基于混合模型的视网膜血管自动分割算法

高卫红，吕莉莉，徐小媚，方纯洁

浙江中医药大学医学技术学院 杭州 310053

视网膜血管是一种较深层次的微血管，同时也是人体血管结构中惟一可用来直接观察病变的微血管。糖尿病视网膜病变、高血压视网膜病变、中心视网膜静脉阻塞等疾病均会造成视网膜血管的特征结构变化。因此，眼底视网膜血管表现可作为高血压、糖尿病和眼部疾病的重要诊断依据。临床中常用的视网膜血管分割方法主要以医生手动分割为主，所需时间长，对于医生专业水平要求高，过程繁琐且人为因素对分割结果影响大。视网膜血管自动分割可以减轻医生的工作强度，使分割结果更为科学，适用于大规模的筛查。但是视网膜血管直径变化较大以及血管和背景对比度低，使得视网膜血管自动分割面临巨大挑战[1]。

Soares等[2]运用Gabor小波变换的方法实现了视网膜血管的自动分割； Chaudhuri等[3]第一次将高斯函数应用于分割视网膜血管；Hoover等[4]则在Chaudhuri等人研究的基础上考虑了血管局部特征等因素，也较好地实现了视网膜血管的分割；Jiang等[5]提出了一种经多阈值探测求得局部自适应阈值，实现血管分割的方法；Niemeijer等[6]根据图像中的每个像素构建特征向量，使用特征向量构建分类器，实现血管分割；Lam等[7]提出了一种多腔模型的方法检测血管，即利用微分凹度、线性凹度、局部归一化凹度处理眼底图像中不同的部位，实现视网膜血管的分割；戴培山等[8]结合局部归一化与聚类算法实现了视网膜血管的分割；王晓红等[9]结合自适应直方图均衡化、形态学重构等多种方法实现了视网膜血管的分割。但这些方法仍存在一些急需解决的问题，文献 [3,5,8]方法中血管连续性仍有待提高；文献[4]方法需要计算大量的高斯核，极大地影响了计算速度； 文献[9-10]方法分割结果准确率较低。因此，本研究提出了一种基于混合模型的视网膜血管自动分割算法，以期提高视网膜血管分割的准确率和分割血管的连续性。

1 材料与方法

1.1混合模型算法流程该流程融合了形态学和尺度空间两种视网膜血管分割模型以及区域生长法，主要包括眼底图像预处理、粗分割、形态学与尺度空间分割模型结果的融合和精分割4个步骤。

1.1.1 眼底图像预处理 图像预处理是眼底图像视网膜血管分割过程中一个重要的步骤，预处理结果会对血管特征的提取和分割结果产生显著影响。RGB格式的眼底图像在采集和传输过程中极易引入噪声，致使不同区域像素特征的区分度较低，增加了分割难度，因此有必要对眼底图像进行预处理，以减少噪声的影响。考虑到绿色分量图像的视网膜血管与其背景的对比度最高，故预处理方法为提取绿色分量图像，结果如图1所示。

A:原图像；B：绿色分量图像图1 图像预处理结果

1.1.2 粗分割 形态学是图像处理过程中常用的获取有用图像分量的有效工具。由于眼底图像的视网膜血管宽度不一，尺度空间分割模型具有一定的优势。因此分别构建形态学模型和尺度空间模型，实现对步骤1中提取的绿色分量图像的粗分割，并计算两种模型粗分割结果的均值。

形态学模型：形态学模型基础是数学形态学基本运算，常用的基本运算包括开运算、闭运算、腐蚀、膨胀等。本研究使用top-hat变换方法实现视网膜血管的分割,由于常用的top-hat算子对噪声非常敏感，故采取一种修正后的top-hat算子，见式(1)。

tophat(image)=image-min(((image·Wc)oW),image)

(1)

式中，image为眼底图像的绿色分量图像；o表示开运算；W为开运算选取的结构元素，为半径1～8像素的圆盘，从而获得8个结果，通过不同大小的结构元素确定目标信息；·为闭运算，目的是消除小噪声波动造成的影响；Wc为闭运算选用的结构元素，尺寸设定比小噪声稍大，结构元素为半径为2像素圆盘。通过配对连续图像的均值得到4个结果，用来减少噪声。此外，对于每个像素，将每个尺度的最大值定义为响应。为弥补较弱的响应，将较小的尺度赋予较大的权重。最后将值归一化到[0，1]区间内即得到输出结果。

尺度空间模型：构建时首先利用尺度空间理论构建尺度空间分割模型，初始分割视网膜血管，然后通过计算获取每个尺度中像素的梯度以及Hessian矩阵，最后获取融合了全部尺度的分割结果。详细步骤如下：将预处理后的图像I(x,y)与高斯核函数G(x,y;s)进行卷积，得到各个尺度s的卷积图像I(x,y;s)，见式(2)。

I(x,y;s)=I(x,y)*G(x,y;s)

(2)

其中，s为高斯核函数G(x,y;s)的标准差；I(x,y;s)中s为尺度，取值范围[1.5,10]，步长为0.5。

随后通过对式(2)求偏导，获取梯度以及Hessian矩阵，如式(3～7)：

Ix=I(x,y)*sGx

(3)

Iy=I(x,y)*sGy

(4)

Ixx=I(x,y)*s2Gxx

(5)

Ixy=I(x,y)*s2Gxy

(6)

Iyy=I(x,y)*s2Gyy

(7)

1.1.3 形态学和尺度空间分割模型结果的融合 为了更好地结合形态学模型与尺度空间模型的优点，对两种模型分割结果求均值，得到初步分割输出，再对初步分割输出进行结果融合。详细步骤如下：首先提取眼底图像的绿色分量图像，并进行自适应直方图均衡化，用以消除由于光照不均造成的不良影响；然后进行阈值分割得到掩模；最后，为了消除明亮区域边缘效应的影响，对掩模中白色区域部分进行膨胀操作；用形态学模型分割结果替换掩模白色区域，掩模中其他区域则利用初始分割输出替换，得到模型的融合分割结果。

1.1.4 精分割 为了改善视网膜血管分割的性能，利用区域生长法对融合分割结果进行区域生长，实现视网膜血管的精分割。主要步骤如下。①选取像素种子点：根据Otsu方法将融合结果中的所有像素根据阈值t分为视网膜血管和背景两大类，其中强度值小于t的像素被分类为初始背景类，而大于或等于t的像素则被分类为初始血管类。采用强度均值μb、μv和标准差σb、σv来表征背景类像素和血管类像素。当所测像素的强度值大于μv时，该像素则被归类为血管类；反之则被归类为背景类。将具有确定类别标签的像素选定为像素种子点。②区域生长：在选定像素种子点后，根据区域生长法和图像梯度信息对视网膜血管区域和背景区域进行分类以及区域生长。通常情况下梯度信息较低的像素更易分类，故只对概率值偏大或偏小并且梯度值小的像素进行分类。梯度值的直方图由均值μg和标准差σg表示。 区域生长过程如式(8～9)。

(8)

(9)

其中α初始值为1，每区域生长一次增加0.65，直至所有需要分类的像素分类完毕。血管边缘像素的梯度值一般较高，而设立条件μg≥γ则可防止边缘像素被错误分类。最后，不考虑梯度信息进行区域生长，直至所有像素全部完成分类，得到视网膜血管的精细分割结果。

1.2眼底视网膜图像及运算系统来源我们通过对国内外公认的眼底图像库DRIVE进行视网膜血

管自动分割并对算法进行性能评估。DRIVE图像库包括随机抽取于453名不同年龄阶段个体的40幅彩色眼底视网膜图像，其中7幅为眼底病变图像；图像的分辨率均为768×584，均为RGB格式的真彩色眼底图像；包含训练数据集与测试数据集两个子集，每个数据集包含20幅图像，每幅图像包含两位专家手动分割的结果。实验平台运行配置如下：处理器为Intel (R) Core (TM) i7-8550U CPU @ 1.80 GHz，操作系统为Windows 10 (64位) 旗舰版, 软件平台为Matlab R2014b。

1.3结果评估以DRIVE眼底图像库中第一位专家手动分割结果为金标准图像，采用准确度(ACC)、敏感度(TPR)、特异度(TNR)3个指标评估算法的性能。ACC、TPR、TNR计算公式如式(10～12)。其中，真阳性(TP)为自动分割与金标准图像对比被正确分类的血管类像素点；假阳性(FP)为自动分割与金标准图像对比被错误分类的血管类像素点；假阴性(FN)为自动分割与金标准图像对比被错误分类的背景类像素点；真阴性(TN)为自动分割与金标准图像对比被正确分类的背景类像素点。

(10)

(11)

(12)

2 结果

形态学模型、尺度空间模型、混合模型的视网膜血管分割图像结果见图2，可以看出，混合模型能够获得较为完整的视网膜血管网络，其分割结果优于形态学模型和尺度空间模型。20幅图像自动分割的性能见表1，ACC、TPR、TNR的平均值分别为0.943 1、0.657 7、0.987 1。

不同算法分割结果图像见图3。从图3可看出，混合模型算法比Jiang 算法[5]分割后的血管更具有连续性，比Niemeijer算法[6]分割的背景也更显优势。20幅图像不同算法分割性能的比较见表2，可以看出，混合模型算法ACC优于Jiang、Niemeijer和Chaudhuri算法；虽然ACC略逊于Soares和Lam算法，但在TNR方面更具优势。

图2 典型图像视网膜血管分割的图像

图像ACCTPRTNR图像ACCTPRTNR010.944 50.706 90.981 9110.942 20.642 70.988 3020.941 70.669 00.991 5120.945 90.691 10.984 3030.929 30.637 90.981 8130.933 50.629 40.986 1040.943 10.638 70.992 4140.949 70.713 40.982 5050.940 40.634 50.991 3150.956 50.721 20.984 9060.934 20.600 70.991 7160.946 60.668 20.990 8070.938 60.600 00.992 6170.940 30.625 30.986 9080.928 80.531 20.988 4180.946 70.689 00.981 9090.943 70.605 30.991 4190.959 90.792 00.984 3100.943 30.640 30.986 9200.953 40.717 30.983 3

图3 典型图像不同算法分割的图像

算法ACCTPRTNRNiemeijer[6]0.941 60.679 30.980 1Chaudhuri[3]0.877 3--Jiang[5]0.921 20.639 9-Soares[2]0.946 60.728 50.978 6Lam[7]0.947 2--混合模型算法0.943 10.657 70.982 8

3 讨论

视网膜血管的常用自动分割方法包括基于机器学习的分割方法、基于血管追踪的分割方法、基于匹配滤波的分割方法以及基于数学形态学的分割方法等。基于机器学习的分割方法分为有监督的分割方法[11-14]和无监督的分割方法[15], 有监督的分割方法需根据图像特征训练分类器，然后使用训练好的分类器进行血管分割。因需要考虑先验信息构建分类器，工作量会相应加大，极易影响分割速度；非监督法则不需要标准图像作为参考，不考虑先验信息，虽然可以大大提高分割的速度、减少工作量，但准确率相对于监督学习方法较差。基于血管追踪的分割方法是根据血管的某种特征如血管的直径、边缘梯度和中心点等，人为设定种子点，进行血管网络的追踪，实现视网膜血管的分割；此方法一次只能追踪一根血管，且由于病变血管的不对称性，血管分割的准确率降低。基于匹配滤波的分割方法[5]则是根据图像的某一特征设置掩模，用掩模对图像进行滤波操作，使得这一特征得到增强，从而实现视网膜血管的分割；基于匹配滤波的分割方法一般不单独使用，需与其他方法相结合。基于数学形态学的分割方法通常是对图像中的像素根据基础运算以及基础运算组合进行相应的逻辑运算，此方法实现简单，并且可依据原有图像特征实现分割；但单纯基于数学形态学[16]实现视网膜血管分割，极易受噪声影响，将类似血管结构的背景类像素错误分割。本研究的混合模型采用了一种修正后的top-hat算子，可以借助图像先验特征信息，增强图像中细血管的分割精度，一定程度上解决了血管不连续的问题；同时，尺度空间模型对于对比度低的血管有强大的检测与增强能力。将两种方法融合，可兼具两种模型的优势，使分割效果更佳。采用该方法对DRIVE图像库中的图像进行分割，性能令人满意。但由于血管区域与背景区域的对比度低等情况，形态学模型的视网膜血管增强效果仍需加强；此外，尺度空间模型的分割效果也会受到灰度不均情况的影响。

总之，为实现视网膜血管的自动分割以及提高算法分割的准确性，我们提出了一种基于混合模型的视网膜血管自动分割算法。该算法运用形态学与尺度空间分别建立分割模型后进行结果融合，并利用区域生长法对融合结果进行区域生长，从而实现视网膜血管的精分割。研究结果表明，该算法能够较好的实现彩色眼底图像视网膜血管网络的分割。如何进一步改善该模型在低对比度和灰度不均匀区域的视网膜血管分割效果将是今后主要的研究方向。