1301077 馬文翼 開題報告

1、1碩士學位論文開題報告及論文工作計劃書學號：1301077姓名：馬文翼導師：丁山副教授學科類別：工學全日制專業(yè)學位學科/工程領(lǐng)域：信號與信息處理所屬學院：信息科學與工程學院研究方向:醫(yī)學圖像處理擬選題目：基于Bayes理論的微小動脈瘤檢測算法研究選題時間：2014年7月15日東北大學研究生院2014年7月15日填表說明1、本表應在導師指導下如實填寫。2、學生在開題答辯前一周，將該材料交到所在學院、研究所。3、按有關(guān)規(guī)定，沒有完成開題報告的學生不能申請論文答辯。4、全文正文均用小四號宋體，單倍行距，段前段后間距為0，如果頁數(shù)不夠，可以整頁擴頁，其他格式要求參見東北大學碩、博士學位論文格式。一、前

2、期工作基礎(chǔ)（本節(jié)可以整頁擴頁）課程學習及選題開題階段，在導師指導下從事研究工作總結(jié)（不少于2000字）研究工作總結(jié)從入學到如今差不多一年的時間過去了。在導師的悉心指導下我選修了一系列可以真正應用到課題研究中的課程并取得了優(yōu)異的成績，比如，現(xiàn)階段在大多數(shù)的研究領(lǐng)域中，主要是以MATLAB仿真為主，用PC機來模擬從而節(jié)省很多在時間、費用等等上的開銷。因此學好MATLAB對于科學研究非常重要；在模式識別或者是圖像處理中，對于感興趣信號的提取與處理是至關(guān)重要的，因此在此之前就必須對信號處理的方法、優(yōu)缺點、適用范圍等有一個初步的了解，此時信號處理的統(tǒng)計分析方法這門課程就開始發(fā)揮它的作用了，它使得我在提取

3、醫(yī)學圖像中所感興趣信息時應該采取的方法有了清晰的認識，而且在模式識別中大多數(shù)分類問題應選用的分類器有了一個大概的了解；嵌入式實時操作系統(tǒng)原理尤為重要，通過這門課程的學習我學會了Linux系統(tǒng)的內(nèi)核移植、bootloader的燒寫以及底層驅(qū)動的編寫，并且在華邦W90P710實驗箱上做了各種實驗比如I2C、串口通信、LCD顯示、BootLoader燒寫、uCLinux映像文件燒寫、驅(qū)動程序框架設(shè)計、內(nèi)核編譯實驗等。在研究課題方面，通過在網(wǎng)上查閱大量資料發(fā)現(xiàn)，現(xiàn)如今患有糖尿病的人在不斷增加，作為糖尿病最嚴重的并發(fā)癥之一的糖尿病性視網(wǎng)膜病變的發(fā)病率也在逐步提高。這種疾病可導致失明，因此及早的診斷及治療

4、顯得尤為重要。隨著患者數(shù)量的增多，而專業(yè)眼科專家數(shù)量的有限，基于計算機輔助的自動診斷技術(shù)的研究便應運而生。該技術(shù)最早出現(xiàn)在1984年，針對于熒光造影圖像，后來慢慢的就在此基礎(chǔ)上進行改進并且有新的算法應用于數(shù)字眼底圖像，但到目前為止自動檢測的準確度依然不高。不斷的閱讀國內(nèi)外相關(guān)文獻，總結(jié)出影響檢測正確性的因子主要有以下幾方面：一，模板匹配后對候選集的處理方法的選擇；二，精確提取算法的選取。針對于以上影響因子我做了進一步的研究，尤其在精確提取算法的選取上。在以前的研究中大多采用模版匹配算法來實現(xiàn)微小動脈瘤的提取，而最近的算法更是采用動態(tài)多參數(shù)模板對其進行匹配，從而能更好的適應不同形態(tài)大小的微小動脈

5、瘤，但是在模板匹配之后所用到的精確提取算法（分類算法）又不盡相同，從而導致檢測的準確度普遍較低。微小動脈瘤的提取是一個區(qū)分真瘤與偽瘤的分類問題，近年來已有很多分類算法提出，如判定樹、判定表、神經(jīng)網(wǎng)絡(luò)、支持向量機、KNN、貝葉斯方法等，在以前的研究中采用自適應加權(quán)的匯總策略對微小動脈瘤進行精確提取時靈敏度不高，為了改善分類效果，提高靈敏度我分別使用了DS證據(jù)理論與灰色關(guān)聯(lián)相結(jié)合的分類方法以及加權(quán)的樸素貝葉斯分類器?；疑P(guān)聯(lián)分析與DS證據(jù)理論相結(jié)合：DS證據(jù)理論是數(shù)據(jù)決策中一種不確定推理方法，它將來自相互獨立的多個數(shù)據(jù)源的信息進行融合以提高對事件的置信程度，采用信任函數(shù)作為證據(jù)置信度的度量，通過對

6、一些事件的概率加以約束建立信任函數(shù)而不必說明精確的難以獲得的概率。灰色關(guān)聯(lián)分析對受多種因素影響的事物和現(xiàn)象從整體觀念出發(fā)進行綜合評價，根據(jù)數(shù)據(jù)列各因素衡量數(shù)據(jù)列的相似或相異程度。在微小動脈瘤的檢測中其鑒別框架就分為兩種一真瘤及未知，而對這種證據(jù)的支持程度則用基本概率賦值函數(shù)來表示。而這里就采用灰色關(guān)聯(lián)分析法求得不同數(shù)據(jù)列間的灰色關(guān)聯(lián)程度作為DS證據(jù)理論的基本概率賦值函數(shù)。把用微小動脈瘤的48個特征作為每個數(shù)據(jù)列的元素，從而求得基本概率值。在此基礎(chǔ)上利用DS組合形成新的證據(jù)，并計算屬于瘤的可信度，只要這個可信度與屬于其他類別的差值大于某一設(shè)定的閾值就可判定該點為微小動脈瘤。通過在MATLAB上仿

7、真可看出，該算法能有效地剔除候選集中的偽瘤個數(shù)。加權(quán)樸素貝葉斯分類器：根據(jù)樸素貝葉斯的定義，把用于區(qū)分微小動脈瘤的48個特征抽象為樸素貝葉斯分類器所需的屬性，而樸素貝葉斯分類方法基于條件獨立性假設(shè)，即假設(shè)一個屬性對給定類的影響獨立于其他屬性，當假設(shè)成立時，與其他分類算法相比，樸素貝葉斯分類方法理論上具有最小的誤分類率。為了滿足樸素貝葉斯的“獨立性假設(shè)”，在此采用屬性加權(quán)方法，對后驗概率計算中的每個條件概率項進行加權(quán)，并且對不同的屬性取值提供不同的加權(quán)值，從而提高樸素貝葉斯分類器的分類能力。首先提取訓練集中真瘤與偽瘤的所有特征信息形成統(tǒng)計表，并分別計算屬于真瘤與偽瘤的每個特征的均值與方差。然后統(tǒng)

8、計分別屬于真瘤與偽瘤的每個特征值的取值個數(shù)，并據(jù)此對其進行加權(quán)。最后提取測試集中候選瘤的特征代入貝葉斯分類器中即可。通過在MATLAB中的實驗結(jié)果可以看出樸素貝葉斯分類器的分類效果還是非常好的。此外，在導師的指導下，我逐漸開始做關(guān)于Android開發(fā)的研究。Android是Google剛開發(fā)不久的基于Linux平臺的開源手機操作系統(tǒng)的名稱，它涵蓋移動信息設(shè)備工作所需的全部軟件，正在逐步成為目前移動信息設(shè)備應用程序開發(fā)的主要平臺。Android最震撼人心之處在于Android手機系統(tǒng)的開放性和服務(wù)免費，而且它采用WebKit瀏覽器引擎，具備觸摸屏，高級圖形顯示和上網(wǎng)功能，可以說是一種融入全部we

9、b應用的的互聯(lián)網(wǎng)平臺。另外，Android項目目前正在從手機運營商、手機制造廠商、開發(fā)者和消費者那里獲得大力支持?；谏鲜鲈蚴沟肁ndroid具有廣闊的發(fā)展前景?，F(xiàn)如今不論是移動電話、平板電腦還是便攜式穿戴設(shè)備基本上都搭載著Android系統(tǒng)，因此對于Android的開發(fā)具有非常重要的意義。由于目前Android技術(shù)較新，無論是相關(guān)書籍、培訓還是大學教育，都處于初級階段，因此Android人才短期將供不應求。鑒于此我?guī)椭鷮熅帉慉ndroid程序設(shè)計教材，旨在讓大學生對Android有一個最基本的了解，并且能夠從事簡單的開發(fā)工作。從起初的學習Android開發(fā)環(huán)境的搭建、AndroidGUI

10、、消息處理與廣播機制、通信及網(wǎng)絡(luò)機制；到如今的在Android程序設(shè)計一書中撰寫Android平臺下的藍牙通信一從藍牙系統(tǒng)構(gòu)成、協(xié)議、技術(shù)特點、底層驅(qū)動的編寫到藍牙在Android下通信所用到的各種API的運用并在在真機上實現(xiàn)藍牙通信；Android下的GPS從GPS的架構(gòu)入手逐步寫到其底層驅(qū)動的編寫，應用層接口的實現(xiàn)，定位及搜索功能的實現(xiàn)，最后通過開發(fā)Googlemap在真機上實現(xiàn)GPS的功能；AndroidNDK從NDK的作用到NDK系統(tǒng)的搭建最后到利用NDK進行Android開發(fā)都做了詳細的介紹；Android傳感器一從傳感器種類的詳細介紹到傳感器API的運用，再到運用傳感器的混合編程實

11、現(xiàn)Android中傳感器的具體應用，比如射頻識別技術(shù)的子技術(shù)近場通信（NFC），只要使用帶有NFC硬件的設(shè)備比如SamsungGalaxyNexus，就可感知到近距離的電子物體，并從中讀取數(shù)據(jù)。另外對于Android平臺下的openGL以及影音文件的處理等也做了深入研究。在碩士學習期間發(fā)表的論文ShanDing,WenyiMa.AnAccurateApproachforMicroaneurysmDetectioninDigitalFundusImages,InternationalConferenceonPatternRecognition（ICPR錄用）2014.二、選題依據(jù)（本節(jié)可以整頁擴

12、頁）課題背景、選題依據(jù)、課題研究目的、理論意義和應用價值（工學碩士）/工程背景和實用價值（專業(yè)學位碩士）（不少于1000字）課題背景及選題依據(jù)：糖尿病是一種現(xiàn)代社會的高發(fā)病，近年來，我國已成為世界上糖尿病患者人數(shù)最多的3個國家之一。糖尿病視網(wǎng)膜病變（diabeticretinopathy，DR）是糖尿病最嚴重的并發(fā)癥之一，是引起失明的主要病因。一般可分為亮病變和暗病變，亮病變包括硬滲出物和絮狀體，暗病變包括微動瘤和出血。幾乎所有的1型糖尿病人和超過60%的2型糖尿病人會發(fā)生視網(wǎng)膜病變,且有3.6%的1型糖尿病人和1.6%的2型糖尿病人將失明。特別是DR可能發(fā)生數(shù)年而不出現(xiàn)視覺上的明顯障礙，因而

13、及早的、定期的DR篩查成為及時發(fā)現(xiàn)視網(wǎng)膜病變、及時治療的唯一有效方法。臨床醫(yī)學研究表明：糖尿病性眼病的早期病變可通過視網(wǎng)膜和細微視神經(jīng)組織結(jié)構(gòu)的醫(yī)學圖像信息進行檢測。在西方發(fā)達國家，正大力推廣糖尿病患者定期視網(wǎng)膜眼底成像檢查，由專業(yè)眼科專家對眼底圖像進行甄別（判斷是否有病變）、檢測（判斷病變類型）、評估（判斷病變嚴重程度）從而判斷病情的變化。由于患者人數(shù)眾多而專業(yè)眼科專家有限，大規(guī)模診斷工作既繁重又耗時，因此研究基于計算機視覺的視網(wǎng)膜早期病變自動診斷系統(tǒng)及方法稱為當務(wù)之急。微小動脈瘤是由視網(wǎng)膜毛細血管壁受損造成膨出而形成的。微小動脈瘤在數(shù)字眼底圖像中表現(xiàn)為紅色小圓點，直徑在10100“m左右，

14、是糖尿病性視網(wǎng)膜病變中最先出現(xiàn)的，同時也是眼底圖像上能觀測到的最小病變。目前，針對眼底圖像病灶檢測的研究主要集中在微動脈瘤的自動檢測上。但是，數(shù)字眼底圖像信息量大，微小動脈瘤、出血、軟硬滲出等其它眾多糖尿病性視網(wǎng)膜病的病征信息以及本身的血管信息均囊括在一副圖像里，并且很多病理特征在處理過程中不易區(qū)分，導致作為糖尿病性視網(wǎng)膜病第一病征的微小動脈瘤難以得到準確的檢測。所以，數(shù)字眼底圖像下微小動脈瘤的自動檢測不僅成為計算機輔助診斷的難題，也成為數(shù)字圖像處理中的一個難題。課題研究目的本課題針對視網(wǎng)膜圖像處理和分析中的關(guān)鍵技術(shù)作了研究，其主要內(nèi)容為基于視網(wǎng)膜圖像中微小動脈瘤的提取算法的研究。微小動脈瘤是

15、糖尿病性視網(wǎng)膜病變的首要臨床表現(xiàn)，通過檢測微小動脈瘤可以盡早地預防和治療糖尿病性視網(wǎng)膜病變，并可以防止其惡化和視力損傷。理論意義和實際應用價值對于微小動脈瘤的檢測大致有兩種方法，一種是熒光造影技術(shù)，通過靜脈注射熒光素使其清晰地表示出微循環(huán)的細微結(jié)構(gòu)，甚至可以達到毛細血管的水平，但是其副作用巨大。而另一種則是數(shù)字眼底成像技術(shù)，用數(shù)字眼底照相機對視網(wǎng)膜進行成像是目前唯一的非創(chuàng)傷體內(nèi)組織成像方式，因此，通過檢測視網(wǎng)膜圖像中的微小動脈瘤來診斷糖尿病視網(wǎng)膜病變成為醫(yī)學診斷領(lǐng)域最為期待的計算機輔助診斷方法。微小動脈瘤的檢測具有以下理論意義和實際應用價值。首先，數(shù)字眼底圖像中微小動脈瘤的檢測，可以用來預防和

16、避免糖尿病給患者造成嚴重的視力損傷。其次，通過檢測微小動脈瘤可以引起眼科醫(yī)生注意，使糖尿病患者得到及時的治療與預防。另外，檢測出的微小動脈瘤的位置可以作為眼科醫(yī)生對患者進行手術(shù)的重要依據(jù)。三、文獻綜述（本節(jié)可以整頁擴頁）國內(nèi)外研究現(xiàn)狀、發(fā)展動態(tài)描述（不少于1000字）；所閱文獻的查閱范圍及手段，附參考文獻（不少于10篇，其中近3年文獻不少于5篇，英文文獻不少于3篇，全部按照標準格式列出，并在文中順序標注）國內(nèi)外研究現(xiàn)狀、發(fā)展動態(tài)國內(nèi)外研究現(xiàn)狀、發(fā)展動態(tài)：針對于數(shù)字圖像眼底微小動脈瘤檢測的問題，如今大致有以下幾種方法：1）數(shù)學形態(tài)學，頂帽變換技術(shù)Baudoini于1984年最早在熒光造影圖像中運

17、用數(shù)學形態(tài)學的方法實現(xiàn)微小動脈瘤的檢測。選取不同方向、不同連通性、以及不同粗細的線性結(jié)構(gòu)作為結(jié)構(gòu)元素，通過形態(tài)學頂帽變換把狹小、細長的類血管結(jié)構(gòu)從非連通的圓形對象中區(qū)分出來。后來在這一技術(shù)基礎(chǔ)上，許多改進的檢測方法相繼提出來。Spencer2,Cree3,Frame4,Niemeijer5以及他們的團隊在頂帽變換之前增加了色光修正和匹配濾波的預處理步驟，分割出微小動脈瘤候選對象后，提取候選對象的形狀、顏色和對比度等特征，再用訓練好的分類器通過這些特征篩選出真實的微小動脈瘤對象。HipwellW1把改進后的頂帽變換用來進行高分辨率的紅色通道的眼底彩色的微小動脈瘤檢測。Waited提出了一種基于數(shù)

18、學形態(tài)學的微小動脈瘤檢測算法。該算法首先對眼底圖像進行歸一化提高病變區(qū)域的對比度，運用直徑開運算技術(shù)提取疑似微小動脈瘤對象，再用自動閾值分割技術(shù)，提取微小動脈瘤對象的特征，然后設(shè)計一個分類器用來決策真實微小動脈瘤對象。NiemeijerW提出了頂帽變換方法和監(jiān)督分類相結(jié)合來檢測彩色眼底圖像的微小動脈瘤。在像素分類方法中，用血管上的像素和紅色病變（微小動脈瘤和出血）的像素值來訓練分類器。分類器訓練以后，它將會檢測眼底圖像上所有的血管和紅色病變的像素，在排除所有的連通的、瘦長的結(jié)構(gòu)后，剩下的區(qū)域被認定為疑似微小動脈瘤對象。隨后，提取一系列包括顏色信息在內(nèi)的特征值，決策出真實微小動脈瘤對象。2）對象

19、分割技術(shù)文獻9-121中，認為彩色眼底圖像上的暗色區(qū)域基本上由血管、微小動脈瘤和出血組成。通過血管分割，最后保留的對象認為是微小動脈瘤和出血。Sinthanayothin等人和Usher等人al提出了一種采用數(shù)學遞歸區(qū)域增長的方法分割出彩色眼底圖像的血管和紅色病變，然后運用神經(jīng)網(wǎng)絡(luò)將區(qū)域增長后的血管、微小動脈瘤和出血分類。Grisanii1通過用高于局部的空間密度的聚類方法檢測暗色對象。K.Adal等人121把眼底圖像的微小動脈瘤轉(zhuǎn)換成檢測眼底圖像的感興趣點，然后結(jié)合對疑似區(qū)域的描述和機器學習（SupportVectorMachine,SVM）來檢測微小動脈瘤。首先運用奇異值分解的方法對眼底圖

20、像進行對比增強，然后運用Hessian矩陣方法提取圖像上微小動脈瘤的疑似區(qū)域，然后采用低對比度的blob算子提取疑似對象的特征，最后運用SVM對疑似微小動脈瘤區(qū)域進行決策。Pallawala等人口31提出了一種新的檢測方法，他把微小動脈瘤的檢測問題轉(zhuǎn)換成微小區(qū)域（如微小動脈瘤）和背景區(qū)域（如眼底圖像的其他結(jié)構(gòu)）的分割問題。首先運用圖論的分割方法把像素灰度值相似和空間接近的小區(qū)域劃分成一類，同時把其它對象劃分為另一類。然后，根據(jù)疑似微小動脈瘤對象與其周圍的灰度信息把真實的微小動脈瘤對象分離出來。3）匹配濾波技術(shù)Quellec等人口4】利用二維高斯函數(shù)對微小動脈瘤建模，并通過小波域的子波段模板匹配

21、方法進行微小動脈瘤的檢測。通過提升策略，可以找到最優(yōu)的自適應小波變換從而實現(xiàn)微小動脈瘤的檢測。Zhang通過計算多尺度高斯函數(shù)和局部微小動脈瘤灰度分布的相關(guān)度值定位候選微小動脈瘤的病變點，并通過區(qū)域增長技術(shù)實現(xiàn)微小動脈瘤分割，然后通過提取意思對象的形狀、灰度、顏色及高斯濾波器組的相關(guān)度值等31個特征用字典學習（DictionaryLearning,DL）的方法進行決策。另外，Niemeijeri6改進雙環(huán)濾波器也是一種針對微小動脈瘤定位與分割的有效方法，該方法通過內(nèi)環(huán)和外環(huán)區(qū)域像素灰度均值的差值來判斷是否存在微小動脈瘤病變點，然后結(jié)合血管分割和區(qū)域增長基數(shù)實現(xiàn)血管排除和微小動脈瘤分割，最后通過

22、訓練好的神經(jīng)網(wǎng)絡(luò)來分辨真實的病變點和虛假檢測。如今采用匹配濾波技術(shù)的較多，傳統(tǒng)的模板匹配算法大致可以分為兩類：一類是根據(jù)匹配度計算方法，另一類模板選擇方法。前者中常見的傳統(tǒng)算法有平均絕對差算法MAD、歸一化積相關(guān)算法NCC和序貫相似性檢測法SSDAW-19。MAD算法的優(yōu)點是計算簡單，但是對噪聲的抗干擾能力較為低下，隨著噪聲的增強，匹配性能急劇下降NCC算法的優(yōu)點是對白噪聲的抗干擾能力較強，且精度高，但是極易受局部灰度變化的影響。SSDA算法的優(yōu)點是計算速度快，但是計算精度低，匹配效果并不理想，而且易受噪聲的影響。如果遇到圖像中信息匱乏的子區(qū)域，會導致匹配率的誤導性上升。后者中常見的經(jīng)典模板匹

23、配算法有模板庫匹配（TemplateLibrary，TL）算法和函數(shù)模板（FunctionTemplate，F(xiàn)T）匹配算法。TL匹配算法本身簡單易用，操作過程清晰明了，但是其計算量大、抗煩擾能力差，而且由于視網(wǎng)膜圖像中微小動脈瘤的特征變化多樣，建立標準庫具有較大的困難，所以TL匹配算法并沒有在微小動脈瘤檢測領(lǐng)域內(nèi)得到應用。FT匹配算法是目前最常用的模板匹配算法，算法選用適合匹配圖像特征的函數(shù)模型為理想模型，根據(jù)理想模型與匹配圖像之間的相似性計算兩者之間的匹配度。如果存在滿足一定大小匹配度的圖像，則認為匹配成功，否則，則認為匹配失敗。在使用函數(shù)模板進行視網(wǎng)膜圖像中微小動脈瘤檢測的算法中，Bob等

24、人使用高斯函數(shù)作為理想模板實現(xiàn)了微小動脈瘤的初步提取20。彭英輝等人在高斯模板的基礎(chǔ)上采用多尺度匹配濾波來實現(xiàn)微小動脈瘤的檢測21。IstvanLazar22等人則通過對以預處理圖像中最大像素點為中心的徑向橫截面輪廓的分析來提取微小動脈瘤。肖志濤等人采用相位一致性模型獲取微動脈瘤候選者，然后通過構(gòu)建灰度剖面圖去除圖像中血管片段等無關(guān)信息，從而篩選出真正的微動脈瘤。上述算法是目前在微小動脈瘤的初次提取中出現(xiàn)的最新的匹配提取算法，其流程簡單易用，但其檢測結(jié)果并不理想，檢測正確率偏低且誤檢率較高，并且對不同模式下的視網(wǎng)膜圖像的適應性不夠，甚至完全不適應某種成像模式下獲得的視網(wǎng)膜圖像。雖然目前針對血管

25、提取問題的算法多種多樣，但是主要涉及分類器技術(shù)、跟蹤技術(shù)以及窗口匹配技術(shù)三類基本理論。1）分類器技術(shù)分類器方法主要由兩步來實現(xiàn)，首先通過底層算法實現(xiàn)空間連通的區(qū)域分割，然后利用區(qū)域?qū)傩?，將待選區(qū)域分割為血管和非血管。作者Tamura等利用血管段落長寬比，實現(xiàn)血管段落的檢測Bl；作者M.Niemeijer等則通過監(jiān)督學習來實現(xiàn)血管分割，通過訓練樣本設(shè)計好基于機器學習的分類器（K近鄰分類器25,線性分類器25,二次分類器25等），分割樣本及未知對象。這類方法的缺點在于，分類器的設(shè)計僅利用血管灰度值信息，無法排除外界條件對分割結(jié)果的影響，分割對象的尺度信息只有在分割結(jié)束才能獲取，且必須與其他方法相結(jié)

26、合，無法直接用于底層算法實現(xiàn)區(qū)域分割。2）跟蹤技術(shù)基于跟蹤技術(shù)的方法通常結(jié)合血管特征，選擇血管脊線、血管橫截面模型、血管段曲率、尺寸等，同時結(jié)合血管線性度、顏色、以及血管邊緣的對比度變化I26等，實現(xiàn)血管結(jié)構(gòu)跟蹤與識別Bl。其中涉及的技術(shù)主要有：起始點選擇，血管脊線提取，建立剖面模型，跟蹤技術(shù)與算法。起始點定位不具有自主性是該類方法的主要缺點，同時采用基于血管的剖面模型搜索血管時，分叉點或病理特征會造成跟蹤過程會中斷。3）窗口匹配技術(shù)窗口匹配方法應用廣泛，文獻28中，作者在高斯濾波函數(shù)的基礎(chǔ)上，進一步利用其一階導數(shù)，并結(jié)合閾值技術(shù)分割血管。文獻29中作者依據(jù)血管線形分布特征，提取特征向量設(shè)計分

27、類器，然后選用支持向量機(SVM)作為分類器，分割出圖像中的血管結(jié)構(gòu)與分血管結(jié)構(gòu)，實驗表明該方法在特定的圖像中能夠取得較好的提取效果。該類方法雖然應用廣泛，但是分割算法與血管特征信息密切相關(guān)，如血管曲度、形狀、邊緣梯度以及對比度等特征，利用這些特征進行分割，缺點在于無法完全區(qū)別血管本身與視盤、出血或其他病變區(qū)域的邊界等與血管結(jié)構(gòu)相似區(qū)域，距離接近的多塊亮區(qū)域間的暗色間隙等，這些現(xiàn)象在病變視網(wǎng)膜眼底圖像中大量存在，造成算法提取結(jié)果不精確。所閱文獻的查閱范圍及手段所閱文獻是通過實驗室現(xiàn)有的局域網(wǎng)登陸到圖書館網(wǎng)站上提供的各種檢索數(shù)據(jù)庫而下載到的國內(nèi)外電子版文獻，還包括利用圖書館的外文期刊閱覽室和科技

28、文獻閱覽室查閱到的國內(nèi)外書面文獻。查閱文獻的年限主要為19842014年間的文獻。C.E.Baudoin,B.J.Lay,andJ.C.Klein.AutomaticdetectionofmicroaneurysmsindiabeticfluoresceinangiographiesJ,RevueDEpidemiologieetdeSantePublique,1984,32:254-261.T.Spencer,J.A.Olson,K.C.Mchardy,P.F.Sharp,andJ.V.Forrester.Animage-processingstrategyforthesegmentation

29、andquantificationinfluoresceinangiogramsoftheocularfundusJ,Computersandbiomedicalresearch,1996,29:284-302.M.J.Cree,J.A.Olson,K.C.McHardy,P.F.Sharp,andJ.V.Forrester.AfullyautomatedcomparativemicroaneurysmsdigitaldetectionsystemJ,Eye,1997,11:622-628.A.J.Frame,P.E.Undrill,M.J.Cree,J.A.Olson,K.C.Mchardy

30、,P.F.Sharp,andJ.V.Forrester.AcomparisonofcomputerbasedclassificationmethodsappliedtothedetectionofmicroaneurysmsinophthalmicfluoresceinangiogramsJ,Computersinbiologyandmedicine,1998,28:225-238.M.Niemeijer,B.vanGinneken,J.Staal,M.S.A.Suttorp-Schulten,andM.D.Abramoff.Automaticdetectionofredlesionsindi

31、gitalcolorfundusphotographsJ,IEEEtransactionsonmedicalimaging,2005,24(5):584-592.J.H.Hipwell,F,Strachant,J.A.Olson,K.C.McHardy,P.F.Sharp,andJ.V.Forrester.Automateddetectionofmicroaneurysmsindigitalred-freephotographs:AdiabeticretinopathyscreeningtoolJ,Diabeticmedicine,2000,17:588-594A.D.Fleming,S.Ph

32、ilip,K.A.Goatman,J.A.Olson,andP.F.Sharp.AutomatedmicroaneurysmsdetectionusinglocalcontrastnormalizationandlocalvesseldetectionJ,IEEEtransactionsonmedicalimaging,2006,25:1223-1232.T.Walter,P.Massin,A.Erginay,R.Ordonez,C.Jeulin,andJ.C.Klein.AutomaticdetectionofmicroaneurysmsincolorfundusimagesJ,Medica

33、limageanalysis,2007,11(6):555-566.Sinthanayothin,C.Boyce,J.F.Willimson,T.H.Cook,H.L.Mensah,E.Lal.S,andUsher,D.AutomateddetectionofdiabeticretinaopathyondigitalfundusimagesJ.Diabeticmedicine,2002,19:105-112.UsherD,DumskyjM,HimagaM,WilliamsonTH,NusseyS,BoyceJ.Automateddetectionofdiabeticretinopathyind

34、igitalretinalimages:atoolfordiabeticretinopathyscreeningJ,Diabetmedicine.2004,21(1):84-90.EnricoGrisan,A.R.SegmentationofcandidatedarklesionsinfundusimagesbasedonlocalthresholdingandpixeldensityC,EMB2007,2007,6735-6738.K.Adal,S.Ali,D.Sidibe,T.Karnowski,E.Chaum,F.Meriaudeau.Automateddetectionofmicroa

35、neurysmsusingrobustblobdescriptorsC.IntheproceedingofSPIEworksonMedicalImaging2013:Computer-AidedDiagnosis,2013:8670-22Pallawala,P.M.D,Hsu,W,MongLiLee,SaySongGohAutomatedMicroaneurysmSegmentationandDetectionusingGeneralizedEigenvectors.InproceedingsoftheSeventhIEEEWorkshopsonApplicationofComputerVis

36、ion,2005,Vol.1,pp.322-327.G.Quellec,M.Lamard,P.M.Josselin,G.Cazuguel,B.Cochener,andC.Roux.OptimalwaveletstransformforthedetectionofmicroaneurysmsinretinaphotographsJ,IEEEtransactionsonmedicalimaging,2008,27(9):1230-1241.Zhang.B,Karry,F.Sparserepresentationclassifierformicroaneurysmdetectionandretina

37、lbloodvesselextractionJ,Informationscience,2012,200:78-90.M.Niemeijer,B.vanGinneken,J.Staal,M.S.A.Suttorp-Schulten,andM.D.Abramoff.AutomaticdetectionofredlesionsindigitalcolorfundusphotographsJ,IEEEtransactionsonmedicalimaging,2005,24(5):584-592.M.J.Atallah.Fasterimagetemplatematchinginthesumoftheab

38、solutevalueofdifferencesmeasure.IEEEtransactionsonimageprocessing,2001,10(4):659-663.L.D.Stefano,S.Mattocia,F.Tombari.ZNCC-basedtemplatematchingusingboundedpartialcorrelation.Patternrecognition,2005,26(14):2129-2134.宋毅，崔平遠，居鶴華.一種圖像匹配中SSDA和NCC算法的改進，計算機工程與應用,2006,2:42-44.Z.Bob,W.X.Qian,Y.Jane,etal.Det

39、ectionofmicroaneurysmsusingmulti-scalecorrelationcoefficients.Patternrecognition,2010,43:2237-2248.彭英輝等：基于多尺度匹配濾波和集成學習的眼底圖像微脈瘤檢測，計算機應用，2013,33(2)：543-546.IstvanLazarandAndrasHajdu,RetinalMicroaneurysmDetectionThroughLocalRotatingCross-SectionProfileAnalysis,IEEEtransactionsonmedicalimaging,2013,32(2

40、):400-407.肖志濤等：基于相位一致性模型的眼底微動脈瘤檢測方法，中國生物醫(yī)學工程學報，2014,33(1)：8-15.S.Tamura,K.Tanaka,S.Ohmori,K.Okazaki,A.Okada,andM.Hoshi.SemiautomaticleakageanalyzingsystemfortimeseriesfluoresceinocularfundusangiographyJ.Patternrecognition.1983,16(2):149-162.M.Niemeijer.AutomaticDetectionofDiabeticRetinopathyinDigita

41、lFundusPhotographsD.Phdthesis，UniversityofUtrecht,TheNetherlands.2006.MendoncaAM,CampilhoA.SegmentationofretinalbloodvesselsbycombiningthedetectionofcenterlinesandmorphologicalreconstructionJ.IEEETrans.Med.Imaging,2006,25(9):1200-1213.S.Tamura,Y.Okamoto,andK.Yanashima.Zero-crossingintervalcorrection

42、intracingeye-fundusbloodvessels.Patternrecognition.1988,21(3),pp.227-233.BobZhanga,LinZhangb,LeiZhangFakhriKarray.Retinalvesselextractionbymatchedfilterwithfirst-orderderivativeofGaussianJ.ComputersinBiologyandMedicine,ComputersinBiologyandMedicine,2010,40:438-445.Y.ToliasandS.Panas.Afuzzyvesseltrac

43、kingalgorithmforretinalimagesbasedonfuzzyclusteringJ.IEEETrans.Med.Imag.1998,17:263-273.四、研究內(nèi)容（本節(jié)可以整頁擴頁）1研究構(gòu)想與思路、主要研究內(nèi)容及擬解決的關(guān)鍵問題（不少于1000字）研究構(gòu)想與思路：對于應用模板匹配進行的視網(wǎng)膜微小動脈瘤的檢測，一般可分為以下幾個部分：視網(wǎng)膜圖像增強、模板匹配、微小動脈瘤的粗提取、用分類器分類實現(xiàn)真性微小動脈瘤的提取。其中微小動脈瘤粗提取和分類器分類算法是本課題的研究重點，對于視網(wǎng)膜微小動脈瘤的檢測起到了決定性作用。主要研究內(nèi)容及擬解決的關(guān)鍵問題第一，血管的剔除：進行模

44、板匹配之后的視網(wǎng)膜圖像中不僅包括微小動脈瘤的候選集還包括血管組織，而通過查閱大量的研究表明，微小動脈瘤并不會出現(xiàn)在血管上，因此在進行模板匹配之后應提取視網(wǎng)膜血管，并去除微小動脈瘤候選集內(nèi)位于血管上的微小動脈瘤候選者，可以達到初步篩選的目的。但是視網(wǎng)膜圖像中微小動脈瘤的灰度分布和血管的灰度分布在很多方面表現(xiàn)出了相同的特性，導致兩者的區(qū)分非常困難。由此可以認為，在檢測微小動脈瘤的過程中，視網(wǎng)膜中的血管成為造成微小動脈瘤的錯誤提取與檢測的最大障礙。有效的去除視網(wǎng)膜圖像中的血管結(jié)構(gòu)同樣被視為微小動脈瘤檢測過程中的又一關(guān)鍵問題。為了去除血管結(jié)構(gòu)，需要準確地進行視網(wǎng)膜血管的提取，然而在提取視網(wǎng)膜圖像中的血

45、管時，圖像中的灰度階級邊界很容易被當成血管結(jié)構(gòu)而被錯誤的檢測與提取，導致不良后果的產(chǎn)生，因此，有效的區(qū)分視網(wǎng)膜圖像中的血管和階級邊界成為準確提取視網(wǎng)膜血管的關(guān)鍵問題。從而對血管提取算法的要求就相對較高，算法的精度越高，提取出的血管組織就越精細，微小動脈瘤候選者的數(shù)量就會越少，這對于進一步額篩選起著至關(guān)重要的作用。此外，去除了血管組織之后的偽瘤集內(nèi)還存在大量的非微小動脈瘤，選擇一定的算法剔除掉在某些特征上與微小動脈瘤類似的偽瘤對于在最終階段精確定位微小動脈瘤有著重大的影響。第二，分類器的構(gòu)建：微小動脈瘤的提取是一個區(qū)分真瘤與偽瘤的分類問題，近年來已有很多分類算法提出，如判定樹、判定表、神經(jīng)網(wǎng)絡(luò)、

46、支持向量機、KNN、貝葉斯方法等。在對微小動脈瘤的精確提取階段，即根據(jù)相關(guān)特征構(gòu)造分類器對其進行分類，但是傳統(tǒng)的特征篩選僅僅依靠各個特征量的固定取值區(qū)間來驗證微小動脈瘤候選者是否都能夠滿足，選擇全部滿足這些限定區(qū)間的候選者為真性微小動脈瘤，而不完全符合這些限定區(qū)間的則被認定為假性微小動脈瘤而被去除。從本質(zhì)上來說，該過程的本質(zhì)是將微小動脈瘤的各個特征量作為獨立約束指標來進行篩選。然而，當使用這些獨立約束指標進行篩選時，較多的假性微小動脈瘤候選者仍能全部滿足這些限定區(qū)間，因此這部分微小動脈瘤候選者并未被篩除，從而導致微小動脈瘤的假陽性檢測率居高不下，最終不能有效的提高最終檢測結(jié)果。在以前的研究中采

47、用自適應加權(quán)的匯總策略對微小動脈瘤進行精確提取時靈敏度不高，因此合適的特征組合及分類器的選擇成為了最終微小動脈瘤精確定位的關(guān)鍵問題。2擬采取的研究方法、技術(shù)路線、實施方案及可行性分析研究方法：a）文獻研究法：通過在國內(nèi)外電子期刊數(shù)據(jù)庫中查閱微小動脈瘤檢測的相關(guān)文獻和圖書館中計算機圖像處理、編程的相關(guān)書籍，比較全面、正確地掌握微小動脈瘤檢測模板匹配提取算法和過濾算法，對各項關(guān)鍵技術(shù)的研究現(xiàn)狀和發(fā)展趨勢有所了解；b）實驗法：對視網(wǎng)膜微小動脈瘤檢測各個環(huán)節(jié)的關(guān)鍵算法，視網(wǎng)膜圖像預處理、視網(wǎng)膜血管增強、視網(wǎng)膜微小動脈瘤檢測等，在MATLAB上仿真與分析；c）對比分析法：對每個環(huán)節(jié)算法性能進行評估，測試

48、算法對不同視網(wǎng)膜圖像的適用性，并進行客觀評估及改進。技術(shù)路線：微小動脈瘤提取實施方案：（1）文獻總結(jié)與理論研究查閱文獻找到在檢測的各個階段中所能用到的方法，并比較其優(yōu)缺點找到切實可行的一種或幾種方法。（2）對現(xiàn)有數(shù)據(jù)庫中的圖片進行處理及分析在MATLAB中對視網(wǎng)膜圖像應用上面所提到的每一種方法進行處理，并進一步分析每一步及每一種方法處理后的效果，找到最優(yōu)方法。（3）完整檢測框架的建立利用上述所找到的每一步驟中的最優(yōu)算法形成最優(yōu)的檢測框架，并用測試集圖片來檢驗整體框架可行性分析：（1）基礎(chǔ)理論成熟微小動脈瘤自動檢測技術(shù)經(jīng)過幾十年的發(fā)展，已經(jīng)取得了很大的成就。在發(fā)展的過程中，出現(xiàn)了很多經(jīng)典的算法，各種算法在一定的場合下都能取得很好的檢測效果。在前人的研究過程中，已經(jīng)研究分析了各種檢測算法的基本原理，同時也提出了微小動脈瘤檢測算法的各種評價標準，這些都為我們的研究奠定了堅實的理論基礎(chǔ)。（2）前期工作準備充足經(jīng)過大概一年的時間，通過閱讀大量的中外文獻，已經(jīng)掌握了微小動脈瘤檢測的基本步驟和