相关电子技术论文

相关标签

基于多尺度特征值的眼底血管自动分割

发布时间:2019-12-03 18:52

摘要

眼底作为人体唯一一种可以不产生任何创伤就能观察到血管的部位,其血管图像的特征分析已经变成目前医学上诊断全身血管性疾病的重要方法。利用现代医学影像技术对眼底血管进行观察和分析能够帮助医生提高诊断的准确度和工作效率。但是,由于眼底照相机的一些不可避的缺陷和一些人为外界的干扰,通常眼底彩照图像背景光照不均匀,并且存在大量的噪声。本课题主要研究如何对眼底目标血管进行增强,然后分割出正确的眼底血管图像。

对于以上两点目前存在干扰较大的问题,本文采用了基于多尺度Hessian矩阵的眼底血管分割方法。具体步骤如下:

(1)首先对眼底彩照图进行预处理,提取绿色通道,通过均衡化处理提高对比度,然后再乘上mask图像提取我们感兴趣的部分。

(2)然后运用多尺度Hessian矩阵滤波对预处理后的眼底图形进行血管增强操作。

(3)运用人工神经网络对血管增强后的眼底图像进行血管识别,并分割出正确的眼底血管图像。

(4)最后对于分割出来的眼底图像进行孤立噪声点的去除。

总的来说,本文采用的算法分割的血管比较理想,但是还有少部分的微血管丢失,在这方面有待改善。

关键词:眼底图像;Hessian矩阵血管增强;人工神经网络

第一章 绪论

1.1研究背景及意义

随着现代社会的逐步发展,人们的生活水平和质量也在日渐提高,人们开始更多地关注自身的健康以及医疗领域的发展。根据资料显示,目前全身血管性疾病的发病率日渐上升,已经成为导致人类死亡率逐步上升的一大诱因,在众多临床案例中,该类血管性疾病主要表现为人体的细微血管的一些结构或者特性变化。如果能够在及时检测到人体血管的病变,就能在发病的初期展开相应的治疗,从而控制血管类疾病的持续恶化。眼底作为人体唯一一种不产生任何创伤就可以直接观察到较深层次微血管循环系统的部位,已经成为医生了解人体其他部位血管状况的可视窗口,因此,眼底血管图像的性状分析已经成为目前医学上诊断全身血管性疾病的重要手段[1][2]。

视网膜位于眼球后壁部,是一层周围分布着大量光感受器细胞和神经节细胞的结构较为复杂的薄膜。通过光感受器细胞可以将进入视网膜的外界光刺激转换成电信号,然后再由神经节细胞将这类电信号传输到大脑视中枢形成视觉。眼底血管的图像不仅仅可以用来诊断例如白内障、青光眼等常见的眼科疾病,还能够根据血管不同程度的变化有效地诊断出导致眼底血管形态等发生变化的其他心血管类疾病,如高血压、糖尿病等。在这些疾病发病的初期,通过眼底视网膜血管的形状分析,能够有效地对患者病情的诊断和治疗。表1-1列举出了一些常见的血管性疾病与其引起的相应视网膜血管变化[3]。

然而,由于血管其本身的复杂性,以及眼底照相机的一些不可避的光学缺陷和一些人为外界的干扰,我们通常采集到的眼底彩照图像都存在一定的噪声,以及背景光照不均匀、血管与背景间的对比度不强等现象,此时如果采用人工手动分割血管的话,工作量大,容易造成人为的错误分割,这给临床分析和诊断带来了一些困难。因此,利用现代医学影像技术对眼底血管进行观察和分析已经成为当前医学图像处理领域的一个重要研究课题。

为了正确分割出精确度较高的眼底血管图像,就需要我们在处理图像时提高灰度不均匀背景下眼底图像中的血管的对比度,实现血管像素的增强。并且在正确分割大血管轮廓的同时,还要保留毛细血管的准确分割,这也是该课题的本课题的主要研究内容。通过实验数据分析,提出有效地方法来利用计算机来处理眼底图像,从而可以帮助医生提高诊断的准确度和工作效率,具有一定的临床试验前景。

1.2本课题主要研究内容及章节安排

1.2.1主要研究内容

眼底血管的正确分割是临床上诊断与治疗全身血管性疾病的关键,在处理眼底彩照图分割出血管时,面临着以下两点问题:

(1)由于眼底彩照图在采集时的一些不可规避的干扰,我们用来处理的眼底彩照图都存在大量的噪声,并且血管与背景间的对比度不强,这些都会对图像的处理带来一定的干扰。

(2)在对眼底血管进行分割时,通常会存在部分微小毛细血管检测不出无法正确分割出来的情况,最后处理分割的眼底血管在保留粗血管的同时,造成微血管信息的丢失。

对于以上两点目前存在干扰较大的问题,本文采用了基于多尺度Hessian矩阵的眼底血管分割方法。具体步骤如下:

(1)首先对眼底彩照图进行预处理,增强血管与背景的对比度,提取我们感兴趣的部分。

(2)然后运用多尺度Hessian矩阵对预处理后的眼底图形进行血管增强操作。

(3)最后运用人工神经网络对血管增强后的眼底图像进行血管识别,并分割出正确的眼底血管图像。

1.2.2本文章节安排

本文先重点介绍算法原理以及实现血管分割的方法,然后运用MATLAB进行仿真与数据处理分析,本文的章节安排如下:

第一章 绪论:主要介绍本课题的研究背景、意义,以及本文的主要研究内容和章节安排。

第二章 基于多尺度Hessian矩阵的眼底血管图像的增强:首先阐述Hessian矩阵的基本原理与血管响应函数,然后针对单一尺度血管增强效果存在的局限性,本文采用基于多尺度Hessian矩阵的血管增强算法。

第三章 基于人工神经网络算法的视网膜血管分割:首先阐述人工神经网络的基本原理,然后介绍基于人工神经网络算法的视网膜血管分割实验步骤,包括眼底彩照原图像的预处理、眼底图像感兴趣区域的提取、网络的训练以及网络的测试。

第四章 实验结果及误差分析:介绍眼底图像实验数据、评价算法指标公式及解释。将算法提取的眼底血管与专家手动分割的血管图像就精确度(Accuracy,Acc)、真阳率(True Positive Rate,TPR)、假阳率(False Positive Rate,FPR)等方面进行数据分析。

最后,对整个研究课题进行总结,分析本文采用的眼底血管分割方法的利弊,并对医学图像处理领域进行展望。

第二章 基于多尺度Hessian矩阵的眼底血管增强

由于眼底图像中需要提取的目标血管与背景间的对比度不强,直接判断出血管并正确分割出来存在一定的难度,所以需要在分割步骤之前先对眼底图像进行血管增强操作,强调我们感兴趣的目标血管,抑制非重要的特征。由于眼底血管的线性结构特性以及Hessian矩阵良好的线段结构识别能力,可以使用Hessian矩阵对眼底血管图像进行增强。眼底血管的横截面近似高斯分布,通过运用Hessian矩阵特征值构造血管响应函数,从而实现血管的增强。但是由于血管的粗细大小不一,使用单一尺度增强的效果不理想,所以本文采用基于多尺度Hessian矩阵的眼底血管增强算法,算法中引入带尺度的高斯核函数,对原图像进行卷积操作,检测不同尺寸大小的血管,对于不同的尺度因子得到最终的血管响应图像[4-7]。

2.1 Hessian矩阵

2.4本章小结

本章首先分析了眼底血管直接分割存在的问题,采用了基于Hessian矩阵的血管增强方案,阐述了Hessian矩阵以及血管响应函数的基本原理,然后根据实验仿真使用单一尺度增强方案的弊端,采用了基于尺度Hessian矩阵的眼底血管的增强方案,通过大量数据的处理与分析,选择最佳的尺度因子,从而有效地实现了眼底目标血管与背景间对比度的增强,为后面的眼底血管的分割做好了基础准备。

第三章 基于人工神经网络算法的视网膜血管分割

3.1人工神经网络

人工神经网络(Artificial Neural Networks,ANNs)是一种对人脑神经网络结构特征进行模仿,并进行数据信息处理的一种数学模型,神经网络由大量的基本元素神经元组成,是一种能够处理输入与输出关系的非线性模型,神经网络能够通过对内部节点间相互连接关系的调节,实现数据信息处理的目标[8]。

3.1.1人工神经元

在BP神经网络结构的基础上,MATLAB中自带的newff( )函数可以用来构建神经网络,BP神经元的传输函数是线性函数,通常我们采用函数的最后一个参数就表示神经网络中连接权值和阈值的训练方法,如梯度下降训练函数、有自适应学习速率的梯度下降训练函数以及LM(levenberg-marquardt)训练函数等。然后调用MATLAB的train()函数训练神经网络,这就构成了最基本的分类器,能够根据输入的特征值输出相应的图像,是一种自己能够通过学习进而对输入有判断,做出相应的反应的一种函数。最后对待需要测试的图像,调用MATLAB的sim()函数,就能够利用已经训练好的神经网络进行识别,做出分割[11-13]。

3.2眼底血管分割算法流程

本章将前文提到的基于多尺度Hessian矩阵的血管增强算法和神经网络分割算法结合起来,首先对需要分割的眼底彩照图像进行预处理,提取我们感兴趣的区域,进行均衡化处理,提高眼底血管与背景间的对比度,然后利用多尺度Hessian矩阵对预处理后的图像进行血管增强操作,最后再使用训练好的神经网络对Hessian矩阵滤波后的图像进行血管的识别与分割,最后再对分割后的图形去除孤立噪声点,具体的算法流程如图3-3所示:  (a) 原始图像;(b)R通道图像;(c)G通道图像;(d)B通道图像。

根据图3-4可以看出:R通道图像主要反映的是眼底彩照图像的亮度部分,图像中眼底血管与背景间的对比度不明显;B通道图像中存在大量的干扰噪声,并且眼底血管与背景间的对比度最低,对眼底血管的分割有较大的影响;G通道是三个单独通道综合来看最适合提取的,噪声最少,对比度最高,比较适合提取出来做进一步的图像处理。

3.2.2眼底图像感兴趣区域的提取

在测试图集中,有与眼底彩照原图相对应的掩膜mask图像,mask图像的作用是与眼底彩照原图相乘,从而实现对ROI(Region of Interest感兴趣区域)图像的提取,在mask图像中,感兴趣区域的像素点为1,其他部分的像素点为0,提取的ROI图像中保留血管区域的像素值不变,mask外部区域的像素灰度值则全部变为0,实现了对背景的去除。掩膜图像提取ROI图像的具体步骤如图3-5的流程图所示:

3.2.3融合多尺度Hessian矩阵的神经网络训练

在待处理的CRI(Color Retinal Image)眼底图像原图是尺寸为565×584像素的tif格式彩照图,在training数据库中,对于需要眼底彩照原图,先进行图像预处理等步骤,在对图像进行Hessian矩阵滤波增强的过程中,对于每幅图像的每个像素点,以尺度作为依据,提取每个尺度下的最大特征值,根据上文构造的Hessian矩阵,每个像素点提取每个尺度上的最大值作为特征值输出,一共4个特征值,构造一个4行、565*584列、宽度为输入图像张数的三维数组,存放每幅图像每个像素点提取出来的特征值,然后对样本特征值进行归一化处理,并将三维数组转化为4行、565*584*n(输入图片张数)列的二维数组,作为输入矩阵输入到神经网络分类器中。

接下来构造响应的输出矩阵,在CRI(Color Retinal Image)数据库中,每幅眼底彩照原图都对应有专家手动分割的最终血管图像,读取与输入图像相对应的手动分割的眼底血管图像,构造一个1行、565*584*n(输出图片张数)列的二维目标数据矩阵。

然后使用nefwff函数创建神经网络,设置隐藏节点数、两次显示之间的训练步数(net.trainparam.show)、训练次数(net.trainparam.epochs)、训练目标(net.trainparam.goal)、学习率(net.trainparam.lr)等训练参数,进行神经网络的训练。

3.2.4融合多尺度Hessian矩阵的神经网络测试

对于已经训练好的神经网络,可以保存为后缀为.mat的文件,随时可以读取调用。输入待测试的test眼底彩照图像,对图像进行预处理,通过Hessian矩阵滤波并提取特征值,然后进行归一化处理。最后,将归一化后的特征值矩阵输入已经训练好的神经网络分类器中,进行仿真,从而输出得到分割后的目标血管图像。

3.3本章小结

本文采用基于人工神经网络的方式对增强后的眼底血管图像进行分割,神经网络分割系统具有自适应与模式识别能力,能够在使用过程中不断的学习完善自己的功能,并且具有很强的容错性,可以对特征空间进行较为复杂的划分,但是使用神经网络需要更多的训练数据,并且在训练网络处理信息时运行速度很慢。所以在训练的过程中,可以选取多个测试数据,并且选择合适的隐藏层神经元个数,从而使训练的网络达到最佳的分割效果。

本章总结了整体的眼底血管分割算法流程,首先对眼底彩照图进行预处理,用mask图像提取我们感兴趣的部分,然后用多尺度Hessian矩阵滤波进行血管增强,用训练好的神经网络分类器进行血管的分割,对于分割出来的血管图像,再进行最后的去除孤立噪声点的操作。

第四章 实验结果及误差分析

对于本文提出的融合多尺度Hessian矩阵和神经网络分割眼底血管的算法,采用在MATLAB平台上进行实验验证。MATLAB有系统完善的图形处理功能,简单的编程环境和完备的调试系统能够提高图像处理的效率和效果。

4.1实验数据介绍

4.1.1眼底彩照图来源

本文使用的是CRI(Color Retinal Image)数据库中的眼底图像,眼底图像原图是尺寸为565×584像素的tif格式彩照图,数据库将眼底彩照图分成了test和training两个图集,方便分别用来作为测试和训练集。在测试图集中,一共有20张眼底彩照原图,分别对应有两位专家手动分割的眼底血管图像,方便进行计算机算法分割的血管图像与人工手动分割的图像作对比,进行数据处理与分析,另外还对应有每张眼底彩照图像的掩膜mask图像。测试图集的20张眼底彩照图中,有2张是产生病变的图像,训练图集的20张眼底彩照图中,有3张是产生病变的图像。在对仿真数据进行分析时,同一采用第一位专家手动分割的1st_manual图集中的血管图像作为对比。

4.1.2评价算法指标介绍

为了衡量算法自动分割血管的有效性,本文将计算机算法自动分割的血管图像与专家手动分割的眼底血管图像进行对比分析,为了定量的分析算法提取的血管的准确度,根据分割结果的TPR(True Positive Rate真阳率)、FPR(False Positive Rate假阳率)来分析分割的有效性,根据Acc来分析分割的精确度。其中,TPR表示正确识别分割的血管像素占总标准血管像素数目的百分比,FPR表示被错误识别分割为血管背景像素点占总标准像素点的百分比,Acc表示血管分割的准确率。

4.3分割结果误差分析

通过图4-9基于多尺度Hessian矩阵分割的眼底血管与图4-10专家手动分割的眼底血管相对比,可以发现算法提取的血管整体效果较好,但是有少部分微小血管的丢失,为了进一步分析神经网络血管分割的效果,下面就神经网络与阈值分割进行分割数据对比分析,如表4-1所示:

通过人工神经网络与阈值分割数据的对比,可以看出由于血管本身宽度不一以及线性结构特点,阈值分割不存在适用性,分割结果时好时坏,而人工神经网络分割出来的血管Acc、TPR及FPR三个指标都比较理想,分割出来的血管图像与专家手动分割出来的血管图像最接近,因此本文提出的融合多尺度Hessian矩阵以及神经网络算法的眼底血管分割方法具有一定的可实施性。

4.4本章小结

本章对第三章提出的血基于人工神经网络算法的视网膜血管分割进行实验,首先介绍了本次实验数据的基本信息,然后阐述了衡量血管分割有效性的评价算法指标公式和解释。在MATLAB平台上实验对图像进行处理,记录每个步骤的实验结果图像,并得到最终的血管分割图像,通过与专家手动分割的血管图像做对比,除了较少微血管有所丢失外,整体的分割效果较为理想。

结论

眼底血管作为人体唯一一个不产生创伤就能直接观察到血管的部位,能够根据其结构和特性的变化,及时诊断出全身的血管性疾病,对于疾病初期的控制和治疗有着重要意义。随着医学影像技术的不断发展,现在可以利用计算机技术来代替人工手动分割眼底血管图像,提高医生工作效率的同时,也避免了手动分割带来的误诊。本文的整体工作主要如下:

(1)介绍眼底血管分割的研究背景及意义,指出目前利用计算机分割血管存在的待解决的问题。

(2)基于眼底血管粗细不均的线性结构特点,本文采用了基于多尺度Hessian矩阵的眼底血管增强的方法。

(3)构建神经网络分类器,利用20张样本图像进行训练,得到能够正确分割眼底血管的神经网络。

(4)对于神经网络分割自动分割出来的眼底血管图像,存在一些孤立噪声点干扰,对图像进行最后的处理,去除面积较小的孤立噪声点。

(5)最后将算法自动分割出来的血管图像与专家手动分割的血管图形进行对比,评价本文提出眼底血管分割方法的有效性。

毕业论文:http://www.3lunwen.com/jsj/dzjs/5401.html

上一篇:基于电路模拟结构的多频带薄吸波屏设计

下一篇:没有了

     移动版:基于多尺度特征值的眼底血管自动分割

本文标签:
最新论文