視網(wǎng)膜圖像中視盤自動定位模型設計研究

張貴英

摘要：視盤是視網(wǎng)膜圖像的重要特征，視網(wǎng)膜的定位是視網(wǎng)膜病變診斷和治療的重要前提。現(xiàn)有的視盤自動定位方法往往借助單一的特征，即傳統(tǒng)特征或者深度學習特征，所提供的信息有限。針對此，該文設計了一個將傳統(tǒng)特征和深度學習特征結合起來的視盤自動定位模型，以期為定位視盤提供更多豐富的特征信息，從而提高識別率。

關鍵詞：視網(wǎng)膜圖像；視盤；自動定位；傳統(tǒng)特征；深度學習特征

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2017）22-0174-02

視神經(jīng)盤（Optic Disc，OD），也叫視神經(jīng)乳頭，簡稱視盤，為視網(wǎng)膜從黃斑向鼻側約3mm處的邊緣清楚的淡紅色圓盤狀結構，其直徑約1.5mm。視盤是視網(wǎng)膜圖像的一個重要特征，視神經(jīng)盤的物理狀態(tài)，如形狀、色澤、面積和生理杯深度等參數(shù)是衡量眼底健康狀況和病灶的重要指標。在眼科眼底疾病的診斷和治療中，常見眼科眼底疾病如糖尿病視網(wǎng)膜病變、高血壓視網(wǎng)膜病變、視網(wǎng)膜脫離的裂孔定位、眼底腫瘤定位以及視網(wǎng)膜血管性疾病的診斷與治療均需要事先進行視盤的準確定位。在醫(yī)學圖像處理領域，視盤的自動定位是眼底圖像配準拼接、血管跟蹤、黃斑和病變提取，以及視盤邊緣定位等工作的基礎。

1視網(wǎng)膜圖形中視盤自動定位模型研究現(xiàn)狀

視網(wǎng)膜圖像中視盤自動定位方法是醫(yī)學圖像處理研究的熱點問題，學者們已經(jīng)提出了一系列視盤定位模型。Hoover利用血管結構相對比較穩(wěn)定這一特性，提出了利用模糊收斂算法進行血管分割來定位視盤的位置。利用這一思想的還有Foracchia，該文獻首先分割出主要的視網(wǎng)膜血管，然后根據(jù)兩個拋物線模型頂點的交點來定位視盤。Li和Walter利用視盤區(qū)域亮度變化最大的特性來設計視盤自動定位算法。除了單獨借助血管結構和視盤外觀特性外，學者們還綜合利用這兩種特征來定位視盤。Youssif首先借助分割出視網(wǎng)膜血管，利用血管的方向和結構信息獲得視盤的候選區(qū)域，然后再根據(jù)視盤的形狀找出視盤所在位置。Ahfouz、Ravishankar、Yu及其文獻均采用了這類思路。此外，Ramakanth提出了一種特征匹配的方法來定位視盤，文獻綜述了視網(wǎng)膜圖像中視盤的自動定位方法。

近年來，深度學習（Deeplearning，DL）在目標檢測、目標識別、顯著性檢測、行為識別、人臉識別和對象分割等計算機視覺領域取得了舉世矚目的成果。深度學習能提取對象的本質(zhì)特征，而特征對于對象的識別起著決定性的作用。Sadikoglu等提出了基于神經(jīng)網(wǎng)絡的視網(wǎng)膜識別算法，張貴英等提出了基于深度學習的視盤自動檢測方法，Costa等提出了基于對抗網(wǎng)絡的多樣本生成來進行視網(wǎng)膜圖像的識別工作。

2視盤自動定位模型設計

傳統(tǒng)的視盤定位方法一般為提取視盤的幾何、血管和自身屬性等特征，基于深度學習特征的方法能提取視盤的本質(zhì)特征。以往的工作往往為單獨的，即要么基于傳統(tǒng)特征進行視盤的定位研究，要么基于深度學習進行視盤的定位。如果傳統(tǒng)特征和深度學習特征結合起來，將獲得更多的特征，提供更豐富的信息，從而提高識別率。本文將傳統(tǒng)特征和深度學習特征結合起來，設計視盤定位模型。具體步驟包括視網(wǎng)膜眼底圖像采集、圖像預處理、視盤傳統(tǒng)特征的提取和深度學習特征的提取及其兩類特征融合等過程。模型的流程圖如圖1所示。

（1）實驗圖像。本模型以醫(yī)院眼底圖像和公開眼底圖像數(shù)據(jù)集為研究素材。醫(yī)院眼底圖像可為醫(yī)院眼科中心實地采集所得，其圖像分為正常和病變兩類，采集的圖像應具有代表性和客觀性。除此之外，本模型使用公開的眼底圖像，包括MES—SIDOR、DRIVE、DIARETBD0、DIARETBD1和STARE五大公開數(shù)據(jù)集。

（2）圖像預處理。為保證后續(xù)定位的準確性，對原始圖像進行一些簡單的預處理，如增強，去噪等操作。

（3）視盤特征提取。提取視網(wǎng)膜圖像中視盤本身的特征，比如基本形態(tài)特征，色度和亮度特征，彩色特征，紋理特征等，接著選擇最能刻畫視盤的主要特征。

①形態(tài)特征的提取。形態(tài)特征是視盤的形狀、大小、輪廓的規(guī)則程度的定量描述。提取視盤的周長、面積、圓度、視盤的矩形度和伸長度等特征，這些特征都能很好地反映視盤的形態(tài)。

②色度亮度特征提取。提取視盤的色度和亮度特征，如飽和度，色調(diào)和亮度等特征。

③彩色特征的提取。分別在R、G、B三個色度空間提取如下的彩色特征：均值、方差、色度變化、偏差和峰度等。

④紋理特征的提取。提取特征包括慣量，是圖像紅局部灰度變化量總量的描述；二階角距，是圖像灰度的均勻性和紋理粗細程度的度量；熵，表示能量在空間分布的均勻程度等特征。

（4）CNN特征的提取。采用多個卷積層來提取深度學習特征，實驗圖片剪裁成256*256像素，設置相關訓練參數(shù)，使用深度學習框架caffe來訓練生成模型。改變已有模型卷積層和池化層的層數(shù)、卷積核的大小、池化的方式、全連接的方式來設計全新的網(wǎng)絡模型，預訓練網(wǎng)絡，并將稀疏的概念加入到網(wǎng)絡中去，尋找適當?shù)膌oss函數(shù)，并進行識別分類，以期達到國內(nèi)外先進識別水平。設計的深度學習網(wǎng)絡模型結構能提取目標各個卷積層的特征，也就是通過網(wǎng)絡模型自動學習的特征，即深度學習特征。

（5）將傳統(tǒng)特征和深度學習特征融合。傳統(tǒng)特征有其獨特的優(yōu)勢，深度學習特征能刻畫對象的本質(zhì)特征，將傳統(tǒng)特征和深度學習特征的整合起來，提供更多豐富的信息，以期獲得更高的準確率。傳統(tǒng)特征和深度學習特征融合，恢復這些特征的空間局部關聯(lián)性?？赏ㄟ^兩種方式將傳統(tǒng)特征和深度學習特征結合起來。其一，擬將傳統(tǒng)特征矩陣化，作為深度學習多層特征的補充；將這些特征整合起來，恢復這些特征的空間局部關聯(lián)性；再將傳統(tǒng)特征與深度學習特征統(tǒng)一輸入到深度學習網(wǎng)絡框架中去。其二，通過將傳統(tǒng)特征和深度學習特征以一定權重融合，借助傳統(tǒng)分類器（如SVM）等進行識別。

（6）設計分類器。本模型擬使用臺灣大學林智仁（Lin Chih-Jen）教授開發(fā)設計的LIBSVM作為分類器。該軟件是一個簡單、易于使用和快速有效的SVM模式識別與回歸的軟件包，不但提供了編譯好的可在Windows系列系統(tǒng)的執(zhí)行文件，還提供了源代碼，方便改進、修改以及在其他操作系統(tǒng)上應用；該軟件還有一個特點，就是對SVM所涉及的參數(shù)調(diào)節(jié)相對比較少，提供了很多的默認參數(shù)，利用這些默認參數(shù)就可以更好的解決視盤定位問題。

3小結

視盤是視網(wǎng)膜圖像的重要特征，其自動定位是眼底圖像處理的重要前提。傳統(tǒng)特征和深度學習特征各自具有自身優(yōu)勢，將傳統(tǒng)特征和深度學習特征結合起來，以提供視盤更多豐富的信息。本文提出了視網(wǎng)膜圖像中視盤自動定位模型，該模型整合傳統(tǒng)特征和深度學習特征，提供更多互補信息，有望提高視盤定位準確性。endprint