CMMM 计算和数学方法在医学 1748 - 6718 1748 - 670 x Hindawi 10.1155 / 2018/6084798 6084798 研究文章 自动分割方法筛查诊断年龄相关性黄斑变性脉络膜小疣的视网膜图像 http://orcid.org/0000 - 0003 - 0443 - 0051 金 年轻Jae 1 http://orcid.org/0000 - 0001 - 9714 - 6038 金 Kwang胃肠道 1 多哥 Fumiharu 生物医学工程系 Gachon大学医学院的 仁川 韩国 gachon.ac.kr 2018年 12 3 2018年 2018年 10 10 2017年 13 01 2018年 06 02 2018年 12 3 2018年 2018年 版权©2018名年轻Jae金姆和Kim Kwang Gi。 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。

现有点测量在诊所难以使用,因为它需要大量的时间和精力进行目视检查。为了解决这个问题,我们提出一个自动点检测方法,帮助临床诊断的年龄相关性黄斑变性。首先,我们改变了绿色通道,眼底图像中提取ROI的黄斑区基于视盘。接下来,我们发现候选人组使用不同图像的中值滤波在ROI。我们也分段船舶,并把他们从图像。最后,我们发现点通过Renyi熵阈值算法。我们进行手动检测结果之间的比较和统计分析和自动检测结果30例以验证有效性。结果,平均灵敏度为93.37%(80.95% ~ 100%)和DSC平均为0.73 (0.3 ~ 0.98)。此外,国际刑事法庭的价值为0.984 (CI: 0.967 ~ 0.993,<我nline-formula> p < 0.01 ),显示了高可靠性的自动方法。我们希望自动点检测有助于临床医生提高诊断性能检测的点在眼底图像。

 Gachon大学 GCU部件2017 - 0211 GCU部件2017 - 5274 1。介绍

年龄相关性黄斑变性(AMD)是一个在美国视力损害的重要原因之一。AMD影响超过175万人在美国,据估计,这个数字将增加到300万年的2020 ( 1]。AMD的发病率与日益增长的老年人口将继续上升,导致视觉残疾,生活质量,减少和增加的风险下降,骨折,抑郁,和死亡率 2, 3]。

黄斑变性是引起黄斑视网膜色素上皮(内部或外部存储 4]。点分为两种类型:硬点或软点。硬点是能够进步软点可以在各年龄组群中出现且在很大程度上是与黄斑变性无关。软点发展脉络膜的老年人可以找到新血管形成导致视力丧失和相关黄斑变性 5]。黄斑变性仍缺乏有效的治疗方法,预防是重要的:预防进展硬点到软点的连续测量。因此,定量测量的点是非常重要的,防止黄斑变性。然而,手动点测量基于现有视觉检验需要大量的时间和精力。此外,主观决定的影响使手动测量不可靠。

在这项研究中,我们的目标是解决问题的手工测量通过开发一个自动点分割方法基于计算机辅助诊断(CAD)。CAD是各种图像处理技术用于执行困难的测量( 6, 7]。眼科医生可以节省时间点自动测量。此外,结果通过客观、定量测量高重现性和可靠性。在本文中,我们开发了一个算法,准确地细分点在使用中值滤波和Renyi眼底图像的阈值算法。此外,我们验证了算法的比较结果手动分割方法。

 2。材料和方法

在我们的研究中,我们收集48眼底图像的老年性视网膜黄斑性病变首尔国立大学盆唐医院。这些30眼底图像,从左边15被捕而15从右边被抓获。测试图像数据有宽1536像素,高1024像素在一个32位的RGB颜色。项目试验中使用Microsoft Visual Studio(版本。2010年,微软,微软,佤邦,美国),ITK (Insight分割和注册工具包,Kitware Inc .,纽约,美国),和VTK(美国纽约可视化工具包,Kitware Inc .)。

 3所示。方法

点的自动测量方法提出了本文主要包括预处理、点候选人检测和后处理任务。图 1显示了完整的算法,本文提出的流程图。

该算法的流程图。

 3.1。预处理 3.1.1。颜色分割

为了检测脉络膜小疣,我们分析了色彩空间,显示黄斑最在所有其他颜色空间的图片:RGB(红绿蓝),他(hue-saturation-intensity), CMYK (cyan-magenta-yellow-black), G / R和R / B(绿/红、红/蓝乐队),等等。实证观察提供的选择里面的绿色通道,通道与最大的对比在RGB空间中。绿色带包含有用的信息,为频道拥有最大的对比在RGB空间中。红波段反射率图像中包含有用的信息,因此强烈受非均匀光照的影响,而蓝色乐队相对少提供了信息,这不是有用的点检测。绿色带更丰富点,从照明的总体变化影响较小 8]。因此,本文使用绿色的过滤器在RGB空间形象。

 3.1.2。感兴趣的区域(ROI)

ROI被放置在哪里点主要出现在哪里点影响视力。本文用自动点检测方法在ROI收敛半径的圆连接从中央到视盘眼科医生认为重要。

我们发现视神经乳头为了选择ROI。视盘是视神经的开始部分,最亮的点都在眼底图像。因此,它只能由阈值检测是可行的。然而,最亮的位置8位图像为检测强度256是不够的;我们标签阈值后的位置。视神经乳头还可以有相似的像素强度,因此在本文中,我们提出一个准确检测阈值和标记。我们已经标记超过200的高强度,因为视盘拥有最亮的强度图像,我们认为最大的标签作为视神经盘。200人经验决定通过实验的强度值与不同的值。我们计算值像素点使用光学磁盘标签和跟踪视神经乳头的位置,它们可能是一部分,向左或向右的中心形象。找到位置,我们测量值的像素点之间的距离视盘和最后对视盘图像。 We determined the midpoint of the distance as the median pixel point of ROI and set up the area of ROI in sphere. Figure 2显示了视神经盘的例子和ROI检测结果。

视神经盘和ROI检测结果的例子。点检测执行只有在ROI。

 3.2。点候选人检测

探测点的候选人,中值滤波器。中值滤波器保持激进的变化对脉冲噪声的非线性滤波方法有效( 9]。根据它安排面具区域测量尺寸和选择中值。硬点的特点是小点的形状。我们应用中值滤波使用大面具比穿衣服的大小。在应用图像,穿衣都消失了。我们尝试了各种大小的面具,决定30×30面具是适当的。我们能找到点位置通过实现图像和原始之间的差异。但是,不影响原始图像由于噪声点检测,我们、减图像使用删除噪声图像应用中值滤波的小尺寸的面具只影响噪声除了穿衣。我们尝试了各种大小的面具和确定适当的消除嘈杂的在不影响点的5×5面具。图 3显示了之前和之后的结果应用小面具大小中值滤波降噪。结果表明,点没有被移除,但小脉冲噪声被移除。

之前和之后的示例结果应用小mask-sized中值滤波降噪。在(a), salt-type噪音显示箭头所指向的地方,但在(b)噪声被移除,它是无形的。(一)图像在应用中值滤波;(b)应用中值滤波后的图像。

图 4礼物一双图像被不同的中值滤波和图像减去测量。减去图像对比集中在较低的区域。然而,我们使用直方图直方图传遍灰度拉伸,这样对比可以更高。减去的形象,结果是由血管,视盘、背景、和点。当摆脱这些nondrusen地区一个接一个,最后点进行检测。

不同的中值滤波结果的例子。(a)、(d) (g)中值滤波的结果,面具的大小是5。(b)、(e)、(h)中值滤波的结果,面具的大小是30。(c)的结果减去形象(a)和(b)之间。(f)的结果减去形象(d)和(e)之间。(我)的结果减去图像(g)和(h)之间。

 3.3。减少后处理(FP)

减去使用中值滤波,图像的像素强度变化根据两张图片之间的亮度差异。点远比其他地区高像素强度。背景像素在两张图片为0或更低强度几乎没有差异。中检测到的候选人,一些高像素强度可以显示脉络膜小疣,视神经乳头,和血管高强度比背景。本文提出了一种两步方法检测脉络膜小疣,视神经乳头,血管的候选人。然后,它提出了检测nondrusen,似乎在视盘血管检测脉络膜小疣。

3.3.1。容器检测

在减去图像,nondrusen候选人可以找到附近的视盘和船相比,高强度的背景。这个问题的第一个方法是检测视盘和血管。我们也消除违规在结果图像。视神经乳头能找到当ROI。血管分割提出了使用视盘坐标和区域生长方法,其高像素强度( 10]。种子点内植入视神经盘面积:所有从视盘血管的,所以相同的像素强度与血管确定种子点和我们进行区域增长。

 3.3.2。阈值

候选人中减去图像,低像素强度背景被使用自动阈值技术。自动阈值技术有多种不同的算法阈值:大津阈值( 11, 12,Renyi熵阈值( 13, 14),最大熵阈值,最小叉阈值,日圆阈值,等等。

在本文中,我们目前Renyi熵方法的阈值。我们各种自动阈值方法应用于数据,和Renyi的熵方法显示更好的结果。图 5显示各种自动阈值方法的比较。

的例子,比较各种自动阈值方法的结果。(一)原始图像,(b)最大熵阈值,阈值,(c)最小叉(d)大津阈值,阈值(e)日元,(f) Renyi熵阈值。

Renyi的熵阈值法 13使用两个概率分布,感兴趣的对象在一个图像和背景的基于灰度分布。让<我nline-formula> P 0 , P 1 , P 2 , … , P 255年 的灰度值概率分布。感兴趣的对象<我nline-formula> 一个 1 和背景<我nline-formula> 一个 2 计算为 (1) P 一个 1 = ∑ 我 = 0 t P 我 , P 一个 2 = ∑ 我 = t + 1 255年 P 我 , P 一个 1 + P 一个 2 = 1 。

Renyi熵的图像<我nline-formula> α 定义如下: (2) H T α = 1 1 - - - - - - α ln ⁡ ∑ k = 0 255年 P k α 。

α 在公式( 2)意味着实数,<我nline-formula> α (≠1),Renyi的熵<我nline-formula> H T α 收敛在香农熵<我nline-formula> H T 根据<我nline-formula> lim ⁡ α → 1 H T α = H T 。Renyi的熵与感兴趣的对象和背景分布可以由 (3) H 一个 1 α t = 1 1 - - - - - - α ln ⁡ ∑ 我 = 0 t P 我 P 一个 1 α , H 一个 2 α t = 1 1 - - - - - - α ln ⁡ ∑ 我 = t + 1 255年 P 我 P 一个 2 α 。

t ( α ) 代表最大的灰度值<我nline-formula> H 一个 1 α t + H 一个 2 α t 在公式( 4)。和<我nline-formula> t 1 ,<我nline-formula> t 2 ,<我nline-formula> t 3 根据确定<我nline-formula> α 在公式(3类型的结果 5): (4) t α = 参数 马克斯 t ∈ G ⁡ H 一个 1 α t + H 一个 2 α t , (5) t α = t 1 我 f 0 < α < 1 t 2 我 f α ⟶ 1 t 3 我 f 1 < α < ∞ 。

当<我nline-formula> α 是1<我nline-formula> t 2 ,结果等于相同的结果发现的最大熵和方法。当<我nline-formula> α > 1 这是<我nline-formula> t 3 结果等于结果发现熵的相关方法。最优阈值<我nline-formula> t c 计算通过使用<我nline-formula> t 1 ,<我nline-formula> t 2 ,<我nline-formula> t 3 如以下公式: (6) t c = t 1 P t 1 + 1 4 ω β 1 + 1 4 t 2 ω β 2 + t 3 1 - - - - - - P t 3 + 1 4 ω β 3 。

P t = ∑ 我 = 1 t P 我 和<我nline-formula> ω = P t 3 - - - - - - P ( t 1 ) 。<我nline-formula> β 1 , β 2 , β 3 定义如下: (7) β 1 , β 2 , β 3 = 1、2 , 1 我 f t 1 - - - - - - t 2 ≤ 5 , t 2 - - - - - - t 3 ≤ 5 1、2 , 1 我 f t 1 - - - - - - t 2 > 5 , t 2 - - - - - - t 3 > 5 0 1 , 3 我 f t 1 - - - - - - t 2 ≤ 5 , t 2 - - - - - - t 3 > 5 3、1 , 0 我 f t 1 - - - - - - t 2 > 5 , t 2 - - - - - - t 3 ≤ 5 。

图 6礼物的结果Renyi熵阈值应用到一个图像包含点的候选人。我们只能探测点不存在噪声排除一些地区附近的血管和周围的形象。然而,周边地区的形象和血管附近的视盘定位出ROI没有影响力的点检测。

Renyi熵阈值算法结果的例子。(一),(c)的图像点的候选人。(b), (d)图像Renyi熵阈值的算法。

 4所示。结果

我们提出一个自动点检测方法使用中值滤波和Renyi的阈值算法。结果如图 7。

点按大小检测结果的例子(小,中,大尺寸玻璃疣)。人工检测方法之间的对比,提出自动检测方法。

我们进行手动分割结果之间的统计分析和自动分割结果30例以验证该方法的。获得手动分割的结果,眼科医生分段点使用内部开发的软件。统计分析使用条件概率(敏感性、特异性、准确性和骰子的相似系数(DSC)),相关分析和可靠性分析。

我们自动检测视神经盘的位置和ROI黄斑在30个数据集。的位置检测视神经盘和ROI评估了眼科医生。因此,视神经盘的位置和ROI检测准确率达到了100%。

本文真阳性(TP),假阳性(FP),真正的负面(TN),假阴性(FN)的计算是通过比较的结果自动和手动的方法。TP意味着点被正确地检测到,FP意味着它检测到错误的地方以外的点,TN意味着它没有检测到nondrusen, FN意味着点并没有检测到。这两种不同计算方法“逐像素”和“地区”被用来得到结果。“逐像素”是在预定义的ROI比较每个像素;“地区”是根据面积计算点的地区进行比较。

TP, FP、TN和FN计算两种方法和条件概率计算如表所示 1。“逐像素”一般的方法显示,81.93%(67.31% ~ 94.58%)的敏感性,96.83%(87.09% ~ 99.24%)特异性,94.82%(86.15% ~ 98.45%)的准确性,0.79 (0.68 ~ 0.94)DSC。同时,“地区”一般的方法显示,93.37%(80.95% ~ 100%)的敏感性和0.73 DSC (0.3 ~ 0.98)。特异性和准确性被排除在外,因为它是不可能计算TN的方法“地区”。

统计分析结果之间的手动分割和自动分割。

灵敏度(%) 特异性(%) 精度 DSC
像素的像素 81.93 96.83 94.82 0.79
区域的区域 93.37 - - - - - - - - - - - - 0.73
相关 0.986 ∗
国际刑事法庭 0.987 ∗

p ∗ < 0.01 。

本文进行了相关分析和可靠性分析领域自动和手动点测量的方法。因此,点的面积来衡量自动方法显示了显著相关(<我nline-formula> r = 0.986 ,<我nline-formula> p < 0.01 )和黄斑的面积测量的手工方法使用皮尔逊相关性分析的相关性如图 8(一个)。此外,Bland-Altman情节显示很好的可比性如图 8 (b),因为大多数值在±1.96标准的平均位置偏离各自的区域差异。在可靠性分析中使用组内相关系数(ICC)用来评估两个评价者之间的协议,国际刑事法庭是0.984 (CI: 0.967 ~ 0.993,<我nline-formula> p < 0.01 )点来衡量区域之间的手动和自动的方法,和测量区域没有区别。

图的手动和自动面积测量结果之间的相关性。(一)散点图;(b) Bland-Altman情节。

 5。讨论

现有点测量在诊所难以使用,因为它需要大量的时间和精力进行目视检查。为了解决这个问题,我们提出了一个自动的点检测方法利用计算机图像处理技术。自动检测结果的敏感性比手动检测结果是93.37%和DSC是0.73。这个结果的敏感性高于其他研究的结果表明,试图自动点检测。例如,布兰登和胡佛试图设计一个多级分类方法的统计方法,获得了平均87%的准确性119图片 15]。此外,高丝等人尝试自动分割点通过逆区域增长的方法获得了平均92.07%的准确性和30个图像( 16]。布兰登和胡佛的研究显示检出率相对较低的检出率为87%。此外,由于整个眼底图像使用没有ROI,需要很长时间的FP算法和发生的概率增加。另一方面,我们可以减少算法的处理时间和检测更准确地说,因为我们限制算法目标通过ROI黄斑区。高丝等。研究显示精度高。然而,它是基于区域增长算法。如果有一个梯度的眼底图像,它可以影响的区域增长算法。然而,因为我们使用不同的图像梯度,有一个优势,阈值可以精确地检测到没有任何问题由梯度引起的。上面的研究相比,使用不同的数据进行评估。因此,很难客观地比较研究。 In future studies, we will use open-data to evaluate the performance of the proposed method and to perform additional validation by comparing it with other studies using the same data.

“逐像素”和“地区”方法显示高灵敏度(81.93%,94.82%),而DSC(0.79, 0.73)显示相对较低的结果。分析,DSC低是因为FP检测。此外,软点和一个广泛的形状在检测由于模糊的边界限制。《外交政策》的主要原因是背景噪音。我们可以通过调整减少FP滤波器的内核,但有一个风险影响点。因此,有必要研究算法,可以消除噪音不影响点。我们期望它可有效减少FP利用技术使用的特征点(如机器学习更深的学习。在进一步的研究中,我们认为,可以提高性能通过开发额外的FP删除算法来解决问题和软点检测。总之,我们希望自动点检测有助于临床医生提高诊断脉络膜小疣在眼底图像的检测性能。

 的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

 确认

这项工作是Gachon大学提供资助,大韩民国(GCU部件2017 - 0211,GCU部件,2017 - 5274年)。

 眼睛疾病患病率研究小组 在美国流行agerelated黄斑变性 角膜切削 2004年 122年 564年 572年 布罗迪 b . L。 Gamst a . C。 威廉姆斯 r。 史密斯 a。R。 刘 p W。 Dolnak D。 派波特 m . H。 卡普兰 r·M。 布朗 我美国。 抑郁、视力、并发症和残疾与年龄相关性黄斑变性有关 眼科学 2001年 108年 10 1893年 1900年 10.1016 / s0161 - 6420 (01) 00754 - 0 2 - s2.0 - 0034812871 曾 诉L。 余 F。 亮度 F。 科尔曼 a . L。 骨折在医疗保险受益人白内障手术后的风险 《美国医学协会杂志》上 2012年 308年 5 493年 501年 10.1001 / jama.2012.9014 2 - s2.0 - 84864522884 Schlanitz f·G。 鲍曼 B。 ·昆蒂 M。 Sacu 年代。 Baratsits M。 Scheschy U。 Shahlaee 一个。 Mittermuller t·J。 Montuoro 一个。 罗伯茨 P。 面前退却 M。 Hitzenberger c K。 Schmidt-Erfurth U。 黄斑体积发展随着时间的推移和年龄相关性黄斑变性的过程的相关性 英国眼科学杂志的 2017年 101年 2 198年 203年 2 - s2.0 - 84963839138 10.1136 / bjophthalmol - 2016 - 308422 Algvere p V。 Kvanta 一个。 Seregard 年代。 点黄斑病变:视觉恶化的危险因素 Acta Ophthalmologica 2016年 94年 5 427年 433年 2 - s2.0 - 84979070054 10.1111 / aos.13011 林 D。 Vasilakos 答:V。 唐 Y。 姚 Y。 神经网络的计算机辅助医学诊断:审查 Neurocomputing 2016年 216年 700年 708年 2 - s2.0 - 84994473902 10.1016 / j.neucom.2016.08.039 范Ginneken B。 Schaefer-Prokop c . M。 h神 M。 计算机辅助诊断:如何从实验室转移到诊所 放射学 2011年 261年 3 719年 732年 10.1148 / radiol.11091710 2 - s2.0 - 81555205692 Alhamami m·A。 Elsner 答:E。 Malinovsky 诉E。 克拉克 c。 自己 b P。 小泽 g . Y。 Cuadros j . A。 Baskaran K。 使惊讶 t·J。 Litvin t . V。 穆勒 m . S。 Brahm s G。 年轻的 美国B。 三浦 M。 囊肿在红色和绿色的图片比较糖尿病黄斑水肿 视光学和视觉科学 2017年 94年 2 137年 149年 10.1097 / OPX.0000000000001010 2 - s2.0 - 84995467740 莫汉 答:S。 达斯 美国年代。 医学图像增强技术通过底部的帽子和中值滤波 国际电子通信和计算机工程杂志》上 2014年 5 347年 351年 哈迪 g . M。 萨勒曼 n . H。 图像分割是基于单个种子区域生长算法 ZANCO纯粹与应用科学杂志》上 2016年 28 120年 126年 Rapantzikos K。 Zervakis M。 红晶石 K。 检测和分割的人类视网膜黄斑存款:潜在的在年龄相关性黄斑变性的诊断 医学图像分析 2003年 7 1 95年 108年 10.1016 / s1361 - 8415 (02) 00093 - 2 2 - s2.0 - 0037345914 Ng H。 自动缺陷检测的阈值 模式识别的字母 2006年 27 14 1644年 1649年 2 - s2.0 - 33747886893 10.1016 / j.patrec.2006.03.009 Sahoo P。 威尔金斯 C。 耶格尔 J。 阈值选择使用Renyi的熵 模式识别 1997年 30. 1 71年 84年 2 - s2.0 - 0030824981 10.1016 / s0031 - 3203 (96) 00065 - 9 Zbl1121.94302 Sahoo p K。 Arora G。 基于二维Renyi熵阈值方法 模式识别 2004年 37 6 1149年 1161年 10.1016 / j.patcog.2003.10.008 2 - s2.0 - 2142643138 布兰登 l 胡佛 一个。 黄斑视网膜图像使用多层次的分析检测,医学影像计算和计算机辅助Intervention-MICCAI 2003 2003年 2878年 海德堡,柏林 施普林格 在计算机科学的课堂讲稿 10.1007 / 978 - 3 - 540 - 39899 - 8 - _76 高丝 C。 Şevik U。 Gencalioǧlu O。 自动分割年龄相关性黄斑变性的视网膜眼底图像 计算机在生物学和医学 2008年 38 5 611年 619年 2 - s2.0 - 42749090705 10.1016 / j.compbiomed.2008.02.008