基于混合模型的視網膜血管自動分割算法

高衛紅，呂莉莉，徐小媚，方純潔

浙江中醫藥大學醫學技術學院 杭州 310053

視網膜血管是一種較深層次的微血管，同時也是人體血管結構中惟一可用來直接觀察病變的微血管。糖尿病視網膜病變、高血壓視網膜病變、中心視網膜靜脈阻塞等疾病均會造成視網膜血管的特征結構變化。因此，眼底視網膜血管表現可作為高血壓、糖尿病和眼部疾病的重要診斷依據。臨床中常用的視網膜血管分割方法主要以醫生手動分割為主，所需時間長，對于醫生專業水平要求高，過程繁瑣且人為因素對分割結果影響大。視網膜血管自動分割可以減輕醫生的工作強度，使分割結果更為科學，適用于大規模的篩查。但是視網膜血管直徑變化較大以及血管和背景對比度低，使得視網膜血管自動分割面臨巨大挑戰[1]。

Soares等[2]運用Gabor小波變換的方法實現了視網膜血管的自動分割； Chaudhuri等[3]第一次將高斯函數應用于分割視網膜血管；Hoover等[4]則在Chaudhuri等人研究的基礎上考慮了血管局部特征等因素，也較好地實現了視網膜血管的分割；Jiang等[5]提出了一種經多閾值探測求得局部自適應閾值，實現血管分割的方法；Niemeijer等[6]根據圖像中的每個像素構建特征向量，使用特征向量構建分類器，實現血管分割；Lam等[7]提出了一種多腔模型的方法檢測血管，即利用微分凹度、線性凹度、局部歸一化凹度處理眼底圖像中不同的部位，實現視網膜血管的分割；戴培山等[8]結合局部歸一化與聚類算法實現了視網膜血管的分割；王曉紅等[9]結合自適應直方圖均衡化、形態學重構等多種方法實現了視網膜血管的分割。但這些方法仍存在一些急需解決的問題，文獻 [3,5,8]方法中血管連續性仍有待提高；文獻[4]方法需要計算大量的高斯核，極大地影響了計算速度； 文獻[9-10]方法分割結果準確率較低。因此，本研究提出了一種基于混合模型的視網膜血管自動分割算法，以期提高視網膜血管分割的準確率和分割血管的連續性。

1 材料與方法

1.1混合模型算法流程該流程融合了形態學和尺度空間兩種視網膜血管分割模型以及區域生長法，主要包括眼底圖像預處理、粗分割、形態學與尺度空間分割模型結果的融合和精分割4個步驟。

1.1.1 眼底圖像預處理 圖像預處理是眼底圖像視網膜血管分割過程中一個重要的步驟，預處理結果會對血管特征的提取和分割結果產生顯著影響。RGB格式的眼底圖像在采集和傳輸過程中極易引入噪聲，致使不同區域像素特征的區分度較低，增加了分割難度，因此有必要對眼底圖像進行預處理，以減少噪聲的影響。考慮到綠色分量圖像的視網膜血管與其背景的對比度最高，故預處理方法為提取綠色分量圖像，結果如圖1所示。

A:原圖像；B：綠色分量圖像圖1 圖像預處理結果

1.1.2 粗分割 形態學是圖像處理過程中常用的獲取有用圖像分量的有效工具。由于眼底圖像的視網膜血管寬度不一，尺度空間分割模型具有一定的優勢。因此分別構建形態學模型和尺度空間模型，實現對步驟1中提取的綠色分量圖像的粗分割，并計算兩種模型粗分割結果的均值。

形態學模型：形態學模型基礎是數學形態學基本運算，常用的基本運算包括開運算、閉運算、腐蝕、膨脹等。本研究使用top-hat變換方法實現視網膜血管的分割,由于常用的top-hat算子對噪聲非常敏感，故采取一種修正后的top-hat算子，見式(1)。

tophat(image)=image-min(((image·Wc)oW),image)

(1)

式中，image為眼底圖像的綠色分量圖像；o表示開運算；W為開運算選取的結構元素，為半徑1～8像素的圓盤，從而獲得8個結果，通過不同大小的結構元素確定目標信息；·為閉運算，目的是消除小噪聲波動造成的影響；Wc為閉運算選用的結構元素，尺寸設定比小噪聲稍大，結構元素為半徑為2像素圓盤。通過配對連續圖像的均值得到4個結果，用來減少噪聲。此外，對于每個像素，將每個尺度的最大值定義為響應。為彌補較弱的響應，將較小的尺度賦予較大的權重。最后將值歸一化到[0，1]區間內即得到輸出結果。

尺度空間模型：構建時首先利用尺度空間理論構建尺度空間分割模型，初始分割視網膜血管，然后通過計算獲取每個尺度中像素的梯度以及Hessian矩陣，最后獲取融合了全部尺度的分割結果。詳細步驟如下：將預處理后的圖像I(x,y)與高斯核函數G(x,y;s)進行卷積，得到各個尺度s的卷積圖像I(x,y;s)，見式(2)。

I(x,y;s)=I(x,y)*G(x,y;s)

(2)

其中，s為高斯核函數G(x,y;s)的標準差；I(x,y;s)中s為尺度，取值范圍[1.5,10]，步長為0.5。

隨后通過對式(2)求偏導，獲取梯度以及Hessian矩陣，如式(3～7)：

Ix=I(x,y)*sGx

(3)

Iy=I(x,y)*sGy

(4)

Ixx=I(x,y)*s2Gxx

(5)

Ixy=I(x,y)*s2Gxy

(6)

Iyy=I(x,y)*s2Gyy

(7)

1.1.3 形態學和尺度空間分割模型結果的融合 為了更好地結合形態學模型與尺度空間模型的優點，對兩種模型分割結果求均值，得到初步分割輸出，再對初步分割輸出進行結果融合。詳細步驟如下：首先提取眼底圖像的綠色分量圖像，并進行自適應直方圖均衡化，用以消除由于光照不均造成的不良影響；然后進行閾值分割得到掩模；最后，為了消除明亮區域邊緣效應的影響，對掩模中白色區域部分進行膨脹操作；用形態學模型分割結果替換掩模白色區域，掩模中其他區域則利用初始分割輸出替換，得到模型的融合分割結果。

1.1.4 精分割 為了改善視網膜血管分割的性能，利用區域生長法對融合分割結果進行區域生長，實現視網膜血管的精分割。主要步驟如下。①選取像素種子點：根據Otsu方法將融合結果中的所有像素根據閾值t分為視網膜血管和背景兩大類，其中強度值小于t的像素被分類為初始背景類，而大于或等于t的像素則被分類為初始血管類。采用強度均值μb、μv和標準差σb、σv來表征背景類像素和血管類像素。當所測像素的強度值大于μv時，該像素則被歸類為血管類；反之則被歸類為背景類。將具有確定類別標簽的像素選定為像素種子點。②區域生長：在選定像素種子點后，根據區域生長法和圖像梯度信息對視網膜血管區域和背景區域進行分類以及區域生長。通常情況下梯度信息較低的像素更易分類，故只對概率值偏大或偏小并且梯度值小的像素進行分類。梯度值的直方圖由均值μg和標準差σg表示。 區域生長過程如式(8～9)。

(8)

(9)

其中α初始值為1，每區域生長一次增加0.65，直至所有需要分類的像素分類完畢。血管邊緣像素的梯度值一般較高，而設立條件μg≥γ則可防止邊緣像素被錯誤分類。最后，不考慮梯度信息進行區域生長，直至所有像素全部完成分類，得到視網膜血管的精細分割結果。

1.2眼底視網膜圖像及運算系統來源我們通過對國內外公認的眼底圖像庫DRIVE進行視網膜血

管自動分割并對算法進行性能評估。DRIVE圖像庫包括隨機抽取于453名不同年齡階段個體的40幅彩色眼底視網膜圖像，其中7幅為眼底病變圖像；圖像的分辨率均為768×584，均為RGB格式的真彩色眼底圖像；包含訓練數據集與測試數據集兩個子集，每個數據集包含20幅圖像，每幅圖像包含兩位專家手動分割的結果。實驗平臺運行配置如下：處理器為Intel (R) Core (TM) i7-8550U CPU @ 1.80 GHz，操作系統為Windows 10 (64位) 旗艦版, 軟件平臺為Matlab R2014b。

1.3結果評估以DRIVE眼底圖像庫中第一位專家手動分割結果為金標準圖像，采用準確度(ACC)、敏感度(TPR)、特異度(TNR)3個指標評估算法的性能。ACC、TPR、TNR計算公式如式(10～12)。其中，真陽性(TP)為自動分割與金標準圖像對比被正確分類的血管類像素點；假陽性(FP)為自動分割與金標準圖像對比被錯誤分類的血管類像素點；假陰性(FN)為自動分割與金標準圖像對比被錯誤分類的背景類像素點；真陰性(TN)為自動分割與金標準圖像對比被正確分類的背景類像素點。

(10)

(11)

(12)

2 結果

形態學模型、尺度空間模型、混合模型的視網膜血管分割圖像結果見圖2，可以看出，混合模型能夠獲得較為完整的視網膜血管網絡，其分割結果優于形態學模型和尺度空間模型。20幅圖像自動分割的性能見表1，ACC、TPR、TNR的平均值分別為0.943 1、0.657 7、0.987 1。

不同算法分割結果圖像見圖3。從圖3可看出，混合模型算法比Jiang 算法[5]分割后的血管更具有連續性，比Niemeijer算法[6]分割的背景也更顯優勢。20幅圖像不同算法分割性能的比較見表2，可以看出，混合模型算法ACC優于Jiang、Niemeijer和Chaudhuri算法；雖然ACC略遜于Soares和Lam算法，但在TNR方面更具優勢。

圖2 典型圖像視網膜血管分割的圖像

圖像ACCTPRTNR圖像ACCTPRTNR010.944 50.706 90.981 9110.942 20.642 70.988 3020.941 70.669 00.991 5120.945 90.691 10.984 3030.929 30.637 90.981 8130.933 50.629 40.986 1040.943 10.638 70.992 4140.949 70.713 40.982 5050.940 40.634 50.991 3150.956 50.721 20.984 9060.934 20.600 70.991 7160.946 60.668 20.990 8070.938 60.600 00.992 6170.940 30.625 30.986 9080.928 80.531 20.988 4180.946 70.689 00.981 9090.943 70.605 30.991 4190.959 90.792 00.984 3100.943 30.640 30.986 9200.953 40.717 30.983 3

圖3 典型圖像不同算法分割的圖像

算法ACCTPRTNRNiemeijer[6]0.941 60.679 30.980 1Chaudhuri[3]0.877 3--Jiang[5]0.921 20.639 9-Soares[2]0.946 60.728 50.978 6Lam[7]0.947 2--混合模型算法0.943 10.657 70.982 8

3 討論

視網膜血管的常用自動分割方法包括基于機器學習的分割方法、基于血管追蹤的分割方法、基于匹配濾波的分割方法以及基于數學形態學的分割方法等。基于機器學習的分割方法分為有監督的分割方法[11-14]和無監督的分割方法[15], 有監督的分割方法需根據圖像特征訓練分類器，然后使用訓練好的分類器進行血管分割。因需要考慮先驗信息構建分類器，工作量會相應加大，極易影響分割速度；非監督法則不需要標準圖像作為參考，不考慮先驗信息，雖然可以大大提高分割的速度、減少工作量，但準確率相對于監督學習方法較差。基于血管追蹤的分割方法是根據血管的某種特征如血管的直徑、邊緣梯度和中心點等，人為設定種子點，進行血管網絡的追蹤，實現視網膜血管的分割；此方法一次只能追蹤一根血管，且由于病變血管的不對稱性，血管分割的準確率降低。基于匹配濾波的分割方法[5]則是根據圖像的某一特征設置掩模，用掩模對圖像進行濾波操作，使得這一特征得到增強，從而實現視網膜血管的分割；基于匹配濾波的分割方法一般不單獨使用，需與其他方法相結合。基于數學形態學的分割方法通常是對圖像中的像素根據基礎運算以及基礎運算組合進行相應的邏輯運算，此方法實現簡單，并且可依據原有圖像特征實現分割；但單純基于數學形態學[16]實現視網膜血管分割，極易受噪聲影響，將類似血管結構的背景類像素錯誤分割。本研究的混合模型采用了一種修正后的top-hat算子，可以借助圖像先驗特征信息，增強圖像中細血管的分割精度，一定程度上解決了血管不連續的問題；同時，尺度空間模型對于對比度低的血管有強大的檢測與增強能力。將兩種方法融合，可兼具兩種模型的優勢，使分割效果更佳。采用該方法對DRIVE圖像庫中的圖像進行分割，性能令人滿意。但由于血管區域與背景區域的對比度低等情況，形態學模型的視網膜血管增強效果仍需加強；此外，尺度空間模型的分割效果也會受到灰度不均情況的影響。

總之，為實現視網膜血管的自動分割以及提高算法分割的準確性，我們提出了一種基于混合模型的視網膜血管自動分割算法。該算法運用形態學與尺度空間分別建立分割模型后進行結果融合，并利用區域生長法對融合結果進行區域生長，從而實現視網膜血管的精分割。研究結果表明，該算法能夠較好的實現彩色眼底圖像視網膜血管網絡的分割。如何進一步改善該模型在低對比度和灰度不均勻區域的視網膜血管分割效果將是今后主要的研究方向。