视网膜图像中视盘自动定位模型设计研究

视网膜图像中视盘自动定位模型设计研究

张贵英

摘要：视盘是视网膜图像的重要特征，视网膜的定位是视网膜病变诊断和治疗的重要前提。现有的视盘自动定位方法往往借助单一的特征，即传统特征或者深度学习特征，所提供的信息有限。针对此，该文设计了一个将传统特征和深度学习特征结合起来的视盘自动定位模型，以期为定位视盘提供更多丰富的特征信息，从而提高识别率。

关键词：视网膜图像；视盘；自动定位；传统特征；深度学习特征

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）22-0174-02

视神经盘（Optic Disc，OD），也叫视神经乳头，简称视盘，为视网膜从黄斑向鼻侧约3mm处的边缘清楚的淡红色圆盘状结构，其直径约1.5mm。视盘是视网膜图像的一个重要特征，视神经盘的物理状态，如形状、色泽、面积和生理杯深度等参数是衡量眼底健康状况和病灶的重要指标。在眼科眼底疾病的诊断和治疗中，常见眼科眼底疾病如糖尿病视网膜病变、高血压视网膜病变、视网膜脱离的裂孔定位、眼底肿瘤定位以及视网膜血管性疾病的诊断与治疗均需要事先进行视盘的准确定位。在医学图像处理领域，视盘的自动定位是眼底图像配准拼接、血管跟踪、黄斑和病变提取，以及视盘边缘定位等工作的基础。

1视网膜图形中视盘自动定位模型研究现状

视网膜图像中视盘自动定位方法是医学图像处理研究的热点问题，学者们已经提出了一系列视盘定位模型。Hoover利用血管结构相对比较稳定这一特性，提出了利用模糊收敛算法进行血管分割来定位视盘的位置。利用这一思想的还有Foracchia，该文献首先分割出主要的视网膜血管，然后根据两个抛物线模型顶点的交点来定位视盘。Li和Walter利用视盘区域亮度变化最大的特性来设计视盘自动定位算法。除了单独借助血管结构和视盘外观特性外，学者们还综合利用这两种特征来定位视盘。Youssif首先借助分割出视网膜血管，利用血管的方向和结构信息获得视盘的候选区域，然后再根据视盘的形状找出视盘所在位置。Ahfouz、Ravishankar、Yu及其文献均采用了这类思路。此外，Ramakanth提出了一种特征匹配的方法来定位视盘，文献综述了视网膜图像中视盘的自动定位方法。

近年来，深度学习（Deeplearning，DL）在目标检测、目标识别、显著性检测、行为识别、人脸识别和对象分割等计算机视觉领域取得了举世瞩目的成果。深度学习能提取对象的本质特征，而特征对于对象的识别起着决定性的作用。Sadikoglu等提出了基于神经网络的视网膜识别算法，张贵英等提出了基于深度学习的视盘自动检测方法，Costa等提出了基于对抗网络的多样本生成来进行视网膜图像的识别工作。

2视盘自动定位模型设计

传统的视盘定位方法一般为提取视盘的几何、血管和自身属性等特征，基于深度学习特征的方法能提取视盘的本质特征。以往的工作往往为单独的，即要么基于传统特征进行视盘的定位研究，要么基于深度学习进行视盘的定位。如果传统特征和深度学习特征结合起来，将获得更多的特征，提供更丰富的信息，从而提高识别率。本文将传统特征和深度学习特征结合起来，设计视盘定位模型。具体步骤包括视网膜眼底图像采集、图像预处理、视盘传统特征的提取和深度学习特征的提取及其两类特征融合等过程。模型的流程图如图1所示。

（1）实验图像。本模型以医院眼底图像和公开眼底图像数据集为研究素材。医院眼底图像可为医院眼科中心实地采集所得，其图像分为正常和病变两类，采集的图像应具有代表性和客观性。除此之外，本模型使用公开的眼底图像，包括MES—SIDOR、DRIVE、DIARETBD0、DIARETBD1和STARE五大公开数据集。

（2）图像预处理。为保证后续定位的准确性，对原始图像进行一些简单的预处理，如增强，去噪等操作。

（3）视盘特征提取。提取视网膜图像中视盘本身的特征，比如基本形态特征，色度和亮度特征，彩色特征，纹理特征等，接着选择最能刻画视盘的主要特征。

①形态特征的提取。形态特征是视盘的形状、大小、轮廓的规则程度的定量描述。提取视盘的周长、面积、圆度、视盘的矩形度和伸长度等特征，这些特征都能很好地反映视盘的形态。

②色度亮度特征提取。提取视盘的色度和亮度特征，如饱和度，色调和亮度等特征。

③彩色特征的提取。分别在R、G、B三个色度空间提取如下的彩色特征：均值、方差、色度变化、偏差和峰度等。

④纹理特征的提取。提取特征包括惯量，是图像红局部灰度变化量总量的描述；二阶角距，是图像灰度的均匀性和纹理粗细程度的度量；熵，表示能量在空间分布的均匀程度等特征。

（4）CNN特征的提取。采用多个卷积层来提取深度学习特征，实验图片剪裁成256*256像素，设置相关训练参数，使用深度学习框架caffe来训练生成模型。改变已有模型卷积层和池化层的层数、卷积核的大小、池化的方式、全连接的方式来设计全新的网络模型，预训练网络，并将稀疏的概念加入到网络中去，寻找适当的loss函数，并进行识别分类，以期达到国内外先进识别水平。设计的深度学习网络模型结构能提取目标各个卷积层的特征，也就是通过网络模型自动学习的特征，即深度学习特征。

（5）将传统特征和深度学习特征融合。传统特征有其独特的优势，深度学习特征能刻画对象的本质特征，将传统特征和深度学习特征的整合起来，提供更多丰富的信息，以期获得更高的准确率。传统特征和深度学习特征融合，恢复这些特征的空间局部关联性。可通过两种方式将传统特征和深度学习特征结合起来。其一，拟将传统特征矩阵化，作为深度学习多层特征的补充；将这些特征整合起来，恢复这些特征的空间局部关联性；再将传统特征与深度学习特征统一输入到深度学习网络框架中去。其二，通过将传统特征和深度学习特征以一定权重融合，借助傳统分类器（如SVM）等进行识别。

（6）设计分类器。本模型拟使用台湾大学林智仁（Lin Chih-Jen）教授开发设计的LIBSVM作为分类器。该软件是一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其他操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以更好的解决视盘定位问题。

3小结

视盘是视网膜图像的重要特征，其自动定位是眼底图像处理的重要前提。传统特征和深度学习特征各自具有自身优势，将传统特征和深度学习特征结合起来，以提供视盘更多丰富的信息。本文提出了视网膜图像中视盘自动定位模型，该模型整合传统特征和深度学习特征，提供更多互补信息，有望提高视盘定位准确性。endprint