呂 衛(wèi)，翟慶偉，褚晶輝，李 喆

?

彩色眼底圖像糖網(wǎng)滲出物的自動(dòng)檢測(cè)

呂 衛(wèi)，翟慶偉，褚晶輝，李 喆

( 天津大學(xué)電子信息工程學(xué)院，天津 300072 )

糖尿病視網(wǎng)膜病變(簡(jiǎn)稱(chēng)“糖網(wǎng)”)滲出物的自動(dòng)檢測(cè)對(duì)于糖網(wǎng)的早期診斷具有重要意義。針對(duì)以往利用數(shù)學(xué)形態(tài)學(xué)檢測(cè)糖網(wǎng)滲出物方法中存在的圖像增強(qiáng)效果不佳造成的滲出物細(xì)節(jié)易漏檢以及干擾區(qū)域去除不完全造成的正常區(qū)域易誤檢的問(wèn)題，提出了一種改進(jìn)的基于數(shù)學(xué)形態(tài)學(xué)的糖網(wǎng)滲出物的自動(dòng)檢測(cè)方法，主要對(duì)眼底圖像的預(yù)處理和視盤(pán)等干擾區(qū)域的檢測(cè)進(jìn)行了優(yōu)化。首先預(yù)處理階段在HSV顏色空間對(duì)圖像進(jìn)行亮度校正后引入了多尺度頂帽變換方法進(jìn)行圖像增強(qiáng)，接著采用了一種綜合圖像邊緣信息和亮度信息的新方法定位視盤(pán)中心并利用Chan-Vese水平集模型分割出視盤(pán)，又依次提取出干擾滲出物檢測(cè)的邊界和光學(xué)器件的反射亮斑，最后用背景估計(jì)結(jié)合形態(tài)學(xué)重建的方法檢測(cè)出滲出物的精確輪廓。經(jīng)最新公開(kāi)的e-ophtha EX數(shù)據(jù)庫(kù)測(cè)試，得到病灶水平靈敏度91.7%，陽(yáng)性預(yù)測(cè)值94.6%；圖像水平靈敏度100%，特異性88.6%，準(zhǔn)確率95.1%。

糖網(wǎng)滲出物；預(yù)處理；干擾區(qū)域；數(shù)學(xué)形態(tài)學(xué)

0 引 言

糖尿病視網(wǎng)膜病變(簡(jiǎn)稱(chēng)“糖網(wǎng)”，Diabetic Retinopathy，DR)是糖尿病最常見(jiàn)和最嚴(yán)重的眼部并發(fā)癥之一，它的發(fā)病率極高，在我國(guó)糖尿病人群中，發(fā)病5年后DR患病率為25%，10年后增至60%，15年后可高達(dá)75%~80%[1]。DR的嚴(yán)重程度隨著糖尿病病程的增長(zhǎng)而增加，且具有很高的致盲性，因此早期若能及時(shí)發(fā)現(xiàn)并采用合理的治療手段則可以有效控制病情的惡化，降低視力嚴(yán)重?fù)p傷的危險(xiǎn)。然而必須指出，這種治療的最佳時(shí)機(jī)很容易因各方面原因而被貽誤，而且現(xiàn)階段的DR檢查基本依靠眼科醫(yī)生的肉眼觀察，因此若能借助計(jì)算機(jī)高效準(zhǔn)確的識(shí)別出DR的病灶，則能更及時(shí)控制住病情，降低糖尿病患者的致盲率。

臨床上將有無(wú)新生血管作為判斷依據(jù)[2]，將DR分為非增殖性糖尿病視網(wǎng)膜病變(Nonproliferative Diabetic Retinopathy，NPDR)和增殖性糖尿病視網(wǎng)膜病變(Proliferative Diabetic Retinopathy，PDR)，其中NPDR又可分為紅色病灶(視網(wǎng)膜內(nèi)出血、微動(dòng)脈瘤) 和白色病灶(硬性滲出、軟性滲出)。目前關(guān)于對(duì)糖網(wǎng)白色病灶滲出物的檢測(cè)主要分為四類(lèi)方法：第一類(lèi)是基于圖像亮度等信息采用閾值分割或區(qū)域生長(zhǎng)的方法。如Yazid等[3]提出了一種基于逆表面自適應(yīng)閾值的滲出物分割算法，通過(guò)最小平方距離法調(diào)整逆圖像的位置以獲得最佳閾值，能根據(jù)不同的數(shù)據(jù)庫(kù)自動(dòng)計(jì)算得出分割閾值。Li等[4]提出了一種基于區(qū)域生長(zhǎng)的滲出物檢測(cè)方法，選取子圖像中局部區(qū)域最小值作為種子點(diǎn)并把Canny邊緣檢測(cè)結(jié)果作為停止準(zhǔn)則。第二類(lèi)是基于聚類(lèi)的方法。如Osarah等[5]采用Fuzzy C-Means聚類(lèi)得到候選區(qū)域，再分類(lèi)得到硬性滲出物。JayaKumari等[6]首先運(yùn)用文本聚類(lèi)算法得到亮目標(biāo)區(qū)域，然后用一種遞歸神經(jīng)網(wǎng)絡(luò)ECNN檢測(cè)不同的滲出物。第三類(lèi)主要采用機(jī)器學(xué)習(xí)的方法。如García等[7]提出一種包含三種神經(jīng)網(wǎng)絡(luò)分類(lèi)器的滲出物檢測(cè)算法。Zhang等[8]對(duì)候選區(qū)域提取語(yǔ)義特征等5類(lèi)特征形成一個(gè)28維的特征向量，然后采用隨機(jī)森林分類(lèi)得到精確的滲出物結(jié)果。第四類(lèi)是基于數(shù)學(xué)形態(tài)學(xué)的方法。如Walter等[9]利用形態(tài)學(xué)濾波和分水嶺變換移除視盤(pán)，然后采用基于灰度方差和形態(tài)學(xué)重建的方法識(shí)別出滲出物。Sopharak等[10]首先在HSI顏色空間對(duì)I通道增強(qiáng)后利用形態(tài)學(xué)操作分割出視盤(pán)，再結(jié)合標(biāo)準(zhǔn)差濾波和形態(tài)學(xué)重建的方法檢測(cè)出滲出物。Amel等[11]則采用CIELab顏色空間對(duì)L通道增強(qiáng)，然后用閾值處理結(jié)合形態(tài)學(xué)重建移除視盤(pán)，最后綜合用K-means聚類(lèi)、Kirsch邊緣檢測(cè)和形態(tài)學(xué)重建的方法提取出滲出物。

基于對(duì)上述四類(lèi)方法相關(guān)文獻(xiàn)的對(duì)比和分析，采用閾值分割的方法對(duì)閾值的選取依賴(lài)性較大，同樣區(qū)域生長(zhǎng)法也很大程度上依賴(lài)于種子點(diǎn)和停止準(zhǔn)則。基于聚類(lèi)的方法得到的結(jié)果易受聚類(lèi)初始中心的影響，且迭代次數(shù)提高后運(yùn)行時(shí)間也會(huì)顯著增加。采用機(jī)器學(xué)習(xí)的檢測(cè)方法則對(duì)分類(lèi)器的設(shè)計(jì)和特征的選取要求較高。而基于數(shù)學(xué)形態(tài)學(xué)的無(wú)監(jiān)督方法以形態(tài)結(jié)構(gòu)元素為基礎(chǔ)對(duì)圖像進(jìn)行處理和分析，與其它方法相比具有高效快速、易于硬件實(shí)現(xiàn)等優(yōu)點(diǎn)。對(duì)采用形態(tài)學(xué)方法的文獻(xiàn)[9]～[11]進(jìn)行對(duì)比發(fā)現(xiàn)，上述文獻(xiàn)在預(yù)處理階段都是采用了對(duì)比度受限自適應(yīng)直方圖均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)的方法進(jìn)行圖像增強(qiáng)，且在干擾區(qū)域的檢測(cè)上只是利用圖像亮度信息移除了視盤(pán)，對(duì)其它亮度較高的區(qū)域未做處理?；诖耍疚奶岢隽艘环N改進(jìn)的基于數(shù)學(xué)形態(tài)學(xué)的糖網(wǎng)滲出物自動(dòng)檢測(cè)方法，主要對(duì)眼底圖像的預(yù)處理和視盤(pán)等干擾區(qū)域的檢測(cè)進(jìn)行了優(yōu)化。首先預(yù)處理階段在HSV顏色空間對(duì)圖像進(jìn)行亮度校正后引入了多尺度頂帽變換方法進(jìn)行圖像增強(qiáng)，接著采用了一種綜合圖像邊緣信息和亮度信息的新方法定位視盤(pán)中心并利用Chan-Vese水平集模型分割出視盤(pán)，又依次提取出干擾滲出物檢測(cè)的邊界和光學(xué)器件的反射亮斑，最后用背景估計(jì)法得到滲出物候選區(qū)域并用形態(tài)學(xué)重建的方法檢測(cè)出滲出物的精確輪廓。

1 改進(jìn)的基于數(shù)學(xué)形態(tài)學(xué)的糖網(wǎng)滲出物的自動(dòng)檢測(cè)

糖網(wǎng)滲出物包括硬性滲出和軟性滲出，滲出物無(wú)規(guī)則的分布于眼底，多呈簇狀堆積，外觀表現(xiàn)為大小不等、形狀不規(guī)則的黃白色斑點(diǎn)狀，見(jiàn)圖1。本文提出的滲出物自動(dòng)檢測(cè)方法流程如圖2所示，第一步首先對(duì)眼底圖像進(jìn)行預(yù)處理，包括感興趣區(qū)域(Region of Interest，ROI)獲取、亮度校正和對(duì)比度的增強(qiáng)，其中引入了多尺度頂帽變換的方法進(jìn)行圖像增強(qiáng)；第二步檢測(cè)易和滲出物混淆的視盤(pán)、邊界和光學(xué)器件反射的亮斑等干擾區(qū)域，其中視盤(pán)的定位則是采用了一種綜合圖像邊緣信息和亮度信息的新方法；第三步進(jìn)行糖網(wǎng)滲出物的提取，包括背景估計(jì)、干擾區(qū)域的移除以及對(duì)病灶候選區(qū)域的形態(tài)學(xué)重建。

圖1 彩色眼底圖像及糖網(wǎng)滲出物細(xì)節(jié)

圖2 方法流程

1.1 眼底圖像預(yù)處理

首先獲取眼底圖像的感興趣區(qū)域(ROI)，這樣在后續(xù)處理中能有效避免ROI區(qū)域外像素的影響，降低計(jì)算的復(fù)雜度。選取原彩色圖像最能反映光照情況的紅色通道分量灰度圖來(lái)進(jìn)行處理，公式如(1)所示，

亮度不均主要表現(xiàn)為圖像的明暗分布不一致，而HSV顏色空間中分量直接反映圖像的亮度情況，因此對(duì)亮度值進(jìn)行校正，校正公式：

亮度校正后的眼底圖像依然存在滲出物和其它結(jié)構(gòu)對(duì)比不明顯的問(wèn)題，尤其是在圖3(c)中可看出某些微小滲出物的邊緣特性比較微弱。此處引入Bai等[13]提出的多尺度頂帽變換的方法進(jìn)行對(duì)比度增強(qiáng)，取亮度校正后圖像對(duì)比度最高的綠色通道灰度圖(圖3(d))，增強(qiáng)公式：

圖3 圖像預(yù)處理

1.2 干擾區(qū)域的檢測(cè)

1.2.1視盤(pán)的定位與分割

視盤(pán)(Optic Disc，OD)在彩色眼底圖像中呈現(xiàn)近似圓盤(pán)狀的亮黃色或白色區(qū)域，與周?chē)鷧^(qū)域存在很高的對(duì)比度。由于視盤(pán)在顏色和亮度特征上與滲出物病灶極其相似，因此視盤(pán)的準(zhǔn)確定位和分割是滲出物檢測(cè)流程中非常關(guān)鍵的一步。本文提出了一種綜合眼底圖像的邊緣信息和亮度信息的新方法來(lái)分別定位視盤(pán)的水平坐標(biāo)和垂直坐標(biāo)，并利用CV水平集模型提取出視盤(pán)輪廓。其中視盤(pán)定位算法高效準(zhǔn)確，不需要提取血管，在e-ophtha EX[17-18]數(shù)據(jù)庫(kù)82張眼底圖像中成功定位81張，準(zhǔn)確率達(dá)到98.8%。

Sobel算子是基于一階導(dǎo)數(shù)的邊緣檢測(cè)算子，利用它的橫向模板和縱向模板可分別得到圖像的水平邊緣和垂直邊緣。Isotropic Sobel算子是Sobel算子另一種形式，和普通Sobel算子相比，它的位置加權(quán)系數(shù)更為準(zhǔn)確，在檢測(cè)兩個(gè)方向的邊緣時(shí)能保持梯度的幅度一致，效果更為清晰。由于視盤(pán)區(qū)域血管分布比較密集且血管主要沿垂直方向延伸，因此視盤(pán)區(qū)域相對(duì)其它區(qū)域垂直方向邊緣強(qiáng)度要遠(yuǎn)大于水平方向邊緣強(qiáng)度[14]。用Isotropic Sobel算子分別提取圖3(e)的垂直邊緣和水平邊緣圖像，然后根據(jù)血管的分布特性定義一個(gè)矩形窗，如圖4(a)和圖4(b)，令此矩形窗在兩幅邊緣圖像上沿水平方向滑動(dòng)，對(duì)每一個(gè)水平坐標(biāo)，以此坐標(biāo)為窗口中心，分別計(jì)算窗內(nèi)像素灰度均值。定義兩值相減的差值為該水平坐標(biāo)的邊緣差值，計(jì)算式：

在定位視盤(pán)垂直坐標(biāo)時(shí)，綜合考慮視盤(pán)處血管的密集度信息和視盤(pán)亮度信息。首先以定位出的視盤(pán)水平坐標(biāo)為中心，取一倍視盤(pán)直徑寬度，截取垂直邊緣圖像作為血管密集度子圖像，在此圖像上定義一個(gè)同寬度，高度也為一倍視盤(pán)直徑的方形窗，對(duì)每一個(gè)垂直坐標(biāo)，以此坐標(biāo)為窗口中心，如圖4(d)所示，令此窗口沿垂直方向滑動(dòng)，統(tǒng)計(jì)窗內(nèi)像素的灰度均值作為血管密集度特征；然后在圖3(e)上截取同樣大小圖像作為視盤(pán)亮度子圖像，并通過(guò)直方圖均衡化來(lái)增強(qiáng)視盤(pán)區(qū)域，如圖4(e)所示。對(duì)每一個(gè)垂直坐標(biāo)，計(jì)算同樣大小的方形窗內(nèi)像素灰度方差值作為視盤(pán)亮度特征。定義兩值的乘積為該垂直坐標(biāo)的綜合特征值，計(jì)算式：

圖4 視盤(pán)坐標(biāo)定位

定位出視盤(pán)中心坐標(biāo)后，接著利用CV水平集模型進(jìn)行視盤(pán)的分割。CV模型是Chan-Vese[15]提出的一種經(jīng)典的基于區(qū)域的水平集活動(dòng)輪廓模型，假設(shè)圖像目標(biāo)和背景兩個(gè)同質(zhì)區(qū)域的平均灰度值為常數(shù)，通過(guò)極小化能量泛函，使得閉合輪廓曲線(xiàn)趨近于目標(biāo)邊界。首先在圖3(e)上以定位出的視盤(pán)坐標(biāo)為中心截取寬度和高度都為三倍視盤(pán)直徑的子圖像，同樣采用直方圖均衡化方法來(lái)增強(qiáng)圖像中的視盤(pán)區(qū)域，結(jié)果如圖5(a)。然后用半徑略大于主血管寬度的圓形結(jié)構(gòu)元素對(duì)圖像進(jìn)行形態(tài)學(xué)開(kāi)操作來(lái)擦除血管。接著用CV模型來(lái)獲取視盤(pán)區(qū)域的輪廓，初始輪廓選擇以定位出的視盤(pán)中心為圓心的半徑較小的圓形，這里選擇半徑為10，如圖5(b)。為了確定CV模型中的迭代次數(shù)，此處引入了面積重疊率這一視盤(pán)分割的評(píng)價(jià)指標(biāo)，該評(píng)價(jià)指標(biāo)由Lalonde等[16]提出，其計(jì)算式：

圖5 視盤(pán)輪廓檢測(cè)

表1 不同迭代次數(shù)下平均重疊率Save的實(shí)驗(yàn)結(jié)果

1.2.2邊界和反射亮斑的檢測(cè)

除去視盤(pán)以外，還有兩種亮度較高的區(qū)域會(huì)影響到滲出物的檢測(cè)，分別是眼底圖像ROI的邊界處(圖6(a))和眼底相機(jī)內(nèi)部光學(xué)器件反射造成的亮斑(圖6(b))，其中光學(xué)器件的反射亮斑只存在于部分圖像。

首先用7×7的模板對(duì)圖6(a)的綠色通道進(jìn)行中值濾波，同時(shí)用Canny算子提取出ROI的邊界輪廓如圖6(c)，以濾波后的圖像(圖6(d))作為掩膜，邊界輪廓圖像作為標(biāo)記進(jìn)行形態(tài)學(xué)重建得到圖6(e)，對(duì)結(jié)果用Otsu法做全局閾值處理并采取膨脹操作可得到邊界亮區(qū)域的二值圖像，如圖6(f)。

對(duì)于光學(xué)器件反射亮斑的提取，在圖6(a)中并不存在，因此選取反射區(qū)域較多的圖6(b)為例。由于此種區(qū)域白光成分較多，顏色飽和度低，取其HSV顏色空間中的飽和度通道如圖6(g)，可發(fā)現(xiàn)反射亮斑在此通道中灰度值較低，特征明顯，與ROI內(nèi)背景像素的灰度值差距較大，因此用Otsu法進(jìn)行閾值分割可提取出面積較大的反射亮斑，結(jié)果如圖6(h)所示。對(duì)于少部分未被檢測(cè)出的較弱的亮斑，由于面積較小與滲出物極易混淆，如果繼續(xù)處理則極易把較小的滲出物錯(cuò)檢成亮斑，進(jìn)而降低滲出物檢測(cè)的靈敏度，因此這里并未對(duì)這少部分較弱的亮斑做進(jìn)一步的檢測(cè)。

1.3 滲出物的檢測(cè)

最后進(jìn)行滲出物輪廓的精確檢測(cè)，主要分為三步，具體步驟描述如下：

1) 采用背景估計(jì)方法獲取滲出物候選區(qū)域。背景估計(jì)的目的在于將處理過(guò)的圖像與原灰度圖比較，提取眼底圖像的前景結(jié)構(gòu)。取原圖像綠色通道灰度圖像，背景估計(jì)的過(guò)程：

圖6 邊界和光學(xué)器件反射亮斑的檢測(cè)

2) 對(duì)背景估計(jì)得到的結(jié)果移除視盤(pán)等干擾區(qū)域，處理公式：

圖7 滲出物的檢測(cè)

2 實(shí)驗(yàn)結(jié)果及分析

2.1 實(shí)驗(yàn)數(shù)據(jù)庫(kù)和評(píng)價(jià)指標(biāo)

e-ophtha EX數(shù)據(jù)庫(kù)是2013年國(guó)際上公開(kāi)的專(zhuān)門(mén)用于糖網(wǎng)滲出物研究的彩色眼底圖像數(shù)據(jù)庫(kù)，圖像數(shù)據(jù)來(lái)源于法國(guó)國(guó)家科研署資助的遠(yuǎn)程DR篩查項(xiàng)目OPHDIAT[17]中建立的e-ophtha數(shù)據(jù)庫(kù)，病變圖像的標(biāo)注結(jié)果則是在TeleOphta[18]項(xiàng)目中由ADCIS研發(fā)的標(biāo)注軟件結(jié)合眼科專(zhuān)家的修改意見(jiàn)共同標(biāo)注完成。它包含82張眼底圖像(包括四種不同的尺寸：1 440 pixels′960 pixels, 1 504 pixels′1 000 pixels, 2 048 pixels′1360 pixels, 2 544 pixels′1 696 pixels)，其中有47張病變圖象和35張正常圖像。和其它幾種眼底圖像數(shù)據(jù)庫(kù)如DIARETDB1、Messidor和HEI-MED數(shù)據(jù)庫(kù)相比，e-ophtha EX給出了更為精確的滲出物標(biāo)注輪廓，可作為滲出物檢測(cè)結(jié)果的評(píng)價(jià)標(biāo)準(zhǔn)[8]。

對(duì)于每張眼底圖像，以數(shù)據(jù)庫(kù)給出的病變標(biāo)注結(jié)果為參考，本文方法檢測(cè)出的相同或不同的區(qū)域分別稱(chēng)為真陽(yáng)性()和假陰性()，同理以正常的區(qū)域?yàn)閰⒖?，檢測(cè)出的相同或不同的區(qū)域分別稱(chēng)為真陰性()和假陽(yáng)性()。基于此，分別有以下四個(gè)評(píng)價(jià)參數(shù)：

對(duì)糖網(wǎng)滲出物檢測(cè)方法性能的評(píng)價(jià)標(biāo)準(zhǔn)主要有基于病灶水平和基于圖像水平。其中，基于病灶水平的評(píng)價(jià)標(biāo)準(zhǔn)側(cè)重于判斷每一幅圖像中檢測(cè)出的區(qū)域是否為滲出物，選用區(qū)分度較高的靈敏度(E)和陽(yáng)性預(yù)測(cè)值(V)這兩個(gè)參數(shù)。而基于圖像水平側(cè)重于判斷圖像是否含有滲出物，選用靈敏度(E)、特異性(P)和準(zhǔn)確率(C)這三個(gè)參數(shù)。

2.2 實(shí)驗(yàn)結(jié)果分析

本文實(shí)驗(yàn)是在Windows XP、編程環(huán)境為Matlab R2010b、CPU主頻為2.10 GHz以及4 GB內(nèi)存條件下進(jìn)行的。圖8為三幅具有代表性的眼底圖像的滲出物檢測(cè)結(jié)果(藍(lán)色區(qū)域)與專(zhuān)家標(biāo)注輪廓(綠色區(qū)域)的對(duì)比，由結(jié)果來(lái)看，無(wú)論是對(duì)滲出物較多且明顯的眼底圖像(圖8第一行)、滲出物較少且不易分辨的眼底圖像(圖8第二行)，或是光學(xué)器件反射區(qū)域較多的眼底圖像(圖8第三行)，本文的方法都能檢測(cè)出滲出物的區(qū)域。

圖8 不同眼底圖像檢測(cè)結(jié)果

將本方法與其它方法的檢測(cè)結(jié)果進(jìn)行對(duì)比，如表2所示。其中文獻(xiàn)[9]、[10]和[11]主要運(yùn)用數(shù)學(xué)形態(tài)學(xué)的方法，文獻(xiàn)[5]和[7]則分別用了聚類(lèi)和機(jī)器學(xué)習(xí)的方法。可見(jiàn)在病灶水平，本文方法在保證靈敏度的前提下取得了最高的陽(yáng)性預(yù)測(cè)值，這是由于在形態(tài)學(xué)膨脹重建檢測(cè)滲出物精確輪廓這一步驟中使用多尺度頂帽增強(qiáng)后的圖像作為掩膜圖像來(lái)約束重建過(guò)程，從而使檢測(cè)出的病灶包含了更多的滲出物細(xì)節(jié)；而本文方法的靈敏度略低于文獻(xiàn)[9]和文獻(xiàn)[11]，主要原因是某些眼底圖像中視神經(jīng)纖維區(qū)域面積較大且亮度較高，導(dǎo)致出現(xiàn)了少量的誤檢使得假陽(yáng)性區(qū)域相對(duì)略有增加，但其靈敏度仍高于其它四種方法且大于英國(guó)糖尿病協(xié)會(huì)提出的靈敏度最低80%的病灶篩查標(biāo)準(zhǔn)。在圖像水平上則取得了較高的靈敏度和準(zhǔn)確率，其中47張病變圖像全部檢測(cè)出滲出物，35張正常圖像中只有4張檢測(cè)錯(cuò)誤。綜合來(lái)看，本文改進(jìn)了基于數(shù)學(xué)形態(tài)學(xué)的糖網(wǎng)滲出物檢測(cè)方法，并在圖像預(yù)處理和視盤(pán)等干擾區(qū)域的檢測(cè)中引入了新方法，取得了較好的結(jié)果。雖然存在對(duì)小部分視神經(jīng)纖維區(qū)域的誤檢，但結(jié)果都在容忍度之內(nèi)，而且在后續(xù)的研究中，本課題將更加深入地分析如何有效地去除這些區(qū)域，以進(jìn)一步提升檢測(cè)精度。

表2 本方法與其它糖網(wǎng)滲出物檢測(cè)方法的比較

3 結(jié) 論

本文提出了一種改進(jìn)的基于數(shù)學(xué)形態(tài)學(xué)的糖網(wǎng)滲出物的自動(dòng)檢測(cè)方法，主要對(duì)眼底圖像的預(yù)處理和視盤(pán)等干擾區(qū)域的檢測(cè)進(jìn)行了優(yōu)化。其中預(yù)處理階段引入了多尺度頂帽變換方法進(jìn)行圖像增強(qiáng)并把結(jié)果應(yīng)用到形態(tài)學(xué)重建檢測(cè)滲出物這一步驟中，使得檢測(cè)結(jié)果中包含更多的滲出物細(xì)節(jié)，其次本文詳細(xì)分析并采用新方法移除了影響滲出物檢測(cè)的視盤(pán)、邊界和光學(xué)器件的反射亮斑等干擾區(qū)域，在候選區(qū)域中減少了更多的偽目標(biāo)，尤其是提出的綜合眼底圖像的邊緣信息和亮度信息的視盤(pán)定位方法高效準(zhǔn)確，極大地提高了滲出物自動(dòng)檢測(cè)的效率。采用公開(kāi)的e-ophtha EX眼底圖像數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，說(shuō)明本方法具有較高的可行性和優(yōu)越性。

[1] 任彥新，衛(wèi)玉彩. 糖尿病視網(wǎng)膜病變發(fā)病機(jī)制和治療的研究進(jìn)展[J]. 臨床薈萃，2006，21(17)：1285-1287.

REN Yanxin，WEI Yucai. Research progress in the pathogenesis and therapy of diabetic retinopathy [J].Clinical Focus，2006，21(17)：1285-1287.

[2] 陳喆，張士勝，朱惠敏. 糖尿病視網(wǎng)膜病變的國(guó)際臨床分類(lèi)分析[J]. 國(guó)際眼科雜志，2011，11(8)：1394-1401.

CHEN Zhe，ZHANG Shisheng，ZHU Huimin. Analysis of international clinical diabetic retinopathy disease severity scale [J]. International Eye Science，2011，11(8)：1394-1401.

[3] Yazid H，Arof H，Isa H M. Exudates segmentation using inverse surface adaptive thresholding [J]. Measurement(S0263-2241)，2012，45(6)：1599-1608.

[4] LI Huiqi，Chutatape O. Automated feature extraction in color retinal images by a model based approach [J]. IEEE Transactions on Biomedical Engineering(S0018-9294)，2004，51(2)：246-254.

[5] Osareh A，Mirmehdi M，Thomas B，. Automatic recognition of exudative maculopathy using fuzzy c-means clustering and neural networks [C]// Medical Image Understanding and Analysis，Birmingham，London，Jul 16-17，2001，3：49-52.

[6] JayaKumari C，Maruthi R. Detection of hard exudates in color fundus images of the human retina [J]. Procedia Engineering(S1877-7058)，2012，30：297-302.

[7] García M，Sánchez C I，López M I，. Neural network based detection of hard exudates in retinal images [J]. Computer Methods and Programs in Biomedicine(S0169-2607)，2009，93(1)：9-19.

[8] ZHANG Xiwei，Thibault G，Decencière E，. Exudate detection in color retinal images for mass screening of diabetic retinopathy [J]. Medical Image Analysis(S1361-8415)，2014，18(7)：1026-1043.

[9] Walter T，Klein J C，Massin P，. A contribution of image processing to the diagnosis of diabetic retinopathy-detection of exudates in color fundus images of the human retina [J]. IEEE Transactions on Medical Imaging(S0278-0062)，2002，21(10)：1236-1243.

[10] Sopharak A，Uyyanonvara B，Barman S，. Automatic detection of diabetic retinopathy exudates from non-dilated retinal images using mathematical morphology methods [J]. Computerized Medical Imaging and Graphics(S0895-6111)，2008，32(8)：720-727.

[11] Amel F，Mohammed M，Abdelhafid B. Improvement of the hard exudates detection method used for computer-aided diagnosis of diabetic retinopathy [J]. International Journal of Image Graphics and Signal Processing(S2074-9074)，2012，4(4)：19.

[12] BAI Xiangzhi，ZHOU Fugen，XUE Bindang. Image enhancement using multi scale image features extracted by top-hat transform [J]. Optics & Laser Technology(S0030-3992)，2012，44(2)：328-336.

[13]Mahfouz A E，F(xiàn)ahmy A S. Fast localization of the optic disc using projection of image features [J]. IEEE Transactions on Image Processing(S1057-7149)，2010，19(12)：3285-3289.

[14] 趙圓圓，張東波，劉茂. 采用局部搜索的快速視盤(pán)檢測(cè)方法[J]. 光電工程，2014，41(3)：28-34.

ZHAO Yuanyuan，ZHANG Dongbo，LIU Mao.Fast Optic Disc Detection by Local Searching [J]. Opto-Electronic Engineering，2014，41(3)：28-34.

[15] Chan T F，Vese L A. Active contours without edges [J]. IEEE Transactions on Image Processing(S1057-7149)，2001，10(2)：266-277.

[16] Lalonde M，Beaulieu M，Gagnon L. Fast and robust optic disc detection using pyramidal decomposition and Hausdorff-based template matching [J]. IEEE Transactions on Medical Imaging(S0278-0062)，2001，20(11)：1193-1200.

[17] Massin P，Chabouis A，Erginay A，. OPHDIAT?: A telemedical network screening system for diabetic retinopathy in the ?le-de-France [J]. Diabetes & metabolism(S0338-1684)，2008，34(3)：227-234.

[18] Decencière E，Cazuguel G，ZHANG Xiwei，. TeleOphta: Machine learning and image processing methods for teleophthalmology [J]. IRBM(S1959-0318)，2013，34(2)：196-203.

Automated Detection of Diabetic Retinopathy Exudates in Color Fundus Images

Lü Wei，ZHAI Qingwei， CHU Jinghui，LI Zhe

( School of Electronic Information Engineering, Tianjin University, Tianjin 300072, China)

The automated detection of diabetic retinopathy exudates has great importance for early diagnosis of diabetic retinopathy. Aiming to reduce the residual error caused by ineffective image enhancement and the false detection caused by incomplete removal of interference regions existing in common morphology-based exudates detection methods, an automated method based on mathematical morphology is proposed, which mainly improves the preprocessing of fundus images and the detection of interference regions like optic disc. In the image preprocessing step, the proposed method corrects the brightness of the image in the HSV color space, and then adopts multi-scale top-hat transform to enhance the image. Afterwards, a novel method is used to localize the center of optic disc according to the edge and brightness characteristics of image, and then the optic disc region is segmented by Chan-Vese level set model. Furthermore, other interference regions including bright border and optical artifacts reflection are detected and removed. Finally, the exudates are precisely segmented by background estimation and morphological reconstruction. From the testing results on the new public dataset of e-ophtha EX, the proposed method achieves sensitivity of 91.7% , specificity of 94.6% on the exudate level and sensitivity of 100%, specificity of 88.6% and accuracy of 95.1% on the image level.

diabetic retinopathy exudates; image preprocessing; interference regions; mathematical morphology

1003-501X(2016)12-0183-10

TN911.73

A

10.3969/j.issn.1003-501X.2016.12.028

2016-06-06；

2016-10-09

國(guó)家自然科學(xué)基金資助項(xiàng)目(61271069)

呂衛(wèi)(1976-)，男(漢族)，江蘇常熟人。副教授，博士，主要研究工作是圖像處理與模式識(shí)別。E-mail: luwei@tju.edu.cn。

褚晶輝(1969-)，女(漢族)，天津人。副教授，博士，主要研究工作是數(shù)字視頻技術(shù)與模式識(shí)別。E-mail: cjh@tju.edu.cn。