糖尿病視網膜血管分割方法

張 聰， 王 昕

(長春工業大學 計算機科學與工程學院， 吉林 長春 130012)

0 引 言

生活中常見的代謝性疾病有很多，代謝性疾病會給人們帶來極大的痛苦，發生率最高的則是糖尿病視網膜病變(Diabetic Retinopathy， DR)[1]，其對視力的損傷也最大，這也是目前成人致盲的首要原因。由于DR具有進行性及不可逆性，且發展為DR的可能性存在于每個糖尿病患者之中，所以，為挽救患者視力功能并提供治療先機，要做到準確篩查無明顯視力損傷的糖尿病患者是否存在DR，與此同時,還要做到節約大量的醫療資源[2]。現階段篩查DR主要依靠眼科醫生的肉眼觀察，雖然目前國內外已有多種篩查方法，如免散瞳眼底照相檢查等，但如果后期恢復不足就會對眼球有一定的損傷，因此肉眼觀察對篩查DR有一定的不足及局限。所以,我們使用計算機不但為廣泛地篩查DR的實施提供必備的條件,也可以快速、可靠地自動識別出視網膜血管圖像中的DR病灶[3-4]。

目前，對于視網膜血管分割國內外學者都進行了研究。基于粒子濾波的視網膜血管跟蹤方法由Nayebifar等[5]提出,首先對視盤進行定位,然后初始種子點選擇在視盤邊界并進一步跟蹤到血管點。Zhao等[6]在提取視網膜血管方面運用區域增長方法和水平集基于區域的主動輪廓模型。該分割方法平均精確在 DRIVE數據庫上均達到94.77%。多尺度匹配濾波(Multiscale Production of the Matched Filter, MPMF)分割視網膜血管方法由Li等[7]提出,該方法圖像增強方面采用多尺度匹配濾波結果疊加,采用雙閾值法用在血管點分類階段,該方法有效地抑制圖像噪聲且分割精確。基于矢量流的圖割方法來對視網膜血管進行分割是由Salazar-Gonzalez等[8]提出，該方法首先在預處理方面使用了魯棒距離變換以及自適應直方圖均衡化,然后在血管分割中使用結合了矢量流的圖割算法。該方法在DRIVE數據庫上運行并驗證其有效性,準確率達到94.12%。

文中在深入研究眼底圖像中視網膜血管相關特征的基礎上，提出利用灰狼優化算法(Grey Wolf Optimizer， GWO)獲得自適應閾值，并將自適應閾值加入到生長準則中完成圖像分割。最后對分割實驗結果做出主、客觀評價。

1 算法描述

1.1 灰狼優化算法(GWO)

GWO[8]是模擬灰狼的捕食行為。假設在G維搜索空間中，數目N為灰狼種群中的灰狼個體，其中Xi=(Xi1,Xi2,…,XiG)表示的是在G維空間中第i只灰狼的位置，種群中當前個體的優劣排列，α為其中最優個體，記β為其中次優的個體，δ被記為當前第三優的個體，記ω為其余個體的表示數，此時優化問題的全局最優解體現的就是獵物的位置。在G維搜索空間中一群灰狼個體被隨機選中，然后我們要對選擇的灰狼個體進行適應度的評估，得出的α，β，δ分別表示適應度前三的灰狼個體，尋找獵物的位置基準則設定為適應度為前三的個體，我們稱之為全局最優解，接著根據α，β，δ的位置計算得出下一代的灰狼個體的位置，整個過程我們稱之為GWO的尋優過程。

在GWO的尋優過程中，也就是在捕食過程中，首先要做的就是模擬灰狼種群的行為，包圍要采取行動的獵物。此時須確定灰狼與獵物之間的距離：

D=|CXp(t)-X(t)|

(1)

X(t+1)=Xp(t)-AD

(2)

A=2ar1-a

(3)

C=2r2

(4)

式中：Xp(t)——第t代獵物的位置向量；

X(t)——第t代灰狼個體的位置向量；

A，C——系數。

隨著迭代次數a從2線性遞減到0；[0,1]作為r1,r2之間的隨機數。

根據α，β和δ個體，也就是根據最高級的三頭灰狼的位置，種群中其它的狼判斷獵物的方位：

(5)

(6)

(7)

灰狼優化的步驟如下：

GWO僅有兩個需要調整的關鍵參數(A和C)，同時調整GWO算法使其盡可能減少運算，直到獲得最大精度。

1)初始化解Xi=(1,2,…,n)初始化α，A和C。

2)尋求最佳解決方案。

Dα為第一個最佳搜索解決方案;

Dβ為第二好的搜索解決方案;

Dδ為第三個最佳搜索解決方案。

3)更新當前搜索解T=X(t+1)=(X1+X2+X3)/3的位置。

4)保存獲得的最好解決方案。

5)達到最佳解決方案后停止。

1.2 基于灰狼優化的區域生長算法描述

區域生長算法[10-11]主要應用于二維圖像處理，其分割步驟是先對待分割圖像手動設置種子節點，依次將種子節點周圍的像素點按照設置好的判定準則與種子點進行比較，判斷其是否滿足和種子點具有相同的屬性，如果滿足判定條件，則將該點與種子點劃分為同一區域，并將該點作為新的種子點繼續重復上述過程，直到所有的點被檢測完畢，一個生長區域形成。

1.2.1 生長準則

對于糖尿病視網膜血管圖像來說，因為其存在血管細小、圖像不清晰等問題，導致區域邊界不明顯，會導致分割不精確。為了解決上述問題，文中在傳統區域生長算法上進行改進，利用GWO尋找最佳閾值制定生長規則，判斷該點是否屬于目標區域。

1.2.2 算法實現步驟

1)選取視網膜血管中靠近視盤區域的點為種子點；

2)對閾值T和算法參數(α、A和C)進行初始化，初始化值均為0；

3)利用GWO尋找最佳閾值，制定生長規則(Pi≥T)；

4)搜索種子點鄰域的點，記其像素為Pi；

5)判斷是否滿足生長規則，若滿足則繼續下一步，若不滿足則返回2);

6)將滿足生長規則的像素點歸并到種子點集合，得到區域生長的區域。

視網膜血管圖像分割流程如圖1所示。

圖1 視網膜血管圖像分割流程

2 實驗與分析

對文中模型能否準確分割糖尿病視網膜血管圖像進行對比實驗，采用DRIVE數據庫中糖尿病視網膜圖像。

實驗采用PC機是英特爾R酷睿i3處理器，內存為4 GB，操作系統為Windows7，實驗平臺為 MATLAB R2015b。選用三幅糖尿病患者的視網膜圖像實驗結果，并采用傳統的區域生長法與文中算法進行了對比，分割算法對比實驗結果分別如圖2～圖4所示。

圖2 第一組分割算法實驗結果

圖3 第二組分割算法實驗結果

圖4 第三組分割算法實驗結果

由圖中可以看出，與專家分割結果相比，區域生長法均出現了過分割和欠分割現象，且在血管末梢的分割方面有明顯缺陷。文中算法所分割出的血管圖像更為清晰，比傳統的區域生長法分割得到的圖像更為精確，并與專家分割圖像更為接近。

為了更客觀地評價分割結果，引入精度(True Positive, TP)、誤檢率(False Positive, FP)和漏檢率(False Negative, FN)對分割結果進行定量評估，結果見表1。

表1 不同算法的分割結果 %

文中模型比其他兩種算法精度更高，誤檢率和漏檢率更低。

從表1可以看出，文中模型對糖尿病視網膜血管圖像分割效果更優。使用文中所用的方法分割時,相比于區域生長法分割更準確，平均三次分割精確度達到96.93%。

3 結 語

在區域生長法的基礎上，提出利用GWO優化閾值的區域生長法對糖尿病視網膜血管進行分割。首先確定種子點，再用GWO確定閾值，最后使用區域生長法進行分割。實驗表明，與傳統的區域生長法相比，結合GWO的區域生長法分割準確率更高。