基于自適應(yīng)閾值的三維SD-OCT糖網(wǎng)亮斑分割

謝 莎，俞晨琛，陳 強(qiáng)

南京理工大學(xué) 計算機(jī)科學(xué)與工程學(xué)院，南京 210094

1 引言

我國糖尿病的患病人數(shù)呈逐年上升趨勢，目前我國約有1億糖尿病患者，居全球第一[1]，糖尿病在我國已經(jīng)成為影響人們健康和生命的常見疾病，其致殘率、致死率僅次于心、腦血管病及癌癥[2]。糖尿病視網(wǎng)膜病變（DR）是最常見的糖尿病慢性并發(fā)癥，是工作人群中首位致盲性眼病[3]。并且隨著生活水平提高、生活方式轉(zhuǎn)變以及人口老齡化的來臨，DR患病率會不斷增加，視力損害一旦發(fā)生很難逆轉(zhuǎn)，因此，如何準(zhǔn)確篩選無明顯視力損傷的糖尿病患者是否存在DR，不僅能減輕視力損害，降低致盲率，還可節(jié)約大量社會醫(yī)療資源。

光學(xué)相干斷層掃描（OCT）是一種非創(chuàng)傷性、非侵入性成像技術(shù)，可使視網(wǎng)膜產(chǎn)生高分辨率斷層圖像，廣泛應(yīng)用于視網(wǎng)膜疾病診斷治療。尤其是頻域光學(xué)相干斷層成像（SD-OCT）技術(shù)，它能清晰地顯示內(nèi)層視網(wǎng)膜的微細(xì)結(jié)構(gòu)，在成像速度和靈敏度上有更大優(yōu)勢，已逐漸成為光學(xué)相干層析成像的主流技術(shù)之一[4]。該技術(shù)能為眼科醫(yī)生提供大量可用的圖像數(shù)據(jù)，每個三維SD-OCT體數(shù)據(jù)稱為一個Cube，由128幀圖像組成，每幀圖像分辨率為1 024×512，如圖1所示，眼科醫(yī)生可以利用這些圖像數(shù)據(jù)對病變進(jìn)行分析。于是視網(wǎng)膜病變的識別與量化分析已變得越來越重要。

圖1 三維SD-OCT圖像

早在20世紀(jì)七八十年代國外學(xué)者就提出DR自動篩查技術(shù)，并進(jìn)行了大量的研究，其中硬性滲出的檢測最為常見、重要[5]。硬性滲出是糖網(wǎng)病變表現(xiàn)之一，硬性滲出對光具有高反射率，在SD-OCT圖像中表現(xiàn)為高信號亮斑。為了能夠定量研究其與DR的關(guān)系，需要將亮斑提取出來。現(xiàn)階段對圖像的分析基本依靠醫(yī)生的肉眼觀察，工作繁重且存在許多局限，所以需要借助計算機(jī)快速、可靠地自動識別出亮斑。然而國內(nèi)外大多是基于眼底圖像的硬性滲出進(jìn)行研究，有基于支持向量機(jī)（SVM）的眼底圖像硬性滲出檢測[6]，有基于改進(jìn)Canny邊緣檢測算法與形態(tài)學(xué)重構(gòu)相結(jié)合的硬性滲出物（Hard Exudates，HE）自動檢測[7]，有基于 k近鄰圖區(qū)域合并的視網(wǎng)膜硬性滲出自動檢測研究[8]，有閾值法[9]等。類似的還有通過隨機(jī)森林分類器分割出SD-OCT視網(wǎng)膜圖像中的微囊性黃斑水腫[10]，根據(jù)偏振度一致圖像結(jié)合閾值法在偏振敏感型光學(xué)相干斷層（PS-OCT）圖像中分割出亮斑[11]等，但是目前在SD-OCT圖像上自動提取亮斑的研究幾乎只有文獻(xiàn)[12]。

文獻(xiàn)[12]基于自適應(yīng)閾值及二維區(qū)域生長法提取亮斑，本文在其基礎(chǔ)上做了進(jìn)一步的研究。同樣，對圖像的預(yù)處理，使用雙邊濾波[13]對圖像去噪。亮斑主要在神經(jīng)纖維-神經(jīng)節(jié)細(xì)胞層（NFL-GCL）與感光細(xì)胞層內(nèi)節(jié)-感光細(xì)胞層外節(jié)（IS-OS）之間，如圖2，故使用基于圖論的層分割算法[14]來限制亮斑所在區(qū)域，提高提取效率。針對SD-OCT視網(wǎng)膜圖像的三維特性，本文將文獻(xiàn)[12]的二維方法擴(kuò)展到三維，另外使用自適應(yīng)閾值法[15]計算了兩次閾值，進(jìn)行了兩次區(qū)域生長[16]。算法流程如圖3所示。

2 糖網(wǎng)圖像亮斑分割

圖3 本文算法流程

若128幀圖像采用一個整體閾值或者每幀圖像采用其單獨閾值，對小部分糖網(wǎng)圖像來說，閾值會過高或過低，導(dǎo)致亮斑分割不完整或分割過度。且亮斑的灰度并不是均一的，其中也有部分灰度較低的像素存在，在進(jìn)行區(qū)域生長時不能滿足生長條件，以致亮斑生長不完全。為了解決這兩個問題，本文對每幀圖像計算了兩個閾值：一個是使用自適應(yīng)閾值法對128幀圖像計算出一個整體閾值，每幀圖像閾值相同；另一個是對每幀圖像使用自適應(yīng)閾值法，計算出每幀圖像單獨的閾值。進(jìn)行了兩次區(qū)域生長：選擇兩者中的大閾值數(shù)多的確定種子集合，進(jìn)行第一次三維區(qū)域生長；將得到的圖像在另一閾值確定的種子范圍內(nèi)進(jìn)行第二次區(qū)域生長。

2.1 自適應(yīng)閾值法確定種子集合

本文采用了文獻(xiàn)[12]的自適應(yīng)閾值算法，該算法主要采取了最大類間方差法，并在此基礎(chǔ)上進(jìn)行了優(yōu)化，通過不斷迭代來逼近最佳閾值。

選擇某一閾值t，將圖像的像素分成兩類：

則C0和C1類的概率分別為：

其均值分別為：

圖像的總體灰度均值為：

則兩類像素的類間方差為：

當(dāng)φ(t)取得最大值時，C0和C1兩類間方差最大，即圖像中目標(biāo)和背景能較好的分開。故此時所對應(yīng)的t即為最佳閾值。

2.2 基于人類視覺特性的區(qū)域生長

人眼對物體亮度的感覺不僅由物體本身亮度決定，還與物體所處的背景亮度和復(fù)雜度有關(guān)。假設(shè)背景亮度為ΔI，目標(biāo)亮度為I+ΔI，只有當(dāng)ΔI大于某個閾值時，人眼才能從背景中將目標(biāo)分辨出來，此閾值是由背景亮度決定的。ΔI和I之間的非線性關(guān)系稱為閾值亮度比（TVI），ΔI稱為剛可分辨亮度差。本文參照文獻(xiàn)[16]中對ΔI的定義：

ΔI是關(guān)于圖像灰度I的分段函數(shù)，其中α、β、C為待定參數(shù)，α取值在[0.01，0.30]之間，中間區(qū)間的起始灰度值a 和終止灰度值 b 取值在[45，81]和[180，210]之間。本文取α=0.06，a=50，b=200；根據(jù)函數(shù)間斷點取值相等即可計算出C和β的值。

下面為區(qū)域生長具體的算法流程：

（1）根據(jù)閾值得到種子集合，并標(biāo)記。將種子集合排列成一個種子隊列。

（2）從種子隊列的隊首取出一個像素點 p，根據(jù) p點灰度值計算剛可分辨亮度差ΔI，在 p的鄰域范圍內(nèi)尋找未被標(biāo)記的像素點集合Q。

（3）對于Q中的每個元素q，統(tǒng)計q的鄰域內(nèi)與 p亮度差小于ΔI的像素點的個數(shù)，若大于某個值，就把q加入種子隊列隊尾并標(biāo)記，否則丟棄。遍歷結(jié)束后將種子 p移出隊列。

（4）若當(dāng)前種子隊列為空，則算法結(jié)束，否則返回第（2）步。

本文進(jìn)行了兩次區(qū)域生長：

第一次生長條件：在3×3×3的窗口范圍尋找符合要求的像素點，像素點個數(shù)大于18，則標(biāo)記為種子；

第二次生長條件：在3×3的窗口范圍尋找符合要求的像素點，像素點個數(shù)大于5，則標(biāo)記為種子。

3 減少分割誤差

3.1 剔除對比度較低的假亮斑

因為自動分割出來的并不一定全是亮斑，有些像素較高但是與背景灰度差小，于是本文剔除了亮斑灰度與其邊緣外5×5范圍像素平均灰度差小于16的假亮斑。邊緣外5×5范圍像素是指以邊緣的每一個像素為中心，半徑大小為5個像素的窗口所覆蓋的且不屬于亮斑的像素。圖4為剔除對比度較低的假亮斑前后的對比圖。

圖4 剔除對比度低亮斑的前后對比圖

3.2 剔除血管

糖網(wǎng)圖像中有些血管亮度較高，血管下方的陰影亮度較低，血管與上方的亮度差很小，于是本文取亮斑邊緣外5×5范圍，剔除亮斑上方與下方平均灰度差大于30且亮斑與上方平均灰度差小于10的亮斑，實驗結(jié)果表明，絕大部分誤分割的血管都被剔除。圖5為剔除血管前后的對比圖。

圖5 剔除血管前后對比圖

4 實驗結(jié)果分析

本實驗運行的環(huán)境為MATLAB R2014a，電腦的配置為2.60 GHz主頻，Corei5處理器，4 GB內(nèi)存，465 GB硬盤。為了檢驗本文分割亮斑算法的準(zhǔn)確性，選取了20只患有DR的眼睛圖像進(jìn)行實驗。為了進(jìn)行比較，將本文方法與文獻(xiàn)[12]方法、手工分割的圖像進(jìn)行了對比。本文不考慮面積小于50個像素單位的亮斑。

4.1 定性分析

下面給出四組文獻(xiàn)[12]分割、本文分割與手工分割的對比圖，如圖6所示。

由手工分割和本文自動分割對比發(fā)現(xiàn)，本文采取的方法基本能夠分割出大部分亮斑，對于灰度相對較小的亮斑還不能完全分割。分割誤差主要是過分割和部分漏分割，如圖6圈出的藍(lán)色部分。

由本文自動分割和文獻(xiàn)[12]自動分割對比發(fā)現(xiàn)，文獻(xiàn)[12]的方法不能使一些灰度差異較大的亮斑生長完全，如圖6圈出的黃色部分，而本文采用的方法能夠較好地解決這個問題，且過分割、漏分割誤差更小。

4.2 定量分析

圖6 文獻(xiàn)[12]分割（第一列）、本文分割（第二列）與手工分割（第三列）的對比圖

本文主要參考文獻(xiàn)[17]中的評價標(biāo)準(zhǔn)來衡量該算法的精確度。從三方面進(jìn)行評價：（1）面積覆蓋率，即真實亮斑區(qū)域的準(zhǔn)確率；（2）欠分割率，即真實亮斑區(qū)域的漏檢率；（3）過分割率，即真實亮斑區(qū)域的誤差率。定義分別如下式（7）～（9）所示：

其中P代表手工分割的亮斑區(qū)域，H代表自動分割的亮斑區(qū)域。

與文獻(xiàn)[12]方法相比較，本文方法具有以下優(yōu)點：

（1）對閾值的選取進(jìn)行了改進(jìn)。若使用單閾值處理，閾值低了會將背景也分割出來，閾值高了會過濾掉亮斑，因此本文通過自適應(yīng)閾值法計算兩個閾值。然后選擇大閾值數(shù)多的作為基礎(chǔ)，用另一閾值限制生長范圍，這樣既提高了種子點的準(zhǔn)確度，盡可能避免背景成為種子點，減少了過度分割，也提高了算法的效率。表1數(shù)據(jù)表明，本文方法的過分割率小于文獻(xiàn)[12]的算法。

表1 不同方法的亮斑分割結(jié)果比較%

（2）對區(qū)域生長進(jìn)行了改進(jìn)。本文進(jìn)行了兩次區(qū)域生長，第一次為大閾值的三維區(qū)域生長，第二次是在小閾值確定的種子圖像范圍進(jìn)行的區(qū)域生長。這樣不僅將灰度不均一的亮斑生長完全，而且限制了亮斑的生長區(qū)域，不會生長過度，既能提高面積覆蓋率，也能減少欠分割率。表1數(shù)據(jù)表明，本文方法的面積覆蓋率高于文獻(xiàn)[12]的算法，且欠分割率也較小。

總體來說，本文算法優(yōu)于文獻(xiàn)[12]算法。

但是與手工分割對比發(fā)現(xiàn)，本文方法還存在如下不足：

（1）過分割率大。由于部分背景灰度較高，將其標(biāo)記為種子點并進(jìn)行了區(qū)域生長；也可能是亮斑太小，手工分割沒有考慮而自動分割將其分割了出來，導(dǎo)致過分割；另外，當(dāng)圖像邊緣的灰度變化平緩時，容易產(chǎn)生過分割[18]。

（2）欠分割率大。由于部分亮斑灰度較低，導(dǎo)致沒有種子點，無法生長；或者部分亮斑邊緣灰度較小，沒有生長完全；也有可能在亮斑邊緣處與手工分割有些誤差，導(dǎo)致欠分割。

近年來，學(xué)者們提出了很多快速、魯棒的分割方法，如基于統(tǒng)計學(xué)的方法、基于活動輪廓的方法、基于圖論的方法等，但都具有局限性且沒有完全實現(xiàn)全自動和高實時性[19]。文獻(xiàn)[20]在區(qū)域生長準(zhǔn)則中加入圖像的紋理信息和灰度信息；文獻(xiàn)[21]在區(qū)域生長算法中融合了模糊理論和優(yōu)化算法；陸劍鋒等[22]把區(qū)域生長算法和各向異性濾波技術(shù)等結(jié)合。沒有考慮多種圖像特性，分割理論單一，可能也是本文分割方法精確度不夠的原因之一。

5 結(jié)束語

本文首先對圖像進(jìn)行去噪處理，采用視網(wǎng)膜層分割算法限制了亮斑所在區(qū)域，然后在自適應(yīng)閾值產(chǎn)生的整體閾值及單幀閾值之間選擇大閾值數(shù)多的作為基礎(chǔ)進(jìn)行第一次三維區(qū)域生長，接著將該圖像在另一閾值產(chǎn)生的種子圖像范圍內(nèi)進(jìn)行第二次區(qū)域生長，最終分割出亮斑。實驗表明，本文方法基本能實現(xiàn)自動分割亮斑的功能，且不管在定量還是定性評價上均優(yōu)于現(xiàn)有算法。不過本文算法還有很多值得改進(jìn)的地方。在閾值選取和區(qū)域生長條件的控制上，可以結(jié)合亮斑的特點及背景信息進(jìn)一步改進(jìn)，也可以結(jié)合其他分割理論，使得實驗結(jié)果更加準(zhǔn)確。過分割率和欠分割率過大，這也是今后研究中需要解決的問題。