發(fā)布時(shí)間：2021-06-20 21:16

　　視網(wǎng)膜圖像分析成為目前診斷多種疾病非侵入的主要方式,其中血管的提取是最重要的一步。監(jiān)督學(xué)習(xí)的方法在血管提取上有很好的效果,為了進(jìn)一步提高檢測的精度,提出了低尺度血管檢測（LVD）算法。該網(wǎng)絡(luò)除了有一個(gè)提取輸入原尺度下特征的子網(wǎng)絡(luò)外,還增加了兩個(gè)低尺度下的特征提取子網(wǎng)絡(luò),并將低尺度下的單一輸出融合原尺寸下的特征,降維后得到最后的輸出結(jié)果�？紤]到眼底血管結(jié)構(gòu)特性,在LVD中設(shè)計(jì)了具有較深層數(shù)和較少參數(shù)的非對稱固定深度子網(wǎng)絡(luò)（ADS）。在公共的數(shù)據(jù)庫DRIVE中進(jìn)行測試,僅采用彩色眼底圖像的綠色分量和B-COSFIRE濾波響應(yīng)作為特征輸入,其敏感性、特異性、準(zhǔn)確率以及AUC指標(biāo)分別為0.819 2、0.984 2、0.969 5、0.978 2,達(dá)到了先進(jìn)水平。 

【文章來源】：計(jì)算機(jī)科學(xué)與探索. 2020,14(01)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

HED模型和LVD模型

在DRIVE訓(xùn)練集上進(jìn)行測試，得到圖6的ROC曲線以及AUC值。從圖中可以看出，ROC曲線靠近左上角，并且AUC值高達(dá)0.978 2，體現(xiàn)了本文算法的可靠性。網(wǎng)絡(luò)模型測試的結(jié)果是一張二維的灰度圖，體現(xiàn)的是血管分布的概率圖，還需要進(jìn)一步二值化得到最終的分割結(jié)果。在閾值分割前，先將測試結(jié)果采用最大最小歸一化法調(diào)整到[0,1]的范圍內(nèi)。為了分析血管的分布情況，取出一張測試結(jié)果的直方圖進(jìn)行分析，如圖7所示。可以發(fā)現(xiàn)，圖中像素值的分布主要集中在0和0.9附近，通過最大類間方差算法可以自動(dòng)地尋找最佳閾值，并進(jìn)行閾值分割。最后對得到的網(wǎng)絡(luò)模型在DRIVE測試集測試，Se、Sp、Acc平均指標(biāo)分別達(dá)到了0.819 2、0.984 2、0.969 5，部分測試圖像的分割結(jié)果顯示在圖8中。其中，第三列為測試結(jié)果，第四列為二值化分割結(jié)果，最后一列表示的是二值化結(jié)果與專家分割圖的對比，其中黃色區(qū)域?yàn)橄嘟坏膮^(qū)域，而紅色區(qū)域是本文算法將背景錯(cuò)誤劃分為血管的部分，綠色部分為未被檢測出的血管部分。以圖8中的第一張圖為例，截取了對比結(jié)果的部分區(qū)域進(jìn)行分析，為了檢測本文算法對血管末端的檢測效果，放大了局部血管末端，如圖9(a）所示，可以看出檢測的管末端基本跟專家分割的結(jié)果保持一致，并且血管的曲率、寬度、長度等屬性幾乎一致，也沒有出現(xiàn)離散的點(diǎn)，具有很好的連續(xù)性。本文還放大了密集血管附近的區(qū)域，如圖9(b）所示，可以看出，對于空間相鄰的血管，并沒有產(chǎn)生血管粘黏的現(xiàn)象，能很好地將血管間隙中的背景分割開來，達(dá)到了很好的檢測效果。本文在實(shí)驗(yàn)中還發(fā)現(xiàn)，本文算法檢測出了專家標(biāo)記的血管部分，如圖10所示。將原圖的綠色通道局部放大，可以看出原圖中靠近視場邊緣有一個(gè)細(xì)小的血管，如圖10(a）中的白色箭頭指向的區(qū)域，該血管對比度較小，肉眼很難看出，而本文算法卻能夠?qū)Ρ榷葮O低的細(xì)小血管進(jìn)行檢測，體現(xiàn)了本文算法的健壯性。本文算法也有不足的地方，如圖11所示。取了兩塊地方，一個(gè)是血管末稍處，還有一個(gè)是視盤區(qū)域，如圖11(a）。其中血管末梢很多未被分割出來，而在測試結(jié)果中已經(jīng)分割出來，如圖11(b）所示。這跟本文的二值化方法有關(guān)，最大類間方差考慮的是全局，找到一個(gè)具體的閾值整體分割，缺少了血管的局部信息，導(dǎo)致二值化后未被正確分割出來，還需要進(jìn)一步優(yōu)化二值化方法，更多地考慮血管的局部信息。在對視盤區(qū)域分析時(shí)發(fā)現(xiàn)，將部分背景區(qū)域錯(cuò)誤檢測為血管。因?yàn)橐暠P亮度較高，邊緣亮度較低，導(dǎo)致邊緣區(qū)域?qū)Ρ榷容^高，被誤檢為血管，模型還需要進(jìn)一步優(yōu)化，更多考慮對視盤區(qū)域的特征學(xué)習(xí)。圖7 測試結(jié)果的直方圖

部分測試結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]一種混合特征高效融合的視網(wǎng)膜血管分割方法[J]. 蔡軼珩,高旭蓉,邱長炎,崔益澤.  電子與信息學(xué)報(bào). 2017(08)
[2]基于多特征融合和隨機(jī)森林的視網(wǎng)膜血管分割[J]. 朱承璋,崔錦愷,鄒北驥,陳瑤,王俊.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(04)
[3]視力損害的流行病學(xué)研究[J]. 美麗巴努·玉素甫,陳雪藝.  國際眼科雜志. 2010(02)

碩士論文
[1]基于深度學(xué)習(xí)的眼底圖像血管分割方法研究[D]. 謝林培.深圳大學(xué) 2017
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的視網(wǎng)膜血管分割研究[D]. 姜玉靜.華中科技大學(xué) 2017



本文編號(hào)：3239946