文摘gydF4y2Ba

视网膜血管有一个重要的角色在各种视网膜疾病的诊断和治疗如糖尿病视网膜病变、青光眼、动脉硬化和高血压。出于这个原因,视网膜血管提取是重要的为了帮助专家系统疾病的诊断和治疗。本文研制了一种新颖的方法来提取视网膜血管网络。我们的方法包括四个阶段:(1)预处理阶段为了准备数据集分割;(2)增强过程包括伽柏,Frangi,和高斯过滤器前分别获得上流社会的转变;(3)硬和软聚类阶段包括k - means和模糊c均值(FCM)为了得到二进制容器映射;和(4)后处理步骤删除错误分割孤立的地区。该方法测试彩色视网膜图像从凝视和驱动数据库获得网上。因此,伽柏过滤之后,k - means聚类方法的准确性达到95.94%和95.71%凝视和驱动数据库,分别为诊断系统是可以接受的。gydF4y2Ba

1。介绍gydF4y2Ba

计算机辅助诊断(CADx)系统使用视野和分析技术,如视网膜眼底成像、超声(美国),近年来和计算机断层扫描(CT)。视网膜眼底图像与高分辨率可以帮助眼科医生诊断疾病自动提取血管,视神经盘,黄斑(gydF4y2Ba1gydF4y2Ba]。眼底图像为我们提供许多功能,如视网膜血管,视神经盘,黄斑。一个视网膜眼底图像的例子中可以看到图gydF4y2Ba1(一)gydF4y2Ba。视网膜血管是分散到整个视网膜有重要作用的诊断各种视网膜疾病,如糖尿病视网膜病变、青光眼、动脉硬化和高血压。此外,视网膜血管主要限定词定位其他主要视网膜结构(视神经盘和黄斑),他们提供了许多可衡量的特性对眼科疾病的诊断。出于这个原因,视网膜血管提取对视网膜疾病的诊断和治疗非常重要。视网膜血管提取过程得到二进制船地图视网膜血管贴上逻辑1(白色)和视网膜背景像素贴上逻辑0(黑色),反之亦然。二进制容器映射的一个例子如图手动标记由一个专家gydF4y2Ba1 (b)gydF4y2Ba。理想的本研究的目的是获得二进制图像由一个自动计算机算法。gydF4y2Ba

视网膜血管提取有一些挑战,如病理疾病和噪音中观察到视网膜图像。也可以看出视网膜图像低对比度血管和视网膜之间的背景。提出了各种方法来完成这些挑战在文献中。船提取解决方案可以分为两类基于规则和机器学习方法。在基于规则的方法,一个像素是贴上船根据一些预先定义的标准。这些方法包括二维匹配滤波器响应(2 d生产商)gydF4y2Ba1gydF4y2Ba,gydF4y2Ba2gydF4y2Ba],morphology-based方法[gydF4y2Ba3gydF4y2Ba,gydF4y2Ba4gydF4y2Ba),和跟踪方法gydF4y2Ba5gydF4y2Ba,gydF4y2Ba6gydF4y2Ba]。包括监督和非监督分类的机器学习方法。在监督方法,一个像素是贴上船或背景通过使用一些功能区分船从视网膜的背景。这些方法通常称为特别设计的分类器,包括再邻居(事例)gydF4y2Ba7gydF4y2Ba),支持向量机(SVM) [gydF4y2Ba8gydF4y2Ba),贝叶斯决策规则(gydF4y2Ba9gydF4y2Ba)和人工神经网络gydF4y2Ba10gydF4y2Ba]。在无监督的方法中,聚类模式如硬(k - means) [gydF4y2Ba11gydF4y2Ba)和软(模糊c) (gydF4y2Ba12gydF4y2Ba)集群用来决定是否一个像素属于一个容器或视网膜的背景。gydF4y2Ba

第一个研究提出的关于视网膜血管提取乔杜里et al。gydF4y2Ba1gydF4y2Ba]。他们配置了匹配滤波器使用高斯函数,因为船姿态匹配倒高斯函数。在他们的方法中,首先获得的高斯核,然后,他们应用旋转高斯内核的版本的绿色通道颜色视网膜眼底图像与十二旋转版本的2 d高斯卷积(15°角分辨率)和最大价值的角度选为最大滤波器响应。然后,大津阈值算法,最后船地图。另一项研究中使用一个二维匹配滤波器响应(2 d生产商)是由胡佛(建议gydF4y2Ba2gydF4y2Ba]。与2 d生产商血管增强过程后,他们一个阈值探测方法应用于确定局部阈值,得到二进制船地图。方法是手动标记容器测试图像称为凝视数据库(gydF4y2Ba13gydF4y2Ba]。局部阈值法提取视网膜血管是江和Mojon提出的gydF4y2Ba14gydF4y2Ba]。他们将灰度强度划分为子层次。候选人船获得的图像是通过选择像素每个分段的最大和最小值之间。然后,验证过程应用和验证子层次选择。最后,二进制船图是通过结合这些验证子层次在后处理阶段。凝视数据库和给他们测试方法的结果(gydF4y2Ba14gydF4y2Ba]。Gabor-based血管分割的研究表明了苏亚雷斯et al。gydF4y2Ba9gydF4y2Ba2006年)。在他们的研究中,他们使用一些功能从多尺度伽柏中提取小波变换,然后利用贝叶斯分类和执行这些功能。后来,视网膜图像的像素被归类为船舶、nonvessels。盯着(gydF4y2Ba13gydF4y2Ba),开(gydF4y2Ba15gydF4y2Ba)数据库用于测试和结果。texture-based血管分割方法使用一个银行提出的伽柏能量过滤器是下榻的饭店等。gydF4y2Ba16gydF4y2Ba]。基于特征的模糊c均值聚类方法获得纹理属性用于视网膜图像像素船或nonvessel进行分类。驱动在这项研究中,使用数据库和灵敏度达到84.37%在他们的研究。另一项研究中提出的关于船舶分段堪得et al。gydF4y2Ba17gydF4y2Ba]。Gaussian-based匹配滤波用于血管增强。视网膜像素归为船舶、背景,利用模糊c均值聚类的方法得到最终的血管树。他们实现一个接受者操作特征(ROC)曲线下面积的95.18%和96.02%驱动和凝视数据库,分别。Lupaşcu Tegolo建议另一个视网膜血管分割模式使用无监督聚类(gydF4y2Ba18gydF4y2Ba]。他们使用一些像素的特征提取的输出不同的过滤器和变换自组织映射。k - means聚类方法用于获得最终的血管网络。成功是达到94.59%的精度数据库驱动。戴伊et al。gydF4y2Ba19gydF4y2Ba)提出了一个使用模糊c均值聚类的血管分割方法。在他们的研究中,从RGB图像进行灰度转换之前自适应直方图均衡化。然后,背景减法过程完成对特征提取和模糊c均值聚类是利用二进制映射。阮等人提出的另一项研究使用了一个基本的和多尺度线检测器对增强各种长度和尺度。他们达到93.24%和94.07%精度值凝视和驱动数据集,分别为(gydF4y2Ba20.gydF4y2Ba]。布代伊等人增强原Frangi过滤器(gydF4y2Ba21gydF4y2Ba)达到更高的精度和更少的处理时间和获得约94%的平均成功凝视和驱动图像在同年gydF4y2Ba22gydF4y2Ba]。提出了一种基于模糊逻辑的方法通过沙玛和沃森(gydF4y2Ba23gydF4y2Ba]。在这种方法中,视网膜图像与high-passed过滤器过滤,然后几个不同的模糊规则应用于high-passed的输出图像中提取血管。该方法测试驱动数据库。一个蛋糕过滤器是受雇于包等。gydF4y2Ba24gydF4y2Ba)部分视网膜血管使用真正的组件融合为了单独的船从视网膜背景像素像素。这时,一个自适应的阈值是用来获取最后的容器映射。在另一项研究中,Mapayi等人提出了一种基于灰度的局部自适应阈值方法同现矩阵和报道的95.11%和95.10%的平均精度值驱动和凝视数据库,分别为(gydF4y2Ba25gydF4y2Ba]。三阶段算法包括高通滤波,主要血管分割、和细血管分割与高斯混合模型(GMM) Roychowdhury et al。他们提出的分类器实现了细分驱动和凝视,精度95.2%和95.15%分别(gydF4y2Ba26gydF4y2Ba]。最新的一些研究血管分割是由奥利维拉et al。gydF4y2Ba12gydF4y2Ba),王妃et al。gydF4y2Ba27gydF4y2Ba),而沙et al。gydF4y2Ba28gydF4y2Ba]。奥利维拉等人使用过滤器组合使用的加权均值和中位数排名增强过滤器匹配滤波器,伽柏小波滤波器,Frangi过滤器。然后,采用无监督分类方法以段最后船地图(gydF4y2Ba12gydF4y2Ba]。王妃等人提出了一个船分割算法利用二维匹配过滤器,监督分类技术(支持向量机和树装袋机),和报告的准确性95.01%和93.71凝视和驱动数据库,分别为(gydF4y2Ba27gydF4y2Ba]。沙阿等人提取24特性从一个颜色视网膜眼底图像,然后训练线性最小平方误差(LMSE)分类器血管与背景分离。他们开车数据库上达到94.79%的精度gydF4y2Ba28gydF4y2Ba]。gydF4y2Ba

虽然有很多方法对视网膜血管分割,仍然有空间得到进一步改善和提高性能在不同的图像,特别是在病理图像。在这项研究中,我们提出一种新颖的基于图像增强的血管提取方法技术和无监督聚类方法包括k - means和模糊c均值方法。本文组织如下。介绍了部分图像数据库gydF4y2Ba2。1gydF4y2Ba。部分gydF4y2Ba2。2gydF4y2Ba给出了预处理操作和部分gydF4y2Ba2。3gydF4y2Ba给船增强程序包含特征提取步骤。聚类阶段中所描述的部分gydF4y2Ba2。4gydF4y2Ba。节中给出的后处理步骤gydF4y2Ba2。5gydF4y2Ba。结果,讨论在部分gydF4y2Ba3gydF4y2Ba。结论是节gydF4y2Ba4gydF4y2Ba。gydF4y2Ba

2。材料和方法gydF4y2Ba

在本文中,一种新的血管自动分割方法在彩色视网膜眼底图像执行。血管增强操作包括几个伽柏等匹配滤波器,高斯,Frangi后利用一个预处理步骤。之后,上流社会的变换是申请进一步增强血管。然后,二进制船图是通过使用硬实力和软聚类方法(模糊c和k - means)。最后,错误地孤立像素被作为后处理步骤。图中给出了方法的框图gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

2.1。材料gydF4y2Ba

各种网上公开图像数据库是视网膜眼底图像分析利用许多作者。在本文中,我们使用两个常用的图像数据库,称为结构化分析视网膜(瞪)[gydF4y2Ba13gydF4y2Ba视网膜图像的血管提取)和数字(驱动)gydF4y2Ba15gydF4y2Ba)来测试我们的方法。gydF4y2Ba

盯着数据库包含20眼底图像(十人各种病理情况下)。捕获的图像已经与TopCon TRV-50数字眼底相机35°的视野(FOV)。图像是700×605像素的尺寸与24位(每个每个颜色通道8位)。所有图片在这个数据库有相应的手动分割的版本的像素是贴上船舶、nonvessel由两个观察员。第二个观察者贴上薄船只更多。我们使用的图像标签由第一个观察者作为绩效评估的地面实况数据。没有感兴趣的区域(ROI)面具在这个数据库。gydF4y2Ba

其次,驱动数据库包含40图像(其中7人有各种病理情况下)。捕获的图像已经与佳能CR5 nonmydriatic 3 ccd数字视网膜眼底相机45°的视野(FOV)。图像是768×584像素的尺寸与24位(每个每个颜色通道8位)。所有图片在这个数据库也有相应的手动分割的版本。图片被分成两部分培训和测试。每个部分包含20个图像。我们使用测试图像性能评估。有相应的感兴趣的区域(ROI)面具在这个数据库。gydF4y2Ba

2.2。预处理gydF4y2Ba

2.2.1。感兴趣的区域(ROI)的选择和发展gydF4y2Ba

视网膜区域循环虽然眼底图像是矩形的。因此,视网膜区域面具必须利用为了眼底图像中选择感兴趣的区域。驱动数据库中相应的面具而有许多数据库如瞪着不含任何面具选择视网膜区域。因此,视网膜区域面具可能总体框架的自动分割。gydF4y2Ba

许多研究应用基本的阈值强度图像以选择视网膜区域,但一些像素属于血管或黑暗地区视网膜可以分割为视网膜。不仅在本研究中,我们使用一个基本的阈值也之间差值的额外标准颜色通道(红、绿、蓝色)和RGB值的平均值。首先,我们计算RGB值的平均值。然后,RGB值之间的差值的总和计算,我们决定根据面具的价值gydF4y2Ba 在哪里gydF4y2Ba 。在gydF4y2Ba1gydF4y2Ba,gydF4y2Ba和gydF4y2Ba阈值和经验决定的。为了获得最佳的性能,gydF4y2Ba被认为是40岁吗gydF4y2Ba被认为是50。当我们只使用一个基本的阈值,平均精度为99.04%,标准差为1.01%计算,有些船像素被归类为面具像素。数据中说明了这种影响的一个例子gydF4y2Ba3 (c)gydF4y2Ba和gydF4y2Ba3 (d)gydF4y2Ba。当我们使用上面提到的标准,平均精度为99.78%,标准差为0.25%计算,没有船舶像素被归类为面具像素。gydF4y2Ba

许多船增强方法利用卷积操作与对称的结构元素。因此,不必要的文物可能发生在视网膜的边界。扩大ROI应用为了解决这个问题,在视网膜的选择区域。首先,边界上的像素组的视网膜是获得,然后,一个像素反射操作执行根据的对称边界像素值。这里,反射的大小设置为6是最好的结果。gydF4y2Ba

2.2.2。灰度转换gydF4y2Ba

有各种灰度转换方法,以获得一个强度图像。有些方法可能只使用一个颜色通道,如绿色通道而另一些使用乘法的总和,如颜色通道有特殊系数。颜色系数之和必须1 (gydF4y2BacgydF4y2Ba_rgydF4y2Ba+ cgydF4y2Ba_ggydF4y2Ba+ cgydF4y2Ba_bgydF4y2Ba= 1)获得强度归一化。一般公式中给出gydF4y2Ba 在哪里gydF4y2Ba强度值,gydF4y2Ba,gydF4y2Ba,gydF4y2Ba的强度是红色,绿色和蓝色通道,分别和gydF4y2BacgydF4y2Ba_xgydF4y2Ba颜色值系数。视网膜血管分割方法,在许多的绿色通道彩色图像为灰度强度因为这个频道的获得最大的对比(gydF4y2BacgydF4y2Ba_rgydF4y2Ba= 0,gydF4y2BacgydF4y2Ba_ggydF4y2Ba= 1,gydF4y2BacgydF4y2Ba_bgydF4y2Ba= 0)。一些其他的方法可以使用RGB值的平均值(gydF4y2BacgydF4y2Ba_rgydF4y2Ba= 1/3,gydF4y2BacgydF4y2Ba_ggydF4y2Ba= 1/3,gydF4y2BacgydF4y2Ba_bgydF4y2Ba= 1/3)或特殊的灰度变换系数等gydF4y2BacgydF4y2Ba_rgydF4y2Ba= 0.3,gydF4y2BacgydF4y2Ba_ggydF4y2Ba= 0.59,gydF4y2BacgydF4y2Ba_bgydF4y2Ba= 0.11。在本文中,我们选择了颜色通道系数gydF4y2BacgydF4y2Ba_rgydF4y2Ba= 0.1,gydF4y2BacgydF4y2Ba_ggydF4y2Ba= 0.7,gydF4y2BacgydF4y2Ba_bgydF4y2Ba= 0.2通过使用一个训练集图像数据库(凝视和驱动器)。一些细节可以发现在我们以前做的研究(gydF4y2Ba29日gydF4y2Ba]。gydF4y2Ba

2.2.3。除船舶光反射gydF4y2Ba

由于视网膜血管较低亮度与视网膜相比,其强度比其他视网膜暗像素,而是光明地带可以观察到一些视网膜血管的中心。为了消除这种效果,应用于灰度形态学开操作强度图像与three-pixel直径圆盘(gydF4y2Ba10gydF4y2Ba]。这个操作如图gydF4y2Ba4gydF4y2Ba。gydF4y2Ba

2.3。特征提取gydF4y2Ba

在这个阶段,特征提取过程是由使用伽柏等几种血管增强方法过滤反应,Gaussian-matched滤波器响应和Frangi多尺度船舶增强的方法以提高视网膜血管。gydF4y2Ba

2.3.1。伽柏过滤器gydF4y2Ba

伽柏过滤器是广泛使用在某些研究领域,如计算机视觉,模式识别,图像分析纹理增强和特征提取。一个复杂的伽柏函数是由高斯包络函数乘以一个带有一个复杂的三角函数。在许多纹理增强方法,复杂的伽柏函数的实部。在本文中,一个二维伽柏内核函数的实部的使用是为了增强视网膜血管。2 d伽柏内核函数的公式用于本文中给出了gydF4y2Ba 在哪里gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba是2 d伽柏内核函数。这个函数有四个参数来控制形状:规模、定位、波长和长宽比。σ(gydF4y2Ba)是尺度参数的标准差的高斯信封。θ(gydF4y2Ba)是方向,λ(gydF4y2Ba)波长和γ(gydF4y2Ba)是长宽比。伽柏内核给出图的一些示例gydF4y2Ba5gydF4y2Ba几个方向和尺度。在这项研究中,一个伽柏过滤器银行是通过旋转伽柏内核与指定参数跨越所有可能的方向。15°角分辨率选择,所以12种不同的伽柏内核。图像预处理强度与这些12伽柏内核,复杂的和每个像素的最大响应被选中。因此,像素属于视网膜血管相比更主导背景像素。样本伽柏内核与不同的方向给出了数据gydF4y2Ba5(一个)gydF4y2Ba,gydF4y2Ba5 (b)gydF4y2Ba,gydF4y2Ba5 (c)gydF4y2Ba。gydF4y2Ba

2.3.2。Gaussian-Matched过滤器gydF4y2Ba

二维Gaussian-based匹配滤波首先用于视网膜血管分割了乔杜里et al。gydF4y2Ba1gydF4y2Ba]。由于视网膜截船剖面类似于高斯分布的形状,一个二维Gaussian-based匹配模板可以用于血管的最佳逼近。的数学方程可以描述为一个2 d高斯模板gydF4y2Ba 在哪里gydF4y2Ba标准差的高斯函数,可以假定为高斯滤波器的规模。gydF4y2Ba和gydF4y2Ba参数是跨越所有可能的方向旋转。摘要角分辨率为15°以类似方式中提到伽柏过滤器。高斯内核示例数据gydF4y2Ba5 (d)gydF4y2Ba,gydF4y2Ba5 (e)gydF4y2Ba,gydF4y2Ba5 (f)gydF4y2Ba(高斯的长宽比为0.5)。gydF4y2Ba

2.3.3。Frangi过滤器gydF4y2Ba

多尺度方法的增强vessel-like结构是由Frangi et al。gydF4y2Ba21gydF4y2Ba]。他们描述一个当地vesselness可能性值在他们的研究。根据该方法,海赛矩阵的强度图像使用第二个偏导数,然后获得海赛矩阵特征值的计算。海赛矩阵中给出gydF4y2Ba 在哪里gydF4y2Ba,gydF4y2Ba,gydF4y2Ba,gydF4y2Ba是第二强度图像的偏导数。海赛矩阵的特征值gydF4y2Ba和gydF4y2Ba计算和命令吗gydF4y2Ba 。这时,一个vesselness值是根据获取的可能性gydF4y2Ba函数在(gydF4y2Ba6gydF4y2Ba)和(gydF4y2Ba7gydF4y2Ba为每一个像素)。gydF4y2Ba 在哪里gydF4y2Ba和gydF4y2Ba参数配置的敏感性gydF4y2Ba和gydF4y2Ba值,分别。规模参数是gydF4y2Ba并以整数值在1和5之间。所有人的最大响应gydF4y2Ba为每个像素值被选中,Frangi滤波器的输出如图所示gydF4y2Ba6 (e)gydF4y2Ba是获得。gydF4y2Ba

2.3.4。上流社会的变换gydF4y2Ba

上流社会的变换是一个利用形态学操作,提取小物体通过增加对比度和细节在数字图像处理应用程序(gydF4y2Ba30.gydF4y2Ba]。在这项研究中,上流社会的变换应用于滤波器的输出如伽柏、高斯、Frangi上面提到的。它增加了对比视网膜血管和背景像素。上流社会的变换是通过减去形态打开图像从原始强度图像。这是说明gydF4y2Ba 在哪里gydF4y2Ba上流社会的变换形象,gydF4y2Ba过滤后的图像,gydF4y2Ba形态结构用于灰度,然后呢gydF4y2Ba尺度参数的变换。在应用程序中,我们设置结构元素大小为5像素(gydF4y2Ba )与圆盘形状的最佳性能。图gydF4y2Ba6gydF4y2Ba显示不同的上流社会的变换增强过滤器如伽柏、高斯、Frangi。gydF4y2Ba

2.4。船与聚类分割gydF4y2Ba

在特征提取阶段,必须获得二进制容器映射。聚类方法,将像素作为船舶、nonvessel为此实现。聚类方法划分为两个子类集群一样硬和软聚类。我们利用k - means算法一样硬聚类和模糊c均值(FCM)聚类软聚类。gydF4y2Ba

2.4.1。硬聚类(k - means)gydF4y2Ba

k - means算法的一个简单的无监督学习算法,解决了著名MacQueen[提出的聚类问题gydF4y2Ba31日gydF4y2Ba1967年)。我们使用这种无监督的方法增强图像像素进行分类。gydF4y2BaKgydF4y2Ba价值是指图像中区域的数量。在k - means方法中,每个样本(在本研究点)被分配到最近的质心(集群)在一个初始化程序。然后,每个集群中心的重新计算和重复作业步骤,直到系统变得稳定(系统是稳定的,如果误差小于一个阈值)。gydF4y2Ba

我们应用k - means算法段血管如下:首先,视网膜图像增强与血管增强过滤器(伽柏、高斯和Frangi)和上流社会的变换。然后,k - means算法应用于船舶增强过滤器的输出。的参数gydF4y2BaKgydF4y2Ba(地区数)被设置为3。这意味着图像分为三组。这些集点的可能性vesselness高,介质,分别和低。在最后阶段,vesselness可能性高的地区和介质和二进制容器映射。gydF4y2Ba

2.4.2。软聚类(模糊c)gydF4y2Ba

在模糊c均值(FCM)聚类算法(聚类方法)的广义形式,每个样本可能超过一组的成员而在k - means算法,每个样本可能只有一个组的成员。例如,一个示例可以是一组的成员有75%的比例,可以另一组的成员有25%的比例在模糊c均值方法。在FCM方法,一些参数等gydF4y2BaCgydF4y2Ba(集群计算),gydF4y2BangydF4y2Ba(样品数)gydF4y2Ba米gydF4y2Ba(指数加权因子)初始化和会员矩阵值是随机决定的。然后,加入矩阵重新计算,直到系统变得稳定(如果误差小于一个阈值)。gydF4y2Ba

在此,我们提出一个新颖的方法来提取血管与模糊c均值聚类类似的方式中提到的k - means聚类部分。首先,视网膜图像增强与血管增强过滤器(伽柏、高斯和Frangi)和上流社会的变换。其次,模糊c均值方法应用于船舶的输出增强过滤器。在这项研究中,参数gydF4y2BaCgydF4y2Ba(集群计算)被设置为3。我们获得一个集群形象三个区域通过应用FCM方法。在一个地区,vesselness的可能性很高,vesselness的可能性低于第一类在第二区域。在第三区域,vesselness的可能性最低价值比别人。第一个和第二个地区被假定血管,和第三个地区是假定作为背景。gydF4y2Ba

许多研究在文献选择的地区被视为两个二进制分类传统。在这项研究中,不同的地区等gydF4y2Bac =gydF4y2Ba2,gydF4y2Bac =gydF4y2Ba4在这个阶段分析了k - means和模糊c均值聚类。获得的性能测量两个或四个集群计算表gydF4y2Ba1gydF4y2Ba这证明了三个区域给最好的性能结果。gydF4y2Ba

2.5。后处理gydF4y2Ba

一旦我们得到二进制映射的视网膜血管,必须执行一些操作,以提高分割的性能。这些操作称为后处理步骤。后处理操作,消除了错误检测孤立像素区域应用于此阶段。删除错误检测隔离容器区域,所有容器区域的面积小于14像素重新归类为背景像素。这个操作也称为滤波器长度的一些研究文献。后处理步骤后,最终二进制容器映射。一个示例图像的最终二进制容器映射图gydF4y2Ba6 (f)gydF4y2Ba。gydF4y2Ba

3所示。实验结果和讨论gydF4y2Ba

在这项研究中,我们应用我们的方法在两个公开的在线数据库称为凝视和动力。当我们提到的部分gydF4y2Ba2。1gydF4y2Ba,凝视20眼底图像和数据库驱动数据库有40眼底图像被分为两个子集:训练图像集(20张)和测试集(剩下的20个图像)。我们测试了我们的方法在所有60图像,利用第二个观察者的标签作为地面实况数据比较。首先,一些次要的指标如真阳性(TP),真阴性(TN),假阳性(FP),和假阴性(FN)计算如下:gydF4y2Ba(我)gydF4y2Ba真阳性(TP):船像素的计数正确归类为容器gydF4y2Ba(2)gydF4y2Ba真阴性(TN):背景像素的计数正确分类为背景gydF4y2Ba(3)gydF4y2Ba假阳性(FP):背景像素的计数不正确归类为容器gydF4y2Ba(iv)gydF4y2Ba假阴性(FN):船像素的计数不正确分类为背景。gydF4y2Ba当我们得到这些措施通过使用二进制船地图的输出我们的方法和地面实况数据手动分割的观察者,我们计算灵敏度(真阳性),特异性和准确性措施来衡量性能根据(gydF4y2Ba9gydF4y2Ba),(gydF4y2Ba10gydF4y2Ba)和(gydF4y2Ba11gydF4y2Ba)。这些指标通常用于评估血管分割方法在文学。gydF4y2Ba

过滤器用于特征提取阶段的参数设置如下:高斯滤波器(二维匹配滤波器)只有一个可调参数的标准偏差(gydF4y2BaσgydF4y2Ba)的函数。我们选择标准偏差gydF4y2BaσgydF4y2Ba= 1的图像数据库和开车gydF4y2BaσgydF4y2Ba= 3在凝视图像数据库。伽柏过滤器有三个可调参数的标准偏差(gydF4y2BaσgydF4y2Ba)高斯包络的波长(gydF4y2BaλgydF4y2Ba)的三角余弦函数,纵横比(gydF4y2BaγgydF4y2Ba伽柏的内核。我们选择标准偏差gydF4y2BaσgydF4y2Ba= 2,波长gydF4y2BaλgydF4y2Ba= 10,长宽比gydF4y2BaγgydF4y2Ba= 0.5最好的性能结果。另一方面,Frangi过滤器有三个可调参数的标准偏差(gydF4y2BaσgydF4y2Ba)和调优参数gydF4y2BaβgydF4y2Ba和gydF4y2BacgydF4y2Ba。我们选择标准偏差gydF4y2BaσgydF4y2Ba…= 0.5,1.0,1.5,5.0,gydF4y2BaβgydF4y2Ba= 4,gydF4y2BacgydF4y2Ba= 15。在聚类阶段,k - means和模糊c均值聚类方法有一个可调参数的集群大小。我们评估的方法与各种集群大小2,3,4。gydF4y2Ba

平均结果用图像的凝视和驱动数据库的表gydF4y2Ba1gydF4y2Ba- - - - - -gydF4y2Ba3gydF4y2Ba。在表中,TPR指真阳性,SPE指特异性,ACC指的准确性。表gydF4y2Ba2gydF4y2Ba显示了平均的结果计算整个图像的像素,使用各种过滤器(二维匹配滤波器、伽柏过滤器和Frangi过滤器)和聚类方法(k - means和模糊c)。伽柏过滤之后,FCM聚类提供了更好的性能与驱动的图像数据库,和伽柏过滤器之后,k - means聚类提供了更好的性能与凝视的图像数据库。一般方法,伽柏紧随其后的k - means被选中,因为它给最好的结果在平均水平。gydF4y2Ba

获得的实验结果相比其他方法在表gydF4y2Ba3gydF4y2Ba和二进制图像如图gydF4y2Ba6 (f)gydF4y2Ba。它可以观察到,说明二进制血管网络的图gydF4y2Ba6 (f)gydF4y2Ba视觉检查是好的,有满意的结果。表的最后一列gydF4y2Ba3gydF4y2Ba显示性能指标计算ROI或是否在整个图像。这意味着视网膜的掩模图像被认为是。NA表明任何信息是不可用的。该方法执行95.94%的准确性在凝视和95.71%的精度在整个图像像素驱动数据库。使用掩码图像获得的精度值(ROI)给出一个公平的比较。结果以ROI在凝视和驱动数据库,分别是94.37%和94.00%。此外,鉴于特异性(SPE)值在表gydF4y2Ba3gydF4y2Ba特异性越高意味着更少的噪声的结果。本文提出的方法优于更好的性能比大多数其他研究的特异性(特异性驱动数据库超过所有其他的研究)。获得特异性结果凝视和驱动数据库98.16%和99.05%,分别。gydF4y2Ba

表gydF4y2Ba1gydF4y2Ba显示了结果通过使用各种集群大小等两个,三个,四个。当我们选择ROI自动像素,我们考虑整个图像像素的视网膜图像的性能评估。集群大小选为三个,因为获得最佳的性能值,这个值。见表gydF4y2Ba1gydF4y2Ba,95.94%的准确性凝视数据库和95.71%的准确性为驱动数据库得到使用伽柏过滤和k - means聚类与集群大小三个(gydF4y2BacgydF4y2Ba= 3)。gydF4y2Ba

获得的实验结果告诉我们一些结论。首先,结果与文献比较少,给喧闹的血管图像(高特异性)如表所示gydF4y2Ba3gydF4y2Ba和图gydF4y2Ba6 (f)gydF4y2Ba。几个应用血管增强过滤器,伽柏过滤器给更好的结果,因为他们更成功突出地方特色。换句话说,伽柏过滤器相比,更少的文物。结果还显示,参数调整为最佳性能是不同的在不同的图像数据库。模糊c均值方法是软聚类方法是一种泛化的硬聚类(k - means聚类)。预计软聚类方法会给更好的结果比硬聚类。然而,这种假设是不正确的在所有的情况。系统的模糊性并不在每次给更好的性能结果。在文学中,聚类方法使用两个集群以每个像素归为血管像素和背景像素。这项研究表明,分类比两个或四个成功的三个集群的集群。 Increasing the cluster numbers causes oversegmentation, and decreasing the cluster number causes undersegmentations. This situation is shown in Table1gydF4y2Ba。gydF4y2Ba

计算计算复杂度,我们已经考虑了核心业务的血管增强滤波器(高斯、伽柏和Frangi)和集群(k - means和FCM),因为每个算法都有一些预处理或后处理。首先,一些必要的参数应该被定义。让gydF4y2BangydF4y2Ba是一个视网膜图像的像素数量。大gydF4y2BaOgydF4y2Ba()符号submethods如下:gydF4y2Ba(我)gydF4y2Ba高斯滤波器:gydF4y2Ba 在哪里gydF4y2Ba米gydF4y2Ba是内核高斯滤波器和的高度或宽度gydF4y2Ba一个gydF4y2Ba是角分辨率参数(如果gydF4y2Ba一个gydF4y2Ba是12,那么角分辨率将180/12 = 15)。gydF4y2Ba(2)gydF4y2Ba伽柏过滤器:gydF4y2Ba 类似于高斯滤波器。gydF4y2Ba(3)gydF4y2BaFrangi过滤器:过滤器有三个主要的子流程。gydF4y2Ba(一)gydF4y2Ba海赛矩阵计算:gydF4y2Ba 在哪里gydF4y2BawgydF4y2Ba预计的最大宽度。gydF4y2Ba(b)gydF4y2Ba特征值分析:gydF4y2Ba 为每个像素的一个过程。gydF4y2Ba(c)gydF4y2Ba最大值的计算:gydF4y2Ba 在哪里gydF4y2BaNgydF4y2Ba是图片的数量。gydF4y2Ba(iv)gydF4y2Bak - means聚类:gydF4y2Ba 在哪里gydF4y2BacgydF4y2Ba集群规模和吗gydF4y2BaxgydF4y2Ba是迭代数。gydF4y2Ba(v)gydF4y2Ba模糊c均值聚类:gydF4y2Ba 在哪里gydF4y2BacgydF4y2Ba集群规模和吗gydF4y2BatgydF4y2Ba是迭代计算。它作为会员矩阵计算尽管k - means一维距离向量。需要额外的计算成员值gydF4y2BacgydF4y2Ba迭代与k - means方法。gydF4y2Ba

伽柏过滤器其次是k - means聚类方法选择最好的性能,它可以假定大gydF4y2BaOgydF4y2Ba符号的方法gydF4y2Ba

本文中所开发的方法是使用Matlab®工具实现的。评估开发的软件在Microsoft Windows®10个人电脑3.3 GHz CPU和4 GB随机存取存储器。一种颜色视网膜眼底图像的处理时间大约需要9秒平均为实时应用程序是可以接受的。比较表gydF4y2Ba4gydF4y2Ba。利用监督分类和一些方法需要培训操作需要更多的时间。这些研究使用分类方法的运行时间可以增加训练工作包括在内。gydF4y2Ba

4所示。结论gydF4y2Ba

视网膜血管分割的方法可以分为两类基于规则和机器学习方法。我们已经提出了一个新颖的方法基于几个血管增强和非监督分类(集群)方法在后者。预处理操作执行获得视网膜面具而不是使用手动贴上一个血管增强过滤紧随其后。然后,我们使用两个集群模式作为硬聚类(k - means)和软聚类(模糊c)像素分类。为了测试该系统,两个公开的视网膜眼底图像的数据库(凝视和驱动)和实验结果给出用作灵敏度、特异性和准确性。gydF4y2Ba

提出的分割方法的主要贡献之一是集群大小gydF4y2BacgydF4y2Ba三个而不是两个,我们主要是在文学。正如上面表中给出的,精度高值是通过增加集群大小gydF4y2BacgydF4y2Ba。在传统的聚类方法,已经作为两集群大小。然而,本文揭示了以集群大小为3可以在任何情况下提供更好的性能。我们的方法的第二个重要特性是使用自动分段的面具对视网膜地区(的)而不是人工标注的。这提供了我们生产的自动解决方案通用标签没有任何需要手动视网膜面具。开发系统的下一个重要的特性是使用非监督分类方法,提供我们部分视网膜血管没有经过任何训练的操作。此外,伽柏过滤器紧随其后的k - means聚类是一种新的组合方法和相对比其他人更好。硬聚类(k - means)模式给了我们比软聚类(FCM)更好的分割结果。这意味着系统的模糊性并不在每次给更好的性能结果。在未来的工作中,我们的目标是研究分段的测量视网膜血管和整合我们的血管分割方法。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba