一种新颖的糖尿病视网膜病变渗出检测算法

王伟 沈丹军 陆文斌

摘要：基于眼底图像处理的糖尿病视网膜病变渗出的自动检测具有重要意义。这里提出了一种利用免散瞳数字眼底图像的基于形态学和支持向量机的检测渗出的方法。算法首先利用血管会聚检测出OD并且将其移除，通过背景分离技术和数学形态学找到可能包含硬质渗出的区域，然后提取候选区域的各类特征，通过支持向量机实现渗出的分类。通过将自动检测结果与人工检测结果相对比，得到了四个评价指标分别为：灵敏度等于95.57%，特异性等于96.05%，准确率为95.49%，阳性检测值为95.43%，从而证明该算法适用于糖尿病视网膜病变渗出的自动检测。

关键词： 眼底图像； 糖尿病视网膜病变； 渗出检测； 数学形态学； 支持向量机

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2019）07-0197-03

Abstract：The automated detection of exudates on digital fundus images to diabetic retinopathy is of great value. This paper investigates and proposes a set of optimally adjusted morphological operators to be used for exudate detection on diabetic retinopathy patients non-dilated pupil and low-contrast images. The OD is firstly located and moved using the vessel convergence. And we use the background subtraction technique and morphological technique to obtain the exudate candidate regions. Then the basic properties of exudates are extracted as feature for classification by the support vector machine （SVM） classifier. These automatically detected exudates are validated by comparing with expert ophthalmologists hand-drawn ground-truths. The results are successful and the sensitivity and specificity for our exudate detection is 95.57% and 96.05%， respectively. The accuracy and predictive value is 95.49% and 95.43% respectively. It proves that our algorithm is feasible to apply on the exudate detection of diabetic retinopathy.

Key words：fundus image； diabetic retinopathy； exudates detection； morphology； support vector machine

1 引言

糖尿病是嚴重影响人类健康的内分泌疾病，致残致死率仅次于心脑血管疾病及癌症。该疾病不仅给人类带来巨大的痛苦，而且带来众多并发症，其中，以糖尿病视网膜病变（Diabetic Retinopathy，DR）发生率为最高，影响也最大，已成为目前特别是发达国家20-74岁成年人致盲的首要原因。视网膜疾病的治疗只有在不可逆损伤发生之前才有比较好的效果，因此，眼科医生需要尽早检测出视网膜病变进行治疗，避免导致视力衰退。由于糖尿病的患者数量庞大，人工检测对专业眼科医生数量和专业程度要求很高，在世界很多地区，都无法满足这一需求。因此，借助计算机和利用现代图像处理技术对DR进行筛查具有重要的社会价值和临床意义[1，2，3]。利用数字免散瞳眼底照相机拍摄得到的眼底图像，虽然对比度相对较差，但经过计算机处理，也能提供视网膜“异常”的信息。20世纪七八十年代国外学者开始从眼底图像人手，从中寻找DR病灶。在非增殖型DR病灶中，以硬性渗出的检测最为重要。

硬性渗出（hard exudates， EXs）是由于血管通透性增加，类脂质从血清中渗出积而成，变现为大小不等、规则不定的黄白色斑状。硬质渗出与视神经盘（optic disk，OD）通常具有接近的亮度和颜色，因此在检测硬质渗出时需要区别其与视神经盘。此外，由于光照的变化，普通背景像素也可能与硬质渗出具有相近的亮度，而血管则可能与硬质渗出具有相同的灰度差，这些都增加了硬质渗出自动检测的难度。目前国外已经有大量学者研究了EXs的自动检测。

Philips R[4]等人提出了基于灰度级的HE检测算法。他们首先去掉红色通道，通过阴影校正提高渗出物与背景的对比度，然后分别用全局和局部阈值来分割渗出物。为了解决全局阈值分割不理想的问题，Liu[5]等人引进了一种动态阈值的算法，先统计局部区域直方图，然后根据统计出来的直方图对相应的像素设置阈值。在此基础上，Ege[6]等人利用中值滤波去除噪声，结合阈值分割和区域生长算法来分割背景和白色病灶。

由于发表的各类算法大多应用于渗出明显的情况下，因此算法对图片质量的要求很高。当眼底图像存在亮度不均匀、低对比度、模糊等问题时以上算法不能很好实现渗出的自动检测，因此本文在此基础上提出了一种基于数学形态学[7]和支持向量机的硬质渗出自动检测算法[8]。该算法利用病灶对比度不同的特点，通过背景分离技术[9]和数学形态学找到可能包含硬质渗出的区域，然后提取候选区域的各类特征，通过支持向量机实现渗出的分类。

本文余下的内容如下所述：第二章介绍本文所使用的方法步骤；第三章展示部分实验结果并对其进行分析；第四章总结全文。

2 本文方法步骤

对于渗出自动检测算法主要包含以下几个步骤。

2.1 视神经盘检测和移除

在眼底图像中，OD与EXs通常具有相似的亮度特征，为了避免将OD误判为EXs，需要对OD进行检测与移除。通常OD具有特定的圆形形状、高亮度、固定大小等特征，根据这些特征可以实现OD的检测。

这里提出了一种将血管汇合作为依据来定位视神经盘的算法。由于在绿色分量中硬质渗出和视神经盘具有较高的亮度值，血管与背景的对比度最大，因此在此我们使用RGB图像的绿色分量来进行处理，检测OD。我们首先采用均值滤波器平滑背景，然后减去原图像得到阴影校正图像fsc。在对fsc进行二值化后，我们利用一个大小为30x30的方形窗口来模糊分类，得到会聚图像。我们将包含最多血管分支的窗口中心假设为汇聚点。利用亮度信息选择出最有可能的汇聚点作为OD的中心，为了减少计算量以及考虑到图片大小、OD所占比例和形状特征，我们将OD设定为以汇聚点为圆心的半径为120的区域并且将其移除。

2.2 渗出检测

在渗出物候选区域中会夹杂着一些负样本，包括血管附近的区域，亮暗分布不均匀的区域还有絮状物的区域，这些区域在某些特征上和渗出物相似，但还是有一些区别的，他们的区别体现在一些不同的特征上。在此基础上，我们通过提取一系列特征使用SVM进行分类从而得到最终的检测结果。考虑到渗出物与背景的对比度很大，亮度较大，颜色呈黄白色，我们选择了RGB色彩空间的绿色通道、LAB色彩空间的亮度通道 、以及CMYK色彩空间的黄色通道来进行特征提取。特征描述如下：

1）每个候选区域在三个通道上的平均值；

2）候選区域在这三个通道上的标准差；

3）候选区域的五像素领域区域在三个通道上的平均值；

4）候选区域与其领域平均值的差值；

5）候选区域的质心在三通道上的值。

6）区域边界值

在提取特征后，本文使用支持向量机来实现渗出物和非渗出物的分类。我们将采用的图像库中的30幅眼底图像作为训练样本，其余作为测试样本。我们将候选区域的特征和病灶的人工判断作为训练集的输入和输出，对SVM进行训练。利用训练所得的分类模型对测试样本进行分类，得到渗出检测的结果fhardexs。

渗出检测的过程如图2所示。

3 实验结果

本文算法在公开的眼底图像标准库DIARETDB1[12]上进行了测试。DIARETDB1库包含有89副彩色图像，图片大小为1500x1152.根据眼科医生的人工判断其中84幅图含有病变，5幅为正常健康眼底图像。

由此可以看出本文算法比单纯使用数学形态学的算法灵敏度更高，支持向量机的分类效果也比神经网络和FCM等分类算法更好，说明本文算法具有较高识别准确率。

4 结论

这里提出了一种利用免散瞳数字眼底图像的基于形态学和支持向量机的自动检测渗出的方法。算法首先利用血管会聚检测出OD并且将其移除，然后利用对比度检测和形态学重建粗糙检测出渗出，通过特征提取利用支持向量机对病灶进行分类从而实现渗出的检测。通过将自动检测结果与人工检测结果相对比，得到了四个评价指标分别为：灵敏度等于95.6%，特异性等于96.1%，准确率为95.5%，阳性检测值为95.4%，从而说明本文算法适用于糖尿病视网膜病变渗出的渗出检测。

该算法的创新点在于：在OD检测时采用了血管汇合和亮度相结合的算法，准确率达100%，且所需时间少，为后续EXs准确检测提供保障。在EXs检测过程中充分考虑到亮度不均匀和低对比度的情况，扩大候选区域，利用形态学重建去除背景，合理提取特征进行SVM分类，提高了分类的灵敏度和特异性。但是本文算法还存在不足之处，就是该算法需要提前训练学习，检测实现所需时间较长，还需要进一步改善以减少检测所需时间，这是后续主要完成的工作。

参考文献：

[1] C. Sinthanayothin， J. F. Boyce and H. L. Cook. Automated Localisation of the Optic Disc Fovea， and Retinal Blood Vessels From Digital Colour Fundus Images[J]. British Journal of Ophthalmology.1999， 83（8）： 902-910.

[2] A. Hoover， V. Kouznetsova and M. Goldbaum. Locating Blood Vessel in Retinal Images by Piecewise Threshold Probing of a Matched Filter Response.[J].IEEE Transactions on Medical Imaging，2000， 19（3）： 203-210.

[3] GAO Wei-wei，SHEN Jian-xin，WANG Yu-liang. Method of Fast and Automated Detection of Diabetic Retinopathy Based on Mathematical Morphology [J]. Spectroscopy and Spectral Analysis， 2012， 32（3）： 760-764.

[4] Phillips R， Spencer T， Ross P. Quantification of diabetic maculopathy by digital imaging of the fundus [C].Eye，1991，5：130-137.

[5] Zheng Liu， Opas C， Krishnan SM. Automatic image analysis of fundus photograph[C]. In： Proceedings of the International Conference on Engineering in Medicine and Biology，1997（2）：524–526.

[6] Ege BM， Hejlesen OK， Larsen OV， Moller K， Jenning B， Kerr D. Screeningfor diabetic retinopathy using computer based image analysis and statistical classification[J]. Comput Methods Prog Biomed ，2000（62）：165–75.

[7] Savran， B. Sankur， M. T. Bilge， "Regression-based Intensity Estimation of Facial Action Units"[J]， Image and Vision Computing， 2012，30（10）： 774-784.

[8] 高玮玮，沈建新，王玉亮.神经网络和阈值分割实现视网膜硬性渗出自动检测[J].中国图象图形学报， 2013， 18（7）：859-865.

[9] Y. Sun， S. Chen and B. Yin. Color face recognition based on quaternion matrix representation[J] .Pattern Recognition Letters， 2011（32）： 597-605.

【通联编辑：唐一东】