彩色眼底圖像糖網滲出物的自動檢測

呂 衛，翟慶偉，褚晶輝，李 喆

?

彩色眼底圖像糖網滲出物的自動檢測

呂 衛，翟慶偉，褚晶輝，李 喆

( 天津大學電子信息工程學院，天津 300072 )

糖尿病視網膜病變(簡稱“糖網”)滲出物的自動檢測對于糖網的早期診斷具有重要意義。針對以往利用數學形態學檢測糖網滲出物方法中存在的圖像增強效果不佳造成的滲出物細節易漏檢以及干擾區域去除不完全造成的正常區域易誤檢的問題，提出了一種改進的基于數學形態學的糖網滲出物的自動檢測方法，主要對眼底圖像的預處理和視盤等干擾區域的檢測進行了優化。首先預處理階段在HSV顏色空間對圖像進行亮度校正后引入了多尺度頂帽變換方法進行圖像增強，接著采用了一種綜合圖像邊緣信息和亮度信息的新方法定位視盤中心并利用Chan-Vese水平集模型分割出視盤，又依次提取出干擾滲出物檢測的邊界和光學器件的反射亮斑，最后用背景估計結合形態學重建的方法檢測出滲出物的精確輪廓。經最新公開的e-ophtha EX數據庫測試，得到病灶水平靈敏度91.7%，陽性預測值94.6%；圖像水平靈敏度100%，特異性88.6%，準確率95.1%。

糖網滲出物；預處理；干擾區域；數學形態學

0 引 言

糖尿病視網膜病變(簡稱“糖網”，Diabetic Retinopathy，DR)是糖尿病最常見和最嚴重的眼部并發癥之一，它的發病率極高，在我國糖尿病人群中，發病5年后DR患病率為25%，10年后增至60%，15年后可高達75%~80%[1]。DR的嚴重程度隨著糖尿病病程的增長而增加，且具有很高的致盲性，因此早期若能及時發現并采用合理的治療手段則可以有效控制病情的惡化，降低視力嚴重損傷的危險。然而必須指出，這種治療的最佳時機很容易因各方面原因而被貽誤，而且現階段的DR檢查基本依靠眼科醫生的肉眼觀察，因此若能借助計算機高效準確的識別出DR的病灶，則能更及時控制住病情，降低糖尿病患者的致盲率。

臨床上將有無新生血管作為判斷依據[2]，將DR分為非增殖性糖尿病視網膜病變(Nonproliferative Diabetic Retinopathy，NPDR)和增殖性糖尿病視網膜病變(Proliferative Diabetic Retinopathy，PDR)，其中NPDR又可分為紅色病灶(視網膜內出血、微動脈瘤) 和白色病灶(硬性滲出、軟性滲出)。目前關于對糖網白色病灶滲出物的檢測主要分為四類方法：第一類是基于圖像亮度等信息采用閾值分割或區域生長的方法。如Yazid等[3]提出了一種基于逆表面自適應閾值的滲出物分割算法，通過最小平方距離法調整逆圖像的位置以獲得最佳閾值，能根據不同的數據庫自動計算得出分割閾值。Li等[4]提出了一種基于區域生長的滲出物檢測方法，選取子圖像中局部區域最小值作為種子點并把Canny邊緣檢測結果作為停止準則。第二類是基于聚類的方法。如Osarah等[5]采用Fuzzy C-Means聚類得到候選區域，再分類得到硬性滲出物。JayaKumari等[6]首先運用文本聚類算法得到亮目標區域，然后用一種遞歸神經網絡ECNN檢測不同的滲出物。第三類主要采用機器學習的方法。如García等[7]提出一種包含三種神經網絡分類器的滲出物檢測算法。Zhang等[8]對候選區域提取語義特征等5類特征形成一個28維的特征向量，然后采用隨機森林分類得到精確的滲出物結果。第四類是基于數學形態學的方法。如Walter等[9]利用形態學濾波和分水嶺變換移除視盤，然后采用基于灰度方差和形態學重建的方法識別出滲出物。Sopharak等[10]首先在HSI顏色空間對I通道增強后利用形態學操作分割出視盤，再結合標準差濾波和形態學重建的方法檢測出滲出物。Amel等[11]則采用CIELab顏色空間對L通道增強，然后用閾值處理結合形態學重建移除視盤，最后綜合用K-means聚類、Kirsch邊緣檢測和形態學重建的方法提取出滲出物。

基于對上述四類方法相關文獻的對比和分析，采用閾值分割的方法對閾值的選取依賴性較大，同樣區域生長法也很大程度上依賴于種子點和停止準則?；诰垲惖姆椒ǖ玫降慕Y果易受聚類初始中心的影響，且迭代次數提高后運行時間也會顯著增加。采用機器學習的檢測方法則對分類器的設計和特征的選取要求較高。而基于數學形態學的無監督方法以形態結構元素為基礎對圖像進行處理和分析，與其它方法相比具有高效快速、易于硬件實現等優點。對采用形態學方法的文獻[9]～[11]進行對比發現，上述文獻在預處理階段都是采用了對比度受限自適應直方圖均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)的方法進行圖像增強，且在干擾區域的檢測上只是利用圖像亮度信息移除了視盤，對其它亮度較高的區域未做處理?；诖?，本文提出了一種改進的基于數學形態學的糖網滲出物自動檢測方法，主要對眼底圖像的預處理和視盤等干擾區域的檢測進行了優化。首先預處理階段在HSV顏色空間對圖像進行亮度校正后引入了多尺度頂帽變換方法進行圖像增強，接著采用了一種綜合圖像邊緣信息和亮度信息的新方法定位視盤中心并利用Chan-Vese水平集模型分割出視盤，又依次提取出干擾滲出物檢測的邊界和光學器件的反射亮斑，最后用背景估計法得到滲出物候選區域并用形態學重建的方法檢測出滲出物的精確輪廓。

1 改進的基于數學形態學的糖網滲出物的自動檢測

糖網滲出物包括硬性滲出和軟性滲出，滲出物無規則的分布于眼底，多呈簇狀堆積，外觀表現為大小不等、形狀不規則的黃白色斑點狀，見圖1。本文提出的滲出物自動檢測方法流程如圖2所示，第一步首先對眼底圖像進行預處理，包括感興趣區域(Region of Interest，ROI)獲取、亮度校正和對比度的增強，其中引入了多尺度頂帽變換的方法進行圖像增強；第二步檢測易和滲出物混淆的視盤、邊界和光學器件反射的亮斑等干擾區域，其中視盤的定位則是采用了一種綜合圖像邊緣信息和亮度信息的新方法；第三步進行糖網滲出物的提取，包括背景估計、干擾區域的移除以及對病灶候選區域的形態學重建。

圖1 彩色眼底圖像及糖網滲出物細節

圖2 方法流程

1.1 眼底圖像預處理

首先獲取眼底圖像的感興趣區域(ROI)，這樣在后續處理中能有效避免ROI區域外像素的影響，降低計算的復雜度。選取原彩色圖像最能反映光照情況的紅色通道分量灰度圖來進行處理，公式如(1)所示，

亮度不均主要表現為圖像的明暗分布不一致，而HSV顏色空間中分量直接反映圖像的亮度情況，因此對亮度值進行校正，校正公式：

亮度校正后的眼底圖像依然存在滲出物和其它結構對比不明顯的問題，尤其是在圖3(c)中可看出某些微小滲出物的邊緣特性比較微弱。此處引入Bai等[13]提出的多尺度頂帽變換的方法進行對比度增強，取亮度校正后圖像對比度最高的綠色通道灰度圖(圖3(d))，增強公式：

圖3 圖像預處理

1.2 干擾區域的檢測

1.2.1視盤的定位與分割

視盤(Optic Disc，OD)在彩色眼底圖像中呈現近似圓盤狀的亮黃色或白色區域，與周圍區域存在很高的對比度。由于視盤在顏色和亮度特征上與滲出物病灶極其相似，因此視盤的準確定位和分割是滲出物檢測流程中非常關鍵的一步。本文提出了一種綜合眼底圖像的邊緣信息和亮度信息的新方法來分別定位視盤的水平坐標和垂直坐標，并利用CV水平集模型提取出視盤輪廓。其中視盤定位算法高效準確，不需要提取血管，在e-ophtha EX[17-18]數據庫82張眼底圖像中成功定位81張，準確率達到98.8%。

Sobel算子是基于一階導數的邊緣檢測算子，利用它的橫向模板和縱向模板可分別得到圖像的水平邊緣和垂直邊緣。Isotropic Sobel算子是Sobel算子另一種形式，和普通Sobel算子相比，它的位置加權系數更為準確，在檢測兩個方向的邊緣時能保持梯度的幅度一致，效果更為清晰。由于視盤區域血管分布比較密集且血管主要沿垂直方向延伸，因此視盤區域相對其它區域垂直方向邊緣強度要遠大于水平方向邊緣強度[14]。用Isotropic Sobel算子分別提取圖3(e)的垂直邊緣和水平邊緣圖像，然后根據血管的分布特性定義一個矩形窗，如圖4(a)和圖4(b)，令此矩形窗在兩幅邊緣圖像上沿水平方向滑動，對每一個水平坐標，以此坐標為窗口中心，分別計算窗內像素灰度均值。定義兩值相減的差值為該水平坐標的邊緣差值，計算式：

在定位視盤垂直坐標時，綜合考慮視盤處血管的密集度信息和視盤亮度信息。首先以定位出的視盤水平坐標為中心，取一倍視盤直徑寬度，截取垂直邊緣圖像作為血管密集度子圖像，在此圖像上定義一個同寬度，高度也為一倍視盤直徑的方形窗，對每一個垂直坐標，以此坐標為窗口中心，如圖4(d)所示，令此窗口沿垂直方向滑動，統計窗內像素的灰度均值作為血管密集度特征；然后在圖3(e)上截取同樣大小圖像作為視盤亮度子圖像，并通過直方圖均衡化來增強視盤區域，如圖4(e)所示。對每一個垂直坐標，計算同樣大小的方形窗內像素灰度方差值作為視盤亮度特征。定義兩值的乘積為該垂直坐標的綜合特征值，計算式：

圖4 視盤坐標定位

定位出視盤中心坐標后，接著利用CV水平集模型進行視盤的分割。CV模型是Chan-Vese[15]提出的一種經典的基于區域的水平集活動輪廓模型，假設圖像目標和背景兩個同質區域的平均灰度值為常數，通過極小化能量泛函，使得閉合輪廓曲線趨近于目標邊界。首先在圖3(e)上以定位出的視盤坐標為中心截取寬度和高度都為三倍視盤直徑的子圖像，同樣采用直方圖均衡化方法來增強圖像中的視盤區域，結果如圖5(a)。然后用半徑略大于主血管寬度的圓形結構元素對圖像進行形態學開操作來擦除血管。接著用CV模型來獲取視盤區域的輪廓，初始輪廓選擇以定位出的視盤中心為圓心的半徑較小的圓形，這里選擇半徑為10，如圖5(b)。為了確定CV模型中的迭代次數，此處引入了面積重疊率這一視盤分割的評價指標，該評價指標由Lalonde等[16]提出，其計算式：

圖5 視盤輪廓檢測

表1 不同迭代次數下平均重疊率Save的實驗結果

1.2.2邊界和反射亮斑的檢測

除去視盤以外，還有兩種亮度較高的區域會影響到滲出物的檢測，分別是眼底圖像ROI的邊界處(圖6(a))和眼底相機內部光學器件反射造成的亮斑(圖6(b))，其中光學器件的反射亮斑只存在于部分圖像。

首先用7×7的模板對圖6(a)的綠色通道進行中值濾波，同時用Canny算子提取出ROI的邊界輪廓如圖6(c)，以濾波后的圖像(圖6(d))作為掩膜，邊界輪廓圖像作為標記進行形態學重建得到圖6(e)，對結果用Otsu法做全局閾值處理并采取膨脹操作可得到邊界亮區域的二值圖像，如圖6(f)。

對于光學器件反射亮斑的提取，在圖6(a)中并不存在，因此選取反射區域較多的圖6(b)為例。由于此種區域白光成分較多，顏色飽和度低，取其HSV顏色空間中的飽和度通道如圖6(g)，可發現反射亮斑在此通道中灰度值較低，特征明顯，與ROI內背景像素的灰度值差距較大，因此用Otsu法進行閾值分割可提取出面積較大的反射亮斑，結果如圖6(h)所示。對于少部分未被檢測出的較弱的亮斑，由于面積較小與滲出物極易混淆，如果繼續處理則極易把較小的滲出物錯檢成亮斑，進而降低滲出物檢測的靈敏度，因此這里并未對這少部分較弱的亮斑做進一步的檢測。

1.3 滲出物的檢測

最后進行滲出物輪廓的精確檢測，主要分為三步，具體步驟描述如下：

1) 采用背景估計方法獲取滲出物候選區域。背景估計的目的在于將處理過的圖像與原灰度圖比較，提取眼底圖像的前景結構。取原圖像綠色通道灰度圖像，背景估計的過程：

圖6 邊界和光學器件反射亮斑的檢測

2) 對背景估計得到的結果移除視盤等干擾區域，處理公式：

圖7 滲出物的檢測

2 實驗結果及分析

2.1 實驗數據庫和評價指標

e-ophtha EX數據庫是2013年國際上公開的專門用于糖網滲出物研究的彩色眼底圖像數據庫，圖像數據來源于法國國家科研署資助的遠程DR篩查項目OPHDIAT[17]中建立的e-ophtha數據庫，病變圖像的標注結果則是在TeleOphta[18]項目中由ADCIS研發的標注軟件結合眼科專家的修改意見共同標注完成。它包含82張眼底圖像(包括四種不同的尺寸：1 440 pixels′960 pixels, 1 504 pixels′1 000 pixels, 2 048 pixels′1360 pixels, 2 544 pixels′1 696 pixels)，其中有47張病變圖象和35張正常圖像。和其它幾種眼底圖像數據庫如DIARETDB1、Messidor和HEI-MED數據庫相比，e-ophtha EX給出了更為精確的滲出物標注輪廓，可作為滲出物檢測結果的評價標準[8]。

對于每張眼底圖像，以數據庫給出的病變標注結果為參考，本文方法檢測出的相同或不同的區域分別稱為真陽性()和假陰性()，同理以正常的區域為參考，檢測出的相同或不同的區域分別稱為真陰性()和假陽性()?；诖?，分別有以下四個評價參數：

對糖網滲出物檢測方法性能的評價標準主要有基于病灶水平和基于圖像水平。其中，基于病灶水平的評價標準側重于判斷每一幅圖像中檢測出的區域是否為滲出物，選用區分度較高的靈敏度(E)和陽性預測值(V)這兩個參數。而基于圖像水平側重于判斷圖像是否含有滲出物，選用靈敏度(E)、特異性(P)和準確率(C)這三個參數。

2.2 實驗結果分析

本文實驗是在Windows XP、編程環境為Matlab R2010b、CPU主頻為2.10 GHz以及4 GB內存條件下進行的。圖8為三幅具有代表性的眼底圖像的滲出物檢測結果(藍色區域)與專家標注輪廓(綠色區域)的對比，由結果來看，無論是對滲出物較多且明顯的眼底圖像(圖8第一行)、滲出物較少且不易分辨的眼底圖像(圖8第二行)，或是光學器件反射區域較多的眼底圖像(圖8第三行)，本文的方法都能檢測出滲出物的區域。

圖8 不同眼底圖像檢測結果

將本方法與其它方法的檢測結果進行對比，如表2所示。其中文獻[9]、[10]和[11]主要運用數學形態學的方法，文獻[5]和[7]則分別用了聚類和機器學習的方法?？梢娫诓≡钏?，本文方法在保證靈敏度的前提下取得了最高的陽性預測值，這是由于在形態學膨脹重建檢測滲出物精確輪廓這一步驟中使用多尺度頂帽增強后的圖像作為掩膜圖像來約束重建過程，從而使檢測出的病灶包含了更多的滲出物細節；而本文方法的靈敏度略低于文獻[9]和文獻[11]，主要原因是某些眼底圖像中視神經纖維區域面積較大且亮度較高，導致出現了少量的誤檢使得假陽性區域相對略有增加，但其靈敏度仍高于其它四種方法且大于英國糖尿病協會提出的靈敏度最低80%的病灶篩查標準。在圖像水平上則取得了較高的靈敏度和準確率，其中47張病變圖像全部檢測出滲出物，35張正常圖像中只有4張檢測錯誤。綜合來看，本文改進了基于數學形態學的糖網滲出物檢測方法，并在圖像預處理和視盤等干擾區域的檢測中引入了新方法，取得了較好的結果。雖然存在對小部分視神經纖維區域的誤檢，但結果都在容忍度之內，而且在后續的研究中，本課題將更加深入地分析如何有效地去除這些區域，以進一步提升檢測精度。

表2 本方法與其它糖網滲出物檢測方法的比較

3 結 論

本文提出了一種改進的基于數學形態學的糖網滲出物的自動檢測方法，主要對眼底圖像的預處理和視盤等干擾區域的檢測進行了優化。其中預處理階段引入了多尺度頂帽變換方法進行圖像增強并把結果應用到形態學重建檢測滲出物這一步驟中，使得檢測結果中包含更多的滲出物細節，其次本文詳細分析并采用新方法移除了影響滲出物檢測的視盤、邊界和光學器件的反射亮斑等干擾區域，在候選區域中減少了更多的偽目標，尤其是提出的綜合眼底圖像的邊緣信息和亮度信息的視盤定位方法高效準確，極大地提高了滲出物自動檢測的效率。采用公開的e-ophtha EX眼底圖像數據庫進行實驗驗證，說明本方法具有較高的可行性和優越性。

[1] 任彥新，衛玉彩. 糖尿病視網膜病變發病機制和治療的研究進展[J]. 臨床薈萃，2006，21(17)：1285-1287.

REN Yanxin，WEI Yucai. Research progress in the pathogenesis and therapy of diabetic retinopathy [J].Clinical Focus，2006，21(17)：1285-1287.

[2] 陳喆，張士勝，朱惠敏. 糖尿病視網膜病變的國際臨床分類分析[J]. 國際眼科雜志，2011，11(8)：1394-1401.

CHEN Zhe，ZHANG Shisheng，ZHU Huimin. Analysis of international clinical diabetic retinopathy disease severity scale [J]. International Eye Science，2011，11(8)：1394-1401.

[3] Yazid H，Arof H，Isa H M. Exudates segmentation using inverse surface adaptive thresholding [J]. Measurement(S0263-2241)，2012，45(6)：1599-1608.

[4] LI Huiqi，Chutatape O. Automated feature extraction in color retinal images by a model based approach [J]. IEEE Transactions on Biomedical Engineering(S0018-9294)，2004，51(2)：246-254.

[5] Osareh A，Mirmehdi M，Thomas B，. Automatic recognition of exudative maculopathy using fuzzy c-means clustering and neural networks [C]// Medical Image Understanding and Analysis，Birmingham，London，Jul 16-17，2001，3：49-52.

[6] JayaKumari C，Maruthi R. Detection of hard exudates in color fundus images of the human retina [J]. Procedia Engineering(S1877-7058)，2012，30：297-302.

[7] García M，Sánchez C I，López M I，. Neural network based detection of hard exudates in retinal images [J]. Computer Methods and Programs in Biomedicine(S0169-2607)，2009，93(1)：9-19.

[8] ZHANG Xiwei，Thibault G，Decencière E，. Exudate detection in color retinal images for mass screening of diabetic retinopathy [J]. Medical Image Analysis(S1361-8415)，2014，18(7)：1026-1043.

[9] Walter T，Klein J C，Massin P，. A contribution of image processing to the diagnosis of diabetic retinopathy-detection of exudates in color fundus images of the human retina [J]. IEEE Transactions on Medical Imaging(S0278-0062)，2002，21(10)：1236-1243.

[10] Sopharak A，Uyyanonvara B，Barman S，. Automatic detection of diabetic retinopathy exudates from non-dilated retinal images using mathematical morphology methods [J]. Computerized Medical Imaging and Graphics(S0895-6111)，2008，32(8)：720-727.

[11] Amel F，Mohammed M，Abdelhafid B. Improvement of the hard exudates detection method used for computer-aided diagnosis of diabetic retinopathy [J]. International Journal of Image Graphics and Signal Processing(S2074-9074)，2012，4(4)：19.

[12] BAI Xiangzhi，ZHOU Fugen，XUE Bindang. Image enhancement using multi scale image features extracted by top-hat transform [J]. Optics & Laser Technology(S0030-3992)，2012，44(2)：328-336.

[13]Mahfouz A E，Fahmy A S. Fast localization of the optic disc using projection of image features [J]. IEEE Transactions on Image Processing(S1057-7149)，2010，19(12)：3285-3289.

[14] 趙圓圓，張東波，劉茂. 采用局部搜索的快速視盤檢測方法[J]. 光電工程，2014，41(3)：28-34.

ZHAO Yuanyuan，ZHANG Dongbo，LIU Mao.Fast Optic Disc Detection by Local Searching [J]. Opto-Electronic Engineering，2014，41(3)：28-34.

[15] Chan T F，Vese L A. Active contours without edges [J]. IEEE Transactions on Image Processing(S1057-7149)，2001，10(2)：266-277.

[16] Lalonde M，Beaulieu M，Gagnon L. Fast and robust optic disc detection using pyramidal decomposition and Hausdorff-based template matching [J]. IEEE Transactions on Medical Imaging(S0278-0062)，2001，20(11)：1193-1200.

[17] Massin P，Chabouis A，Erginay A，. OPHDIAT?: A telemedical network screening system for diabetic retinopathy in the ?le-de-France [J]. Diabetes & metabolism(S0338-1684)，2008，34(3)：227-234.

[18] Decencière E，Cazuguel G，ZHANG Xiwei，. TeleOphta: Machine learning and image processing methods for teleophthalmology [J]. IRBM(S1959-0318)，2013，34(2)：196-203.

Automated Detection of Diabetic Retinopathy Exudates in Color Fundus Images

Lü Wei，ZHAI Qingwei， CHU Jinghui，LI Zhe

( School of Electronic Information Engineering, Tianjin University, Tianjin 300072, China)

The automated detection of diabetic retinopathy exudates has great importance for early diagnosis of diabetic retinopathy. Aiming to reduce the residual error caused by ineffective image enhancement and the false detection caused by incomplete removal of interference regions existing in common morphology-based exudates detection methods, an automated method based on mathematical morphology is proposed, which mainly improves the preprocessing of fundus images and the detection of interference regions like optic disc. In the image preprocessing step, the proposed method corrects the brightness of the image in the HSV color space, and then adopts multi-scale top-hat transform to enhance the image. Afterwards, a novel method is used to localize the center of optic disc according to the edge and brightness characteristics of image, and then the optic disc region is segmented by Chan-Vese level set model. Furthermore, other interference regions including bright border and optical artifacts reflection are detected and removed. Finally, the exudates are precisely segmented by background estimation and morphological reconstruction. From the testing results on the new public dataset of e-ophtha EX, the proposed method achieves sensitivity of 91.7% , specificity of 94.6% on the exudate level and sensitivity of 100%, specificity of 88.6% and accuracy of 95.1% on the image level.

diabetic retinopathy exudates; image preprocessing; interference regions; mathematical morphology

1003-501X(2016)12-0183-10

TN911.73

A

10.3969/j.issn.1003-501X.2016.12.028

2016-06-06；

2016-10-09

國家自然科學基金資助項目(61271069)

呂衛(1976-)，男(漢族)，江蘇常熟人。副教授，博士，主要研究工作是圖像處理與模式識別。E-mail: luwei@tju.edu.cn。

褚晶輝(1969-)，女(漢族)，天津人。副教授，博士，主要研究工作是數字視頻技術與模式識別。E-mail: cjh@tju.edu.cn。