基于Hesse矩陣和多尺度分析的視網(wǎng)膜動(dòng)靜脈血管管徑測量方法

肖志濤 崔 寧 吳 駿 耿 磊 張 芳 溫 佳 童 軍 劉曉婷 楊 嵩

?

基于Hesse矩陣和多尺度分析的視網(wǎng)膜動(dòng)靜脈血管管徑測量方法

肖志濤 崔 寧 吳 駿*耿 磊 張 芳 溫 佳 童 軍 劉曉婷 楊 嵩

(天津工業(yè)大學(xué)電子與信息工程學(xué)院 天津 300387)

許多全身性疾病會引起視網(wǎng)膜血管管徑及動(dòng)靜脈血管管徑比例(Arteriolar-to-Venular diameter Ratios, AVR)的變化，因此對視網(wǎng)膜血管管徑進(jìn)行準(zhǔn)確的量化分析對病情診斷具有重要的意義。該文提出一種視網(wǎng)膜動(dòng)靜脈血管管徑及AVR的自動(dòng)測量方法。首先，在分割血管網(wǎng)絡(luò)的基礎(chǔ)上，依據(jù)Hesse矩陣檢測線狀結(jié)構(gòu)的優(yōu)勢，結(jié)合多尺度分析準(zhǔn)確定位血管方向并計(jì)算血管管徑；然后利用廣義回歸神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network, GRNN)分類器對動(dòng)靜脈血管骨架線上的點(diǎn)進(jìn)行準(zhǔn)確分類；最后計(jì)算感興趣區(qū)域(Region Of Interest, ROI)內(nèi)的AVR。對REVIEW和DRIVE數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)，驗(yàn)證了所提方法的有效性。

視網(wǎng)膜血管；Hesse矩陣；管徑測量；廣義回歸神經(jīng)網(wǎng)絡(luò)；視網(wǎng)膜血管管徑與動(dòng)靜脈管徑比

1 引言

視網(wǎng)膜血管管徑與動(dòng)靜脈管徑比(Arteriolar- to-Venular diameter Ratios, AVR)的改變可預(yù)測中風(fēng)、糖尿病、高血壓等全身性疾病的發(fā)病率[1]。眼科醫(yī)生手動(dòng)標(biāo)記動(dòng)靜脈血管和測量血管管徑準(zhǔn)確率高，但耗時(shí)較大，不適合批量處理圖像，因此研究自動(dòng)準(zhǔn)確的測量視網(wǎng)膜血管管徑與動(dòng)靜脈血管比例的方法有助于提高醫(yī)生的診斷效率。

正確分類動(dòng)靜脈血管是得到動(dòng)靜脈血管管徑和AVR的前提，目前自動(dòng)識別動(dòng)靜脈血管的方法大體分為有監(jiān)督和無監(jiān)督的分類方法。有監(jiān)督的方法是在有標(biāo)準(zhǔn)圖像的基礎(chǔ)上提取特征訓(xùn)練分類器，例如文獻(xiàn)[2]提出了訓(xùn)練K近鄰分類器的方法；無監(jiān)督的方法是在無標(biāo)準(zhǔn)圖像的基礎(chǔ)上設(shè)定判別準(zhǔn)則，例如文獻(xiàn)[3]以視盤為中心，將視網(wǎng)膜圖像分成4象限，在每個(gè)象限內(nèi)部提取血管特征，并應(yīng)用模糊聚類對血管進(jìn)行分類。目前現(xiàn)有的方法主要針對視網(wǎng)膜主干血管的分類，缺少對細(xì)小血管的研究。

現(xiàn)有血管管徑測量的方法大體分為3大類。第1類為邊界交點(diǎn)法，該類方法的關(guān)鍵是要準(zhǔn)確得到血管方向。例如文獻(xiàn)[4]提出了一種利用血管骨架的方向及空間位置，并采用改進(jìn)的定向局部對比度方法測量管徑的方法。第2類是橫截面輪廓法，橫跨血管的像素灰度近似高斯曲線，采用高斯曲線擬合橫跨血管的像素灰度求得血管管徑。例如文獻(xiàn)[5]在基于視網(wǎng)膜血管的方向信息和擬合橫跨血管像素點(diǎn)灰度的基礎(chǔ)上，針對血管壁是否存在反射光的情況，擬合局部血管2維高斯曲線測量血管管徑。第3類是建立模型法，是根據(jù)血管特征建立適當(dāng)?shù)哪Ｐ蜏y量血管管徑，例如文獻(xiàn)[6]提出了一種利用決策樹和多分辨率的海爾曼模型的管徑測量方法，擬合3維血管曲面模型計(jì)算血管管徑。

目前現(xiàn)有的血管管徑測量方法中邊界交點(diǎn)法中存在不能測量血管分叉和分叉處管徑的問題；橫截面輪廓法中由于并不是所有的血管橫截面灰度都呈高斯曲線分布，因而高斯曲線并不能完全擬合，管徑測量會存在誤差；模型建立法中有些方法需要設(shè)定參數(shù)不能達(dá)到自適應(yīng)測量的效果或者不能達(dá)到全自動(dòng)化的要求。因而當(dāng)下迫切需要研究出一種精確且自動(dòng)化測量血管管徑的方法。

本文在分析現(xiàn)有動(dòng)靜脈血管分類和管徑測量方法的基礎(chǔ)上，結(jié)合Hesse矩陣和多尺度分析提出了一種新的自動(dòng)測量血管管徑的方法。根據(jù)Hesse矩陣檢測局部線狀結(jié)構(gòu)的性質(zhì)，結(jié)合Hesse矩陣和多尺度分析對眼底圖像進(jìn)行增強(qiáng)，并分割出完整的血管網(wǎng)絡(luò)，本文方法的血管分割結(jié)果不僅能夠保證血管的連續(xù)，而且既能夠分割出較粗的主血管，又能夠分割出毛細(xì)血管。在血管分割的基礎(chǔ)上本文方法可以準(zhǔn)確測量血管交叉和分叉處的管徑，同時(shí)能夠自動(dòng)得到動(dòng)靜脈血管管徑，以及感興趣區(qū)域的AVR。通過對REVIEW和DRIVE數(shù)據(jù)庫進(jìn)行測試，結(jié)果表明本文方法具有較高的有效性。

2 基于Hesse矩陣的多尺度增強(qiáng)濾波器

視網(wǎng)膜血管為局部線狀結(jié)構(gòu)且寬度不一，采用對線狀結(jié)構(gòu)敏感的Hesse矩陣檢測血管。對于2維圖像，Hesse矩陣[7]是一個(gè)二階方陣，可表示為

經(jīng)過濾波后，視網(wǎng)膜圖像中的血管會得到增強(qiáng)。為了從濾波結(jié)果中提取出血管，根據(jù)Hesse矩陣特征值與血管結(jié)構(gòu)的關(guān)系，本文引入血管置信度函數(shù)來描述血管強(qiáng)度。單一尺度的血管置信度函數(shù)定義為[8]

圖1 血管上Hesse矩陣的特征值對應(yīng)的特征向量圖

因此，為了描述不同尺度的血管，本文依據(jù)尺度空間理論，采取多尺度增強(qiáng)方式增強(qiáng)血管。當(dāng)視網(wǎng)膜圖像上通過迭代尺度()時(shí)會得到不同尺度下的，對于血管，只有當(dāng)尺度因子與血管管徑最匹配時(shí)值輸出最大，取每個(gè)點(diǎn)處的最大值作為當(dāng)前點(diǎn)的血管置信度。

3 基于Hesse矩陣的多尺度血管分割

3.1預(yù)處理

本文選取視網(wǎng)膜圖像的對比度較高的綠色通道圖像進(jìn)行處理。視網(wǎng)膜圖像中除血管呈局部線性特征之外，在視盤邊緣處及背景中也存在部分線狀特征，為了消除此類偽血管的干擾，首先要對綠色通道圖像進(jìn)行預(yù)處理。

為了降低偽血管特征對血管分割的影響，首先對綠色通道圖像進(jìn)行形態(tài)學(xué)平滑處理。形態(tài)學(xué)平滑處理是為了消除亮區(qū)域和暗區(qū)域的噪聲，結(jié)果如圖2(a)所示，可以看出去除了血管；令圖2(a)減去綠色通道圖像后反相，減弱了背景噪聲突出了血管，結(jié)果如圖2(b)所示；之后對圖2(b)采用對比度受限的自適應(yīng)直方圖均衡化(Contrast Limited Adaptive Histogram Equalization, CLAHE)對視網(wǎng)膜圖像進(jìn)行處理，CLAHE同時(shí)具有自適應(yīng)直方圖均衡化和對比度限幅的優(yōu)點(diǎn)，能提高視網(wǎng)膜圖像血管的對比度和清晰度，如圖2(c)所示。

3.2血管分割

在對圖2(b)進(jìn)行CLAHE增強(qiáng)后，進(jìn)行基于Hesse矩陣的多尺度增強(qiáng)，結(jié)果如圖3(a)所示。視網(wǎng)膜圖像血管寬度由一個(gè)像素到十幾個(gè)像素變化，為了增強(qiáng)各個(gè)尺度下的血管，根據(jù)文獻(xiàn)[8]和實(shí)驗(yàn)仿真，將初始參數(shù)設(shè)為,，將范圍設(shè)為0.5~10, 0.5為迭代步長。從圖3(a)中可以看出，直接對圖2(c)進(jìn)行Hesse矩陣多尺度增強(qiáng)，不僅血管得到增強(qiáng)，同時(shí)也增強(qiáng)了部分背景噪聲且噪聲呈點(diǎn)狀分布。為此在Hesse矩陣多尺度之前，采用各向異性耦合擴(kuò)散方程[9]對圖2(c)濾波以濾除背景噪聲。由于該方程在血管邊緣處濾波程度較小，在血管內(nèi)部濾波程度較大，且濾波主要在圖像邊緣的切線方向進(jìn)行，因此既能有效濾除噪聲又能很好地保持血管的邊緣信息，結(jié)果如圖3(b)所示。對圖3(b)進(jìn)一步進(jìn)行基于Hesse矩陣的多尺度融合濾波器增強(qiáng)，結(jié)果如圖3(c)所示，可以看出血管邊緣更加清晰，點(diǎn)狀噪聲得到抑制，殘留的背景噪聲呈塊狀分布。

為進(jìn)一步突出血管并消除塊狀噪聲，將圖3(a)和圖3(c)進(jìn)行像素級相乘，結(jié)果如圖3(d)所示，從圖中可以看出血管結(jié)構(gòu)得到增強(qiáng)，背景噪聲則被進(jìn)一步消除。最后用迭代閾值法將血管二值化，并進(jìn)行形態(tài)學(xué)后處理，最終血管分割結(jié)果如圖3(e)所示。

圖2 預(yù)處理結(jié)果

圖3 血管增強(qiáng)和分割結(jié)果

4 血管管徑測量

本文在血管分割結(jié)果基礎(chǔ)上測量血管管徑。管徑測量包括3步，首先提取血管骨架，然后沿垂直于血管的方向掃描找到血管邊界點(diǎn)，計(jì)算兩邊界點(diǎn)之間的距離獲得血管的像素級寬度。數(shù)學(xué)形態(tài)學(xué)細(xì)化方法提取血管骨架，結(jié)果如圖4所示。

圖6為視網(wǎng)膜圖像中局部部分血管管徑測量示意圖，可以看出本文管徑測量方法可以很好地作用于血管交叉和分叉處。

圖4 血管骨架圖

圖5 血管管徑測量示意圖

圖6 視網(wǎng)膜血管管徑測量示意圖

5 動(dòng)靜脈血管分類

為了分別得到動(dòng)靜脈血管管徑并計(jì)算AVR，還進(jìn)一步需要對動(dòng)靜脈血管進(jìn)行分類。首先分析視網(wǎng)膜圖像中的動(dòng)靜脈血管，動(dòng)脈呈橘紅色，顏色淺，較細(xì)；靜脈呈暗紅色，可見血管反光帶，顏色深，較粗。動(dòng)脈和靜脈正常管徑比例約為2:3，近似為0.67。如圖7所示，虛線和實(shí)線箭頭分別指示動(dòng)脈和靜脈血管。本文通過訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)[10]分類器來分類動(dòng)靜脈血管，與其他分類器相比，其優(yōu)勢是不需要設(shè)定模型的表達(dá)式，直接通過核函數(shù)中的光滑因子調(diào)整網(wǎng)絡(luò)性能，此外它學(xué)習(xí)快速，且當(dāng)樣本數(shù)量非常大的時(shí)候能夠快速逼近。

實(shí)驗(yàn)選用DRIVE[11]視網(wǎng)膜圖像庫測試血管分類性能，此數(shù)據(jù)庫有40幅彩色視網(wǎng)膜圖像，該圖庫被分為測試集和訓(xùn)練集，每個(gè)集合中包含20幅圖像。首先提取樣本特征訓(xùn)練分類器，選訓(xùn)練集中的圖像為訓(xùn)練樣本，測試集中的圖像作為測試樣本。提取每一幅圖像血管骨架上的點(diǎn)對應(yīng)的11個(gè)特征(如表1所示)，將動(dòng)脈骨架線用0標(biāo)記(正樣本)，將靜脈骨架線用1標(biāo)記(負(fù)樣本)，在綠色通道圖像上分別用黑色、白色顯示。

利用訓(xùn)練好的GRNN分類器對測試集圖像進(jìn)行測試，DRIVE庫中第2幅圖像的分類結(jié)果如圖8所示。動(dòng)靜脈血管分類為AVR計(jì)算打下基礎(chǔ)。

圖7 動(dòng)靜脈血管區(qū)分圖

表1血管特征

特征標(biāo)號特征 1骨架線上每個(gè)像素點(diǎn)歸一化的管徑值 2骨架線上每個(gè)像素點(diǎn)綠色通道歸一化的灰度級 3骨架線上每個(gè)像素點(diǎn)紅色通道歸一化的灰度級 4-6骨架線上每個(gè)像素點(diǎn)綠色通道歸一化的對比度、平均色調(diào)、飽和度 7骨架線上每個(gè)像素點(diǎn)綠色通道歸一化的亮度 8-11標(biāo)準(zhǔn)偏差為2, 4, 6, 8的高斯函數(shù)對綠色通道圖像進(jìn)行濾波后骨架線上對應(yīng)像素點(diǎn)的灰度級

6 AVR計(jì)算

醫(yī)學(xué)上，視網(wǎng)膜血管管徑測量的感興趣區(qū)域是距離視盤邊緣2~3個(gè)視盤半徑內(nèi)的圓環(huán)區(qū)域，之所以選擇該區(qū)域是由于該區(qū)域的血管重疊少，可靠性高[1]，因此準(zhǔn)確地定位視盤將有助于確定測量感興趣區(qū)域并計(jì)算AVR。本文采用基于相位一致性的視網(wǎng)膜圖像視盤定位方法[12]定位視盤，在感興趣測量區(qū)域內(nèi)的每一條血管劃出5個(gè)等距離的測量點(diǎn)，如圖9(a)所示。測量每段血管分支上5個(gè)等距測量點(diǎn)的管徑并計(jì)算每段血管分支的管徑平均值，靜脈和動(dòng)脈血管管徑平均值分別記為和，如圖9(b)所示。白色骨架上的測量點(diǎn)為動(dòng)脈測量點(diǎn)，黑色骨架上的測量點(diǎn)為靜脈測量點(diǎn)；接著以視盤中心為中心，以3倍為半徑，沿逆時(shí)針方向?qū)ふ遗c每段靜脈骨架線最近的動(dòng)脈血管骨架，即找到動(dòng)、靜脈血管對，計(jì)算動(dòng)靜脈血管對的AVR。

7 實(shí)驗(yàn)結(jié)果分析

由于醫(yī)生需要存在病變的眼底血管管徑數(shù)據(jù)來輔助分析病變情況，為了驗(yàn)證本文方法的性能，采用REVIEW數(shù)據(jù)庫和DRIVE數(shù)據(jù)庫兩種圖像庫對本文方法進(jìn)行測試。而 REVIEW數(shù)據(jù)庫中包含了眼底血管病變圖像集，DRIVE數(shù)據(jù)庫中包含了正常眼底血管圖像，所以為了驗(yàn)證本文方法的性能和臨床實(shí)用價(jià)值，本文選取含有眼底血管病變圖像集的REVIEW庫中公開的管徑測量數(shù)據(jù)作為金標(biāo)準(zhǔn)來驗(yàn)證本文管徑測量方法的穩(wěn)定性和準(zhǔn)確性，進(jìn)而在含有正常眼底血管圖像的DRIVE庫中測試本文的血管分類方法及AVR測量的有效性。

圖8 動(dòng)靜脈血管分類結(jié)果????圖9 血管管徑測量感興趣區(qū)域

圖10 眼底圖像分割結(jié)果

表2不同方法對DRIVE數(shù)據(jù)庫中血管分割的ACC, TPR和FPR(%)

方法ACCTPRFPR 文獻(xiàn)[13]93.8271.202.76 文獻(xiàn)[14]94.7773.542.11 本文方法95.8472.861.94

7.1 血管分割性能分析

由于本文是在二值血管的基礎(chǔ)上測量管徑，因此本文方法血管分割效果至關(guān)重要。為說明本文血管分割結(jié)果的有效性，對DRIVE視網(wǎng)膜庫進(jìn)行實(shí)驗(yàn)，部分實(shí)驗(yàn)結(jié)果如圖10所示。以專家的手動(dòng)標(biāo)識結(jié)果為金標(biāo)準(zhǔn)，從準(zhǔn)確度(ACCuracy, ACC)、正確分割率(True Positive Rate, TPR)以及錯(cuò)誤分割率(False Positive Rate, FPR) 3方面評價(jià)本文方法的分割性能，本文血管分割方法為無監(jiān)督的方法，與近幾年的無監(jiān)督的分割方法對比，結(jié)果如表2所示。可以看出本文方法ACC和FPR均優(yōu)于其他方法，TPR僅略比文獻(xiàn)[14]低0.68%，原因在于末梢極細(xì)小血管未能分割出。管徑測量的區(qū)域不涉及末梢細(xì)小血管，整體上本文方法對血管的分割效果較好，性能優(yōu)于其他方法，能夠?yàn)闇y量血管管徑提供基礎(chǔ)。

7.2血管管徑測量性能

首先為了說明管徑測量的性能，本文從穩(wěn)定性和準(zhǔn)確性來分析。由于REVIEW數(shù)據(jù)庫中有公開的眼底圖像血管片段以及對應(yīng)的管徑測量數(shù)據(jù)[15]，為了對比說明，對此數(shù)據(jù)庫提供的血管片段進(jìn)行管徑測量。REVIEW數(shù)據(jù)庫中包含3個(gè)圖像集，分別是中央光反射圖集(Central Light Reflex Image Set, CLRIS)，有2幅早期動(dòng)脈粥樣硬化眼底圖像，選取了21個(gè)呈現(xiàn)強(qiáng)烈的中央光反射的血管片段；分叉點(diǎn)圖像集(Kick Point Image Set, KPIS)，有2幅圖像，每幅圖像中含有一段包括分叉的血管段；眼底血管病圖像集(Vascular Disease Image Set, VDIS)，有8幅存在眼底血管病變的眼底圖像，選取了79個(gè)存在病理噪聲的血管片段。本文以KPIS圖像集為例，部分結(jié)果如圖11所示。此數(shù)據(jù)庫包含3個(gè)觀察者對不同形態(tài)的血管管徑測量數(shù)據(jù)，以3個(gè)觀察者數(shù)據(jù)的平均值作為金標(biāo)準(zhǔn)。

為驗(yàn)證本文方法管徑測量結(jié)果的穩(wěn)定性，本文對REVIEW數(shù)據(jù)庫中的KPIS, CLRIS和VDIS圖集進(jìn)行測試。從管徑平均值，管徑測量平均值與金標(biāo)準(zhǔn)絕對誤差和管徑標(biāo)準(zhǔn)偏差兩個(gè)方面將本文方法與其他方法進(jìn)行對比，結(jié)果如表3所示。從表3中可以看出，本文方法得到的絕對值分別為0.04, 0.05, 0.01,分別為0.15, 3.74, 2.41，可以看出本文方法管徑測量值可以得到較低的和，從而可以驗(yàn)證本文管徑測量的穩(wěn)定性。

圖11 KPIS圖集邊界測量標(biāo)記結(jié)果

7.3動(dòng)靜脈分類以及AVR性能

為驗(yàn)證動(dòng)靜脈血管分類的有效性，與眼科專家手動(dòng)標(biāo)識的DRIVE庫測試集中的視網(wǎng)膜圖像動(dòng)靜脈血管進(jìn)行對比，結(jié)果如圖12所示，圖12(a)為眼科專家手動(dòng)標(biāo)識效果，白色標(biāo)識為靜脈，黑色標(biāo)識為動(dòng)脈。圖12(b)為本文方法分類結(jié)果，可以看出整體上本文方法對動(dòng)靜脈血管能夠準(zhǔn)確分類，但對末梢血管段上的部分血管像素存在錯(cuò)分現(xiàn)象(圖中白色方框標(biāo)出)，原因在于這些部位的血管特征不明顯導(dǎo)致錯(cuò)分。

表3不同方法對REVIEW庫中管徑測量數(shù)據(jù)對比(管徑平均值以及不同方法與金標(biāo)準(zhǔn)的差，單位：像素；標(biāo)準(zhǔn)偏差)

方法KPIS數(shù)據(jù)對比CLRIS數(shù)據(jù)對比VDIS數(shù)據(jù)對比 金標(biāo)準(zhǔn)7.40 -0.3613.80 -4.128.85-2.57 文獻(xiàn)[5]5.87-1.53- 7.00 -6.80-6.59-2.26- 文獻(xiàn)[6]7.54 0.140.2413.8003.898.87 0.022.22 本文方法7.36-0.040.1513.75 -0.053.748.84-0.012.41

圖12 專家手動(dòng)分類和本文方法分類結(jié)果

將本文方法對DRIVE庫中測試集中的20幅圖像分類結(jié)果與專家手動(dòng)標(biāo)識結(jié)果對比，并繪制出ROC(Receiver Operating Characteristic)曲線，橫軸為特異性即真正類率，代表靜脈分類的準(zhǔn)確率，縱軸為靈敏度即真負(fù)類率，代表動(dòng)脈分類的準(zhǔn)確率，如圖13所示。其中實(shí)線和虛線分別為GRNN和K近鄰分類對應(yīng)的ROC曲線，GRNN分類ROC曲線下的面積為0.87, K近鄰分類ROC曲線下的面積為0.84，從ROC曲線來看，相比K近鄰，本文分類精度提高了3%。

為了驗(yàn)證ROI內(nèi)AVR測量結(jié)果的有效性，統(tǒng)計(jì)了DRIVE訓(xùn)練集中圖像的AVR測量結(jié)果。圖14給出了本文AVR測量結(jié)果與眼科專家測量結(jié)果的對比圖，橫軸為本文方法動(dòng)靜脈血管平均比值(AVR)，縱軸為本文方法測量值與眼科專家的誤差，上下兩條線段為AVR誤差的界限。

根據(jù)圖14中的測量結(jié)果，通過計(jì)算95.35%的AVR值絕對誤差在0.15以內(nèi)，驗(yàn)證了AVR測量的有效性。

總之，本文方法對于DRIVE庫進(jìn)行血管分割的準(zhǔn)確度和錯(cuò)誤分割率均優(yōu)于現(xiàn)有其他方法，正確分割率與其他方法相比也處于較高水平；對于REVIEW數(shù)據(jù)庫進(jìn)行管徑測量的絕對值和均低于現(xiàn)有其他管徑測量方法；對于DRIVE庫進(jìn)行動(dòng)靜脈血管分類和AVR測量，與眼科醫(yī)生的手動(dòng)標(biāo)記做對比也具有較高的有效性。

8 結(jié)論

本文提出了一種基于Hesse矩陣和多尺度分析的動(dòng)靜脈血管管徑自動(dòng)測量方法，并設(shè)計(jì)了一套視網(wǎng)膜血管動(dòng)靜脈管徑及AVR測量方案，包括血管分割、管徑測量、動(dòng)靜脈血管分類和AVR測量。首先對DRIVE庫進(jìn)行測試，驗(yàn)證了本文血管分割的有效性；然后對REVIEW庫中圖像測試以及與其公開的管徑測量數(shù)據(jù)對比，實(shí)驗(yàn)結(jié)果表明本文方法能夠保證管徑測量的穩(wěn)定性和準(zhǔn)確性，且能很好地作用于血管分叉和交叉處；最后提取血管管徑等特征來訓(xùn)練GRNN分類器，對動(dòng)靜脈血管進(jìn)行分類，進(jìn)而在此基礎(chǔ)上準(zhǔn)確測量AVR。實(shí)驗(yàn)結(jié)果表明了本文方法的有效性。

圖13 動(dòng)、靜脈血管分類ROC曲線??????????圖14 AVR測量結(jié)果對比

[1] 李春艷, 徐力. 糖尿病視網(wǎng)膜血管管徑的研究進(jìn)展[J]. 醫(yī)學(xué)綜述, 2015, 25(17): 3173-3176. doi: 10.3969/j.issn.1006-2084. 2015.17.038.

LI Chunyan and XU Li. Research progress of diabetic retinal vascular caliber[J],, 2015, 25(17): 3173-3176. doi: 10.3969/j.issn.1006-2084.2015.17.038.

[2] NIEMEIJER M, XU X, DUMITRESCU A V,. Automated measurement of the arteriolar-to-venular width ratio in digital color fundus photographs[J]., 2011, 30(11): 1941-1950. doi: 10.1109/TMI.2011.2159619.

[3] GRISAN E and RUGGERI A. A divide et impera strategy for automatic classification of retinal vessels into arteries and veins[C]. The 25th Annual International Conference of the IEEE in Medicine and Biology Society, Cancun, Mexico, 2003, 1: 890-893. doi: 10.1109/IEMBS.2003.1279908.

[4] 姚暢, 陳后金. 一種基于先驗(yàn)知識的視網(wǎng)膜血管寬度測量方法[J]. 中國科技論文在線, 2009, 4(1): 64-68. doi: 10.3969/ j.issn.2095-2783.2009.01.011.

YAO Chang and CHEN Houjin. Measurement of retinal vessel widths based on prior knowledge[J]., 2009, 4(1): 64-68. doi: 10.3969/j.issn.2095-2783.2009. 01.011.

[5] LOWELL J, HUNTER A, STEEL D,. Quantitative measurement of retinal vessel widths from fundus images based on 2D modelling[J]., 2004, 23(10): 1196-1204. doi: 10.1109/TMI.2004. 830524.

[6] LUPA S CU C A, TEGOLO D, and TRUCCO E. Accurate estimation of retinal vessel width using bagged decision trees and an extended multiresolution Hermite model[J]., 2013, 17(8): 1164-1180. doi: 10.1016/j.media. 2013.07.006.

[7] FRANGI A F, NIESSEN W J, VINCKEN K L,. Multiscale Vessel Enhancement Filtering[M]. Berlin, Germany, Medical Image Computing and Computer-Assisted Interventation, Springer, 1998: 130-137.

[8] 張新紅, 張帆, 崔延斌. 基于多尺度自適應(yīng)濾波的DSA血管增強(qiáng)[J]. 計(jì)算機(jī)工程與應(yīng)用, 2015, 51(14): 179-185. doi: 10. 3778/j.issn.1002-8331.1406-0457.

ZHANG Xinhong, ZHANG Fan, and CUI Yanbin. Blood vessel enhancement algorithm for DSA images based on adaptive multi-scale filtering[J]., 2015, 51(14): 179-185. doi: 10.3778/j.issn. 1002- 8331.1406-0457.

[9] CHEN Y, BARCELOS C A Z, and MAIR B A. Smoothing and edge detection by time-varying coupled nonlinear diffusion equations[J]., 2001, 82(2): 85-100. doi: 10.1006/cviu. 2001.0903.

[10] 嚴(yán)頌華, 吳世才, 吳雄斌. 基于神經(jīng)網(wǎng)絡(luò)的高頻地波雷達(dá)目標(biāo)到達(dá)角估計(jì)[J]. 電子與信息學(xué)報(bào), 2008, 30(2): 339-342.

YAN Songhua, WU Shicai, and WU Xiongbin. DOA estimation based on neural network for HFGWR[J].&, 2008, 30(2): 339-342.

[11] STAAL J, ABRAMOFF M D, NIEMEIJER M,. DRIVE [OL]. http://www.isi.uu.nl/Research/Databases/DRIVE/, 2004.

[12] LI X, XIAO Z, and ZHANG F,. Fundus optic disc localization method based on phase congruency[J]., 2013, 7(4): 726-733.

[13] ZHANG B, ZHANG L, ZHANG L,. Retinal vessel extraction by matched filter with first-order derivative of Gaussian[J]., 2010, 40(4): 438-445. doi: 10.1016/j.compbiomed.2010.02.008.

[14] ZHAO Y Q, WANG X H, WANG X F,. Retinal vessels segmentation based on level set and region growing[J]., 2014, 47(7): 2437-2446. doi: 10.1016/j. patcog.2014.01.006.

[15] AL-DIRI B, HUNTER A, and STEEL D. Review[OL]. http://reviewdb.lincoln.ac.uk/, 2008.

Measurement of Retinal Diameters of Artery and Vein Based on Hesse Matrix and Multi-scale Analysis

XIAO Zhitao CUI Ning WU Jun GENG Lei ZHANG Fang WEN Jia TONG Jun LIU Xiaoting YANG Song

(,,300387,)

Many systemic diseases can cause changes of the diameters of retinal vessels and Arteriolar-to-Venular diameter Ratios (AVR), so it is of great importance to make quantitative analysis of the diameter of retinal vessels accurately in the diagnosis of the disease. An automatic method measuring the diameters of the artery and the vein and the AVR is proposed. Firstly, based on the segmentation of vascular network, the diameters of retinal vessels are measured according to the advantage of Hesse matrix for detecting line-like structure, and accurate localization of vascular direction with multi-scale analysis. Secondly, a General Regression Neural Network (GRNN) classifier is used to classify the artery and the vein points. Finally, the AVR in the Region Of Interest (ROI) is calculated. The validity of the proposed method is demonstrated by testing on the DRIVE and the REVIEW database.

Retinal vessels; Hesse matrix; Diameter measurement; General Regression Neural Network (GRNN); Arteriolar-to-Venular diameter Ratios (AVR)

TP391.4

A

1009-5896(2016)11-2871-08

10.11999/JEIT160165

2016-02-24；改回日期：2016-06-22；

2016-09-08

吳駿 zhenkongwujun@163.com

國家自然科學(xué)基金(61401439)，天津市科技支撐計(jì)劃重點(diǎn)項(xiàng)目(14ZCZDGX00033)，天津市應(yīng)用基礎(chǔ)與前沿技術(shù)研究計(jì)劃項(xiàng)目(15JCYBJC16600)，高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金(20131201110001)

The National Natural Science Foundation of China (61401439), Tianjin Science and Technology Supporting Projection (14ZCZDGX00033), Tianjin Research Program of Application Foundation and Advanced Technology (15JCYBJC 16600), Specialized Research Fund for the Doctoral Program of Higher Education of China (20131201110001)

肖志濤： 男，1971年，教授，研究方向?yàn)閳D像處理與模式識別、智能信號處理技術(shù)與系統(tǒng).

崔 寧： 女，1990年，碩士，研究方向?yàn)閳D像處理與模式識別.

吳 駿： 男，1978年，副教授，研究方向?yàn)閳D像處理與模式識別、人工神經(jīng)網(wǎng)絡(luò).