经典边缘检测滤波器和神经网络的视网膜血管分割的医学信息学研究

医学信息学解锁23（2021）100521使用经典边缘检测滤波器和神经网络的视网膜血管分割Beaudelaire Saha Tchindaa，*，Daniel Tchiotsopa，Michel Noubom b，Valerie Louis-Dorr c，迪迪埃·沃尔夫ca自动化和应用信息学实验室（LAIA），IUT-FV Bandjoun，Dschang-Cameroun大学，B.P. 134，班琼，喀麦隆b喀麦隆Dschang大学医学和药物科学学院生物医学科学系，医学和药物科学系c南希自动化研究中心（CRAN），UMRCNRS7039，ENSEM，洛林大学，南希，法国A R T I C L EI N FO关键词：视网膜图像血管分割边缘检测过滤器神经网络A B S T R A C T视网膜血管分析对医学筛查有意义，尤其是在糖尿病视网膜病变的诊断中。本文提出了一种在视网膜照片中分割血管的新方法。该方法基于经典边缘检测滤波器和人工神经网络。首先，应用边缘检测滤波器来提取特征向量。结果特征被用于训练人工神经网络，以便识别每个piX el是否属于血管。使用公开可用的DRIVE、CHASE和STARE数据集（包含经常用于此目的的视网膜图像）对生成的算法进行评估。根据检测准确度、灵敏度、特异性和ROC曲线下的面积计算拟定系统的性能。将我们的模型与其他血管分割模型进行比较，获得了令人鼓舞的结果。所提出的算法是用于自动视网膜图像分析的合适工具1. 简介视网膜图像分析被临床医生用于各种眼科和心血管疾病的诊断、筛查、治疗和评估[1，2]。具体而言，视网膜血管分析用于糖尿病视网膜病变的筛查[3]。手动视网膜血管分析非常耗时、繁琐且容易出错。为了解决这些问题，视网膜图像上血管的分析需要自动化。自动化方案的第一步是分段。已经提出了许多技术和算法来自动分析视网膜图像和分割血管。这些技术可分为两类：无监督和有监督的方法。在视网膜照片中，血管类似于图像的轮廓无监督方法包括使用轮廓模型来检测它们[4它包括匹配滤波器响应[11，14，15]、形态学方法[4，16]和可变形模型[17，18]。Zhao等人提出使用具有主动轮廓模型和杂交区域信息的无限周长来检测视网膜血管[18]。培训[19为此，已经提供了一些公共图像数据库，并可在线获得：CHASE[32]、DRIVE [19]和STARE [11]。Fraz等人提出了一项关于视网膜图像中血管分割方法的调查[31]。这些作者还使用梯度矢量场取向、形态变换、线强度测量和Gabor滤波器响应作为特征来训练一组分类器。Staal等人提出了一种基于山脊的血管分割方法，并将其应用于视网膜的彩色图像[19]。作者建立了一个手动标记图像的数据库，用于培训和评估他们的方法。 欧文等人。[32]在一项针对10岁儿童的多种族人群研究中研究视网膜动脉扭转和心血管风险因素。作者提出了"英格兰儿童心脏和健康研究（CHASE）"数据集，用于评估视网膜血管分割程序图。Marin等人提出了一种使用灰度矢量和不变矩作为训练神经网络特征的监督方法。FU等人提出将视网膜血管分割问题作为边界检测任务来解决[33]。他们的方法包括应用多尺度和多水平卷积神经网络（CNN），并使用条件随机场（CRF）对长范围内的神经网络进行建模。受监督的技术需要标记的地面真实图像相互作用中间PIX LS。一些作者已也建议a* 通讯作者。电子邮件地址：beaudelairesaha@gmail.com（B. Saha Tchinda）。https://doi.org/10.1016/j.imu.2021.1005212020年9月11日收到;2021年1月13日以修订形式收到;2021年1月13日接受2021年1月19日在线发售2352-9148/©2021The 作者。已发布由爱思唯尔 有限公司这个是安打开访问文章下TheCCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。ScienceDirect上提供的内容列表医学信息学解开报纸主页：http://www.elsevier.com/locate/imuB. Saha Tchinda等人医学信息学解锁23（2021）1005212图1. 建议系统的示意图卷积神经网络系统同时自动分割视神经盘、中央凹和血管[34] Ricci et al.使用线运算符和支持向量分类来检测视网膜图像中的血管[35]。最近，Islam等人提出了通过多尺度卷积神经网络对视网膜血管进行语义分割[36]。Lin等人提出了使用深度监督和平滑正则化网络的自动视网膜血管分割[37]。一些已发表的方法是称为混合模型的其它简单模型的组合。它们已被提议用于成功的血管分割[38，39]这些方法背后的想法是利用每个探测器的优势。值得注意的是，这些方法非常复杂且耗时。本文提出了一种基于经典边缘特征和神经网络的视网膜血管分割的简单方法。我们认为每一个经典的边缘这些模式有其尚未开发的优势。在下一节中，我们将介绍本研究中使用的材料和方法。介绍了视网膜图像数据库和所用的分割方法。第三节提供了实验结果和讨论。最后，本文在第四节中结束。2. 材料和方法为了测试和 评价拟议的系统， 我们使用了从在线公 共数据库（CHASE_DB1、DRIVE和STARE）获得的视网膜图像和相应的手动分割。所有算法均在MATLAB环境中开发。我们系统的架构如图1所示。如该图所示，从数字图像中提取特征向量。结果特征向量用作神经网络的输入。然后训练神经网络以提供与视网膜图像中存在的血管相2.1. 特征向量我们使用了一个具有八个度量的特征向量来表征每个piX el。这些测量包括使用常规边缘检测滤波器获得的图像梯度（四个特征）、使用高斯滤波器的拉普拉斯（一个特征）和形态变换（三个特征）。轮廓的特征是灰度的快速变化包围他们。边缘检测可以通过导数或微分来实现。[40]在离散形式中，微分是通过减去两个值，然后通过两个值之间的步骤来分割结果来执行的。基于这个简单的原理，已经开发了几个卷积掩模来检测图像的轮廓。运算符通常使用至少两个掩码来在横坐标和有序方向上执行导数。这些掩码是这样的，即它们的系数之和为零，因此它们在没有边的区域中给出零值。最常用的面具是罗伯茨、普罗伊特和索贝尔的面具一些过滤器已经被设计成通过经过几个步骤来实现最佳结果。这就是Canny滤镜的情况，其中第一步是使用高斯遮罩过滤图像。然后使用梯度遮罩运算符检测轮廓。算法检测 找到并删除不是其一部分的点的局部最大值。然后使用双阈值来避免轮廓的碎片化。[40给定的轮廓要么对应于图像函数的第一导数的局部最大值，在离散形式中，人们可以通过仅使用拉普拉斯变换的一个掩码来获得二阶导数。在实践中，拉普拉斯很少单独使用，因为第二导数对噪声极其敏感。与使用梯度运算符一样，其思想是在应用拉普拉斯运算符之前首先用低通滤波器滤波图像。这种针对双导数的噪声敏感性的解决方案是马尔工作的基础，他使用高斯滤波器作为低通滤波器。[42这个滤波器的选择是基于高斯函数对海森堡原理的最佳折衷，海森堡原理指出我们无法提高空间分辨率ΔX和频率分辨率Δf。从数学上讲，这需要将图像I（X，y）与低通滤波器的脉冲响应h（X，y）的二阶导数卷积。我们可以引用所述算子作为使用高斯的拉普拉斯运算符的示例。2.1.1. 预处理在彩色图像的三个RGB（红、绿、蓝）分量中，绿色通道呈现最佳对比度以将血管与背景区分开，而红色和蓝色通道非常嘈杂。因此，绿色通道被选择用于特征向量提取过程。在应用每个边缘检测滤波器之前，B. Saha Tchinda等人医学信息学解锁23（2021）1005213⎢⎣---⎥⎦/⊕>⎡⎣-⎤⎦⎡⎣---⎤⎦>==XY[]]将以下技术应用于背景图像的绿色通道x-x2+y2以提高图像质量。通过以下方式减少相机边缘打开的错误检测：gx（x，y）=-σ2e2σ2（8）在推导过程中，我们使用了参考文献[24]中提出的方法。这个y-x2+y2该方法由一个迭代算法组成，该算法消除了强度视网膜底部和外部区域之间的对比。这个gy（x，y）=-σ2e2σ2（9）该过程包括首先确定感兴趣的区域，然后迭代地增加该ROI以消除其边界的影响。要了解有关此预处理步骤的更多信息，请参见参考文献[24]。还应用了中值滤波器以减少其他噪声影响。2.1.2. 罗伯茨过滤器Roberts滤波器是一种离散的方法，用于计算函数步骤1的导数。这是函数的梯度。如果I（X，y）表示图像中piXel（X，y）的灰度级，则X和y中的x可以分别写成如下所示：Gx=I（x+1，y）-I（x，y）（1）Gy=I（x，y+1）-I（x，y）（2）其中σ确定平滑度掩码大小随σ值增加。2.1.5. 高斯算子强度中断的二阶导数的零点也使得突出显示轮廓成为可能。第二个导数由拉普拉斯演算确定。为了减少噪声影响，首先使用低通滤波器平滑图像。在高斯拉普拉斯滤波器的情况下，低通滤波器被选择为高斯滤波器。下面的矩阵X给出了一个5× 5拉普拉斯高斯掩模，ob-使用"fspecial "函数从MATLAB环境中导入，σ=1.4142。0. 0251 0. 0193 0. 01270. 01930.0251这需要将图像与下面的两个过滤器合并。[430. 0193- 0. 0153- 0. 0412- 0. 01530. 0193G= 0。0127- 0. 0412- 0. 0795- 0。04120.0127（10）Rx=1，00，-1和Ry=[0、1-1.0（三）0. 01930. 01530. 04120. 01530. 01930. 02510. 01930. 0127 0. 01930.0251梯度的大小定义为：G（X，y）=√G2+G2（4）2.1.6. 数学形态学基于导数的方法的主要问题是碎片-其方向由下式给出：D（x，y）=Arctan（GyGx）（5）如果轮廓是直的（步长），Roberts的然而，噪声也可以是灰度级中的突然局部变化（例如斑点噪声）：这些滤波器因此对噪声非常敏感，因为它们通过推导来强调图像中存在的噪声。此外，如果是斜坡类型的轮廓，则这些过滤器会提供粗轮廓。2.1.3. Prewitt和SobelPrewitt在1970年和Sobel在1978年提出的方法的原理是相同的。梯度的计算使用两个遮罩进行，第一个遮罩产生水平导数，第二个遮罩产生垂直导数。水平和垂直轮廓的遮罩分别如下所示：所得到的轮廓的参考。 形态过滤器可以-永远帮助解决这个问题。形态运算符将图像与称为结构化元素的0或1的小矩阵相结合。结构化元素类似于卷积遮罩。数学形态学的两个基本算子是侵蚀和膨胀。让我们考虑一个小维结构元素B和灰度图像I。对于piX el X，I被表示为I B的X，（I膨胀后获得的piXels的新值由结构元件下piXels的最大值给出。换句话说，I与B的扩张是由反射和平移B重叠的至少在我的一部分。Mh=Mv=1、0、1C、0、C（6）1、0、11、C、10、0、0（7）1、C、 1通过将max替换为min，以类似于膨胀的方式获得侵蚀。由IB表示的结构化元素B对灰度图像I的侵蚀定义如下：X，（I换句话说，B对I的侵蚀是所有结构元素的集合。当C1时，它们是Prewitt的运算符，当C2时，它们是Sobel的运算符。与前一种相比，这些面具具有产生两种效果的优点。除了计算一个方向上的梯度之外，这些掩模还执行平滑。这种平滑使这些面具比以前的面具对噪音的敏感性略低。2.1.4. 狡猾的操作员第一步是在检测原始图像的边缘之前减少其噪声。这使得有可能消除在梯度计算期间可能导致强响应的孤立piXCanny滤波器使用的最优检测器是高斯滤波器的第一个导数。2D高斯的梯度如下所示：B. Saha Tchinda等人医学信息学解锁23（2021）1005214翻译后的B与I的背景没有重叠的原始位置。侵蚀和膨胀是数学形态学的两个相反运算。虽然过滤器看起来如此专注于改变piX els的灰度，但数学形态学试图改变物体的形状。因此，侵蚀的作用是减小图像中物体的大小，而膨胀试图使它们变大。从数学形态学获得的第三个特征是形态顶帽过滤。顶帽滤波计算图像的形态展开，然后从原始图像中减去结果。形态打开操作是侵蚀之后的膨胀，使用相同的结构元素进行两种操作。结构元素取决于要检测的形状。在我们的案例中，结构元件尺寸为21英尺X长1英尺x宽，并以一定角度旋转。B. Saha Tchinda等人医学信息学解锁23（2021）1005215knWFijJ JJ图2. 选定的神经网络拓扑。以π/9为步长覆盖[0，π]。因此，我们获得了侵蚀、膨胀的九个结果的九个结构元件，以及顶帽过滤的相同结果。这里使用每个的平均值来增强所有血管，无论其方向如何。表1血管分割算法的性能指标。测量描述方程真阳性率（面额）或灵敏度（SN）：RTP= TP/（TP+ FN）2.2. 人工神经网络前向网络也称为MLP （多层感知器）SPFPR能够检测到PiX els容器。特异性（SP）：检测非血管piX els的能力。Sp= TN/（TN+ FP）假阳性率（FPR）FPR= 1-Sp= FP/（TN）网络输入意味着当后续层具有来自accaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccaccacc+FP）Accc=（TP+）TN）/（TP上一层。最后一层产生网络的输出级联反馈神经网络（CFNN）是反馈网络的一种变体，具有从输入到输出的附加连接。图像视野中的piX+FP+ TN+ FN）每一层，并从每一层到所有后续层。[47我们的人工神经网络结构见图2。它是一个由输入层、输出层和四个隐藏层组成的级联前向神经网络。第一隐藏层有8个神经元，具有双曲切线S形传递函数。另一个隐藏层每个有十个神经元。隐藏层2和隐藏层4使用双曲切线乙状面作为传递函数。对数sigmoid传输函数用于隐藏层3。对于输入层中有n个神经元、隐藏层中有k个神经元、输出层中有一个神经元的MLP，其数学方程可以写成：船还是不船。在这种情况下，有四种情况。血管被分类为血管，它是真阳性（TP）。血管被归类为非血管，为假阴性（FN）。非血管被归类为血管，是假阳性（FP）。非血管分类为非血管，为真阴性（TN）。其他性能指标如表1所示。ROC曲线绘制了不同检测阈值的真阳性率（trep）与假阳性率（forp）。ROC曲线下的面积（AUC）是用于比较图像分割性能的另一个指标。AUC越高，分割结果越好[48，49]。DRIVE数据库包含20张尺寸为564× 584的彩色图像y= f0（b0+0bj=10小时（bj+）i=1 whxi））（十三）h用于培训，用于测试。对于培训，我们的系统是使用10个6英尺X像素的样本制作的，每个图像的样本量为50，000个。随机。STARE数据库[11]包括20张700× 605的彩色视网膜图像。它不会将训练图像与测试分开其中f是输出层的激活函数，fj是激活函数。图像。STARE的系统培训使用10张图片进行，隐藏层j的位置，Xi表示输入，y是输出。b0是输出上的偏差，bj是隐藏层j上的偏差。从MLP的方程，可以推导出由CFNN模型形成的方程。输入是一组特征，将允许CFNN区分和识别视网膜血管形状为轮廓和其他形状为无轮廓。所使用的功能集在上一节中介绍。对于检测到的容器pi x el，输出y给出的值接近1，对于未检测到的容器piX EL，输出Y给出的值接近0。3. 实验结果与讨论我们的方法已经在三个可公开访问的数据库（DRIVE、STARE和CHASE_DB1）上进行了评估。这些数据库提供由两个不同的专家为每个图像生成的两个手动分割结果。我们选择第一个观察者的分割结果作为地面真理。我们通过一系列措施对拟议方法进行了评估。为此，图像的任何被考虑的piX el都应属于B. Saha Tchinda等人医学信息学解锁23（2021）1005216×75，000个随机提取的piX els。在测试阶段对10个剩余图像的性能进行了评估。CHASE_DB1数据库包含28个彩色视网膜图像，大小为999，960。与STARE数据库一样，CHASE_DB1数据库不会将训练映像与测试映像分开。我们使用14张图像进行训练，每张图像中随机选择75，000个像素X像素。剩余的14个图像用于测试阶段。DRIVE数据集、STARE数据集和CHASE_DB1数据集的拟议方法获得的血管分割结果分别见图3、图4和图5。第一行显示原始图像，第二行显示用所提出的方法检测到的血管的图像，第三行显示从数据库中的第一个人类观察者获得的分段血管的地面真实性。我们的结果直接对应于系统的输出。他们表明，模型成功地检测到了厚血管和薄血管。然而，仍有一些错误。主要错误是由于噪声和其他伪影导致错误检测。在获得最终的二进制图像之前，可以通过后处理阶段来减少这些噪声影响B. Saha Tchinda等人医学信息学解锁23（2021）1005217图3. DRIVE数据集上的血管分割结果。第一行：原始测试图像。第二行：所提出的方法的分割结果（与第一行相同的图像顺序第三行：手动分割结果用作地面真实性（与第一行图像顺序相同）。图4. STARE数据集上的血管分割结果。第一行：原始测试图像。第二行：所提出的方法的分割结果（与第一行相同的图像顺序第三行：手动分割结果用作地面真实性（与第一行图像顺序相同）。DRIVE数据集、STARE数据集和CHASE_DB1数据集的ROC曲线分别见图6、图7和图8。在表2、表3和表4中列出了性能测量值，并与先前的最先进方法进行了比较。 符号从这些表中可以看出，我们在所有三个数据集上的表现都很好。DRIVE数据库的灵敏度、特异性、准确度和AUC分别为0.7352、0.9775、0.9480和0.9678分别。在STARE数据库中，灵敏度、特异性、准确度和AUC分别为0.7265、0.9759、0.9548和0.9686。对于CHASE_DB1数据集，获得的灵敏 度 、 特 异 性 、 准 确 度 和 AUC 分 别 为 0.7279 、 0.9658 、 0.9452 和0.9681。B. Saha Tchinda等人医学信息学解锁23（2021）1005218图5。CHASE_DB1数据集上的分段结果。第一行：测试图像。第二行：所提出的方法的分割结果（与第一行相同的图像顺序）。第三行：手动分割结果用作地面真实性（与第一行图像顺序相同）。4. 结论图6. Drive数据集上的ROC曲线。图7. STARE数据集上的ROC曲线。光度条件。与最先进的方法相比，所提出的方法在特异性方面表现良好，即本文提出了一种基于经典边缘传感器和神经网络的新型视网膜血管分割方法。边缘检测滤波器，如Canny、Sobel、Robert、Prewitt、高斯拉普拉斯滤波器和形态滤波器，用于生成用于训练级联反馈神经网络的特征向量。在DRIVE、STARE和CHASE数据集上对这种超感知方法进行了培训和测试。EX实验结果显示了高质量的血管概率图。我们的方法对不同的血管宽度和多样性具有鲁棒性精度和ROC曲线下的面积。就像许多其他方法一样，所获得的敏感性仍有待提高。我们已经确定，与最近更复杂的视网膜血管分割方法相比，传统轮廓检测器的组合提供了更好的结果。对于未来的工作，我们相信可以开发神经网络架构的变体，以进一步改善通过减少血管分割中的细粒度检测获得的结果。B. Saha Tchinda等人医学信息学解锁23（2021）1005219表2图8. CHASE DB1数据集上的ROC曲线。竞争权益没有与本出版物相关的利益冲突，也没有可能影响其结果的对本工作的重大财政支持。确认书作者非常感谢匿名评论者的宝贵意见，他们帮助改进了这部作品。参考文献[1] Ikram M，Ong Y，Cheung C，Wong T.视网膜血管口径测量：临床意义、当前知识和未来展望。眼科学2013;229（3）：125-36。[2] 克莱因L，克莱因贝克，莫斯SE，王蒂。非糖尿病患者视网膜病变与15年糖尿病和高血压发病率的关系：BeaverDam眼科研究2006年跨美眼科学会 98L 107.[3] Guigui S，Lifshitz T，Levy J.糖尿病视网膜病变筛查：当前方法综述。《临终关怀实 践 》 ， 1995年 ;40（ 2） ： 64 72。 https://doi.org/10.3810/hp.2012.04.971.2012年4月，PMID：22615080。[4] Zana F，Klein JC.使用数学形态学和曲率评估分割血管样模式。IEEE跨图像过程2001;10（7）：1010-9。七月 2001年。[5] 姜X，Mojon D.基于验证的自适应局部阈值检测应用于视网膜图像中的血管检测。IEEE跨模式分析马赫情报2003;25（1）：131-7。一月 2003年。与其他方法相比，DRIVE数据库的评估措施Sn Sp AccAUC方法Mendonça等人[6] 0.7344 0.9764 0.9452-Azzopardi等人[10] 0.7655 0.9704 0.9442 0.9614Marin等人[20] 0.7067 0.9801 0.9452 0.9588Fraz等人[21] 0.7406 0.9807 0.9480 0.9747傅等。[23] 0.7294- 0.9470 -Soares等人[24] 0.7283 0.9788 0.9466 0.9616Strisciuglio等人[25] 0.7731 0.9724 0.9467 0.9588Aslani等人[26] 0.7545 0.9801 0.9513 0.9682Maji等人[27]- 0.9470 0.9283Lahiri等人[28] 0.7500 0.9800 0.9480 0.9500Li等人[29] 0.8347 0.9796 0.9510 0.9792达斯古普塔等人[30] 0.7691 0.9801 0.9533 0.9744Tan等人[34] 0.7537 0.9694-伊斯兰教等。[36] 0.7923 0.9773 0.9538-Lin等人[37] 0.7632- 0.9536 -建议方法0.7352 0.9775 0.9480 0.9678表3与其他方法相比，STARE数据库的评估措施Snsp AccAUC方法Jiang等人[5]0.9009Mendonca等人[6] 0.6996 0.9730 0.9440-你等人。[9] 0.7260 0.9756 0.9479-胡佛等人。[11] 0.6747 0.9384 0.9348-Lam等人[12]- 0.9567 0.9739Marin等人[20] 0.6944 0.9819 0.9526 0.9769Fraz等人[21] 0.7548 0.9763 0.9534 0.9768 0.9768Li等人[29] 0.8231 0.9782 0.9560 0.9743Lin等人[37] 0.7423- 0.9603 -建议方法0.7265 0.9759 0.9548 0.9686表4与其他方法相比，CHASE_DB1数据库的评估措施。Sn Sp Acc AUC Azzopardi等人[10] 0.7585 0.9587 0.93870.9487Fraz等人[21] 0.7224 0.9711 0.9469 0.9712傅等。[23] 0.7130- 0.9489 -Lin等人[37] 0.7815- 0.9587 -建议方法0.7279 0.9658 0.9452 0.9681[6] Mendonca AM和Campilho A.结合中心线检测和形态重建对视网膜血管进行分割。IEEE TransMedImag 2006;25（9）：1200-13。九月 2006年。[7] 米里MS，Mahloojifar A.使用曲幅变换和通过重建的多结构元素形态学的视网膜图像分析。IEEE跨生物医学工程2011;58（5）：1183-92。2011年5月。[8] Fraz MM、Barman SA、Remagnino P、Hoppe A、Basit A、Uyyanovara B、Rudnicka AR、Owen CG。使用位平面和中心线检测定位视网膜血管的方法。计算方法进展生物医学2012;108（2）：600-16。[9] 尤X，彭Q，袁Y，张Y-M，雷J.使用径向投影和半监督方法分割视网膜血管。模式侦察2011;44（10-11）：2314-24。[10] Azzopardi G，Strisciuglio N，Vento M，Petkov N.应用于视网膜图像的可训练COSFIRE血管划界滤波器。医学影像学肛门2015;19（1）：46-57。一月 2015年。[11] 胡佛A，库兹涅佐娃V，戈德鲍姆M.通过匹配过滤器响应的部分阈值探测在视网膜图像中定位血管。IEEE TransMed Imag2000;19（3）：203-10。[12] 林理学士、高Y、刘AW-C。使用基于正则化的多凹模型的一般视网膜血管分割。IEEE TransMed Imag 2010;29（7）：1369-81。[13] 罗德里格斯LC，Marengoni M.使用光栅、数学形态学和基于Hessian的多尺度滤波在视网膜图像中分割视神经盘和血管生物医学信号过程控制2017;36：39-49。[14] Chaudhuri S、Chatterjee S、Katz N、Nelson M、Goldbaum M.使用二维匹配滤波器检测视网膜图像中的血管。IEEE TransMedImag 1989;8：263-9。七。 1989年。[15] L帮，Chutatape O，Krishnan SM。使用改进的二阶高斯滤波器检测和测量背景图像中的视网膜血管。IEEE跨生物医学工程2002;49：168-72。二月 2002年。[16] FrazMM、Basit A、Barman SA。 形态位平面在视网膜血管血提取中的应用。J Digit Imag 2013;26（2）：274 86。[17] SahaTB、TchiotsopD、TchindaR、Ken neG。肠道自动提取使用主动轮廓和霍夫变换的显微图像中的寄生现象。 Curr Med Imag修订版2015;11（编号4）：233-46。[18] 赵Y、拉达L、陈K、哈丁SP、郑Y。使用具有混合区域信息的无限周长主动轮廓模型的自动血管分割，并应用于视网膜图像。IEEE TransMed Imag 2015;34（9）：1797-807。九月 2015年。[19] StaalJ，Abramoff医学博士，Niemeijer M，Viergever MA，van Ginneken B.视网膜彩色图像中基于山脊的血管分割。IEEE TransMed Imag 2004;23（4）：501-9。四月 2004年。[20] 马林D，阿基诺A，格贡德斯阿里亚斯ME，布拉沃JM。一种使用灰度级和矩不变特征的视网膜图像中血管分割的新监督方法。 IEEE TransMed Imag 2011;30（1）：146-58。一月 2011年。[21] Fraz MM、Remagnino P、Hoppe A、Uyyanonvara B、Rudnicka AR、OwenCG、Barman SA。一种基于集合分类的视网膜血管分割方法。 IEEE跨生物医学工程2012;59（9）：2538-48。九月 2012年。[22] Liskowski P，Krawiec K.用深度神经网络分割视网膜血管。IEEE TransMedImag 2016;35（11）：2369-80。十一月 2016年。[23] 傅H，徐Y，Wong DWK，LiuJ.通过深度学习网络和完全连接的条件随机场进行视网膜血管分割。’ 生物医学。图像。（ISBI），四月。2 0 1 6 年：698-701。B. Saha Tchinda等人医学信息学解锁23（2021）10052110[24] 苏亚雷斯合资公司，莱安德罗JJ，塞萨尔RM，杰利内克HF，克里MJ。 使用2-D Gabor波形和监督分类的视网膜血管分割。 IEEE TransMed Imag2006;25（9）：1214-22。[25] Strisciuglio N，Azzopardi G，Vento M，Petkov N.使用自动选择的b-cosfire过滤器在视网膜底部图像中进行监督血管识别。Mach VisAppl 2016;27（8）：1137-1149。[26] Aslani S，Sarnel H.一种基于稳健杂交特征的新型监督视网膜血管分割方法。生物医学信号过程控制2016;30：1-12。[27] Maji D，Santara A，Mitra P，表D。用于学习检测背景图像中视网膜血管的深度卷积神经网络集合。 ArXiv 2016.[28] Lahiri A，Roy AG，表D，Biswas PK。用于背景图像中视网膜血管分割的深度神经集合，以实现无标签血管造影。医学和生物学工程学会（EMBC）。2016年IEEE第38届国际年会。IEEE; 2016年。P. 1340-3.[29] 李M，尹Q，卢M。基于多尺度深度学习的视网膜血管分割。计算机科学和信息系统联合会议记录117-123. ISSN 2300-5963 ACSIS，第15卷。DOI：10.15439/2018F127。[30] 达斯古普塔A，辛格S.一种基于全卷积神经网络的视网膜血管分割结构预测方法。生物医学成像（ISBI2017）。2017年IEEE第14届国际研讨会。IEEE; 2017年。P. 248-51。[31] Fraz MM、Remagnino P、Hoppe A、Uyyanonvara B、Rudnicka AR、Owen CG、Barman SA。视网膜图像中的血管分割方法-一项调查。 计算方法进展生物医学2012;108：407-33。四月 2012年。[32] Owen CG，Rudnicka AR，Nightingale CM，Mullen R，Barman SA，Sattar N，Cook DG，Whincup PH.一项针对10岁儿童的多种族人群研究中的视网膜动脉扭转和心血管风险因素;英格兰儿童心脏与健康研究（CHASE），" Arterioscl.Throm.，血管。2011年生物。[33] 傅H，徐Y，Lin S，Wong DWK，LiuJ.深血管：通过深度学习和条件随机场进行视网膜血管分割。医学图像计算和计算机辅助干预国际会议; 2016年。P. 132-9.[34] Tan JH、Acharya UR、Bhandary SV、Chua KC、Sivaprasad S. 使用单卷积神经网络分割视神经盘、中央凹和视网膜血管《计算科学杂志》2017年;20：70[35] 利玛窦E.和完美R.使用行运算符和支持向量分类的视网膜血管分割。IEEETransMed Imag 2007;26（10）：1357-65。十月 2007年。[36] 伊斯兰教SM.通过多尺度卷积神经网络对视网膜血管进行语义分割Uddin M.，班萨尔J. （编辑）会议记录计算智能国际联合会议。IJCCI 2019。智能系统的算法。新加坡斯普林格。https://doi.org/10.1007/978-981-15-3607-6_18。[37] 林毅，张H，胡G。通过深度监督和平滑正则化网络进行自动视网膜血管分割。IEEEAccess2019;7：57717-24。https://doi.org/10.1109/ACCESS.2018.2844861。[38] AlmotiriJ， Elleithy K，Elleithy A.视网膜血管分割技术和算法：一项调查。Appl Sci 2018;8.https://doi.org/10.3390/app8020155.[39] MocciaS，Momi ED，El Hadji S，Mattos LS。血液血管分割算法- 审查方法、数据集和评价指标。计算方法进展生物医学2018;158：71-91。[40] Pellegrino FA，Vanzella W，Torre V.重新审视边缘检测。IEEE系统、人和控制论汇刊-B部分：控制论。第34卷; 2004年。第1500-18（3）页，2004年6月。[41] Acharjya PP，Das R，Ghoshal D.用于图像分割的不同边缘检测器的研究与比较。全球计算机科学与技术杂志图形视觉。&第12卷（13）：2012年V1.0。全球期刊公司(USA)在线ISSN：0975-4172打印ISSN：0975-4350。&[42] 马尔D，希尔德雷斯E.边缘检测理论。伦敦皇家学会会刊。B系列，生物科学。第207卷; 1980年。https://doi.org/10.1098/rspb.1980.0020（1167）：187 217。[43] Roberts，L.G.，"三维实体的机器感知"，系列：光学和光电信息处理。麻省理工学院出版社，1965年。[44] Ziou D，Tabbone S.边缘检测技术-概述。国际模式识别和图像分析杂志1998;8（4）：537-59。[45] CannyJ. 边缘检测的计算方法。 IEEE跨模式AnalMach Intell 1986;8：679-714。[46] 冈萨雷斯RC，伍兹RE，爱丁堡SL。使用MATLAB进行数字图像处理。上马鞍河，新泽西州：皮尔逊/普伦蒂斯大厅; 2004年。[47] Warsito B，Santoso R，Suparti Yasin H.用于时间序列预测的级联前向神经网络 。 在 ： IOP 会 议 系 列 ： 物 理 学 杂 志 ： 会 议 系 列 。 第 1025 卷 ; 2018年 。https://doi.org/10.1088/1742-6596/1025/1/012097. 012097.[48] TchiotsopD，SahaTB，TchindaR，Ken neG。使用多尺度波动变换在培养皿显微图像中检测肠道寄生虫。信号图像和视频处理（IViP）2015;9（增刊1）。https://doi.org/10.1007/s11760-014-0716-6. S121-S134。[49] ArbelaezP、市长M、Fowlkes C、Malik J. 轮廓检测和分层图像分割。IEEE跨模式Anal Mach Intell2011;33（5）：898-916。