深度学习卷积神经网络诊断青光眼的视网膜眼底图像分割技术

沙特国王大学学报使用深度学习卷积神经网络在视网膜眼底图像上诊断青光眼的新型视盘和视杯分割技术H.N. Veenaa， P.Muruganandhamb，T.森希尔·库马兰aa印度Belagavi VTU ACS工程学院计算机科学与工程系b印度贝拉加维VTU Raja Rajeswari工程学院电子和通信工程系阿提奇莱因福奥文章历史记录：收到2020年2021年1月11日修订2021年2月3日接受在线预订2021年保留字：深度学习眼内压视盘视神经乳头视杯杯盘比卷积神经网络A B S T R A C T青光眼是目前主要的视网膜疾病，其由于眼睛上的眼内压（IOP）而损害眼睛如果青光眼得不到治疗，它会通过损害视神经乳头（ONH）而导致视力丧失青光眼的进展由有经验的眼科医生在眼睛的视网膜部分上检查这种方法非常繁琐，手动执行会消耗更多时间。因此，这个问题是正确的问题，可以通过在深度学习方法的帮助下自动诊断青光眼来解决。卷积神经网络（CNN本文提出了一种有效的青光眼主框架分割视杯和视盘，以找到杯盘比（CDR）。在这里，青光眼的诊断是通过使用深度学习和新型CNN来实现的提出的系统使用两个单独的CNN架构来分割视杯（OC）和视盘（OD），以获得更准确的结果。该模型在DRISHTI-GS数据库上进行了训练和测试版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍青光眼也被世界各国称为超过6000万人全面经历青光眼的不良影响，到2020年，这一数字预计将上升到7960万。由于青光眼，眼睛视网膜部分的结构（奥兰多，2020）可能会改变。 主要是ONH的结构变化（Mvoulana等人， 2019）在视网膜上导致青光眼。如果没有适当的治疗，青光眼会对视神经造成严重的问题，从而导致永久性的视力丧失。以这种方式，青光眼在基础阶段的早期分析*通讯作者。电子邮件地址：hn. gmail.com（H.N. Veena）。沙特国王大学负责同行审查制作和主办：Elsevier基本上降低了永久性视力障碍的危险。从眼睛扫描的图像将被转换为视觉信号，并在OD上的视网膜中的OD包含光感受器，如视锥细胞和视杆细胞;这些对视力有帮助。因此，OD称之为“盲点。“OD的最里面的部分是OC（Almazroa等人，2015），这是视网膜最明亮的区域。在健康人中，30%的椎间盘被OC覆盖青光眼可以使用各种图像模态来检测，即眼底图像（Bhat和Kumar，2019）、磁共振成像（MRI）（Khan等人， 2020）、光学相干断层扫描（OCT）和一些其他图像模态。但是在所提出的方法中，眼底图像被考虑用于青光眼的检测。眼底图像是将借助于被称为眼底照相机的照相机捕获在眼底图像中，视网膜的部分如黄斑、视盘、中央凹、视杯、动脉、静脉等，很容易被描绘出来。它还证明了使用眼底图像快速预测眼部疾病在眼底图像中，视网膜上最亮的部分是OD，其再次包含OC和神经视网膜边缘。OC是https://doi.org/10.1016/j.jksuci.2021.02.0031319-1578/©2021作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comH.N. Veena，A.Muruganandham和T.森希尔·库马兰沙特国王大学学报6188OD的内部，而神经视网膜缘是OC的外部如果OC的大小增加，则发生光学杯状。通过发现视神经杯，青光眼可以很容易地被发现。许多参数将用于识别青光眼，但最好的指标是找到杯盘比（Yu等人，2019年）的价值。OD和OC之间的距离称为CDR。如果OC的大小增加超过实际大小，则将被确定为青光眼。为了找到CDR值，OD和OC的分割是必不可少的，但现有的手动技术需要更多的时间来分割，并且没有准确的结果。因此，OC和OC的自动分割在青光眼的检测中起着至关重要的作用 图图1用虚线表示正常健康眼和青光眼可疑眼的OD和OC。自动检测技术主要包括图像预处理、特征提取、特征选择、分割和分类等五个环节。初始步骤是预处理步骤，其中去除噪声和离群值以改善图像。预处理阶段是一个基本的过程，其中图像增强将通过去除视网膜上所有不必要的部分来完成;因此，精度将增加。对于预处理，可以应用许多滤波器，如均值、中值、高斯等。采用多种形态学操作进行特征提取和特征选择，Fig. 1.图示显示正常健康眼和青光眼可疑眼。外部虚线表示视盘，内部线表示视杯（图像取自Drive数据库）。不同的算法被应用于分割和分类（Raghavendra等人， 2018年）。基于现有的方法，有许多技术应用于基于各种视网膜图像模态的青光眼检测。在所提出的方法中，深度学习技术将被应用于青光眼的诊断。1.1. 论文的主要贡献(i) 深度学习增强的CNN模型分别针对视盘和视杯区域设计，以计算CDR比率。(ii) 视乳头和视杯分别设计两种模型，共39层。增加层数有助于提取更多的特征，主要有助于最大限度地减少错误。(iii) 模型中的上采样和下采样层有助于在输出图像中保持相同的输入图像分辨率(iv) 与现有的视盘和视杯分割系统相比，该模型获得的结果。所提出的方法包括以下步骤，1. 最初，预处理将使用高斯滤波器和图像归一化应用于输入图像。这里使用高斯滤波器来最小化噪声和不均匀照明。之后，对图像进行归一化，以平衡每个眼底图像的颜色区域和局部照明。这将提高血管和非血管部分之间的对比度，改善图像质量，并降低背景噪声。2. 其次，采用基于颜色纹理描述子的形态学主要地，颜色描述符包括基于直方图的描述符，其将捕获颜色特征的全局分布，然后表征图像中的颜色分布。然后，我们将应用基于边缘直方图的纹理描述符的方法，它表示局部边缘分布，然后描述均匀的纹理区域。通过考虑颜色-纹理描述符方法，我们可以分析眼底图像并且能够检测视网膜结构，例如，出血检测、纹理病变和血管提取。3. 第三，我们将应用基于区域的语义分割方法从图像中提取区域并用特征描述它们（也取决于描述符方法的结果通过基于最高评分值标记像素，将该区域映射到像素中。这将提取视盘区域。将预处理后的图像转换为灰度图像，并通过直方图分析（颜色描述符）进行选择。此外，我们将探讨血管的特性，以分割动脉和视网膜静脉。4. 第四，我们将应用增强的深度学习CNN模型进行分割，通过增加层数来提取更多特征。与其他研究方法相比，我们在CNN的层次上做了修改，改变是上采样和下采样技术，有效地提高了视盘和杯的准确分割方法。主要地，图像分辨率将通过上采样和下采样的概念这样做会增加在训练时间内提取的参数数量因此，它可以帮助我们获得更准确的OC和OD区域在OC和OD之后，计算检测杯盘比以预测输入图像是昏迷眼图像还是正常健康眼图像。H.N. Veena，A.Muruganandham和T.森希尔·库马兰沙特国王大学学报6189在计算机视觉领域，深度学习技术可以提供更好的判别结果。在所提出的方法中，CNN基于区域的语义分割（RBSS）方法进行了一些修改，以提高准确性。 深度学习在医学成像中的应用是该应用分割OD和OC的动机。本文共分六个部分。第2节详细介绍了用于训练和测试模型的数据库第3节包含现有系统中用于视盘和视杯分割第4包含用于检测青光眼的拟议模型的详细第五节给出了所提出的模型得到的结果和现有系统之间的比较。第六部分是结论。2. 数据集描述DRISHTI-GS数据库由101个眼底图像组成，这些图像是从Arvind眼科医院收集的。将图像分为50幅训练图像和51幅测试图像。这里，在40-80岁的人图像样本的所有范围内，图像被平等地收集为男性和女性数据库主要由四位临床专家手动计算的所有相关视神经乳头结果组成。考虑图像的地面真值以视盘为中心，在2896 × 1944px的30度视场范围内，视盘的标记包括视盘视杯的平均边界、CDR值和软地图，由经验丰富的临床专家获得数据-base 将 可 在 https://cvit.iiit.ac.in/projects/mip/drishti-gs/mip-martet2/Home.php上获得。3. 相关工作使用各种方法进行的与眼病预测相关的先前研究讨论如下：Niemeijer等人的研究（Niemeijer等人，2009）讨论了视网膜图像结构定位问题。此外，他们利用KNN回归方法来预测图像像素到基于一组图像特征的特定位置的对象的给定位置的距离。然而，这种类型的回归方法的问题是不能辨别用于获得最优解的k值尽管基于像素距离的方法有点混乱，但将使用什么类型的距离度量来优化结果，以便平衡识别性能。Guerre等人（2014年）（del Rincón等人，2014）提出了一种基于图像处理方法以自动方式检测青光眼的方法。在图像预处理阶段，他们考虑了图像噪声去除或不均匀光照变化。为了定位椎间盘和髋臼杯区域，他们使用各向同性Undecimated小波变换（IUWT）生成了血管掩模，该变换与自适应阈值方法相关联为了筛查青光眼，他们使用了一种简单的方法来提取计算复杂度较低的首选区域由于血管闭塞，分割过程是具有挑战性的，并且对于低对比度下的图像不够有效，并且照明变化因此不能提取指定区域。由此，我们注意到缺乏用于最终青光眼筛选过程的有效分割方法。Harangi和Hajdu的一项研究（Harangi和Hajdu，2015）调整了视盘定位器，并将其作为一组收集到复杂系统中。以这种方式，它们结合了它们的预测质量，并提高了OD发现性能比，涉及精度和准确率。后来，这被认为是作为一个独立的物体定位问题。有些测量方法提取了确定OD焦点的单一竞争者，这些竞争者受到较高精度值的限制，并被归类为投票标准的独立主导部分。对于识别过程，他们使用了似然图。然而，这种方法在测试期间的问题是片面的，并且计算成本很高。在一些其他情况下，视觉评估依赖于先验知识和有限的能力，以区分细微的差异和描述新的成像标记（Gillies例如，2016年）。新的数据分析和成像技术，如机器学习（ML），无线电和深度学习（DL），可能会增加定量数据的数量，最大限度地减少读者之间的差异，以及增加 诊 断 和 诊 断 的 准 确 率 ， 同 时 最 大 限 度 地 减 少 偏 见 和 主 观 性（Kolossváry等人，2015年）。CNN是计算上的高成本（dos SantosFerreira等人， 2018年）。Mvoulana等人， 2019）提出了一种用于青光眼筛查和诊断的全自动方法，该方法来自视网膜眼底图像数据。最初，他们通过结合模板匹配和亮度标准方法来检测OD其次，他们进行了基于模型和纹理的分割，以从视网膜图像中提取OD和OC第三，他们通过测量CDR对健康和昏迷患者进行了仿真结果表明，通过专家对青光眼患者和健康人进行训练，最终青光眼诊断和筛查的准确率达到98%，优于传统的方法。他们计划通过考虑尖端系统来探索深度学习方法，以提高早期青光眼筛查和诊断此外，许多计算机技术被应用于人工智能领域，以诊断受感染的区域。为了自动诊断疾病，Muhammad Attique Khan等人（Khan，2020）提出了一种全自动系统，该系统采用深度学习方法来提取图像的特征。在这里，具有完全连接的层的预训练VGG模型与基于阵列的方法相结合。Umaira Nazeer Hussain等人（Hussain，2020）的改进技术提出了一种检测受影响区域的医学成像技术。本文采用曲波变换对图像进行去噪，并利用蚁群算法提取图像中所需的区域。基于图像的形状和纹理提取特征。在特征提取之后，基于优先级方法选择70%的特征。最后，使用SVM分类器对图像进行分类Abdul Majid等人（Majid，2020）提出了一种全自动系统来诊断该疾病。这里的图像特征提取的CNN，然后提取的特征进行融合，选择最好的特征，使用遗传算法。同时，利用k-近邻函数提取最佳特征但是，当这两种方法结合起来时，可能会损失特征。为了克服这一问题，Besomman，Amjad，et al.（Escherman，2020）设计了自动化系统来诊断疾病。初始输入图像经过顶帽、底帽滤波器和基于均值的函数被组合用于对比度拉伸。然后利用直方图梯度法（HOG）提取多层次特征最后，使用三次核函数的支持向量机分类图像与现有的其他方法相比，该方法输出了良好的结果但是，图像的细微特征会有所损失因此，Meshan Khan等人（Khan，2020）指出，通过应用迁移学习来提取图像的特征。然后对提取的特征进行草蜢优化选择。然后应用改进的RCNN函数进行图像分割这种方法有助于获得图像的详细分析。H.N. Veena，A.Muruganandham和T.森希尔·库马兰沙特国王大学学报61903.1. 视盘分割视网膜中最明亮的圆形部分是视盘，它是黄色的。OD的形状看起来有点像圆形，但每个人都不同视神经头观察大量的神经元.它也被称为在现有的系统中，使用不同的算法来分割视盘。在初始阶段，使用基于模板的方法来分割OD。沃尔特等人，在2002年（Walter等人， 2002）来定位视网膜的盘区域和边缘部分，他们使用了修正的方差图像。利用分水岭算法对视神经乳头的轮廓形状进行了定位.通过使用这种方法，他们达到了90%的准确率。Thechrastek，et al. 2002年（Chrástek等人， 2002年），提出了鲁棒的方法本地化的OD。他们应用了四个步骤，然后是OD定位，非线性滤波，使用Canny边缘检测器进行边缘提取，以及用于视盘圆形边界检测的Haugh变换在此基础上，OD定位的准确率达到97%， OD边 界 提 取 的 准 确 率 达 到 82% 。 Li 等 人 在 2003 年 （ Li andChutatape，2003）采用主成分分析（PCA）对OD进行定位，并通过应用改进的ASM（Active Shape Model）对OD进行边界检测，实现了99%和94%的准确度。Howell等人[2004]（Lowel等人，2004）提出了一种通过应用模板匹配技术使用活动轮廓模型来检测图像的轮廓形状的系统。 为了在2006年改进该方法（obin等人，2006），Tobin等人;提出使用概率方法来检测OD的属性，并且对于图像的分类，使用贝叶斯分类器，其基于基于像素的分类来对图像进行分类。通过应用几何活动轮廓方法，Kande等人（Kande等人，2008年）提出了一种技术检测OD中心的基础上，具有最大局部方差的点。Zhu等人，在2010年（Zhu等人，2010）提出了一种通过应用Sobel边缘检测器的方法，该方法用于定位OD的边缘，并且使用循环Hough变换来检测OD边界。为此，他们使用DRIVE数据库收集了更多图像，成功率达到90%。2011年，Lu et al.（Lu，2011）提出了一种基于圆变换的OD边界检测方法。通过使用该技术，检测图像边界和OD形状的变化，准确率为91.75%。Liu等人（Chen，2011）提出了一种在形态学操作中进行一些修改以增强图像的方法，并使用梯度向量来检测和提取OD。该方法的准确度和灵敏度分别达到96.7%和95.1%。2015年Chen et al.（a）（Chen等人， 2015年，提出了一个系统用改进的CNN学习图像特征。与传统的改进型CNN相比，这里采用的是微神经网络，增加了系统的结构，从而导致网络的复杂性。这种分层结构有助于将图像区分为青光眼图像和非青光眼图像。Chen等人（b）（Chen等人，2015年）。在2016年提出了一种方法，通过更多地关注应用于图像的形态学操作来增加输入图像中的OD和OC可见性。本文采用了生长切割算法、圆形哈夫变换等算法进行OD定位和边界提取。2017年，Bharkad et al.（Bharkad，2017）。提出了一种模糊血管并增加图像对比度的方法。Zahoor等人2017（Zahoor和Fraz，xxxx）提出了一种使用圆形霍夫变换定位OD和使用极坐标变换方法分割的方法。在医学成像领域，获取大量的标记数据集是一项非常具有挑战性的任务。作者：ShallenBengani等人（Bengani和Vadivel，2020）通过应用迁移学习和半监督学习技术，提出了一种用于视网膜眼底图像的自动视盘图像分割方法在这里，未标记的图像特征提取传统的自动编码器（CAE）。自动编码器（AE）帮助从未标记的数据中学习特征并开发预训练模型。然后，通过应用迁移学习对所开发的模型进行训练但是模型需要更多的时间来训练这两个模型。图像分割是医学图像处理领域中一个极具挑战性的课题。现在，深度学习在图像分割过程中发挥着因此，Jin，Baixin等人（Jin，2020）提出了一个完整的网络通道用于分割过程。该网络有助于保留更多从图像中提取的特征，也有助于恢复更长的时间。因此，这种方法有助于得到更准确的分割结果的视盘。但这种方法在分割视杯时失败。在以前的系统中，用于视盘分割的筛选技术非常耗时且劳动密集。因此，Syna Sreng等人（Sreng，2020）提出了一种使用深度学习技术的两阶段方法。在这里，视盘部分由具有多个深度神经网络的Deeplab3+分割。采用迁移学习和支持向量机相结合的方法进行分割。训练和测试是通过五组数据库的2787张图像的组合来完成的。但在这里，预训练的深度神经网络用于视盘的分割。因此，作者Xuesheng Bian等人（Bian，2020）提出了一种使用CDR分割视盘和视杯的模型。本文利用MICCAI Refuge眼底图像数据库，将级联神经网络技术应用于眼底图像的分割过程中，对视盘和视杯的分割结果分别达到了93%和88%。但主要缺点是，如果第一阶段的视盘分割给出错误的信息，那么它也影响到第二阶段。3.2. 视杯分割视杯的分割是临床医生面临的一项极具挑战性的任务。OC是OD的明亮中心部分。青光眼的诊断，OC是一个重要的参数.与视盘相比，OC的尺寸较小。在健康的患者中，OC的形状是椎间盘的三分之一.青光眼的症状有哪些？青光眼的症状有哪些？Wong等人 （Wong等人， 2008）陈述了一种用于检测青光眼的自动方法。在该方法中，水平集方法被用于OC的本地化Joshi等人（Joshi等人， 2010）提出了一种基于阈值的OC定位方法。由于强度值的变化，这种技术不足以分割所需的区域。Cheng等人（Cheng例如，2013）陈述了一种基于超像素分类的用于青光眼诊断的图像分割方法。这种方法会导致OC的过分割或欠分割，从而导致问题。Miri等人（Miri等人，2015）提出了一种用于图像分割的系统，其应用于医生用于检测青光眼的多模态图像。但应用的技术取决于用于拍摄图像的设备。Arnay等人（Arnay等人，2017）提出了一种使用蚁群优化的OC分割方法本文提取了血管曲率信息和极坐标信息，并将其应用于该算法。Almazroa等人（Almazroa等人，2017）在此提出了一种使用血管提取和阈值方法的分割方法。使用顶帽变换定位杯上存在的OC和血管曲线的边界 Julien zilly（Zilly等人，H.N. Veena，A.Muruganandham和T.森希尔·库马兰沙特国王大学学报61912018）提出了一种具有增强学习方法的CNN模型来分割视盘和视杯。在这里，数据库DRISHTI-GS用于测试和训练模型。卷积滤波器的学习采用均匀采样方法。由于眼底图像的视网膜部分存在血管和很少的其他成分，该模型无法正确地对图像进行预处理。这导致了所需区域的分割问题。视盘和视杯的准确率分别达到90%和87%。 类似地，Julienzilly（Zilly等人，2015）提出了具有用于分割过程的提升熵采样方法的CNN模型。采用SoftMax回归作为分类器的均匀采样方法，但会导致图像的误分类问题。DRISHTI-GS是用于分割和分类的数据库，视盘和视杯的准确率分别为85%和83%。所提出的模型可以解决上述问题分别对视盘和视杯进行了增强的CNN模型。这有助于克服所需区域的过分割和欠分割。在所提出的模型中的图像预处理过程中遵循的步骤有助于提高输入图像的质量。 U Raghavendra（Raghavendra等人，2018）提出了18层卷积神经网络来分割视盘和视杯区域。该模型的主要缺点是由于图像的低对比度而缺乏图像分辨率，并且由于模型中使用的层较少而提取的参数数量较少;但是获得了视盘和视杯的准确率分别为96%和95%。Mamta Juneja等人（Juneja等人，，2019）提出了一种用于视盘和视杯分割的称为G-Net（Glaucoma network）的U-net模型。这里有一个为椎间盘和髋臼杯分割开发的单一模型。该方法共31层，对视盘和视杯的准确率分别为95.8%和93%。但存在视盘和视杯区域边界的过分割和欠分割问题。然后Zhou，Wei，et al. （Zhou等人， 2019年）提出了一个新的积极轮廓模型方法与结构分割前的OD和OC。在初始步骤中，应用一些预处理技术来找到初始轮廓，并应用LSACH来鲁棒地分割视盘和视杯。但是当视杯的尺寸非常小时，这种技术就失败了为了减少青光眼检测的时间和手动风险，Niharika Tha- kur（Thakur和Juneja，2019）引入了一种新型CAD系统称为LARKICM方法。通过应用这种方法，减少了诊断疾病的计算时间。但是与其他现有技术相比，分割结果的准确性降低。The Javies Civit-Marot et al.（Civit-Masot，2020）提出了一种用于青光眼自动检测的工具。这里两个子系统独立设计用于训练和测试。在第一段中，使用分割和机器学习技术分割视盘和视杯。然后，第二个系统的目的是使用迁移学习技术的青光眼检测。最后，将两种系统结合起来，提高了检测效果.但是这里提出的工具需要高计算性能来运行模型。类似地，Jiang，Yuming，et al.（Jiang，2019）使用基于区域的CNN提出了两种不同的网络提出用于视盘分割目的的网络之一称为盘提议网络（DPN），并且另一个用于视杯分割的网络称为杯提议网络（CPN）。但该方法的灵敏度值较低4. 方法在所提出的方法中，CDR值的计算在青光眼检测中获得更准确的结果方面起着重要作用，并且这同样取决于OC和OD的适当分割 图2说明了完整的系统工作流程。这里，给出尺寸为2896 X 1944px的眼底图像作为输入。然后在预处理阶段采用腐蚀、膨胀和CLAHE（Contrast Limited Adaptive Histogram Equalization）等形态学操作，提高图像的质量和对比度。对预处理后的图像进行特征提取，采用Sobel边缘检测方法和分水岭算法定位视神经区域。在定位将要识别青光眼的所需区域后，将以512x512的大小裁剪该区域为了分割视盘和视杯区域，分别建立了两个39层的CNN模型用于视盘和视杯的分割。裁剪后的图像作为两个模型的输入根据预测的视盘掩模和视杯掩模，计算杯盘比，并基于该值，图二. 系统工作流程。H.N. Veena，A.Muruganandham和T.森希尔·库马兰沙特国王大学学报6192×诊断。下面解释每个块的详细解释，4.1. 预处理图像预处理是眼底图像诊断的关键步骤眼底图像主要受到椒盐噪声和高斯白噪声的影响。从这些图像中去除噪声是眼科医生诊断疾病的关键方面。利用高斯滤波器去除眼底图像中的高斯噪声这里的RGB（红色，蓝色和绿色分量）没有被分成不同的通道。完整的组合通道被转发到下一个后续过程中。4.1.1. 腐蚀和膨胀膨胀和腐蚀是用于图像增强的一些基本数学形态学运算使用扩张，眼底图像中的血管将变得更亮，并且它向输入图像的边界添加额外的像素膨胀填充像素之间的内部间隙;因此通过加倍膨胀过程导致图像的更多增强。膨胀过程中使用的相同结构元素将用于腐蚀过程。腐蚀有助于获得平滑的图像和对比图像边界。如果膨胀应用两次，则侵蚀也应用两次。4.1.2. 对比度受限自适应直方图均衡（CLAHE）技术通过比较普通直方图均衡（HE）和自适应直方图均衡（AHE），CLAHE对图像的增强效果较好这有助于增加低对比度图像中的对比度，特别是在医学图像中。这里，通过限制对比度来固定图像对比度。将其应用于普通直方图均衡化中放大噪声时，可以在噪声较突出时限制对比度。因此，在将CLAHE应用于HE之后，将预期期望的结果。CLAHE将通过将输入图像强度值的斜率与所需强度值进行比较来结果将以直方图的形式表示。直方图的水平显示图像中的对比度水平。要控制图像中的对比度，将应用裁剪限制和斜率函数在普通的直方图均衡中，图像被划分为若干子区域，并且对所有子区域分别应用双线性插值。在组合所有区域之后，各个区域中的不同噪声导致问题。为了克服这一问题，应用CLAHE来限制对比度增强。在这种方法中，像素与其相邻的四个像素进行映射，并将其分组为一个区域，称为双线性插值。应用滤波器和CLAHE的组合过程有助于去除眼底RGB图像中的噪声，这导致更加增强的图像和去噪的眼底图像。眼睛的视网膜部分包括中央凹、黄斑、视神经乳头等。必须定位视神经乳头以检测青光眼。因此，为了分割视神经乳头，将在CLAHE的帮助下局部化图像的最亮部分。4.1.3. 形状检测边缘直方图描述子（EHD）主要适用于图像的形状检测。图像的区域基本上用五种不同类型的形状表示。这五种类型捕获图像出现的所有变化。在这里，给定的图像被分成4x4的片段，称为子图像。子图像再次被划分为16个块，这为每个块生成直方图。每个线段中的边被分为五种不同的类型。的边缘是垂直的、水平的、135度对角线的、45度对角线的和无方向的边缘。4.2. 特征提取在该方法中，边缘和轮廓形状的特征提取的Sobel边缘检测和分水岭算法的帮助下。通过去除边缘和轮廓形状的特征，有助于定位OD和OC。然后，定位的区域将被裁剪并作为所提出的模型的输入，以分割视盘和视杯区域。4.2.1. Sobel边缘检测边缘检测是图像处理中找到给定输入图像的边界的技术之一。该技术可应用于数据的提取和所需区域的分割。在青光眼诊断中，将检测OD和OC边界的适当定位因此，通过应用Sobel边缘检测方法，边缘信息将被提取。有许多边缘检测方法，如Prewitt，Canny，Roberts和模糊逻辑等，但是主要使用Sobel边缘检测技术来提取边缘信息。它显示了图像上的像素在边缘上的表现有多好。边缘上的像素从亮到亮及其向量值被应用;因此，除了盘和杯之外的血管边缘很容易被提取。4.2.2. 分水岭算法分水岭算法主要适用于图像分割，也适用于特征提取。在所提出的方法中，该算法用于轮廓形状提取。基于该结果，OD和OC对象边界和线将被容易地提取。最初，在这种分割技术中，整个图像被分割成具有其轮廓形状的不同区域集合。然后将每个区域的像素进行分组，称为超像素。在这里，完整的图像被视为一个表面，它会找到图像上的它通过将暗像素视为低像素，将亮像素视为高像素来创建区域。 该方法主要适用于三种不同的算法：梯度法、距离变换法和标记控制法。在这里，裁剪图像作为输入被给出以应用用于OD和OC的边界提取的算法。4.3. 裁剪在图像上定位光盘部分后，图像的其余大小为2896 1944的输入图像将被裁剪为512 x512 dimen- sion。然后，为了进一步处理，只有裁剪的图像将作为输入图像。这可能导致信息丢失，但是去除青光眼检测不需要的区域将导致减少计算时间并增加盘和杯分割的准确性4.4. 使用修改的CNN在所提出的方法中，使用卷积神经网络的修改版本来分割用于青光眼检测的OD和OC使用两个独立的CNN模型来提高分割过程的准确性OD和OC分割过程应用相同数量的层大小为2000 X 1600的完整眼底图像不作为CNN模型的输入来训练图像。视神经头区域中尺寸为128 X 128的裁剪图像部分作为CNN模型的输入，以减少执行时间。在H.N. Veena，A.Muruganandham和T.森希尔·库马兰沙特国王大学学报6193¼ð Þ¼ð Þ;PR在所提出的方法中，CNN模型中的层增加到39层，包括卷积层（19）、最大池化层（4）、上采样层（4）、丢弃层（11）和合并层（1）。在这里，通道没有被分成红色、绿色和蓝色通道;完整的RGB图像被考虑用于分割过程。滤波器尺寸为（3X3）和（1X1），不同层中使用的滤波器数量为1、8、16、32、64、128卷积层用于组合两组数据，并通过应用不同的滤波器来生成未来的地图在最大池化层中，可以通过从聚类中选择最大值来减小图像的大小CNN中的下采样教导网络专注于更少的激活点，这是必不可少的，并减少了特征图中的冗余，有助于在训练时更快，更低的内存上采样有助于恢复丢失的信息。现有CNN模型面临的主要问题之一是图像处理过程中图像分辨率的变化。一旦层数从一步增加到另一步，输入图像给模型的内容就会不断减少。在这个过程中，什么信息将被保留，但信息将在哪里丢失。为了克服这个问题，对于每个下采样层，将添加上采样层以恢复图像分辨率。在下采样层期间，仅收集所需的特征并将其发送到下一层。在该冗余减少步骤期间，图像分辨率将改变。通过从下采样层获取信息，上采样层有助于恢复丢失的分辨率。此过程有助于保持输入图像分辨率与输出图像分辨率相同在每个卷积层之后应用dropout层，以丢弃随机选择的数据，以避免神经网络中的过拟合。在这里，ReLu激活函数用于每一层，它有助于有效地训练模型，并提供比其他激活函数更好的性能。通过以00s和10s的形式表示像素值，输出是OD的二进制掩码。 如果对应的像素值与原始图像相同，则它以黑色像素的方式表示，如果不是，则以白色像素的形式表示。所得到的OD的预测掩模作为另一个模型的输入来预测OC掩模。通过将来自尺寸为512X512的原始眼底图像的输入图像给予第二CNN模型来预测视杯将使用在用于预测视盘的神经模型中应用的具有相同滤波器的相同层在最后一个模型中，大小为128X128的图像尺寸被视为输入，但这里的大小将增加。因此，OC边界很容易预测。如果应用于OD的输入图像的大小与OC相同由于这个原因，在现有技术中将不能正确地预测OC边界从这个模型来看，通过在预测中获得更准确的结果来解决在第一个模型中使用了由卷积层、下采样层、上采样层、合并层和丢弃层裁剪大小为128X128的图像作为第一个模型的输入图像大小为512X512的相同训练模型后，总参数为656，257，可训练参数为656，257，不可训练参数为0。我们提取，并在训练期间训练完整的参数。4.4.2. 预测本研究的主要目的是找到CDR值来预测青光眼的进展。通过获取两个模型的输出，计算CDR值为了计算CDR值，测量椎间盘面积的平方根与髋臼杯面积的比值从这两个预测的掩模，白色像素的计数给出了视盘和杯场。5. 结果和讨论为了训练模型，使用具有NVIDIA GeForce图形的系统几个指标被用来分析结果，并与先前存在的系统的结果进行了比较。预处理阶段后的结果将显示在图4、图5、图6、图7分别示出了预处理、特征提取、OD分割和OC分割的结果。对于最终的分割结果，计算下述准确度度量。5.1. 骰子相似系数如果我们考虑集合A和B，则骰子相似性度量将被计算为：DSC2jA\Bj1jA j jB j集合A和B的基数表示为：|一|和|B|，分别。Eqs。（1）和（2）给出了骰子度量的公式。该Dice度量也可以用真阳性（TP）、假阳性（FP）、假阴性（FN）和真阴性（TN）来表示。DSC2TP22TPFPFN5.2. 并集上的交点（IOU）它是语义分割过程中常用的度量。它是重叠面积与并集面积之比，它以集合的形式表示，以衡量这两个有限集合之间的相似性。它也被称为Jaccard指数，它是使用公式计算的（三）、OD面罩。用于预测OC的图像大小始终取决于第一个模型中用于OD的图像大小。保存第二个模型输出的光学杯掩模。通过获取两个模型的输出，计算CDR值以预测是否为青光眼。 图 3显示COM-借据A BjA\BjjAj jBj-jA\Bj5.3. F1分数ð3Þ所提出的方法的完整架构。4.4.1. 设计和培训在分割过程中使用具有增加的层数的两个单独的修改的CNN模型。这有助于显著提高准确性。Kera为了衡量测试结果的准确性，使用了F1得分，并对二进制分类进行了分析。它以精确度（P）和召回率（R）的形式表示，并使用公式计算。（四）、F1¼ 2：P：R104mmH.N. Veena，A.Muruganandham和T.森希尔·库马兰沙特国王大学学报6194图三. 用于查找杯盘比的建议架构。见图4。 预处理阶段的输出屏幕。图五. 特征提取过程的结果。H.N. Veena，A.Muruganandham和T.森希尔·库马兰沙特国王大学学报6195Xy.l2 l 2c1。r2 r2c2¼Þ见图6。 视盘分割后获得的结果。见图7。 视杯分割后获得的结果。P是通过对来自分类器的所有真阳性结果进行计数得到的真阳性结果的数量，R是通过对所有相关样本进行计数得到的真阳性结果的计数。回忆被称为敏感性。5.4. 结构相似性指数SSIM有助于预测图像和数字视频的质量（五）、所提出的方法训练和测试（微调）了500个时期的所有性能指标。但是骰子度量是用于与现有技术进行比较的常用度量，并在表2中显示。增加模型的层数，直到误差达到最小，并且随着骰子度量值的增加，比较结果的误差减小。在图图8和图9分别示出了针对骰子度量的500次迭代获得的训练数据（51个图像）的图，骰子度量与视盘分割中的损失。 在图 10和11表示对于骰子度量，骰子度量，SSIMx;y2lxlyc1rxyc1XyXy视杯分割丢失5例。最后，对视盘和视杯节段的诊断率分别为98.76%和97.13%分别对训练数据进行分段 在图 12和13示出其中，lx是x的平均值，ly是y的平均值，r2是x的方差，r2是y的方差，rxy是x的协方差，y，c1和c2是变量。5.5. 精度图像中被正确分类的像素的计数的百分比通过使用等式通过像素精度来计算（六）、分别针对Dice度量对视盘中的损失和Dice度量对视杯分割中的损失进行500次迭代获得的测试数据（50个图像）的图。最后对实验数据进行了视盘和视杯分割，其准确率分别为99.01%和97.98% 图 14清楚地表明，与其他现有技术相比，所提出的方法给出了更好的结果。所开发的模型被评估为不同的学习率，如0.1，0.01，0.001和0.0001。模型需要更多的时间来训练准确度TPTPTNFPFN5.6. 马修斯相关系数（MCC）ð6Þ并测试模型，如果学习速度太慢。但是，如果学习率太高，对于某些点，它可能会给出次优值。具有不同学习率的模型的评估如表3所示。为了测量二进制分类的质量，将使用MCC和Eq.（6）给出了求MCC的公式TP×TP-FP×FN表1椎间盘和髋臼杯分割的性能指标测量公司简介pTPPFPTPFNTNFPNð7Þ以上列出的所有准确度指标均为OD和OC测量。一旦所提出的模型经过多次训练和测试，计算参数，评估模型表1显示了RGB图像中椎间盘和髋臼杯的不同指标的准确度准确性度量椎间盘分割杯分割骰子度量0.98760.9713IOU0.93230.9210F1分数0.95410.9451SSIM0.94780.9342精度0.98450.9732MCC0.92560.9211H.N. Veena，A.Muruganandham和T.森希尔·库马兰沙特国王大学学报61961.210.80.60.40.200100 200 300 400 500时代骰子度量损骰子度量1.210.80.60.40.2001 00 200 300 400 500时代1.210.80.60.40.200200400600时代valdice度量损失表2比较骰子度量所提出的方法与现有的方法。学习率外径精度OC准确度0.10.96130.95820.010.96780.96010.0010.98450.9732