肖志濤 劉 璐 耿 磊* 張 芳 吳 駿 張欣鵬 蘇 龍 陳莉明 單春燕

1(天津工業(yè)大學(xué)電子與信息工程學(xué)院， 天津 300387)2(天津醫(yī)科大學(xué)眼科醫(yī)院， 天津 300384)3(天津醫(yī)科大學(xué)代謝病醫(yī)院 天津 300070)

基于相位一致性模型的眼底微動(dòng)脈瘤檢測(cè)方法

肖志濤1劉 璐1耿 磊1*張 芳1吳 駿1張欣鵬1蘇 龍2陳莉明3單春燕3

1(天津工業(yè)大學(xué)電子與信息工程學(xué)院， 天津 300387)2(天津醫(yī)科大學(xué)眼科醫(yī)院， 天津 300384)3(天津醫(yī)科大學(xué)代謝病醫(yī)院 天津 300070)

眼底微動(dòng)脈瘤是糖尿病視網(wǎng)膜病變最早期的癥狀，準(zhǔn)確檢測(cè)眼底圖像中的微動(dòng)脈瘤對(duì)糖尿病視網(wǎng)膜病變的篩查具有重要意義。提出一種基于相位一致性模型的微動(dòng)脈瘤檢測(cè)方法。首先采用相位一致性模型獲取微動(dòng)脈瘤候選者，然后通過(guò)構(gòu)建灰度剖面圖去除圖像中血管片段等無(wú)關(guān)信息，從而篩選出真正的微動(dòng)脈瘤。通過(guò)對(duì)ROC網(wǎng)站提供的50幅眼底圖像進(jìn)行實(shí)驗(yàn)，在圖像水平上實(shí)現(xiàn)了靈敏度94%、特異性100%、準(zhǔn)確率96%的檢測(cè)效果。結(jié)果表明，該方法對(duì)圖像的亮度、對(duì)比度不敏感，能夠高效自動(dòng)地檢測(cè)出彩色眼底圖像中的微動(dòng)脈瘤。

微動(dòng)脈瘤檢測(cè)；相位一致性；灰度剖面圖；眼底圖像；糖尿病視網(wǎng)膜病變

引言

隨著人們生活水平的提高，人口老齡化以及肥胖率的增加，糖尿病(diabetes mellitus)的發(fā)病率呈逐年上升趨勢(shì)。糖尿病視網(wǎng)膜病變(diabetic retinopathy, DR)是糖尿病的嚴(yán)重并發(fā)癥之一，也是引起視覺障礙和失明的主要原因之一。因此,開展對(duì)糖尿病視網(wǎng)膜病變的篩查，可以顯著提高視網(wǎng)膜病變的檢出率，預(yù)防其可能造成的不可逆的視覺損害，進(jìn)而對(duì)糖尿病進(jìn)行早期干預(yù)。微動(dòng)脈瘤(microaneurysm, MA)是最早出現(xiàn)在視網(wǎng)膜中的一種糖尿病視網(wǎng)膜病變，是視網(wǎng)膜的細(xì)小血管發(fā)生腫脹而形成的小球，呈紅色或暗紅色，位于黃斑區(qū)附近，是糖尿病早期常見的可靠癥狀。如果能夠準(zhǔn)確地檢測(cè)出MA，就能對(duì)糖尿病做到及早的診斷與治療，抑制病情的發(fā)展。因此，該病灶的自動(dòng)檢測(cè)，對(duì)于建立基于眼底圖像的DR自動(dòng)篩查系統(tǒng)尤為關(guān)鍵。

由于眼底圖像對(duì)比度低、光照不均勻，MA目標(biāo)小，因此實(shí)現(xiàn)MA高效檢測(cè)成為一個(gè)復(fù)雜且具有挑戰(zhàn)性的課題。針對(duì)眼底MA的自動(dòng)檢測(cè)，國(guó)外許多學(xué)者對(duì)此提出了相關(guān)算法，而國(guó)內(nèi)相關(guān)研究的報(bào)道較少。目前的研究方法主要分為三大類：數(shù)學(xué)形態(tài)學(xué)方法[1-4]、分類器方法[5-7]和濾波器方法[8-9]。Spencer等提出了一種基于雙線性top-hat變換的數(shù)學(xué)形態(tài)學(xué)方法[1]，該方法對(duì)熒光造影圖片取得了較好的檢測(cè)效果，但對(duì)彩色眼底圖像處理效果不理想；Niemeijer等對(duì)免散瞳眼底圖像中的每個(gè)像素進(jìn)行分類，從而獲取DR紅色病灶候選區(qū)域，在此基礎(chǔ)上利用K-近鄰分類器獲得真正的DR紅色病灶[6]；Bob等利用稀疏表征分類器，區(qū)分MA和非MA[7]；Hatanaka等則采用雙環(huán)濾波器及特征分析，初步實(shí)現(xiàn)了免散瞳眼底圖像中MA的自動(dòng)檢測(cè)[9]。

雖然上述方法在一定條件下實(shí)現(xiàn)了MA的自動(dòng)檢測(cè)，但存在誤檢率高、漏檢率高、運(yùn)算復(fù)雜等問題。其根本原因是這些方法主要是利用梯度信息來(lái)描述圖像，由于梯度信息會(huì)隨著圖像的對(duì)比度和亮度的改變而改變，對(duì)圖像中的噪聲非常敏感，故而這類方法對(duì)圖像質(zhì)量要求較高。由于眼底圖像普遍存在非均勻照明和對(duì)比度較差的現(xiàn)象，還有MA本身尺寸差異以及因?qū)Ρ榷热醵y以觀察等因素，所以基于梯度的處理方法很難排除大量的非MA點(diǎn)，而進(jìn)一步的基于區(qū)域特征信息的分類也往往會(huì)增加系統(tǒng)的復(fù)雜性。因此，對(duì)于具有復(fù)雜背景的眼底圖像，基于梯度的處理方法難以達(dá)到理想的檢測(cè)效果。而相位信息對(duì)亮度和對(duì)比度具有不變性，抗噪性能好，且符合人類視覺感知特性，對(duì)于圖像的描述至關(guān)重要。為此，筆者提取圖像的相位信息作為描述圖像的特征，提出了一種基于相位一致性的眼底圖像MA檢測(cè)方法。該方法不需要對(duì)原始圖像進(jìn)行增強(qiáng)等處理，同時(shí)也不涉及分類識(shí)別，減少了算法的復(fù)雜度，節(jié)省了運(yùn)行時(shí)間，與已有研究方法相比，本方法準(zhǔn)確可靠。

1 相位一致性原理

相位一致性(phase congruency, PC)是一種圖像特征[10]，是將傅里葉分量相位最一致的點(diǎn)作為特征點(diǎn)，可用于檢測(cè)階躍型邊緣和屋脊型邊緣。目前，PC已經(jīng)成功地應(yīng)用于紋理分割、邊緣檢測(cè)、圖像去噪等方面，并取得了很好的效果。它定位準(zhǔn)確，包含了豐富的紋理、邊緣和結(jié)構(gòu)信息，對(duì)圖像亮度、對(duì)比度的變化不敏感，符合人類視覺感知特性，具有很強(qiáng)的通用性，這些優(yōu)良特性使其非常適用于特征變化較大的醫(yī)學(xué)圖像。

Morrone和Owens定義了相位一致性函數(shù)[11]，有

(1)

2 基于PC的眼底圖像MA檢測(cè)

檢測(cè)分為3個(gè)階段,包括預(yù)處理、候選者提取和MA篩選，具體流程如圖1所示。

圖1 基于相位一致性模型的MA檢測(cè)流程Fig.1 Flowchart of MAs detection in fundus image based on PC

2.1預(yù)處理

預(yù)處理階段包括兩個(gè)方面：一是圖像尺寸規(guī)范化，二是提取RGB原始圖像的綠色通道。

實(shí)驗(yàn)研究需要大量的圖像，這些圖像具有不同的分辨率。在實(shí)際使用時(shí)，為了保證圖像質(zhì)量，采用雙線性插值對(duì)原始圖像進(jìn)行適當(dāng)壓縮，即實(shí)際處理圖像的分辨率為768像素×579像素。分析RGB彩色眼底圖像的3個(gè)通道可以發(fā)現(xiàn)，相比紅色通道和藍(lán)色通道，綠色通道的眼底結(jié)構(gòu)清晰、目標(biāo)突出，如圖2所示。在綠色通道中，眼底MA是孤立的、近似圓形的暗斑點(diǎn)，如圖3所示。因此，選擇彩色眼底圖像的綠色通道進(jìn)行后續(xù)檢測(cè)。

圖2 原始圖像和各通道圖像。(a)原始圖像；(b)紅色通道；(c)綠色通道；(d)藍(lán)色通道Fig.2 Original image and each channel image. (a)The original image；(b)The red channel；(c)The green channel；(d)The blue channel

圖3 綠色通道中MA細(xì)節(jié)Fig.3 MA details in green channel

2.2微動(dòng)脈瘤候選者提取

2.2.1基于相位一致性模型提取MA候選者

由于眼底圖像是二維的，要將相位一致性應(yīng)用到眼底圖像MA的檢測(cè)中，需要將相位一致性從一維擴(kuò)展到二維。一般使用高斯函數(shù)作為擴(kuò)展函數(shù)，得到的二維相位一致性模型[13]為

(2)

式中，o表示方向；n表示小波函數(shù)的尺度；?·」表示其中的值為正則取值不變，若為其他值則取0；ε為小的正常數(shù)，防止該式的分母為0；E為局部能量；T為所有尺度上濾波器對(duì)噪聲的響應(yīng)，表示為

(3)

式中，N是用到的小波尺度的數(shù)量，m是系列小波之間的尺度因子，k是用來(lái)從平均振幅估計(jì)噪聲最大響應(yīng)振幅的因子。PC(x,y)表示在點(diǎn)(x,y)的相位一致性(這里取o=8，n=3，m=1.4，ε=0.0001)，圖4(a)是PC處理后的眼底圖像(由于PC處理后的圖像灰度值較低，為了更明顯地展示PC的檢測(cè)結(jié)果，筆者進(jìn)行了增強(qiáng)顯示)?？梢钥闯?，大部分血管等結(jié)構(gòu)已被屏蔽，圖中較亮的點(diǎn)是局部能量較大的區(qū)域，其中包括微動(dòng)脈瘤點(diǎn)。但是在使用PC計(jì)算之后，需要去除圖像邊框，因此進(jìn)行了一次圖像掩模操作來(lái)消除圖像的邊界部分，以避免對(duì)后續(xù)處理造成干擾，效果如圖4(b)所示。

圖4 PC檢測(cè)效果。(a)PC檢測(cè)結(jié)果；(b)去除邊界的結(jié)果Fig.4 PC detection result. (a)PC detection result；(b)Result without boundary

2.2.2候選者提取

經(jīng)相位一致性處理后，圖像中灰度值較高的像素對(duì)應(yīng)于眼底圖像綠色通道中特征明顯的目標(biāo)。因此，經(jīng)閾值化處理即可將MA候選者提取出來(lái)。經(jīng)過(guò)多次實(shí)驗(yàn)，選取最大灰度值的1/10作為閾值進(jìn)行分割，效果如圖5(a)所示。在此基礎(chǔ)上進(jìn)行面積濾波：計(jì)算在某一連通域內(nèi)像素點(diǎn)個(gè)數(shù)N，若N在設(shè)定的閾值T范圍內(nèi)，則作為MA候選者被保留下來(lái),反之則作為噪聲濾除。筆者根據(jù)MA在圖像中的像素大小，經(jīng)大量實(shí)驗(yàn)選取T的取值范圍為[3,25]。通過(guò)面積濾波，去除了圖像中非目標(biāo)的小結(jié)構(gòu)(噪聲)和大結(jié)構(gòu)(血管和其他病變的殘留部分)，從而得到MA候選者，如圖5(b)所示。

將所得的MA候選者疊加到綠色通道圖像上，如圖6所示。可以發(fā)現(xiàn)，大部分的MA候選者位于血管上，這是因?yàn)檠軞埩舨糠?，尤其是血管交叉的部分，與MA的亮度、形狀近似，易造成誤檢。但由病理知識(shí)可知，MA一般不會(huì)出現(xiàn)在主血管上，基于此可以濾除偽目標(biāo)，篩選出真正的MA。

圖5 MA候選者提取結(jié)果。(a)閾值分割結(jié)果；(b) MA候選者Fig.5 Detection result of MA candidates. (a)Threshold segmentation result;(b)MA candidates

圖6 疊加在原圖上的MA候選者Fig.6 MA candidates superimposed over the original image

2.3基于灰度剖面圖的MA篩選

根據(jù)候選者在原圖像中的特點(diǎn)，采用剖面圖的方法剔除非MA目標(biāo)。對(duì)于MA候選者對(duì)應(yīng)的像素點(diǎn)，在原圖像上以該點(diǎn)(x,y)為中心，取其W×W(其中W=2L-1)的鄰域(采用W=15，L=8)，在每個(gè)鄰域窗口中設(shè)置8個(gè)掃描方向(0°、22°、45°、66°、90°、111°、135°、156°)進(jìn)行線掃描，每條掃描線上所有像素點(diǎn)的灰度值構(gòu)成一個(gè)一維灰度剖面圖曲線，用P表示(其中P[v]表示第v個(gè)像素的灰度值，v=1,2,… ,W)，所有方向的掃描線形成一組灰度剖面圖[14]。血管結(jié)構(gòu)、背景和MA區(qū)域的灰度剖面圖具有不同的特點(diǎn)，如圖7所示。觀察這8個(gè)方向的剖面圖可以發(fā)現(xiàn)，MA在所有掃描方向上均表現(xiàn)為明顯的高斯?fàn)畈ǚ?，而血管結(jié)構(gòu)只有在掃描線與血管垂直時(shí)才具有峰值，其他非圓形結(jié)構(gòu)也無(wú)此特征，據(jù)此即可濾除偽MA。

圖7 血管、背景及MA區(qū)域剖面。(a)血管；(b)背景；(c)MAFig.7 Sample cross-section profiles of a vessel、a background region and a MA. (a) The vessel；(b)The background；(c)MA

在得到一系列灰度剖面圖后，對(duì)每一條曲線進(jìn)行峰值檢測(cè)。首先確定波峰所在的位置為窗口中心，然后以窗口中心的像素點(diǎn)為準(zhǔn)，向左右兩個(gè)方向分別逐像素地求曲線的斜率，根據(jù)斜率確定ince、incs、dece、decs共4個(gè)點(diǎn)，如圖8所示。

圖8 峰值檢測(cè)的4個(gè)特殊點(diǎn) Fig.8 Four special points of peak detection

然后通過(guò)這4個(gè)點(diǎn)來(lái)計(jì)算波峰的5個(gè)特征，分別為

1) 峰寬：Wpeak(i)=dece(i)-incs(i)。

2) 峰頂寬：Wtop(i)=decs(i)-ince(i)。

3)坡道平均高度：Rheights(i)=[hinc(i)+hdec(i)]/2，其中，hinc(i)=P[ince(i)]-P[incs(i)]表示上坡道高度，hdec(i)=P[decs(i)]-P[dece(i)]為下坡道高度。

5)峰高：

(i=0,1,2,… ,7代表8個(gè)掃描方向)。

在得到所有曲線的5個(gè)特征值后，根據(jù)MA候選者的邊緣、形狀、對(duì)稱性與對(duì)比度，利用下式計(jì)算候選目標(biāo)得分，排除偽MA，有

(4)

式中,Mhpeak是hpeak的最小值，反映了MA與其他候選者在對(duì)比度上的差異；μRslopes表示Rslopes的期望，體現(xiàn)了MA在結(jié)構(gòu)上的顯著性；σwpeak是Wpeak的方差。類似地，σwtop、σRheights、σRslopes與σhpeak分別是Wtop、Rheights、Rslopes與hpeak的方差。

通過(guò)計(jì)算MA的Score得分，確定Score取值范圍。當(dāng)Score在[20,30]范圍內(nèi)時(shí)，可認(rèn)為是真正的MA，否則就認(rèn)為是偽目標(biāo)并予以剔除，MA篩選結(jié)果如圖9(b)所示。與圖9(a)對(duì)比，可以發(fā)現(xiàn)通過(guò)該方法可濾除絕大部分偽目標(biāo)。

圖9 MA檢測(cè)結(jié)果(紅圈標(biāo)注的為MA)。(a) MA候選者；(b) MA篩選結(jié)果Fig.9 Results of MAs detection. (a)MA candidates;(b)MA filtering result

2.4算法驗(yàn)證

為了檢驗(yàn)本方法的性能，采用ROC(Retinopathy Online Challenge)網(wǎng)站[15]提供的眼底圖像庫(kù)進(jìn)行實(shí)驗(yàn)。ROC網(wǎng)站提供了50幅訓(xùn)練圖像和50幅測(cè)試圖像，其中訓(xùn)練圖像中的MA是經(jīng)過(guò)專業(yè)醫(yī)生的“金標(biāo)準(zhǔn)”定位的。本方法主要對(duì)訓(xùn)練圖像進(jìn)行檢測(cè)，并與專家給出的“金標(biāo)準(zhǔn)”進(jìn)行對(duì)比。本實(shí)驗(yàn)的硬件平臺(tái)為CPU 3.20 GHz、內(nèi)存4 GB的計(jì)算機(jī)。

在圖像水平上，選用檢測(cè)的靈敏度(sensitivity)、特異性(specificity)、準(zhǔn)確率(accuracy)作為算法穩(wěn)定性的評(píng)判標(biāo)準(zhǔn)[16]，即

(5)

(6)

(7)

對(duì)于待檢測(cè)眼底圖像，若檢測(cè)有MA，實(shí)際也存在MA，則記為真陽(yáng)(TP);若檢測(cè)到無(wú)MA，實(shí)際有MA，則記為假陰(FN)；若檢測(cè)無(wú)MA，實(shí)際也無(wú)MA，則記為真陰(TN);若檢測(cè)有MA，實(shí)際無(wú)MA,則記為假陽(yáng)(FP)。

3 實(shí)驗(yàn)結(jié)果

圖10為所選3幅病變眼底圖像的MA檢測(cè)結(jié)果。所選3幅圖像的質(zhì)量各不相同，前兩幅圖像均存在光照不均、對(duì)比度較低等問題。實(shí)驗(yàn)結(jié)果表明，無(wú)論圖像質(zhì)量如何，在沒有使用任何圖像增強(qiáng)等手段處理的情況下，本方法均可準(zhǔn)確地檢測(cè)出MA，說(shuō)明本方法對(duì)圖像的亮度和對(duì)比度具有不敏感性。

另外，由于眼底背景復(fù)雜、MA對(duì)比度弱等因素的影響，在檢測(cè)中也存在一些誤檢及漏檢現(xiàn)象，如圖11所示，圖(b)中存在4個(gè)MA誤檢，3個(gè)MA漏檢。

圖10 基于相位一致性模型的眼底MA檢測(cè)結(jié)果。(a)～(c)為圖庫(kù)標(biāo)注結(jié)果(白圈為圖庫(kù)標(biāo)注的MA位置)；(d)～(f)為本方法相應(yīng)的檢測(cè)結(jié)果(方框內(nèi)的白點(diǎn)為檢測(cè)到的MA)Fig.10 Result of MAs in fundus image detection based on PC. (a)～(c)Results given by ROC (MAs are circled)；(d)～(f) Detection results of the proposed method correspondingly (white dots in squares are detected MAs)

圖11 MA檢測(cè)結(jié)果。(a)圖庫(kù)標(biāo)注結(jié)果(白圈為圖庫(kù)標(biāo)注的MA位置)；(b)本方法檢測(cè)結(jié)果Fig.11 Result of MAs detection. (a) Results given by ROC (MAs are circled)；(b) Detection results of the proposed method

對(duì)50幅眼底圖像進(jìn)行檢測(cè)的結(jié)果：靈敏度為94%，特異性為100%，準(zhǔn)確率為96%。實(shí)驗(yàn)結(jié)果表明，本方法能較好地檢測(cè)彩色眼底圖像的MA，對(duì)于區(qū)分正常眼底和病變眼底具有良好的效果。

為進(jìn)一步說(shuō)明方法的性能，在病變水平上將本算法與目前典型的3種方法進(jìn)行了比較。通過(guò)對(duì)比相同誤檢率下靈敏度的高低，說(shuō)明本方法的優(yōu)越性。如表1所示，給出了不同方法在每幅圖像誤檢個(gè)數(shù)為1時(shí)的靈敏度。實(shí)驗(yàn)結(jié)果表明，相比現(xiàn)有的檢測(cè)方法，本方法在相同的誤檢率下靈敏度較高，檢測(cè)性能優(yōu)于典型的方法。同時(shí)，本方法對(duì)圖像亮度和對(duì)比度不敏感，不需要對(duì)原始圖像進(jìn)行增強(qiáng)處理，魯棒性較好。另外，本方法不涉及分類識(shí)別，減少了算法的復(fù)雜度，處理效率較高，平均每幅圖像運(yùn)行時(shí)間為3 s。

表1 不同方法在每幅圖像誤檢個(gè)數(shù)為1時(shí)的靈敏度對(duì)比

4 討論

本方法主要通過(guò)選取尺度個(gè)數(shù)n、面積濾波閾值T及Score這3個(gè)參數(shù)，完成MA檢測(cè)。

PC計(jì)算中濾波器的尺度個(gè)數(shù)n是影響MA檢測(cè)結(jié)果的一個(gè)重要參數(shù)。實(shí)驗(yàn)證明，選取n=3時(shí)，能夠?qū)D像中所有MA的特征提取出來(lái)。當(dāng)n取值較大時(shí)，不僅會(huì)漏掉較小尺寸的MA，而且將保留部分血管等結(jié)構(gòu)的殘留物，對(duì)檢測(cè)結(jié)果造成干擾；反之，當(dāng)取值較小時(shí)，較大尺寸的MA將被濾除，并且不能有效地去除噪聲。

在MA候選者提取階段，面積濾波閾值T的取值范圍為[3,25]。當(dāng)上限增大時(shí)，血管等大尺寸結(jié)構(gòu)將被誤認(rèn)為MA候選者；當(dāng)上限減少時(shí)，大尺寸的MA將被濾除，造成漏檢。當(dāng)下限增大時(shí)，較小尺寸的MA將同噪聲一起被濾除；當(dāng)下限減小時(shí)，濾波范圍變大，噪聲、背景紋理等結(jié)構(gòu)將被保留，從而給檢測(cè)結(jié)果帶來(lái)干擾。

在MA篩選階段，Score評(píng)判范圍[20,30]的選取是根據(jù)MA、背景紋理及血管的不同Score取值確定的。當(dāng)取值范圍的上限選取較大值時(shí)，大部分MA會(huì)和血管結(jié)構(gòu)一同被濾除，從而造成MA的漏檢；當(dāng)下限取值較小時(shí)，血管片段等結(jié)構(gòu)無(wú)法被濾除，從而造成大量誤檢。

針對(duì)所采用的數(shù)據(jù)庫(kù)，經(jīng)過(guò)大量實(shí)驗(yàn)證明，所取PC參數(shù)、面積濾波參數(shù)和Score參數(shù)為最佳數(shù)值，可實(shí)現(xiàn)MA的高效檢測(cè)。

眼底MA檢測(cè)是一個(gè)比較困難的任務(wù)，在目前文獻(xiàn)報(bào)道中，關(guān)于ROC數(shù)據(jù)庫(kù)中各類MA檢測(cè)方法的準(zhǔn)確率還很低，尤其是對(duì)比度較弱的MA檢測(cè)。同時(shí)MA的檢測(cè)易受血管、背景紋理等因素的影響，據(jù)觀察有30%的漏檢和90%的誤檢與血管結(jié)構(gòu)的剔除有關(guān)。雖然本方法提出了一種PC與構(gòu)建灰度剖面圖相結(jié)合的方法，極大降低了因血管造成的誤檢率，但是由于實(shí)際視網(wǎng)膜眼底圖像的復(fù)雜性，仍存在一些問題。

對(duì)于眼底圖像中對(duì)比度較高的非MA結(jié)構(gòu)，在檢測(cè)過(guò)程中常被誤判為MA。如圖12所示，白點(diǎn)為誤檢，方框?yàn)樵瓐D的局部放大圖，從原圖中可以看出偽目標(biāo)的對(duì)比度較高，同時(shí)結(jié)構(gòu)特征與MA類似，極易造成誤檢。

圖12 對(duì)比度較高的非MA誤檢Fig.12 The false detection of non-MA with high cantrast

MA的漏檢主要存在兩種情況:一是血管附近MA的漏檢，由于其特征與血管類似，容易誤判為血管，從而導(dǎo)致漏檢；二是低對(duì)比度MA的漏檢，由于其顏色、亮度與背景相似，從而造成漏檢。圖13為低對(duì)比度MA的局部放大，其中標(biāo)注區(qū)域?yàn)镸A，而人眼無(wú)法直接分辨，因此在對(duì)此類MA進(jìn)行檢測(cè)時(shí)常出現(xiàn)漏檢。圖11(b)中的漏檢即為以上兩種情況。

圖13 低對(duì)比度MA的局部放大圖Fig.13 The partial enlarged view of MA with low contrast

為了減少誤檢和漏檢，需要更全面地提取MA的特征，如可考慮增加顏色特征，以提高M(jìn)A檢測(cè)的準(zhǔn)確率。

5 結(jié)論

本研究提出了一種基于相位一致性模型的MA檢測(cè)方法。首先,對(duì)彩色眼底圖像提取綠色通道；其次，采用相位一致性的方法獲取MA候選者；最后,通過(guò)構(gòu)建灰度剖面圖去除圖像中血管等無(wú)關(guān)信息，從而獲得真正的MA。該方法對(duì)圖像亮度和對(duì)比度不敏感，不需要對(duì)原始圖像進(jìn)行增強(qiáng)處理。由于噪聲影響，檢測(cè)結(jié)果仍存在一些誤檢和漏檢，如何在不影響正確提取較小微動(dòng)脈瘤的前提下提高M(jìn)A檢測(cè)的正確率,是下一步需要解決的問題。

[1] Spencer T, Olson JA, McHardy KC,etal. An image-processing strategy for the segmentation and quantification of microaneurysms in fluorescein angiograms of the ocular fundus [J]. Computers and Biomedical Research, 1996,29(4): 284-302.

[2] Hipwell JH, Strachant F, Olson JA,etal. Automated detection of microaneurysms in digital red-free photographs: A diabetic retinopathy screening tool [J]. Diabetic Medicine, 2000,17(8): 588-594.

[3] Fleming AD, Philip S, Goatman KA,etal. Automated microaneurysm detection using local contrast normalization and local vessel detection [J]. IEEE Transactions on Medical Imaging, 2006,25(9):1223-1232.

[4] Walter T, Massin P, Erginay A,etal. Automatic detection of microaneurysms in color fundus images [J]. Medical Image Analysis, 2007,11(6): 555-566.

[5] Sinthanayothin C, Boyce JF, Williamson TH,etal. Automated detection of diabetic retinopathy on digital fundus images [J]. Diabetic Medicine, 2002,19(2):105-112.

[6] Niemeijer M, Ginneken B, Staal J,etal. Automatic detection of red lesions in digital color fundus photographs [J]. IEEE Transactions on Medical Imaging, 2005,24(5): 584-592.

[7] Zhang B, Karray F, Zhang L,etal. Microaneurysm(MA) detection via sparse representation classifier with MA and Non-MA dictionary learning [C] //International Conference on Pattern Recognition. Istanbul: IEEE, 2010: 277-280.

[8] Quellec G, Lamard M, Josselin PM,etal. Optimal wavelet transform for the detection of microaneurysms in retina photographs [J]. IEEE Transactions on Medical Imaging, 2008,27(9): 1230-1241.

[9] Hatanaka Y, Inoue T, Okumura S,etal. Automated microaneurysm detection method based on double-ring filter and feature analysis in retinal fundus images [C] //Proceedings of 25th International Symposium on Computer-Based Medical Systems. Rome: IEEE, 2012: 1-4.

[10] Xiao Zhitao, Hou Zhengxin. Phase based feature detector consistent with human visual system characteristics [J]. Pattern Recognition Letters, 2004,25(10): 1115-1121.

[11] Morrone MC, Owens RA. Feature detection from local energy [J]. Pattern Recognition Letters, 1987,6(5): 303-313.

[12] Venkatesh S, Owens RA. An energy feature detection scheme [C] // International Conference on Image Processing. Singapore: IEEE, 1989: 553-557.

[13] Kovesi P, Image features from phase congruency [J]. Journal of Computer Vision Research, 1999,1(3): 1-26.

[14] Lazar I, Hajdu A. Retinal microaneurysm detection through local rotating cross-section profile analysis [J]. IEEE Transactions on Medical Imaging, 2013,32(2): 400-407.

[15] Retinopathy Online Challenge [EB/OL]. http://roc.healthcare.uiowa. edu/, 2000-01-01/2013-08030.

[16] 高瑋瑋, 沈建新, 王玉亮. 免散瞳眼底圖像中微動(dòng)脈瘤的高效自動(dòng)檢測(cè) [J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 2012,31(6): 839-845.

MicroaneurysmsDetectioninFundusImageBasedonPhaseCongruency

XIAO Zhi-Tao1LIU Lu1GENG Lei1*ZHANG Fang1WU Jun1ZHANG Xin-Peng1SU Long2CHEN Li-Ming3SHAN Chun-Yan3

1(SchoolofElectronicsandInformationEngineering,TianjinPolytechnicUniversity,Tianjin, 300387,China)2(TianjinMedicalUniversityEyeHospital,Tianjin, 300384,China)3(TianjinMedicalUniversityMetabolicDiseaseHospital,Tianjin, 300070,China)

The presence of microaneurysms in the retina is the earliest clinical symptom of diabetic retinopathy(DR), thus their reliable detection is essential in the DR screening system. Based on phase congruency, this paper proposes a new microaneurysms detection method. The first step aimed at obtaining microaneurysms candidate regions achieved by using phase congruency. Then the irrelevant information, such as the vessel fragments, was removed by constructing directional cross-section profiles. Through testing on 50 fundus images provided by ROC website, the method achieved a sensitivity of 94%, specificity of 100%, and accuracy of 96% at the image level, respectively. This method can accurately get microaneurysms in color fundus images, and it is insensitive to image brightness and contrast.

microaneurysms detection; phase congruency; intensity profile; fundus image; diabetic retinopathy

10.3969/j.issn.0258-8021. 2014. 01.002

2013-09-10，錄用日期：2013-12-30

國(guó)家自然科學(xué)基金(61102150)；天津市科技支撐計(jì)劃重點(diǎn)項(xiàng)目(13ZCZDGX02100)

R318;TP391.4

A

0258-8021(2014) 01-0008-08

*通信作者。E-mail: genglei@tjpu.edu.cn