the large area objects， and remove the retinal blood vessel， optic disc and exudates to acquire the candidate area of the microaneurysm， in which the real retina microaneurysm is obtained according to the shape feature and color feature. The experimental results show that the method can extract the microaneurysm in the retina eye ground image， the sensitivity and positive predictive values can reach up to 92% and 86% respectively， the method is superior to some typical microaneurysm detection methods， can detect the microaneurysm accurately， and is useful for the early screening of the diabetic retinopathy.

Keywords： diabetic retinopathy； microaneurysm； Canny operator； region filling

0 引 言

視網(wǎng)膜是用于研究早期糖尿病微血管并發(fā)癥的重要窗口，糖尿病性視網(wǎng)膜病變的早期征兆可以用于確認(rèn)病人存在視力威脅并發(fā)癥的風(fēng)險，晚期糖尿病性視網(wǎng)膜病變是導(dǎo)致成年人失明的主要原因[1]。因此，糖尿病患者定期檢查眼睛可以避免糖尿病性視網(wǎng)膜病變。糖尿病患者的糖尿病性視網(wǎng)膜病變的早期篩查和診斷可以減少50%的失明風(fēng)險[2?3]。由國際糖尿病聯(lián)盟在2013年的統(tǒng)計數(shù)據(jù)顯示在20～79歲年齡段中，全球糖尿病患者已達(dá)3.82億，中國糖尿病患者約為9 840萬人，居全球之首。微血管瘤是糖尿病性視網(wǎng)膜病變的早期臨床癥狀，通過對微血管瘤的檢測可以對糖尿病性視網(wǎng)膜病變進(jìn)行早期篩查。在病理學(xué)上，微血管瘤是毛細(xì)管壁充血膨脹而成，一般認(rèn)為微血管瘤是較小呈圓形紅色的暗斑，其直徑小于125 μm；而出血斑相對來說同為紅色病灶但其直徑較大，形狀不一[4]。目前國內(nèi)外學(xué)者關(guān)于微血管瘤檢測的方法大致可以分為3類：

（1） 數(shù)學(xué)形態(tài)學(xué)方法。Hipwell等人應(yīng)用改進(jìn)的形態(tài)學(xué)高帽變換算法在不含紅色的眼底圖像中實現(xiàn)了微血管瘤的檢測[5]。Zhang等人提出了一種基于自適應(yīng)多尺度形態(tài)學(xué)技術(shù)的眼底圖像中點狀病灶檢測的方法[6]。

（2） 分類器方法。Quellec等人提出了在小波域上基于模板匹配方法來檢測微血管瘤[7]。作者通過尋求最佳的小波基來區(qū)分病變和非病變。微血管瘤采用二維旋轉(zhuǎn)對稱性冠以高斯函數(shù)來建模，小波基通過使用提升方案框架進(jìn)行數(shù)值優(yōu)化設(shè)計得到。Niemeijer等提出了基于像素分類的檢測系統(tǒng)，將紅色病變與背景分離，在去除血管后獲得紅色病變候選區(qū)域，并利用所有特征和K近鄰分類器對紅色病變候選對象進(jìn)行分類 [8]；Bob等利用稀疏表征分類器，區(qū)分MA和非MA[9]；

（3） 濾波器方法。2009年，Mizutani等人采用雙環(huán)濾波對綠色通道檢測微血管瘤[10]，其次消除病變的血管，并利用形狀特征對候選病變進(jìn)行檢測，并通過人工神經(jīng)網(wǎng)絡(luò)方法對候選點的12個特征進(jìn)行分類，從候選病變中分離出微血管瘤。2012年，Hatanaka等人將血管移除后[6]，使用主成分分析法選擇28個成分，并利用基于規(guī)則方法和人工神經(jīng)網(wǎng)絡(luò)方法將候選病變分為微血管瘤和非微血管瘤。

本文的工作重點是針對眼底圖像中視網(wǎng)膜血管、視盤、滲出物以及微血管瘤之間的相互關(guān)系，在紅色通道和綠色通道加權(quán)圖上定位出視盤，在綠色通道上采用基于簡單統(tǒng)計的自適應(yīng)雙閾值改進(jìn)Canny算子進(jìn)行邊緣檢測，并進(jìn)行封閉區(qū)域的填充。設(shè)定閾值消除大面積對象并移除視網(wǎng)膜血管、視盤和滲出物得到微血管瘤的候選區(qū)域，最后根據(jù)形狀特征和顏色特征從候選區(qū)域中得到真正的視網(wǎng)膜微血管瘤。

1 算法實現(xiàn)的關(guān)鍵技術(shù)

文中實驗眼底圖像是采用HEI?MED數(shù)據(jù)庫，該數(shù)據(jù)庫是美國哈密爾頓眼科研究所為訓(xùn)練和測試硬性滲出檢測算法和黃斑水腫而設(shè)立的數(shù)據(jù)集，分辨率[11]為2 196×1 958像素。圖1為本文算法的流程圖。為了規(guī)范視網(wǎng)膜圖像并減小計算量，首先把原始彩色圖像寬度調(diào)整為750，并保持寬高比。

1.1 預(yù)處理

1.1.1 通道選取

如圖2所示，從數(shù)字眼底照相機(jī)獲得的彩色眼底圖像一般為RGB格式，圖像中的每一像素均由R，G，B三個分量組成，且三個分量有著不同的灰度特征。由于藍(lán)色分量包含視盤的信息非常少，且包含較多的噪聲，血管、黃斑及紅色病灶在綠色分量中對比度最好。因此，本文的視盤檢測在紅色分量和綠色分量加權(quán)上進(jìn)行處理[12]，如式（1）所示，微血管瘤檢測在綠色通道上進(jìn)行處理。

[I=k?IR+（1-k）?IG] （1）

式中：[IR]和[IG]分別表示眼底視網(wǎng)膜圖像的紅色分量和綠色分量；k為加權(quán)系數(shù)，在本文中取0.75。

1.1.2 去 噪

由于本文采用Canny算子對圖像進(jìn)行邊緣檢測，在邊緣檢測中其中一個關(guān)鍵點是圖像中的脈沖噪聲，而且微血管瘤結(jié)構(gòu)小，容易受到高斯噪聲的影響。為了能盡可能得到完整平滑的圖像邊緣，并且能抑制噪聲，綜合多種濾波方法，本文首先采用開關(guān)型中值濾波對脈沖噪聲進(jìn)行濾除，再采用高斯濾波進(jìn)行去噪[13]。

開關(guān)型中值濾波器用四個方向分別為0°，45°，90°和135°的拉普拉斯算子來檢測當(dāng)前像素點（i，j）是否屬于脈沖噪聲。將眼底圖像與這四個算子進(jìn)行卷積并取絕對值，設(shè)定一個閾值，遍歷整幅圖像，將絕對值中最小值與閾值進(jìn)行大小比較，若最小值大于閾值，則判定該像素為脈沖噪聲，該坐標(biāo)點新像素值為中值濾波的結(jié)果，否則，像素值不變。具體算法如下：

[Iswfi，j=Imedi，j， ri，j>TIi，j， otherwise] （2）

對眼底圖像中值濾波后再采用高斯濾波去除噪聲。紅色分量與綠色分量加權(quán)圖以及綠色分量圖經(jīng)過開關(guān)型中值濾波和高斯濾波后如圖3所示。

1.1.3 基于灰度級分組的對比度增強(qiáng)

基于灰度級分組法的對比度增強(qiáng)方法的基本思想是，首先對直方圖上的分量根據(jù)幅度先分組，將分組后的數(shù)據(jù)平均分配在灰度級上，根據(jù)一定的評判準(zhǔn)則（如像素間平均距離最大）選出最合適的分組方法，相應(yīng)就能夠得到最好的灰度級分配方式。從而使得圖像中集中在直方圖某段的像素灰度級得到擴(kuò)展，這樣就能夠增大像素灰度級分布范圍。這種方法可以實現(xiàn)灰度級上均勻的充分平鋪，而不會像經(jīng)典均衡法會在灰度級上留下過多的空白區(qū)域從而導(dǎo)致的對圖像過增強(qiáng)或增強(qiáng)不夠[14]?；叶燃壏纸M法將圖像的像素點在256個灰度級上進(jìn)行像素點的個數(shù)統(tǒng)計。選擇像素點的個數(shù)最少的兩個灰度級，對它們進(jìn)行合并分組，根據(jù)分組后的結(jié)果進(jìn)行灰度級映射并且記錄下來。重復(fù)上述過程，直至分組的個數(shù)為2。選擇使像素點間距最大的分組方式所對應(yīng)的映射完成灰度級映射，實現(xiàn)圖像增強(qiáng)。紅色分量與綠色分量加權(quán)圖以及綠色分量圖經(jīng)過對比度增強(qiáng)后如圖4所示：

1.2 視盤檢測

視盤位于視網(wǎng)膜由黃斑向鼻側(cè)約3.5 mm處，直徑約1.5 mm，在視網(wǎng)膜眼底圖像中表現(xiàn)為圓形亮黃色區(qū)域。由于在視盤區(qū)域中或視盤輪廓附近區(qū)域可能會存在一些暗色斑塊而影響到微血管瘤的檢測，因此在檢測微血管瘤病灶前需要去除視盤區(qū)域。

視盤自動檢測的步驟如下[15]：

（1） 由于分割視盤時會受到血管干擾，因此采用了形態(tài)學(xué)操作來擦除視網(wǎng)膜眼底圖像中的血管。

（2） 視盤相對于眼底圖像中的其他區(qū)域亮度更高，所以在此根據(jù)視盤亮度特征，選取合適閾值進(jìn)行分割。

（3） 閾值分割后的眼底圖像中將呈現(xiàn)多個視盤候選區(qū)域，由于視盤直徑約為眼底圖像ROI區(qū)域的[17]，因此，對候選區(qū)域設(shè)置上下限閾值，分別為50×50像素與100×100像素，將不滿足該范圍的區(qū)域去除。

（4） 最后利用視盤近似圓形特征，采用質(zhì)心距離法從候選區(qū)域找到圓形度最大的區(qū)域中定位出真正視盤。

視盤檢測圖如圖5所示。

1.3 病灶檢測

由于在免散瞳眼底圖像中微血管瘤檢測容易受到血管及其交叉或者背景紋理等因素的干擾，本文提出了一種基于Canny邊緣檢測和形狀特征的微血管瘤檢測算法，首先利用Canny算子對眼底圖像進(jìn)行邊緣提取，然后填充封閉區(qū)域，通過面積閾值得到包含微血管瘤候選點的眼底圖像，最后根據(jù)微血管瘤的形狀特征從候選點中提取真正的微血管瘤。

1.3.1 基于簡單統(tǒng)計的自適應(yīng)雙閾值改進(jìn)Canny算子

邊緣檢測

傳統(tǒng)的Canny邊緣檢測算子具有較好的邊緣檢測和邊緣定位能力，與其他的邊緣檢測方法相比，已經(jīng)能夠較好地檢測出邊緣了。傳統(tǒng)的Canny算子雖然可以較好地進(jìn)行邊緣檢測，但需要人為設(shè)定閾值，并且閾值設(shè)定得過高或過低都會大大影響到檢測精度。因此，本文采用一種基于簡單的圖像統(tǒng)計的閾值選取方法[16]，該方法通過圖像自身的像素灰度特點來選擇合適的閾值進(jìn)行邊緣檢測。

簡單統(tǒng)計法是一種基于簡單的圖像統(tǒng)計的閾值選取方法，可以直接計算出一幅圖像I（i，j）的閾值，如下：

1.3.2 區(qū)域填充并確定候選點

通過邊緣檢測之后的眼底圖像，可以把眼底圖像中的血管邊緣還有微血管瘤等病灶的邊緣都檢測出來，然后通過區(qū)域填充將封閉的區(qū)域進(jìn)行填充。由于微血管瘤是較小呈圓形紅色的暗斑，且直徑小于125 μm，通過邊緣檢測能夠?qū)⑽⒀芰龅倪吘墮z測出來，對邊緣檢測之后的眼底圖像上的封閉區(qū)域進(jìn)行區(qū)域填充。區(qū)域填充采用基于邊界跟蹤的填充算法，算法如下[17]：

對封閉曲線的跟蹤采用逆時針方向：

（1） 該方法在進(jìn)行封閉曲線跟蹤前需要先確定跟蹤的起始點和終止點，按照從上往下，從左到右的順序，從眼底圖像的第1行開始，確定出第1個頂點作為起始點，并標(biāo)記為第1點，將該像素點設(shè)為0；

（2） 將第1點作為中心取8鄰域，在該3×3模板的第3行按先中間后左右的順序搜索非零點，搜到的第1個點為頂點左下方的點，標(biāo)記為第2點，將該像素點設(shè)為0；

（3） 重新搜索該模板，在剩余6個像素點中找到第1個非零點作為頂點右側(cè)點，即為邊界跟蹤的終止點，并將該像素點設(shè)為0；

（4） 對第2點也按照第1點的操作步驟，取8鄰域，在模板中進(jìn)行搜索找到非零點并作為第3點，將該像素點設(shè)為0；

（5） 如此反復(fù)，將第3點，第4點，…，第n點都按照步驟（2）～步驟（4）操作，直到搜索完畢；

（6） 對眼底圖像求和，當(dāng)像素值和為0，即代表圖像中所有封閉曲線都跟蹤完畢，否則重新尋找封閉曲線跟蹤的起始點，重復(fù)上述步驟。

在眼底圖像中確定出各個封閉曲線，對其填充，沿封閉曲線逆時針方向跟蹤的順序，根據(jù)前后兩點坐標(biāo)值，判斷出相對左向的方向，從后點向左向的點進(jìn)行直線填充，填充值設(shè)為1，若遇到邊界值則停止填充。將填充圖減去邊緣檢測圖，剩下的即為通過區(qū)域填充的區(qū)域。在該區(qū)域圖上為包含有較大面積的血管、滲出物以及微血管瘤等候選點。移除較大面積對象后得到有微動脈瘤候選點的圖像。為了盡可能地防止微血管瘤被移除，此處同樣需要慎重選擇閾值。在HEI?MED庫中750×841分辨率下，最大微血管瘤的直徑約為8像素，其圓形面積約為50像素。因此候選斑點尺寸的大小可以選擇50個像素作為獲取微血管瘤候選點的閾值。區(qū)域填充去除邊緣并確認(rèn)微血管瘤候選點圖如圖7所示。

1.4 候選點的確認(rèn)

通過區(qū)域填充并移除較大面積的斑點后，在圖像上包含了微血管瘤以及與微血管瘤面積大約相同的出血點和硬性滲出等封閉區(qū)域，還需要進(jìn)一步從候選點中提取真正的微血管瘤。根據(jù)眼底圖像中各病灶所具有的特征，如亮度、對比度、尺寸、形狀等，本文選擇了微血管瘤所具備的近似圓形的形狀特征和紅色特征從候選點中提取出真正的微血管瘤。

1.4.1 基于形狀特征的候選點的確認(rèn)

在形狀上，選取微血管瘤候選點的水平和垂直徑向長度的比值為依據(jù)。首先選取候選點矩形窗口，如圖8（a）所示；計算此候選點最長徑向距離CD，并以此徑向方向用矩形擬合，如圖8（b）所示；最后計算水平與垂直徑向比例：R=[ABCD]。當(dāng)候選病灶的R≤2時，則認(rèn)為是真正的微血管瘤點[18]。

1.4.2 基于顏色特征的候選點的二次確認(rèn)

由于Canny邊緣檢測算子，可能檢測出一些形狀大小和微血管瘤幾乎一樣的結(jié)構(gòu)，通過上述基于形狀特征的候選點確認(rèn)方法篩選出的結(jié)果可能包含了其他的非微血管瘤結(jié)構(gòu)，為了能更加精確得到微血管瘤，將對候選點進(jìn)行二次確認(rèn)，利用微血管瘤為紅色病灶的特點，找到原彩色圖中候選點坐標(biāo)的位置，判斷其顏色是否為紅色，若為紅色，確認(rèn)為微血管瘤，否則剔除該候選點。本文按照微血管瘤的形狀特征從候選點中最終確認(rèn)出真正的微血管瘤，如圖9所示。

2 實驗結(jié)果與討論

為了驗證本文所提出的算法能否從眼底圖像中快速可靠的檢測出微血管瘤，以分別從基于病灶區(qū)域水平和圖像水平兩個方面的指標(biāo)來驗證算法的性能，一般選用敏感性（Sensitivity）、特異性（Specificity）和陽性預(yù)測值（Positive predictive value）來評價，具體評價式子如下：

敏感性：

Sen=[TPTP+FN]

特異性：

[Spec=TNTN+FP]

陽性預(yù)測值：

[Posi=TNTP+FP]

式中，TP為真陽性，F(xiàn)P為假陽性，即對于算法檢測為微血管瘤或為含微血管瘤的眼底圖像，與眼科醫(yī)生人工判斷結(jié)果的一致和不一致，分別表示真陽和假陽；TN為真陰性，F(xiàn)N為假陰性，即對于算法檢測為正常眼底圖像，與眼科醫(yī)生人工判斷結(jié)果一致和不一致，分別為真陰和假陰。敏感性，又稱真陽性率，反映算法能正確判斷病變的能力，敏感性越高，漏診的可能性越小。特異性，又稱真陰性率，反映算法能正確排除病變的能力，特異性越高，誤診的可能性就越小。陽性預(yù)測值，即預(yù)測陽性結(jié)果的正確率。

當(dāng)算法對病灶區(qū)域的檢測結(jié)果與眼科醫(yī)生的人工判斷結(jié)果對比時，算法給出的均是判斷為病灶區(qū)域，因此只存在真陽、假陽以及漏檢的假陰，而不存在真陰。因此，選用病灶區(qū)域水平的敏感性和陽性預(yù)測值來評價算法檢測病灶的性能。

經(jīng)合作單位福建省附屬第一醫(yī)院眼科中心眼科醫(yī)生DR診斷，HEI?MED庫169幅眼底圖像中呈陽性（發(fā)生DR）60幅。60幅中人工識別微血管瘤743個。對此60幅存在DR病變的圖像進(jìn)行實驗，檢測微血管瘤真陽674個，假陽102個。檢測結(jié)果與眼科醫(yī)生人工判讀進(jìn)行對比，獲得的敏感性和陽性預(yù)測值如表1所示，同時表1中還列出近期具有代表性文獻(xiàn)[7，18?19]的檢測結(jié)果。

從表1的數(shù)據(jù)可以看出，本文所提出的方法取得較好的檢測結(jié)果，由于某些微細(xì)血管交叉點引起的亮度突變或微血管瘤就依在血管上，僅單一依靠本文所采用的邊緣檢測和形狀顏色特征并不足以清晰分辨，因此還不能達(dá)到最好的效果。

3 結(jié) 論

針對免散瞳眼底圖像中微血管瘤容易受到血管及其交叉或者背景紋理等因素的干擾，本文提出了一種基于Canny邊緣檢測和形狀特征的微血管瘤檢測算法，首先在紅色通道和綠色通道加權(quán)圖上定位出視盤，在綠色通道上采用基于簡單統(tǒng)計的自適應(yīng)雙閾值改進(jìn)Canny算子進(jìn)行邊緣檢測，并進(jìn)行封閉區(qū)域的填充。然后設(shè)定閾值消除大面積對象并移除視網(wǎng)膜血管、視盤和滲出物得到微血管瘤的候選區(qū)域，最后根據(jù)形狀特征和顏色特征從候選區(qū)域中得到真正的視網(wǎng)膜微血管瘤。該算法不但實現(xiàn)了視盤的準(zhǔn)確定位，并且充分考慮視網(wǎng)膜血管、滲出物、視盤與微血管瘤之間的相互關(guān)系，有效精確地檢測出了微血管瘤。

參考文獻(xiàn)

[1] CHEUNG C Y， IKRAM M K， KLEIN R， et al. The clinical implications of recent studies on the structure and function of the retinal microvasculature in diabetes [J]. Diabetologia， 2015， 58（5）： 871?885.

[2] RAJA D S S， VASUKI S. Automatic detection of blood vessels in retinal images for diabetes retinopathy diagnosis [J]. Computational and mathematical method in medicine， 2015（6）： 279?291.

[3] World Health Organization. About diabetes [EB/OL]. [2010?03?14]. http：//www.who.int/diabetes/facts/en/index.html.

[4] 鄭紹華，潘林，陳健，等.微動脈瘤與出血自動檢測的NPDR圖像分型方法[J].儀器儀表學(xué)報，2014，35（1）：59?67.

[5] HIPWELL J H， STRACHAN F， OLSON J A， et al. Automated detection of microaneurysms in digital red?free photo?graphs： a diabetic retinopathy screening tool [J]. Diabetic medicine， 2000， 17（8）： 588?594.

[6] ZHANG B， KARRAY F， ZHANG L， et al. Microaneurysm （MA） detection via sparse representation classifier with MA and non?MA dictionary learning [C]// Proceedings of 2010 20th IEEE International Conference on Pattern Recognition. Waterloo： IEEE， 2010： 277?280.

[7] QUELLEC G， LAMARD M， JOSSELIN P M， et al. Optimal wavelet transform for the detection of microaneurysms in retina photographs [J]. IEEE transactions on medical imaging， 2008， 27（9）： 1230?1241.

[8] MICHAEL N， GINNEKEN B V， MEINDERT N， et al. Automatic detection of red lesions in digital color fundus photographs [J]. IEEE transactions on medical imaging， 2005， 24（5）： 584?592.

[9] ADAL K， ALI S， SIDIB? D， et al. Automated detection of microaneurysms using robust blob descriptors [J]. SPIE proceedings， 2013（8670）： 185?192.

[10] MIZUTANI A， MURAMATSU C， HATANAKA Y， et al. Automated microaneurysm detection method based on double ring filter in retinal fundus images [J]. SPIE proceedings， 2009（7260）： 378?386.

[11] Hamilton Eye Institute. Macular edema [EB/OL]. [2012?10?24]. http：//vibot.u?bourgogne.fr/luca/heimed.php.

[12] LU Shijian. Accurate and efficient optic disc detection and segmentation by a circular transformation [J]. IEEE transactions on medical imaging， 2011， 30（12）： 2126?2133.

[13] ZHANG Shuqun. A new impulse detection for switching median filters [J]. IEEE signal processing letters， 2002， 9（11）： 360?363.

[14] CHEN Z Y， ABIDI B R， PAGE D L， et al. Gray?level grouping （GLG）： an automatic method for optimized image contrast enhancement： part I：the basic method [J]. IEEE transactions on image processing， 2006， 15（8）： 2290?2302.

[15] 劉杜鵑，余輪，鄭紹華，等.視網(wǎng)膜眼底圖像中視盤的檢測方法[J].中國醫(yī)療設(shè)備，2014（11）：29?32.

[16] 段軍，高翔.基于統(tǒng)計濾波的自適應(yīng)雙閾值改進(jìn)Canny算子邊緣檢測算法[J].激光雜志，2015，36（1）：10?13.

[17] 張毅，李昌華.基于邊界跟蹤的任意形狀區(qū)域填充算法[J].計算機(jī)工程與設(shè)計，2015，36（3）：725?728.

[18] SALEH M D， ESWARAN C. An automated decision?support system for non?proliferative diabetic retinopathy disease based on MAs and Has detection [J]. Computer methods and programs in biomedicine， 2012， 108（1）： 186?196.

[19] 高瑋瑋，沈建新，王玉亮.免散瞳眼底圖像中微動脈瘤的高效自動檢測[J].中國生物醫(yī)學(xué)工程學(xué)報，2012，31（6）：839?845.