基于相似度滤波算法的视网膜血管分割

王家琦，刘俊彤，王培培，黎青青，卢小杰

基于相似度滤波算法的视网膜血管分割

*王家琦1,2，刘俊彤1,2，王培培1,2，黎青青1,2，卢小杰1,2

（1.皖南医学院医学信息学院，安徽，芜湖 241002；2.皖南医学院健康大数据挖掘与应用研究中心，安徽，芜湖 241002）

在计算机辅助眼底图像视网膜血管分割中，基于匹配滤波算法的应用非常广泛。而传统匹配滤波器算法存在分割细小血管效果较差、噪声多以及视盘干扰等问题。本文提出一种相似度滤波算法的眼底图像视网膜血管分割方法。首先用多层阈值和水平集算法提取视盘干扰区域，利用高斯模糊去除视盘干扰区域。然后采用相似度滤波运算对去除视盘干扰的彩色眼底图像进行处理。最后，将余弦相似度图进行二值化后与余弦相似度加强图进行区域连通性判断，实现眼底图像视网膜血管分割。结果表明，该算法能较好地分割细小血管以及去除视盘干扰，能更为准确地提取眼底图像视网膜血管。

医学图像处理；图像分割；视网膜血管分割；匹配滤波；余弦相似度

0 引言

计算机辅助分析眼底图像视网膜血管的健康状况，对当前眼科疾病、糖尿病以及高血压等心脑血管疾病的及时诊断具有非常重要的临床参考意义[1,2]。目前眼底图像的筛查和判断仍然主要依赖于临床医生进行人工定性分析，存在工作量大、主观性强、容易出错的问题。因此，为了提高临床医生的工作效率，采用计算机图像识别与分析技术对眼底像视网膜血管进行分割提取具有重要意义[3-4]。

近年来，视网膜血管分割技术发展迅猛，主要有监督和非监督方法两大类[5]。在非监督方法中，基于匹配滤波算法运用非常广泛[6]。首次提出眼底图像视网膜血管分割可采用匹配滤波算法的是Chaudhuri等[7]，他们设计的二维匹配滤波器算法对多个方向的血管进行分析，能有效提取视网膜血管。Cinsdikici等[8]在Chaudhuri的匹配滤波算法上进行改进，用匹配滤波结合蚁群算法形成一种混合滤波算法，对彩色眼底图像进行分割处理。Hoover等[9]在匹配滤波算法的基础上提出分段阈值探测算法，分析匹配滤波处理后的图像，从而实现血管分割。Koukounis等[10]在Hoover算法的前期基础上提出更高效的结构，使其更适应大规模的眼底图像筛查工作。然而，传统的匹配滤波方法对细小的视网膜血管容易出现断裂和漏检，另外视盘干扰是传统的匹配滤波方法普遍存在的问题。为了解决存在的问题，我们提出了一种基于相似度滤波的眼底图像视网膜血管分割算法。首先利用多层阈值和水平集算法提取出视盘干扰区域，用高斯模糊去除视盘干扰区域。然后对去除视盘干扰的彩色眼底图像进行相似度滤波运算。最后将余弦相似度图进行二值化分割和余弦相似度加强图进行区域连通性判断，实现眼底图像视网膜血管分割。

1 方法

本方法主要分成三个部分：去除视盘干扰，相似度滤波运算，血管分割。首先利用多层阈值算法[11]和传统水平集算法标记彩色眼底图像视盘区域边界，合并提取出视盘干扰区域，利用高斯模糊对视盘干扰区域进行模糊运算。然后对去除视盘干扰的彩色眼底图像进行预处理，再分别进行匹配滤波、小波变换和Frangi滤波，并对三种滤波结果进行余弦相似度运算，得到余弦相似度加强图。最后，将余弦相似度2进行二值化分割，再和余弦相似度加强图进行区域连通性判断，实现最终的眼底图像视网膜血管分割。具体方法实现流程如图1所示。

图1 相似度滤波方法实现流程

2.1 去除视盘干扰

2.1.1 视盘分割

用文献[11]方法对视盘进行快速定位分割，可得到结果如图2（a）所示的视盘边界标记图。再利用传统水平集算法对视盘提取高亮区域，得到如图2（b）所示的边界标记图。在视盘边界搜索两种算法标记的重合区域，即为如图2（c）所示的视盘干扰区域。

图2 定位视盘干扰边界图

2.1.2 去除视盘干扰

对眼底图像视盘干扰区域，如图2（c）中所标记区域采用高斯模糊算法去边界干扰。高斯模糊算法[12]作为一种数据平滑技术，可应用于图像处理领域中，在二维空间中采用正态分布方程：

Fig.3 Two dimensional normal distribution function

图4 去视盘干扰图

将眼底图像沿视盘干扰边界区域进行高斯模糊运算，得到去视盘边界干扰结果图，如图4（b）所示。通过图4中（a）视盘区域原图与（b）去视盘边界干扰图对比可发现，原来的视盘边界干扰区域变模糊，有利于后续相似度滤波运算。

2.2 相似度滤波运算

2.2.1 预处理

输入图5（a）中去除视盘干扰的彩色眼底图像，分析RGB三通道图像。通过肉眼观察能明显发现G通道中视网膜血管轮廓更清晰，因此实验中采用G通道的眼底灰度图像，如图5（b）中所示。然后对G通道眼底图像进行增强处理，先进行直方图均衡化CLAHE[13-14]，再进行同态滤波运算[15]，过程如图5(c)、(d)所示。

图5 图像预处理

2.2.2 相似度滤波运算

首先，对增强后的图像分别求匹配滤波、小波变换和frangi滤波运算，得出如图6所示的三张处理图。

图6 三种滤波结果

然后，利用小波变换图（）与匹配滤波图（）、frangi滤波图（）求余弦相似度图。小波变换图（）与匹配滤波图（）求余弦相似度[16]得到余弦相似度图1（1），如图7（a）所示。小波变换图（）与frangi滤波图（）求余弦相似度得到余弦相似度图2（），如图7（b）所示。余弦相似度用以衡量两个向量间的夹角，因此两个向量的值为：

其中，分子为向量A与向量B的点乘，分母为二者各自的L2范数相乘。由公式（2）可得的取值范围为[-1,1]，值越接近1表示A与B二者越相似。因此，小波变换图（）与匹配滤波图（）的余弦相似度图为1，

小波变换图（）与frangi滤波图（）的余弦相似度图为2，

最后，将相似度图按权重再次求余弦相似度，得到余弦相似度加强图为W，如图7（c）中所示。

由于小波变换、匹配滤波和frangi滤波三种滤波方法在进行图像强化时的血管区域大体一致，而出现的噪声干扰各不相同。因此采用余弦相似度方法计算图像之间的相似图，用以保留血管区域，滤除噪声。通过观察余弦相似度加强图，不难发现算法除了滤除了部分干扰也进一步加强了细小血管。

2.3 视网膜血管分割

利用Otsu阈值分割法[17-18]对余弦相似度图2进行二值化，可初步得到视网膜血管分割图。但是传统Otsu阈值分割法得出的结果图像中，主要是视网膜主血管，而视网膜细小血管部分存在断裂和丢失现象。图7（c）中的相似度滤波算法余弦相似度加强图W，虽然能够提取细小血管但也存在噪声干扰。为此，本文采用区域连通性的搜索判断来滤除W中存在的干扰噪声。将Otsu视网膜血管分割图作为视网膜血管网络的主体部分，另外在W中选定象素周围邻域3×3的范围，判断是否至少有一个象素在Otsu视网膜主血管图像中为主血管象素。如果有主血管像素，那么该W中选定象素认定为血管点，否则认定为噪声点并滤除。如此循环遍历搜索整个W，直到判定完成。通过区域连通性的搜索判定，可将W中位于视网膜血管主体周围的小血管判定出来，滤除W中独立的或与主血管没有连通性的噪声。得出如图8（d）所示的视网膜血管分割图，为本文算法的输出结果。

3 实验结果

3.1 性能评价指标

通常用于判断血管分割方法的性能指标有灵敏度(SE)、特异度(SP)、准确度(ACC)和ROC曲线等。将最终输出的结果与金标准相比较存在四种情况，如表1中所示。

表1 四种分割结果

Table 1 Four segmentation results

分割对象分割正确的像素分割错误的像素 血管点真阳性（TP）假阳性（FP） 背景点真阴性（TN）假阴性（FN）

在表1中，TP表示预测和真实都为阳性，即真阳性；FP表示预测为阳性而真实为阴性，即假阳性；TN表示预测和真实都为阴性，即真阴性；FN表示预测为阴性而真实为阳性，即假阳性。为了得到有效的评价指标，利用以上四种参数可以得到准确度、灵敏度和特异度三个指标参数，计算方法如表2所示。

表2 方法性能评估指标

Table 2 Performance evaluation indexes of vascular segmentation method

性能评估指标计算方法 灵敏度（SE）TP/（TP+FN） 特异度（SP）TN/（TN+FP） 准确度（ACC）（TP+TN）/（TP+FP+TN+FN）

受试者工作特征曲线（receiver operating characteristic curve，简称ROC曲线）是衡量图像分割方法性能的重要指标，ROC曲线越靠近坐标轴左上角，视网膜分割结果越接近真实值。在ROC曲线中，AUC值亦可作为视网膜血管分割方法的性能评价指标。AUC值表示ROC曲线右下方面积占整体面积的大小，其越接近1，表明分割方法效果越好。

3.2 实验结果

本算法在DRIVE数据集[19]上实现，与目前基于匹配滤波算法的方法进行对比。方法1[7]是经典匹配滤波器算法，目前的匹配滤波器算法都是在Chaudhuri的基础上进行优化和改进的。方法2[9]是在Chaudhuri基础上的改进算法，大大提升了经典匹配滤波算法的效果。方法3[20]是现阶段基于匹配滤波器算法中具有较高准确率的算法。

本算法在DRIVE数据集上的SE、SP、ACC和AUC值分别为0.8439、0.9811、0.9618和0.9690，性能指标对比如表3。使用多种性能指标对算法进行综合评定，本文算法在四种评价指标上明显优于传统滤波算法（方法1，方法2），在特异度(SP)、准确率（ACC）和AUC优于混合滤波算法（方法3），在灵敏度（SE）上略低于混合滤波算法（方法3），但在整体性上本文算法性能更佳。

表3 在DRIVE数据集上的分割结果对比

Table 3 Compares the segmentation results on DRIVE data set

方法SESPACCAUC 方法1[7]0.66120.82110.90010.8138 方法2[9]0.77510.96670.94730.9452 方法3[20]0.85080.96920.96060.9501- 本文0.84390.98110.96180.9690

实验结果对比如图8所示，图8（a）为初始彩色眼底图像，图8（b）为方法2结果，图8（c）为方法3结果，图8（d）为本文算法结果，图8（e）为金标准。另外，图8中第一、二行为A组实验，第一行是完整的彩色眼底图像和分割结果，第二行是细节区域和分割结果；第三、四行为B组实验，第三行是完整的彩色眼底图像和分割结果，第四行是视盘区域和分割结果。

方法2由于仅采用匹配滤波算法进行处理以及分段阈值分割法的局限性，导致细小血管分割结果较差、噪声干扰较多；另外，方法2未考虑去除视盘干扰区域。方法3采用B-COSFIRE和匹配滤波融合的混合滤波算法在一定程度上克服方法2中细小血管分割断裂等问题；但是方法3仍未考虑去除视盘干扰区域。本文算法采用充分预处理技术去除原始图像视盘干扰区域和加强血管；提出的相似度滤波算法能综合三种不同滤波算法（匹配滤波、小波变换和frangi滤波）中的血管区域从而有助于加强细小血管；区域连通性判断能在分割时滤除干扰噪声。通过对比结果可知本文算法比改进匹配滤波算法（方法2）在细节上分割效果更好、噪声更少且去除了视盘干扰区域；与混合滤波算法（方法3）的相比在保证较好提取细小血管的同时去除了视盘干扰区域。因此，本算法结果更接近于金标准。

图8 本文算法与目前匹配滤波算法的分割结果对比

4 结论

本文提出了一种基于相似度滤波算法的眼底图像视网膜血管分割方法。首先利用多阈值和水平集算法提取出视盘干扰区域，再用高斯模糊去除视盘干扰区域。然后对去除视盘干扰的彩色眼底图像进行相似度滤波运算。最后，将余弦相似度图进行二值化分割，利用二值图对余弦相似度加强图进行区域连通性的搜索判断，提取彩色眼底图像视网膜血管。实验结果显示，本算法能够有效提升彩色眼底图像视网膜血管分割的准确度，优于目前的匹配滤波算法。但算法在分割有大面积病变的彩色眼底图像时，仍然会有部分病变区域干扰的问题。在之后的研究工作中考虑结合深度学习算法，进一步提高眼底图像视网膜血管的精准分割。

[1] Yusup Mehriban, Chen X Y. Epidemiology survey of visual loss[J]. International Journal of Ophthalmol,2012, 10(2): 304-307.

[2] Abramoff M D, Garvin M K, Sonka M. Retinal imaging and image analysis[J]. IEEE Reviews in Biomedical Engineering,2010, 3: 169-208.

[3] Sindhi C L, Aparna P, Rajan J. Recent advancements in retinal vessel segmentation[J]. Journal of Medical Systems,2017,41(4):70.

[4] Bhaskaranand M,Ramachandra C,Bhat S,et al. Automated diabetic retinopathy screening and monitoring using retinal fundus image analysis[J].Journal of Diabetes Science & Technology,2016,10(2):254-261.

[5] 曹新容,薛岚燕,林嘉雯,等.基于匹配滤波和自动阈值的眼底血管分割方法[J].电子测量与仪器学报,2017,31(1):51-57.

[6] 朱承璋,邹北骥,向遥,等.彩色眼底图像视网膜血管分割方法研究进展[J].计算机辅助设计与图形学学报,2015,27(11):34-45.

[7] Chaudhuri S, Chatterjee S. Detection of blood vessels in retinal images using two-dimensional matched filters[J].IEEE Transactions on Medical Imaginf,1989,8(3):263-269.

[8] Cinsdikici M G,Aydin D. Detection of blood vessels in ophthalmoscope images using MF/ant (matched filter/ant colony) algorithm[J]. Computer Methods & Programs in Biomedicine,2009,96(2): 85-95.

[9] Hoover A, Kouznetsova V, Goldbaum M. Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response [J].IEEE Transactions on Medical Imaging,2000, 19(3):203-210.

[10] Koukounis D, Ttofis C, Papadopoulos A, et al. A high performance hardware architecture for portable, low-power retinal vessel segmentation [J].Integration, the VLSI Journal,2014,47(3):377- 386.

[11] Sanjeev Kubakaddi, Mila Kankanala. Automatic Segmentation of Optic Disc using Modified Multi-level Thresholding [C].IEEE International Conference,2014:124-130.

[12] Kostkova J, Flusser J, Pedone M. Combined Invariants to Gaussian Blur and Affine Transformation [C]. 2020 25th International Conference on Pattern Recognition (ICPR), 2021.

[13] Zuiderveld K. Contrast limited adaptive histogram equalization [M].Academic Press Professional, Inc.1994.

[14] Stark J A. Adaptive image contrast enhancement using generalizations of histogram equalization[J]. IEEE Transactions on Image Processing,2000,9(5): 889-896.

[15] Matton S. Generation and coherent detection of terahertz radiation by photo mixing: dielectric media characterization[C]. 2005 Joint 30th International Conference on Infrared and Millimeter Waves and 13th International Conference on Terahertz Electronics,2005:419 -420.

[16] Gidaris S,Komodakis N.Dynamic few-shot visual learning without forgetting[C].2018 IEEE/ CVF Conference on Computer Vision and Pattern Recognition,2018:4367-4375.

[17] Bhandari A K, Kumar I V, Srinivas K. Cuttlefish algorithm based multilevel 3D otsu function for color image segmentation[J].IEEE Transactions on Instrumentation and Measurement,2020,69(5):1871- 1880.

[18] Song T,Li J,Han X, et al.A quick Otsu-Kmeans algorithm for the internal pipeline detection[C].2017 IEEE International Conference on Mechatronics and Automation (ICMA), 2017:193- 197.

[19] Drive.digital retinal images for vessel extraction[EB/OL].http://www.isi.uu.nl/Research/Databases/DRIVE, 2020-4-1.

[20] 董恒,叶楠,寇丽杰,等.基于B-COSFIRE的混合滤波视网膜血管分割算法[J].电子测量技术,2020,43(16):156-160.

RETINAL VASCULAR SEGMENTATION BASED ON SIMILARITY FILTERING ALGORITHM

*WANG Jia-qi1,2, LIU Jun-tong1,2, WANG Pei-pei1,2, LI Qing-qing1,2, LU Xiao-jie1,2

2. School of Medical Information, Wannan Medical College, Wuhu, Anhui 241002, China; Research Center of Health Big Data Mining and Applications, Wannan Medical College, Wuhu, Anhui 241002, China）

In computer-aided retinal vascular segmentation of fundus images, matched filter algorithm is widely used. However, the traditional matched filter algorithm has some problems such as poor performance and optic disc interference. A similarity filter algorithm for retinal vascular segmentation in fundus images is proposed in this paper. Firstly, multi-level threshold and level set algorithm are used to extract optic disc interference regions, and Gaussian blur is used to remove optic disc interference region. Then the similarity filter algorithm is used to process the color fundus images without optic disc interference. Finally, the cosine similarity image is binarized and the cosine similarity enhancement image is combined to achieve retinal vascular segmentation in fundus images. The results show that the algorithm can better segment the small vessels and remove the interference of optic disc, and can extract retinal vessels in fundus images more accurately.

medical image processing; image segmentation; retinal vascular segmentation; matched filter; consine similarity

1674-8085（2021）06-0063-07

TP391.413

A

10.3969/j.issn.1674-8085.2022.01.011

2021-07-17；

2021-09-25

安徽高校科学研究项目（KJ2020A0618）；皖南医学院中青年科学基金 (WK202017)

*王家琦(1988-)，女，安徽合肥人，助教，硕士，主要从事医学图像处理研究(E-mail:andawjq@163.com).