吳振廣,蔣志勝,孫海欽,朱英瑋,魏文超
(上海航天電子技術(shù)研究所,上海201109)
伴隨著生活水平的提高,糖尿病發(fā)病率逐年上升。糖尿病視網(wǎng)膜病變DR(diabetes retinopathy)是糖尿病的并發(fā)癥之一[1]。硬性滲出HEs 是DR 患者最明顯的早期病變特征之一,因此在DR 計(jì)算機(jī)輔助診斷系統(tǒng)的研究中,對(duì)HEs 的自動(dòng)檢測(cè)與分類(lèi)方面的研究開(kāi)展較早,目前主要有兩類(lèi)HEs 的自動(dòng)檢測(cè)算法。
一類(lèi)是基于圖像形態(tài)學(xué),文獻(xiàn)[2]利用形態(tài)學(xué)根據(jù)眼底圖像HEs 的高灰度變化的特性得到眼底圖像中的HEs 檢測(cè)結(jié)果;文獻(xiàn)[3]將圖像的形態(tài)學(xué)操作和SVM 分類(lèi)器分類(lèi)結(jié)合起來(lái)進(jìn)行HEs 病變的檢測(cè)。
另一類(lèi)是基于機(jī)器學(xué)習(xí),文獻(xiàn)[4]采用Kirsch 算子邊緣和SVM 分類(lèi)檢測(cè)HEs;文獻(xiàn)[5]提出基于鄰域約束模型的眼底圖像HEs 聚類(lèi)檢測(cè)算法;文獻(xiàn)[6]采用形態(tài)學(xué)和SVM 分類(lèi)器結(jié)合檢測(cè)HEs;文獻(xiàn)[7]將動(dòng)態(tài)閾值和SVM 分類(lèi)器相結(jié)合,得到了較為精確HEs檢測(cè)結(jié)果。
綜上所述,這些算法一般都需要配置各種參數(shù)。合理的參數(shù)配置是決定算法檢測(cè)效果的重要因素。鑒于此,本文將探索在眼底圖像分析和HEs 診斷過(guò)程中引入智能優(yōu)化算法對(duì)算法的參數(shù)進(jìn)行優(yōu)化,以此來(lái)改善眼底圖像的處理效果和提高HEs 的診斷精度。本文HEs 算法流程如圖1 所示。
圖1 HEs 檢測(cè)流程Fig.1 HEs test flow chart
本文眼底圖像預(yù)處理共分為三部分,分別為通道分離、圖像增強(qiáng)和圖像去噪。
眼底圖像數(shù)據(jù)庫(kù)都是由RGB 格式的圖像組成,圖2 所示為眼底圖像的通道分離結(jié)果。G 通道分量亮度適中,與背景對(duì)比度較高,能夠清楚地分辨到眼底圖像的結(jié)構(gòu)與背景。因此,本文將采用G 通道作為后續(xù)眼底圖像處理的基礎(chǔ)。
圖2 眼底圖像的通道分離Fig.2 Channel separation of fundus image
若眼底圖像與背景區(qū)域的對(duì)比度較低,后續(xù)圖像處理的難度會(huì)增大。因此,本文采用了基于直方圖均衡化的圖像增強(qiáng)技術(shù),加強(qiáng)眼底圖像的對(duì)比度,使之更有利于后續(xù)圖像處理的操作。
由于圖像噪聲會(huì)在計(jì)算機(jī)進(jìn)行圖像處理的時(shí)候造成一定的干擾。為了盡量避免后續(xù)的眼底圖像處理操作受到圖像噪聲的影響和干擾,本文采用了中值濾波去噪。
如圖3 所示,將G 通道分量圖像經(jīng)過(guò)直方圖均衡化的圖像增強(qiáng)和中值濾波圖像去噪后,提高了圖像的對(duì)比度、消除了目標(biāo)圖像的孤立噪聲點(diǎn),為眼底圖像的后續(xù)處理奠定了良好基礎(chǔ)。
圖3 圖像增強(qiáng)和去噪后的G 通道分量圖Fig.3 G channel component diagram after image enhancement and desiccation
眼底圖像的解剖結(jié)構(gòu)中,血管和視盤(pán)和HEs 具有不少相似特征,會(huì)對(duì)檢測(cè)結(jié)果造成一定的干擾,因此在進(jìn)行HEs 檢測(cè)前,需要對(duì)眼底圖像中的血管和視盤(pán)進(jìn)行定位識(shí)別和剔除。
在圖像預(yù)處理的基礎(chǔ)上,本文采用一種基于匹配濾波的算法來(lái)進(jìn)行血管提取。算法設(shè)計(jì)了12 個(gè)不同方向上的濾波器,分別進(jìn)行卷積運(yùn)算,選取最大響應(yīng)作為匹配濾波最終響應(yīng)輸出。再用滯后閾值分割法來(lái)進(jìn)一步增強(qiáng)血管提取效果。血管提取結(jié)果如圖4(a)所示,剔除血管后的圖像如圖4(b)所示。
根據(jù)眼底圖像中視盤(pán)的圓形特征,利用Hough變換檢測(cè)圓的算法定位視盤(pán)。先對(duì)眼底圖像進(jìn)行Sobel 邊緣檢測(cè)獲得邊緣目標(biāo),然后對(duì)邊緣目標(biāo)圖像二值化,最后再進(jìn)行Hough 變換檢測(cè)圓的視盤(pán)定位。視盤(pán)定位結(jié)果如圖4(c)所示,剔除視盤(pán)后的圖像如圖4(d)所示。
圖4 眼底圖像解剖結(jié)構(gòu)的檢測(cè)與剔除Fig.4 Detection and elimination of anatomical structures in fundus image
HEs 檢測(cè)過(guò)程主要分為兩部分。
1)HEs 候選區(qū)域提取。
算法在眼底圖像預(yù)處理、剔除血管和視盤(pán)基礎(chǔ)上,通過(guò)形態(tài)學(xué)和閾值分割相結(jié)合提取出眼底圖像的HEs 候選區(qū)域。
2)HEs 候選區(qū)域分類(lèi)。
在HEs 候選區(qū)域上進(jìn)行特征選擇提取出HEs特征向量,并采用經(jīng)過(guò)PSO 優(yōu)化后的SVM 分類(lèi)器,對(duì)HEs 候選區(qū)域進(jìn)行精確分類(lèi),從而得到最終的HEs 檢測(cè)結(jié)果。
形態(tài)學(xué)圖像處理技術(shù)是利用形態(tài)結(jié)構(gòu)元素對(duì)數(shù)字圖像進(jìn)行一系列形態(tài)學(xué)操作。在眼底圖像預(yù)處理、剔除血管和視盤(pán)的基礎(chǔ)上,本文使用的結(jié)構(gòu)元素b(x,y)是半徑為25 的圓形結(jié)構(gòu)元素,先對(duì)圖4(d)形態(tài)學(xué)開(kāi)運(yùn)算得到背景圖,然后再用圖4(d)減去背景圖從而得到硬性滲出的前景圖,最后將前景圖二值化,按0.07 的閾值進(jìn)行閾值分割,得到HEs候選提取圖,如圖5(a)所示,將其標(biāo)記在原始圖像上如圖5(b)所示。
圖5 HEs 候選區(qū)域檢測(cè)結(jié)果Fig.5 Results of HEs candidate sites
HEs 候選區(qū)域經(jīng)常會(huì)含有軟性滲出、黃斑、小面積背景噪聲等,使得檢測(cè)結(jié)果不夠精確,所以還需要進(jìn)行更加精細(xì)的分類(lèi)方法來(lái)區(qū)分HEs 和非HEs區(qū)域,提高HEs 檢測(cè)精度。
3.2.1 候選區(qū)域特征選擇
對(duì)眼底圖像HEs 候選區(qū)域中的HEs 和軟性滲出、黃斑、噪聲等非HEs 的特征分析之后,設(shè)計(jì)了候選區(qū)域的R、G、B 三個(gè)通道上的亮度平均值、亮度標(biāo)準(zhǔn)差、像素點(diǎn)大于閾值25 的像素點(diǎn)數(shù)目、面積、周長(zhǎng)、周長(zhǎng)比、圓度等22 個(gè)指標(biāo)作為SVM 分類(lèi)器的特征向量。
3.2.2 支持向量機(jī)
支持向量機(jī)SVM[8]是一個(gè)二分類(lèi)器。對(duì)于線性可分樣本,SVM 的主要思想是構(gòu)造一個(gè)間隔最大的分類(lèi)超平面Wx+b=0(W 是超平面的法向量,x 是輸入樣本,b 是超平面的偏差量),引入拉格朗日乘子法得到:
實(shí)際應(yīng)用中的樣本空間大都是非線性的,所以需要利用一個(gè)核函數(shù)映射到高維空間中,使樣本線性可分進(jìn)行求解。
求解后得到相應(yīng)的決策函數(shù)為
式中:k(xi,xj)是核函數(shù);αi是拉格朗日乘子;yi是分類(lèi)標(biāo)簽。SVM 的分類(lèi)效果是由其核函數(shù)和懲罰因子C 決定的。采用合理的優(yōu)化方法對(duì)核函數(shù)參數(shù)和懲罰因子進(jìn)行優(yōu)化可以提高SVM 的分類(lèi)性能。
3.2.3 粒子群優(yōu)化算法
1995年提出的粒子群優(yōu)化算法PSO[9]是通過(guò)計(jì)算個(gè)體的適應(yīng)度函數(shù)值來(lái)評(píng)價(jià)參數(shù)解的優(yōu)劣,在迭代過(guò)程中以追隨局部最優(yōu)的方式來(lái)搜尋全局最優(yōu)。標(biāo)準(zhǔn)PSO 算法的進(jìn)化過(guò)程描述如下:
式中:c1和c2是加速因子;v 是粒子速度;p 是粒子位置;r1和r2是(0,1)之間的隨機(jī)數(shù);w 是慣性權(quán)重系數(shù),選擇合適的w 可以平衡全局和局部搜索能力,減少算法迭代次數(shù),盡快找到最優(yōu)解。
為了兼顧收斂速度和局部搜索能力,文獻(xiàn)[10]研究了自適應(yīng)慣性權(quán)重粒子群算法AIWPSO(adaptive inertia weight particle swarm optimization),其慣性權(quán)重調(diào)節(jié)公式如下:
算法運(yùn)行時(shí),若粒子當(dāng)前適應(yīng)度值f 較為集中,則會(huì)增大w 的值盡量避免算法陷入局部最優(yōu);若粒子當(dāng)前適應(yīng)度值f 較為分散,則會(huì)減小w 的值提升算的局部搜索能力,使算法具有更好的尋優(yōu)能力。
3.2.4 AIWPSO-SVM 參數(shù)優(yōu)化算法
本文SVM 分類(lèi)器選取高斯核函數(shù),將分類(lèi)正確率作為AIWPSO 參數(shù)選優(yōu)的適應(yīng)度函數(shù)。如圖6 所示,AIWPSO-SVM 參數(shù)優(yōu)化過(guò)程如下:
圖6 AIWPSO-SVM 算法數(shù)優(yōu)化流程Fig.6 AIWPSO-SVM algorithm number optimization flow chart
(1)首先對(duì)AIWPSO 相關(guān)參數(shù)進(jìn)行初始化,包括粒子的初始位置和速度等;
(2)將硬性滲出候選區(qū)域的特征數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化后,按照十折交叉驗(yàn)證測(cè)試方法分為訓(xùn)練集和測(cè)試集兩部分;
(3)根據(jù)粒子的位置和速度確定核函數(shù)的參數(shù)σ 和懲罰因子C 的值,利用訓(xùn)練集進(jìn)行SVM 分類(lèi)器的訓(xùn)練;
(4)計(jì)算適應(yīng)度函數(shù)值,若滿(mǎn)足終止條件(達(dá)到最大迭代次數(shù)) 則輸出此時(shí)的優(yōu)化參數(shù)σ 和C,若不滿(mǎn)足進(jìn)行第5 步;
(5)采用AIWPSO 優(yōu)化算法更新慣性權(quán)重、更新粒子的位置和速度,返回第3 步。
實(shí)驗(yàn)測(cè)試使用DIARETDB1 眼底圖像數(shù)據(jù)庫(kù)。共89 張圖像,其中正常的眼底圖像5 張,DR 病變眼底圖像84 張。
在進(jìn)行HEs 檢測(cè)算法性能評(píng)價(jià)的時(shí)候,通常選用基于病灶水平的SE 和PPV,基于圖像水平的SE、SP 和ACC 來(lái)體現(xiàn)算法性能。計(jì)算公式如下所示:
式中:TP 是真陽(yáng)性個(gè)數(shù);TN 是真陰性個(gè)數(shù);FP 是假陽(yáng)性個(gè)數(shù);FN 是假陰性的個(gè)數(shù)。
實(shí)驗(yàn)對(duì)DIARETDB1 數(shù)據(jù)庫(kù)上的所有圖像采用本文算法提取硬性滲出候選區(qū)域,根據(jù)專(zhuān)家給定的區(qū)域標(biāo)準(zhǔn),劃分出正負(fù)樣本,共包括1305 個(gè)HEs 區(qū)域,1283 個(gè)非HEs 區(qū)域。對(duì)樣本特征數(shù)據(jù),按十折交叉驗(yàn)證測(cè)試方法分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。在AIWPSO-SVM 分類(lèi)器的參數(shù)選優(yōu)時(shí),先要進(jìn)行AIWPSO 優(yōu)化算法的參數(shù)設(shè)置,如表1 所示。
表1 AIWPSO 參數(shù)設(shè)置Tab.1 AIWPSO parameter setting
以分類(lèi)準(zhǔn)確率作為適應(yīng)度函數(shù),以達(dá)到最大迭代次數(shù)作為循環(huán)終止條件,終止循環(huán)后輸出對(duì)應(yīng)的優(yōu)化參數(shù):σ 為0.2269,C 為19536.6980。
圖7 中,A 組是DIARETDB1 數(shù)據(jù)庫(kù)中的眼底圖像原圖,B 組是本文算法檢測(cè)的HEs 結(jié)果,C 組是對(duì)應(yīng)的專(zhuān)家標(biāo)注HEs 區(qū)域。由圖7 對(duì)比圖像可知,本文算法可以精確檢測(cè)到眼底圖像中HEs。
圖7 HEs 檢測(cè)結(jié)果Fig.7 HEs test results
為了進(jìn)一步驗(yàn)證本文算法的HEs 檢測(cè)性能,表2 給出了本文算法與文獻(xiàn)算法的硬性滲出檢測(cè)性能指標(biāo)的比較結(jié)果。
表2 本文算法與文獻(xiàn)算法比較結(jié)果Tab.2 Algorithm in this paper is compared with the algorithm in literature
本文算法的性能指標(biāo)優(yōu)于大部分對(duì)比文獻(xiàn)算法的結(jié)果,在基于圖像水平上,本文算法具有最高的圖像檢測(cè)準(zhǔn)確率97.83%和靈敏性100%,特異性97.31%排第二位,僅次于文獻(xiàn)[7]97.8%,說(shuō)明本文算法具有較小的誤判率。在基于病灶水平上,本文算法的檢測(cè)靈敏性95.14%和陽(yáng)性預(yù)測(cè)值93.82%都是最好的,說(shuō)明更容易檢測(cè)出硬性滲出區(qū)域,而且檢測(cè)準(zhǔn)確率較高。
本文提出了一種基于形態(tài)學(xué)圖像處理技術(shù)和AIWPSO-SVM 分類(lèi)器相結(jié)合的硬性滲出檢測(cè)算法。算法將由形態(tài)學(xué)分析獲得的HEs 候選區(qū)域作為特征,通過(guò)SVM 分類(lèi)器對(duì)候選區(qū)域進(jìn)行精確分類(lèi),并利用AIWPSO 智能優(yōu)化算法對(duì)SVM 分類(lèi)器的高斯核函數(shù)參數(shù)σ 和懲罰因子C 進(jìn)行優(yōu)化,具有較好的HEs 檢測(cè)性能,未來(lái)可以把圖像處理技術(shù)和智能優(yōu)化算法應(yīng)用到其它眼底病變?nèi)琰S斑和微脈瘤等病變的檢測(cè)算法研究中。