基于学习的视觉显着性模型检测视网膜图像中的糖尿病黄斑水肿

抽象的

本文提出了一种基于学习的视力视力模型方法，用于检测视网膜图像中诊断糖尿病黄斑（DME）的诊断糖尿病水肿（DME）区域。该方法介绍了在眼科医生图像检查期间出现的相关区域的视觉选择的认知过程。要记录此过程，我们将在100张图像上收集10个眼科医生的眼睛跟踪数据，并将此数据库用于培训和测试示例。基于分析，可以通过简单的交叉操作来导出两个属性（特征属性和位置属性）以获得显着性图。特征属性由支持向量机（SVM）技术实现，使用诊断为主管;立场财产是通过训练样本的统计分析来实施。这种技术能够学习眼科医生视觉行为的偏好，同时考虑特征唯一性。使用三个流行的显着性模型评估分数（AUC，EMD和SS）和三种质量测量评估该方法（古典敏感，特异性和yeden's统计）。所提出的方法优于8个最先进的显着模型和3个突出区域检测方法，用于自然图像。此外，我们的模型成功地检测视网膜图像中的DME ROI，而没有复杂的图像处理，例如区域分割。

1.介绍

糖尿病是一种慢性疾病，可能导致许多严重的并发症，包括糖尿病视网膜病变（DR，视网膜损伤）。博士是失明的重要原因。占全球失明的百分之一度可以归因于DR [1］．糖尿病黄斑水肿（DME）是博士中最常见的视觉损失原因，这是由于液体血管泄漏。幸运的是，早期治疗糖尿病视网膜病变研究（ETDRS）已经能够将临床显着的黄斑水肿（CSME）患者的中度视力丧失减少约50％[2］．因此，早期诊断DME对预防视力下降非常重要。由于DME早期无视觉症状，建议采用眼底图像进行诊断和治疗。眼底图像分析有助于眼科医生了解疾病的发病和评估。视网膜图像中具有临床意义的感兴趣区域(RoIs)的可靠确定是DME诊断策略的最基础。新型廉价眼底照相机的出现和信息技术的快速发展使DME roi选择的自动化系统成为可能。这一工具将在卫生营特别有用，特别是在发展中国家的农村地区，那里有大量的人口因这些疾病而死亡，但这些人还不知道。

在视网膜图像中，渗出物是最重要的视网膜病变。然而，在500内有硬黄色渗出物μ.具有相邻视网膜增厚的FoVEA的中心，表明，由ETDRS定义的临床上显着的黄斑水肿（CSME）的存在[2］．但自动DME ROI在视网膜图像中发现是一个非常具有挑战性的任务。因为诸如血管和外径（OD）的诸如血管oculi的其他视网膜特征也具有相似的亮度图案和灰度水平变化，因此目前的低水平测量引发方法对视网膜图像的天真使用可能会失败。

然而，眼科医生始终能够弄清楚非常精确的诊断。当他们在视网膜图像中寻找CSME时，注意力帮助他们快速忽略“通常”并找到“不寻常”的视觉元素。已经提出了一些关注模型，以预测人们在自然场景中看的地方[3.-5.］．虽然现有的显着模型做得很好，但模型在DME ROIS检测中使用有限，因为它们经常与实际的眼科医生精确诊断（地面真理，GT）不匹配。

在本文中，我们向DME检测提出了三种贡献。首先，我们在DME检测的背景下介绍视网膜图像中的计算视力模型。通过这种模式，我们模拟了眼科医生的第一考试步骤，其中她/他定义并分开了高信息DME诊断区域。其次，通过分析精确的诊断，我们只选择了一些涵盖了综合眼科医生的视觉行为的概念，阐明了它们之间的相互作用，并开发了实现视觉显着性的方法。该方法在DME组织和空间特性方面将低级图像表征的优点与高判别功率相结合，从眼科医生学习的信息。第三，我们表明我们的模型能够在视网膜图像中检测到DME ROI的模型优于主流突出区域检测方案。

本文组织如下。部分2提供了对某些以前作品的简要描述和讨论。部分3.致力于描述模型的实现。在部分3.1，我们介绍了显着模型研究的图像，眼睛跟踪数据和地面真理数据。部分3.2描述显著性概念的属性、派生和关系。我们模型的详细描述在Section中3.3．部分4.使用三个流行的显着模型评估分数（AUC，EMD和SS）和三种质量测量（古典敏感，特异性和YOUNDEN的方法来评估我们的方法统计数据）具有8个最先进的显着模型和3个突出区域检测方法。结论和观点在部分讨论5.．

2.相关工作

视网膜图像中DME RoIs的自动检测问题已经被许多技术所解决[6.］．Phillips等人。[7.已经提出了使用荧光素血管造影来定量糖尿病癌疗法的方法。遮阳校正和阈值技术的组合用于预处理。然后通过基于图像中的灰度水平分布计算的阈值化来检测渗出物。亨特等人。[8.用于自动诊断可引用的癌症的特征提取和分类技术。该技术检测和滤除具有强烈局部对比度的候选点。接下来进行候选地区的分割，以找到病变的位置。通过特征提取技术区分病变与非粘附。作者使用了候选人的形状，颜色和纹理和它与周围的视网膜背景之间的对比。多层Perceptron（MLP）用作分类器，其将病变分类为暗或明亮。用于检测和分类眼底图像的DME严重性的两层方法[9.］．第一步是一个受监督的学习方法，通过将眼底图像分类为正常或异常。通过检查使用旋转不对称度量的黄斑区域的对称性，异常的眼底图像进一步分为中等和严重的DME。奥萨雷等人。[10.使用了地区分类的自动方法，进入渗出物和使用神经网络的非挤出斑块。使用颜色标准化和对比度增强技术预处理眼底图像。使用模糊地将图像分割成均匀区域C- eans集群。基于黄斑地区Lim等人的渗出物的位置。[11.]将眼底图像分为正常、1期和2期。利用标记控制分水岭变换从眼底图像中提取渗出物。

DME病理诊断是由眼科医生掌握的复杂系列活动的结果。古典心理物理理论表明，复杂的视力检查，如眼科医生检查，涉及高度的视觉注意力[12.］．

如今，存在许多基于各种技能具有令人信服的性能的技术的显着模型。其中一个最有影响力的是ITTI等人提出的纯粹自下而上的注意力。[3.]，基于特征整合理论[13.］．在本文中，图像被分解成低级属性，例如颜色，强度和方向。基于神经反应去相关性的思想，Diaz等。[14.]提出了一种有效的显着性，称为自适应美白显着性（AWS）。另一类模型基于概率制定。Torralba [4.]提出了一种用于视觉搜索的贝叶斯框架，该框架同样适用于显著性检测。类似地，Zhang等人[5.]提出了SUN (Saliency Using Natural statistics)模型，该模型中自下而上的Saliency作为视觉特征的自我信息自然出现。基于图形的视觉显著性(GBVS) [15.]是基于图形模型的另一种方法。机器学习方法也被用于通过录制眼睛固定的学习模型来建立视觉关注。用于学习显着性，Kienzle等人。[16.]和蒂克等人。[17.[每个像素分别在每个像素处使用图像补丁和若干特征的矢量。

这些计算模型已被用于描述自然图像中的roi，但它们在医学图像中的应用仍然非常有限。Jampani等人[18.在异常检测背景下，研究了计算显着模型在医学图像中的相关性的相关性。使用三种流行型号计算显着性图：ITTI [3.GBVS [15.]，及SR [19.］．Gutiérrez等。[20.]开发了一种用于寻找有三个主要组成部分的基底细胞癌图像的感兴趣区域的可视模型：分割，显着性检测和竞争。这些研究的主要洞察力是，在检查医学图像方面发挥显着性的主要作用。

3.学习DME ROI检测的显着模型

3.1。眼睛跟踪数据数据库

为了了解眼科医生的视觉行为偏好并记录他们的眼球追踪数据，我们建立了眼球追踪数据库，称为EDMERI数据库(眼球追踪检测视网膜图像糖尿病黄斑水肿数据库)。EDMERI允许对注视点进行定量分析，并为显著性模型研究提供地面真实数据。与现有的眼球追踪数据集相比，我们的新数据集的主要目的是检测视网膜图像中的糖尿病视网膜病变区域。

目前分析的目的是模拟视觉选择相关区域的认知过程，这些区域在视网膜图像中检测糖尿病性黄斑水肿时出现。这加强了我们的假设，即DME是一个可见的CSME功能。在这种约束下，我们用DME收集了100个图像（例如，图1（a））来自DiaRetdB0 [6.[DiaRetdbi1 [6.]，Messidor [21.]，盯着[22.，这是四个标准的糖尿病视网膜病变数据库。这些以JPEG格式存储的图像被调整为1152 × 1500分辨率。我们记录了10位眼科专家的眼球追踪数据，他们至少有6年的经验，他们被要求查看这些图像来发现糖尿病视网膜病变区域。我们使用Tobii TX300眼动仪以独特的300hz组合采样率记录眼球运动。它具有很高的精度和准确性，对较大的头部运动具有鲁棒的眼动跟踪和补偿，为不引人注目的动眼肌功能和人类行为研究提供了可能性。包括眼科医生在内的各种研究人员都可以使用该系统，而不需要广泛的培训。

在实验中，每幅图像呈现10秒，然后进行快速自动校准。为了保证高质量的跟踪结果，我们每10张图像检查一次相机校准。在前1秒的查看过程中，眼科医生可能会免费查看组织病理图像，因此我们丢弃了每位眼科医生前1秒的查看跟踪结果。为了从用户的眼球追踪数据中获得图像的连续地面真实值，我们对用户的注视点位置进行了高斯滤波器卷积，类似于“景观地图”。我们重叠了从所有眼科医生收集的眼球追踪数据(例如，图1（b）)，然后生成平均位置的地面真值(例如，图1（c）)．

3.2。相关性质和贝叶斯配方

在本小节中，我们将讨论DME Rois检测中的视力概念的相关属性，我们已经考虑过以及它们之间的关系。我们假设视网膜图像中的显着性值相对于至少两个特性，如下所述。

特征属性(FP) (Saliency Is Relative to the Strength of Feature in the Pixel)。在自然界中，传统上的特征是分为两种类型，高和低级别的功能。高级功能包括面部，文本和事件。低级功能包括强度，颜色，区域对比度和方向。由于高级功能更复杂，以在视网膜图像中定义和提取，因此我们只考虑本文的低级功能。例如，当眼科医生正在诊断DME的存在时，具有强烈的黄色特征的像素趋于比具有弱弱的像素。

位置属性（PP）（显着性是相对于图像中像素的位置）。实际的眼科医生精确诊断表明DME始终出现在500范内 μ.中央凹中央的M。这意味着视网膜图像中每个像素显著性的概率分布具有很强的中心偏置特性，因此我们的方法将考虑DME roi检测中的位置偏好。

考虑到上述性质，可以定义像素的显着性作为特征和位置的显着性的概率。表示那，作为一个功能集，包括特征位于像素位置图像．显著性值可以表示为,“等于1“表示这个像素突出（即，它在DME ROIS中）和零。基于假设特征可以出现在所有空间位置，我们假设和彼此独立，如张等人。[5.]。像素的概率突出可以写成 在 （1）， 期限突出的概率是给定的位置吗它对应于位置属性（PP）。是出现在位置的特征显着性的概率它对应于特征属性（FP）。结果，显着性的概率显然相对于两个术语：PP和FP。

3.3。基于学习的显着模型

与手动设计的显着性衡量标准相比，我们通过直接从眼睛跟踪数据使用统计和机器学习方法遵循学习方法。基于 （1)，眼科医生在诊断DME存在时，有两个术语影响视网膜图像像素的显著性值:FP和PP。其中，FP可以通过SVM从训练样本中学习;利用统计方法可以从训练图像的ground truth中学习到PP。如图所示2，从某些训练图像中提取了一组低级视觉功能。在特征提取过程之后，在地面真理中的前20％（底部50％）点的特征被选为每个训练图像中的训练样本。所有培训样本都被发送到培训SVM模型。然后，可以将测试图像分解成几个特征映射并导入SVM模型以预测FP。同时，通过统计分析，PP也可以从训练图像和地面真理获得。最后，组合两部分，并且在用高斯滤波器旋转之后可以获得显着图。

特点提取．在分析DME数据集之后，我们首先为每个图像中的每个像素提取一组特征，包括像素。在这里，我们使用低级功能，因为它们已经被证明与视觉关注相关并具有潜在的生物合理性[13.那23.］．

这些功能如下:（一世）因为它们是生理学的良性，并且已被证明与视觉关注相关，所以我们使用可操纵的金字塔过滤器的局部能量[24.]作为特征。我们目前在四个方向和三个尺度中找到金字塔子带，共13张图像。(2)传统上，强度，方向和颜色被用作显着性的重要特征，静态图像推导。我们包括由ITTI的显着方法计算的对应于这些图像特征的三个通道[12.］．（iii）我们包括红色，绿色和蓝色频道的三个值以及与这些颜色通道中的每一个的概率相对应的三个特征，以及从六个中间滤波器的3D颜色直方图计算的每种颜色的五个概率不同的尺度。

最终，所有功能都在27D向量中增强，并将其馈送到下一个小节中解释的分类器。每个特征映射都是线性化的向量（类似于类标签）。

功能属性．在 （1），FP是给定功能集之间的关系出现在位置和卓越价值．确定显着性的最简单方法之一是平均所有特征值。然而，一些特征可能比其他特征更重要，因此给所有功能的权重不合适，结果差异不佳。相反，我们使用SVM来实现功能属性。

我们通过在诊断中进行采样图像来编译一个大型训练。每个样本包含一个点的特征，以及+ 1 / -1标签。阳性样品取自顶部精确诊断和阴性样品的屈光百分比值取自底部百分。我们选择从前20％和底部50％的样品，以具有强烈呈正且强烈的阳性的样品。我们避免了两者之间的边界上的样品。我们没有在图像边界的10个像素内选择任何样本。我们使用负面样本的比率测距1至5的验证模型，并检测到所得ROC曲线的变化，因此我们选择使用1：1的比率。训练特征向量被标准化为具有零平均值和单位标准偏差并且使用相同的参数来规范化测试数据。为了评估我们的模型，我们跟随了10倍交叉验证方法。该方法随机将数据库分为十个子集，每个图片。按顺序选择每个子集作为测试集，其余器用作训练集。每次我们从9个零件训练模型并在剩下的部分上测试它。然后在所有分区上平均结果。

我们使用Liblinear支持向量机[25.]是一个公开的Matlab版本的SVM，实现FP。我们采用了线性内核，因为它们的特定任务是更快的，而且执行的非线性多项式和RBF内核。在测试中，而不是预测标签（即，+ 1 / -1），我们使用的价值， 在哪里和学习参数。我们设置了错误分类成本在1岁时发现表现是一样的到当小于1时减小。

位置物业．如（1），PP为图像中的位置提供精确的诊断偏好。我们使用简单的统计方法实现了PP：总结数据库图像的密度映射的相同位置中的值，并将结果标准化为0。在实验中，我们表示作为对面真相形象。然后是pp矩阵可以计算在

基于该发现，可以在图像中心附近发生大部分固定的中心．

物业组合．两个矩阵和pp，它表示为和，在显著映射中进行组合通过交叉操作和卷积操作，如图所示

这里表示Hadamard产品和表示卷积操作。我们设置了高斯过滤器的参数在edmeri数据库中的10。

4.实验和结果

我们验证了我们的模型，将其应用于两个问题:(1)DME roi预测和(2)视网膜图像中DME roi的分割。我们使用EDMERI数据库评估我们的结果;每个图像的大小是像素。我们从每个训练图像中选择100个训练样本，总共10,000个训练样本。该数据库提供了眼科医生的眼球追踪数据作为基本事实。

由于对于显著性模型评价的唯一评分没有共识，我们报告了三个以上的结果，包括ROC曲线下面积(AUC)、地球移动者距离(EMD)和相似性评分(SS)。一个表现好的模型应该有好的总分。

AUC．它是评估视觉显着性最广泛使用的指标。使用此分数，模型的显着性图在图像中的每个像素上被视为二进制分类器;具有比阈值更大的显着性值的像素被分类为固定，而其他像素的分类为非修定[26.］．精确诊断用作地面真理。通过改变阈值，ROC曲线被绘制为假阳性率与真正的阳性率，并且该曲线下的区域表示显着性图预测实际DME诊断的区域。当AUC等于1时，两个分布与AUC等于1时，当AUC等于0.5时，并且当AUC等于0时相对相对。

EMD.．它表示改变一个分布到另一个分布的最小成本。在本研究中，我们使用了Pele和Werman提供的EMD快速实现[27.那28.］．EMD为零意味着两个分布是相同的;较大的EMD意味着两种分布更不同。

SS.．它是测量两个分布的相似性的另一个指标。它首先将两个分布标准化，以使SUM等于一个，然后将最小值与每个位置相等。SS始终在零和一个之间。等于一个意味着两个分布的SS是相同的，SS等于零意味着两个分布完全不同。

然后，三个质量测量，古典敏感，特异性和youden的统计计算。计算整个分类像素集合的敏感性和特异性，即一个像素是否属于一个RoI。通常，方法的性能是用灵敏度和特异性来描述的;它们解释了单个的命中或未命中的结果。然而，我们感兴趣的是寻找感兴趣的区域，即具有语义意义的像素集合。因此，还比较了每种方法找到的区域数，并计算了每种方法对roi数量的敏感性。

灵敏度．它也被称为真正的阳性率，或者在某些领域中的召回，这测量了正确识别的阳性比例，并且与错误负率互补。灵敏度越高，诊断测试越敏感。

特异性．它也称为真正的负率，这衡量了正确识别的否定的比例，并与虚假阳性率互补。特异性越高，诊断测试越精确。

Youden的 统计．它也被称为YENDEN的指数;这可以写作公式（4.)．取值范围为0 ~ 1。该指数给予假阳性和假阴性值相同的权重。约登指数越高，测试的真实性越高。考虑

4.1。DME ROIS预测

以下4.4.1。AUC、EMD和SS分析

据我们所知，这是第一个使用生物悬浮模型从视网膜图像中提取DME ROIS信息的第一次调查。将开发方法与八种知名技术进行比较，这些技术必须处理类似的挑战，而是在自然场景中。我们将它们用作基线，因为它们也会模拟视觉系统，即使它们没有明确设计以检测医学图像中的相关性;这八种模型是目标[29.]，AWS [14.]，贾德[17.]，ITTI [5.GBVS [15.,太阳5.),机顶盒(30.]和torralba [4.］．在10倍交叉验证之后，我们通过数据集进行培训并测试了我们的模型。对于Edmeri，．统计结果如表所示1．

桌子1对比了EDMERI数据库中9种模型的评价性能。在本实验中，10倍平均值的10倍交叉验证在表中1用于比较。在结果中，我们在AUC，EMD和SS中具有最佳价值。我们模型的AUC最高（0.8275），其次是贾德（0.7945）。但是，平均值仅为0.6498。EMD的最低值显示在我们的模型（8.1524）中，该模型（8.1524）少于平均12.8341。这意味着我们的结果与地面真理比其他模型更相同。我们的SS也具有0.1930的最佳性能。SS的平均值为0.0991，其近似于我们的一半。一般来说，我们在这三项指标中具有良好的表现。和图3.介绍我们的方法和其他八个显着模型产生的显着图的一些例子。

在图中4.，我们看到图中三个例子的ROC曲线3.描述不同显着模型的性能。突出区域的大小在ROC方法中起重要作用。由于它不能使用某个阈值将突出区域与背景中的突出区域分开，因此ROC方法将显着图视为在各种阈值下的原始分类器的显着图。如图所示4.，我们的ROC高于5％至20％突出区域的其他模型;当显著区大于60%时，GBVS、Judd和ITTI2的ROC值增大。这意味着当突出区域的定义发生变化时，使用ROC方法的性能等级可以改变。然而，在许多情况下，视网膜图像区域中的突出的DME ROI通常低于20％，甚至更小。结果表明，在显著区域较小的情况下，该方法的性能优于其他模型。

4.1.2。敏感性和特异性分析

使用常规灵敏度和特异性测量评估不同方法从视网膜图像中提取DME ROI信息的能力。这些结果如表所示2．

桌子2显示50％突出区域中9种型号的敏感性和特异性。总体而言，所有敏感性，特异性和YONDEN测量的证据表明我们的模型表现出其他模型。我们模型的敏感性为83.7％，其平均灵敏度超过18.2％，其次是STB，81.6％，GBV为80.1％。然而，贾德的速度最低（仅37.2％），不到一半。在我们的模型中也显示出较大的特异性值（77.7％），超过平均特异性14.8％。虽然STB和GBV的敏感性超过80％，但它们的特异性分别为74.1％和57.0％;两者都在我们的下面。GBV的敏感性尤其是甚至低于平均值。由于灵敏度和特异性的最高价值，我们模型的索登指数（0.614）是9型号中最高的，其次是STB，0.557和GBV，具有0.371的GBV。普通Yenden的指数是0.356，只能高于我们的一半。 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 Table2．因此，我们的算法适用于从视网膜图像中提取DME roi信息。

4．2.测距装置roi检测

几乎所有显著区域检测方法都使用显著算子，从那里开始分割最显著的目标。由于它们不是专门设计来检测医学图像中的相关性，很少有研究在异常检测背景下研究计算显著性模型在医学图像中的相关性。在这里，我们使用了三种众所周知的技术作为基线，并表明我们的方法可以提供一个很好的起点;这三个模型是ITTI [3.]，SR [19.， Achanta的[31.］．

我们计算图中的ROC曲线5.通过使用每种可能的固定阈值二值化显着图，类似于[中的固定阈值实验31.］．从比较看（图5.），我们的显着模型在与此任务量身定制的其他三种最先进的模型相竞争时表现更好。数字6.显示了我们模型的诊断和检测和其他三个突出区域检测模型的示例。可以看出，我们的模型能够成功地检测DME Rois，ITTI的乐谱，以及SR的ROIS不匹配地面真理，甚至更糟糕的是，Achanta无法检测到DME ROI。

5.讨论和结论

本文推出了一种新的策略，一种使用贝叶斯概率理论和机器学习技术的新视觉持续模型，用于选择视网膜图像中的DME ROI。该模型在DME病理检查的第一阶段启发，该过程很大程度地研究，该过程通过扫描视网膜图像而开始。

到目前为止，控制视网膜图像中DME Rois选择的潜在机制已经很差。最近的研究表明，一些视觉机制，例如允许从背景中突出显示对象的视觉机制和视觉注意事件的一个视觉机制。这一事实表明，视觉系统能够选择性地关注图像的特定区域，除了需要具有高的相关含义。然而，这个想法远远不受剥削的;我们的方法能够捕捉一些基本事实;也就是说，该相关性是通过集成本地特征来构造的全局属性。

拟议的策略基于位置性能和特征性能的相互作用，并通过使用贝叶斯概率理论和机器学习技术来实现简单的交叉操作，以获得显着性图。我们的模型与传统的对比的自下而上方法不同，因为它的学习机制能够自动学习显着性和功能之间的关系。此外，与现有的基于学习的模型不同，只考虑特征本身的组件，我们的模型同时考虑出现特征频率和特征的像素位置，这直观地对显着的影响力有很大的影响。结果，我们的模型可以确定显着区域并更精确地检测DME ROI。实验结果表明，该模型的性能明显优于其他最先进的模型。

利益冲突

提交人声明没有关于本文的出版物的利益冲突。

致谢

该作品得到了中国国家核武道教（61117115和61201319）的支持，中央大学的基本研究资金，NWPU“飙升的明星”和“新人才和方向”计划。

参考

1. A. D. Fleming，K.A.Goatman，S. Philip等，“出血的作用和渗出物检测在糖尿病视网膜病变的自动分级”，英国眼科杂志，卷。94，否。6，PP。706-711,2010。查看在：出版商网站|谷歌学术
2. 早期治疗糖尿病视网膜病变研究组，“治疗技术和糖尿病皮肤皮肤的光凝治疗技术和临床指南：早期治疗糖尿病视网膜病变研究报告编号2”眼科，卷。94，否。7，pp。761-774,1987。查看在：出版商网站|谷歌学术
3. L. Itti，C.Koch和E. Niebur，“一种基于显着的视觉关注的模式，即快速场景分析”模式分析与机器智能学报，第20卷，第2期。11，PP。1254-1259,1998。查看在：出版商网站|谷歌学术
4. A. Torralba，“全球场景因素建模，”美国光学学会学报，第20卷，第2期。7，第1407-1418页，2003。查看在：出版商网站|谷歌学术
5. L.张，M. H. Tong，T.K. Marks，H. Shan和G. W.Cottrell，“Sun：贝叶斯·近似持续性统计，”愿景杂志，卷。8，不。7，pp。1-20,2008。查看在：谷歌学术
6. 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#download.．
7. R.P.Phillips，T. Spencer，P.G.B.ROS，P.F. Sharp，J.V.Fourrester，通过眼底的数字成像定量糖尿病癌症的定量，“眼睛，卷。5，不。1，pp。130-137,1991。查看在：出版商网站|谷歌学术
8. A. Hunter，J.A.Lowell，B. Ryder，A. Basu和D. Steel，“糖尿病视网膜病变筛查中可转让的小疗病的自动诊断”IEEE工程医学与生物学学会第33届国际年会论文集(EMBS’11)，pp.3375-3378，IEEE，Boston，Mass，2011年9月。查看在：出版商网站|谷歌学术
9. K. S. Deepak和J. Sivaswamy，“自动评估来自彩色视网膜图像的黄斑水肿”，医学成像上的IEEE交易，卷。31，不。3，pp。766-776,2012。查看在：出版商网站|谷歌学术
10. A. Osareh, M. Mirmehdi, B. Thomas, and R. Markham，“使用模糊c均值聚类和神经网络自动识别渗出性黄斑病变”，发表于医学图像理解和分析会议论文集(MIUA '01)，页49-52，伯明翰，英国，2001。查看在：谷歌学术
11. S. T. Lim, W. M. D. W. Zaki, A. Hussain, S. L. Lim, S. Kusalavan，“数字眼底图像中糖尿病黄斑水肿的自动分类”IEEE关于人文学科，科学与工程学委中的诉讼程序（Chuser'11），页265-269，马来西亚，槟城，2011年12月。查看在：出版商网站|谷歌学术
12. G. P. Pena和J. S. Andrade-Filho，“病理学家如何做出诊断?”病理学与实验室医学档案，卷。133，不。1，pp。124-132,2009。查看在：谷歌学术
13. C. Koch和S. Ullman，“选择性视觉关注：朝向潜在的神经电路，”人类神经生物学，卷。4，不。4，pp。219-227,1985。查看在：谷歌学术
14. A. G. Diaz，X. R.Fdez-Vidal，X.M. Pardo和R. Dosil，Decourelation和独特性提供人类显着性，“智能视觉系统的高级概念（ACIV），pp.343-354，斯普林斯，柏林，德国，2009年。查看在：出版商网站|谷歌学术
15. J. Harel，C.Koch和P. Perona，“基于图形的视觉显着性”神经信息处理系统会议会议（NIPS '06），pp.545-552，加拿大温哥华，2006年12月。查看在：谷歌学术
16. W. Kienzle，A.F.Vichmann，B. Scholkopf，M. O.Franz和B.Schölkopf，“一个非参数途径到自下而上的视觉显着性”神经信息处理系统会议（NIPS '07），pp。689-696,2007。查看在：谷歌学术
17. J. Tilke，K. EIPEER，F. Durand和A. Torralba，“学会预测人类的样子”第12届计算机愿景和模式识别国际会议的诉讼程序（CVPR '09），PP。2009年10月，日本京都IEEE 2106-2113。查看在：出版商网站|谷歌学术
18. V.Jampani，Ujjwal，J. Sivaswamy和V.Vaidya，“评估医学图像上的计算视觉专注模型”第8届印度电脑视觉，图形和图像处理会议（ICVGIP '12）的诉讼程序，ACM，2012年12月。查看在：出版商网站|谷歌学术
19. X. Hou和L.张，“显着性检测：光谱剩余方法”计算机愿景和模式识别的IEEE会议的诉讼程序（CVPR '07），pp.1-8，IEEE，Minneapolis，Minn，2007年6月。查看在：出版商网站|谷歌学术
20. R. Gutiérrez, F. Gómez, L. Roa-Peña，和E. Romero，“在基底细胞癌图像中寻找感兴趣区域的监督视觉模型，”诊断病理学，卷。6，第26条PP。97-105，2011。查看在：出版商网站|谷歌学术
21. MESSIDOR:评估分割和索引的方法，http://messidor.crihan.fr/download-en.php.．
22. 凝视：视网膜的结构化分析，http://messidor.crihan.fr/download-en.php.．
23. A. M. Treisman和G. Gelade，“一种特征整合理论，”认知心理学，卷。12，不。1，pp。97-136,1980。查看在：出版商网站|谷歌学术
24. G. Kootstra，A. Nederveen和B. de Boer，“注意对称性”第19届英国机器愿景会议的载体（BMVC '08），pp。2008年9月1115-1125。查看在：出版商网站|谷歌学术
25. C.-c.chang和c.-j.Lin，“libsvm：支持向量机的库，”智能系统和技术的ACM交易，卷。3，不。2011年2日。查看在：出版商网站|谷歌学术
26. N. B. B. Bruce和J.K. Tsotsos，“基于信息最大化的显着性”神经信息处理系统的进步（NIPS '05），页298 - 308,2005。查看在：谷歌学术
27. O. Pele和M.Verman，“改善筛选匹配的线性时间直方图度量，”第10届欧洲计算机愿景会议的诉讼程序（ECCV '08），卷。5304，PP。2008年10月，法国马赛​​495-508。查看在：谷歌学术
28. O. Pele和M.Verman，“快速和强大的地球移动式距离”IEEE第12届计算机愿景会议的诉讼程序（ICCV '09），pp.260-467，日本京都，2009年10月。查看在：出版商网站|谷歌学术
29. N. D. B. B. Bruce和J.K. Tsotsos，“基于信息最大化的显着性”神经信息处理系统的进步，PP。155-162，MIT Press，2006。查看在：谷歌学术
30. w·德克和c·科赫，《突出的原始对象建模注意》，神经网络，卷。19，没有。9，PP。1395-1407,2006。查看在：出版商网站|谷歌学术
31. R. Achantay，S. Hemamiz，F. Estraday，以及S.Süsstrunky“频率调谐区域检测”IEEE计算机视觉与模式识别会议论文集(CVPR’09)，pp.1597-1604，IEEE，迈阿密，FLA，美国，2009年6月。查看在：出版商网站|谷歌学术

版权

版权所有©2016小村zou等。这是分布下的开放式访问文章创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。