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

1 眼底圖像預(yù)處理

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

2 眼底圖像解剖結(jié)構(gòu)識(shí)別和剔除

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。

2.1 眼底圖像血管提取和剔除

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。

2.2 眼底圖像視盤(pán)提取和剔除

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

3 硬性滲出檢測(cè)

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。

3.1 硬性滲出候選區(qū)域提取

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

3.2 硬性滲出候選區(qū)域分類(lèi)

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。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)材料和評(píng)價(jià)指標(biāo)

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)。

4.2 實(shí)驗(yàn)結(jié)果與分析

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。

5 結(jié)語(yǔ)

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。