视网膜病变的计算机辅助诊断:基于pLSA和视觉词袋模型的无监督技术

工程科学与技术，国际期刊22（2019）777完整文章基于视觉词袋和pLSA模型K.S. Sreejini，V.K.Govindan印度喀拉拉邦NIT Calicut阿提奇莱因福奥文章历史记录：2017年10月30日收到2018年8月18日修订2019年2月6日接受在线预订2019年保留字：糖尿病视网膜病变pLSA主题建模视觉词A B S T R A C T视网膜病变图像的自动识别在视网膜病变中具有重要意义。视网膜病领域中的常规检索方法是基于对视网膜的不同组成部分的手动观察。然而，由于图像的多样性和病理图像中存在的疾病症状的例如，病变的颜色、形状和 结构 等不 同特 征作 为这 些问 题的 解决 方 案， 本文 提出 了一 种 无监 督的 技术 ，称 为概 率 潜在 语义 分析（pLSA）以及视觉词袋区分疾病图像从正常的。该方法进行了测试，从公开的标准视网膜眼底图像数据库的图像，并取得了更好的性能指标相比，现有的方法。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍糖尿病性视网膜病变（DR）是糖尿病患者的一种眼部疾病，其由高血糖引起，并且随后对视网膜中的血管造成损伤，如果不注意疾病的流行，其自然进展虽然是渐进的，但具有视力丧失的不利影响DR患者在全球范围内迅速增加据世卫组织估计，到2030年，糖尿病患者的患病率将增加7940万，而2000年为3170万[1]。及时的诊断和治疗将有助于防止疾病的进展，尽管完全治愈DR是遥远的。视网膜图像的计算机辅助医疗诊断（CAMD）的引入有助于减少患有眼部相关疾病的患者数量。然而，它们的性能结果取决于各种处理块，例如输入图像采集技术和用于视网膜图像处理和存储减少的算法的性质，用于压缩和存储的算法。这里的主要问题是图像的多样性。有关这些主题的文献表明，适用于如此广泛的视网膜图像的处理技术是相当复杂和困难的[2]。病理性视网膜图像具有不同的症状、特征和颜色伪影，*通讯作者。电子邮件地址：sreejini.k. gmail.com（K.S. Sreejini）。由Karabuk大学负责进行同行审查Cult承认。然而，预处理步骤可以克服这些缺点中的大多数。分类阶段将图像分类为正常或病理。CAMD系统允许在最短的时间内减少人工分级者的成本和工作量，并使患者意识到疾病的后果手动分级结果取决于观察者。这也可以通过引入CAMD系统来克服其他视网膜病变如高血压和青光眼也影响DR患者的视力。图 1显示了视网膜眼底图像的示例，该图像来自专用于视网膜眼科学（MESSIDOR）数据库[3]的分割和索引技术评估方法。图中标出了各种结构。 1（a）和渗出物显示在图。 1（b）.一些视网膜图像由于各种解剖结构的颜色和形状的异质性而使诊断过程复杂化 来自MESSIDOR [3]、用于血管提取的数字视网膜图像（DRIVE）[4]和视网膜结构化分析（STARE）[5]视网膜图像数据库的这种图像的示例在图1和2中示出。 2比4印度次大陆的人们有不同的生活方式，饮食习惯和种族[1]。在[1]中，作者于2014年11月代表AIOS（全印度眼科学会）对糖尿病患者（共62148例已知糖尿病患者）进行了一项研究。根据这项研究，22.18%的人被发现患有DR，视力受损6/18 p。病变分为渗出物、玻璃疣、微动脉瘤和出血。渗出物（EX）有两种类型：硬的和软的。通常，渗出物和玻璃疣被归类为白色病变，https://doi.org/10.1016/j.jestch.2019.02.0022215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch778K.S. Sreejini，V.K.Govindan/工程科学与技术，国际期刊22（2019）777Fig. 1. 视网膜的组成部分。（b）含有渗出物病变的视网膜图像。图二、取自MESSIDOR数据库的视网膜图像样本[3]。图3.第三章。从DRIVE数据库中获取的视网膜图像样本[4]。图四、从STARE数据库中获取的视网膜图像样本[5]。微动脉瘤和出血由于其颜色而被归类为深色病变。渗出物是一种由于血管网渗漏而形成的不需要的蛋白质沉积物，颜色呈黄色，边界清晰[6]。微动脉瘤（MA）和出血（HA）通常呈红色，因此它们也被称为红色病变。这些存在于视网膜毛细血管壁中作为小囊状隆起。病变的位置、大小、形状和亮度在图像内和患者之间变化。这使得很难发现病变。糖尿病视网膜病变的自动分析可以比手动分级大大节省疾病分级所需的时间因此，许多眼科领域的研究人员致力于DR自动诊断的研究。在这项工作中提出的方法区分正常和病理图像使用pLSA模型。该方法首先使用混合描述符确定兴趣点，即尺度不变特征变换（SIFT）[7]，局部方向模式（LDP），局部二进制模式（LBP）和颜色描述符。然后，流行的K-means聚类算法产生的视觉词袋（BoVW）表示的图像。该方法采用概率潜在语义分析（pLSA）模型，利用主题的概念代替词的概念来降低特征维数。接着，采用支持向量机（SVM）分类器，使用视觉词将每个图像分类为正常或病理。本文主要内容如下：视网膜眼底图像分类的相关工作K.S. Sreejini， V.K. Govindan /工程 科学 和 技术， 一个 国际 杂志 22（2019）777779在第2节中描述。讨论了病理图像检索的方法以及pLSA主题建模的基础知识，还介绍了我们所提出的方法中使用的各种特征，以便更好地理解本文在第3节。第4节描述了所使用的数据集、获得的结果以及对拟议工作的进一步讨论。第5节给出了本文的结论。2. 相关作品视网膜疾病的诊断有两种类型。在第一种方法中，检测图像中存在的病变，并且基于结果将这些图像区分为正常的或病理的。在第二类中，使用描述符检测密钥签名，并基于这些描述符进行分类糖尿病视网膜病变的CAMD研究主要集中在各种病变的检测上，这是CAMD研究的一个突出任务。为了检测这些病变，预处理步骤之前，实际的方法，以达到更高的准确性。通常只选择RGB图像的绿色通道进行处理。在[8]中，使用加速鲁棒特征（SURF）描述符作为描述符，然后使用多个分类器系统（朴素贝叶斯，随机森林和SVM）对图像进行分类。他们在DirectDB1、STARE和MESSIDOR视网膜数据库上测试了该方法。据报道，MESSIDOR数据库的图像准确率为97%[3]。在[9]中，稀疏编码技术与SVM一起用于区分包含明亮和正常病变的图像。首先，他们提取了特征。在这种方法中使用的特征是颜色、SIFT、方向一致性直方图（HOG）和LBP。然后，SVM分类器用于区分图像。在[10]中提出了一种基于分析视盘（OD）和血管网络将图像分类为正常或异常的技术。分类过程包括以下三个主要阶段：视网膜图像的预处理，分割和提取段，从这些段中提取特征，最后分类。第一阶段采用基于LAB颜色空间的图像预处理方法.然后进行背景减影，分离OD和血管面积.在下一阶段，分析OD和血管面积最后，支持向量机分类技术被用来分类图像为异常或正常。他们提出的方法的局限性在于，在这里，分类仅基于检查OD和血管连续性网络的条件。使用的基本假设是OD形状是圆形的，并且血管在图像中是连续的网络。在DRIVE数据库的图像上进行了性能测试，报告的平均灵敏度和准确性分别为83%和98%Jadhav等人[11]在2014年提出的工作提出了基于血管面积将眼底图像分类为正常或病理。他们得到了通过对灰度图像进行形态学操作，对灰度图像进行噪声预处理和对比度增强[12]评论出版的作品有关的领域segmenta-2005-2015年期间的渗出液、红色病变和自动DR筛查。他们的结论是，许多工作的结果是有希望的，但自动化仍然具有挑战性。在上述领域发表的大多数作品都使用少量图像作为数据集。此外，用于验证的方法并不统一，研究中使用的测试数据库也没有标准化。在2016年，Numbra Pratap Singh等人[13]引入了Gumbel概率分布函数作为匹配滤波器的内核来检测血管。对灰度图像进行基于主成分分析的对比度增强，以进一步处理。为了获得更好的准确性，最佳阈值技术，利用熵和长度滤波技术。对于性能分析，计算准确度、TPR和FPR的平均值DRIVE数据集的这些值分别为0.9522、0.7594、0.0292，STARE数据集的这些值分别为0.9270、0.7939、0.0624。报告的DRIVE和STARE数据集的平均曲线下面积（AUC）分别为0.9287和0.9140。在[14]中使用了基于卷积、自适应滤波和模糊熵的组合方法作为分割血管的无监督方法。该方法对DRIVE和STARE数据库分别取得了94.63%和95.21%的准确率。许多工作涉及：区分正常和病理图像，定位各种解剖结构和分级阶段的DR存在。Raj等人提出了一种区分正常和不健康视网膜图像的自动化方法[15]。各种质量和分辨率的图像用于性能测试;但是，未报告DR的严重度分级。对不同分辨率和质量的不同图像进行性能研究。没有关于DR严重度分级的性能研究报告。另一种方法是Pires等人的方法。[16];他们开发了一种系统，该系统使用Meta分类器的结果融合来评估转诊需求3. 方法图5示出了在本工作中提出的所提出的方法中使用的视网膜眼底图像的正常/病理分类的基本工作流程。第一步是提取不同的特征。在我们的方法中，SIFT，LBP，LDP和颜色特征提取。然后从这些提取的特征中生成视觉词包。其次，应用pLSA方法，该方法发现主题相似性和对象类别用于图像分类。然后利用支持向量机分类器对图像进行正常或病理分类。3.1. 特征提取特征提取涉及从输入图像中分离或提取能够适当地表示图像的区分特征。选择各种兴趣点作为该过程的输出。在我们的工作中，本地非二进制描述符-SIFT，LBP，LDP和颜色特征的选择和原始RGB眼底图像。3.1.1. LBP（Local Binary Pattern）图像的纹理可以用LBP描述符来表示。LBP将局部图像基元（如弯曲边缘，平坦区域和斑点）转换为独立于旋转和亮度的特征直方图。二进制代码是根据局部邻域中灰度级之间的关系创建的。LBP由Ojala等人引入[17]。在工作[18]中，LBP技术用于Zhang等人首次提出了用于视觉分类任务[19]。然而，原始LBP对旋转和噪声敏感，因此不适用于局部纹理变化的情况。最近，在[20]中，LBP与SVM分类器一起用于检测出血，并在DirectDB 1数据库上报告了87.4%的灵敏度、85.99%的特异性和86.15%的准确性[21]。3.1.2. 尺度不变特征变换SIFT特征[7]对病理性病变具有鲁棒性，因为它们也被视为显著特征。这里，在常规图像网格上提取denseSIFT特征维度描述符从每个网格点提取128。正如它们的类别名称所暗示的那样，这些特征对尺度和方向是不变的780K.S. Sreejini，V.K.Govindan/工程科学与技术，国际期刊22（2019）777××× ××图五. 建议方法的图示。SIFT特征也对仿射失真和光照变化部分不敏感。3.1.3. 局部方向图LDP，被称为局部方向图案，是用于描述局部图像特征的局部特征描述符[22]LDP在其对单调照明变化的鲁棒性方面比LBP差。然而，当图像包含随机噪声时，LBP的性能较差。计算每个像素点周围八个方向的强度边缘，提取其中最强边缘的方向码。LBP是一种利用像素局部邻域中强度变化的算子，而LDP算子利用邻域像素的强度边缘[23]。LDP特征通常用于人脸识别[24]和性别分类[25]领域。3.1.4. 颜色特征这些特征表示图像的局部颜色外观。所有的特征都是在1212网格上计算的因此，128 144，LDP功能1024144，256的LBP特征144和颜色特征3144。每一个特征都有优点和缺点。为了克服单独使用这些特征的局限性，我们使用混合描述符，它是上述特征的组合3.2. 视觉词典创建该方法利用训练集的图像生成两组混合特征向量，一组为正常特征向量，另一组为病理特征向量，然后采用k-均值聚类技术从混合特征向量中确定k/2个聚类。因此，我们获得混合特征向量的变换，BoVW特征向量。接下来，执行量化。这涉及将训练数据集图像的兴趣点分配给字典中最接近的单词。因此，获得一组视觉词来表示数据集中的每个图像。视觉词典表示为矩阵，其中行由单词组成;它们是混合描述符中用于表示图像的最佳代表性兴趣点。图6示出了使用来自上述特征的多个字典创建的最终直方图。3.3. pLSA主题建模一些最常见的约简方法是潜在语义分析（LSA），非负矩阵分解，pLSA和潜在判别分析（LDA）。pLSA是T.霍夫曼[26]。pLSA受到称为LSA的技术的影响[27]。pLSA模型的基本假设是潜在主题存在于视觉词之间，我们可以用主题而不是词来表示每个图像[26]。同样，pLSA可以发现词之间的主题相似性，并可以避免词的多义性。pLSA还可以用于确定用于分类目的的对象的类别。在我们的方法中，pLSA应用于基于BoVW的视网膜图像表示，以自动从图像（视网膜图像）中发现主题（病变），并且每个视觉单词对应变成文字图像相对于生成主题的概率分布和主题相对于词的分布用于捕获词和图像之间的关系。 因此，pLSA是适合我们的问题，因为它提供了一个统计模型的图像包含病变的分类。下面简要介绍pLSA模型的理论：K.S. Sreejini， V.K. Govindan /工程 科学 和 技术， 一个 国际 杂志 22（2019）777781K KFG新德吉X.ΣPijkKl¼1Pwj=z lP zl=di.好吧一、j.k = i;j其中，nd;w表示单词w的出现频率 在DOC中，见图6。使用多个字典的最终直方图。设D是N个图像的集合，D = fd1;. . d Ng和W是视觉词的集合，W =w1;. . ;wM，其中M是视觉词的数量，W.pLSA模型的图示见图7。该模型的联合概率的表达式如式（1）所示。1.一、Pdi;wjPdiXPzk=diPwj=zk1其中，Pdi表示文档di的概率，Pzkjdi表示文档中某个主题zk的概率我，P W Z表示视觉词w在主题见图8。 矩阵形式的pLSA模型MN D W P zD wP w=z1.- 是的Σð3Þðjj kJJKPN PM n d;wP z=d;wzk. 这里，d和w是观测变量，z是潜变量。第1页i1ijkI jPN n.di; wjP.zk=di;wj在矩阵形式中，我们可以如图8所示，使用EM（期望最大化）算法学习来自数据的不可观测概率分布E步骤：在这一步中，潜在变量的后验概率Pzk=dij 1和Nð4Þ可以计算为：Pz=d;wPwj=zkPzk=dið2Þndindi;wj 5第1页M -步骤：在该步骤中，期望数据值的对数似然L被最大化，如下所示：图7.第一次会议。将pLSA表示为图模型[26]。我JJ直接从数据中估计出Pddi和Pddi;nddi;nddi;wj。这两个步骤，E-步骤和M-步骤，重复应用，直到满足收敛条件。这里，图像是文档，由向量D表示，并且可以有N个文档（D中的N个元素）。文档中的词是由视觉词表示的特征，可以存在M个视觉词，由向量W表示。主题由文档的几个单词组成。在所考虑的文档/单词域中可以存在K个主题，因此主题向量Z具有K个元素。我们使用变量d表示任何文档（图像），变量w表示任何单词（视觉单词），变量 z表示任何主题（潜在视觉主题）。 pLSA 模型计算分布P（ w/z ） ， 主 题 （ 潜 在 视 觉 主 题 ） z 中 视 觉 词 的 分 布 ， 以 及 P（z/d），图像（文档）d中潜在主题的分布。在该模型中，从训练样本中，K782K.S. Sreejini，V.K.Govindan/工程科学与技术，国际期刊22（2019）777×××¼¼¼图9.第九条。从MESSIDOR数据库中检测到正常图像[3]。可以学习每个文档P（z/d）向量的分布。这个向量有L个元素，主题的数量。当查询图像q，通过应用EM算法的M步来计算其主题分布，保持主题的词分布固定到训练时学习的词分布。pLSA方法有效地用于乳房X线照片分割和病理性乳腺癌图像的检索[28，29]。[30]中描述了多层pLSA用于多模态图像检索（mm-pLSA）。在[31]中，提出了一种基于显着图的算法以及BoVW和pLSA3.4. 分类在字典学习和主题约简之后，我们可以将每个图像表示为特征向量。该特征向量用于训练SVM分类器。同样，对于测试图像，首先将图像转换为其特征向量，并使用SVM分类器进行测试，以区分测试图像为正常/病理。SVM分类器有几种变体，这里我们使用线性SVM分类器，因为线性SVM的训练和测试复杂度是线性的。700 605像素MESSIDOR数据库包含1200个正常/病理视网膜图像，大 小 为 2240 × 1488 像 素 。 在 我 们 的 研 究 中 ， 使 用 了 来 自MESSIDOR的800幅图像、来自STARE的100幅图像和来自DRIVE数据库的20幅图像。 这些图像包括正常图像和病理图像。4.2. 视网膜图像分类在DRIVE、STARE和MESSI-DOR数据库上对正常和病理图像进行了实验如图1A和1B所示。9-12号图10中的图像示出了MESSIDOR数据库的病理图像的检测，并且图11中的图像是STARE和DRIVE数据库中的正常图像的检测的情况图12中的图像是来自STARE和DRIVE数据库的病理图像的检测结果。方法的性能数据是根据等式中定义的灵敏度、特异性和准确性进行评估的。（6）在这里，我们在Matlab 7.1上实现了我们的方法。4. 结果和讨论4.1. 数据集DRIVE包含40个正常/病理视网膜图像，大小为768 584像素。其中20幅为训练图像，其余为测试图像，由Canon CR5免散瞳3CCD摄像机在45度视场（FOV）下拍摄STARE图像由TopCon TRV-50眼底照相机在35度的FOV下捕获，并且图像灵敏度TPTPFFN专属性TN公司简介准确度TPTPTNFPFN其中，ð6Þð7Þð8Þ图10个。从MESSIDOR数据库中检测到的病理图像[3]。图十一岁从DRIVE[4]和STARE[5]数据库中检测到正常图像K.S. Sreejini， V.K. Govindan /工程 科学 和 技术， 一个 国际 杂志 22（2019）777783图12个。从DRIVE[4]和STARE[5]数据库中检测到病理图像TP表示正确分类的正常图像的计数，TN表示正确分类的病理图像的计数，FP表示错误分类为病理的正常图像的计数，FN表示错误分类为正确图像的病理图像的计数图十三. pLSA的参数选择：（a）主题，Z与准确度;（b）视觉词与准确度。通过多次实验确定了pLSA的参数. 图 13描述了参数主题和视觉词的选择。在我们的方法中，我们选择主题的值，z为20，视觉词的数量为120。4.3. 绩效评价表1显示了MESSIDOR数据库上不同功能和功能组合的性能比较。可以观察到，在SIFT特征的情况下有显著的改进，并且添加任何特征（如颜色、LBP和LDP）都增强了性能。在SIFT中加入LDP可以更好地提高性能，LBP、LDP和SIFT的组合可以提供更好的性能。最好的perfor-曼斯指出的情况下，当所有的四个功能都被使用。表2示出了与现有方法的比较性能。基于Grinsven等人[32]中使用的视网膜解剖学标志的均匀斑块采样策略，需要事先了解视盘和黄斑距离。Pires等人。[16]需要手动注释不健康的图像。在[33]中提出的方法中需要对病变进行准确分割。Pires等人提出了视觉词袋和决定患者是否需要转诊的Meta分类步骤。[16]。元激光器的输入是多个病变检测器的输出。Deepak等人。[33]提出了基于视觉显著性的方法，但他们的输出取决于视觉显著性检测器。Sadek等人。[20]提出了一种基于特征直方图拼接的方法。 这种方法需要去除血管。Silva等人[8]利用SURF特征建立视觉词典，然后利用多分类器对图像进行分类。所提出的方法提供了98.35%的性能数字MESSIDOR数据库的敏感性、特异性和准确性分别为97.43%、98.13%;STARE数据库的敏感性、特异性和准确性分别为94.44%、96.88%和96%; DRIVE数据库的敏感性、特异性和准确性分别为94.74%表1MESSIDOR数据库特征灵敏度特异性精度（%）（%）（%）SIFT959494LBP887687自民党857284颜色928091SIFT +颜色969595LBP + SIFT959595LDP + SIFT969797LBP + LDP + SIFT979797LBP + LDP + SIFT+颜色（拟定989798方法）784K.S. Sreejini，V.K.Govindan/工程科学与技术，国际期刊22（2019）777表2与现有方法的比较。研究员方法特征业绩计量（%）Grinsven等人[32]词袋颜色、纹理、边缘方向、大小分布和斑块位置从公共和本地数据集构建的两个数据集的415个图像Deepak等人[33]视觉显著性计算氡和LBP特征对171例玻璃疣和217例硬渗出物图像的正确判别率为96.41%。Pires等人[16个]视觉词冲浪AUC = 93.4，使用1077张图像的数据集Sadek等人[20]不同特征的直方图连接LBP、HOG和SURF与SVM430幅图像的平均分类准确率约为97.2%。Sadek等人[9]稀疏编码SIFT、HOG、LBP和颜色特征参议员= 97.4质量标准= Acc. = 98.20 97.60828个图像从不同的数据库中选择图像Silva等人[八]《中国日报》视觉词典SURF和多分类器MESSIDOR参议员=97.22质量标准=97.27应计值=97.25盯参议员=91.66质量标准=98.51应计值=96.12提出视觉词汇袋SIFT，LBP，LDP，颜色特征与SVM分类器MESSIDOR参议员为规格为Acc. 为方法98.3597.4398.13盯Sen. =94.44规格=96.88Acc. = 96驱动Sen. =94.74规格=100个Acc. = 95800张图片来自MESSIDOR，100张图片来自STARE，20张图片来自DRIVE数据库。将来，我们可以将[34]中规定的基于模糊的控制技术应用于所提出的方法，以改善结果。5. 结论本文提出了一种利用pLSA模型进行主题建模的病理图像自动识别方法。该方法使用RGB彩色图像的低级别特征-颜色，SIFT，LBP和LDP。在量化之后创建视觉词典。然后主题建模采用pLSA，它提供了一个生成模型的主题文件。在主题建模之后，通过SVM分类器执行正常/病理分类。该方法不需要对图像进行任何预处理技术。该方法与DRIVE，MESSIDOR和STARE数据库进行了测试，并表现出更好的性能与其他现有的方法相比。在未来，我们可以扩展所提出的方法，包括模糊技术，以改善结果。引用[1] S.S. Gadkari，Q.B.马斯卡蒂Nayak，印度糖尿病视网膜病变的患病率：全印度眼科学会糖尿病视网膜病变眼部筛查研究2014，印度J。眼用酚 64（1）（2016）38.[2] J. Anitha，C.K.S. Vijila，D.J. Hemanth，视网膜疾病识别应用的计算智能技术概述，Int. J. Rev. Comput. 5（2009）29-46。[3] MESSIDOR ， 评 价 视 网 膜 眼 科 学 领 域 中 的 分 割 和 索 引 技 术 的 方 法 ，http://messidor.crihan.fr。[4] DRIVE数据集，http://www.isi.uu.nl/Research/Databases/DRIVE/。[5] STARE数据集，视网膜结构分析，http://www.ces.c1emson。edul-ahoover/stare/.[6] R. Annunziata，A.加泽利湖Ballerini，A. Mecocci，E. Trucco，利用基于多尺度hessian的增强和用于视网膜血管分割的新型渗出物修复技术，IEEE J. Biomed。健康信息。20（4）（2016）1129-1138。[7] 丹吉Lowe，局部尺度不变特征的对象识别，第七届IEEE计算机视觉国际会议论文集，卷。 2，IEEE，1999，pp. 1150-1157.[8] R.西尔瓦，R.V. dos Santos，使用SURF描述符和多分类器系统对病理视网膜图像进行自动分类。[9] D.西迪贝岛Sadek，F. Mériaudeau，使用稀疏编码特征和SVM区分包含明亮病变的视网膜图像，Comput. 62（2015）175-184。[10] C. Sathiyamoorthy，G. Kulanthaivel，通过检测和分析od和血管对糖尿病视网膜病变眼底图像正常、异常分类。理论应用信息技术杂志65（1）。[11] A. Jadhav，P.B. Patil，使用血管面积的糖尿病视网膜图像分类，Int. J. 赛博恩INF.（IJCI）4（2015）。[12] C. Valverde，M.加西亚河M.I. Hornero黄文，糖尿病视网膜病变的诊断与治疗，中国医学科学院学报。眼用酚 64（1）（2016）26.[13] N.P. 辛格河，巴西-地Srivastava，使用基于Gumbel概率分布函数的匹配滤波器进行视网膜血管分割，计算机方法程序Biomed。129（2016）40-50.[14] K. Rezaee，J. Haddadnia，A. Tashk，通过自适应滤波、模糊熵和卷积的组合优化视网膜血管的临床分割，应用软件计算。52（2017）937-951。[15] M.A. Raj，S.A. Mani，视网膜异常风险预测模型：基于血管特征和渗出物的混合方法，工程系统中的人工智能和进化计算，Springer，2016年，pp. 803- 818[16] R. Pires，H.F.J.J. Wainer，S. Goldenstein，E.Valle，A.Rocha，评估糖尿病视网膜病变自动检测中转诊的必要性，IEEE Trans. BioMed. Eng.60（12）（2013）3391-3398。[17] T. Ojala，M.Pietikäinen，D.张文龙，基于特征分布的纹理分类方法的比较研究，模式识别29（1）（1996）51-59。[18] M.N. Ashraf，Z. Habib，M. Hussain，数字眼底图像的纹理特征分析用于糖尿病视网膜 病变 的早 期检测 ，2014 年第 11届计算 机图 形学 、成 像和可 视化 国际 会议（CGIV），IEEE，2014年，pp. 57比62[19] Y. Zhang C. ， 中 国 古 猿 科 Zhu ， S. 布 雷 斯 湖 Chen ， Encoding local binarydescriptorbybag-of-featureswithhammingdistanceforvisualobjectcategorization，in：EuropeanConference on Information Retrieval，Springer，2013，pp. 630- 641[20] I. Sadek，D. Sidibé，F. Meriaudeau，使用词袋方法自动区分彩色视网膜图像，医学成像2015：计算机辅助诊断，第9414卷，国际光学和光子学学会，2015年，第100页。 94141J[21] T. Kaughan ， V. Kalesnykiene ， J. K. 卡 马 雷 宁 湖 伦 苏 岛 Sorri ， J. Pietila ， H.Kalviainen，H. Uusitalo，DIARETDB 1-标准糖尿病视网膜病变数据库，IMAGERET-[22] T. Jabid ， M.H. 卡 比 尔 岛 Chae ， Local directional pattern （ LDP ） -A robustimage descriptor for object recognition，in：Advanced Video and Signal BasedSurveillance（AVSS），in：2010 Seventh IEEE International Conference on，IEEE，2010，pp. 482-487K.S. Sreejini， V.K. Govindan /工程 科学 和 技术， 一个 国际 杂志 22（2019）777785[23] T.J. Hasanul Kabir，O. Chae，Local Directional Pattern Variance（LDPv）：arobustfeaturedescriptorforfacialexpressionrecognition，Int.Arab.J.Inf.Technol.9（4）（2012）382-391。[24] D.- J.金，S.- H.李，M.- K. Sohn，通过局部方向模式进行人脸识别，Int. J. 安全应用 7（2）（2013）191-200。[25] T.Jabid ， M.H. 卡 比 尔 岛 Chae ， Genderclassificationusinglocaldirectionalpattern （ LDP ） ， 20thInternationalConferenceonPatternRecognition（ICPR），IEEE，2010，pp. 2162-2165。[26] T. Hofmann， 概 率 潜 在 语 义 分 析 的 无 监 督 学 习 ， Mach.Learn. 42 （ 1-2 ）（2001）177-196。[27] S. Deerwester，S.T. Dumais，G.W. Furnas，T.K.兰道尔河潜在语义分析标引法，J。Am. Soc. INF. Sci. 41（6）（1990）391.[28] A. Bosch，X. Munoz，A. Oliver，J. Marti，乳房X线照片中乳房组织密度的建模和分类，IEEE计算机协会计算机视觉和模式识别会议，第2卷，IEEE，2006年，第100页。1552-1558年。[29] J. Shi，Y.妈Z。Jiang， H. Feng，J. Chen，Y. Zhao，pLSA模型乳腺癌病理图像检索，2013年第七届国际图像和图形会议（ICIG），IEEE，2013年，pp. 634- 638[30] R. Lienhart ， S. Romberg ， E. Hörster ， Multilayer pLSA for multimodalimageretrieval，in：Proceedings of the ACM International Conference on ImageandVideo Retrieval ACM，2009，p. 9.第九条。[31] E.朱瓦纳基斯角Kotropoulos，结合词袋模型和pLSA的显着性图驱动图像检索，第19届数字信号处理国际会议（DSP），IEEE，2014年，pp. 280- 285[32] M.J. van Grinsven，A.Chakravarty，J.Sivaswamy，T.Theelen，B.van Ginneken，C.I. Sánchez，用于区分包含渗出物或玻璃疣的视网膜图像的一袋词方法，IEEE第10届国际生物医学成像研讨会（ISBI），IEEE，2013年，第100页。 1444-1447年。[33] K.S. Deepak，A. Chakravarty，J. Sivaswamy等人，基于视觉显着性的视网膜图像中的明亮病变检测和区分，IEEE第10届国际生物医学成像研 讨 会 （ISBI），IEEE，2013年，pp. 1436-1439年。[34] X. Xie，黄胸拟谷盗D. Yue，H. Zhang C.，中国古猿科彭，离散时间T-S模糊系统的控制综合：减少保守性，同时减轻计算负担，IEEE Trans. 赛博恩 47（9）（2017）2480-2491。