文摘
准确的视神经盘(OD)检测是一个重要的但视网膜疾病诊断的重要一步。摘要的方法分段OD边界没有人力名叫全自动双边界提取设计。有两个主要优势。(1)自表演和轮廓演化的计算成本由迭代活动轮廓模型——基于(ACM)的方法很大程度上依赖于初始化,本文提出了一个有效的和自适应初始水平集轮廓提取方法使用特点检测和阈值技术。(2)为了不可靠信息的处理所产生的强度异常视网膜图像由疾病引起的,提出了一种改进的生活方法通过将形状先验信息融入生活。我们测试的有效性所提议的方法在一个公开的DIARETDB0数据库。实验结果表明,我们的方法优于著名的方法的平均重叠率和准确率。
1。介绍
视神经盘(OD)是一个明亮的黄色近圆形或椭圆形的物体在视网膜图像(1),如图1。
精确的OD定位和分割视网膜图像分析中发挥重要作用和眼部疾病的诊断。例如,OD的定位是一个关键的一步窝检测,船舶跟踪、测量和自动糖尿病视网膜病变(DR)筛查(2]。同时,OD的分割可以用于诊断其他疾病包括青光眼、视神经乳头水肿,高血压性视网膜病变,新血管形成的盘(NVD) [3,4]。然而,在许多实际应用中,有一些挑战性的问题OD分割由于复杂OD外观造成的一些异常现象,如有髓神经纤维,视神经盘旁萎缩(PPA),血管,和糟糕的图像质量。因此,许多学者已经提出了一系列的方法来改善OD边界提取的精度。这些方法可以分为四类,包括基于分类(5- - - - - -9),基于模板匹配(10- - - - - -17],morphology-based [18- - - - - -20.),活动轮廓模型——基于(ACM)的方法(15,21- - - - - -24]。
大量的基于分类OD边界提取方法提出了程et al。5),杜塔等。6),谭et al。7),和周et al。8,9]。他们利用图像进行像素级特性或superpixel-level特性从视网膜眼底图像中提取段OD。然而,这些方法容易受样本量的影响。也就是说,OD的分割结果有较大的偏差如果只有少量的训练数据。除此之外,它还耗费时间在处理大量的训练数据。
基于模板匹配的方法考虑OD的形状先验信息,即。,the circular or elliptical shape, to match the edge maps extracted from retinal fundus images [10- - - - - -17]。然而,这些方法都无法探测到ODs与不同的形状。
一些形态学技术用于提取OD边界,例如,Reza et al。18)和韦尔夫et al。19]。在这些方法中,形状和明亮的OD一些形态学建模技术。然而,这些方法的主要缺点是明亮的病变可以影响他们的表现。
斯利瓦斯塔瓦等。20.]应用深神经网络组成的(无监督)堆放autoencoders其次是监管层区分OD和视网膜眼底图像。但它不能处理好问题的PPA非常类似于OD。
与上述方法相比,ACM将获得一个优秀的OD分割结果由于深刻的数学性质的组合和OD的先验知识。因此,ACM-based方法已经成为最有前途的技术检测OD边界(25]。李和布雷迪(21]首先提出了一种梯度向量流(养狐业)基本活动轮廓模型提取视神经盘边界固定大小的初始轮廓,减少高梯度产生的效应在船的位置。遗传学家(22)提出了一种新颖的活动轮廓的方法使用梯度vector-flow-driven轮廓初始化预处理后手动确定OD边界图像基于局部最小值检测和形态学滤波。传统的水平集方法的修改版本提出的黄et al。15)用于获取OD边界以一个恒定规模从红色通道初始轮廓,轮廓是随后平和通过严格拟合椭圆。Yu et al。23)应用快速混合水平集模型,变形轮廓是由当地的边缘矢量和该地区信息收敛于真实的视神经盘基于固定大小的初始轮廓的边界由经验决定的。设计的一套variational-level形变模型Esmaeili et al。24)具有较高的收敛特性和更好的计算效率相对于其他细分活动轮廓模型与实证估计OD边界提取时初始轮廓检测OD中心。这些ACM-based方法能够准确地细分ODs的边界,但是他们总是受到强度尺度和血管闭塞边界周围的干扰非常敏感,特别是对明亮的病灶邻近ODs的边界,减少他们的表现。
从上述OD检测方法,虽然退出ACM-based方法可以实现更好的性能比基于分类方法(5- - - - - -9),基于模板匹配的方法(10- - - - - -17]和morphology-based [18- - - - - -20.),大多数ACM (15,21- - - - - -24]演变的轮廓使用不精确的初始轮廓标记用手或基于固定大小的设置。它不仅降低了ACM的性能也产生昂贵的计算成本。除此之外,这些ACM-based方法是错误的,不可靠的信息所产生的强度对极端情况异常视网膜图像由疾病引起的,例如,模糊的OD边界,明亮的视神经盘旁萎缩干扰,和厚血管覆盖。他们也需要弥补不足的信息失去了通过图像预处理已经改变随着不同的分割方法,使关键信息丢失,和有一个复杂的操作。为了解决这些问题,本文提出一种新颖的方法通过结合当地能源和形状先验信息提取图像拟合OD边界。的主要贡献如下:(1)自动和鲁棒自适应初始水平集轮廓提取方法相结合特点检测和阈值技术的目的是实现优化轮廓演化。(2)小说ACM-based方法命名为本地图像拟合模型与椭圆形的约束(LIFO),与椭圆形的约束模型集成到一个统一的框架补救只考虑信息的强度的不足。
2。方法
2.1。视神经盘定位
在本文中,我们使用我们的以前的工作26)来定位OD。在[26),一系列的OD候选人可以首先提取使用形态学重建开放。然后,一组特性用于区分真正的视神经盘nonoptic盘候选人(更多细节,请参考26])。
2.2。视神经盘分割
2.2.1。粗糙的边界提取的OD
基于裁剪的视神经盘周围地区的兴趣,我们可以进一步提取视神经盘的界限。由于轮廓初始化的基本步骤来初始化该活动轮廓模型,我们提出一种新颖的和健壮的轮廓初始化方法相结合特点在本文检测和阈值技术。细节如下。
自从视神经盘区域通常比周围的视网膜苍白的亮区域,它可以被视为一个凸目标视网膜眼底图像。最近,灵感来自卓越检测技术,旨在找出最重要的部分一个图像,我们采用细胞(即。superpixel) automata-based凸起检测方法(27)通过全球颜色和空间距离矩阵考虑轮廓初始化。首先,细胞automata-based凸起检测方法(27是在裁剪图像。图2(一个)获得显著图中相应的输出特点每个superpixel 0和1之间的连续值,如图2 (b)。这时,一个过滤器是发现一个不错的选择5),然后应用于显著地图实现平滑值,如图2 (c)。接下来,平滑用于获取二进制映射值决定对所有像素的阈值。在我们的实验中,我们得到的阈值由大津阈值和分配1和0视神经盘和nonoptic盘。在我们获得二进制决定对所有像素,与1的值被视为对象(视神经盘)和0作为背景。最后,最大的连接对象(即。,the connected region with the largest number of the pixels) can be obtained through morphological operation, as shown in Figure2 (d)。及其边界作为原始视神经盘的估计,即。绿色的视神经盘的初始轮廓,如图2 (e)。
(一)
(b)
(c)
(d)
(e)
2.2.2。准确的边界曲线提取
考虑到强度不均匀性是一个经常发生的现象在视神经盘地区(28];视神经盘边界提取通用分割方法通常是不准确的由于强度不均匀性引起的缺陷图像的设备或光照变化。为了解决这个问题,当地的图像拟合(生活)模型提出的Zhang et al。28]介绍了;它定义了局部图像拟合能量变分公式,结合当地强度信息活动轮廓模型。生活模型可以描述如下: 在哪里 在哪里表示一个输入图像;是一个本地安装图像(LFI)配方,和分别定义为当地附近的点意味着什么x描述由方程(3)和(4)。x是变量为全球表示像素的位置信息,是图像领域,是一个水平集函数,是亥维赛函数,是一个长方形的窗口函数中定义(28]。
考虑到OD的基本解剖结构,例如,这是一个明亮的近圆形或椭圆区域,我们可以认为解剖结构形状先验约束,把它变成我们的模型。在本文中,我们将平滑项和卵形盘约束到生活模型之前,和小说模型指定的本地图像拟合模型与椭圆形的约束(LIFO)提出了OD边界提取。生活的模型可以弥补不足,如生活模式将无法提取OD边界与一些血管,如图3 (b)。从图中的结果3 (c),这部小说的影响模型克服了血管和强度尺度实现精确的OD边界提取图3(一个)。
(一)
(b)
(c)
从上面的结果,有必要将平滑项和形状先验信息引入到生活模式旨在获取OD的边界。他们可以制定如下: 在哪里 在哪里梯度算子;是光滑的狄拉克函数;和分别是,x协调和y全球像素坐标信息x;和椭圆中心坐标;旋转的角度;表示缩放因子的半长轴长度;和被定义为半短轴长度。水平集是基于椭圆形状。他们都是不断变化的曲线演化。事实上,计算方程的目的(5)是获得水平集这是类似于 。这部小说模式命名后进先出可以通过结合方程(1)和(5)到一个统一的框架: 在哪里是决定的约束系数椭圆椭圆约束和的重量吗的系数的加权零电位曲线的长度吗 。
有三个学期后进先出模型(方程(10),他们每个人都有其独特的功能来处理不同的问题在OD边界提取。第一项用于处理常见的现象发生在视神经盘区域总是受强度不均匀性的影响。第二项是平滑项,用于处理极端的凸起和凹陷的惩罚弧长计算轮廓的零水平轮廓 。第三项是椭圆形的约束项,以确保评估轮廓可以满足与视神经盘的生理解剖结构,减少复杂的环境的影响。后进先出模型可以解决由标准梯度下降法(28]。经过一系列的计算,解在附录。
分割的OD的流程图如下:(1)初始化: , , , , , , (宽度和高度分别剪裁区域的宽度和高度对原始图像),水平集函数 , ,和和表示迭代。(2)更新和 ,分别使用方程(3)和(4)。(3)更新使用方程(2)。(4)使用标准的梯度下降法,椭圆的参数演化OD包括水平集 , , , , 根据方程(. 1)- (本);如果 , , , , 满足静止状态,然后停止;其他的并返回到步骤4。(5)更新使用方程(8)。(6)发展水平集函数,根据方程(要求寄出)。如果满足静止状态,停止;否则,并返回到步骤2。
3所示。实验结果
在本节中,公共数据库“校准0级”标准的糖尿病性视网膜病变(DIARETDB0) [29日)和视网膜图像的公共数据集即DRISHTI-GS [30.)应用来验证我们的方法的可用性。DIARETDB0和DRISHTI-GS是可用的,并且可以从网上下载页面http://www.it.lut.fi/project/imageret/diaretdb0/和http://cvit.iiit.ac.in/projects/mip/drishti-gs/mip-dataset2/Home.php._The_DIARETDB0数据库由130个RGB彩色眼底图像的110是正常的和异常(疾病)是固定不变的分辨率和50°的视野。地面真理是来自两个眼科医生。最后的地面真值是通过平均边界结果提取两个眼科医生。DRISHTI-GS数据集完全有101图片的31是正常的,70是不正常的(疾病)。这些图像产生30°学位的视野和解决 。对于每个图像,OD是正确的四名青光眼专家。为了弥补interobserver标志的变化,我们也获得多数投票手动标记作为最终地面真理表明协议中至少有三个专家(30.定性评价方法。
从图4与不同的轮廓演化方法相比,使用自适应初始轮廓和不同初始圆形轮廓OD的基本解剖结构的基础上,提出的方法有一些优点。首先,大多数ACM-based初始化方法是敏感的轮廓32]。然而,拟议的初始轮廓可以更好的指导活动轮廓的运动因为它是贴近地面真理OD边界。其次,采用初始轮廓接近轮廓演化的OD边界可以减少迭代。因此,它可以降低计算成本(33,34]。此外,相比于原始的生活(28),我们的方法是更健壮的影响造成的血管由于椭圆形的约束是纳入我们的模型。
(一)
(b)
(c)
(d)
采用标准进一步评估后进先出的可用性与不同初始轮廓模型;认为重叠比率T计算基于真正的视神经盘之间的重叠区域地区地面真理和发现视神经盘地区是不少于成功的市场细分的(11]。成功地分类的准确性比是比图片的图片总数。重叠率T被定义为 在哪里和分别是,地面实况的面积和区域提取的方法。表1显示了不同初始轮廓准确率获得。
从表1,该方法达到最佳的分割结果与自适应初始轮廓,准确率是,分别96.30%和96.10%在DRISHTI-GS DIARETDB0数据库和数据库。
为了更好地验证了该方法的有效性,我们将我们的方法和一些相关的和最新的方法分割在医学图像处理领域如霍夫变换方法(31日),修改后的径向对称方法(夫人)(35),预防方法(36),Chan-Vese (CV) ACM [37],人生如果ACM [28],LSACM ACM (38]。不同的分割结果的所有五个方法给出图视网膜图像5,绿线表示地面真理获得专家的标志和红色的线条代表的一些分割结果通过不同方法提取。OD的例子有视神经盘旁萎缩所示前三列,和不规则的形状和高梯度变化的OD第四列所示。霍夫变换和养狐业模型未能提取整个OD边界由于他们对当地梯度的变化敏感。虽然夫人比霍夫变换可以实现更精确的结果,它忽略了OD大约是一个圆形或椭圆形的地区而非刚性圆形区域。然而,CV模型模型形象分段常数函数无法处理强度不均匀性视网膜图像,从而达到不令人满意的分割结果。虽然生活模型可以处理这些当地的梯度变化相比养狐业和霍夫变换和降低强度不均匀性的影响,因为考虑到当地的强度信息;它是严重影响血管覆盖OD表面。LSACM模型还可以处理强度不均匀性,实现更多的集成OD边界的生活模式,因为它相比模型对象为高斯分布的均值和方差;然而,打败了血管和PPA获得缺陷分割的结果。从前面提到的方法,我们的方法执行更好,捕捉整个OD边界,克服了影响强度不均匀性造成的,PPA,血管。 The fifth column shows a successful result segmented by LIFO model in blurry OD region with smooth transition boundary. This is mainly due to the fact that the prior shape information in some regions is a stronger cue than the intensity information. Therefore, combining the prior information and intensity information together can obtain the smooth and precise OD boundary.
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
表2分别显示了平均重叠率和准确率获得不同的模型。
从表2,我们可以清楚地看到,我们的方法可以得到一个更好的性能从DIARETDB0 / DRISHTI-GS与其他方法相比的重叠率平均66.59% / 65.61%,准确率96.30% / 96.10%成功分割视网膜图像包括正常和异常(疾病)。的平均重叠率在视网膜图像分割方法获得的正常/不正常的67.33%和66.25% / 65.53%和64.87%;分割的准确率得到了该方法在视网膜图像正常/不正常的98.40%和98.90% / 95.90%和94.90% DIARETDB0 DRISHTI-GS,分别。
此外,我们也使用一个重要的评价指标F分数(F)这是调和平均数之间的精度和召回了边界的方法和地面真理来测试该模型的性能。pixelwise精度和召回值分别定义为 真阳性(tp)显示的像素数量之间的覆盖区域地面真理和实现分段区域的方法;假阳性(fp)表示像素区域的像素的数量只在分割区域的分类方法和排除属于地面真理;假阴性(fn)像素的数量在一个像素的地方只在地面真理和被分类属于分割区域的方法。然后,单一性能指标,即F分数(F)计算和定义为
的价值F分数总是躺在0和1之间,将会很高,如果性能的方法是好的。
表3描述了对分割结果的定量评估F分数。最好的和最差的,通过该方法分别的最好情况和最坏情况下的基本结果从DIARETDB0和DRISHTI-GS光盘。从表3,我们可以推断,我们的方法在分割结果相比有明显改善他人的方法。
4所示。结论
在本文中,我们设计一个策略来准确地细分OD边界没有人力。首先,自动和鲁棒自适应初始水平集凸起组成的轮廓提取方法检测和阈值技术提出了轮廓演化。然后,为了弥补不足,只考虑强度和忽略了信息OD形状之前,一个优秀的本地图像拟合模型与椭圆形constratint (LIFO)提出了整个和精确OD边界提取。与原来的生活比较模型只是基于强度信息,后进先出模型使用的强度信息和形状信息,有以下优势。首先,原始模型很容易受到PPA,血管,和噪音由于只考虑强度信息。相反,该模型可以克服这些问题通过使用两个强度信息和形状先验信息没有任何预处理。其次,该模型引入了形状先验信息基于物理视神经盘的解剖结构,而且它可以提取的整个边界视神经盘尤其是视神经盘的形状不规则。实验结果证明了该方法的可用性。现在,深学习吸引了注意力,达到良好的性能当训练样本的数量是足够的。然而,很难收集到足够的数据在医学领域,如视网膜眼底图像,这将大大降低模型的性能。 That is the main reason why we did not employ the deep learning technique to segment the optic disc and optic cup. In the future, we will try to use the deep learning approaches on the larger database.
附录
后进先出模型可以解决由标准梯度下降法(28]。经过一系列的计算,解如下: 在哪里 , , , , 不断变化的改变形象和信息t实验的时间步。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这部分工作是支持下由中国国家自然科学基金批准号。61701101,U1713216, 61803077, 61603080, 2017 yfb1300900机器人国家重点项目,中央大学的基础研究基金中国N172603001和N172604004。