基于眼底圖像層次特征的分類方法

余林芳 鄧伏虎 秦少威 秦志光

摘 要：針對(duì)眼底圖像中視網(wǎng)膜血管結(jié)構(gòu)的劃分問題，提出一種自適應(yīng)的廣度優(yōu)先搜索算法。首先，基于視網(wǎng)膜血管的結(jié)構(gòu)提出層次特征的概念并進(jìn)行特征提取;然后，對(duì)分割的視網(wǎng)膜血管進(jìn)行分析及處理，提取得到多個(gè)無向圖子圖;最后，使用自適應(yīng)的廣度優(yōu)先搜索算法對(duì)每個(gè)子圖中的層次特征進(jìn)行分類。視網(wǎng)膜血管結(jié)構(gòu)的劃分問題被轉(zhuǎn)化為層次特征的分類問題，通過對(duì)視網(wǎng)膜血管中的層次特征進(jìn)行分類，包含這些層次特征的視網(wǎng)膜血管段的層次結(jié)構(gòu)就可以被確定，從而實(shí)現(xiàn)視網(wǎng)膜血管結(jié)構(gòu)的劃分。該算法運(yùn)用于公開的眼底圖像數(shù)據(jù)庫時(shí)具有良好的性能。

關(guān)鍵詞：眼底圖像;層次特征;結(jié)構(gòu)劃分;血管分支;分類算法

中圖分類號(hào)：TP181

文獻(xiàn)標(biāo)志碼：A

Classification Method Based on Hierarchical Features of Fundus Images

YU Linfang， DENG Fuhu*， QIN Shaowei， QIN Zhiguang

College of Information and Software Engineering， University of Electronic Science and Technology of China， Chengdu Sichuan 610054， China

Abstract：

To solve the problem of retinal vascular structure division in fundus images， an adaptive breadth-first search algorithm was proposed. Firstly， based on the structure of retinal vessels， the concept of hierarchical features was proposed and feature extraction was carried out. Then， the segmented retinal vessels were analyzed and processed， and several undirected subgraphs were extracted. Finally， the adaptive breadth-first search algorithm was used to classify the hierarchical features in each subgraph. The division of retinal vascular structure was transformed into the classification of hierarchical features. By classifying the hierarchical features of retinal vessels， the hierarchical structures of retinal vascular segments containing these hierarchical features were able to be determined， thus realizing the division of retinal vascular structures. The algorithm has excellent performance when applied to public fundus image databases.

Key words：

fundus image; hierarchical feature; structure division; bifurcation; classification algorithm

0 引言

近年來，高血壓、腦血管硬化等心腦血管疾病的死亡率穩(wěn)步上升。這些疾病的臨床表現(xiàn)主要是從人體微循環(huán)系統(tǒng)和微脈管系統(tǒng)的改變開始的。身體中唯一可以直接觀察到的深層血管是視網(wǎng)膜血管，人體的某些疾病，如糖尿病、心腦血管疾病等，在一定程度上會(huì)引起患者的視網(wǎng)膜病變，而文獻(xiàn)[1]中也指出，視網(wǎng)膜病變的嚴(yán)重程度與該病情的病變位置是密切相關(guān)的。通常情況下，病變位置越靠近視盤區(qū)域，其病變的嚴(yán)重程度往往越高，在后續(xù)的治療及恢復(fù)方面也相對(duì)困難。視網(wǎng)膜血管的分布情況為這一類會(huì)在視網(wǎng)膜中出現(xiàn)病征的疾病的早期診斷提供了重要依據(jù)。在眼科的實(shí)際治療和診斷中，醫(yī)生經(jīng)常收集多個(gè)眼底圖像，并根據(jù)醫(yī)學(xué)鑒定和分析的指示提出更具針對(duì)性的治療。如果可以根據(jù)眼底圖像中視網(wǎng)膜的病變情況，在發(fā)病的早期診斷出疾病，那將會(huì)大幅度降低這一類疾病給人體帶來的危害。因此，如何在不進(jìn)行人工操作的情況下，自動(dòng)、準(zhǔn)確地分析和處理眼底圖像，并用有效的方法檢測疾病的嚴(yán)重程度成為一個(gè)有意義的課題。

針對(duì)眼底圖像處理和分析的研究，近年來主要集中在對(duì)視網(wǎng)膜血管的分割上。文獻(xiàn)[2]提出了一種精確分割視網(wǎng)膜血管的新框架，在該框架中，為了獲得更好的分割性能，使用一個(gè)全新的無限活動(dòng)輪廓模型來分割每個(gè)超像素中的血管。文獻(xiàn)[3]通過結(jié)合兩個(gè)高級(jí)分類器：卷積神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林，提出了一種有監(jiān)督的方法來解決視網(wǎng)膜血管的分割問題。文獻(xiàn)[4]提出了一種監(jiān)督分割技術(shù)，使用全局對(duì)比度歸一化、零相位白化、幾何變換增強(qiáng)以及伽馬校正對(duì)樣本進(jìn)行預(yù)處理，并使用深度神經(jīng)網(wǎng)絡(luò)對(duì)40萬個(gè)樣本的數(shù)據(jù)進(jìn)行訓(xùn)練，同時(shí)還考慮了該方法的幾種變體，包括結(jié)構(gòu)的預(yù)測。文獻(xiàn)[5]提出了一種無監(jiān)督的迭代血管分割算法，更精確地說，是一種新的終止迭代過程的停止準(zhǔn)則，從而提高了血管分割精度。文獻(xiàn)[6]將血管分割任務(wù)定義為多標(biāo)簽推理任務(wù)，利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)化預(yù)測的隱式優(yōu)勢(shì)來處理噪聲背景下血管形態(tài)的極端變化，其基于卷積神經(jīng)網(wǎng)絡(luò)的模型運(yùn)用于公共數(shù)據(jù)集時(shí)獲得了強(qiáng)大的性能。除此之外，在視網(wǎng)膜血管分割的研究基礎(chǔ)上，還進(jìn)行了一些針對(duì)血管標(biāo)志物的檢測研究。文獻(xiàn)[7]提出一種基于圖的血管標(biāo)志物的自動(dòng)分類方法，該方法具體包括3個(gè)步驟：從中心線圖像中生成血管圖;修改所提取的血管圖以減少誤差;將血管標(biāo)志物分類為分叉和交叉。文獻(xiàn)[8]提出使用方向分?jǐn)?shù)來檢測分叉和交叉。文獻(xiàn)[9-10]通過對(duì)視網(wǎng)膜血管分叉結(jié)構(gòu)的檢測，進(jìn)一步實(shí)現(xiàn)了眼底圖像的配準(zhǔn)。

現(xiàn)有的針對(duì)眼底圖像的研究大多集中在視網(wǎng)膜血管分割、標(biāo)志物檢測以及圖像配準(zhǔn)上，但對(duì)于視網(wǎng)膜血管結(jié)構(gòu)的劃分還處在萌芽階段。人體的某些疾病，如糖尿病等，在一定程度上會(huì)引起患者視網(wǎng)膜的病變，而視網(wǎng)膜病變的嚴(yán)重程度與其病變位置是密切相關(guān)的。通常情況下，病變位置越靠近視盤區(qū)域，其病變的嚴(yán)重程度往往越高。如果可以自動(dòng)化實(shí)現(xiàn)視網(wǎng)膜血管結(jié)構(gòu)的劃分，那么視網(wǎng)膜病變的嚴(yán)重程度將可以通過病變部位在視網(wǎng)膜血管中所處的位置來量化。這在計(jì)算機(jī)輔助診斷中具有重大意義，因此，如何自動(dòng)化實(shí)現(xiàn)眼底圖像中視網(wǎng)膜血管結(jié)構(gòu)的劃分成為一個(gè)有意義的話題。

綜合以上考慮，本文定義并提取了眼底圖像中視網(wǎng)膜血管的層次特征，即部分血管分叉點(diǎn)，同時(shí)提出了一種自適應(yīng)的廣度優(yōu)先搜索算法對(duì)層次特征進(jìn)行分類，將視網(wǎng)膜血管結(jié)構(gòu)的劃分問題轉(zhuǎn)化成血管中層次特征的分類問題。通過對(duì)血管中的層次特征進(jìn)行分類，從而確定包含這些層次特征的視網(wǎng)膜血管的層次結(jié)構(gòu)，實(shí)現(xiàn)對(duì)視網(wǎng)膜血管結(jié)構(gòu)的劃分。當(dāng)本文所提出的算法運(yùn)用于眼底圖像公開數(shù)據(jù)集時(shí)，具有良好的分類性能。

1 問題定義和數(shù)據(jù)說明

本文旨在通過對(duì)血管中的層次特征進(jìn)行分類，從而確定包含這些層次特征的視網(wǎng)膜血管段的層次結(jié)構(gòu)，實(shí)現(xiàn)對(duì)視網(wǎng)膜血管結(jié)構(gòu)的劃分。本文著重關(guān)注離視盤區(qū)域較近的那些層次特征，因?yàn)橐暰W(wǎng)膜病變部位離視盤越近，其病變的嚴(yán)重程度往往越高。層次特征的等級(jí)被定義為5個(gè)級(jí)別，分別是：高級(jí)、中高級(jí)、中級(jí)、中低級(jí)和低級(jí)，具體定義如表1所示。其中根節(jié)點(diǎn)指的是視網(wǎng)膜血管與視盤邊界的交點(diǎn)。

在針對(duì)眼底圖像的研究領(lǐng)域中，用于血管提取的數(shù)字視網(wǎng)膜圖像（Digital Retinal Images for Vessel Extraction， DRIVE）數(shù)據(jù)庫和視網(wǎng)膜結(jié)構(gòu)分析（STructured Analysis of the REtina， STARE）圖像數(shù)據(jù)庫得到了廣泛的運(yùn)用。

DRIVE數(shù)據(jù)庫是Niemeijer 團(tuán)隊(duì)在2004年根據(jù)荷蘭糖尿病視網(wǎng)膜病變篩查工作建立的彩色眼底圖庫[11-12]，由40張視網(wǎng)膜眼底圖像構(gòu)成，其中7張是病理圖像，其余33張是正常的圖像，圖像分辨率為768×584。該數(shù)據(jù)庫中的圖像被分為訓(xùn)練集和測試集兩組，每組有20張圖像，且每幅圖像對(duì)應(yīng)兩個(gè)專家的手工分割結(jié)果。本文使用第一個(gè)專家的分割結(jié)果作為標(biāo)準(zhǔn)參考圖像，圖1展示了訓(xùn)練圖像與其手工分割的示例。

STARE數(shù)據(jù)庫[13]是由加州大學(xué)圣地亞哥分校的醫(yī)學(xué)博士Goldbaum及其團(tuán)隊(duì)建立的。本文采用了其中20張眼底圖像進(jìn)行實(shí)驗(yàn)，包括10張病理圖像和10張健康圖像。圖像分辨率為605×700。該數(shù)據(jù)庫提供了兩位專家的手工分割結(jié)果，本文在進(jìn)行性能評(píng)估時(shí)使用第一位專家的結(jié)果作為參考。圖2展示了一張病理圖像與其手工分割的示例。

由于現(xiàn)有的公開數(shù)據(jù)庫中沒有基于血管標(biāo)志物及層次特征類別的標(biāo)簽圖像，在實(shí)驗(yàn)前本研究針對(duì)這一部分進(jìn)行了手工標(biāo)注。在眼底圖像中，視網(wǎng)膜血管匯聚于視盤中心，因此，視盤區(qū)域內(nèi)的血管結(jié)構(gòu)復(fù)雜多變，從中獲取的信息可能會(huì)不準(zhǔn)確。為了解決這一問題，本文引入松弛數(shù)字弧這一概念來去除視盤區(qū)域的信息[14]。如圖3所示，血管標(biāo)志物被分為分叉點(diǎn)和交叉點(diǎn)，分別被標(biāo)注為實(shí)心圓和空心圓，其中，不同形狀的標(biāo)記代表不同層次特征的類別，從高級(jí)到低級(jí)分別對(duì)應(yīng)：十字形、V形、三角形、四角星、五角星。

2 方法說明

2.1 視網(wǎng)膜血管的分割

現(xiàn)有的針對(duì)視網(wǎng)膜血管的分割技術(shù)已經(jīng)相對(duì)成熟，考慮到實(shí)際運(yùn)用中的時(shí)間成本以及硬件條件，本文將回歸傳統(tǒng)的機(jī)器學(xué)習(xí)來進(jìn)行分割實(shí)驗(yàn)，并基于眼底圖像的融合相位特征[15]進(jìn)行視網(wǎng)膜血管的分割。

在分割實(shí)驗(yàn)中，本文方法首先提取出眼底圖像的綠色分量圖并對(duì)其進(jìn)行濾波處理;接著，提取預(yù)處理后圖像中像素點(diǎn)的四維特征向量，具體包括相位特征、加伯Gabor變換（Gabor transform）、黑塞Hessian矩陣（Hessian Matrix）以及移位濾波器響應(yīng)組合濾波（Bar-Combination Of Shifted FIlter REsponses， B-COSFIRE）;然后，采用支持向量機(jī)（Support Vector Machine，SVM）進(jìn)行像素點(diǎn)的分類;最后，采用連通域度量的方法去除掉孤立噪聲點(diǎn)。圖4展示了DRIVE數(shù)據(jù)庫中其中一張眼底圖像的視網(wǎng)膜血管分割結(jié)果，從左到右依次為原圖、手工分割圖像以及采用本文方法獲得的視網(wǎng)膜血管分割圖像。從圖中不難看出，本文實(shí)驗(yàn)中所采用的血管分割方法，較大程度上保留了血管結(jié)構(gòu)的完整性，在血管末端的分割上稍顯不足，但這并不會(huì)嚴(yán)重影響后續(xù)實(shí)驗(yàn)的實(shí)驗(yàn)結(jié)果，因?yàn)楸狙芯繉?duì)于視網(wǎng)膜血管層次結(jié)構(gòu)的劃分僅限于離視盤區(qū)域較近的那些血管而并非末端血管。

2.2 分割血管的處理及分析

本研究采用分割后的血管圖像進(jìn)行后續(xù)實(shí)驗(yàn)。分割后的血管需要進(jìn)行處理并轉(zhuǎn)化成多個(gè)血管樹，且這些血管樹的根節(jié)點(diǎn)均勻分布在視盤周圍。具體步驟如下：

1）生成初始無向圖。生成初始無向圖之前，需要先提取視網(wǎng)膜血管的中心線，文獻(xiàn)[16]中提出的一種改進(jìn)的快速并行細(xì)化算法被用作血管中心線的提取。圖5（a）為使用該算法獲得的視網(wǎng)膜血管的中心線，該算法通過去除血管邊界像素以實(shí)現(xiàn)連續(xù)細(xì)化的效果，從而獲得單像素寬的血管圖。在該單像素血管圖中，擁有超過2個(gè)鄰接像素的血管點(diǎn)被定義為無向圖的節(jié)點(diǎn);僅有一個(gè)鄰接像素的血管點(diǎn)被定義為無向圖的端點(diǎn);這些節(jié)點(diǎn)和端點(diǎn)之間的血管段被定義為鏈接，用于鄰接關(guān)系的表示。由此，單像素的血管圖被轉(zhuǎn)化成初始無向圖，如圖5（b）所示。

2）修正初始無向圖。血管中心線的提取在血管分叉和交叉處容易出錯(cuò)，導(dǎo)致初始的無向圖在節(jié)點(diǎn)和連接處會(huì)產(chǎn)生一些邏輯錯(cuò)誤。文獻(xiàn)[17]描述了典型的兩種錯(cuò)誤：①節(jié)點(diǎn)分裂，在交叉點(diǎn)位置一個(gè)節(jié)點(diǎn)分裂成兩個(gè)（圖6（b））;②錯(cuò)誤鏈接，兩個(gè)緊挨的節(jié)點(diǎn)之間存在虛假鏈接（圖6（e））。因此，本研究需要對(duì)圖的結(jié)構(gòu)進(jìn)行修正以增強(qiáng)圖的結(jié)構(gòu)。如文獻(xiàn)[17]所介紹的方法，本文方法定義兩個(gè)閾值Tns和Tfl，當(dāng)兩個(gè)節(jié)點(diǎn)（ni和nj）之間的距離滿足條件dij

Tns=1sin（α）（d21+d22+2d1d2cos（α））12（1）

d1=max（Wli1，Wlj2）（2）

d2=max（Wli2，Wlj1）（3）

α=min（∠li1li2，∠lj1lj2）（4）

Tfl=max（Wlipsin（∠lipli3））+max（Wljqsin（∠ljqlj3））（5）

3）分割修正后的無向圖。修正后的無向圖結(jié)構(gòu)復(fù)雜，具有較多的環(huán)形結(jié)構(gòu)，不利于后續(xù)對(duì)血管層次結(jié)構(gòu)的劃分。因此，本研究在眼科專家的指導(dǎo)下，按照?qǐng)D5（c）中虛線所示進(jìn)行分割，將修正后的無向圖分割成多個(gè)子圖，其中不同線條的子圖對(duì)應(yīng)一棵血管樹，如圖5（d）所示。

本文中使用到的圖形符號(hào)表示如表2所示，圖中節(jié)點(diǎn)與節(jié)點(diǎn)之間的連線被看作一條鏈接，節(jié)點(diǎn)的度就是鏈接的數(shù)量，也就是該節(jié)點(diǎn)的鄰居節(jié)點(diǎn)的數(shù)量。同一節(jié)點(diǎn)的不同鏈接之間小于180°的角被定義為兩條鏈接之間的夾角。每條鏈接的血管口徑值是相應(yīng)血管段的平均口徑。

2.3 血管結(jié)構(gòu)層次劃分

在本文中，眼部疾病嚴(yán)重程度的判定問題被轉(zhuǎn)化成血管中層次特征的分類問題。如第1章中提到的，層次特征，即分叉點(diǎn)的等級(jí)被分為5類：高級(jí)、中高級(jí)、中級(jí)、中低級(jí)和低級(jí)。為解決層次特征的分類問題，本文提出了一種自適應(yīng)的廣度優(yōu)先搜索（Adaptive Breadth-First Search， ABFS）算法。

對(duì)于每一個(gè)單獨(dú)子圖gi∈G，本文算法采用廣度優(yōu)先搜索對(duì)其所有節(jié)點(diǎn)進(jìn)行遍歷。值得注意的是，遍歷的起始點(diǎn)不是隨機(jī)的。本文算法將分布在視盤周圍，離視盤最近的那些端點(diǎn)作為每個(gè)子圖遍歷的起始點(diǎn)，由頂點(diǎn)集合V={v1，v2，…}表示。這樣在很大程度上保證了遍歷的方向是沿血管形態(tài)學(xué)方向進(jìn)行的。變量visited用于標(biāo)記節(jié)點(diǎn)的訪問情況，當(dāng)節(jié)點(diǎn)已被訪問時(shí)，它將被標(biāo)記為訪問狀態(tài)visited=1，并插入到輔助隊(duì)列Q中。隨后，隊(duì)列Q中的節(jié)點(diǎn)將會(huì)被依次刪除并訪問它們的鄰居節(jié)點(diǎn)wi∈W，變量Count用于記錄鄰居節(jié)點(diǎn)的個(gè)數(shù)。對(duì)于將被訪問的鄰居節(jié)點(diǎn)，有兩種可能的情況：1）鄰居節(jié)點(diǎn)是分叉點(diǎn)，這些節(jié)點(diǎn)在被訪問和標(biāo)記之后，將被插入到隊(duì)列Q中并繼續(xù)搜索它們的鄰居節(jié)點(diǎn);2）鄰居節(jié)點(diǎn)是交叉點(diǎn)，這些節(jié)點(diǎn)在血管網(wǎng)絡(luò)的層次劃分問題中屬于干擾節(jié)點(diǎn)，因此本文算法跳過這些交叉點(diǎn)并尋找下一個(gè)鄰居節(jié)點(diǎn)進(jìn)行訪問。最后，所有被訪問過的節(jié)點(diǎn)按訪問順序被存儲(chǔ)在數(shù)組Access_Sequence中， 數(shù)組Hierarchical_Label用于存儲(chǔ)相關(guān)的層次特征分類標(biāo)簽。算法1描述了血管分叉點(diǎn)層次特征分類的具體過程。

算法1 自適應(yīng)的廣度優(yōu)先搜索算法（Adaptive Breadth-First Search Algorithm）。

輸入：Separated Subgraph;

輸出：Classification of Hierarchical Features。

程序前

Initialization：visited[n] =0， Acces_Sequence [n]=0，

Hierarchical_Label [n] =0，

for i=1 to M do{

if ！visited[vi] then{

visit（vi）; visited[vi]=1;

Enqueue（Q， vi）;}

while ！isEmpty（Q） do{

Count=0;

Dequeue（Q， head）;

for w=First_Neighbor（g， head）;

w≥0; w=Next_Neighbor（g， head） do{

if ！visited[w] then{

if w=bifurcation then{

visit（w）; visited[w]=1;

Enqueue（Q， w）; Acces_Sequence ← w;}

Else{

w=Next_Neighbor（g， w）;

visit（w）; visited[w]=1;

Enqueue（Q，w）; Acces_Sequence ← w;}

}

++Count

}

Hierarchical_Label ← Count;

}

}

程序后

3 實(shí)驗(yàn)結(jié)果

3.1 評(píng)價(jià)指標(biāo)

本文中采用準(zhǔn)確率（Acc）、精確率（Pre）、靈敏度（Sens）

和特異性（Spec）作為評(píng)價(jià)指標(biāo)來評(píng)估本文算法的性能。公式定義如下：

Pre=TPTP+FP（6）

Sens=TPTP+FN（7）

Spec=TNTN+FP（8）

Acc=TP+TNTP+TN+FP+FN（9）

其中：TP、TN、FP、FN分別表示真陽性率、真陰性率、假陽性率和假陰性率。

3.2 實(shí)驗(yàn)

本研究對(duì)DRIVE和STARE兩個(gè)公開數(shù)據(jù)庫中眼底血管的交叉點(diǎn)、分叉點(diǎn)以及分叉點(diǎn)的層次特征進(jìn)行了統(tǒng)計(jì)，表3展示了兩個(gè)數(shù)據(jù)庫中各自5張眼底圖像的統(tǒng)計(jì)結(jié)果，其中第2到6行為DRIVE數(shù)據(jù)庫的統(tǒng)計(jì)結(jié)果，第7到11行為STARE數(shù)據(jù)庫的統(tǒng)計(jì)結(jié)果。從表3中可以看出，DRIVE數(shù)據(jù)庫中眼底圖像的分叉及交叉點(diǎn)明顯多于STARE數(shù)據(jù)庫，此外，5類層次特征的總數(shù)約占所有分叉點(diǎn)總數(shù)的1/2，在眼底圖像中，其分布也覆蓋了眼底圖像的絕大部分面積。由此可見，這5類層次特征的分類在對(duì)視網(wǎng)膜血管的結(jié)構(gòu)劃分問題上具有重要意義。

在血管分叉點(diǎn)的層次特征分類實(shí)驗(yàn)中，分離后的每個(gè)子圖被看作一棵樹，從起始點(diǎn)開始對(duì)節(jié)點(diǎn)進(jìn)行有條件的遍歷。表4 是使用本文提出的自適應(yīng)廣度優(yōu)先搜索算法所獲得的層次特征的分類結(jié)果。第2到6行和第8到12行分別是兩個(gè)數(shù)據(jù)庫中不同層次特征的分類結(jié)果，

不難看出，本文所提出的算法在對(duì)高級(jí)和中高級(jí)層次特征進(jìn)行分類時(shí)獲得了較好的性能。越遠(yuǎn)離視盤區(qū)域，層次特征的分類性能逐漸下降，這是由于較低級(jí)層次特征的分類結(jié)果會(huì)受到較高級(jí)特征的影響，較高級(jí)層次特征的分類錯(cuò)誤會(huì)延續(xù)到較低層次特征。從兩個(gè)數(shù)據(jù)庫的分類結(jié)果對(duì)比來看，DRIVE數(shù)據(jù)庫的分類結(jié)果相對(duì)穩(wěn)定，經(jīng)分析，這可能是由于STARE數(shù)據(jù)庫中眼底圖像的分叉點(diǎn)較少所引起的。第7行和第13行兩個(gè)數(shù)據(jù)庫的最后一行分別是兩個(gè)數(shù)據(jù)庫五類層次特征的整體分類結(jié)果，具有良好的分類性能，其準(zhǔn)確率在DRIVE和STARE兩個(gè)數(shù)據(jù)庫中分別達(dá)到了95.27%和93.42%。由于在已知的針對(duì)眼底圖像的研究中，暫時(shí)還沒有關(guān)于視網(wǎng)膜血管結(jié)構(gòu)劃分的研究成果，因此，本文中的實(shí)驗(yàn)結(jié)果無法與其他研究成果進(jìn)行比較。

4 結(jié)語

本文提出了一種基于眼底圖像中視網(wǎng)膜血管層次特征的分類方法，將視網(wǎng)膜血管結(jié)構(gòu)的劃分問題轉(zhuǎn)化為層次特征的分類問題，并提出了一種自適應(yīng)的廣度優(yōu)先搜索算法。通過對(duì)層次特征進(jìn)行分類，包含這些層次特征的視網(wǎng)膜血管段的層次結(jié)構(gòu)就可以被確定，從而實(shí)現(xiàn)視網(wǎng)膜血管結(jié)構(gòu)的劃分。該分類方法主要包含4個(gè)步驟：1） 從分割的血管中提取中心線，并生成初始無向圖; 2） 修正初始無向圖中的邏輯錯(cuò)誤，增強(qiáng)圖的結(jié)構(gòu);3） 將修正后的無向圖進(jìn)一步分割，得到多個(gè)擁有樹結(jié)構(gòu)的子圖;4）使用自適應(yīng)的廣度優(yōu)先搜索算法對(duì)子圖中的層次特征（分叉點(diǎn)）進(jìn)行等級(jí)分類。本文基于手工標(biāo)注的層次特征的分類數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，其結(jié)果顯示本文的方法對(duì)層次特征的分類預(yù)測能夠取得良好的分類效果。具體來說，在DRIVE和STARE兩個(gè)數(shù)據(jù)庫中可以分別達(dá)到95.27%和93.42%。當(dāng)然，未來可對(duì)已提出的算法進(jìn)行改進(jìn)，設(shè)置更多的遍歷條件，如通過對(duì)血管方向、角度的選擇等進(jìn)行更多實(shí)驗(yàn)以求達(dá)到更好的實(shí)驗(yàn)效果。

參考文獻(xiàn)

[1]HUGHES A D， FALASCHETTI E， WITT N， et al. Association of retinopathy and retinal microvascular abnormalities with stroke and cerebrovascular disease [J]. Stroke， 2016， 47（11）： 2862-2864.

[2]ZHAO Y， ZHAO J， YANG J， et al. Saliency driven vasculature segmentation with infinite perimeter active contour model [J]. Neurocomputing， 2017， 259： 201-209.

[3]WANG S， YIN Y， CAO G， et al. Hierarchical retinal blood vessel segmentation based on feature and ensemble learning [J]. Neurocomputing， 2015， 149（PB）： 708-717.

[4]LISKOWSKI P， KRAWIEC K. Segmenting retinal blood vessels with deep neural networks [J]. IEEE Transactions on Medical Imaging， 2016， 35（11）： 2369-2380.

[5]ROYCHOWDHURY S， KOOZEKANANI D D， PARHI K K. Iterative vessel segmentation of fundus images [J]. IEEE Transactions on Biomedical Engineering， 2015， 62（7）：1738-1749.

[6]DASGUPTA A， SINGH S. A fully convolutional neural network based structured prediction approach towards the retinal vessel segmentation [C]// Proceedings of? the IEEE 14th International Symposium on Biomedical Imaging. Piscataway， NJ： IEEE， 2017： 248-251.

[7]GHANAEI Z， POURREZA H， BANAEE T. Automatic graph-based method for classification of retinal vascular bifurcations and crossovers [C]// Proceedings of? the 2016 International Conference on Computer and Knowledge Engineering. Piscataway， NJ： IEEE， 2016： 229-234.

[8]ABBASI-SURESHJANI S， SMIT-OCKELOEN I， BEKKERS E， et al. Automatic detection of vascular bifurcations and crossings in retinal images using orientation scores [C]// Proceedings of the 2016 IEEE 13th International Symposium on Biomedical Imaging. Piscataway， NJ： IEEE， 2016： 189-192.

[9]CHEN L， HUANG X， TIAN J. Retinal image registration using topological vascular tree segmentation and bifurcation structures [J]. Biomedical Signal Processing and Control， 2015， 16： 22-31.

[10]PATANKAR S S， KULKARNI J V. Orthogonal moments for determining correspondence between vessel bifurcations for retinal image registration [J]. Computer Methods and Programs in Biomedicine， 2015， 119（3）： 121-141.

[11]STAAL J， M.D. ABRAMOFF， NIEMEIJER M， et al. Ridge-based vessel segmentation in color images of the retina [J]. IEEE Transactions on Medical Imaging， 2004， 23（4）： 501-509.

[12]NIEMEIJER M， STAAL J， van GINNEKEN B，et al. Comparative study of retinal vessel segmentation methods on a new publicly available database [J]. Proceedings of SPIE - The International Society for Optical Engineering， 2004， 5370： 648-656.

[13]HOOVER A D， KOUZNETSOVA V， GOLDBAUM M. Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response [J]. IEEE Transactions on Medical Imaging， 2000， 19（3）： 203-210.

[14]DUTTA T， DUTTA N， BANDYOPADHYAY O. Retinal blood vessel segmentation and bifurcation point detection [C]// Proceedings of? the 2015 International Workshop on Combinatorial Image Analysis， LNCS 9448. Berlin： Springer， 2015： 261-275.

[15]李媛媛，蔡軼珩，高旭蓉.基于融合相位特征的視網(wǎng)膜血管分割算法[J].計(jì)算機(jī)應(yīng)用，2018，38（7）：2083-2088.（LI Y Y， CAI Y H， GAO X R. Retinal vessel segmentation algorithm based on hybrid phase feature [J]. Journal of Computer Applications， 2018， 38（7）： 2083-2088.）

[16]MU S， DU H， SU P， et al. A new improved fast parallel thinning algorithm [J]. Microelectronics and Computer， 2013， 30（1）：53-55.

[17]DASHTBOZORG B， MENDONCA A M， CAMPILHO A. An automatic graph-based approach for artery/vein classification in retinal images [J]. IEEE Transactions on Image Processing， 2014， 23（3）：1073-1083.

This work is partially supported by the National Natural Science Foundation of China （61672135）， the Sichuan Science and Technology Support Plan Program （2018GZ0236， 2017FZ0004）.

YU Linfang， born in 1992， Ph.D. candidate. Her research interests include big data processing， medical image processing， data mining.

DENG Fuhu， born in 1984， Ph.D.， lecturer. His research interests include information security， big data， network resource management.

QIN Shaowei， born in 1997. His research interests include machine learning， big data analysis.

QIN Zhiguang， born in 1956， Ph.D.， professor. His research interests include medical image processing， computer network， information security， cryptography， information management， intelligent traffic， electronic commerce， distribution and middleware.