潘燕紅，潘 林

(福州大學(xué)數(shù)字媒體研究院，福建 福州 350002)

0 引言

糖尿病視網(wǎng)膜病變(Diabetic Retinopathy，DR)是糖尿病的嚴(yán)重眼部并發(fā)癥，已成為導(dǎo)致30歲～69歲成年人失明的最主要原因［1］。DR造成的視力損傷多為不可逆轉(zhuǎn)，因此DR的早期診斷、治療及控制非常重要。傳統(tǒng)的由眼科醫(yī)生人工檢查方式存在效率低、勞動(dòng)強(qiáng)度大、主觀因素多等缺點(diǎn)，借助計(jì)算機(jī)圖像處理等技術(shù)對DR進(jìn)行準(zhǔn)確、快速的檢測具有重要的臨床意義和科研價(jià)值。

圖1 含硬性滲出的眼底圖像:DIARETDB1 image005

HEs在彩色眼底圖像中呈蠟黃色點(diǎn)片狀，離散分布在眼底中，如圖1所示，當(dāng)HEs出現(xiàn)在黃斑區(qū)域時(shí)，會嚴(yán)重威脅到患者視力［1］。由于軟性滲出、視盤與硬性滲出在顏色特征上較為相似，給HEs的檢測帶來困難;此外，因成像硬件條件造成的眼底圖像光照不均、對比度差也會影響檢測效果。HEs的檢測方法大致可分為非監(jiān)督分類方法［2-4］和監(jiān)督分類方法［5-6］。Phillips［2］等人結(jié)合全局及局部閾值來分割滲出物。Sinthanayothin［3］等人采用遞歸區(qū)域生長法提取HEs。Walter［4］在眼底圖像綠色通道上利用數(shù)學(xué)形態(tài)學(xué)方法HEs的輪廓。Osareh［5］等人先利用模糊C均值聚類分析分割出病灶候選區(qū)域，再用多層神經(jīng)網(wǎng)絡(luò)對分割出來的區(qū)域進(jìn)行分類。Adarsh［6］等人基于多分類SVM方法檢測DR眼底圖像特征。

本文提出一種基于支持向量機(jī)(Support Vector Machine，SVM)的HEs檢測方法，屬于監(jiān)督分類方法，其流程如圖2所示。首先對DR眼底圖像進(jìn)行粗分割，獲得HEs病灶候選區(qū)域;接著在此候選區(qū)域上提取特征并SVM分類出候選區(qū)域上的HEs和非HEs，得到HEs的精確檢測。

圖2 本文方法流程圖

1 候選區(qū)域粗分割

為降低計(jì)算復(fù)雜度，本文先使用較簡單、快速的方法對HEs進(jìn)行粗分割，以獲得HEs候選區(qū)域。因硬性滲出和背景在灰度上有一定差異，可用閾值法來進(jìn)行粗分割，但是考慮到眼底圖像的光照條件、對比度差等因素，簡單的閾值分割難以獲得較為理想的分割效果，因此本文結(jié)合形態(tài)學(xué)運(yùn)算和閾值方法進(jìn)行粗分割。具體算法如下:

(1)將原圖(這里使用 DIARETDB1里的 image005圖，見圖1)轉(zhuǎn)換為灰度圖如圖3(a)所示;

(2)使用半徑為13的圓形結(jié)構(gòu)元素S對灰度圖進(jìn)行形態(tài)學(xué)開運(yùn)算獲得背景圖如圖3(b)所示;

(3)灰度圖減去背景圖得到前景圖如圖3(c)所示;

(4)對前景圖進(jìn)行閾值分割，這里取閾值為21，得到候選區(qū)域MASK圖如圖3(d)所示;

(5)視盤在顏色、灰度特征和硬性滲出極為相似，因此需要剔除視盤。這里采用基于Hough變換定位視盤，圓半徑r∈70，[]150［7］。圖3(e)為對圖1進(jìn)行視盤定位圖;

(6)將MASK圖剔除視盤后，疊加到圖1上，最終完成眼底圖像的粗分割，圖3(f)中淺灰點(diǎn)狀物即為HEs候選區(qū)域。

圖3 眼底圖像HEs候選區(qū)域粗分割

2 分類

本文的粗分割是根據(jù)灰度特征來提取HEs候選區(qū)域，其中可能包含在灰度上與HEs相似的軟性滲出、背景點(diǎn)等非HEs，因此需要進(jìn)一步剔除候選區(qū)域中的非 HEs，以提高 HEs檢測精確度。本文采用SVM分類器對所獲得的候選區(qū)域上進(jìn)行HEs和非HEs的分類。SVM分類器結(jié)構(gòu)如圖4所示。先在已知類別的樣本集上，選擇特征參數(shù)，訓(xùn)練得到分類模型，從而將訓(xùn)練集分類到給定類。

圖4 SVM分類器結(jié)構(gòu)圖

2.1 特征提取

候選區(qū)域中非HEs和HEs在灰度上相似，但還有一定的區(qū)別，綜合HEs病灶的顏色、紋理、邊緣等特點(diǎn)，提取具有代表性的特征，以訓(xùn)練SVM分類器。本文在文獻(xiàn)［8］的特征集基礎(chǔ)上加入AM-FM特征，使得檢測結(jié)果不受眼底圖像光照條件和對比度的影響，具有更好適應(yīng)性。本文選擇以下特征作為SVM分類器的特征向量:

(1)AM-FM 特征:IA、IF。

1996年 Havlicek提出 AM-FM 圖像模型［9］，促進(jìn)了AM-FM模型在圖像領(lǐng)域的應(yīng)用，文獻(xiàn)［10］首次將AM-FM用于眼底圖像分析。圖像可以表示為多個(gè)二維AM-FM信號的疊加:

其中anx，()y和φnx，()y分別為第n個(gè)AM-FM信號分量的幅度函數(shù)和相位函數(shù)。頻率函數(shù)定義為相位函數(shù)的導(dǎo)數(shù):

一張圖像可表示為AM-FM圖像模型，反之解調(diào)得到的幅度和頻率可以表征圖像的一些特征。幅度(IA)反映了局部圖像強(qiáng)度變化，如病灶區(qū)域的邊界等;頻率(IF)是圖像紋理的物理度量，其大小與圖像旋轉(zhuǎn)角度及眼底圖像成像硬件條件無關(guān)，而且頻率反應(yīng)了圖像紋理的幾何結(jié)構(gòu)信息，不受圖像對比度和光照變化影響［10］。

(2)候選區(qū)域內(nèi) RGB 均值:μR、μG、μB。

硬性滲出和眼底圖像背景具有較明顯的顏色差異，前者在眼底圖像中呈黃白色，而后者一般為橙紅色。

(3)候選區(qū)域內(nèi) RGB 標(biāo)準(zhǔn)差:σR、σG、σB。

硬性滲出區(qū)域邊界處的顏色變化較大，而背景區(qū)域邊界處顏色無明顯變化。

(4)候選區(qū)域鄰域的 RGB 均值:μ'R、μ'G、μ'B。

硬性滲出和背景在RGB均值和標(biāo)準(zhǔn)差上不同，因此取候選區(qū)域邊界5個(gè)像素寬的區(qū)域?yàn)楹蜻x區(qū)域的鄰域Γ。分別計(jì)算候選區(qū)域極其鄰域的均值和標(biāo)準(zhǔn)差特征可較好區(qū)分HEs和背景。

(5)候選區(qū)域鄰域的 RGB 標(biāo)準(zhǔn)差:σ'R、σ'G、σ'B。

(6)候選區(qū)域和鄰域的RGB均值的比:CR、CG、CB。

(7)候選區(qū)域質(zhì)心的值:RC、GC、BC。

因?yàn)楹蜻x區(qū)域的邊界可能存在誤檢，而質(zhì)心的像素值更能代表硬性滲出的顏色特征。

(8)候選區(qū)域的邊緣強(qiáng)度:ES。

硬性滲出和軟性滲出在顏色、形狀上較為相似，但硬性滲出區(qū)域的邊緣較為清晰顯著，而軟性滲出的邊緣較為模糊，因此計(jì)算候選區(qū)域的邊緣強(qiáng)度能有效區(qū)分HEs和非HEs。設(shè)B為邊界像素集，邊界強(qiáng)度可以用Prewitt算子計(jì)算得到［8］:

2.2SVM 分類

因要將病灶候選區(qū)域分類為HEs和非HEs，因此本文采用二類SVM分類模型。對于線性可分的樣本集X，尋找最優(yōu)分類面WX+b=0(W為分類面的法向量，b為偏差項(xiàng))，不但能將2類數(shù)據(jù)正確分開，而且使分類間隔最大。因此尋找最優(yōu)分類面問題轉(zhuǎn)換為分類間隔2/‖W‖最大化，即‖W‖2/2最小化問題。

對于樣本空間線性不可分的情況，則通過非線性變換(核函數(shù))將樣本空間映射到一個(gè)高維空間中，使得樣本線性可分?！琖‖2/2最小化問題可利用拉格朗日乘數(shù)法求解，得到最終決策函數(shù):

其中，K xi，()x為核函數(shù)，αi為拉格朗日乘子，yi為SVM的分類類別標(biāo)簽。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)及評價(jià)標(biāo)準(zhǔn)

本文在3.2GHz雙核CPU，1G內(nèi)存的PC機(jī)上在Matlab 2012a環(huán)境下進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)采用的圖像來自公開的 DR數(shù)據(jù)庫 DIARETDB1［11］。DIARETDB1中的眼底圖像為Kuopio大學(xué)醫(yī)院拍攝，由眼科專家挑選具有代表性的圖像并標(biāo)記病變區(qū)，庫中共有89張眼底圖像，其中6張為正常無病變的眼底圖像，其余83張均含有病變，而含有HEs的有47張。本實(shí)驗(yàn)選取45張圖像(其中22張含有HEs)作為訓(xùn)練集，剩下44張作為測試集。訓(xùn)練集中包含895個(gè)硬性滲出區(qū)域，689個(gè)非硬性滲出區(qū)域。為精確分割出DR眼底圖像上的HEs，實(shí)驗(yàn)將在45張測試集上進(jìn)行粗分割得到的2062個(gè)HEs病灶候選區(qū)域作為訓(xùn)練好的SVM分類器輸入，最終分類出HEs和非HEs。

在評價(jià)算法的性能上使用國際上比較通用敏感性(Sensitivity)和特異性(Specificity)參數(shù)，敏感性表示正確判斷病灶的比例，特異性表示正確判斷出非病灶的比例。英國糖尿病協(xié)會建議糖尿病視網(wǎng)膜病變檢測系統(tǒng)的病灶檢測敏感性要高于80%［12］。

3.2 核函數(shù)選擇及參數(shù)設(shè)置

在訓(xùn)練SVM分類器之前，需要選擇合適的核函數(shù)及參數(shù)。目前常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)和徑向基核函數(shù)(Radial Basis Function，RBF)。

線性核函數(shù):

多項(xiàng)式核函數(shù):

徑向基核函數(shù):

本文通過實(shí)驗(yàn)比較3個(gè)核函數(shù)的分類效果。在核函數(shù)的參數(shù)d、σ和懲罰因子C的選擇上，采用5重交叉驗(yàn)證法與網(wǎng)格搜索法［13］，對于徑向基核函數(shù)，根據(jù)試驗(yàn)，將 σ 范圍設(shè)為0.1～0.9，步長為0.1;C 為0 ～20，步長為 0.1，將每對(σ，C)進(jìn)行交叉驗(yàn)證，找出交叉驗(yàn)證精確度最高的(σ，C)。多項(xiàng)式核函數(shù)使用同樣方法確定參數(shù)，d取2～10，步長為1。表1為不同核函數(shù)及其最優(yōu)參數(shù)下的分類效果比較，當(dāng)使用徑向基核函數(shù)，參數(shù) C取12.8，σ取0.5時(shí)，檢測效果最佳。

表1 不同核函數(shù)及其最優(yōu)參數(shù)下SVM分類器的分類結(jié)果

3.3 實(shí)驗(yàn)結(jié)果及分析

圖5左、右2列分別為對DIARETDB1中的image005和image019用本文方法進(jìn)行硬性滲出檢測的結(jié)果。先粗分割得到HEs候選區(qū)域(圖5(c)和圖5(d)的淺灰色斑點(diǎn)區(qū)域)，再在候選區(qū)域上進(jìn)行SVM精分割，最終檢測出較為精確的HEs區(qū)域(圖5(e)和圖5(f)的黑色斑點(diǎn)區(qū)域)，可以看出在本文選擇的特征集上進(jìn)行SVM分類能有效剔除候選區(qū)域上的軟性滲出、背景等非硬性滲出。

為進(jìn)一步評估本文方法的性能，將本文方法的檢測效果與其他方法進(jìn)行比較，如表2所示。Phillips［2］和Sinthanayothin［3］分別采用閾值分割和區(qū)域生長法，僅根據(jù)灰度信息來分割硬性滲出，在敏感性上比本文所采用的方法差。Osareh［5］使用模糊C均值聚類結(jié)合多層神經(jīng)網(wǎng)絡(luò)方法，在敏感性和特異性上都優(yōu)于本文方法，但是平均耗時(shí)長，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法是需要大量樣本來保證其精確度，收斂速度慢，而SVM是基于現(xiàn)有的有限樣本集上得到的最優(yōu)解。Adarsh［6］使用多分類SVM分類方法和本文所采用的二類SVM分類方法得到的敏感性和特異性相差不大，但本文引入AM-FM特征，檢測結(jié)果不受對比度和亮度變化影響，能適用在不同成像條件拍攝得來的眼底圖像。

圖5 硬性滲出提取結(jié)果

表2 本文HEs提取方法和其他方法的比較

4 結(jié)束語

采用有效的圖像處理分析技術(shù)來檢測眼底圖像有助于DR的早期診斷、治療監(jiān)控和術(shù)后估計(jì)，具有重要意義，DR的早期病變之一硬性滲出的檢測也尤為重要。本文采用粗精結(jié)合的檢測方法，首次將AMFM特征與SVM分類器相結(jié)合提取眼底圖像硬性滲出，不僅在敏感性和特異性指標(biāo)上達(dá)到較好效果，實(shí)時(shí)性較好，而且檢測效果不受圖像成像條件影響，具有更好適應(yīng)性。

:

［1］Watkins P J.ABC of diabetes:Retinopathy［J］.BMJ:British Medical Journal，2003，326(7395):924-926.

［2］Phillips R，F(xiàn)orrester J，Sharp P.Automated detection and quantification of retinal exudates［J］.Graefe’s Archive for Clinical and Experimental Ophthalmology，1993，231(2):90-94.

［3］Sinthanayothin C，Boyce J F，Cook H L，et al.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.

［4］Walter T，Klein J C，Massin P，et al.A contribution of image processing to the diagnosis of diabetic retinopathydetection of exudates in color fundus images of the human retina［J］.IEEE Transactions on Medical Imaging，2002，21(10):1236-1243.

［5］Osareh A，Shadgar B，Markham R.A computational-intelligence-based approach for detection of exudates in diabetic retinopathy images［J］.IEEE Transactions on Information Technology in Biomedicine，2009，13(4):535-545.

［6］Adarsh P，Jeyakumari D.Multiclass SVM-based automated diagnosis of diabetic retinopathy［C］//IEEE 2013 International Conference on Communications and Signal Processing(ICCSP).2013:206-210.

［7］Osareh A.Automated Identification of Diabetic Retinal Exudates and the Optic Disc［D］.University of Bristol，2004.

［8］Garcia M，Sanchez C I，Poza J，et al.Detection of hard exudates in retinal images using a radial basis function classifier［J］.Annals of Biomedical Engineering，2009，37(7):1448-1463.

［9］Havlicek J P，Harding D S，Bovik A C.The multicomponent AM-FM image representation［J］.IEEE Transactions on Image Processing，1996，5(6):1094-1100.

［10］Murray V，Psttichis M，Soliz P.New AM-FM analysis methods for retinal image characterization［C］//IEEE 2008 the 42nd Asilomar Conference on Signals，Systems and Computers.2008:664-668.

［11］Tomi Kauppi，Valentina Kalesnykiene，Joni-Kristian Kamarainen，et al.DIARETDB1-Standard Diabetic Retinopathy Database［DB/OL］.http://www2.it.lut.fi/project/imageret/diaretdb1/，2007-06-19.

［12］British Academic Association.Retinal Photography Screening for Diabetic Eye Disease［R］.London:British Academic Association，1997.

［13］Hsu C W，Chang C C，Lin C J.A Practical Guide to Support Vector Classification［R］.University of National Taiwan，Department of Computer Science and Information Engineering，2003.