劉俊濤，王素娟，，林曉明，劉祚時(shí)，譚儉輝，宋 丹

1.江西理工大學(xué) 機(jī)電工程學(xué)院，江西 贛州341000

2.廣東順德創(chuàng)新設(shè)計(jì)研究院，廣東 順德528311

3.廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣州510006

4.桂林理工大學(xué) 信息科學(xué)與工程學(xué)院，廣西 桂林541006

1 引言

最近三十年里，由于人們飲食習(xí)慣的變化和生活質(zhì)量的提高，全球成人中患有糖尿病的人數(shù)翻了一番，尤其在中低收入國家增長迅速。據(jù)世界衛(wèi)生組織預(yù)計(jì)，2030年后，在全球致死病因中糖尿病將排第七位[1]。對(duì)于長期患病的糖尿病患者，往往會(huì)由于血糖濃度的增高誘發(fā)各種糖尿病并發(fā)癥，其中比較嚴(yán)重的并發(fā)癥之一就是DR。在DR 患者的眼底圖像中常常會(huì)表現(xiàn)出一系列不同病癥，若患者在患病初期能夠通過眼底篩查及時(shí)發(fā)現(xiàn)，不僅可以挽救視功能，還能為其節(jié)省大量的財(cái)力物力。目前，一些國家想通過DR普查計(jì)劃在這些并發(fā)癥惡化之前鑒別出一些高?；颊卟⒍酱倨溥M(jìn)行早期治療[2]，但是此計(jì)劃常常伴隨人口基數(shù)大、醫(yī)療力量不足等問題。因此，利用計(jì)算機(jī)圖像處理技術(shù)可以輔助醫(yī)療人員對(duì)DR高效篩查和準(zhǔn)確診斷。

眼底圖像中滲出物的出現(xiàn)意味著DR 已經(jīng)進(jìn)入早期階段，滲出物的形態(tài)大小多呈邊界比較清晰明了的黃白色點(diǎn)片狀。當(dāng)出現(xiàn)形態(tài)不同、邊界模糊的灰白色片狀的滲出物時(shí)，意味著眼底動(dòng)脈處的血壓控制不佳，眼底神經(jīng)纖維出現(xiàn)了梗塞，即將進(jìn)入DR的下一個(gè)階段。因此，對(duì)眼底圖像的滲出物進(jìn)行檢測可以實(shí)現(xiàn)對(duì)DR的早期診斷[3]。

目前，很多學(xué)者對(duì)眼底圖像中的滲出物進(jìn)行了研究，大部分研究方法是交叉的，但主要分為四種方向。一是閾值方法，García M 等通過結(jié)合全局閾值和自適應(yīng)閾值實(shí)現(xiàn)滲出物的自動(dòng)識(shí)別[4]；Ege B M等提出一種基于灰度閾值的簡單滲出物檢測方法，通過結(jié)合其他分類器算法得到最終的滲出物區(qū)域[5]。二是數(shù)學(xué)形態(tài)學(xué)方法，Zhang等利用數(shù)學(xué)形態(tài)學(xué)的方法檢測出候選病灶區(qū)域，然后利用隨機(jī)森林算法得到精確的滲出物區(qū)域[6]；Imani E等利用形態(tài)學(xué)成分分析算法將病變結(jié)構(gòu)與正常視網(wǎng)膜結(jié)構(gòu)分開，然后用動(dòng)態(tài)閾值和數(shù)學(xué)形態(tài)學(xué)方法實(shí)現(xiàn)了滲出物區(qū)域的自動(dòng)分割[7]。三是背景估計(jì)方法，F(xiàn)u等開發(fā)了一種基于RPCA的變化檢測方法，此方法可以得到視網(wǎng)膜眼底圖像的縱向變化圖像，通過低秩分解將縱向變化圖像分為背景分量和前景分量，前景分量即為病變區(qū)域，該方法有效性強(qiáng)、診斷范圍廣泛[8]；Xiao等利用結(jié)合基于形態(tài)學(xué)的背景估計(jì)和kirsch 算子得出候選病灶區(qū)域，最后通過SVM 完成對(duì)滲出物的精確提取[9]；Sopharak等利用結(jié)合FCM聚類算法和基于形態(tài)學(xué)的背景估計(jì)實(shí)現(xiàn)了對(duì)滲出物的自動(dòng)檢測[10]。四是機(jī)器學(xué)習(xí)方法，Hashim 等利用基于紋理特征結(jié)合支持向量機(jī)（Support Vector Machines，SVM）和多層感知器（Multilayer Perceptron，MLP）的方法實(shí)現(xiàn)了對(duì)滲出物的分割[11]；Fraz 等利用面積、亮度均值等作為特征，利用決策樹分類器實(shí)現(xiàn)了對(duì)硬性滲出物的分類和檢測[12]；Prenta?i? 等使用一種傳統(tǒng)深度卷積網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)視網(wǎng)膜圖像中滲出液的檢測[13]；Gwenolé等提出用ConvNets將視網(wǎng)膜眼底圖像中的病灶區(qū)域生成熱力圖，接著再實(shí)現(xiàn)對(duì)不同病變特征的分類和分割[14]。

由上述文獻(xiàn)分析可見，閾值方法極易受圖片質(zhì)量的影響，單一的閾值處理很難實(shí)現(xiàn)對(duì)滲出物的精確提取；數(shù)學(xué)形態(tài)學(xué)方法雖然計(jì)算簡單高效，但其實(shí)現(xiàn)過程極易遭受噪聲的影響，魯棒性不強(qiáng)；背景估計(jì)方法容易受到眼底圖像中個(gè)性化區(qū)域的影響將一些眼底正常區(qū)域誤分割為病灶區(qū)域；而機(jī)器學(xué)習(xí)的方法對(duì)特征的選擇和硬件設(shè)備的好壞極為敏感。對(duì)文獻(xiàn)[15-17]的分析發(fā)現(xiàn)，上述文獻(xiàn)都是利用FCM 算法得到包含偽病灶的候選病灶區(qū)域，然后利用分類器從中篩選出精確的滲出物區(qū)域，而分類器的設(shè)計(jì)和相關(guān)特征的選取過程通常十分復(fù)雜。文獻(xiàn)[18]中提到FCM 能夠有效解決醫(yī)學(xué)圖像上普遍存在的模糊問題。基于此，本文提出了一種結(jié)合FCM 和邊緣感知模型的眼底滲出物檢測方法，主要通過判斷由FCM 得到的候選滲出液區(qū)域與其鄰域灰度差異是否滿足視覺模型相關(guān)參數(shù)條件從而篩選出真實(shí)的病灶區(qū)域，避免了分類器設(shè)計(jì)和特征選取的復(fù)雜度。整個(gè)算法過程如圖1 所示，首先對(duì)眼底圖像進(jìn)行亮度校正、對(duì)比度受限自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）和陰影修正得到對(duì)比度增強(qiáng)和光照均衡的圖像，然后通過FCM 得到滲出物的候選目標(biāo)，最后利用邊緣感知模型和移除視盤獲得真正的滲出物區(qū)域。

圖1 檢測滲出物的算法流程圖

2 候選滲出物的提取

2.1 預(yù)處理

由于原始眼底圖像存在光照不均和對(duì)比度不強(qiáng)的問題，為了后續(xù)處理過程能夠得到比較完整的候選區(qū)域，有必要對(duì)圖像進(jìn)行一系列預(yù)處理以增強(qiáng)對(duì)比度和均衡光照，大體的預(yù)處理過程如下：

為了提高算法效率，將圖像大小統(tǒng)一調(diào)整為963×712。

步驟1 對(duì)像素點(diǎn)(i,j)在HSV空間圖像中的亮度值V(i,j)進(jìn)行校正得到Bc(i,j)，最終得到的效果圖如圖2所示，其中（a）是原始圖像I ，（b）是亮度校正后的圖像Ibc，所用到的轉(zhuǎn)換公式如下：

圖2 眼底圖像預(yù)處理

步驟2 CLAHE是針對(duì)數(shù)字圖像特別是醫(yī)學(xué)圖像低對(duì)比度問題的方法，其在醫(yī)學(xué)圖像的處理上使用相當(dāng)廣泛[19]。對(duì)于眼底圖像而言，RGB通道圖像中綠色通道包含的特征最多，其次是紅色通道，用處最小的是藍(lán)色通道，滲出物在綠色通道中最為明顯，因此本文主要針對(duì)綠色通道圖像進(jìn)行一系列處理。對(duì)經(jīng)過亮度校正的圖像Ibc先進(jìn)行CLAHE 處理，效果圖如圖2（c），再提取出綠色通道得到圖像Ig，如圖2（d）所示。此處未對(duì)綠色通道圖像直接進(jìn)行CLAHE 處理，因?yàn)榇朔椒ǖ玫降膱D像噪聲較大，不利于后續(xù)處理。

步驟3 由于眼底圖像成像條件的限制，在經(jīng)過一系列預(yù)處理后圖中還是存在光照不平衡，這會(huì)給后面的候選滲出物的提取帶來極大的誤差。陰影校正可以用于將視網(wǎng)膜特征與背景分離，能夠有效改善圖像光照不平衡的現(xiàn)象。陰影校正后的圖像Isc是利用圖像Ig減去近似于背景的圖像Ibg所得，該背景圖像Ibg通過一個(gè)大小為100×100的中值濾波器平滑原始圖像獲得，中值濾波器的尺寸稍大于原始圖像中最大的視網(wǎng)膜特征。背景圖像如圖2（e），陰影校正后圖像如圖2（f）。

2.2 FCM聚類提取候選滲出物區(qū)域

FCM聚類算法是一種基于目標(biāo)函數(shù)的無監(jiān)督模糊聚類算法，在圖像處理應(yīng)用中，對(duì)具有不確定性和模糊性比較大的像素點(diǎn)的分類能起到很好的作用。對(duì)于圖像分割而言，F(xiàn)CM 聚類會(huì)根據(jù)每個(gè)數(shù)據(jù)點(diǎn)的隸屬度來確定這些數(shù)據(jù)點(diǎn)從屬于某個(gè)中心，然后由圖像中像素和聚類中心的加權(quán)相似測度，對(duì)目標(biāo)函數(shù)進(jìn)行迭代優(yōu)化以確定最佳聚類。應(yīng)用在圖像處理中的FCM聚類的目標(biāo)函數(shù)及其約束條件分別為：

式中，n 是圖像像素點(diǎn)的總個(gè)數(shù)，xj是第j 個(gè)像素的像素值；c 是聚類中心點(diǎn)的總個(gè)數(shù)，即聚類類別數(shù)，vi是第i 個(gè)聚類點(diǎn)的像素值；m 是加權(quán)指數(shù)（圖像處理一般取2），uij是第j 個(gè)像素點(diǎn)屬于第i 個(gè)聚類的隸屬度；||xj-vi||是指xj與vi之間的歐式距離。

FCM聚類算法的具體迭代過程算法如下：

輸入：數(shù)據(jù)集X={x1,x2,…,xn}。

輸出：數(shù)據(jù)集聚類中心和聚類結(jié)果。

（1）確定聚類中心個(gè)數(shù)c ，加權(quán)指數(shù)m 以及算法終止閾值ε，設(shè)定初始迭代次數(shù)為t=1，最大迭代次數(shù)為tmax。

（2）確定初始聚類中心vi。

（3）根據(jù)當(dāng)前的聚類中心數(shù)和聚類中心計(jì)算每一個(gè)像素點(diǎn)屬于每一類的隸屬度：

（4）根據(jù)當(dāng)前的隸屬度更新各聚類中心：

（5）選取合適的矩陣范數(shù)，若m 滿足條件V(t+1)-V(t)≤ε 或t ≥tmax，則停止運(yùn)算過程，輸出最終聚類中心點(diǎn)和聚類樣本集合；否則，轉(zhuǎn)至步驟（3）。

在應(yīng)用FCM 聚類處理圖像分割問題時(shí)，特征圖像和聚類中心點(diǎn)個(gè)數(shù)c 值的選取至關(guān)重要。特征圖像的選取會(huì)直接影響最后聚類結(jié)果的精度。對(duì)于聚類中心點(diǎn)總個(gè)數(shù)c 值而言，其選取過小會(huì)導(dǎo)致分割結(jié)果范圍過于寬泛，部分滲出物會(huì)與眼底正常亮特征混雜，為后期滲出物的精細(xì)提取帶來很大麻煩；反之c 值選取過大，會(huì)造成圖像的過度分割，一些滲出物區(qū)域會(huì)被遺失。經(jīng)過大量實(shí)驗(yàn)證明，選取經(jīng)過CLAHE 處理后的綠色通道圖像Ig和陰影校正后的圖像Isc作為特征圖像數(shù)據(jù)集，且當(dāng)c=4 時(shí)，F(xiàn)CM 聚類算法能夠提取出絕大部分的滲出物，最終的聚類結(jié)果如圖3 所示，選擇其中的第二類作為候選圖。

圖3 聚類結(jié)果圖

當(dāng)聚類完成后，算法會(huì)返回最終的聚類中心像素值（也即終止閾值），表1給出了Ig（CLAHE處理后的綠色通道圖像）結(jié)合Isc（陰影校正后的圖像）作為特征圖像數(shù)據(jù)集的終止閾值。限于篇幅，表1只列出了數(shù)據(jù)庫中10幅圖像的終止閾值，其中第三行即為上述圖像的終止閾值。

表1 雙特征圖下FCM聚類的終止閾值(Isc+Ig)

3 滲出物區(qū)域的精細(xì)篩選

經(jīng)過上述一系列處理得到的候選滲出物區(qū)中，除了真實(shí)的滲出物外還包含了一些正常眼底特征和掩模邊緣片段等偽滲出物區(qū)域，為了得到真正的滲出物，本文提出了結(jié)合邊緣感知模型篩選方法，濾除那些偽滲出物區(qū)域。由于視盤的亮度特征與滲出物區(qū)域的亮度特征比較相似，但視盤的位置和形狀特征相對(duì)固定，因此在最后階段對(duì)視盤進(jìn)行單獨(dú)去除即可得到真正的滲出物區(qū)域。

3.1 邊緣感知模型

專家對(duì)眼底圖像中滲出物的診斷是基于判斷滲出物區(qū)域與其周圍背景正常區(qū)域是否存在恰當(dāng)?shù)牧炼炔町惗o出的，當(dāng)其不小于人眼能看到的最小亮度差異時(shí)，結(jié)合專家的先驗(yàn)知識(shí)即能排除偽滲出物區(qū)域，推斷出真實(shí)的滲出物區(qū)域。本文提出的邊緣感知模型將通過模仿專家的診斷機(jī)制來實(shí)現(xiàn)對(duì)偽滲出物區(qū)域的識(shí)別與排除，首先將眼底圖像中的灰度值代替亮度，然后計(jì)算出滲出物區(qū)域與其鄰域之間的灰度差是否大于或等于人眼視覺模型中的臨界亮度差，若滿足條件則對(duì)此區(qū)域進(jìn)行保留，反之則排除。

在人眼視覺模型中，人類對(duì)物體的感知并不單一靠物體自身的亮度來實(shí)現(xiàn)，更大程度上取決于物體背景的亮度，當(dāng)物體自身亮度與物體背景亮度存在一定亮度差時(shí)，才能在該背景亮度下觀察到該物體，當(dāng)亮度差剛剛達(dá)到人眼可見的亮度差時(shí)，稱其為臨界亮度差。根據(jù)韋伯定律[20]可知，臨界亮度差D(L)與背景亮度L 之間是存在非線性關(guān)系的，該非線性關(guān)系主要可以通過韋伯比D(L)/L 與背景亮度L 的關(guān)系曲線（如圖4所示）可知。

圖4 韋伯比曲線

根據(jù)韋伯比曲線圖可知，當(dāng)背景亮度L 小于a 時(shí)，臨界亮度差D(L)會(huì)隨著背景亮度L 的增大而緩慢變化，此時(shí)可以將亮度差近似成常數(shù)；當(dāng)背景亮度L 處于a 和b 之間時(shí)，韋伯比近似為常數(shù)，此時(shí)的臨界亮度差D(L)與背景亮度L 之間呈線性關(guān)系；當(dāng)背景亮度L大于b 時(shí)，臨界亮度差D(L) 與背景亮度L 之間呈指數(shù)函數(shù)關(guān)系。因此，臨界亮度差可由下列分段函數(shù)[20]得出：

式中，參數(shù)α 是核心參數(shù)，其取值可參考韋伯常數(shù)，取值范圍為[0.01，0.3]；初始灰度值a 的取值范圍為[45，81]，終止灰度值b 的取值范圍為[180，210]，當(dāng)選定參數(shù)a,b,α 的值后，根據(jù)韋伯比曲線的連續(xù)性可求得參數(shù)C，β 的值分別為式（7）和式（8）所示，本文中，取a=45，b=180,α=0.2。

得到上述臨界亮度差后，計(jì)算出候選滲出物區(qū)域及其周圍鄰域的平均灰度值分別為L0和L1，周圍鄰域范圍用原始候選區(qū)域膨脹后的區(qū)域減去原始候選區(qū)域得到，膨脹用到的結(jié)構(gòu)元素是半徑為3 的圓盤結(jié)構(gòu)，平均灰度值可以用式（9）來計(jì)算；通過L0和L1計(jì)算出兩者的灰度差ε，判斷其與D(L)的大小關(guān)系是否滿足式（10）。

式中，S 代表的是灰度值范圍[0，255]，n 是指對(duì)應(yīng)區(qū)域的灰度值的數(shù)量。具體算法步驟如下：

（1）讀入經(jīng)過CLAHE 變換的綠色通道圖I1和由FCM聚類得到的候選區(qū)域掩模圖I2。

（2）標(biāo)注且計(jì)算I2中的連通分量，創(chuàng)建一個(gè)尺寸大小與I2相同的空白圖像I0。

（3）對(duì)每一個(gè)標(biāo)注后的連通分量用半徑為3的圓盤結(jié)構(gòu)進(jìn)行膨脹，將膨脹后的連通分量與候選區(qū)域的連通分量進(jìn)行異或操作即可得到候選區(qū)域?qū)?yīng)的鄰域區(qū)域掩模圖I3。

（4）將I2和I3分別覆蓋到I1中，利用式（9）分別計(jì)算候選區(qū)域和鄰域區(qū)域中每一個(gè)連通分量的平均灰度值L0和L1，利用式（10）等式部分計(jì)算它們之間的亮度差ε。

（5）利用式（6）和L0的值計(jì)算得到臨界亮度差D(L)。

（6）通過式（10）判斷ε 和D(L)之間的大小關(guān)系，若滿足條件則將這一連通區(qū)域放到空白圖像I0中，反之就將這一連通區(qū)域的灰度值置為0，最終得到的圖像I0即為去除了偽滲出物區(qū)域的掩模圖。

由圖5所示效果圖可知，提出的邊緣感知模型能夠有效篩選掉偽滲出物區(qū)域，圖中框定了部分被篩除的偽滲出物區(qū)域。

圖5 邊緣感知模型效果對(duì)比

3.2 移除視盤

在經(jīng)過邊緣感知模型篩選后的圖像中依然存在視盤結(jié)構(gòu)，為了能得到最終精細(xì)滲出物區(qū)域的掩模圖，本文采用文獻(xiàn)[21]提到的方法實(shí)現(xiàn)對(duì)眼底圖像中視盤結(jié)構(gòu)的提取。由于在眼底圖像中，視盤的對(duì)比度及亮度相對(duì)其他特征最為明顯，而紅色通道主要體現(xiàn)亮度信息，因此選取原圖紅色通道圖像進(jìn)行處理。首先采用投影法定位視盤，用Gabor 濾波提取視盤區(qū)域的血管，然后利用插值運(yùn)算填充血管區(qū)域可以得到完整形態(tài)的視盤，最后采用CV水平集模型獲得視盤輪廓，從而得到視盤區(qū)域的掩模圖，效果圖如圖6所示。

圖6 視盤掩模的提取

為保證視盤區(qū)域能夠被完全移除，對(duì)上述掩模圖用半徑為3的圓盤結(jié)構(gòu)進(jìn)行膨脹操作，標(biāo)記且記錄掩模圖中的連通區(qū)域，在經(jīng)過邊緣感知模型篩選后的圖像中，對(duì)標(biāo)記的連通區(qū)域中所有位置的像素點(diǎn)灰度值置為0，即可去除視盤結(jié)構(gòu)，如圖7（a）所示。

圖7 最終檢測結(jié)果

3.3 算法驗(yàn)證

本文采用的實(shí)驗(yàn)對(duì)象基于數(shù)據(jù)庫IDRID[22]，該數(shù)據(jù)庫中共包含81 張存在滲出物的圖片，圖像分辨率為4 288×2 848。該數(shù)據(jù)庫專門用于糖尿病性視網(wǎng)膜病變和糖尿病性黃斑水腫的驗(yàn)證。將訓(xùn)練集圖像與測試集圖像混合，隨機(jī)選擇其中的61張作為訓(xùn)練集，剩余的20張作為測試集，將得出的結(jié)果與金標(biāo)準(zhǔn)進(jìn)行比較。

為了驗(yàn)證本文算法的有效性，利用醫(yī)學(xué)圖像分割中廣泛用到的四種評(píng)價(jià)指標(biāo)：靈敏性（Sensitivity，SE），代表了算法能從圖像中檢測到病灶區(qū)域的能力，也稱為召回率（Recall，R）；特異性（Specificity，SP），代表了算法能從圖像中檢測到正常區(qū)域的能力；陽性預(yù)測值（Positive Predictive Value，PPV），代表了算法檢測出來的真陽性區(qū)域占整個(gè)陽性區(qū)域的比例，也稱為精確率（Precision，P）；準(zhǔn)確率（Accuracy，ACC），代表了算法檢測到的所有正確區(qū)域在整圖中所占比例。計(jì)算公式如下：

式中，TP 代表真陽性（True Positive），即被算法預(yù)測為正的正樣本，也被稱作判斷為真的正確率；FP 代表假陽性（False Positive），被算法預(yù)測為正的負(fù)樣本，也被稱作誤報(bào)率；FN 表示假陰性（False Negative），即被算法預(yù)測為負(fù)的正樣本，也被稱作漏報(bào)率；TN 表示真陰性（True Negative），被算法預(yù)測為負(fù)的負(fù)樣本，也被稱作判斷為假的正確率。

一般而言，精確率P 和召回率R 同時(shí)越高越好，但某些情況下兩者會(huì)出現(xiàn)矛盾，這時(shí)就需要將兩者綜合起來考慮，用到的評(píng)價(jià)指標(biāo)被稱為F-measure（也被稱為F-Score），計(jì)算公式如下：

當(dāng)參數(shù)α=1 時(shí)，就是最常見的F1，即：

由上式可知，F(xiàn)1綜合了P 和R 的結(jié)果，其值能夠反映實(shí)驗(yàn)方法的有效性。

4 實(shí)驗(yàn)結(jié)果與對(duì)比

本文實(shí)驗(yàn)在Windows 10、編程環(huán)境為MatlabR2014a、CPU主頻為2.50 GHz及8 GB內(nèi)存條件下進(jìn)行。

4.1 FCM聚類的參數(shù)選擇

為了確定在單特征圖像（CLAHE 處理后的綠色通道圖像Ig）和雙特征圖像（CLAHE 處理后的綠色通道圖像Ig+陰影校正后的圖像Isc）兩種情況下聚類中心點(diǎn)個(gè)數(shù)c 值的最優(yōu)值，表2給出了針對(duì)20張測試圖像的量化比較。利用FCM聚類后的候選圖與對(duì)應(yīng)圖像的金標(biāo)準(zhǔn)特征圖計(jì)算得出P 和R，由于聚類后的候選圖中含有大量的非病灶區(qū)，得到的P 和R 值大小具有很大差異，這里引入?yún)?shù)F1進(jìn)行綜合評(píng)價(jià)，最終的平均評(píng)價(jià)結(jié)果如表2所示。

表2 不同參數(shù)下聚類結(jié)果的F1 值 %

需要注意的是，由于上述實(shí)驗(yàn)的F1值是直接利用聚類候選圖計(jì)算所得，并沒有利用邊緣感知模型篩除掉圖中的非病灶區(qū)域，因此得出的F1值比較小。由表2可知，使用雙特征圖得到的聚類效果普遍比使用單特征圖得到的聚類效果好，且當(dāng)聚類中心點(diǎn)個(gè)數(shù)c=4 時(shí)，聚類效果達(dá)到最佳。

4.2 最終結(jié)果對(duì)比

為了檢驗(yàn)所提方法的性能，用以上提到的四個(gè)評(píng)價(jià)指標(biāo)分析，分別與動(dòng)態(tài)閾值和數(shù)學(xué)形態(tài)學(xué)結(jié)合的方法[7]、形態(tài)學(xué)背景估計(jì)和SVM分類結(jié)合的方法[9]、決策樹分類器分類的方法[12]、傳統(tǒng)深度卷積網(wǎng)絡(luò)的方法[13]相比，得到的效果圖如圖8所示，計(jì)算測試集圖像各項(xiàng)評(píng)價(jià)指標(biāo)的平均值，結(jié)果如表3所示。

表3 算法性能比較 %

圖8 滲出物檢測結(jié)果

圖8是檢測結(jié)果中比較具有代表性的圖像，圖像中的黃色標(biāo)記物即為檢測出來的滲出物區(qū)域。盡管在圖像中存在程度不一的光照不均和對(duì)比度不足等問題，但從最終的檢測結(jié)果來看，雖然幾種對(duì)比方法都能將滲出物不同程度地檢測出，但相對(duì)來看，本文提出的方法能夠檢測出一些比較精細(xì)的滲出物區(qū)域，體現(xiàn)出算法具有較高的準(zhǔn)確度。

從表3可以看出，在敏感度方面，本文和文獻(xiàn)[7]、文獻(xiàn)[12]相比稍遜，主要原因是部分滲出物的形態(tài)及灰度不太明顯，和周圍區(qū)域不能形成符合人眼特性的灰度差，導(dǎo)致產(chǎn)生少量的漏檢使得真陽性區(qū)域降低，假陰性區(qū)域增加，但其靈敏度明顯優(yōu)于其他文獻(xiàn)，且滿足英國糖尿病協(xié)會(huì)提出的靈敏度應(yīng)該不小于80%的檢測標(biāo)準(zhǔn)；在特異性方面，本文明顯優(yōu)于文獻(xiàn)[12]略低于文獻(xiàn)[7]；對(duì)于陽性預(yù)測值和準(zhǔn)確率而言，本文優(yōu)于其他算法，說明本文算法檢測出來的真陽性區(qū)域占整個(gè)陽性區(qū)域的比例較高。

5 討論

初始分割效果的好壞以及準(zhǔn)確定位與否都將直接影響到最終滲出物區(qū)域的識(shí)別，由于滲出物在眼底圖像中的圖像特征具有一致性，而聚類算法能夠根據(jù)這些相似特征對(duì)目標(biāo)進(jìn)行無監(jiān)督的自動(dòng)分割，因此本文利用FCM 聚類算法實(shí)現(xiàn)對(duì)候選病灶目標(biāo)的提取，不僅克服了閾值選擇的困難，還避免了對(duì)大部分滲出物的漏分割。利用經(jīng)過CLAHE 處理后的綠色通道圖像和陰影校正后的圖像作為特征圖像數(shù)據(jù)集，雖然可以提高對(duì)滲出物區(qū)域的檢測精度，使候選滲出物區(qū)域能夠最大化地包含真實(shí)病灶區(qū)域，但依然誤分割了眼底圖像中具有類似特征的偽滲出物（少量正常眼底特征和掩模邊緣片段），由于這些偽滲出物區(qū)域和周圍背景區(qū)域之間沒有明顯的灰度差異且其位置相對(duì)獨(dú)立，利用基于判斷灰度差的邊緣感知模型可以很好地篩除這些偽滲出物區(qū)域。在之后，因視盤區(qū)域與滲出物區(qū)域亮度特性相似，經(jīng)過邊緣感知模型篩除一些偽滲出物后的圖像中視盤區(qū)域仍然存在，若要得到關(guān)于真實(shí)滲出物區(qū)域的掩模圖，需對(duì)視盤區(qū)域進(jìn)行單獨(dú)處理，本文用到文獻(xiàn)[21]中提到的方法對(duì)視盤部分進(jìn)行移除得到最終的滲出物區(qū)域。

在整個(gè)過程中，F(xiàn)CM聚類結(jié)果至關(guān)重要，若聚類結(jié)果過于泛化，邊緣感知模型起到的作用不大；若聚類結(jié)果過于精細(xì)，則會(huì)導(dǎo)致檢測到的滲出物區(qū)域不夠完整，靈敏度大幅降低。雖然經(jīng)過大量實(shí)驗(yàn)證明當(dāng)選取經(jīng)過CLAHE處理后的綠色通道圖像和陰影校正后的圖像作為特征圖像數(shù)據(jù)集，且設(shè)置聚類中心個(gè)數(shù)為4 時(shí)，聚類出的圖像效果能夠達(dá)到最好，但對(duì)于一些密度比較稀疏，亮度不夠明顯的滲出物區(qū)域仍然檢測不到，因此，在以后的研究中將嘗試通過增加合適的預(yù)處理操作提高這些區(qū)域的亮度和對(duì)比度，減少漏檢。

6 結(jié)論

本文提出一種結(jié)合模糊C-均值聚類和邊緣感知模型的方法實(shí)現(xiàn)對(duì)滲出物的檢測，首先用亮度均衡和對(duì)比度增強(qiáng)對(duì)原始圖像進(jìn)行預(yù)處理，然后用FCM 檢測出候選滲出物區(qū)域后，利用邊緣感知模型篩除一些偽滲出物區(qū)域，最后通過移除視盤區(qū)域得到真實(shí)滲出物區(qū)域。采用公開的數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)驗(yàn)證，說明本文算法能有效檢測出滲出物區(qū)域，體現(xiàn)了較高的可行性和優(yōu)越性。

致謝 非常感謝廣東省科技創(chuàng)新戰(zhàn)略專項(xiàng)資金（2018FS05020102）的資助，向大力支持這項(xiàng)研究工作的廣東順德創(chuàng)新設(shè)計(jì)研究院表示衷心感謝！