基于背景估计和集成分类的眼底硬性渗出检测

张磊+卜巍+邬向前+戴百生

摘要： 眼底图像中硬性渗出的检测对于糖尿病性视网膜病变（简称“糖网”）的早期诊断具有重要意义。为了实现眼底图像中硬性渗出物的自动检测，本文提出了一种结合背景估计和集成分类的眼底图像硬性渗出物自动检测方法。首先，对图像进行亮度校正、去噪、对比度增强等预处理操作，然后结合形态学方法进行背景估计和图像重建并移除视盘区域，得到渗出物候选区域。最后利用集成分类方法对候选区域进行分类，提取最终的硬性渗出区域。实验结果表明，本方法能够有效准确地检测到眼底图像中的硬性渗出物，对于糖网自动诊断技术的研究具有积极意义。

关键词： 眼底图像； 硬性渗出； 背景估计； 集成分类

中图分类号： TP391

文献标志码： A

文章编号： 2095-2163（2017）05-0066-05

Abstract：The detection of hard exudates in retinal images is an important task to the early diagnosis of diabetic retinopathy（DR）. This paper presents a novel method to automatically detect hard exudates in retinal images， which is based on background estimation and ensemble classification. In the first stage， retinal images are preprocessed for shade correction， denoising and contrast enhancement. Then the candidate hard exudates are extracted by background estimation， morphological reconstruction and elimination of the optic disc. At last， an ensemble classifier is trained for the classification of candidate regions. As the experimental results suggest， the proposed method can detect hard exudates in retinal images accurately， which is a contribution to the research of the automatic diagnosis technique for DR.

Keywords：retinal images； hard exudates； background estimation； ensemble classification

0引言

糖尿病视网膜病变（简称“糖网”）是糖尿病患者最为常见的眼部并发症，是导致糖尿病患者视力下降甚至失明的主要原因，是发达国家主要的致盲眼部疾病之一[1]。随着中国经济的发展，人民生活水平的提高以及饮食结构的变化，糖尿病的发病率亦逐年提高。因此，糖尿病视网膜病变也正逐步成为威胁国人视力健康的主要疾病。

对于糖尿病患者而言，在出现视力下降症状之前，定期對视网膜状况进行检查，尽早发现病变情况并及时采取对症治疗措施，能够在很大程度上降低因糖尿病视网膜病变带来的失明风险。因此，对糖尿病患者是否出现了糖尿病视网膜病变症状的早期准确筛查具有重要意义。目前，对糖网的筛查主要通过眼科医师观察患者眼底照片的方式进行。这种检查方式具有很多局限性。过程中将依赖于眼科医师的临床经验，并且由于糖尿病患者数量及检查频率的升高，对眼科医师的数量要求也越来越多，而现有的眼科医师数量则是有限的，不能满足如此巨大的数量需求，这使得很多患者失去了及时检查的机会。如果能够借助计算机技术，实现对糖网自动、可靠和快速地筛查，将能够为更多的患者提供及时的诊断和治疗，降低患者失明的风险。

糖尿病视网膜硬性渗出，多由扩张的毛细血管和微血管瘤渗漏的脂质和蛋白质成分组成，通常呈现为边界比较清晰的蜡黄色点片状渗出，可呈簇状堆积，融合成片，排列成环状或半环状分布，是糖网早期的常见病变[2]，如图1所示。因此，对硬性渗出的及时检测能够实现对糖网的早期诊断，降低患者失明风险。为了实现对硬性渗出的自动检测，本文在深入研究数学形态学和分类方法基础上，提出了背景估计和集成分类结合的眼底图像硬性渗出自动检测方法。

2视盘检测与消除

视神经盘（简称“视盘”）是视网膜上的视神经纤维穿出眼球的部位，在眼底图像上呈现为与硬性渗出具有相似亮度和色彩的圆形结构[4]，如图1所示。为了减少视盘区域对硬性渗出的检测造成的干扰，需要对视盘区域进行检测与消除。

视盘检测主要通过视盘定位和视盘分割来实现。视盘定位采取文献[5]提出的方法，该方法将视盘定位问题看作分类问题，结合子图字典的稀疏表示，通过最小化L1范式来实现。对视盘定位后，考虑到视盘在眼底图像上表现为一个圆形区域，因此，可以在以定位点为中心的一个小区域内使用霍夫变换检测圆形区域的方式来实现对视盘的检测。检测到视盘之后，对视盘区域的像素值置零以实现对视盘的消除。具体算法描述如下：

1）利用L1范式最小化方法定位视盘，得到定位点p。视盘定位结果如图3a）所示。

2）以点p为中心对眼底图像绿色通道进行截取，获得较小的视盘候选区域IOD_Cand。截取的视盘候选区域如图3b）所示。

3）在IOD_Cand上通过形态学闭运算消除血管，保持视盘的完整性，得到IOD_Cand_Close。消除血管的视盘候选区域如图如图3c）所示。endprint

4）在IOD_Cand_Close上使用霍夫变换检测圆形区域，并进行一次形态学膨胀得到视盘检测结果IOD。

5）将预处理后的图像上对应视盘检测结果的区域置零，可得到消除视盘的图像INOD。视盘消除后的眼底

3基于背景估计的硬性渗出候选区域提取

本文主要使用数学形态学方法，在预处理和视盘消除的基础上对硬性渗出的候选区域进行提取。考虑到眼底图像上的渗出区域为面积较小的较亮区域，除视盘外的其它区域为较暗区域，可以通过背景估计方法先估计出背景区域，再结合增强后的图像进行对比，得出前景目标区域，再通过形态学膨胀重建方法得到轮廓准确的渗出物候选区域。算法的主要步骤如下：

4特征提取与分类

从上述硬性渗出提取结果可以看出，除了硬性渗出外，还有其他一些非渗出区域也被提取了出来，因此，考虑使用机器学习中的分类方法进行进一步提取操作，得到更准确的硬性渗出区域。在机器学习的分类方法中，集成分类[6]是指通过集成多个弱分类器，采用多数表决对样例进行分类而获得优于单个分类器分类效果的一种分类方法。集成分类方法通常可以提高分类器的鲁棒性，降低分类误差。本文经过多次实验后，采用决策树装袋的集成分类方法对硬性渗出区域进行进一步提取。

硬性渗出区别于其它眼底生理结构和病变的特征，本文选取候选区域RGB各通道和Lab各通道的灰度均值、标准差，候选区域的面积、周长和致密性、区域边缘强度、候选区域与邻域的平均灰度差值、区域块状结构特征[7]、区域长、短轴长度等38个特征构成的特征向量，用特征向量对候选区域进行描述。

从眼底图像数据集DiaretDB1[8]中提取的候选区域与数据集提供的真实标签进行比对，生成带标签的数据集，按照原始数据集提供的训练集和测试集划分方法得到训练集和测试集。训练集对装袋决策树分类器进行训练，即在训练集的随机子集上训练多棵决策树，得到集成分类器模型，再利用分类器模型对硬性渗出进行进一步提取，得到硬性渗出的最终检测结果。使用集成分类器提取的最终渗出区域如图5 c）所示，其中绿色区域表示硬性渗出最终检测结果。从图5 c）中可以看出使用集成分类器对硬性渗出的最终检测取得了令人满意的结果。

5实验结果与分析

本文实验是在Windows 10操作系统，Matlab 2016b软件环境下进行的。对本文算法性能的测试是在DiaretDB1数据集上进行的，主要考察了算法的敏感性、特异性、阳性预测值和准确率四个评价指标，并与其它算法的结果进行了对比，对比结果如表1所示。

在表1列举的检测方法中，在DiaretDB1数据集上，Imani[9]等人主要是使用形态学成分分析方法分离渗出区域，Welfer[10]等人主要利用了形态学和阈值化的方法通过多重形态学重建进行检测，Harangi[11]等人主要利用了主动轮廓模型和优化的朴素贝叶斯分类器进行检测，Fraz[12]等人主要利用了上下文信息和集成决策树分类的方法。Prentai[KG-*4]c[DD（-*1]′[DD）][13]等人则是采用了深度神经网络在非完全公开数据集DRiDB上对硬性渗出进行检测。通过对比表1中各方法的性能指标可以发现，本文提出的方法具有一定的竞争力。这主要是由于本文通过采用数学形态学方法进行背景估计，有针对性地提取到了更多渗出候选区域，在很大程度上避免了漏检。此外，提取了恰当的分类特征，并采用了装袋决策树的集成分类方法，降低了算法对噪声数据的敏感度，提高了算法的鲁棒性。

[BT4]6结束语

本文通過对眼底图像进行亮度校正、去噪、对比度增强等操作实现预处理，通过背景估计等形态学操作提取硬性渗出候选区域，最终利用集成分类器完成了对眼底图像硬性渗出物的检测。在DiaretDB1数据集上的测试结果表明，本文的方法能够较为准确地检测出眼底图像中的硬性渗出，具有一定的竞争力。虽然本文已经取得了较好的敏感性指标，但是由于一些假阳性区域的存在，特异性和阳性预测值仍然有进一步提高的空间，如何进一步减少假阳性区域的干扰将是后续研究工作的重点内容。

参考文献：

梁卫强， 王丽聪. 糖尿病视网膜病变的防治进展[J]. 中华临床医师杂志（电子版）， 2014，8（9）： 1763-1766.

[2] [JP2]周海英， 焦璇， 赵萌， 等. 非增殖期糖尿病视网膜病变黄斑区硬性渗出的临床观察[J]. 首都医科大学学报， 2010， 31（5）： 645-648.[JP]

[3] BAI Xiangzhi， ZHOU Fugen， XUE Bindong. Image enhancement using multi scale image features extracted by tophat transform[J]. Optics & Laser Technology， 2012， 44（2）： 328-336.[ZK）]

[4] [ZK（#]ABRAMOFF M D， GARVIN M K， SONKA M. Retinal imaging and image analysis[J]. IEEE Reviews in Biomedical Engineering， 2010， 3：169-208.

[5] SINHA N， BABU R V. Optic disk localization using L1 minimization[C]//Image Processing （ICIP）， 2012 19th IEEE International Conference on. Orlando， FL， USA：IEEE， 2012： 2829-2832.

[6] POLIKAR R. Ensemble based systems in decision making[J]. IEEE Circuits and Systems Magazine， 2006， 6（3）： 21-45.endprint

[7] ZHANG Min， WU T， BENNETT K M. Small blob identification in medical images using regional features from optimum scale[J]. IEEE Transactions on Biomedical Engineering， 2015， 62（4）：1051-1062.

[8] KAUPPI T，KALESNYKIENE V， KAMARAINEN J K， et al. DIARETDB1 diabetic retinopathy database and evaluation protocol[C]//Proceedings of the British Machine Vision Conference 2007. Uk：University of Warwick， 2007：1-18.

[9] IMANI E， POURREZA H R. A novel method for retinal exudate segmentation using signal separation algorithm[J]. Computer Methods and Programs in Biomedicine， 2016， 133（C）：195-205.

[10]WELFER D， SCHARCANSKI J， MARINHO D R. A coarsetofine strategy for automatically detecting exudates in color eye fundus images[J]. Computerized Medical Imaging and Graphics， 2010， 34（3）： 228-235.

[11]HARANGI B， HAJDU A. Automatic exudate detection by fusing multiple active contours and regionwise classification[J]. Computers in Biology & Medicine， 2014， 54（156）： 156-171.

[12][JP3]FRAZ M M， JAHANGIR W， ZAHID S， et al. Multiscale segmentation of exudates in retinal images using contextual cues and ensemble classification[J]. Biomedical Signal Processing & Control， 2017， 35：50-62.[JP]

[13]PRENTAI[KG-*3]C[DD（-*2]′[DD）] P， LON[KG-*2]C [DD（-*1] [XZ（180] ^[XZ）][DD）][KG-*6]ARI[KG-*3]C[DD（-*2]′[DD）] S， Detection of exudates in fundus photographs using deep neural networks and anatomical landmark detection fusion[J]. Computer Methods and Programs in Biomedicine， 2016， 137： 281-292.endprint