低尺度血管检测在视网膜血管分割中的应用

发布时间：2021-06-20 21:16

　　视网膜图像分析成为目前诊断多种疾病非侵入的主要方式,其中血管的提取是最重要的一步。监督学习的方法在血管提取上有很好的效果,为了进一步提高检测的精度,提出了低尺度血管检测（LVD）算法。该网络除了有一个提取输入原尺度下特征的子网络外,还增加了两个低尺度下的特征提取子网络,并将低尺度下的单一输出融合原尺寸下的特征,降维后得到最后的输出结果。考虑到眼底血管结构特性,在LVD中设计了具有较深层数和较少参数的非对称固定深度子网络（ADS）。在公共的数据库DRIVE中进行测试,仅采用彩色眼底图像的绿色分量和B-COSFIRE滤波响应作为特征输入,其敏感性、特异性、准确率以及AUC指标分别为0.819 2、0.984 2、0.969 5、0.978 2,达到了先进水平。 

【文章来源】：计算机科学与探索. 2020,14(01)北大核心CSCD

【文章页数】：10 页

【部分图文】：

HED模型和LVD模型

在DRIVE训练集上进行测试，得到图6的ROC曲线以及AUC值。从图中可以看出，ROC曲线靠近左上角，并且AUC值高达0.978 2，体现了本文算法的可靠性。网络模型测试的结果是一张二维的灰度图，体现的是血管分布的概率图，还需要进一步二值化得到最终的分割结果。在阈值分割前，先将测试结果采用最大最小归一化法调整到[0,1]的范围内。为了分析血管的分布情况，取出一张测试结果的直方图进行分析，如图7所示。可以发现，图中像素值的分布主要集中在0和0.9附近，通过最大类间方差算法可以自动地寻找最佳阈值，并进行阈值分割。最后对得到的网络模型在DRIVE测试集测试，Se、Sp、Acc平均指标分别达到了0.819 2、0.984 2、0.969 5，部分测试图像的分割结果显示在图8中。其中，第三列为测试结果，第四列为二值化分割结果，最后一列表示的是二值化结果与专家分割图的对比，其中黄色区域为相交的区域，而红色区域是本文算法将背景错误划分为血管的部分，绿色部分为未被检测出的血管部分。以图8中的第一张图为例，截取了对比结果的部分区域进行分析，为了检测本文算法对血管末端的检测效果，放大了局部血管末端，如图9(a）所示，可以看出检测的管末端基本跟专家分割的结果保持一致，并且血管的曲率、宽度、长度等属性几乎一致，也没有出现离散的点，具有很好的连续性。本文还放大了密集血管附近的区域，如图9(b）所示，可以看出，对于空间相邻的血管，并没有产生血管粘黏的现象，能很好地将血管间隙中的背景分割开来，达到了很好的检测效果。本文在实验中还发现，本文算法检测出了专家标记的血管部分，如图10所示。将原图的绿色通道局部放大，可以看出原图中靠近视场边缘有一个细小的血管，如图10(a）中的白色箭头指向的区域，该血管对比度较小，肉眼很难看出，而本文算法却能够对对比度极低的细小血管进行检测，体现了本文算法的健壮性。本文算法也有不足的地方，如图11所示。取了两块地方，一个是血管末稍处，还有一个是视盘区域，如图11(a）。其中血管末梢很多未被分割出来，而在测试结果中已经分割出来，如图11(b）所示。这跟本文的二值化方法有关，最大类间方差考虑的是全局，找到一个具体的阈值整体分割，缺少了血管的局部信息，导致二值化后未被正确分割出来，还需要进一步优化二值化方法，更多地考虑血管的局部信息。在对视盘区域分析时发现，将部分背景区域错误检测为血管。因为视盘亮度较高，边缘亮度较低，导致边缘区域对比度较高，被误检为血管，模型还需要进一步优化，更多考虑对视盘区域的特征学习。图7 测试结果的直方图

部分测试结果

【参考文献】：
期刊论文
[1]一种混合特征高效融合的视网膜血管分割方法[J]. 蔡轶珩,高旭蓉,邱长炎,崔益泽.  电子与信息学报. 2017(08)
[2]基于多特征融合和随机森林的视网膜血管分割[J]. 朱承璋,崔锦恺,邹北骥,陈瑶,王俊.  计算机辅助设计与图形学学报. 2017(04)
[3]视力损害的流行病学研究[J]. 美丽巴努·玉素甫,陈雪艺.  国际眼科杂志. 2010(02)

硕士论文
[1]基于深度学习的眼底图像血管分割方法研究[D]. 谢林培.深圳大学 2017
[2]基于深度卷积神经网络的视网膜血管分割研究[D]. 姜玉静.华中科技大学 2017



本文编号：3239946