基于匹配濾波和形態學處理的視網膜血管分割

范琳琳 程韻 田曉冰

摘要：利用計算機輔助眼底視網膜血管分割結果可作為臨床診斷與治療心血管疾病的重要參考，本文提出了一種基于匹配濾波和形態學處理的方法。首先，構造多方向多尺度的高斯匹配濾波器和計算向量場散度，分別用于提取主血管和細小血管并將兩組結果圖像疊加;然后，通過判別連通域數量以及形態學處理的方法優化分割圖像的連續性。實驗使用國際公共數據庫DRIVE中的20張眼底圖片進行性能分析得到平均精確度Acc達0.9531，平均靈敏度Se達0.7035，平均特異性Sp達0.9763。

關鍵詞：視網膜血管分割;向量場散度;高斯匹配濾波;形態學處理

中圖分類號：TP393? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）17-0188-03

開放科學（資源服務）標識碼（OSID）：

Abstract：The use of computer-assisted retinal vascular segmentation results can be used as an important reference for clinical diagnosis and treatment of cardiovascular diseases. This paper proposes a method based on matched filtering and morphological processing. Firstly， through the multi-directional multi-scale Gaussian matching filter and the appliance of vector field divergence， the main and small blood vessels can be extracted respectively from the original picture. After superimposeing the two set of results， the method will judge the number of connected domains and the morphological processing ，which is used to improve the continuityof the segmentation results. The experiment used 20 fundus images in the international public database DRIVE ，and its average accuracysensitivity， specificity respectively reached 0.9531， 0.7035， 0.9763.

Key words：Retinal vessel segmentation;Vector field divergence;Gaussian filtering algorithm;Morphology processing

大量研究表明，人類眼底血管生理特征與諸如高血壓、糖尿病等重大疾病密切相關，因此眼底血管狀態信息為疾病篩查與診治提供了重要的臨床參考[1-6]。由于眼底血管結構的多樣性，其圖像具有亮度分布不均、對比度低等特點，目前沒有一種能完全適用于所有眼底圖像分割的標準方法。例如，曹等[2]摒棄固定閾值分割，提出一種由眼底圖像中灰度與對比度的分布特征自動決定分割閾值的方法;王等[3]通過高斯曲線擬合小波變換來確定像素直方圖的生長閾值;Lam等[4]使用向量場散度歸一化處理來分割血管和背景;Hu等[5]基于卷積神經網絡和交叉熵損失函數來計算概率圖，應用全連通條件隨機場獲得眼底圖像的最終二進制分割;Li等[6]提出一種廣深神經網絡對轉換進行建模，具有很高的準確率和魯棒性，但算法復雜度較高，訓練過程較為困難。

本文主要針對眼底圖像中粗細血管分割，提出一種基于匹配濾波和形態學處理的視網膜血管分割方法。首先，以綠色通道下的灰度圖像為初始對象，使用高斯濾波器提取主血管;然后，與在多個方向利用歸一化向量場散度提取細血管的中心線圖像疊加;最后，運用連通域補足的方法補回一些被誤分割的細小血管和交叉點，提高血管分割的準確性。

1 眼底視網膜血管分割方法

1.1 圖像增強預處理

首先，本文對原始彩色視網膜血管圖像中綠色通道分量下的圖像進行灰度化、掩模提取ROI、中值濾波去噪以及限制對比度直方圖均衡化等操作，實現去噪和增強圖像目標和背景區域對比度，其效果圖1所示。

1.2高斯濾波器

為了提取增強圖像中的主血管，本文引入文獻[7]中的Gauss濾波器模型：

其中x，y代表血管上像素點的坐標，σ代表血管的尺度大小，L代表分段血管長度，[θ]代表血管在任意方向上生長時的偏轉角度。

第一步：選取尺度σ在1.5-3范圍內的高斯濾波器對血管進行擬合;設計從0°到180°每相隔15°旋轉一次（[θ=0°，15°，…，180°]）12個方向的濾波器。

第二步：將所有方向上的濾波器與眼底圖像分別進行卷積，并在每個像素處保留其響應最大值。

第三步：選取適當的全局閾值對圖像進行分割以提取主血管區域。

其效果如圖2所示，可以觀察到，在σ=1.5和σ=1.8疊加的情況下，圖像噪聲得到有效控制。

1.3基于向量場散度的中心線提取

本文基于文獻[8]的向量場和散度提取增強圖像中的中心線，其具體流程如下：

第一步：選擇σ=1的高斯濾波器對增強后的圖像進行處理，如圖3（a）所示;設該圖像為[h（x，y，σ2）]，求得梯度向量場F為：

第二步：對圖像[h（x，y，σ2）]的梯度向量場F進行歸一化處理，如圖3（b）;

一尺度下10個不同方向（[θ=kπ9，k=0，1，…，9]）上的散度值為：

第四步：如果[divF>0.55]，則為血管區域，否則為背景區域;刪除分割得到的圖像中面積小于75像素點的區域，如圖3（c）所示;

第五步：將10個方向的提取結果進行疊加，得到如圖3（d）所示的完整中心線;

最后，將高斯濾波提取的主血管分割圖和中心線提取部分細小血管的分割圖疊加，去除邊界后得到較為完整的眼底圖像分割圖，如圖3（e）所示。

1.4 圖像后處理

為了將主血管和細小血管合并，本文引入形態學處理方法[9]，假設分割操作后疊加的圖像Im，較為完整的血管連續性的結果圖像為Ie，用于補回去噪后的血管中的原有位置連通域集合為Ic，分割前連通域數量為m，分割后連通域數量為n，其具體操作流程如下：

第一步：首先對Im細化，再用3*3模板膨脹，最后在8鄰域內被1包圍的0用形態學填充為1;

第二步：重復上一步操作，直到獲得Ie;

第三步：Ic=Ie-（Im∩Ie） ;

第四步：將Ic在8鄰域內補回并比較m、n。當m>n時，證明該區域是被錯誤地判斷為噪聲的點，需要補回到相應位置; 當m

2 實驗結果與分析

本文實驗環境為：內存4G、Windows 7的計算機;編程語言為Matlab 2014。從國際公開的彩色眼底圖像標準數據庫DRIVE中選擇20幅眼底圖像作為輸入，統計準確度、靈敏度、和特異性三個指標，并與兩位專家手動分割結果和文獻[10]算法結果進行對比分析。

（1）分割效果

測試集中2位專家的手動分割圖作為評價本實驗結果性能的標準，得到分割對比效果見圖4。

從圖4（e）中可以看出，其視網膜血管的形狀沒有得到很好的保留且缺少細小血管的信息。與其相比，本文算法在提取血管中心線時，通過設置合適的參數并經連通域補回，整個視網膜血管的結構性和連通性有了明顯的提高。

（2）性能分析

從表1、表2可知，本文方法與專家二的手動分割圖比對得到的平均靈敏性達到0.7035，最大靈敏性達到0.7924，說明本文算法適用于絕大部分的眼底圖片，并能取得比較好的分割結果。

3 結語

本文提出的方法，結合了眼底圖像中視網膜血管橫截面的像素分布特征，進行了高斯曲線擬合較好地提取出主血管區域，避免了直接用散度提取主血管區域而導致結果圖像中血管寬度不均勻的問題;利用基于歸一化向量場散度方法在有效排除噪聲和病灶影響的同時，提取出具有細小血管的中心線;后處理過程中，基于連通域補足的方法修補了被當作噪聲消除的細小血管，使提取的血管更加平滑、更具連續性。大量實驗數據表明，本文算法的準確度和特異性達到較高水平;另外，本文算法運行耗時短，滿足診斷的便捷性要求。

參考文獻：

[1] Abràmoff M D， Garvin M K， Sonka M. Retinal imaging and image analysis[J]. IEEE Reviews in Biomedical Engineering， 2010（3）： 169-208.

[2] 曹新容，薛嵐燕，林嘉雯，等.基于匹配濾波和自動閾值的眼底血管分割方法[J].電子測量與儀器學報，2017，31（1）：51-57.

[3] 王曉紅， 趙于前， 廖苗， 等. 基于多尺度2D Gabor小波的視網膜血管自動分割[J]. 自動化學報， 2015， 41（5）： 970-980

[4] B. S. Y. Lam， Hong Yan. A novel vessel segmentation algorithm for pathological retinal images based on the divergence of vector fields [J]. IEEE Transactions on Medical Imaging，2008， 2（27）： 237-246.

[5] KaiHu，Zhen zhen Zhang，Xiao rui，et al. Retinal vessel segmentation of color fundus images using multiscale convolutional neural network with an improved cross-entropy loss function.[J].Neurocomputing，2018，209（2）：179-191.

[6] Qiaoliang Li，Bowei Feng，LinPei Xie，et al.A Cross-Modality Learning Approach for Vessel Segmentation in Retinal Images[J].IEEE Transactions on Medical Imaging，2016，35（1）：109-118.

[7] S. Chaudhuri， S. Chatterjee， N. Katz， et al. Goldbaum， Detection of blood vessels in retinal images using two dimensional matched filters， IEEE Trans. Med. Imaging 8 （3） （1989） 263-269.

[8] 高旭. 眼底圖像血管分割方法研究與實現[D].中南大學，2014：18-21.

[9] 朱承璋，崔錦愷，鄒北驥，等.基于多特征融合和隨機森林的視網膜血管分割[J].計算機輔助設計與圖形學報，2017，29（4）：589.

[10] 王昕，張歆雅，李穎昉.視網膜血管分割算法研究[J].吉林大學學報（信息科學版），2016，34（5）：588.

【通聯編輯：唐一東】