吳振廣，蔣志勝，孫海欽，朱英瑋，魏文超

（上海航天電子技術研究所，上海201109）

伴隨著生活水平的提高，糖尿病發(fā)病率逐年上升。糖尿病視網(wǎng)膜病變DR（diabetes retinopathy）是糖尿病的并發(fā)癥之一[1]。硬性滲出HEs 是DR 患者最明顯的早期病變特征之一，因此在DR 計算機輔助診斷系統(tǒng)的研究中，對HEs 的自動檢測與分類方面的研究開展較早，目前主要有兩類HEs 的自動檢測算法。

一類是基于圖像形態(tài)學，文獻[2]利用形態(tài)學根據(jù)眼底圖像HEs 的高灰度變化的特性得到眼底圖像中的HEs 檢測結果；文獻[3]將圖像的形態(tài)學操作和SVM 分類器分類結合起來進行HEs 病變的檢測。

另一類是基于機器學習，文獻[4]采用Kirsch 算子邊緣和SVM 分類檢測HEs；文獻[5]提出基于鄰域約束模型的眼底圖像HEs 聚類檢測算法；文獻[6]采用形態(tài)學和SVM 分類器結合檢測HEs；文獻[7]將動態(tài)閾值和SVM 分類器相結合，得到了較為精確HEs檢測結果。

綜上所述，這些算法一般都需要配置各種參數(shù)。合理的參數(shù)配置是決定算法檢測效果的重要因素。鑒于此，本文將探索在眼底圖像分析和HEs 診斷過程中引入智能優(yōu)化算法對算法的參數(shù)進行優(yōu)化，以此來改善眼底圖像的處理效果和提高HEs 的診斷精度。本文HEs 算法流程如圖1 所示。

圖1 HEs 檢測流程Fig.1 HEs test flow chart

1 眼底圖像預處理

本文眼底圖像預處理共分為三部分，分別為通道分離、圖像增強和圖像去噪。

眼底圖像數(shù)據(jù)庫都是由RGB 格式的圖像組成，圖2 所示為眼底圖像的通道分離結果。G 通道分量亮度適中，與背景對比度較高，能夠清楚地分辨到眼底圖像的結構與背景。因此，本文將采用G 通道作為后續(xù)眼底圖像處理的基礎。

圖2 眼底圖像的通道分離Fig.2 Channel separation of fundus image

若眼底圖像與背景區(qū)域的對比度較低，后續(xù)圖像處理的難度會增大。因此，本文采用了基于直方圖均衡化的圖像增強技術，加強眼底圖像的對比度，使之更有利于后續(xù)圖像處理的操作。

由于圖像噪聲會在計算機進行圖像處理的時候造成一定的干擾。為了盡量避免后續(xù)的眼底圖像處理操作受到圖像噪聲的影響和干擾，本文采用了中值濾波去噪。

如圖3 所示，將G 通道分量圖像經(jīng)過直方圖均衡化的圖像增強和中值濾波圖像去噪后，提高了圖像的對比度、消除了目標圖像的孤立噪聲點，為眼底圖像的后續(xù)處理奠定了良好基礎。

圖3 圖像增強和去噪后的G 通道分量圖Fig.3 G channel component diagram after image enhancement and desiccation

2 眼底圖像解剖結構識別和剔除

眼底圖像的解剖結構中，血管和視盤和HEs 具有不少相似特征，會對檢測結果造成一定的干擾，因此在進行HEs 檢測前，需要對眼底圖像中的血管和視盤進行定位識別和剔除。

2.1 眼底圖像血管提取和剔除

在圖像預處理的基礎上，本文采用一種基于匹配濾波的算法來進行血管提取。算法設計了12 個不同方向上的濾波器，分別進行卷積運算，選取最大響應作為匹配濾波最終響應輸出。再用滯后閾值分割法來進一步增強血管提取效果。血管提取結果如圖4（a）所示，剔除血管后的圖像如圖4（b）所示。

2.2 眼底圖像視盤提取和剔除

根據(jù)眼底圖像中視盤的圓形特征，利用Hough變換檢測圓的算法定位視盤。先對眼底圖像進行Sobel 邊緣檢測獲得邊緣目標，然后對邊緣目標圖像二值化，最后再進行Hough 變換檢測圓的視盤定位。視盤定位結果如圖4（c）所示，剔除視盤后的圖像如圖4（d）所示。

圖4 眼底圖像解剖結構的檢測與剔除Fig.4 Detection and elimination of anatomical structures in fundus image

3 硬性滲出檢測

HEs 檢測過程主要分為兩部分。

1）HEs 候選區(qū)域提取。

算法在眼底圖像預處理、剔除血管和視盤基礎上，通過形態(tài)學和閾值分割相結合提取出眼底圖像的HEs 候選區(qū)域。

2）HEs 候選區(qū)域分類。

在HEs 候選區(qū)域上進行特征選擇提取出HEs特征向量，并采用經(jīng)過PSO 優(yōu)化后的SVM 分類器，對HEs 候選區(qū)域進行精確分類，從而得到最終的HEs 檢測結果。

3.1 硬性滲出候選區(qū)域提取

形態(tài)學圖像處理技術是利用形態(tài)結構元素對數(shù)字圖像進行一系列形態(tài)學操作。在眼底圖像預處理、剔除血管和視盤的基礎上，本文使用的結構元素b（x，y）是半徑為25 的圓形結構元素，先對圖4（d）形態(tài)學開運算得到背景圖，然后再用圖4（d）減去背景圖從而得到硬性滲出的前景圖，最后將前景圖二值化，按0.07 的閾值進行閾值分割，得到HEs候選提取圖，如圖5（a）所示，將其標記在原始圖像上如圖5（b）所示。

圖5 HEs 候選區(qū)域檢測結果Fig.5 Results of HEs candidate sites

3.2 硬性滲出候選區(qū)域分類

HEs 候選區(qū)域經(jīng)常會含有軟性滲出、黃斑、小面積背景噪聲等，使得檢測結果不夠精確，所以還需要進行更加精細的分類方法來區(qū)分HEs 和非HEs區(qū)域，提高HEs 檢測精度。

3.2.1 候選區(qū)域特征選擇

對眼底圖像HEs 候選區(qū)域中的HEs 和軟性滲出、黃斑、噪聲等非HEs 的特征分析之后，設計了候選區(qū)域的R、G、B 三個通道上的亮度平均值、亮度標準差、像素點大于閾值25 的像素點數(shù)目、面積、周長、周長比、圓度等22 個指標作為SVM 分類器的特征向量。

3.2.2 支持向量機

支持向量機SVM[8]是一個二分類器。對于線性可分樣本，SVM 的主要思想是構造一個間隔最大的分類超平面Wx+b=0（W 是超平面的法向量，x 是輸入樣本，b 是超平面的偏差量），引入拉格朗日乘子法得到：

實際應用中的樣本空間大都是非線性的，所以需要利用一個核函數(shù)映射到高維空間中，使樣本線性可分進行求解。

求解后得到相應的決策函數(shù)為

式中：k（xi，xj）是核函數(shù)；αi是拉格朗日乘子；yi是分類標簽。SVM 的分類效果是由其核函數(shù)和懲罰因子C 決定的。采用合理的優(yōu)化方法對核函數(shù)參數(shù)和懲罰因子進行優(yōu)化可以提高SVM 的分類性能。

3.2.3 粒子群優(yōu)化算法

1995年提出的粒子群優(yōu)化算法PSO[9]是通過計算個體的適應度函數(shù)值來評價參數(shù)解的優(yōu)劣，在迭代過程中以追隨局部最優(yōu)的方式來搜尋全局最優(yōu)。標準PSO 算法的進化過程描述如下：

式中：c1和c2是加速因子；v 是粒子速度；p 是粒子位置；r1和r2是（0，1）之間的隨機數(shù)；w 是慣性權重系數(shù)，選擇合適的w 可以平衡全局和局部搜索能力，減少算法迭代次數(shù)，盡快找到最優(yōu)解。

為了兼顧收斂速度和局部搜索能力，文獻[10]研究了自適應慣性權重粒子群算法AIWPSO（adaptive inertia weight particle swarm optimization），其慣性權重調節(jié)公式如下：

算法運行時，若粒子當前適應度值f 較為集中，則會增大w 的值盡量避免算法陷入局部最優(yōu)；若粒子當前適應度值f 較為分散，則會減小w 的值提升算的局部搜索能力，使算法具有更好的尋優(yōu)能力。

3.2.4 AIWPSO-SVM 參數(shù)優(yōu)化算法

本文SVM 分類器選取高斯核函數(shù)，將分類正確率作為AIWPSO 參數(shù)選優(yōu)的適應度函數(shù)。如圖6 所示，AIWPSO-SVM 參數(shù)優(yōu)化過程如下：

圖6 AIWPSO-SVM 算法數(shù)優(yōu)化流程Fig.6 AIWPSO-SVM algorithm number optimization flow chart

（1）首先對AIWPSO 相關參數(shù)進行初始化，包括粒子的初始位置和速度等；

（2）將硬性滲出候選區(qū)域的特征數(shù)據(jù)集進行標準化后，按照十折交叉驗證測試方法分為訓練集和測試集兩部分；

（3）根據(jù)粒子的位置和速度確定核函數(shù)的參數(shù)σ 和懲罰因子C 的值，利用訓練集進行SVM 分類器的訓練；

（4）計算適應度函數(shù)值，若滿足終止條件（達到最大迭代次數(shù)） 則輸出此時的優(yōu)化參數(shù)σ 和C，若不滿足進行第5 步；

（5）采用AIWPSO 優(yōu)化算法更新慣性權重、更新粒子的位置和速度，返回第3 步。

4 實驗結果與分析

4.1 實驗材料和評價指標

實驗測試使用DIARETDB1 眼底圖像數(shù)據(jù)庫。共89 張圖像，其中正常的眼底圖像5 張，DR 病變眼底圖像84 張。

在進行HEs 檢測算法性能評價的時候，通常選用基于病灶水平的SE 和PPV，基于圖像水平的SE、SP 和ACC 來體現(xiàn)算法性能。計算公式如下所示：

式中：TP 是真陽性個數(shù)；TN 是真陰性個數(shù)；FP 是假陽性個數(shù)；FN 是假陰性的個數(shù)。

4.2 實驗結果與分析

實驗對DIARETDB1 數(shù)據(jù)庫上的所有圖像采用本文算法提取硬性滲出候選區(qū)域，根據(jù)專家給定的區(qū)域標準，劃分出正負樣本，共包括1305 個HEs 區(qū)域，1283 個非HEs 區(qū)域。對樣本特征數(shù)據(jù)，按十折交叉驗證測試方法分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集。在AIWPSO-SVM 分類器的參數(shù)選優(yōu)時，先要進行AIWPSO 優(yōu)化算法的參數(shù)設置，如表1 所示。

表1 AIWPSO 參數(shù)設置Tab.1 AIWPSO parameter setting

以分類準確率作為適應度函數(shù)，以達到最大迭代次數(shù)作為循環(huán)終止條件，終止循環(huán)后輸出對應的優(yōu)化參數(shù)：σ 為0.2269，C 為19536.6980。

圖7 中，A 組是DIARETDB1 數(shù)據(jù)庫中的眼底圖像原圖，B 組是本文算法檢測的HEs 結果，C 組是對應的專家標注HEs 區(qū)域。由圖7 對比圖像可知，本文算法可以精確檢測到眼底圖像中HEs。

圖7 HEs 檢測結果Fig.7 HEs test results

為了進一步驗證本文算法的HEs 檢測性能，表2 給出了本文算法與文獻算法的硬性滲出檢測性能指標的比較結果。

表2 本文算法與文獻算法比較結果Tab.2 Algorithm in this paper is compared with the algorithm in literature

本文算法的性能指標優(yōu)于大部分對比文獻算法的結果，在基于圖像水平上，本文算法具有最高的圖像檢測準確率97.83%和靈敏性100%，特異性97.31%排第二位，僅次于文獻[7]97.8%，說明本文算法具有較小的誤判率。在基于病灶水平上，本文算法的檢測靈敏性95.14%和陽性預測值93.82%都是最好的，說明更容易檢測出硬性滲出區(qū)域，而且檢測準確率較高。

5 結語

本文提出了一種基于形態(tài)學圖像處理技術和AIWPSO-SVM 分類器相結合的硬性滲出檢測算法。算法將由形態(tài)學分析獲得的HEs 候選區(qū)域作為特征，通過SVM 分類器對候選區(qū)域進行精確分類，并利用AIWPSO 智能優(yōu)化算法對SVM 分類器的高斯核函數(shù)參數(shù)σ 和懲罰因子C 進行優(yōu)化，具有較好的HEs 檢測性能，未來可以把圖像處理技術和智能優(yōu)化算法應用到其它眼底病變?nèi)琰S斑和微脈瘤等病變的檢測算法研究中。