可在www.sciencedirect.com在线获取ScienceDirectFutureComputing and Informatics Journal 2（2017）103e109http://www.journals.elsevier.com/future-computing-and-informatics-journal/一种基于阈值的眼底血管提取方法Jyotiprava Dash*，Nilamani BhoiVeer Surendra Sai University of Technology，Burla，Odisha，印度接收日期：2017年6月2日;接受日期：2017年10月11日2017年10月28日在线发布摘要视网膜成像由于其能够提取与各种眼部疾病相关的大量数据，已成为所有医学成像技术中的重要工具因此，准确提取血管是必要的，这有助于眼科护理专家和眼科医生在早期阶段识别疾病。在本文中，我们提出了一种计算机技术提取血管眼底图像。该过程分三个阶段进行：（i）预处理，其中使用对比度限制的自适应直方图均衡和中值滤波器来增强图像，（ii）使用均值-C阈值分割来提取视网膜血管，（iii）后处理，其中使用形态学清洗操作来去除孤立的像素。实验结果表明，该方法在数字视网膜血管图像提取（DRIVE）和英格兰儿童心脏健康研究（CHASE_DB1）数据库上的准确率分别达到0.955和0.954。© 2017埃及未来大学计算机与信息技术学院由爱思唯尔公司制作和主持这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：视网膜成像;血管;均值-C; DRIVE和CHASE_DB1数据库;医学成像;眼科医生1. 介绍数字图像数量的指数增长已经覆盖了计算机视觉研究的方向[1]。医学信息学的探索主要集中在将计算机技术融入医学实践中，以便在分析和治疗领域取得进展[2]。视网膜血管提供了用于定位视盘和中央凹的事实，并作为自动诊断系统中识别病理变化的主要部分[3]。眼底成像在眼科是一种医学判断和探索许多疾病，如高血压，糖尿病视网膜病变，白内障，* 通讯作者。电子通信系，Veer Surendra Sai技术大学，Burla，768018，印度。电子邮件地址：jyotipravadash89@gmail.com（J. Dash），nilamanib@gmail.com（N.Bhoi）。埃及未来大学计算机和信息系负责的同行审查青光眼和心血管疾病[4]。在眼底图像分析中，目标的自动提取是一项重要的任务。但这存在一定的困难，例如血管宽度的变化和低分辨率数据库（包括鼻和亮度变化）[5]。目前已经提出了许多基于不同数据库的血管分割方法，主要分为：基于机器学习的方法、基于滤波的方法和基于模型的方法。监督方法属于机器学习方法，其中像素被标记为血管或非血管。在监督学习中，分类器是用来自手动标记图像的数据完成的[6]。在参考文献[6]中，作者提出了一种监督方法，其中图像最初被增强，然后使用7D特征向量提取特征，并对该特征进行神经网络分类，以将像素标记为血管或非血管。最后，应用后处理步骤来填充间隙并去除绝缘像素。Fraz等人[7]提出了一种监督技术，https://doi.org/10.1016/j.fcij.2017.10.0012314-7288/© 2017埃及未来大学计算机与信息技术学院由爱思唯尔公司制作和主持这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。104J. Dash，N.Bhoi/Future Computing and Informatics Journal 2（2017）103e 109袋装决策树和提升决策树的协作利用特征向量来分析健康图像和病理图像。在文献[8]中，作者介绍了一种方法，在早期阶段，使用高通滤波和形态学重建方法从绿色平面生成两个二值图像。接着，提取两个二值图像共同区域作为主血管。在两个二进制图像中的所有剩余的像素进行分类使用高斯混合模型（GMM）与一组八个特征的基础上提取的像素邻域和第一和第二阶梯度图像。在最后的后处理阶段，将主要血管与分类的血管像素结合在基于滤波的方法中，使用形态学算子执行视网膜血管分割。在形态学图像处理中，生成用于从背景中过滤对象的结构元素的形式是已知的先验[5]。作者在文献[5]中该方法将大血管分割为没有伪影的实体结构。Fraz等人[9]提供了一种方法，该方法包括利用形态位平面进行血管骨架识别，以分割视网膜血管。Azzopardi等人介绍了一种自动化的新型分割方法。[10]。它基于视觉皮层中简单细胞的感受野组合（CORF）耙动模型及其称为移位滤波响应组合（COSFIRE）的应用。对于视网膜血管的提取，使用棒状COSFIRE非线性滤波器。在文献[11]中，作者介绍了一种利用高斯一阶导数匹配滤波器概念的系统，考虑到血管横截面是对称高斯函数。为了提取血管，使用了一对零均值高斯滤波器和高斯的一阶导数。Roychowdhury等人[12]提出了一种第一手方法，其中通过自适应全局阈值化迭代生成新像素以进行血管近似。停止条件用于消除迭代血管添加过程，从而减少误报。在基于模型的方法中，血管模型对于识别视网膜血管是有用的。这些方法对参数化很敏感。这里，麻烦的是，应该合理地选择参数，以便同时提取薄血管和大血管[13]。在参考文献[14]中，使用了一种结构，其中最初使用Hessian方法从重新缩放的图像中分割血管，然后再次将其回采样到原始尺寸。随后，使用滞后阈值法取出在最后应用阶段图像融合以获得最终分割图像。在参考文献[15]中，作者介绍了一种新的血管分割算法，其中对图像进行预处理，以获得增强和平滑的图像。然后使用水平集提取血管。在参考文献[16]中，Cinsdikici等人介绍了一种使用改进的蚁群方法提取血管的方法。对于视网膜成像的研究，血管的检测是一个基本的步骤。尽管有几种方法被引入到视网膜血管的分割中，但是由于血管宽度差异和低质量的视网膜图像，精确的血管分离仍然是一项具有挑战性的任务。许多阈值技术已被提出用于分割视网膜图像，但我们在这里使用的局部自适应阈值分割视网膜血管，因为它可以提供更好的分割性能与较低的执行时间相比，其他传统的阈值方法。本文提出了一种自动分割算法，该算法分为三个阶段：预处理，血管提取和后处理。在预处理阶段，使用对比度受限自适应直方图均衡（CLAHE）[17]增强图像，然后使用均值C阈值对图像进行阈值处理，以便从背景中检测所需的血管。执行后处理阶段以获得最终分割图像。许多作者已经提出了各种算法来分割视网膜图像的血管，但我们提出了一个非常简单，时间有效的阈值方法，提供了一个很好的准确性相比，许多现有的血管分割方法。2. 该方法提出的视网膜血管提取方法包括三个阶段：预处理，分割和后处理。为了提取血管，RGB图像的绿色通道经历了不同的阶段。选择绿色通道是因为红色和蓝色通道的照度较差[18]。 图图1（a）和（b）分别示出了原始RGB和绿色通道图像。下面解释负责血管提取的所有三个阶段2.1. 预处理眼底图像可能会受到不均匀照明的影响，因此在提取血管之前，图1.一、（a）原始视网膜图像，（b）提取的绿色通道图像，（c）对比度受限的自适应直方图均衡图像和（d）中值滤波图像。J. Dash，N.Bhoi/Future Computing and Informatics Journal 2（2017）103e 109105×¼¼¼¼×××××××获得更好分割性能的基本步骤。预处理包括：对比度受限自适应直方图均衡化和中值滤波。2.1.1. 对比度受限自适应直方图均衡对比度受限自适应直方图均衡化（CLAHE）将整个空间分割成许多相同大小的微小部分，并对每个区域进行操作，其中每个小区域的对比度增加，使得直方图对应于由分布参数指示的直方图。然后使用双线性插值来组合小的相邻区域，该双线性插值抑制了人为引起的限制。通过限制单个均匀区域的对比度，可以避免过噪声放大。图1（c）表示CLAHE增强图像。2.1.2. 中值滤波中值滤波是一种非线性数字滤波技术，常用于消除噪声。这种降噪是一种独特的预处理步骤，可改善未来处理的性能。为了消除椒盐噪声，对图像进行了中值滤波，使图像平滑因此，它被用于分割过程[19]。中值滤波图像如图1（d）所示。2.2. 使用均值-C阈值通过将值超过一定阈值的像素设置为白色，将其他像素设置为黑色，从灰度图像生成黑白图像。这里，采用均值-C阈值化技术，其中基于一些局部统计（例如，邻域像素的均值、中值）来计算图像中的每个像素的阈值，并且每次更新阈值。这种阈值方法的主要优点是它适用于照明不良的图像[20]。在平均C阈值化（其中C是常数）中，对于血管的提取，位于均匀邻域中的像素被设置为背景值。可以如下执行平均C阈值化：a. 选择窗口大小N Nb. 将增强的图像与平均值卷积c. 通过从增强图像中减去卷积图像来获得差图像。d. 用常数值C对差分图像进行阈值化。e. 计算阈值化图像的补数进行了两个实验来确定常数C和窗口大小的值。2.2.1. 实验1：确定C值在第一个实验中，为了选择C，取一系列从0.03到0.05的值，变化为0.002。对于每个C值，计算准确度并绘制不同C值的曲线。 这在图中示出。 二、从图中可以看出，图二、精度相对于常数（C）的变化观察到准确度值增加，直到C 0.042的值，然后开始下降。因此，为了获得具有最大精度的更好结果，C的最佳值取为0.042。图4描绘了具有不同C值的输出图像。从图3（a）可以观察到，在C 0.03处，输出图像包括具有不需要的杂散噪声的血管。在C 0.042处，输出图像提取血管，最大精度为0.9629，如图3（b）所示。对于C 0.05的较高值，识别的血管较少，如图3（c）所示。2.2.2. 实验2：确定窗口大小在第二个实验中，通过增加窗口的大小，不必要的黑色像素从图像背景中删除，以更好的方式与填充字符，反之亦然。对于选择的窗口大小不同的大小从3 3到19 19采取和计算的精度。准确度从窗口大小3开始增加3至1313 1313之后开始下降。因此，在窗口大小13 13的最大精度，最佳窗口大小被认为是13 13。不同窗口尺寸的精度变化如图所示。 四、2.3. 后处理从分割过程中获得的图像包含一些非血管，这些非血管在形态学清洗操作的帮助下被去除。在该操作中，包含像素的六个相邻像素被表征为血管[21]。原始图像以及DRIVE和CHASE_DB1的分割结果如图所示。 五、2.4. 建议方法i. 读取原始RGB图像。ii. 提取图像的绿色平面。106J. Dash，N.Bhoi/Future Computing and Informatics Journal 2（2017）103e 109图3. 在C（a）C1/4 0.03、（b）C1/4 0.042和（c）C1/4 0.05的不同值下的分割图像图四、精度随窗口大小（w）的变化iii. 使用CLAHE增强图像，并使用中值滤波去除噪声。iv. 使用均值C阈值提取血管。v. 使用形态学清洗操作去除孤立的像素。3. 结果和讨论通 过 DRIVE （ 数 字 视 网 膜 图 像 血 管 提 取 ） 和CHASE_DB1（儿童心脏和健康研究在英国）的性能进行评估。DRIVE数据库[22]分为两个集合：训练集和测试集，每个数据集包含20个图像。眼科医生分别提供了一个训练集和两个测试集的视网膜图像的手动分割。由测试集的第一个观察者建议的手动分割被认为是地面真值。CHASE_DB1[23]数据库包含每个孩子的左眼和右眼的总共28张图像。两组手动分割结果由两名观察员提供。图五、DRIVE和CHASE_DB1数据库的分割结果J. Dash，N.Bhoi/Future Computing and Informatics Journal 2（2017）103e 109107þ表1性能评估的数学参数。度量值表达式TPRTP=TP/FNTNRTN=TN/FPPPVTP=TP/FP净现值TN=TN×FNFDRFP=FP TNMCCTP×TN-FP×FN，pTPFPTPFNTNFPTN FNNFNNACCTPTN=TPFNTNFP表2DRIVE数据库的性能评估。图像TPRTNRPPVNPVFDRMCCACC10.7760.9790.7890.9780.1600.7620.96220.7310.9830.8310.9690.1120.7570.95730.7000.9720.7360.9640.1830.6760.94440.6920.9770.7510.9670.2050.6830.94950.6940.9840.7990.9630.1670.6860.95160.6760.9830.7930.9590.1750.6710.95770.6950.9690.6870.9660.2450.6940.95280.6940.9820.7680.9630.1570.6550.96090.7290.9820.7590.9670.2100.6670.954100.7010.9790.7480.9710.2120.6840.955110.7090.9650.6600.9690.2730.6420.940120.7000.9750.7270.9720.2280.6870.952130.6950.9770.7580.9630.1980.6760.956140.7350.9720.7020.9760.2250.6930.963150.7400.9600.6880.9790.2110.6310.944160.7170.9760.7550.9720.2050.7100.953170.6800.9830.7920.9700.1480.7120.967180.7650.9730.7100.9790.2500.7130.965190.8200.9780.7710.9830.1830.7760.965200.7360.9760.7140.9790.2250.7030.959平均0.7190.9760.7460.9700.1980.6940.955表3CHASE_DB1数据库的性能评估。图像TPRTNRPPVNPVFDRMCCACC10.7710.9710.7030.9780.2830.7110.95320.6980.9810.7680.9670.2310.6740.95230.6930.9670.6430.9720.2740.6330.94440.6840.9820.7930.9660.2060.6840.95250.7840.9700.6990.9790.2730.7150.95360.7010.9810.7690.9740.2300.7060.95870.6430.9800.7840.9650.2150.6830.95680.6940.9760.7560.9580.2430.6490.94890.7180.9700.6900.9800.2090.7130.954100.6590.9730.7320.9580.2670.6440.963110.7470.9610.6460.9840.2450.7130.958120.6810.9860.7610.9590.2380.7020.951130.6500.9830.7690.9660.2300.6540.953140.7410.9810.7260.9720.2730.7590.957平均0.7040.9760.7310.9690.2440.6890.954利用真阳性率（TPR）、真阴性率（TNR）、阳性预测值（PPV）、阴性预测值（NPV）、假发现率表4性能比较（DRIVE数据库）。序号方法TPRTNRACC1Al-Rawi et al. [3]第一章ee0.9422Odstrcilik等人[五]《中国日报》0.7800.9710.9473Marin et al. [6]美国0.7060.9800.9454Fraz等人[七]《中国日报》0.7400.9800.9485罗伊乔杜里等人[八]《中国日报》0.7250.9830.9526Fraz等人[9]第一章0.7300.9740.9427Azzopardi等人[10个国家]0.7650.9700.9448Zhang等人[第十一届]0.7120.9720.9389罗伊乔杜里等人[12个]0.7390.9780.94910You等人[13个国家]0.7410.9750.94311Zhao等人[第十五条]0.7350.9780.94712Cinsdikici等人[16个]ee0.92913Fraz等人[21日]0.7150.9760.94314该方法0.7190.9760.955表5性能比较（CHASE_DB1数据库）。序号方法TPRTNRACC1Fraz等人[七]《中国日报》0.7220.9710.9462罗伊乔杜里等人[八]《中国日报》0.7200.9820.9533Azzopardi等人[10个国家]0.7580.9580.9384罗伊乔杜里等人[12个]0.7610.9570.9465该方法0.7040.9760.954表6比较分析的方法，在所需的时间来处理图像从DRIVE数据库。处理时间Marin et al.[6]15分钟Fraz等人[7]2分钟罗伊乔杜里等人[8]3.115秒Azzopardi等人[10]10秒罗伊乔杜里等人[12]2.45秒Zhao等人[15]2分钟Cinsdikici等人[16]35秒建议方法1.66 s表7在处理来自CHASE_DB1数据库的图像所需的时间方面对方法进行比较分析。处理时间罗伊乔杜里等人[8]7.913秒罗伊乔杜里等人[12]11.711秒建议方法1.98 s(FDR)、Matthews相关系数（MCC）和准确度（ACC）[24]。表1分别显示了血管分类和性能矩阵。真阳性率是被正确识别的阳性比例的程度。真正的负面率衡量的是真正被标记为负面的比率。阳性和阴性预测值是诊断程序中分别为真阳性和真阴性结果的阳性和阴性结果的数量。错误发现率是108J. Dash，N.Bhoi/Future Computing and Informatics Journal 2（2017）103e 109图第六章使用不同方法的来自DRIVE数据库的第一视网膜图像的分割结果（a）原始图像，（b）第一观察者的地面实况图像(c)Al Rawi et al.[3]，（d）Cinsdikici et al.[16]，（e）Fraz et al.[9]和（f）拟议方法。所有重要假设中的假阳性预期比例。马修斯相关系数作为二元分类值的一部分被丢弃准确度是将结果图像的常规性量分类为手动分割图像的能力表2和表3显示了DRIVE和CHASE_DB1数据库的每个映像的性能矩阵。据认为，每个数据库的平均准确度、真阳性率和真阴性率分别约等于0.955、0.695和0.976。阳性预测值较高，错误发现率较低，表明对血管和非血管像素的标记更为准确。马修斯相关系数值越大，性能越好.将预期技术的介绍与TPR、TNR和ACC方面的现有方法进行比较，表4和表5分别针对DRIVE和CHASE_DB1数据库给出了这些方法。表6和表7分别显示了所提出的方法与现有方法在DRIVE和CHASE_DB1数据库的执行时间方面的比较现有方法的绩效矩阵是从其相应的工作中获得的Zhang等人[11]、You等人[13]的分割性能是从Zhao等人[15]和Fraz等人[7]以及Roychowdhury[12][13][14][15][16][17]Al-Rawi等人[3]的结果来自Cinsdikici等人[16]。Budai等人[14]的结果来自其原始文献。遗传算法匹配滤波器优化方法[3]不能准确检测细血管准确地Zhang等人[11]介绍的方法检测了一些不需要的结构以及血管。在参考文献[13]中，使用径向投影和半监督方法的方法的局限性是由于噪声而高估了薄血管，并导致错误的血管检测。在Zhao等人[15]阐述的方法中，导致某些病理图像的分割不准确。提出了一种基于阈值的血管识别方法。所提出的方法相比，其他现有的血管分割方法，不同的性能矩阵的高值。 在TPR、TNR 、PPV、 NPV、FDR 和 MCC 分别 为0.719、0.976、0.746、0.970、0.198和0.955时，该方法的平均准确度为0.955。DRIVE数据库为0.694。类似地，在CHA-SE_DB 1数据库中，TPR、TNR、PPV、NPV、FDR、MCC和ACC分别为0.704、0.976、0.731、0.969、0.244、0.689和0.954分别图6表示所提出的方法与现有方法的不同图像的比较。4. 结论本文提出了一种基于局部自适应阈值的视网膜血管提取方法。本文的主要贡献是将均值C阈值法应用于视网膜血管提取。使用两个不同的基准数据库的方法进行评估。该技术达到了0.955和0.954的平均精度分别为DRIVE和CHASE_DB1数据库，这是优于许多现有的方法。这种自动化J. Dash，N.Bhoi/Future Computing and Informatics Journal 2（2017）103e 109109方法能有效地分割视网膜血管。同时，所提出的方法是非常时间有效的，因为它可以在1.66的执行时间内完成该过程，1.98分别用于DRIVE和CHASE_DB1数据库。连同其简单和快速的就业的功效和力量，使所提供的方法被统一到一个全面的预筛选方案，用于早期识别眼科疾病的相关实施。引用[1] 作者：Harini DN，Bhaskari DL.基于网格的Ncut和RAG的图像自动分割. Int J Image Min 2015;1（4）：279e 96.[2] 他说的是SA。三维医学图像分割技术。Int J BiomedEng Technol2015;17（3）：232e 51.[3] Al-RawiM，Karajeh H. 遗传算法匹配滤波器优化用于数字视网膜图像血管自动检测。 计算方法程序BIOMED 2007;87（3）：248e53。[4] Mapayi T，Viriri S，Tapamo JR.基于GLCM能量信息的视网膜血管自适应阈值分割技术。计算数学方法医学2015;2015。[5] Odstrcilik J，Kolar R，Budai A，Hornegger J，Jan J，Gazarek J，etal. 用改进的匹配滤波进行视网膜血管分割：对新的高分辨率眼底图像数据库的评估。IET图像处理2013;7（4）：373e 83.[6] 马林D，阿基诺A，盖古努-阿里亚斯ME，布拉沃JM.提出了一种基于灰度和不变矩特征的新的有监督视网膜血管分割方法。IEEE TransMed Imaging2011;30（1）：146e 58。[7] Fraz MM ， Remagnino P ， Hoppe A ， Uyyanonvara B ， RudnickaAR ， Owen CG ， et al. An ensemble classification-based approachapplied toretinal blood vessel segmentation. IEEE Trans Biomed Eng2012;59（9）：2538e 48.[8] Roychowdhury S，Koozekanani DD，Parhi KK.基于主血管提取和子图像分 类的眼底血 管分割。 IEEE J Biomed Health Inf 2015;19（3）：1118e 28.[9] Fraz MM，Basit A，Barman SA.形态学位平面在视网膜血管提取中的应用。 数字成像杂志2013;26（2）：274e 86。[10] Azzopardi G，Striciuglio N，Vento M，Petkov N.可训练的COSFIRE滤 波 器 用 于 视 网 膜 图 像 的 血 管 描 绘 。 MedImage Anal 2015;19（1）：46e 57.[11] 张B，张L，张L，Karray F.基于高斯一阶导数匹配滤波的视网膜血管提取Comput Biol Med2010;40（4）：438e 45.[12] Roychowdhury S，Koozekanani DD，Parhi KK.眼底图像的迭代血管分割。IEEE Trans Biomed Eng2015;62（7）：1738e 49。[13] 游晓，彭强，袁勇，张永民，雷军。基于径向投影和半监督方法的视网膜血管分割。Pattern Recognit 2011;44（10）：2314e 24.[14] 张文，张文军.眼底图像中的鲁棒血管分割。 Int J Biomed Imaging2013;2013.[15] 赵永青，王晓红，王晓芳，施福英.基于水平集和区域生长的视网膜血管分割。Pattern Recognit 2014;47（7）：2437e 46.[16] Cinsdikici MG，A.基于匹配滤波/蚁群算法的检眼镜图像血管检测计算方法程序生物医学2009;96（2）：85e 95.[17] 冈萨雷斯河，伍兹河数字图像处理。Addison-Wesley出版公司; 1992年。[18] Walter T，Massin P，Erginay A，Ordonez R，Jeulin C，Klein JC.彩色眼底图像中微动脉瘤的自动检测。医学图像分析2007;11（6）：555e 66。[19] Ganesan S. Aqeel AF使用纹理、阈值和形态学操作的视网膜图像分割。电子/信息技术（EIT）2011：1e 6. IEEE国际会议。[20] [10]李文辉，李文辉，李文辉.一种新的二值化局部自适应阈值技术。Int J Comput Sci 2012;8（6）：271e 7.[21] FrazMM ， Barman SA ， Remagnino P ， Hoppe A ， Basit A ，Uyyanonvara B等，使用位平面和中心线检测定位视网膜血管的方法。ComputMethods Programs Biomed 2012;108（2）：600e 16.[22] Niemeijer M，Staal J，Ginneken V，Loog B，Abramoff MD.基于新的公开数据库的视网膜血管分割方法的比较研究。医学影像2004：648e 56.[23] K. 联 合 Research.(2011 ， Jan. ） 。 [Online]. 网 址 ：blogs.kingston.ac.uk/retinal/chasedb1/。[24] 福塞特T介绍ROC分析。Pattern Recognit Lett2006;27（8）：861e74.
我的内容管理
收起
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助 
