CIN 计算智能和神经科学 1687 - 5273 1687 - 5265 Hindawi出版公司 10.1155 / 2016/7496735 7496735 研究文章 上优于视觉显著模型检测糖尿病黄斑水肿视网膜图像 邹 小春就 1 赵 Xinbo 2 杨 永嘉县 2 李 Na 2 Camastra 弗朗西斯科 1 电子与信息学院 西北工业大学 西安 中国 nwpu.edu.cn 2 计算机科学学院 西北工业大学 长安校区 邮政信箱886 西安 陕西710129年 中国 nwpu.edu.cn 2016年 14 1 2016年 2016年 09年 10 2015年 16 12 2015年 2016年 版权©2016小春就邹et al。 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。

本文提出学习型视觉显著模型方法检测诊断糖尿病黄斑水肿(测距装置)感兴趣的区域(roi)视网膜图像。视觉选择的方法介绍了认知过程相关的区域出现在眼科医生检查的形象。记录这一过程中,我们收集了10个眼科医生的眼球追踪数据100图片和使用这个数据库作为训练和测试的例子。根据分析,两个属性(特征属性和位置属性)可以通过一个简单的交叉操作派生并结合获得显著图。功能属性由支持向量机(SVM)技术实现使用诊断作为主管;位置属性实现训练样本的统计分析。这种技术能够学习眼科医生的视觉行为的偏好,同时考虑功能的独特性。使用三个流行特点模型方法评估评估分数(AUC, EMD和SS)和三个质量测量(古典敏感性、特异性和Youden J 统计)。该方法优于8最先进的卓越模型和3设计了自然图像的显著区域检测方法。此外,我们的模型成功地检测测距装置在视网膜图像roi区域分割等复杂的图像处理。

 1。介绍

糖尿病是一种慢性疾病,能导致许多严重的并发症包括糖尿病视网膜病变(DR,损害视网膜)。博士是一个失明的重要原因。全球百分之一的失明可以归因于博士( 1]。糖尿病黄斑水肿(测距装置)是最常见的导致视力丧失的博士,这是由于泄漏的液体从血管内的斑点。幸运的是,早期治疗糖尿病视网膜病变的研究(ETDRS)能够减少临床意义上的黄斑水肿患者中度视力丧失(CSME)约50% 2]。因此为了防止视力丧失,早期诊断的测距装置是非常重要的。因为没有视觉测距装置的早期症状,视网膜眼底图像在诊断和治疗建议。眼底图像分析帮助眼科医生了解疾病的发病和评估。可靠的确定有临床意义感兴趣的区域(roi)在视网膜图像测距装置诊断策略的基础。新的廉价的眼底相机的出现和信息技术的迅速发展使得自动化系统测距装置roi选择成为可能。这种工具是特别是在医疗营特别有用,特别是在发展中国家的农村地区在一个巨大的人口了这些疾病是未知的。

渗出液中最重要的一个视网膜病变检测视网膜图像。然而,努力在500年和黄色分泌物 μ米的中心凹与相邻的视网膜增厚提示存在临床意义上的黄斑水肿(CSME)所定义的ETDRS [ 2]。但是自动测距装置roi发现视网膜图像中是一个非常具有挑战性的任务。因为其他视网膜功能如血管和外径(OD)球眼也有类似的亮度和灰度变化模式,当前使用的天真low-level-RoI-extraction视网膜图像的方法可能会失败。

然而,眼科医生总是能够找出一个非常精确的诊断。当他们在视网膜图像搜索CSME,注意帮助他们迅速漠视“平常”,找到“不寻常的”视觉元素。提出了一些计算模型的关注来预测人们在自然场景( 3- - - - - - 5]。尽管现有的特点做好定性模型,模型中有限使用测距装置roi检测,因为他们经常不匹配实际的眼科医生的精确诊断(地面真理,GT)。

在本文中,我们提出三个贡献测距装置检测。首先,我们介绍了计算视觉显著模型视网膜图像的上下文中测距装置检测。通过这个模型,我们模仿眼科医师的考试的第一步,她/他定义和区分高的测距装置诊断区域。其次,通过分析精确的诊断,我们只选择几个概念,包括全面的眼科医生的视觉行为,明确它们之间的相互作用,开发一种方法实现视觉特点。方法结合了低层图像特征的优势和较高的判别能力的测距装置组织的和空间属性,从眼科医生的信息。第三,我们表明,我们的模型能够检测测距装置在视网膜图像优于主流突出区域roi检测方案。

本文组织如下。部分 2提供了一个简短的描述和讨论的一些以前的作品。部分 3致力于描述模型的实现。节 3所示。1,我们现在的图片,眼球追踪数据,和地面实况数据显著模型研究。部分 3所示。2描述了属性、派生和突出概念的关系。我们的模型的详细描述部分 3所示。3。部分 4评估我们的方法使用三个流行特点模型评价分数(AUC, EMD和SS)和三个质量测量(古典敏感性、特异性和Youden J 统计)8最先进的卓越模型和3显著区域检测方法。结论和观点讨论了部分 5。

 2。相关工作

自动检测测距装置roi的问题在视网膜图像已经接近使用许多技术( 6]。菲利普斯et al。 7)提出了一种量化的方法使用荧光素血管造影检查糖尿病黄斑病变。阴影校正和阈值技术用于预处理。渗出液被检测到的阈值计算基于图像灰度值的分布。猎人et al。 8)特征提取和分类技术用于自动诊断的可参考的黄斑病变。强的技术检测和过滤候选点当地的对比。分割的候选区域进行了下一个为了找到病变的位置。从nonlesions病变是杰出的特征提取技术。作者用形状、颜色和纹理的候选人之间的对比和周围视网膜背景。一个多层感知器(MLP)作为分类器,分类与黑暗或光明的病变。两阶段方法用于眼底图像的检测和测距装置严重程度的分类( 9]。第一步是一个监督学习方法的眼底图像分类为正常或异常。通过检查黄斑区域使用旋转对称不对称指标异常眼底图像进一步分为中度和重度的测距装置。Osareh et al。 10)使用一个自动方法的分类区域为渗出液和nonexudates补丁使用神经网络。眼底图像预处理使用颜色标准化和对比度增强技术。旁边的图像被分割成同质区域使用模糊 C——集群。基于渗出液的位置在黄斑区Lim et al。 11眼底图像分为正常,阶段1和阶段2的测距装置。渗出液的提取眼底图像使用标记控制分水岭变换。

测距装置病理诊断的结果是一系列复杂的活动由眼科医生掌握。传统心理物理理论表明,复杂的视觉任务,如眼科医生检查,包括视觉注意力的高度 12]。

今天,许多卓越模型基于多种技术与存在令人信服的表现。其中最具影响力的是纯粹的自底向上的注意模型提出的Itti et al。 3],基于特征整合理论[ 13]。在这个理论中,一个图像分解为低级属性,如颜色、强度和方向。基于解相关的神经反应的想法,迪亚兹et al。 14)提出了一个有效的模型的特点被称为自适应美白凸起(AWS)。另一个类的模型是基于概率公式。Torralba [ 4视觉搜索]提出了一种贝叶斯框架也适用于凸起检测。同样,Zhang et al。 5)提出了太阳(使用自然统计显著)模型自下而上的自然特点出现的self-information视觉特性。基于图形的视觉特点(GBVS) [ 15另一种方法基于图形模型。机器学习的方法也被用于建模视觉注意力的学习模型记录眼光停留。学习特点,Kienzle et al。 16)和Tilke et al。 17)使用图像补丁和一个向量的一些特性在每个像素,分别。

这些计算模型被用来描述自然图像roi,但是他们的使用在医学图像仍然非常有限。Jampani et al。 18]调查计算特点的相关性模型的上下文中医学图像异常检测。卓越地图使用三种流行的模型计算:ITTI [ 3],GBVS [ 15),和老 19]。古铁雷斯et al。 20.)已经开发出一种视觉模型发现基底细胞癌的兴趣区域图像,有三个主要组件:分割,凸起检测和竞争。洞察力从这些研究的关键是凸起继续发挥主导作用,研究医学图像。

 3所示。学习卓越模型测距装置roi检测 3.1。眼球追踪数据的数据库

学习眼科医生的视觉行为的偏好和记录他们的眼球追踪数据,我们建立了一个眼动跟踪数据库,称为EDMERI数据库(眼球追踪数据库检测糖尿病黄斑水肿视网膜图像)。EDMERI允许定量分析的注视点和提供卓越地面实况数据模型研究。与几个公开的眼球追踪数据集相比,我们的新数据集的主要动机是为了检测糖尿病视网膜病变区域视网膜图像。

当前分析的目的是模拟视觉选择的认知过程相关的区域出现在检测糖尿病黄斑水肿视网膜图像。这加强了我们的假设测距装置是一个可见CSME特性。在这一约束下,我们收集了100图像测距装置(例如,图 1(一)从DIARETDB0) 6],DIARETDBI1 [ 6],MESSIDOR [ 21),和盯着 22),四个标准糖尿病性视网膜病变的数据库。这些图像存储在JPEG格式是1152×1500分辨率的大小。我们从十个专业眼科医生记录眼动跟踪数据,至少6年的经验,那些被要求查看这些图片发现糖尿病性视网膜病变区域。我们使用Tobii TX300眼动跟踪设备来记录眼球运动的采样率300 Hz的独特组合。它有非常高的精密度和准确度和健壮的眼睛跟踪和补偿大头部的运动扩展的可能性不引人注目的眼球运动的功能和人类行为的研究。各种研究资料,包括眼科医生,可以使用系统不需要广泛的培训。

我们收集眼球追踪糖尿病黄斑水肿100视网膜图像数据从10眼科医生。目光跟踪路径和固定的位置记录在(b)。连续发现地面真理(b)由高斯卷积在所有用户的固定位置。

原始图像

眼动跟踪

地面实况

在实验中,每个图像提出了10年代和紧随其后的是快速和自动校准程序。以确保高质量的跟踪结果,我们检查相机校准每10图像。在第一次观看1 s,眼科医生也许自由组织病理学图像看,所以我们丢弃的第一1 s查看每个眼科医生的跟踪结果。为了获得连续的地面实况图像从一个用户的眼球追踪数据,我们对面的一个高斯滤波器卷积用户的固定位置,类似于“山水地图。“我们重叠眼球追踪收集的数据从所有眼科医生(例如,图 1 (b)),然后生成地面实况的平均位置(例如,图 1 (c))。

 3.2。相关属性和贝叶斯公式

在本节中,我们将讨论视觉特点的相关属性概念在测距装置roi检测我们已经考虑和它们之间的关系。我们假设在视网膜图像特点值相对于至少两个属性,如下所述。

功能属性(FP)(特点是相对于像素的强度特性)。在自然界中,特性是传统上分为两种类型,高级和低级的特性。高级功能包括脸、文本和事件。低级功能包括强度、颜色、区域对比,和方向。自高级功能更复杂的定义和提取视网膜图像,我们只考虑低级特性。例如,当眼科医生诊断测距装置的存在,一个像素,并有很强的黄色特性往往是更重要的比一个较弱的。

位置属性(PP)(特点是相对于图像中像素的位置)。实际的眼科医生的精确诊断表明,测距装置总是出现在500年 μ米的中心凹。这意味着每个像素的概率分布特点的视网膜图像有很强的中心偏差性质,所以区位偏好在测距装置roi检测将被认为是在我们的方法。

考虑上述属性,一个像素的显著特点的概率可以被定义为给定的特性和位置。表示 F X = f X 1 , f X 2 , … , f X n , X = x , y ∈ 我 特性集包括 n 位于一个像素位置特性 X 的图像 我 。显著值可以表示为 P 年代 ∣ X , F X ,“ 年代 = 1”表明该像素 X 凸(即。,我t我年代我nDME RoIs) and zero otherwise. Based on the assumption that features can appear in all spatial locations, we assume X 和 F X 是相互独立的,Zhang et al。 5]。像素的概率 X 突出的可以写成 (1) P 年代 ∣ X , F X = P X , F X ∣ 年代 · P 年代 P X , F X = P X ∣ 年代 · P F X ∣ 年代 · P 年代 P X · P F X = P 年代 ∣ X P 年代 · P 年代 ∣ F X P 年代 · P 年代 = P 年代 ∣ X · P 年代 ∣ F X P 年代 ∝ P 年代 ∣ X · P 年代 ∣ F X 。 在( 1),这个词 P X ∣ 年代 卓越的概率是给定一个职位 X 和它对应位置属性(PP)。 P 年代 ∣ F X 的显著特性的概率是出现在位置吗 X 和它对应于特征属性(FP)。因此,卓越的概率显然是相对于两个方面:PP和FP。

 3.3。上优于卓越模型

手工设计措施的特点相比,我们遵循一个学习方法通过使用统计和机器学习方法直接从眼球追踪数据。基于( 1),当眼科医生诊断测距装置的存在,有两项影响显著的视网膜图像的像素值:FP和页之间,FP可以从使用支持向量机训练样本;页可以从地面实况的训练图像使用统计方法。如图 2,一套低级视觉特征提取一些训练图像。在特征提取过程中,前20%(50%)的特征点在地面真理选择训练样本在每个培训的形象。发送所有的训练样本来训练支持向量机模型。然后,一个测试图像可以分解成几个特征图和导入到支持向量机模型预测FP。同时,页也可以从训练图像和获得他们的地面实况统计分析。最后,两个部分相结合,显著地图后可获得复杂的高斯滤波器。

说明学习的过程和特点计算过程。功能特性:一套低级视觉特征提取一些培训图片。特征向量对应前20%(50%)的眼科医生准确诊断(地面实况)+ 1(0)分配标签。然后SVM分类器训练从这些特性和用于预测测试图像测距装置。位置属性:我们使用统计分析方法获得它从地面真理。最后,我们结合功能属性和位置属性采用。

特征提取。在分析了测距装置的数据集,我们首先提取一组功能在每个图像每个像素包括 米 × n 像素。在这里,我们使用低级特性,因为他们已经被证明与视觉注意力和有潜在生物合理性 13, 23]。

下面列出了这些特性:

因为他们生理上是合理的,并已被证明与视觉注意,我们使用的局部能量可操纵的金字塔过滤器( 24]功能。我们目前发现金字塔部分波段四方向和三个尺度,共13个图片。

传统上,强度,方向,和颜色作为特点的重要特性,推导了静态图像。我们包括三个通道对应这些图像特征计算Itti凸起的方法( 12]。

我们包括三个值的红色,绿色和蓝色通道以及三个特性对应概率每个颜色通道的每种颜色和五个概率从3 d图像的颜色直方图计算过滤与中值滤波在六个不同的尺度。

最终,所有功能增强在27维向量和分类器在下一小节中解释。每个特性线性化到地图 1 × 米 n 向量(类似的类标签)。

功能属性。在( 1),《外交政策》是一个给定的特性集之间的关系 F X 出现的位置 X 和卓越价值 年代 。最简单的方法来确定特点之一是平均所有的特征值。然而,一些功能可能比其他的更重要,所以给所有功能相同的重量是不合适的,会给贫困的结果。相反,我们使用支持向量机来实现功能属性。

我们编译一个大训练集采样图像在诊断。每个样本包含特性一度连同一个+ 1 /−1标签。正样本取自顶部 p 百分比显著像素的精确诊断和负样本取自底部 问 百分比。我们选择样本前20%和底部50%为了样品正面的和负面的。我们避免了样品在这两者之间的界限。我们没有选择任何样品在10像素边界的图像。我们训练模型使用比率负到正样本,从1到5,发现没有结果ROC曲线的变化,所以我们选择使用一个比1:1。训练特征向量被规范化为零均值和单位标准差和相同的参数被用来标准化测试数据。评估我们的模型,我们遵循了10倍交叉验证方法。数据库分区的方法分成十个随机子集,每个都有 米 图像。每个子集选择顺序测试集和余数作为训练集。每次我们从9部分训练模型和测试了剩下的部分。结果然后平均超过所有分区。

我们使用了LIBLINEAR支持向量机( 25),公开可用MATLAB版本的支持向量机,实现外交政策。我们采用线性内核速度和执行以及非线性多项式和RBF内核为我们的特定任务。在测试中,而不是预测标签(即。+ 1 /−1),我们使用的价值 W T f + b ,在那里 W 和 b 学参数。我们设置了误分类代价 c 1,发现性能是相同的 c = 1 来 c = 10 , 000年 和减少当小于1。

位置属性。所示( 1),页提供了精确的诊断偏爱一个图像。我们实现了PP使用一个简单的统计方法:总结密度的值在同一位置的地图数据库的图像,和规范化从0到1的结果。在实验中,我们表示 米 我 随着 我 地面实况图像。然后人民党矩阵 米 p 可以计算 (2) 米 p = ∑ 我 ∈ d 一个 t 一个 年代 e t 米 我 - - - - - - 最小值 ⁡ ∑ 我 ∈ d 一个 t 一个 年代 e t 米 我 马克斯 ⁡ ∑ 我 ∈ d 一个 t 一个 年代 e t 米 我 - - - - - - 最小值 ⁡ ∑ 我 ∈ d 一个 t 一个 年代 e t 米 我 。

基于这一发现,中心之前的大多数注视的中心附近发生图像可以观察到 米 p 。

属性组合。两个矩阵FP和PP,表示 米 f 和 米 p 分别结合显著图 米 年代 一个交叉操作和卷积操作,如图所示 (3) 米 年代 = 米 f • 米 p ∗ G F 。

在这里 • 代表一个产品和阿达玛 ∗ 表示卷积操作。我们设置了高斯滤波器的参数 δ 在10 EDMERI数据库。

 4所示。实验和结果

我们验证模型运用到两个问题:(1)测距装置roi预测和(2)分割视网膜图像测距装置的roi。我们使用EDMERI数据库评估我们的结果;每个图像的大小 1152年 × 1500年 像素。我们选择100个训练样本的训练图片,总共10000个训练样本。数据库提供眼科医生的眼球追踪数据作为地面真理。

由于没有共识在一个独特的得分显著模型评估,我们报告结果在三,包括ROC曲线下面积(AUC),挖土机距离(EMD)和相似性得分(SS)。一个表现良好的模型应该具有良好的整体成绩。

AUC。它是使用最广泛的指标来评估视觉特点。使用这个分数,地图模型的特点是视为一个二进制图像中每个像素分类器;像素的显著值超过一个阈值被归类为固定其余的像素被列为nonfixated [ 26]。精确的诊断作为地面实况。通过改变阈值,绘制ROC曲线为假阳性率和真阳性率,和曲线下的面积表明显著地图预测实际测距装置诊断。这两个发行版是完全平等的AUC = 1时,不是相对当AUC = 0.5, AUC = 0时负相关。

EMD。它代表了最低成本的变化分布到另一个。在这项研究中,我们使用的快速实现EMD沃曼[贝利和太多的 27, 28]。EMD等于零意味着两个分布是相同的;更大的EMD意味着这两个发行版更不同。

党卫军。这是另一个指标来衡量两个分布的相似之处。它首先可实现两个分布让之和= 1,然后和每个位置的最小值。学生总是在0和1之间。党卫军等于1意味着两个分布是相同的,党卫军等于零意味着两个分布是完全不同的。

三个质量测量,经典的敏感性,特异性,Youden J 统计计算。的敏感性和特异性的一整套计算分类像素,即一个像素是否属于一个RoI。经典,性能的方法是描述使用敏感性和特异性;他们占个人击中或错过。然而,我们感兴趣的是找到感兴趣的区域,也就是说,与语义的像素集合。因此,地区发现的每个方法的数量也比较每种方法的敏感性,对roi的数量,也是计算。

灵敏度。它也被称为真阳性率或召回在某些领域,衡量那些正确认证采取积极的比例,并互补的假阴性率。灵敏度越高,就越敏感的诊断测试。

特异性。它也被称为真阴性率,衡量底片的比例是正确地识别,并补充假阳性。特异性越高,更精确的诊断测试。

Youden的 J 统计。它也被称为Youden指数;这个可以写成公式( 4)。其范围从0到1的价值。指数赋予平等的假阳性和假阴性的重量值。Youden指数越高,越高真实性测试。考虑 (4) Youden指数 = 灵敏度 + 特异性 - - - - - - 1 。

4.1。测距装置roi预测 以下4.4.1。分析AUC, EMD和党卫军

据我们所知,这是第一个研究致力于从视网膜图像测距装置roi提取信息,使用bioinspired模型。开发方法与八个知名技术处理类似的挑战,但在自然场景。我们使用它们作为基线,因为他们也模仿视觉系统,尽管他们不是专门设计了检测在医学图像相关性;这八个模型目标( 29日],AWS [ 14],贾德[ 17],ITTI [ 5],GBVS [ 15,太阳 5),机顶盒( 30.],Torralba [ 4]。我们训练和测试模型的交叉验证数据集后10倍。EDMERI, 米 = 10 。统计结果如表所示 1。

性能比较EDMERI九模型的数据集。

指标 GT 我们的 目的 AWS GBVS ITTI 机顶盒 贾德 太阳 Torralba 平均
AUC 1.0000 0.8275 0.5610 0.6081 0.6748 0.6419 0.4723 0.7945 0.6449 0.6235 0.6498
EMD 0.0000 8.1524 13.4767 13.2513 12.3116 12.8744 17.9996 12.3079 12.4320 12.701 12.8341
党卫军 1.0000 0.1930 0.0853 0.0987 0.1066 0.1044 0.0055 0.1033 0.0932 0.0988 0.0991

表 1显示了比较评价EDMERI 9模型数据库的性能。在这个实验中,10倍的平均价值10倍交叉验证表 1用于比较。结果,我们有最好的AUC值,EMD,和党卫军。我们模型的AUC最高(0.8275),其次是贾德(0.7945)。然而,平均只有0.6498。和EMD的最小值显示在我们的模型(8.1524),小于12.8341的平均水平。这意味着我们的结果更一致,地面真值比其他模型。我们也有最佳的性能在党卫军值为0.1930。党卫军的平均值是0.0991,这只是我们的接近一半。一般来说,我们有很好的表现在这三个指标。和图 3提出了一些显著的例子地图由我们的方法和其他八个卓越模型。

一些显著地图由9从EDMERI数据库不同的模型以及使用ROC几个模型的预测。每一行所示的例子。从左到右:原始图像,地面真理,我们目标,AWS, GBVS, ITTI,机顶盒,贾德,太阳,Torralba。很明显,我们比其他更类似于地面实况凸起的地图。

在图 4,我们看到三个例子的ROC曲线在图 3描述不同的卓越模型的性能。的大小显著地区在中华民国方法中起着重要的作用。因为它不能单独突出区域从背景使用某个阈值,中华民国方法治疗显著地图作为地面真理不同阈值下的二元分类器。如图 4,我们的中华民国是高于其他模型从5%到20%显著;GBVS,贾德,ITTI2有更高的ROC凸区域时大于60%。这意味着当凸的定义区域发生变化时,使用中华民国的秩性能方法可能会改变。然而,突出测距装置在视网膜图像区域roi一般低于20%,在很多情况下更小。因此,我们的方法比其他模型的性能突出的地区时小。

一些ROC曲线由9三个例子的不同模型图 3。中华民国的高于其他模型从5%到20%显著;GBVS,贾德,ITTI2有更高的ROC凸区域时大于60%。突出的测距装置在视网膜图像roi区域一般在20%以下。因此,我们的方法比其他模型的性能突出的地区时小。

 4.1.2。分析的敏感性和特异性

不同的方法提取测距装置的能力从视网膜图像roi信息是评估使用传统的敏感性和特异性测量。这些结果如表所示 2。

9个模型的敏感性和特异性。

我们的 目的 AWS GBVS ITTI 机顶盒 贾德 太阳 Torralba 平均
灵敏度(%) 83.7 50.7 57.0 80.1 69.6 81.6 37.2 65.6 63.7 65.5
特异性(%) 77.7 59.2 64.5 57.0 58.1 74.1 60.1 60.0 55.4 62.9
Youden 0.614 0.099 0.215 0.371 0.277 0.557 −0.027 0.256 0.191 0.356

表 2显示9模型的敏感性和特异性50%显著区域。总的来说,所有的敏感性、特异性和Youden测量证据表明,我们的模型优于其它模型。我们的模型的敏感性是83.7%,超过了平均灵敏度18.2%,其次是机顶盒和GBVS 81.6%与80.1%。然而,贾德率最低(只有37.2%),我们的不到一半。和特异性的较大值(77.7%)也显示在我们的模型中,这超过了平均特异性14.8%。尽管机顶盒的敏感性和GBVS超过80%,特异性分别为74.1%和57.0%,分别;下都是我们的。的敏感性GBVS尤其是甚至低于平均水平。由于有最高价值的敏感性和特异性,Youden指数(0.614)我们的模型是最高的9模型,其次是机顶盒和GBVS 0.557与0.371。平均Youden指数是0.356,这是我们的只有超过一半。 The indisputable fact is that the higher Youden’s index is, the higher the authenticity the test has is, and our model outperforms the other models in all sensitivity, specificity, and Youden measurements based on Table 2。因此,我们适合从视网膜图像测距装置roi提取信息。

 4.2。测距装置roi检测

几乎所有显著区域检测方法利用凸起运营商,他们从那里开始段最突出的对象。因为他们没有专门设计了检测在医学图像相关性,很少有研究调查计算特点的相关性模型的上下文中医学图像异常检测。在这里,我们使用了三个著名的技术基线和表明,我们的方法可以提供一个良好的起点;这三个模型ITTI [ 3,老 19),Achanta [ 31日]。

我们计算ROC曲线在图 5binarizing显著地图使用固定阈值,每一个可能类似于固定阈值实验( 31日]。从(图进行了比较 5),我们的卓越模型更好地执行,而与其他三个竞争最先进的模型适合这项任务。图 6显示与诊断和检测我们的模型的例子和其他三个显著区域检测模型。可以看到,我们的模型能够成功地检测了测距装置roi, ITTI的roi和SR的roi失配地面真理,甚至更糟的是,Achanta不能检测测距装置的roi。

我们的模型与ITTI ROC曲线进行比较,SR, Achanta。

一些非规范显著地图测距装置roi检测由4个不同模型从EDMERI数据库。每一行所示的例子。从左到右:原始图像,GT,我们ITTI, SR, Achanta。很明显,我们比其他更类似于地面实况凸起的地图。

 5。讨论和结论

本文引入了一个新颖的策略,一个新的视觉显著模型使用贝叶斯概率理论和机器学习技术,用于选择测距装置在视网膜图像roi。模型启发测距装置在第一阶段的病理检查,过程主要由扫描研究始于视网膜图像。

到目前为止的底层机制控制测距装置roi选择在视网膜图像一直缺乏研究。最近的研究表明,一些视觉机制,例如,允许突出物体从背景和视觉注意力的过程,是相关的。这一事实表明,视觉系统能够选择性地专注于特定领域的形象,除了继承有高相关的意义。然而,这个想法还远未被充分利用;我们的方法能够获取一些基本事实;也就是说,相关性是一个全球性的财产由整合地方特色。

提出的策略是基于位置的交互属性和功能属性,结合一个简单的交叉操作使用贝叶斯概率理论和机器学习技术来获得显著的地图。我们的模型与传统contrast-based自底向上的方法,其学习机制可以自动学习特点和功能之间的关系。此外,基于与现有的学习模型,只考虑功能的组件,我们的模型同时考虑出现的频率特性和特征的像素位置,它直观地对卓越有强烈的影响。因此,我们的模型可以确定显著区域和更精确地检测测距装置roi。实验结果表明,该模型具有更好的性能比其他先进的模型。

 利益冲突

作者宣称没有利益冲突有关的出版。

 确认

中国支持的工作是NSF(61117115和61117115号),为中央大学基础研究基金,访问量“飙升明星”和“新人才和方向”程序。

 弗莱明 答:D。 Goatman k。 菲利普 年代。 威廉姆斯 g . J。 普莱斯考特 g . J。 苏格兰 g S。 麦克纳米 P。 Leese g . P。 ·怀克 w . N。 锋利的 p F。 奥尔森 j . A。 出血和渗出物检测的作用自动分级的糖尿病性视网膜病变 英国眼科学杂志的 2010年 94年 6 706年 711年 10.1136 / bjo.2008.149807 2 - s2.0 - 77953742472 早期治疗糖尿病性视网膜病变研究研究小组 治疗技术和糖尿病性黄斑水肿的临床指南凝固:早期治疗糖尿病视网膜病变的研究报告2号 眼科学 1987年 94年 7 761年 774年 10.1016 / s0161 - 6420 (87) 33527 - 4 Itti l 科赫 C。 Niebur E。 saliency-based视觉注意力模型的快速场景分析 IEEE模式分析与机器智能 1998年 20. 11 1254年 1259年 10.1109/34.730558 2 - s2.0 - 0032204063 Torralba 一个。 全球场景建模因素的关注 美国光学学会杂志》上 2003年 20. 7 1407年 1418年 10.1364 / josaa.20.001407 2 - s2.0 - 0042575543 张 l 通 m . H。 标志着 t·K。 山 H。 科特雷尔 g·W。 太阳:贝叶斯框架特点使用自然统计数据 杂志的视觉 2008年 8 7 1 20. DIARETDB:糖尿病视网膜病变数据库和评估协议, http://www.it.lut.fi/project/imageret/diaretdb0/index.html下载 菲利普斯 r P。 斯宾塞 T。 罗斯 p·g·B。 锋利的 p F。 弗雷斯特 j . V。 量化糖尿病黄斑病变的眼底数码影像 眼睛 1991年 5 1 130年 137年 10.1038 / eye.1991.24 2 - s2.0 - 0025770428 猎人 一个。 洛厄尔 j . A。 赖德 B。 巴苏 一个。 钢 D。 自动诊断的可参考的黄斑病变在糖尿病性视网膜病变筛查 学报》第33届国际会议的IEEE在医学和生物工程协会(磨床的11) 2011年9月 波士顿,美国质量 IEEE 3375年 3378年 10.1109 / iembs.2011.6090914 2 - s2.0 - 84055217941 迪帕克 k . S。 Sivaswamy J。 自动评估视网膜黄斑水肿的颜色图片 IEEE医学成像 2012年 31日 3 766年 776年 10.1109 / TMI.2011.2178856 2 - s2.0 - 84857957252 Osareh 一个。 Mirmehdi M。 托马斯。 B。 马卡姆 R。 自动识别的渗出性黄斑病变使用模糊c均值聚类和神经网络 《医学图像理解和分析会议(MIUA 01) 2001年 英国伯明翰 49 52 Lim s T。 扎基 W·m·d·W。 侯赛因 一个。 Lim s . L。 Kusalavan 年代。 糖尿病性黄斑水肿的自动分类在数字眼底图像 《IEEE关于人文、科学和工程(CHUSER 11) 2011年12月 马来西亚槟城 265年 269年 10.1109 / chuser.2011.6163730 2 - s2.0 - 84858985774 佩纳 g . P。 Andrade-Filho j·S。 病理学家如何诊断? 病理学和实验室医学档案 2009年 133年 1 124年 132年 2 - s2.0 - 58349100735 科赫 C。 Ullman 年代。 选择性视觉注意的变化:对潜在的神经回路 人类的神经生物学 1985年 4 4 219年 227年 2 - s2.0 - 0022388528 迪亚兹 a·G。 Fdez-Vidal x R。 帕尔多 x M。 Dosil R。 解相关和特殊性提供类似人类的特点 先进的智能视觉系统概念(ACIVS) 2009年 柏林,德国 施普林格 343年 354年 10.1007 / 978 - 3 - 642 - 04697 - 1 - _32 Harel J。 科赫 C。 Perona一起 P。 基于视觉特点 会议的程序在神经信息处理系统(捏' 06) 2006年12月 加拿大温哥华 545年 552年 Kienzle W。 Wichmann 答:F。 Scholkopf B。 弗朗茨 m . O。 Scholkopf B。 非参数方法自底向上的视觉特点 会议上的神经信息处理系统(捏' 07) 2007年 689年 696年 Tilke J。 Ehinger K。 杜兰 F。 Torralba 一个。 学会预测人类看 学报》第12届国际会议在计算机视觉和模式识别(CVPR ' 09) 2009年10月 日本京都 IEEE 2106年 2113年 10.1109 / iccv.2009.5459462 2 - s2.0 - 77953205576 Jampani V。 放进 Sivaswamy J。 Vaidya V。 评估计算视觉注意力模型的医学图像 学报》第八届印度计算机视觉、图形和图像处理(ICVGIP 12) 2012年12月 ACM 10.1145/2425333.2425413 2 - s2.0 - 84872764930 侯 X。 张 l 卓越检测:光谱残留的方法 《IEEE计算机视觉与模式识别会议(CVPR ' 07) 2007年6月 美国明尼苏达州明尼阿波利斯 IEEE 1 8 10.1109 / cvpr.2007.383267 2 - s2.0 - 35148814949 古铁雷斯 R。 戈麦斯 F。 Roa-Pena l 罗梅罗 E。 一个监督可视模型寻找基底细胞癌的兴趣区域图像 诊断病理学 2011年 6日,第二十六条 97年 105年 10.1186 / 1746-1596-6-26 MESSIDOR:评估分割和索引的方法, http://messidor.crihan.fr/download-en.php 视网膜的凝视:结构化分析, http://messidor.crihan.fr/download-en.php -特雷斯曼 a . M。 Gelade G。 feature-integration理论的关注 认知心理学 1980年 12 1 97年 136年 10.1016 / 0010 - 0285 (80)90005 - 5 2 - s2.0 - 0018878142 Kootstra G。 Nederveen 一个。 德布尔 B。 注意对称 19世纪英国机器视觉研讨会论文集(BMVC ' 08) 2008年9月 1115年 1125年 10.5244 / c.22.111 2 - s2.0 - 84898481169 常 c c。 林 C.-J。 LIBSVM:支持向量机的库 ACM智能交易系统和技术 2011年 3 2 10.1145/1961189.1961199 2 - s2.0 - 79955702502 布鲁斯 n . B。 Tsotsos j·K。 基于信息最大化的特点 先进的神经信息处理系统(捏' 05) 2005年 298年 308年 贝利 O。 沃曼 M。 一个线性时间直方图度量提高筛选匹配 5304年 学报第十届欧洲计算机视觉大会' 08) 2008年10月 法国马赛的 495年 508年 贝利 O。 沃曼 M。 快速、健壮的挖土机的距离 《IEEE 12计算机视觉国际会议(ICCV ' 09) 2009年10月 日本京都 460年 467年 10.1109 / iccv.2009.5459199 2 - s2.0 - 77953203542 布鲁斯 n . d . B。 Tsotsos j·K。 基于信息最大化的特点 先进的神经信息处理系统 2006年 麻省理工学院出版社 155年 162年 德克 W。 科赫 C。 注意突出proto-objects建模 神经网络 2006年 19 9 1395年 1407年 10.1016 / j.neunet.2006.10.001 2 - s2.0 - 33750684017 Achantay R。 Hemamiz 年代。 Estraday F。 Susstrunky 年代。 Frequency-tuned显著区域检测 《IEEE计算机视觉与模式识别会议(CVPR ' 09) 2009年6月 美国佛罗里达州迈阿密 IEEE 1597年 1604年 10.1109 / cvprw.2009.5206596 2 - s2.0 - 70450186191