劉蒙蒙，郭 松，高穎琪，李 濤,2

1(南開(kāi)大學(xué) 計(jì)算機(jī)學(xué)院，天津 300350)2(天津市網(wǎng)絡(luò)與數(shù)據(jù)安全技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津 300350)

1 引 言

眼底是眼球內(nèi)后部的組織，即通常所說(shuō)的視網(wǎng)膜，眼底圖像是使用眼底相機(jī)獲取的視網(wǎng)膜圖像，包括視網(wǎng)膜、視杯、視盤、黃斑以及視網(wǎng)膜動(dòng)靜脈等.眼底檢查的結(jié)果可以反映許多全身性疾病如高血壓、腎病、糖尿病等疾病，眼底圖像是重要的診斷資料.隨著糖尿病、青光眼等多種疾病的發(fā)病率不斷增加，對(duì)眼底圖像的定期篩查已經(jīng)成為預(yù)防患者失明的重要手段，目前對(duì)視網(wǎng)膜圖像的分析篩查主要依靠眼科醫(yī)生的肉眼觀察，以此來(lái)判斷患者眼部的病變程度，但是日益增加的患者數(shù)量對(duì)于眼科醫(yī)護(hù)人員帶來(lái)巨大的挑戰(zhàn)[1].

計(jì)算機(jī)輔助診斷工具為眼底圖像的篩查提供了新的思路，輔助診斷工具可以降低主觀誤診的因素，幫助臨床經(jīng)驗(yàn)不足的眼科醫(yī)生進(jìn)行診斷，輔助診斷信息提高了臨床診斷的準(zhǔn)確率，減少了診斷決策的時(shí)間，大大提高了醫(yī)護(hù)人員的工作效率.當(dāng)前計(jì)算機(jī)輔助診斷的方法研究是基于大量標(biāo)注眼底病變點(diǎn)的眼底圖像展開(kāi)的，主要通過(guò)對(duì)病變點(diǎn)的分割與檢測(cè)結(jié)果進(jìn)行評(píng)估，獲得診斷結(jié)果.目前關(guān)于眼底病變點(diǎn)分割的公開(kāi)數(shù)據(jù)集包括DDR[2]、IDRiD[3]、e-ophtha_EX[4]、e-ophtha_MA[4]、ROC[5]、HEI-MED[6]等幾個(gè)數(shù)據(jù)集，表1中列出了上述四個(gè)數(shù)據(jù)集的圖片數(shù)量和所標(biāo)注的病變點(diǎn)的種類.

這些對(duì)眼底病變點(diǎn)進(jìn)行像素級(jí)標(biāo)注的數(shù)據(jù)集，眼底圖片數(shù)量共計(jì)近千張，但這個(gè)數(shù)據(jù)量相較于深度學(xué)習(xí)的分割模型或相關(guān)診斷工具的研究需求，存在“相當(dāng)大”數(shù)量級(jí)的差距.為了打破數(shù)據(jù)集對(duì)病變點(diǎn)分割與檢測(cè)研究的局限，必須對(duì)大量眼底圖像進(jìn)行精確的標(biāo)注，需要耗費(fèi)大量的人力和時(shí)間，且對(duì)標(biāo)注人員的專業(yè)素質(zhì)要求較高.目前，眼底圖像主要用于糖尿病性視網(wǎng)膜病變(diabetic retinopathy，DR)的篩查，而硬性滲出是DR早期階段的顯著特征，因此硬滲是計(jì)算機(jī)輔助診斷工具的重要檢測(cè)對(duì)象，是DR篩查的重要環(huán)節(jié).眼底病變中的硬性滲出具有數(shù)量不定、形狀不規(guī)則的特點(diǎn)，且眼底圖像背景復(fù)雜，需要一種適應(yīng)眼底圖像場(chǎng)景的標(biāo)注方法，能夠快速地標(biāo)注硬滲區(qū)域的不規(guī)則輪廓.

表1 眼底病變點(diǎn)分割數(shù)據(jù)集Table 1 Datasets of fundus lesions segmentation

全自動(dòng)的分割算法在對(duì)眼底圖像進(jìn)行分割時(shí)，難以自動(dòng)獲取目標(biāo)，存在提取邊緣不理想的不足[7].因此本文設(shè)計(jì)了一種可學(xué)習(xí)的硬性滲出病變點(diǎn)標(biāo)注方法，加入可學(xué)習(xí)的分割算法，對(duì)眼底圖像中的硬性滲出進(jìn)行逐像素的標(biāo)注.在標(biāo)注過(guò)程中，包括人的鑒別過(guò)程，將其標(biāo)注的結(jié)果加入分割算法并訓(xùn)練分類器，使分割算法具有學(xué)習(xí)能力，標(biāo)注區(qū)域是基于可學(xué)習(xí)的分割算法獲得的.標(biāo)注方法的優(yōu)勢(shì)在于由分割算法獲得疑似區(qū)域的輪廓，由分類器鑒別疑似區(qū)域，減少用戶標(biāo)注一個(gè)硬性滲出區(qū)域的點(diǎn)擊時(shí)間，最終用戶能快速完成對(duì)不規(guī)則滲出區(qū)域的標(biāo)注.

2 相關(guān)工作

基于眼底圖像的計(jì)算機(jī)輔助診斷工具主要有兩種評(píng)估方法，一是評(píng)估視網(wǎng)膜血管的形態(tài)學(xué)特征，二是檢測(cè)各類特異性的眼底損傷并進(jìn)行分類和計(jì)數(shù)，后者對(duì)糖尿病性視網(wǎng)膜病變的診斷和分期有重要意義，眼底病變的數(shù)量和面積為眼科醫(yī)生提供有效的輔助診斷信息，換而言之，眼底病變點(diǎn)分割的算法研究與計(jì)算機(jī)輔助診斷工具的發(fā)展息息相關(guān).

基于深度學(xué)習(xí)的眼底圖像分割算法近來(lái)得到了迅猛發(fā)展.在眼底結(jié)構(gòu)和病變點(diǎn)分割方面，深度學(xué)習(xí)算法也表現(xiàn)出優(yōu)異的性能.Pavle等人使用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)眼底滲出物進(jìn)行分割，并結(jié)合滲出物位置的高水平解剖學(xué)特征，獲得了比傳統(tǒng)方法更優(yōu)異的分割結(jié)果[8].Feng 等人提出的可檢測(cè)眼底圖像中視盤和滲出的網(wǎng)絡(luò)結(jié)構(gòu)，獲得了較之前方法更準(zhǔn)確的分割結(jié)果[9].Juan等人利用深度學(xué)習(xí)網(wǎng)絡(luò)分割滲出物的靈敏度達(dá)到了0.9227，對(duì)比傳統(tǒng)方法在多個(gè)評(píng)估指標(biāo)上性能均有很大提高[10].Jen等人提出的10層卷積網(wǎng)絡(luò)可以同時(shí)分割滲出物，出血和微動(dòng)脈瘤，其對(duì)滲出物的靈敏度達(dá)到了0.8758[11].Guo等人設(shè)計(jì)的小目標(biāo)分割網(wǎng)絡(luò)可以同時(shí)分割四種病變，在多個(gè)數(shù)據(jù)集表現(xiàn)優(yōu)異，對(duì)于四種病變的靈敏度均超過(guò)了國(guó)際眼底競(jìng)賽的最好成績(jī)[12].

關(guān)于眼底圖像滲出區(qū)域的分割問(wèn)題研究，Sopharak等人提出了基于模糊C均值(FCM)聚類分割滲出物的方法，獲得了較高的敏感性和準(zhǔn)確度[13].Worapan等人改進(jìn)了迭代圖形分割的算法，由監(jiān)督學(xué)習(xí)的方法識(shí)別具有高可信度的種子，繼而進(jìn)行迭代，這種方法具有很強(qiáng)的魯棒性[14].此外也有人使用一些非機(jī)器學(xué)習(xí)的方法對(duì)滲出區(qū)域進(jìn)行分割，即通過(guò)手動(dòng)設(shè)計(jì)特征和分類規(guī)則處理眼底圖像.Jaskirat等人提出的動(dòng)態(tài)閾值的分割方法，在多個(gè)數(shù)據(jù)庫(kù)上獲得了平均0.8885的特異性，具有泛化能力和較強(qiáng)的候選能力[15].Welfer等人基于形態(tài)學(xué)在DIARETDB1上敏感度達(dá)到了0.7048[16].Imani等人基于形態(tài)學(xué)成分分析算法和動(dòng)態(tài)閾值，結(jié)合血管的分割結(jié)果檢測(cè)滲出，在多個(gè)數(shù)據(jù)集上達(dá)到了優(yōu)異的效果[17].Li等人利用主成分分析法建立主動(dòng)形狀模型，區(qū)域生長(zhǎng)和邊緣檢測(cè)的方法達(dá)到了100%的靈敏度和0.71的特異性[18].Sinthanayothin等人使用遞歸區(qū)域增長(zhǎng)分割算法分割滲出靈敏度為0.88，特異性為0.997[19].

結(jié)合深度學(xué)習(xí)的眼底病變點(diǎn)分割算法，需要大量像素級(jí)標(biāo)注的眼底圖像，而當(dāng)前常用的標(biāo)注工具如LabelMe[20]、LabelImg等，其標(biāo)注方法都是依靠人力選擇標(biāo)注區(qū)域并添加標(biāo)簽，標(biāo)注形式主要分為矩形標(biāo)注和多邊形標(biāo)注.矩形標(biāo)注速度較快，但是精度不高，多邊形標(biāo)注提高了精度，但需要用戶進(jìn)行多次點(diǎn)擊，耗費(fèi)大量的時(shí)間.眼底病變點(diǎn)微小、且多為不規(guī)則形狀，矩形標(biāo)注很難用作語(yǔ)義分割任務(wù)，而使用多邊形對(duì)病變點(diǎn)進(jìn)行標(biāo)注的時(shí)間成本過(guò)高，因此通用標(biāo)注工具的標(biāo)注方法和形式在速度和精度上都難以適應(yīng)眼底圖像病變點(diǎn)標(biāo)注的應(yīng)用場(chǎng)景.

3 可學(xué)習(xí)的標(biāo)注方法

可學(xué)習(xí)的標(biāo)注方法，顧名思義是一種具有學(xué)習(xí)能力的方法.標(biāo)注方法中的分割算法學(xué)習(xí)用戶的標(biāo)注，將保存的最終標(biāo)注結(jié)果作為訓(xùn)練集樣本訓(xùn)練分類器；用戶只需簡(jiǎn)單校正標(biāo)注結(jié)果即可得到滿意的結(jié)果.由于分類器的存在，分割算法的性能逐漸提高標(biāo)注過(guò)程中用戶校正的區(qū)域會(huì)逐漸減少.

標(biāo)注工具的學(xué)習(xí)能力源于分割算法中的增量學(xué)習(xí)分類器，標(biāo)注工具基于用戶的標(biāo)注結(jié)果獲取新的病變點(diǎn)樣本，通過(guò)增加訓(xùn)練樣本集數(shù)量來(lái)提高分類器對(duì)硬滲的鑒別能力.標(biāo)注工具包括界面以及可學(xué)習(xí)的分割算法，本節(jié)將重點(diǎn)介紹可學(xué)習(xí)分割算法的原理，分割算法結(jié)合了形態(tài)學(xué)處理與機(jī)器學(xué)習(xí)，由形態(tài)學(xué)運(yùn)算獲得疑似病變點(diǎn)區(qū)域，然后使用分類器對(duì)疑似區(qū)域進(jìn)行分類，判斷候選區(qū)域是否為硬性滲出區(qū)域.算法將分割結(jié)果返回至界面進(jìn)行顯示，并從界面獲得新的樣本，用于訓(xùn)練分類器.

3.1 形態(tài)學(xué)處理

眼底圖像的背景復(fù)雜，眼底圖像存在光照不均勻、對(duì)比度小的問(wèn)題，造成眼底圖像的細(xì)節(jié)丟失，這些噪聲顯著影響了分割結(jié)果的準(zhǔn)確性.通過(guò)比較眼底圖像的三個(gè)顏色通道如圖1所示，綠色通道保留了最多的細(xì)節(jié)，選取綠色通道進(jìn)行算法分割可以獲得更好的分割結(jié)果.對(duì)眼底圖像進(jìn)行圖像增強(qiáng)可以增強(qiáng)局部對(duì)比度并突出滲出區(qū)域，從而獲得更好的分割結(jié)果，本文采用的是限制局部對(duì)比度的CLAHE方法[21].

圖1 RGB三通道對(duì)比圖Fig.1 Contrast between three RGB channels

形態(tài)學(xué)處理中的開(kāi)運(yùn)算是一個(gè)基于幾何運(yùn)算的濾波器，是用于去除圖像噪點(diǎn)的圖像處理方法，開(kāi)運(yùn)算實(shí)際上就是一個(gè)先腐蝕后膨脹的過(guò)程[22].公式如下：

圖2 眼底圖像的背景圖(左)和較亮區(qū)域(右)Fig.2 Background(left)and bright area(right)of fundus image

開(kāi)運(yùn)算可以移除圖像中的小斑點(diǎn)，平滑較大區(qū)域的邊界，同時(shí)不會(huì)明顯改變各個(gè)區(qū)域的面積，而滲出區(qū)域一般是眼底圖像中的小斑點(diǎn)，開(kāi)運(yùn)算可以有效地移除滲出區(qū)域，對(duì)分割滲出區(qū)域有較為滿意的效果.如圖2所示，對(duì)眼底圖像作開(kāi)運(yùn)算處理，移除眼底圖像中的斑點(diǎn)，即獲得圖像的背景圖.將綠色通道圖與背景相減，獲得兩幅圖像的不同之處，即比周圍背景亮度更高的區(qū)域，也就是可能為滲出的區(qū)域.對(duì)結(jié)果進(jìn)行閾值分割，獲取可能的滲出候選區(qū)域.

圖3 不同尺寸結(jié)構(gòu)元素的分割結(jié)果Fig.3 Segmentation results of different size structural elements

在上述處理過(guò)程中，開(kāi)運(yùn)算過(guò)程中結(jié)構(gòu)元素的選取會(huì)顯著影響分割結(jié)果.要獲得較好的分割結(jié)果，須選取合適大小和形狀的結(jié)構(gòu)元素.選取各向同性的圓形作為結(jié)構(gòu)元素，可以排除滲出區(qū)域的方向因素的干擾；結(jié)構(gòu)元素的尺寸影響檢測(cè)出的滲出區(qū)域的效果，結(jié)構(gòu)元素偏小時(shí)，分割較大的滲出區(qū)域會(huì)造成丟失，結(jié)構(gòu)元素偏大對(duì)距離較小的滲出區(qū)域造成粘連的效果.如圖3所示，從左到右是選取合適的結(jié)構(gòu)元素、結(jié)構(gòu)元素偏小、結(jié)構(gòu)元素偏大時(shí)的分割結(jié)果.

3.2 連通區(qū)域檢測(cè)

經(jīng)過(guò)形態(tài)學(xué)處理，算法獲得硬性滲出的候選區(qū)域.眼底的硬性滲出是眼底圖像中較為明亮的形狀不規(guī)則的斑點(diǎn)，不同的硬滲區(qū)域不存在連通性且較為獨(dú)立，而通常一個(gè)連通區(qū)域中的像素點(diǎn)的類型相同，沒(méi)有必要對(duì)這個(gè)區(qū)域內(nèi)的像素點(diǎn)進(jìn)行逐像素分類.為了加快對(duì)整幅圖像的分類速度，本文棄用了對(duì)圖像中所有的候選區(qū)域做逐像素分類的方案，而是選擇將每一個(gè)連通區(qū)域作為分類的一條數(shù)據(jù)可以有效加快對(duì)候選區(qū)域的分類速度.如圖4所示，展示了對(duì)步驟①結(jié)果圖像檢測(cè)出的部分連通區(qū)域，一些十分微小的區(qū)域未舉例.

圖4 連通區(qū)域檢測(cè)結(jié)果Fig.4 Connected area detection results

3.3 增量學(xué)習(xí)分類器

形態(tài)學(xué)處理獲得的候選區(qū)域是灰度值高于周圍像素點(diǎn)的區(qū)域.視盤是一個(gè)近似圓盤的明亮區(qū)域，血管是眼底圖像中的較暗區(qū)域，因此視盤或相距很短的兩條血管之間的區(qū)域都是疑似硬滲的區(qū)域.在分割算法中加入分類器完成對(duì)候選區(qū)域的鑒別，得到新的滲出候選區(qū)域，分類器可以提高分割算法的準(zhǔn)確率.滲出的形狀和大小均不統(tǒng)一，因此選擇眼底圖像綠色通道的灰度均值和候選區(qū)域所有像素點(diǎn)的紅綠藍(lán)通道的三個(gè)平均值作為分類特征.

增量學(xué)習(xí)是一個(gè)不斷引入增量訓(xùn)練集的學(xué)習(xí)過(guò)程[23]，KNN算法是一種思想簡(jiǎn)單且準(zhǔn)確度高的算法，在訓(xùn)練集較大時(shí)具有良好的分類能力，本文選擇了KNN算法作為分類器.KNN的分類過(guò)程是選取與當(dāng)前數(shù)據(jù)最相似的K個(gè)樣本，由K個(gè)樣本共同決定這條數(shù)據(jù)的類別，每一個(gè)連通區(qū)域都是一條待分類的數(shù)據(jù)，將滲出區(qū)域的特征送入KNN分類器，判斷該區(qū)域是否為滲出.標(biāo)注工具獲得自動(dòng)分割算法的候選滲出區(qū)域向用戶展示，用戶可以對(duì)分割結(jié)果進(jìn)行校正，用戶接受的分割結(jié)果產(chǎn)生新的樣本，擴(kuò)充分類器的訓(xùn)練集，新樣本對(duì)下一次的分類結(jié)果產(chǎn)生影響.

分類器的訓(xùn)練樣本由用戶的標(biāo)注產(chǎn)生，這意味著隨著用戶標(biāo)注的眼底圖像的增加，分類器的訓(xùn)練集將逐漸增加，眼底圖像標(biāo)注場(chǎng)景的特殊性在于，眼底圖像的質(zhì)量彼此之間差別較大，會(huì)受到拍攝相機(jī)、光照分布、拍攝距離和角度的影響，因此分類器的分類效果與訓(xùn)練集數(shù)量密切相關(guān)，增量數(shù)據(jù)集具有在一定范圍內(nèi)提升分類器的準(zhǔn)確率的能力.

3.4 算法概述

可學(xué)習(xí)的分割算法的流程圖如圖5所示，前幾節(jié)已經(jīng)介紹了分割算法中的每個(gè)處理過(guò)程，本節(jié)對(duì)分割算法的流程做簡(jiǎn)要總結(jié).

圖5 分割算法的流程圖Fig.5 Flow chart of the segmentation algorithm

分割算法中的輸入是待標(biāo)注的眼底圖像，第一步取眼底圖像的綠色通道經(jīng)過(guò)形態(tài)學(xué)處理獲得硬滲區(qū)域的候選域①，第二步提取候選域①中的連通區(qū)域的特征送入分類器，根據(jù)分類器的分類結(jié)果獲得候選域②.用戶對(duì)候選域②中的滲出區(qū)域進(jìn)行鑒別，標(biāo)注過(guò)的圖片生成新的正負(fù)樣本更新分類器.

表2 分割算法的偽代碼Table 2 Pseudocode of segmentation algorithm

分割算法的偽代碼說(shuō)明了算法的流程，如表2所示.

4 實(shí)驗(yàn)與結(jié)果分析

本節(jié)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行綜合測(cè)評(píng)與分析，實(shí)驗(yàn)中采用的平臺(tái)為：Intel? Xeon? W-2102，CPU @2.90GHz，操作系統(tǒng)為Microsoft Windows10(64位)，使用Python 3.7解釋執(zhí)行.此標(biāo)注工具的界面是基于Python語(yǔ)言GUI編程解決方案PyQt[24]實(shí)現(xiàn)的.

圖6 分割結(jié)果的界面展示Fig.6 Segmentation result showedon GUI

用戶可以通過(guò)工具界面選擇標(biāo)注的眼底圖像，校正自動(dòng)分割結(jié)果.標(biāo)注工具提供讀取、展示眼底圖像及分割結(jié)果的功能，將用戶的分割結(jié)果保存生成標(biāo)注文件.標(biāo)注工具的界面如圖6所示，左側(cè)為工具欄，右側(cè)是兩個(gè)顯示區(qū)域分別顯示原圖和自動(dòng)分割算法給出的滲出候選區(qū)域.

4.1 數(shù)據(jù)集

為了測(cè)試分割算法的性能，本文選取了一個(gè)對(duì)滲出區(qū)域進(jìn)行逐像素標(biāo)注的數(shù)據(jù)集.IDRiD(IndianDiabeticRetinopathyimageDataset)，這個(gè)公開(kāi)數(shù)據(jù)集是由印度糖尿病視網(wǎng)膜病變圖像構(gòu)成的，是印度人的第一個(gè)典型數(shù)據(jù)庫(kù)，它是在像素水平上對(duì)構(gòu)成典型糖尿病視網(wǎng)膜病變的病變點(diǎn)和正常視網(wǎng)膜結(jié)構(gòu)進(jìn)行標(biāo)注的數(shù)據(jù)集.該數(shù)據(jù)集提供了關(guān)于糖尿病性視網(wǎng)膜病的疾病嚴(yán)重性和每個(gè)圖像的糖尿病性黃斑水腫的信息，這使其非常適合用于早期檢測(cè)糖尿病視網(wǎng)膜病變的圖像分析算法的開(kāi)發(fā)和評(píng)估.本文使用IDRiD數(shù)據(jù)集中的54張圖片及其滲出區(qū)域的真值標(biāo)注結(jié)果作為實(shí)驗(yàn)樣本的評(píng)估標(biāo)準(zhǔn).

4.2 分割算法的性能評(píng)估

根據(jù)形態(tài)學(xué)分割結(jié)果，數(shù)據(jù)集中的54張圖片共有5708個(gè)候選域，其中正樣本的數(shù)量為1220個(gè)，其余為負(fù)樣本.從數(shù)據(jù)集中選取8張圖片作為測(cè)試集，在剩余圖片中選取不同數(shù)量的圖片作為訓(xùn)練集，對(duì)分割算法的分割結(jié)果做評(píng)估.

如圖7所示，增加訓(xùn)練集圖片，分割算法對(duì)同一張圖片的分割結(jié)果與Label的直觀對(duì)比：

圖7 分割算法結(jié)果對(duì)比Fig.7 Comparison of the segmentation algorithm result

對(duì)硬性滲出做分割時(shí)，眼底圖像分為滲出區(qū)域和背景區(qū)域，為了定量比較算法的分割結(jié)果與滲出的真值之間的差異，引入四個(gè)量化統(tǒng)計(jì)的指標(biāo)：①真陽(yáng)性(true positive，TP)表示預(yù)測(cè)為滲出且預(yù)測(cè)正確的像素點(diǎn)；②真陰性(true negative，TN)預(yù)測(cè)為背景且預(yù)測(cè)正確的像素點(diǎn)；③假陽(yáng)性(false positive，F(xiàn)P)預(yù)測(cè)為滲出但預(yù)測(cè)錯(cuò)誤的像素點(diǎn)；④假陰性(false negative，F(xiàn)N)預(yù)測(cè)為背景但預(yù)測(cè)錯(cuò)誤的像素點(diǎn).表2列出了訓(xùn)練集圖片數(shù)量不同時(shí)，分類器對(duì)測(cè)試集圖片的分割結(jié)果，本文使用了召回率(Recall)、特異性(Specificity)、準(zhǔn)確率(Accuracy)和精度(Precision)評(píng)估分割算法的結(jié)果[25].計(jì)算公式如表3所示.

表3 分割指標(biāo)計(jì)算公式Table 3 Formula for calculating variables

表4 不同尺寸訓(xùn)練集的分割結(jié)果評(píng)估Table 4 Evaluation of segmentation result with different size dataset

召回率表示分割算法檢測(cè)出的正確硬性滲出區(qū)域占實(shí)際硬滲區(qū)域的比例，精度表示檢測(cè)出的滲出區(qū)域中正確預(yù)測(cè)的比例.表4列出了訓(xùn)練集數(shù)量不斷增加時(shí)的分割結(jié)果評(píng)估，實(shí)驗(yàn)結(jié)果顯示了在標(biāo)注圖片數(shù)量增加的情況下，分割結(jié)果的召回率逐漸增加并趨于穩(wěn)定，精度不斷增加并逐漸趨于穩(wěn)定，這表示分類器的分類能力隨訓(xùn)練集的數(shù)量增加而提高，分割算法的性能隨之增加，這個(gè)過(guò)程體現(xiàn)了分割算法的可學(xué)習(xí)能力.

由于開(kāi)運(yùn)算的結(jié)構(gòu)元素的尺寸的限制，形態(tài)學(xué)處理獲得的滲出候選域①，對(duì)于區(qū)域面積超過(guò)視盤的滲出區(qū)域的檢測(cè)效果并不理想，該滲出區(qū)域較為明顯易于人工標(biāo)注，且這種情況在眼底圖像中并不常見(jiàn)，因此本文忽略了該種情況.

5 結(jié)束語(yǔ)

本文通過(guò)分析眼底圖像標(biāo)注場(chǎng)景中的特點(diǎn)，提出了一種基于分割結(jié)果的標(biāo)注方法，分割算法是由形態(tài)學(xué)處理和機(jī)器學(xué)習(xí)結(jié)合的分割算法獲得的結(jié)果，可以快速獲得硬性滲出區(qū)域，用戶僅需簡(jiǎn)單的點(diǎn)擊就能校正并完成高精度的標(biāo)注操作.這種分割算法通過(guò)硬滲的亮度特征獲得不規(guī)則的邊界，跳過(guò)用戶創(chuàng)建多邊形的標(biāo)注過(guò)程，節(jié)省了多次鼠標(biāo)點(diǎn)擊操作，提高了標(biāo)注速度；而分割算法中的分類器進(jìn)一步提高了分割算法的正確率，減少用戶的校正操作，進(jìn)一步減少用戶標(biāo)注的時(shí)間.實(shí)驗(yàn)結(jié)果表明，分割算法隨著增量訓(xùn)練集的增加提高預(yù)標(biāo)注結(jié)果的準(zhǔn)確率，這一算法獲得較高準(zhǔn)確率的同時(shí)，用戶只需判斷區(qū)域內(nèi)分割結(jié)果的正確性就能完成一個(gè)不規(guī)則區(qū)域的標(biāo)注，提高了標(biāo)注效率.進(jìn)一步的研究工作可以使用更復(fù)雜的分類器替換本文選擇的KNN算法，獲得更高的準(zhǔn)確率.