糖尿病視網(wǎng)膜血管分割方法

張 聰， 王 昕

(長春工業(yè)大學(xué) 計算機(jī)科學(xué)與工程學(xué)院， 吉林 長春 130012)

0 引 言

生活中常見的代謝性疾病有很多，代謝性疾病會給人們帶來極大的痛苦，發(fā)生率最高的則是糖尿病視網(wǎng)膜病變(Diabetic Retinopathy， DR)[1]，其對視力的損傷也最大，這也是目前成人致盲的首要原因。由于DR具有進(jìn)行性及不可逆性，且發(fā)展為DR的可能性存在于每個糖尿病患者之中，所以，為挽救患者視力功能并提供治療先機(jī)，要做到準(zhǔn)確篩查無明顯視力損傷的糖尿病患者是否存在DR，與此同時,還要做到節(jié)約大量的醫(yī)療資源[2]?，F(xiàn)階段篩查DR主要依靠眼科醫(yī)生的肉眼觀察，雖然目前國內(nèi)外已有多種篩查方法，如免散瞳眼底照相檢查等，但如果后期恢復(fù)不足就會對眼球有一定的損傷，因此肉眼觀察對篩查DR有一定的不足及局限。所以,我們使用計算機(jī)不但為廣泛地篩查DR的實(shí)施提供必備的條件,也可以快速、可靠地自動識別出視網(wǎng)膜血管圖像中的DR病灶[3-4]。

目前，對于視網(wǎng)膜血管分割國內(nèi)外學(xué)者都進(jìn)行了研究?；诹Ｗ訛V波的視網(wǎng)膜血管跟蹤方法由Nayebifar等[5]提出,首先對視盤進(jìn)行定位,然后初始種子點(diǎn)選擇在視盤邊界并進(jìn)一步跟蹤到血管點(diǎn)。Zhao等[6]在提取視網(wǎng)膜血管方面運(yùn)用區(qū)域增長方法和水平集基于區(qū)域的主動輪廓模型。該分割方法平均精確在 DRIVE數(shù)據(jù)庫上均達(dá)到94.77%。多尺度匹配濾波(Multiscale Production of the Matched Filter, MPMF)分割視網(wǎng)膜血管方法由Li等[7]提出,該方法圖像增強(qiáng)方面采用多尺度匹配濾波結(jié)果疊加,采用雙閾值法用在血管點(diǎn)分類階段,該方法有效地抑制圖像噪聲且分割精確?；谑噶苛鞯膱D割方法來對視網(wǎng)膜血管進(jìn)行分割是由Salazar-Gonzalez等[8]提出，該方法首先在預(yù)處理方面使用了魯棒距離變換以及自適應(yīng)直方圖均衡化,然后在血管分割中使用結(jié)合了矢量流的圖割算法。該方法在DRIVE數(shù)據(jù)庫上運(yùn)行并驗(yàn)證其有效性,準(zhǔn)確率達(dá)到94.12%。

文中在深入研究眼底圖像中視網(wǎng)膜血管相關(guān)特征的基礎(chǔ)上，提出利用灰狼優(yōu)化算法(Grey Wolf Optimizer， GWO)獲得自適應(yīng)閾值，并將自適應(yīng)閾值加入到生長準(zhǔn)則中完成圖像分割。最后對分割實(shí)驗(yàn)結(jié)果做出主、客觀評價。

1 算法描述

1.1 灰狼優(yōu)化算法(GWO)

GWO[8]是模擬灰狼的捕食行為。假設(shè)在G維搜索空間中，數(shù)目N為灰狼種群中的灰狼個體，其中Xi=(Xi1,Xi2,…,XiG)表示的是在G維空間中第i只灰狼的位置，種群中當(dāng)前個體的優(yōu)劣排列，α為其中最優(yōu)個體，記β為其中次優(yōu)的個體，δ被記為當(dāng)前第三優(yōu)的個體，記ω為其余個體的表示數(shù)，此時優(yōu)化問題的全局最優(yōu)解體現(xiàn)的就是獵物的位置。在G維搜索空間中一群灰狼個體被隨機(jī)選中，然后我們要對選擇的灰狼個體進(jìn)行適應(yīng)度的評估，得出的α，β，δ分別表示適應(yīng)度前三的灰狼個體，尋找獵物的位置基準(zhǔn)則設(shè)定為適應(yīng)度為前三的個體，我們稱之為全局最優(yōu)解，接著根據(jù)α，β，δ的位置計算得出下一代的灰狼個體的位置，整個過程我們稱之為GWO的尋優(yōu)過程。

在GWO的尋優(yōu)過程中，也就是在捕食過程中，首先要做的就是模擬灰狼種群的行為，包圍要采取行動的獵物。此時須確定灰狼與獵物之間的距離：

D=|CXp(t)-X(t)|

(1)

X(t+1)=Xp(t)-AD

(2)

A=2ar1-a

(3)

C=2r2

(4)

式中：Xp(t)——第t代獵物的位置向量；

X(t)——第t代灰狼個體的位置向量；

A，C——系數(shù)。

隨著迭代次數(shù)a從2線性遞減到0；[0,1]作為r1,r2之間的隨機(jī)數(shù)。

根據(jù)α，β和δ個體，也就是根據(jù)最高級的三頭灰狼的位置，種群中其它的狼判斷獵物的方位：

(5)

(6)

(7)

灰狼優(yōu)化的步驟如下：

GWO僅有兩個需要調(diào)整的關(guān)鍵參數(shù)(A和C)，同時調(diào)整GWO算法使其盡可能減少運(yùn)算，直到獲得最大精度。

1)初始化解Xi=(1,2,…,n)初始化α，A和C。

2)尋求最佳解決方案。

Dα為第一個最佳搜索解決方案;

Dβ為第二好的搜索解決方案;

Dδ為第三個最佳搜索解決方案。

3)更新當(dāng)前搜索解T=X(t+1)=(X1+X2+X3)/3的位置。

4)保存獲得的最好解決方案。

5)達(dá)到最佳解決方案后停止。

1.2 基于灰狼優(yōu)化的區(qū)域生長算法描述

區(qū)域生長算法[10-11]主要應(yīng)用于二維圖像處理，其分割步驟是先對待分割圖像手動設(shè)置種子節(jié)點(diǎn)，依次將種子節(jié)點(diǎn)周圍的像素點(diǎn)按照設(shè)置好的判定準(zhǔn)則與種子點(diǎn)進(jìn)行比較，判斷其是否滿足和種子點(diǎn)具有相同的屬性，如果滿足判定條件，則將該點(diǎn)與種子點(diǎn)劃分為同一區(qū)域，并將該點(diǎn)作為新的種子點(diǎn)繼續(xù)重復(fù)上述過程，直到所有的點(diǎn)被檢測完畢，一個生長區(qū)域形成。

1.2.1 生長準(zhǔn)則

對于糖尿病視網(wǎng)膜血管圖像來說，因?yàn)槠浯嬖谘芗?xì)小、圖像不清晰等問題，導(dǎo)致區(qū)域邊界不明顯，會導(dǎo)致分割不精確。為了解決上述問題，文中在傳統(tǒng)區(qū)域生長算法上進(jìn)行改進(jìn)，利用GWO尋找最佳閾值制定生長規(guī)則，判斷該點(diǎn)是否屬于目標(biāo)區(qū)域。

1.2.2 算法實(shí)現(xiàn)步驟

1)選取視網(wǎng)膜血管中靠近視盤區(qū)域的點(diǎn)為種子點(diǎn)；

2)對閾值T和算法參數(shù)(α、A和C)進(jìn)行初始化，初始化值均為0；

3)利用GWO尋找最佳閾值，制定生長規(guī)則(Pi≥T)；

4)搜索種子點(diǎn)鄰域的點(diǎn)，記其像素為Pi；

5)判斷是否滿足生長規(guī)則，若滿足則繼續(xù)下一步，若不滿足則返回2);

6)將滿足生長規(guī)則的像素點(diǎn)歸并到種子點(diǎn)集合，得到區(qū)域生長的區(qū)域。

視網(wǎng)膜血管圖像分割流程如圖1所示。

圖1 視網(wǎng)膜血管圖像分割流程

2 實(shí)驗(yàn)與分析

對文中模型能否準(zhǔn)確分割糖尿病視網(wǎng)膜血管圖像進(jìn)行對比實(shí)驗(yàn)，采用DRIVE數(shù)據(jù)庫中糖尿病視網(wǎng)膜圖像。

實(shí)驗(yàn)采用PC機(jī)是英特爾R酷睿i3處理器，內(nèi)存為4 GB，操作系統(tǒng)為Windows7，實(shí)驗(yàn)平臺為 MATLAB R2015b。選用三幅糖尿病患者的視網(wǎng)膜圖像實(shí)驗(yàn)結(jié)果，并采用傳統(tǒng)的區(qū)域生長法與文中算法進(jìn)行了對比，分割算法對比實(shí)驗(yàn)結(jié)果分別如圖2～圖4所示。

圖2 第一組分割算法實(shí)驗(yàn)結(jié)果

圖3 第二組分割算法實(shí)驗(yàn)結(jié)果

圖4 第三組分割算法實(shí)驗(yàn)結(jié)果

由圖中可以看出，與專家分割結(jié)果相比，區(qū)域生長法均出現(xiàn)了過分割和欠分割現(xiàn)象，且在血管末梢的分割方面有明顯缺陷。文中算法所分割出的血管圖像更為清晰，比傳統(tǒng)的區(qū)域生長法分割得到的圖像更為精確，并與專家分割圖像更為接近。

為了更客觀地評價分割結(jié)果，引入精度(True Positive, TP)、誤檢率(False Positive, FP)和漏檢率(False Negative, FN)對分割結(jié)果進(jìn)行定量評估，結(jié)果見表1。

表1 不同算法的分割結(jié)果 %

文中模型比其他兩種算法精度更高，誤檢率和漏檢率更低。

從表1可以看出，文中模型對糖尿病視網(wǎng)膜血管圖像分割效果更優(yōu)。使用文中所用的方法分割時,相比于區(qū)域生長法分割更準(zhǔn)確，平均三次分割精確度達(dá)到96.93%。

3 結(jié) 語

在區(qū)域生長法的基礎(chǔ)上，提出利用GWO優(yōu)化閾值的區(qū)域生長法對糖尿病視網(wǎng)膜血管進(jìn)行分割。首先確定種子點(diǎn)，再用GWO確定閾值，最后使用區(qū)域生長法進(jìn)行分割。實(shí)驗(yàn)表明，與傳統(tǒng)的區(qū)域生長法相比，結(jié)合GWO的區(qū)域生長法分割準(zhǔn)確率更高。