基于多尺度特征值的眼底血管自動分割分析研究 臨床醫(yī)學(xué)管理專業(yè)

目錄摘要 1Abstract 2第一章緒論 31.1研究背景及意義 31.2本課題主要研究內(nèi)容及章節(jié)安排 41.2.1主要研究內(nèi)容 41.2.2本文章節(jié)安排 5第二章基于多尺度Hessian矩陣的眼底血管增強(qiáng) 62.1Hessian矩陣 62.2血管響應(yīng)函數(shù) 62.3多尺度Hessian矩陣血管增強(qiáng)算法 72.4本章小結(jié) 9第三章基于人工神經(jīng)網(wǎng)絡(luò)算法的眼底血管分割 103.1人工神經(jīng)網(wǎng)絡(luò) 103.1.1人工神經(jīng)元 103.1.2BP神經(jīng)網(wǎng)絡(luò) 113.2眼底血管分割算法流程 133.2.1眼底圖像預(yù)處理 133.2.2眼底圖像感興趣區(qū)域的提取 143.2.3融合多尺度Hessian矩陣的神經(jīng)網(wǎng)絡(luò)訓(xùn)練 153.2.4融合多尺度Hessian矩陣的神經(jīng)網(wǎng)絡(luò)測試 163.3本章小結(jié) 16第四章實驗結(jié)果及誤差分析 174.1實驗數(shù)據(jù)介紹 174.1.1眼底彩照圖來源 174.1.2評價算法指標(biāo)介紹 174.2MATLAB實驗結(jié)果分析 184.3分割結(jié)果誤差分析 234.4本章小結(jié) 25結(jié)論 26參考文獻(xiàn) 27致謝 28摘要眼底作為人體唯一一種可以不產(chǎn)生任何創(chuàng)傷就能觀察到血管的部位，其血管圖像的特征分析已經(jīng)變成目前醫(yī)學(xué)上診斷全身血管性疾病的重要方法。利用現(xiàn)代醫(yī)學(xué)影像技術(shù)對眼底血管進(jìn)行觀察和分析能夠幫助醫(yī)生提高診斷的準(zhǔn)確度和工作效率。但是，由于眼底照相機(jī)的一些不可避的缺陷和一些人為外界的干擾，通常眼底彩照圖像背景光照不均勻，并且存在大量的噪聲。本課題主要研究如何對眼底目標(biāo)血管進(jìn)行增強(qiáng)，然后分割出正確的眼底血管圖像。對于以上兩點(diǎn)目前存在干擾較大的問題，本文采用了基于多尺度Hessian矩陣的眼底血管分割方法。具體步驟如下：首先對眼底彩照圖進(jìn)行預(yù)處理，提取綠色通道，通過均衡化處理提高對比度，然后再乘上mask圖像提取我們感興趣的部分。然后運(yùn)用多尺度Hessian矩陣濾波對預(yù)處理后的眼底圖形進(jìn)行血管增強(qiáng)操作。運(yùn)用人工神經(jīng)網(wǎng)絡(luò)對血管增強(qiáng)后的眼底圖像進(jìn)行血管識別，并分割出正確的眼底血管圖像。最后對于分割出來的眼底圖像進(jìn)行孤立噪聲點(diǎn)的去除?？偟膩碚f，本文采用的算法分割的血管比較理想，但是還有少部分的微血管丟失，在這方面有待改善。關(guān)鍵詞：眼底圖像；Hessian矩陣血管增強(qiáng)；人工神經(jīng)網(wǎng)絡(luò)AbstractThefundusistheonlypartofthebodythatcanbeobserved.Theanalysisofthefeaturesofthebloodvesselimagehasbecomeanimportantmethodforthediagnosisofsystemicvasculardiseases.Itcanhelpdoctorstoimprovetheaccuracyandefficiencyofdiagnosisbyusingmedicalimagingtechnologytoobserveandanalyzethefundusbloodvessels.However,duetodefectsofthefunduscameraanddisturbance,thebackgroundlighttothecolorimageisusuallyuneven,andproducesnoiseinretinalimages.Thispaperfocusonhowtoenhanceandsegmentretinalvesselsinfundusimages.Tosolvetheproblemaddressedabove,amulti-scaleHessianmatrixbasedsegmentationmethodwasusedtoenhanceandsegmentretinalbloodvessels.Thestepsareasfollows:First,thegreenchannelofthecolorimagewasextractedandhistogramequalizationwasusedtoimprovetheimagecontrast,andthenfieldofviewoftheimagewasalsoextractedaccordingtothemaskimage;Themulti-scaleHessianmatrixbasedfilterswereusedtoenhancethebloodvesselsinretinalimage;Artificialneuralnetworkwastrainedandusedtosegmentthebloodvessel;Theisolatedpointswereremovedfromthesegmentedfundusimages.Asshowedintheexperiments,theproposedmethodcanbeusedforsegmentationofbloodvessels,althoughtherearestillasmallnumberofmicrovascularloss.Keywords:Fundusimage;Hessianmatrixbloodvesselenhancement;artificialneuralnetwork第一章緒論1.1研究背景及意義隨著現(xiàn)代社會的逐步發(fā)展，人們的生活水平和質(zhì)量也在日漸提高，人們開始更多地關(guān)注自身的健康以及醫(yī)療領(lǐng)域的發(fā)展。根據(jù)資料顯示，目前全身血管性疾病的發(fā)病率日漸上升，已經(jīng)成為導(dǎo)致人類死亡率逐步上升的一大誘因，在眾多臨床案例中，該類血管性疾病主要表現(xiàn)為人體的細(xì)微血管的一些結(jié)構(gòu)或者特性變化。如果能夠在及時檢測到人體血管的病變，就能在發(fā)病的初期展開相應(yīng)的治療，從而控制血管類疾病的持續(xù)惡化。眼底作為人體唯一一種不產(chǎn)生任何創(chuàng)傷就可以直接觀察到較深層次微血管循環(huán)系統(tǒng)的部位，已經(jīng)成為醫(yī)生了解人體其他部位血管狀況的可視窗口，因此，眼底血管圖像的性狀分析已經(jīng)成為目前醫(yī)學(xué)上診斷全身血管性疾病的重要手段[1][2]。視網(wǎng)膜位于眼球后壁部，是一層周圍分布著大量光感受器細(xì)胞和神經(jīng)節(jié)細(xì)胞的結(jié)構(gòu)較為復(fù)雜的薄膜。通過光感受器細(xì)胞可以將進(jìn)入視網(wǎng)膜的外界光刺激轉(zhuǎn)換成電信號，然后再由神經(jīng)節(jié)細(xì)胞將這類電信號傳輸?shù)酱竽X視中樞形成視覺。眼底血管的圖像不僅僅可以用來診斷例如白內(nèi)障、青光眼等常見的眼科疾病，還能夠根據(jù)血管不同程度的變化有效地診斷出導(dǎo)致眼底血管形態(tài)等發(fā)生變化的其他心血管類疾病，如高血壓、糖尿病等。在這些疾病發(fā)病的初期，通過眼底視網(wǎng)膜血管的形狀分析，能夠有效地對患者病情的診斷和治療。表1-1列舉出了一些常見的血管性疾病與其引起的相應(yīng)視網(wǎng)膜血管變化[3]。表1-1各類血管性疾病對應(yīng)的視網(wǎng)膜血管變化新血管增生動脈變色動脈縮小動脈膨脹靜脈變色靜脈縮小靜脈膨脹脈絡(luò)膜新血管增生+++++++糖尿病視網(wǎng)膜病變++高血壓視網(wǎng)膜病變+++++視網(wǎng)膜動脈硬化++++++滲出性視網(wǎng)膜病++大動脈瘤++++++然而，由于血管其本身的復(fù)雜性，以及眼底照相機(jī)的一些不可避的光學(xué)缺陷和一些人為外界的干擾，我們通常采集到的眼底彩照圖像都存在一定的噪聲，以及背景光照不均勻、血管與背景間的對比度不強(qiáng)等現(xiàn)象，此時如果采用人工手動分割血管的話，工作量大，容易造成人為的錯誤分割，這給臨床分析和診斷帶來了一些困難。因此，利用現(xiàn)代醫(yī)學(xué)影像技術(shù)對眼底血管進(jìn)行觀察和分析已經(jīng)成為當(dāng)前醫(yī)學(xué)圖像處理領(lǐng)域的一個重要研究課題。為了正確分割出精確度較高的眼底血管圖像，就需要我們在處理圖像時提高灰度不均勻背景下眼底圖像中的血管的對比度，實現(xiàn)血管像素的增強(qiáng)。并且在正確分割大血管輪廓的同時，還要保留毛細(xì)血管的準(zhǔn)確分割，這也是該課題的本課題的主要研究內(nèi)容。通過實驗數(shù)據(jù)分析，提出有效地方法來利用計算機(jī)來處理眼底圖像，從而可以幫助醫(yī)生提高診斷的準(zhǔn)確度和工作效率，具有一定的臨床試驗前景。1.2本課題主要研究內(nèi)容及章節(jié)安排1.2.1主要研究內(nèi)容眼底血管的正確分割是臨床上診斷與治療全身血管性疾病的關(guān)鍵，在處理眼底彩照圖分割出血管時，面臨著以下兩點(diǎn)問題：由于眼底彩照圖在采集時的一些不可規(guī)避的干擾，我們用來處理的眼底彩照圖都存在大量的噪聲，并且血管與背景間的對比度不強(qiáng)，這些都會對圖像的處理帶來一定的干擾。在對眼底血管進(jìn)行分割時，通常會存在部分微小毛細(xì)血管檢測不出無法正確分割出來的情況，最后處理分割的眼底血管在保留粗血管的同時，造成微血管信息的丟失。對于以上兩點(diǎn)目前存在干擾較大的問題，本文采用了基于多尺度Hessian矩陣的眼底血管分割方法。具體步驟如下：（1）首先對眼底彩照圖進(jìn)行預(yù)處理，增強(qiáng)血管與背景的對比度，提取我們感興趣的部分。（2）然后運(yùn)用多尺度Hessian矩陣對預(yù)處理后的眼底圖形進(jìn)行血管增強(qiáng)操作。（3）最后運(yùn)用人工神經(jīng)網(wǎng)絡(luò)對血管增強(qiáng)后的眼底圖像進(jìn)行血管識別，并分割出正確的眼底血管圖像。1.2.2本文章節(jié)安排本文先重點(diǎn)介紹算法原理以及實現(xiàn)血管分割的方法，然后運(yùn)用MATLAB進(jìn)行仿真與數(shù)據(jù)處理分析，本文的章節(jié)安排如下：緒論：主要介紹本課題的研究背景、意義，以及本文的主要研究內(nèi)容和章節(jié)安排?；诙喑叨菻essian矩陣的眼底血管圖像的增強(qiáng)：首先闡述Hessian矩陣的基本原理與血管響應(yīng)函數(shù)，然后針對單一尺度血管增強(qiáng)效果存在的局限性，本文采用基于多尺度Hessian矩陣的血管增強(qiáng)算法。基于人工神經(jīng)網(wǎng)絡(luò)算法的視網(wǎng)膜血管分割：首先闡述人工神經(jīng)網(wǎng)絡(luò)的基本原理，然后介紹基于人工神經(jīng)網(wǎng)絡(luò)算法的視網(wǎng)膜血管分割實驗步驟，包括眼底彩照原圖像的預(yù)處理、眼底圖像感興趣區(qū)域的提取、網(wǎng)絡(luò)的訓(xùn)練以及網(wǎng)絡(luò)的測試。實驗結(jié)果及誤差分析：介紹眼底圖像實驗數(shù)據(jù)、評價算法指標(biāo)公式及解釋。將算法提取的眼底血管與專家手動分割的血管圖像就精確度（Accuracy，Acc）、真陽率（TruePositiveRate，TPR）、假陽率（FalsePositiveRate，F(xiàn)PR）等方面進(jìn)行數(shù)據(jù)分析。最后，對整個研究課題進(jìn)行總結(jié)，分析本文采用的眼底血管分割方法的利弊，并對醫(yī)學(xué)圖像處理領(lǐng)域進(jìn)行展望。第二章基于多尺度Hessian矩陣的眼底血管增強(qiáng)由于眼底圖像中需要提取的目標(biāo)血管與背景間的對比度不強(qiáng)，直接判斷出血管并正確分割出來存在一定的難度，所以需要在分割步驟之前先對眼底圖像進(jìn)行血管增強(qiáng)操作，強(qiáng)調(diào)我們感興趣的目標(biāo)血管，抑制非重要的特征。由于眼底血管的線性結(jié)構(gòu)特性以及Hessian矩陣良好的線段結(jié)構(gòu)識別能力，可以使用Hessian矩陣對眼底血管圖像進(jìn)行增強(qiáng)。眼底血管的橫截面近似高斯分布，通過運(yùn)用Hessian矩陣特征值構(gòu)造血管響應(yīng)函數(shù)，從而實現(xiàn)血管的增強(qiáng)。但是由于血管的粗細(xì)大小不一，使用單一尺度增強(qiáng)的效果不理想，所以本文采用基于多尺度Hessian矩陣的眼底血管增強(qiáng)算法，算法中引入帶尺度的高斯核函數(shù)，對原圖像進(jìn)行卷積操作，檢測不同尺寸大小的血管，對于不同的尺度因子得到最終的血管響應(yīng)圖像[4-7]。2.1Hessian矩陣對于輸入的二維圖像，運(yùn)用它的二階偏導(dǎo)來構(gòu)造像素點(diǎn)(x,y)的Hessian矩陣：（2-1）式中，、、、分別表示像素點(diǎn)在四個不同方向上的二階偏導(dǎo)數(shù)，對于連續(xù)的函數(shù)，有=，所以矩陣為實對稱矩陣，可以利用兩個特征值和來描述。在二維眼底圖像中，兩個特征值和可以根據(jù)公式(2-2)計算得出：（2-2）其中，。Hessian矩陣的特征值用來表示二階導(dǎo)數(shù)的極大值和極小值，特征向量反映了二階導(dǎo)數(shù)的方向，特征向量相互正交。特征值絕對值的大小反映了圖像灰度變化的快慢，對于理想的血管圖像，針對較暗背景下的亮血管，特征值滿足，因此，可以使用Hessian矩陣的特征值來檢測血管的邊緣。2.2血管響應(yīng)函數(shù)基于Hessian矩陣的特征值可以構(gòu)造血管響應(yīng)函數(shù)來作為增強(qiáng)濾波，對于二維圖像，F(xiàn)rangi定義的眼底血管響應(yīng)函數(shù)如下：（2-3）其中，，，和為Hessian矩陣的兩個特征值，一般參數(shù)設(shè)置為0.5，參數(shù)是由圖像的灰度范圍決定的，一般設(shè)置成Hessian矩陣最大范數(shù)的一半，這里設(shè)置成10。當(dāng)像素點(diǎn)處于局部面狀結(jié)構(gòu)時，接近0，當(dāng)它處于局部管狀結(jié)構(gòu)中時，趨近1。2.3多尺度Hessian矩陣血管增強(qiáng)算法由于眼底血管結(jié)構(gòu)的復(fù)雜性，血管的寬度大小不一，如果采用單一的尺度對眼底血管進(jìn)行濾波增強(qiáng)的話，血管響應(yīng)不明顯，增強(qiáng)效果不理想。本文采用基于多尺度Hessian矩陣的血管增強(qiáng)算法，在算法中引入高斯函數(shù)，將高斯函數(shù)的二階偏導(dǎo)與原函數(shù)進(jìn)行卷積操作，在抑制噪聲的同時，將高斯函數(shù)的標(biāo)準(zhǔn)差作為尺度因子，就能檢測到不同尺寸大小的血管。根據(jù)（2-1）定義的Hessian矩陣，將高斯函數(shù)的二階偏導(dǎo)與原函數(shù)進(jìn)行卷積，公式定義如下：（2-4）其中，高斯函數(shù)為：（2-5）作為高斯函數(shù)檢測的尺度因子，根據(jù)公式2-4和2-5，可以得到帶尺度的Hessian矩陣：（2-6）根據(jù)高斯函數(shù)的二階偏導(dǎo)，有，矩陣同樣也是實對稱矩陣，因此具有兩個特征值，令：（2-7）那么矩陣的兩個特征值可以如下的公式計算得出：（2-8）對于多尺度的血管響應(yīng)函數(shù)定義如下：（2-9）當(dāng)選取的尺度因子與血管的寬度相匹配時，血管得到最大響應(yīng)輸出，通過選取最佳的尺度范圍和迭代步長，可以得到每個像素點(diǎn)在不同下的最大響應(yīng)，作為最終血管輸出圖像：（2-10）綜上所述，對于多尺度Hessian矩陣眼底血管增強(qiáng)算法，輸入為原圖像、尺度范圍為、迭代步長為，具體算法流程如圖2-1所示：圖2-1多尺度Hessian矩陣算法流程圖2.4本章小結(jié)本章首先分析了眼底血管直接分割存在的問題，采用了基于Hessian矩陣的血管增強(qiáng)方案，闡述了Hessian矩陣以及血管響應(yīng)函數(shù)的基本原理，然后根據(jù)實驗仿真使用單一尺度增強(qiáng)方案的弊端，采用了基于尺度Hessian矩陣的眼底血管的增強(qiáng)方案，通過大量數(shù)據(jù)的處理與分析，選擇最佳的尺度因子，從而有效地實現(xiàn)了眼底目標(biāo)血管與背景間對比度的增強(qiáng)，為后面的眼底血管的分割做好了基礎(chǔ)準(zhǔn)備。第三章基于人工神經(jīng)網(wǎng)絡(luò)算法的視網(wǎng)膜血管分割3.1人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，ANNs）是一種對人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特征進(jìn)行模仿，并進(jìn)行數(shù)據(jù)信息處理的一種數(shù)學(xué)模型，神經(jīng)網(wǎng)絡(luò)由大量的基本元素神經(jīng)元組成，是一種能夠處理輸入與輸出關(guān)系的非線性模型，神經(jīng)網(wǎng)絡(luò)能夠通過對內(nèi)部節(jié)點(diǎn)間相互連接關(guān)系的調(diào)節(jié)，實現(xiàn)數(shù)據(jù)信息處理的目標(biāo)[8]。3.1.1人工神經(jīng)元神經(jīng)元作為人工神經(jīng)網(wǎng)絡(luò)的基本組成元素，它的典型模型如圖3-1所示[8]：圖3-1人工神經(jīng)元模型在人工神經(jīng)元模型中，表示信號的輸入，表示與輸入信號相連的連接強(qiáng)度，稱為連接權(quán)，正值表示激活，負(fù)值表示抑制。表示神經(jīng)網(wǎng)絡(luò)的輸入信號線性組合的總和，表示該人工神經(jīng)元的外界偏置，是神經(jīng)元的激活函數(shù)，用來表示輸入與輸出間關(guān)系的，表示該人工神經(jīng)元的輸出，可以用公式(3-1)描述：（3-1）其中，激活函數(shù)是用來調(diào)整人工神經(jīng)元的輸出振幅的，通常我們要對神經(jīng)元的輸入信號進(jìn)行歸一化處理，將幅度范圍固定到[0,1]之間。通常，我們使用的激活函數(shù)有三種常見形式，分別為：閾值函數(shù)、分段線性函數(shù)和非線性轉(zhuǎn)移函數(shù)：（1）閾值函數(shù)，即階躍函數(shù)，定義為：（3-2）（2）分段線性函數(shù)：在區(qū)間[-1,1]間的放大系數(shù)是不變的，定義為：（3-3）（3）非線性轉(zhuǎn)移函數(shù)：即單調(diào)性型函數(shù)，是最常用的激活函數(shù)，定義為：（3-4）激活函數(shù)的選擇對識別率以及收斂速度都有一定的影響，在逼近高次曲線時，型函數(shù)的精確度會比較高。3.1.2BP神經(jīng)網(wǎng)絡(luò)通常神經(jīng)網(wǎng)絡(luò)分為輸入層、隱藏層和輸出層三層，網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3-2所示。在具體操作時，對于輸入層來說，輸入節(jié)點(diǎn)數(shù)大致等于輸入的特征數(shù)，隱藏層的節(jié)點(diǎn)數(shù)取輸入層的兩倍。圖3-2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3-2所示，BP神經(jīng)網(wǎng)絡(luò)是一種具有三層或三層以上的一種神經(jīng)網(wǎng)絡(luò)，左右神經(jīng)元之間相互連接，上下神經(jīng)元之間無連接。當(dāng)網(wǎng)絡(luò)有輸入信號輸入時，其神經(jīng)元的激活值將會從輸入層經(jīng)過個中間層向輸出層傳播，在輸出層獲得相對于輸入的響應(yīng)。為了減少目標(biāo)輸出與實際誤差，從輸出層經(jīng)過中間層，逐層修正連接權(quán)值，對于這種從輸出到輸入的修正，正確率也會不斷提高[9][10]。BP神經(jīng)網(wǎng)絡(luò)模型包括輸入輸出模型、作用函數(shù)模型、誤差計算模型以及自學(xué)習(xí)模型：隱藏層節(jié)點(diǎn)輸出模型為：（3-5）輸出節(jié)點(diǎn)輸出模型為：（3-6）其中，是一種非線性的作用函數(shù)，是神經(jīng)元的閾值。作用函數(shù)即刺激函數(shù)，是用來記錄下層的輸入對上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù)，一般取值范圍為（0,1），用Sigmoid函數(shù)來表示：（3-7）計算誤差模型是用來比較實際輸出與理論期望輸出值間誤差的函數(shù)，可以用公式（3-8）來表示：（3-8）其中，是理論預(yù)期輸出值，是實際操作的輸出值。在神經(jīng)網(wǎng)絡(luò)中，學(xué)習(xí)過程就是連接權(quán)值取值的設(shè)定以及誤差修正的一種過程。其模型可以表示為：（3-9）其中，為學(xué)習(xí)因子，是計算輸出節(jié)點(diǎn)的誤差，是輸出節(jié)點(diǎn)的計算輸，是動量因子。在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，MATLAB中自帶的newff()函數(shù)可以用來構(gòu)建神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)元的傳輸函數(shù)是線性函數(shù)，通常我們采用函數(shù)的最后一個參數(shù)就表示神經(jīng)網(wǎng)絡(luò)中連接權(quán)值和閾值的訓(xùn)練方法，如梯度下降訓(xùn)練函數(shù)、有自適應(yīng)學(xué)習(xí)速率的梯度下降訓(xùn)練函數(shù)以及LM(levenberg-marquardt)訓(xùn)練函數(shù)等。然后調(diào)用MATLAB的train()函數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，這就構(gòu)成了最基本的分類器，能夠根據(jù)輸入的特征值輸出相應(yīng)的圖像，是一種自己能夠通過學(xué)習(xí)進(jìn)而對輸入有判斷，做出相應(yīng)的反應(yīng)的一種函數(shù)。最后對待需要測試的圖像，調(diào)用MATLAB的sim()函數(shù)，就能夠利用已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，做出分割[11-13]。3.2眼底血管分割算法流程本章將前文提到的基于多尺度Hessian矩陣的血管增強(qiáng)算法和神經(jīng)網(wǎng)絡(luò)分割算法結(jié)合起來，首先對需要分割的眼底彩照圖像進(jìn)行預(yù)處理，提取我們感興趣的區(qū)域，進(jìn)行均衡化處理，提高眼底血管與背景間的對比度，然后利用多尺度Hessian矩陣對預(yù)處理后的圖像進(jìn)行血管增強(qiáng)操作，最后再使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對Hessian矩陣濾波后的圖像進(jìn)行血管的識別與分割，最后再對分割后的圖形去除孤立噪聲點(diǎn)，具體的算法流程如圖3-3所示：（a）（b）圖3-3眼底血管圖像分割算法流程。（a）神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程；神經(jīng)網(wǎng)絡(luò)分割流程。3.2.1眼底圖像預(yù)處理在測試圖集中使用的原圖是眼底彩照圖，首先要對眼底彩照原圖進(jìn)行灰度化處理，方面后面Hessian矩陣的血管增強(qiáng)和神經(jīng)網(wǎng)絡(luò)的分割。眼底彩照圖由R、G、B三通道組成，可以使用公式（3-9）提取彩色圖像中的灰度圖像：（3-9）其中，為提取的灰度圖像的灰度值。如圖3-4所示，分別為原圖像和提取的R、G、B三個通道的灰度圖像：（a）（b）（c）（d）圖3-4眼底彩照圖與灰度圖對比。(a)原始圖像；（b）R通道圖像；（c）G通道圖像；（d）B通道圖像。根據(jù)圖3-4可以看出：R通道圖像主要反映的是眼底彩照圖像的亮度部分，圖像中眼底血管與背景間的對比度不明顯；B通道圖像中存在大量的干擾噪聲，并且眼底血管與背景間的對比度最低，對眼底血管的分割有較大的影響；G通道是三個單獨(dú)通道綜合來看最適合提取的，噪聲最少，對比度最高，比較適合提取出來做進(jìn)一步的圖像處理。3.2.2眼底圖像感興趣區(qū)域的提取在測試圖集中，有與眼底彩照原圖相對應(yīng)的掩膜mask圖像，mask圖像的作用是與眼底彩照原圖相乘，從而實現(xiàn)對ROI（RegionofInterest感興趣區(qū)域）圖像的提取，在mask圖像中，感興趣區(qū)域的像素點(diǎn)為1，其他部分的像素點(diǎn)為0，提取的ROI圖像中保留血管區(qū)域的像素值不變，mask外部區(qū)域的像素灰度值則全部變?yōu)?，實現(xiàn)了對背景的去除。掩膜圖像提取ROI圖像的具體步驟如圖3-5的流程圖所示：圖3-5利用mask圖像提取感興趣區(qū)域流程圖3.2.3融合多尺度Hessian矩陣的神經(jīng)網(wǎng)絡(luò)訓(xùn)練在待處理的CRI（ColorRetinalImage）眼底圖像原圖是尺寸為565×584像素的tif格式彩照圖，在training數(shù)據(jù)庫中，對于需要眼底彩照原圖，先進(jìn)行圖像預(yù)處理等步驟，在對圖像進(jìn)行Hessian矩陣濾波增強(qiáng)的過程中，對于每幅圖像的每個像素點(diǎn)，以尺度作為依據(jù)，提取每個尺度下的最大特征值，根據(jù)上文構(gòu)造的Hessian矩陣，每個像素點(diǎn)提取每個尺度上的最大值作為特征值輸出，一共4個特征值，構(gòu)造一個4行、565*584列、寬度為輸入圖像張數(shù)的三維數(shù)組，存放每幅圖像每個像素點(diǎn)提取出來的特征值，然后對樣本特征值進(jìn)行歸一化處理，并將三維數(shù)組轉(zhuǎn)化為4行、565*584*n（輸入圖片張數(shù)）列的二維數(shù)組，作為輸入矩陣輸入到神經(jīng)網(wǎng)絡(luò)分類器中。接下來構(gòu)造響應(yīng)的輸出矩陣，在CRI（ColorRetinalImage）數(shù)據(jù)庫中，每幅眼底彩照原圖都對應(yīng)有專家手動分割的最終血管圖像，讀取與輸入圖像相對應(yīng)的手動分割的眼底血管圖像，構(gòu)造一個1行、565*584*n（輸出圖片張數(shù)）列的二維目標(biāo)數(shù)據(jù)矩陣。然后使用nefwff函數(shù)創(chuàng)建神經(jīng)網(wǎng)絡(luò)，設(shè)置隱藏節(jié)點(diǎn)數(shù)、兩次顯示之間的訓(xùn)練步數(shù)（net.trainparam.show）、訓(xùn)練次數(shù)（net.trainparam.epochs）、訓(xùn)練目標(biāo)（net.trainparam.goal）、學(xué)習(xí)率（net.trainparam.lr）等訓(xùn)練參數(shù)，進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。3.2.4融合多尺度Hessian矩陣的神經(jīng)網(wǎng)絡(luò)測試對于已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，可以保存為后綴為.mat的文件，隨時可以讀取調(diào)用。輸入待測試的test眼底彩照圖像，對圖像進(jìn)行預(yù)處理，通過Hessian矩陣濾波并提取特征值，然后進(jìn)行歸一化處理。最后，將歸一化后的特征值矩陣輸入已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器中，進(jìn)行仿真，從而輸出得到分割后的目標(biāo)血管圖像。3.3本章小結(jié)本文采用基于人工神經(jīng)網(wǎng)絡(luò)的方式對增強(qiáng)后的眼底血管圖像進(jìn)行分割，神經(jīng)網(wǎng)絡(luò)分割系統(tǒng)具有自適應(yīng)與模式識別能力，能夠在使用過程中不斷的學(xué)習(xí)完善自己的功能，并且具有很強(qiáng)的容錯性，可以對特征空間進(jìn)行較為復(fù)雜的劃分，但是使用神經(jīng)網(wǎng)絡(luò)需要更多的訓(xùn)練數(shù)據(jù)，并且在訓(xùn)練網(wǎng)絡(luò)處理信息時運(yùn)行速度很慢。所以在訓(xùn)練的過程中，可以選取多個測試數(shù)據(jù)，并且選擇合適的隱藏層神經(jīng)元個數(shù)，從而使訓(xùn)練的網(wǎng)絡(luò)達(dá)到最佳的分割效果。本章總結(jié)了整體的眼底血管分割算法流程，首先對眼底彩照圖進(jìn)行預(yù)處理，用mask圖像提取我們感興趣的部分，然后用多尺度Hessian矩陣濾波進(jìn)行血管增強(qiáng)，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行血管的分割，對于分割出來的血管圖像，再進(jìn)行最后的去除孤立噪聲點(diǎn)的操作。第四章實驗結(jié)果及誤差分析對于本文提出的融合多尺度Hessian矩陣和神經(jīng)網(wǎng)絡(luò)分割眼底血管的算法，采用在MATLAB平臺上進(jìn)行實驗驗證。MATLAB有系統(tǒng)完善的圖形處理功能，簡單的編程環(huán)境和完備的調(diào)試系統(tǒng)能夠提高圖像處理的效率和效果。4.1實驗數(shù)據(jù)介紹4.1.1眼底彩照圖來源本文使用的是CRI（ColorRetinalImage）數(shù)據(jù)庫中的眼底圖像，眼底圖像原圖是尺寸為565×584像素的tif格式彩照圖，數(shù)據(jù)庫將眼底彩照圖分成了test和training兩個圖集，方便分別用來作為測試和訓(xùn)練集。在測試圖集中，一共有20張眼底彩照原圖，分別對應(yīng)有兩位專家手動分割的眼底血管圖像，方便進(jìn)行計算機(jī)算法分割的血管圖像與人工手動分割的圖像作對比，進(jìn)行數(shù)據(jù)處理與分析，另外還對應(yīng)有每張眼底彩照圖像的掩膜mask圖像。測試圖集的20張眼底彩照圖中，有2張是產(chǎn)生病變的圖像，訓(xùn)練圖集的20張眼底彩照圖中，有3張是產(chǎn)生病變的圖像。在對仿真數(shù)據(jù)進(jìn)行分析時，同一采用第一位專家手動分割的1st_manual圖集中的血管圖像作為對比。4.1.2評價算法指標(biāo)介紹為了衡量算法自動分割血管的有效性，本文將計算機(jī)算法自動分割的血管圖像與專家手動分割的眼底血管圖像進(jìn)行對比分析，為了定量的分析算法提取的血管的準(zhǔn)確度，根據(jù)分割結(jié)果的TPR（TruePositiveRate真陽率）、FPR（FalsePositiveRate假陽率）來分析分割的有效性，根據(jù)Acc來分析分割的精確度。其中，TPR表示正確識別分割的血管像素占總標(biāo)準(zhǔn)血管像素數(shù)目的百分比，F(xiàn)PR表示被錯誤識別分割為血管背景像素點(diǎn)占總標(biāo)準(zhǔn)像素點(diǎn)的百分比，Acc表示血管分割的準(zhǔn)確率。（4-1）（4-2）（4-3）其中，（真陽性）表示正確分割的血管像素點(diǎn)，（真陰性）表示正確分割的背景像素點(diǎn)，（假陽性）表示錯誤分割的血管像素點(diǎn)，（假陰性）表示錯誤分割的背景像素點(diǎn)。理想情況下，Acc最大為1表示所有的血管像素都被正確識別分割。4.2MATLAB實驗結(jié)果分析從圖像庫中選取01_test和19_test兩幅眼底彩照圖進(jìn)行處理，首先使用imread函數(shù)讀取兩幅眼底彩照原圖像，如圖4-1所示：（a）（b）圖4-1眼底彩照原圖像。（a）01_test；（b）19_test。先對眼底彩照圖進(jìn)行預(yù)處理，轉(zhuǎn)換成二維的灰度圖像，由于R、G、B三個通道中綠色通道的噪聲最少，血管與背景間的對比度較明顯，易于下一步的圖像處理，所以對彩照原圖提取綠色通道，并且進(jìn)行均衡化處理，提高對比度，圖像呈現(xiàn)的效果更理想，預(yù)處理后的圖像效果如圖4-2所示：（a）（b）圖4-2預(yù)處理后的眼底血管圖像。（a）01_test；（b）19_test。由于眼底圖像邊緣出現(xiàn)灰度值驟減，直接對預(yù)處理后的圖像進(jìn)行Hessian矩陣濾波的話，會出現(xiàn)邊緣響應(yīng)過強(qiáng)的現(xiàn)象，如圖4-3所示，為了避免邊緣響應(yīng)過強(qiáng)對圖像處理帶來的不便，在進(jìn)行Hessian矩陣圖像增強(qiáng)前，先對進(jìn)過簡單預(yù)處理后的圖像做掩膜處理，擴(kuò)展邊緣，如圖4-4所示：（a）（b）圖4-3不加掩膜的濾波效果。（a）01_test；（b）19_test。（a）（b）圖4-4加掩膜的擴(kuò)展效果。（a）01_test；（b）19_test。接下來，對使用掩膜mask圖像邊緣擴(kuò)展后的圖像，進(jìn)行多尺度Hessian矩陣的血管增強(qiáng)濾波，Hessian矩陣濾波效果的好壞取決于可調(diào)節(jié)的參數(shù)，如尺度因子范圍、迭代步長等都對輸出圖像的效果有一定的影響。當(dāng)?shù)介L不變時，不同尺度范圍下輸出圖像的變化如圖4-5所示：（a）（b）（c）（d）圖4-5不同尺度范圍下血管增強(qiáng)效果。（a）原始圖像；（b）尺度范圍[0.2,1]；（c）尺度范圍[0.2,1]；（d）尺度范圍[1,4]。由上圖分析對比，可將最佳尺度范圍選在[1,4]之間，迭代步長設(shè)置成1。圖4-6顯示了從CRI（ColorRetinalImage）數(shù)據(jù)庫中隨機(jī)選取的幾張眼底圖像與血管增強(qiáng)處理后的效果圖：圖4-6多張圖像基于多尺度Hessian矩陣的眼底血管增強(qiáng)效果根據(jù)上文多次試驗數(shù)據(jù)的分析，可選取最佳尺度范圍[1,4]，迭代步長為1，對圖4-4擴(kuò)展后的眼底圖像進(jìn)行血管增強(qiáng)處理，并再次利用掩膜mask圖像去除擴(kuò)展的邊緣，增強(qiáng)處理后的效果如圖4-7所示：（a）（b）圖4-7Hessian矩陣增強(qiáng)結(jié)果圖像。（a）01_test；（b）19_test。對通過Hessian矩陣濾波增強(qiáng)后的圖像提取特征值，然后進(jìn)行歸一化處理。將歸一化后的特征值矩陣輸入已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器中，進(jìn)行仿真，從而輸出得到分割后的目標(biāo)血管圖像，如圖4-8所示：（a）（b）圖4-8神經(jīng)網(wǎng)絡(luò)分割結(jié)果圖像。（a）01_test；（b）19_test。根據(jù)圖4-8神經(jīng)網(wǎng)絡(luò)分割出來的眼底血管圖像，可以看出較好地分割細(xì)微的血管，但是還存在一些孤立噪聲點(diǎn)，最后再使用閾值化分割[14][15]，根據(jù)圖像的灰度范圍，將level設(shè)定為0.1，然后再刪除二值圖像中面積小于100的對象，最終的分割結(jié)果如圖4-9所示：（a）（b）圖4-9最終分割結(jié)果圖像。（a）01_test；（b）19_test。同時，CRI（ColorRetinalImage）眼底圖像數(shù)據(jù)庫中也提供了專家手動分割的血管圖像供對比參考，這里我們統(tǒng)一選取第一個文件夾內(nèi)的手動分割圖形用作參考對比，如圖4-10所示：（a）（b）圖4-10專家手動分割結(jié)果圖像。（a）01_test；（b）19_test。4.3分割結(jié)果誤差分析通過圖4-9基于多尺度Hessian矩陣分割的眼底血管與圖4-10專家手動分割的眼底血管相對比，可以發(fā)現(xiàn)算法提取的血管整體效果較好，但是有少部分微小血管的丟失，為了進(jìn)一步分析神經(jīng)網(wǎng)絡(luò)血管分割的效果，下面就神經(jīng)網(wǎng)絡(luò)與閾值分割進(jìn)行分割數(shù)據(jù)對比分析，如表4-1所示：表4-1兩種分割方法準(zhǔn)確度對比人工神經(jīng)網(wǎng)絡(luò)閾值分割A(yù)ccTPRFPRAccTPRFPR01_test0.93020.86970.06070.93850.81980.043602_test0.93670.85940.05270.94020.82880.040203_test0.92310.80200.05620.65330.92050.392204_test0.93620.82120.04940.94400.64790.010405_test0.92610.81370.055850.68390.92070.353306_test0.91530.81250.06910.73480.90380.293007_test0.90240.82480.08570.92860.73350.041608_test0.90340.79810.08300.65270.91340.384709_test0.92690.79870.05610.74490.90250.276010_test0.92920.82610.05680.65670.93140.380511_test0.91320.79010.06840.92100.76520.055812_test0.92920.82720.05610.68190.93600.354413_test0.92770.81180.05610.73050.92160.301014_test0.93070.85390.06310.65670.95630.383415_test0.92800.82250.06230.92630.82220.061716_test0.93060.83190.05460.71980.94740.314417_test0.92900.79880.05270.74330.92070.281618_test0.93930.86030.05690.69720.95100.335719_test0.93500.89050.05890.66690.96920.374420_test0.93940.86110.05130.70610.95490.3236average0.92660.82870.06020.76640.88330.2501通過人工神經(jīng)網(wǎng)絡(luò)與閾值分割數(shù)據(jù)的對比，可以看出由于血管本身寬度不一以及線性結(jié)構(gòu)特點(diǎn)，閾值分割不存在適用性，分割結(jié)果時好時壞，而人工神經(jīng)網(wǎng)絡(luò)分割出來的血管Acc、TPR及FPR三個指標(biāo)都比較理想，分割出來的血管圖像與專家手動分割出來的血管圖像最接近，因此本文提出的融合多尺度Hessia