文摘

我们提出一个新的方法来增强和提取视网膜血管。首先,我们采用多尺度基于hessian滤波器计算容器相似的最大响应函数为每个像素。在这一步中,血管不同的宽度明显增强。然后,我们采用一种非局部均值滤波抑制增强图像的噪声和维护船舶信息在同一时间。之后,一个径向梯度对称变换被用来抑制nonvessel结构。最后,一个精确的graph-cut分割步骤执行使用以前的对称变换的结果作为初始。我们测试该方法在公开数据库:开车。实验结果表明,我们的方法是很有效的。

1。介绍

视网膜是唯一在人体组织血管的信息可以直接获得体内。视网膜血管中发挥着重要作用的信息等各种疾病的诊断和治疗青光眼(1),年龄相关性黄斑变性(2)、退行性近视和糖尿病性视网膜病变(3]。最近,它还发现血管几何变化的检测可能是有意义的判断人们是否有高血压、心血管疾病4]。视网膜血管提取相当必不可少的眼科医生诊断各种眼疾。此外,准确分割船只可以为基于功能的视网膜图像配准是非常有用的。

一般来说,现有的视网膜血管分割方法大致可以分为两类。第一类是基于监督学习方法。这些方法需要巨大的手动分割的脉管系统训练分类器。Staal et al。5)首先采用ridge-extraction方法把图像分解为无数补丁。补丁,每个像素的特征向量包含配置文件信息,如宽度,高度,和边缘强度计算。特征向量分类使用k最近的邻居与顺序向前特征选择策略分类器。苏亚雷斯et al。6)选择像素值和多尺度二维伽柏小波系数来构造特征向量。贝叶斯分类器基于class-conditional采用概率密度函数进行快速分类和模型表面复杂的决定。马林et al。7)提出了一种新的监管方法部分视网膜血管。对于每一个像素,5灰度描述符和2平方的时刻invariants-based特性窗口被计算为特征向量。多层神经网络计划是通过对每个像素进行分类。此类方法的性能取决于训练数据和测试数据之间的相关性。如果这两个数据集是完全不同的,分割的结果可能并不理想。除此之外,手动分割步骤对眼科医生会带来额外的负担。因此,这些方法还没有被广泛用于临床。

第二类是基于规则的方法。这种方法通常需要提取每个像素的小区信息。用于标签的信息像素根据一些f预设规则。匹配滤波器(8),基于模型的方法9),morphology-based方法(10)都属于这一类。在文献[8),Sofka和斯图尔特提出了多尺度高斯和Gaussian-derivative内核检测血管在不同的宽度。林等。9)提出了一个multiconcavity处理不健康的视网膜图像的建模方法。在林的方法,lineshape凹度测量是用来消除黑暗的病变,局部归一化凹度测量的目的是消除球强度变化。两个凹性措施结合根据其统计分布检测血管一般视网膜图像。资助者和Campilho10)提出了一种区域增长算法的形态学处理图像中提取血管中心线。首先,采用four-direction-based微分算子检测血管中心线。这些被合并的中心线完整的血管中心线和选为种子点。最后,区域增长一步进行重建血管。这些方法不需要训练步骤和交互与医生也最小;因此,基于规则的方法已经广泛应用于临床应用。然而,理想的视网膜血管自动分割仍不容易。这主要可以归结为两个原因。一是一些微小血管的对比可能很低,尤其是在一些病理图像的影响。另一个原因是,图像噪声等边缘模糊可能会影响最终的分割结果。

最近,graph-cut方法(11- - - - - -15在图像分割)非常受欢迎。这是因为graph-cut方法可能达到预定义的能量函数的全局最优值。除此之外,用户交互的方法也很简单。提出了几种graph-cut-based方法解决视网膜图像分割。陈等人。16)提出了一个3 d graph-search-graph-cut方法部分多层10月3 d的视网膜图像。视网膜的多层和exudate-associated紊乱症状(看见)成功地分割。灵感来自graph-cut方法的性能优越,我们提出一个新的方法来提取血管在视网膜图像按照我们以前的工作17]。首先,我们执行一个新的多尺度基于hessian滤波器计算每个像素的最大响应船舶相似函数,用于增强灰色视网膜血管图像。然后,我们采用一种非局部均值滤波抑制噪声的增强图像。之后,采用径向梯度对称变换改善船舶结构的检测和抑制nonvessel结构。最后,一个精确的graph-cut分割使用以前的对称变换作为初始执行。

2。方法

2.1。多尺度基于hessian增强

为了提高视网膜血管宽度不同的对比,我们提出一种多尺度基于hessian增强。Frangi et al。18)提出了一个方法来检测管状结构基于海赛矩阵的特征值。我们表示和scale-related黑森矩阵的特征值,定义如下: 在哪里是输入图像的二阶微分。对于一个理想的管状结构,特征值通常将符合下列条件: 然后,我们定义一个新的scale-related船相似功能: 在哪里被定义为: 在哪里我们是一个经验参数和设置。

的函数值表示每个像素管状结构的特点。我们在刻度范围搜索找到船相似函数的最大响应。图2显示了输入图像的最优规模属性。相对应的像素值代表的规模最大的函数值。可以看到从图2,船宽之间的正相关和最优规模是显而易见的。主船拥有大规模属性,而小容器拥有一个小规模的属性。

图3给出了多尺度的例子基于hessian增强,像素值代表船相似函数值。如图3,整个视网膜血管显著增强。然而,一些nonvessel结构也增强包括视神经乳头,黄色斑点,斑点。这些nonvessel结构需要在以下步骤中删除。

2.2。非局部均值滤波

基于多尺度黑森的增强的影响是显而易见的。如图3,整个血管明显加强。然而,一些nonvessel结构也增强,导致增强的图像噪声。为了抑制图像噪声和保持结构信息,我们使用非局部均值滤波(19)的步骤。我们表示增强的形象和过滤的形象。详细的过滤步骤可以被描述为在以下方程: 在哪里表示过滤社区是权重因子,它被定义为: 在哪里表示一个特征向量,由附近的周围像素的像素值和是一个过滤参数。过滤社区和附近区域的参数需要选择适当从而达到平衡过滤性能和计算成本。图4显示了非局部均值滤波的结果。我们可以发现,增强图像的噪声是有效地抑制在脉管系统保持在同一时间。

2.3。径向梯度对称变换

为了消除nonvessel结构,我们提出一个基于阿来的径向梯度对称变换方法的工作(20.]。一个理想的血管结构如图5。如图5,我们注意到,梯度向量的一个对称属性的大小和方向。对于那些nonvessel结构,没有这样的财产。因此,我们提出一个对称容器相似函数如下: 在哪里代表一个容器相似的函数给定的点梯度向量的方向和是一个指标函数,表明是否点拥有梯度对称性质。的计算和由以下步骤组成。(1)每个像素的过滤图像如图4贡献,我们计算它的船沿梯度方向。用归一化梯度向量。影响像素的像素的坐标计算如下: 在哪里,和像素的最佳尺度参数吗,如图2。(2)对这些影响的像素,我们计算出船积累的形象由以下方程: (3)然后是由 在哪里是归一化因子和是一个径向严格参数。(4)为每个像素,我们在附近搜索沿梯度方向。如图5,如果存在点和满足以下条件,,否则;: (5)对于对称容器相似的功能,我们设置一个容器相似阈值提取一个粗糙的脉管系统。之后,我们拿一个侵蚀一步缩小视网膜血管。然后我们计算连接血管的像素数量。如果像素数量小于预设阈值,我们认为这是背景噪音,它应该被删除。

2.4。Graph-Cut一步

在前处理步骤,我们有一个粗提取的脉管系统。最后一步是准确段血管从先前的结果。这可以被描述为一个像素标签问题,可以制定使用能量函数: 在哪里是一个标签组和吗是数据能量之前,它衡量的成本提供一个标签对于一个给定的像素根据之前的信息。是势能,它衡量相邻像素的平滑系统和是一个加权参数。

我们采用graph-cut算法优化能量函数(12)。前中心线形状用作指导提取过程。在我们的框架,一个图创建与节点对应像素视网膜图像的所有节点的集合,所有链接连接相邻的节点的集合。邻近的像素系统是由八个邻近的像素。终端节点被定义为源和水槽。作为一个初始,我们提取中心线的提取的脉管系统。中心线的像素是明确的前景和像素被列为候选人前景。的像素被归类为背景和其他被列为候选人背景。也就是说,和。

为每个像素,我们计算它的最小距离和根据文献[22),表示和,分别。的成本t链接可以计算如下: 在哪里,,。的节点和绝对是贴上和,分别。的重量n链接的标签一致性描述像素与邻国。我们利用像素值信息作为邻居的惩罚项。的成本n链接可以定义如下: 在哪里是一个很小的数字,避免除0。graph-cut算法终止时,我们鼓励候选人前景像素标记为前景和阻止候选人背景被分类为背景像素。

3所示。实验和结论

我们测试方法在公开数据库:驱动(5]。三措施(SE)的敏感性,特异性(SP)和准确性(AC)是用来评估我们的方法在图像领域的性能。他们定义如下: 在哪里是正确的数量分类容器像素和是该船的数量像素在地面真理。是正确的数量分类nonvessel像素和是nonvessel像素的数量。正确分类像素的总数和吗是像素的总数。

我们测试该方法在40个图像,比较它与方法由Staal et al。5资助者和Campilho [],10王),et al。21],马林et al。7]。平均值和标准偏差(sd)。这些方法如表所示1。从文学获得一些值,不能用NA。

从表1我们可以看到,有一个著名的灵敏度的改善。这意味着我们的方法是相当有效的提取一些微小的血管。另一方面,我们的方法不是以及他人的特异性和准确性。临床应用的精度应该比90%。我们的方法是在合格的标准,但仍有大量需要做的改进。

的提取结果如图6和7。从图可以看出6在视网膜上,大部分船只可以精确提取;然而,一些nonvessel结构也提取和一些微小的血管不正确分割。这主要是因为我们的方法更侧重于小血管提取,为眼科医生手动提取是不容易的。因此一些视网膜区域和背景之间的界限是错误地认为是血管。除此之外,视神经乳头也不能完全排除在最终结果。图7显示了两个坏心肠的视网膜图像分割效果,有些斑点很难从微小的血管分化。我们的方法无法提取准确的脉管系统,AC值0.8720和0.8814,分别。此外,我们交换的非局部均值滤波和多尺度基于hessian增强。实验结果表明,有一个小差异表现。这也表明,非局部均值滤波非常健壮,可以广泛应用于图像处理领域。

总之,本文首先提出了一种多尺度基于hessian增强视网膜图像。接下来,我们采用一种有效的非局部均值滤波一步抑制噪声的增强图像。然后,我们提出一个径向梯度对称变换方法来抑制nonvessel工件。最后,graph-cut一步是采取准确分割视网膜血管。实验表明,我们的方法是非常敏感的血管分割,但一些微小的血管提取和斑点排斥的性能还需要改进。这将是我们进一步的工作。我们将做进一步的研究,以提高性能。

确认

这部分工作是支持江苏省自然科学基金(批准号中国BK2011331),国家科学基金会(批准号61201117),特别资助项目国家重点科学仪器和设备的开发(批准号2011 yq040082),二期苏州生物医学工程技术研究所的主要项目(批准号Y053011305)。