CIN 计算智能和神经科学 1687 - 5273 1687 - 5265 Hindawi出版公司 749054年 10.1155 / 2011/749054 749054年 研究文章 视网膜图像匹配使用分层血管功能 下榻的饭店 Alauddin 1、2 Lamoureux Ecosse 2 纳 Baikunth 1 Ramamohanarao Kotagiri 1 黄 Tien Y。 2 Cichocki Andrzej 1 计算机科学和软件工程 墨尔本大学的 3010年墨尔本,维克 澳大利亚 unimelb.edu.au 2 眼科研究中心的澳大利亚 墨尔本大学的 3002年墨尔本,维克 澳大利亚 unimelb.edu.au 2011年 13 10 2011年 2011年 16 03 2011年 29日 07年 2011年 01 08年 2011年 2011年 版权©2011 Alauddin下榻的饭店等。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

我们提出一种视网膜图像匹配的方法,可用于图像匹配识别或病人的纵向研究。血管从视网膜图像不变特征提取,和一个特征向量构造血管段的视网膜血管。特征向量表示在一个树结构维护船段实际分层位置。使用这些特征向量,相应的图像匹配。对应的图像的方法识别相同的船比较所需的功能。初步结果是令人鼓舞的,并证明该方法适用于图像匹配和病人的纵向研究。

 1。介绍

最近的进步在视网膜成像使我们为疾病的早期诊断使用图像,图像匹配在生物安全应用程序中,和信息检索的目的。研究表明,视网膜血管的变化特性,比如容器宽度,曲折,分支角度非常重要指标预测高血压和心血管疾病( 1, 2]。此外,每个人视网膜血管模式是独一无二的。因此,一个合适的方法,可以准确地分析视网膜图像对疾病诊断和图像匹配将是一个非常重要的贡献在这幅图像形态。

疾病预测或临床试验,使用最广泛的方法是把人的视网膜图像(图 1(一))在一个时间间隔和比较这些图像观察血管特性的改变(s) ( 3, 4]。在不同的研究 5, 6),作者报道的影响高血压治疗视网膜血管直径和弯曲度人的视网膜图像上执行之前和之后的药物。这些研究主要考虑手动或半自动图像分析方法非常耗时和昂贵的。此外,这些研究都是基于分析一个单一的功能,并不足以观察多个特性变化。这些技术能够匹配的血管特征从两个图像基于血管段的层次位置,为自动化病人纵向研究是非常重要的。

视网膜图像显示血管(A)和裁剪部分显示血管分叉(圆),分支(广场)和交叉(star)点(b)。

视网膜图像匹配方法的人识别主要寄存器的血管分割后图像,或匹配分支或分支点在相应的图片( 7- - - - - - 9]。在第一种方法中,视网膜血管作为生物特征参数,用之前注册阶段需要对齐模板图像和获得的图像。第二种方法的血管段图像和计算分岔和交叉点(图/分支 1 (b))。

血管分叉/分支和交叉点定义如下。血管分叉血管分割成两个容器。一个分支是一个新血管的形成,一个小(小宽度)血管生长或从一个主要(广泛)船。交叉是一个地区两艘船只(主要或次要)相互交叉。

总的来说,分岔/分支和交叉点几何应该提供更高的学位产生独特的模式,一个人。目前,视网膜血管分叉和分支点被认为是作为图像匹配应用程序相同的参数。分类分岔和分支点可以添加更高学位的独特性视网膜血管模式。考虑到这些问题,我们提出一个自动视网膜图像匹配方法,该方法具有较高的潜在患者纵向研究和生物安全的应用程序。该方法使用视网膜血管分支、分支和交叉点特征匹配图像。我们利用视网膜血管分层的属性,并为每个容器构造一个二叉树匹配图像。

许多船树施工方法可在文献中对视网膜图像( 10- - - - - - 12]。然而,没有一个代表多个特性为每个容器部分等级。此外,没有方法分类分岔和分支点匹配的图像模式中提供更高程度的独特性。我们的方法是能够匹配视网膜图像进行身份验证或分析多个特性变化疾病诊断的目的。

剩下的纸是组织如下。部分 2描述了该方法包括血管树模型建设、不变特征提取和树匹配基于不变的特性。初步结果的匹配方法可以用于病人纵向研究部分所示 3。部分 4总结了论文与未来的工作计划。

 2。该方法

影像匹配方法是基于我们提出的树表示的视网膜血管网络的层次化表示特性的血管段的血管。在本文中,我们主要关注血管不变特征提取,特征向量构造和病人纵向研究的匹配算法。我们使用视网膜分支、分支和交叉指向构造特征向量。血管不变特性随着船段分层位置提供了一个独特的模式为每个每个人的血管在视网膜上。

2.1。树模型

我们应用方法开发一个树结构(我们称之为树模型)视网膜血管网络的基于船中心线( l),宽度( W)和分岔( B 2 )和分支( B 1 )或交叉( C 1 )在光学眼底视网膜图像信息在图表示 2(一个)。

视网膜图像的原理图显示两个血管( V 1 和 V 2 )和视神经盘(a)和代表二叉树的树模型船 V 1 (b)。

我们之前报道应用血管分割方法和中心线检测( 13)和分支、分支和交叉点检测( 14在树模型。树模型的建设开始通过跟踪船中心线的边境视神经盘(OD)视网膜图像。这对应于树的根节点模型。每一船来自视神经盘然后被表示为一个二叉树和树与根节点模型。

血管中心线分散到不同容器部分基于分岔,分支,和跨界点。最初,这些具有里程碑意义的点和相应的船舶的开始或结束点计算和存储 14]。因此,船段从视神经盘边界或分支或分支点和分支或分支点结束。我们注意到一个容器分为两个分支/分歧点。我们为每个容器构造一个二叉树,每个父容器部分有一个或两个孩子船段。因此,对于每个船我们构造一个二叉树,可以完整或不完整的二叉树。我们计算血管段的位置,并将它们插入左和右孩子为每个父节点。

对于每个船段,特性,计算并插入相应的节点树中的模型。这是显示在图 2船舶 V 1 。船段 V 1 · 年代 1 (从 年代 1 结束 E 1 )是跟踪,其功能是插入到相应的节点(节点 V 1 · 年代 1 在图 2 (b)树模型)。其女儿船段 V 1 · 年代 2 和 V 1 · 年代 3 然后跟踪。这些血管段的功能是插入到树模型的子节点 V 1 · 年代 1 (图 2 (b))。同样,船段 V 1 · 年代 4 和 V 1 · 年代 5 插入的孩子节点 V 1 · 年代 3 。一般来说,船段出现在两个部分交叉点( C 1 在图 2(一个))。因此,交叉点是用来跟踪血管段的另一部分。例如,如图 2(一个),当交叉点 C 1 遇到,血管段的终点吗 V 1 · 年代 2 是测量 E 2 而不是 E 2 ′ 。树模型施工方法如图 3。

流程图的视网膜血管网络模型(即。,树模型)。

 2.2。不变特征的图像匹配

对于图像匹配我们考虑血管是不变的特性,这些特性不变的旋转,平移或缩放(比例等于所有维度)。特点是:船段的长度,宽度比( L / W)、分支或分支点,信息在船段存在交叉,交叉位置之间的血管段和锐角父母和女儿小血管段。这些不变量特性提供了一个独特的模式,任何个人的视网膜。对于每一个血管段,这些特征值插入到树中的相应节点模型。

 2.3。血管特征提取

我们考虑血管中心线提取血管功能图像,图像边缘,支离破碎的中心线的形象。(描述的方法获得这些图片 15]。

长度,宽度比(L / W)

我们实现区域增长算法( 16)提取血管段的长度。使用视神经盘(OD)中心和半径,在OD我们搜索一个圆形区域,并确定起始血管中心线的像素,并遍历中心线,直到我们达到终点。

对于每一个血管段,开始遍历过程的起始像素被认为是在分散的血管中心线的形象。遍历的算法使用了 3 × 3 社区连接检查发现血管段的邻近像素。为此,面具应用通过考虑任何容器部分的起始像素为中心。一旦找到相邻的像素,它取代了以前的中心像素的面具。每一次被认为是一个像素位置,一个标志值分配给这个。一次遍历过程达到船舶舱段的终点,它停止如果它属于一个分支或分支。遍历过程也停止如果血管段的终点不是后获得一定数量的迭代。一旦获得了终点,这艘船的总长度段返回在像素数量,和平均宽度 15)计算。这些值插入到相应的节点树模型。

 分支或分支点

我们分类每个里程碑式的分岔或分支点(Bi / Br)。分支、分支和交叉点分类方法应用使用过程中描述( 17]。我们分配一个唯一值(1分岔和0的分支)的特征值为每个容器。

 现有的交叉

对于每一个血管段,如果存在任何交叉点我们节点分配一个唯一值。我们插入1和0的节点值没有交叉点。

 交叉位置

船的部分,如果有任何现有的交叉点,我们分配交叉的位置信息。例如,如果实际长度是100像素和70像素的交叉位置是船的开始部分,我们立场的比例分配给总段的长度,也就是0.7。如果没有交叉,我们为这个特性值指定0。

 父母和女儿小容器之间的锐角

我们发现父母之间的锐角和最小的船。父和最小的(女儿)容器宽度的分类是通过使用每个容器的任何分歧或分支点。每个分支或分支点的船段排序根据他们的宽度。然后,最高及最低的中心线之间的角宽度船只的计算。图 4显示了血管段宽度和相应的角度。

一旦我们构造的二叉树的所有船只,我们正常角度和length-to-width比率。

血管宽度角度(a)和(b)。

 2.4。从树上访问血管特性模型

我们访问的血管功能树模型通过使用树的前序遍历的算法( 18]。在前序遍历一个非空的二叉树,我们在每个节点递归地执行以下操作。从二叉树的根,我们检索当前节点的值(称为“来访”节点)然后遍历左子节点,最后遍历右子节点。

 2.5。特征向量构造和匹配

每一个二叉树遍历,不变的特性值从每个节点(表获得 1)。这之后,为每个节点(即。,each vessel segment) we construct a feature vector from these invariant feature values. We note that the invariant features with their actual hierarchical position in the tree model enhance the uniqueness of a feature vector. We then compare the corresponding feature vectors on the tree traversal order for finding the binary trees (which represent the same vessel) from the tree models.

血管段的不变特征树的节点模型。

节点 不变的特性
L / W Bi / Br 交叉 交叉pos。 锐角
1 88.77 1 0 0 0.877
2 18.27 0 0 0 1.126
3 43.12 0 0 0 0
4 34.27 1 1 0.79 0.788
5 53.42 1 0 0 0.689

图像匹配,我们的目标是找到相应的二叉树树模型中表示相同的船在两个视网膜图像。我们执行逐位比较特征向量的找到对应的二叉树之间的距离。对于每一个对应的特征向量,如果找到一个匹配,我们添加0到最终的匹配距离和1如果没有匹配。我们注意到匹配的距离是二叉树(即之间的距离。、血管)节点数量。我们获得的匹配矩阵通过比较中相应的二叉树树模型。

寻找相应的二叉树,我们考虑上两个层次的从二叉树的每个节点。这种方式我们能够获得足够数量的特征向量进行匹配,从树上找到相应的二叉树模型。这也使得匹配过程更快,减少计算复杂度较高时考虑更多的二叉树中节点的水平。一次比赛,另一个二叉树从各自的树模型被认为是找到相应的二叉树树模型。这个匹配的过程一直持续到所有相应的血管。

 3所示。实验结果

我们匹配树模型视网膜图像的获得一个独立的个体。我们跟踪相应的血管观察变化在一个特定的一段时间。我们注意到,每个容器都有一个独特的模式特征向量。因此,我们总是能找到相应的容器或树中的二叉树模型。表 2显示了节点的距离不同的血管数量的形象。

的血管图像之间的距离矩阵。

船只在节点数之间的距离
船1 船2 船3 船4 船5
船1 0 7 7 7 7
船2 7 0 7 7 7
船3 7 7 0 7 7
船4 7 7 7 0 7
船5 7 7 7 7 0

评估我们拍摄的图像匹配方法的性能在不同条件(例如,第二图像旋转或转移而捕获),我们旋转图像 ± 5 ° 来 ± 3 0 ° 。不幸的是,我们没有在不同时间拍摄的图像数据为同一人。因此,我们旋转相同的形象和建立树模型为每个旋转图像和距离矩阵获得节点编号为一个容器和其他船只。这是通过比较第一个树模型获得的原始图像与树模型构造的图像在不同的旋转角度。表 3显示了船1的距离矩阵与原树模型和获得树模型旋转后图像。

距离矩阵与船不同的旋转角度。

旋转 距离与船1节点数量
船1 船2 船3 船4 船5
0° 0 7 7 7 7
5° 0 7 7 7 7
1 0 ° 0 7 7 7 7
1 5 ° 2 7 7 7 7
2 0 ° 2 7 7 7 7
2 5 ° 4 7 7 7 7
3 0 ° 4 7 7 7 7

我们观察到更小的旋转角度,没有区别特征向量的属性。与更高的旋转角度,介绍了一些变化等特征值的船长度,宽度,和交叉的位置。然而,这样的错误是由于离散化引入像素的实际位置在图像的旋转操作。为了克服这个问题,我们认为的阈值 ± 5 % 宽度比长度和实际交叉位置为同一容器和接收距离为0,而与其他船只的距离保持不变。表 4显示了船1的距离矩阵在应用阈值技术。使用树模型,我们也比较之间的距离相同的血管图像用这项技术。表 5显示了相同的血管图像之间的距离矩阵(从两个树模型)。

距离矩阵与容器应用阈值后不同的旋转角度。

旋转 距离与船1节点数量
船1 船2 船3 船4 船5
0° 0 7 7 7 7
5° 0 7 7 7 7
1 0 ° 0 7 7 7 7
1 5 ° 0 7 7 7 7
2 0 ° 0 7 7 7 7
2 5 ° 0 7 7 7 7
3 0 ° 0 7 7 7 7

之间的距离相同的容器所代表的两种不同的树模型应用阈值。

之间的距离
旋转 船1 船2 船3 船4 船5
来 来 来 来 来
船1 船2 船3 船4 船5
0° 0 0 0 0 0
5° 0 0 0 0 0
1 0 ° 0 0 0 0 0
1 5 ° 0 0 0 0 0
2 0 ° 0 0 0 0 0
2 5 ° 0 0 0 0 0
3 0 ° 0 0 0 0 0

从这些观察结果,我们可以得出结论,提出血管网络模型可能适用于比较血管特性两个图像之间(s)病人的纵向研究。我们的主要重点是找到相应的船,也就是树的二叉树模型。在最糟糕的情况,如果最低的节点数量不匹配从相应的二叉树,我们可以依靠二叉树之间的最佳匹配假设我们是匹配树模型为同一人的图像。因此,我们可以决定相应的二叉树。评估我们的图像匹配方法的鲁棒性,我们认为20凝视数据库中的图像。对于每一个形象,树模型,然后,节点比较发现距离矩阵。表 6显示了距离树模型之间的节点数量十(随机选择)图像。

矩阵之间的距离图像。

在节点数之间的距离图像
一个 两个 三个 四个 五 六个 七个 八 9 十
一个 0 31日 42 34 47 29日 56 48 49 51
两个 31日 0 43 35 48 30. 57 49 50 52
三个 42 43 0 46 59 41 68年 60 61年 63年
四个 34 35 46 0 51 33 60 52 53 55
五 47 48 49 51 0 46 73年 65年 66年 68年
六个 29日 30. 41 33 46 0 55 47 48 50
七个 56 57 68年 60 73年 55 0 74年 75年 77年
八 48 49 60 52 65年 47 74年 0 67年 69年
9 49 50 61年 53 66年 48 75年 67年 0 70年
十 51 52 63年 55 68年 50 77年 69年 70年 0
4所示。结论

在本文中,我们描述了一种新颖的方法对视网膜图像匹配是非常适合病人的纵向研究。初步结果表明,该方法在视网膜图像匹配的非常准确,找到相应的血管。基于这种方法,医师可以观察到的变化在不同的血管特征为每个船段。简单的修改方法也可以适用于生物安全的应用程序。目前,我们正在为同一个人获得多个图像,使一个大规模的研究和进一步的验证方法。我们的目标是执行两个案例研究在生物识别技术和病人使用我们提出的纵向研究视网膜影像匹配算法。

 黄 t Y。 Kamineni 一个。 克莱因 R。 Sharrett a。R。 克莱因 b E。 Siscovick d S。 Cushman M。 邓肯 B . B。 定量视网膜小静脉的口径和老年人心血管疾病的风险:心血管健康研究 内科医学档案 2006年 166年 21 2388年 2394年 2 - s2.0 - 33751545851 10.1001 / archinte.166.21.2388 黄 t Y。 克莱因 R。 克莱因 b·e·K。 菜单 s M。 哈伯德 l D。 视网膜血管直径和他们对年龄和血压 调查眼科及视觉科学 2003年 44 11 4644年 4650年 2 - s2.0 - 0142200863 10.1167 / iovs.03 - 0079 亚伯拉罕 i W。 Gregerson d S。 Longitudinalstudy血清抗体反应牛视网膜santigenin内生肉芽肿性葡萄膜炎 英国眼科学杂志的 1983年 67年 681年 684年 斯坦福大学 m·R。 格雷厄姆 E。 Kasp E。 桑德斯 m D。 Dumonde d . C。 clinicaland免疫学的纵向研究发现52例withrelapsing视网膜血管炎 英国眼科学杂志的 1988年 72年 442年 447年 休斯 答:D。 斯坦顿 答:V。 -贾巴尔 答:S。 查普曼 N。 Martinez-Perez m E。 McG托姆 美国一个。 高血压降压治疗对视网膜微血管的变化的影响 高血压杂志》 2008年 26 8 1703年 1707年 2 - s2.0 - 51549091916 10.1097 / HJH.0b013e328304b072 Taarnhoj n . c . B . B。 蒙克 i . C。 砂光机 B。 ·凯塞尔 l Hougaard j·L。 Kyvik K。 直versustortuous视网膜动脉血液pressureand遗传学的关系 英国眼科学杂志的 2008年 92年 1055年 1060年 哈里斯 a·J。 日元 d . C。 生物特征身份验证:确保信息访问 信息管理和计算机安全 2002年 10 1 12 19 2 - s2.0 - 0036198047 10.1108 / 09685220210417463 马里诺 C。 Penedo m·G。 佩纳 M。 Carreira m·J。 冈萨雷斯 F。 个人身份验证利用数字视网膜图像 模式分析应用程序 2006年 9 21 33 沃玛克 M。 眼睛有 传感器检查 1994年 14 15 16 2 - s2.0 - 0027928074 邓 K。 dengkx@fingerpass.net.cn 田 J。 tian@ieee.org 郑 J。 zhengjian@fingerpass.net.cn 张 X。 zhangxing@fingerpass.net.cn 戴 X。 daixq@fingerpass.net.cn 徐 M。 xumin@fingerpass.net.cn 视网膜眼底图像配准图匹配通过血管结构 国际生物医学成像杂志》上 2010年 2010年 13 906067年 10.1155 / 2010/906067 郭 X。 guoxy@comp.nus.edu.sg 许 W。 whsu@comp.nus.edu.sg 李 m . L。 leeml@comp.nus.edu.sg 黄 t Y。 ophwty@nus.edu.sg 树匹配的方法对视网膜图像的时间登记 诉讼与人工智能国际会议工具(ICTAI 06年) 2006年 632年 639年 10.1109 / ICTAI.2006.22 林 k . S。 蔡 c . L。 Sofka M。 蔡 c . H。 陈 美国J。 林 w . Y。 血管树结构对视网膜图像解剖现实主义 学报》第九届IEEE生物信息学和生物工程国际会议(BIBE ' 09) 2009年 313年 318年 10.1109 / BIBE.2009.18 下榻的饭店 一个。 纳 B。 蔡 J。 Kotagiri R。 血管分割使用无监督从彩色视网膜图像纹理分类 学报14 IEEE国际会议上图像处理(ICIP ' 07) 2007年9月 V521 V524 2 - s2.0 - 48149094380 10.1109 / ICIP.2007.4379880 下榻的饭店 一个。 纳 B。 蔡 J。 Ramamohanarao K。 自动检测视网膜眼底图像血管bifurcationsand跨界车的颜色 研究第三国际IEEE会议Signal-Image技术和网络系统(斯' 07) 2007年 711年 718年 下榻的饭店 一个。 纳 B。 蔡 J。 Kotagiri R。 船横截面直径测量颜色视网膜图像 通信在计算机和信息科学 2008年 25 214年 227年 2 - s2.0 - 78049363549 10.1007 / 978 - 3 - 540 - 92219 - 3 - _16 冈萨雷斯 r . C。 森林 r·E。 数字图像处理 2008年 3日 上台北,美国 普伦蒂斯霍尔 下榻的饭店 一个。 视网膜vascularnetwork自动化建模,博士学位论文 2009年 澳大利亚维多利亚 墨尔本大学的 Knuth d E。 计算机编程的艺术 1973年 2日 波士顿,美国质量 addison - wesley