眼底图像中视盘的自动定位方法研究.docVIP

眼底图像中视盘的自动定位方法研究 摘要：视盘是视网膜图像的重要特征，其准确定位是视网膜病变诊断和治疗的重要前提，为眼底图像处理和识别等工作的基础。本文综述了视网膜图像中视盘定位算法研究现状；分析了各种视盘定位方法的优缺点；最后总结全文，对视盘自动定位方法进行了展望。 关键词：眼底图像；视盘；定位 中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）09-0205-02 视神经盘也叫视神经乳头，简称为视盘（Optic Disc， OD），视网膜上视觉纤维汇集穿出眼球的部位，为视觉神经的始端，是视网膜眼底图像的一个重要特征和组成部分。视盘的准确检测是诊断视网膜病变的重要前提。视网膜图像被广泛地应用于眼科眼底病变的诊断与治疗。视盘的准确定位与糖尿病视网膜病变、高血压视网膜病变、视网膜脱离的裂孔定位、眼底肿瘤定位以及视网膜血管性疾病的诊断与治疗息息相关，视神经盘的形状、大小，颜色、面积和生理杯深度等参数是衡量眼底健康状况和病灶的重要指标。视盘定位是眼底图像配准拼接、血管跟踪、黄斑和病变提取，以及视盘边缘定位等工作的基础。快速准确地检测视盘是实现视网膜疾病诊断和视网膜特征识别的前提和关键步骤。本文研究视网膜图像中视盘的自动定位算法，为眼底病变相关软件系统提供技术支持。 1 眼底图像中视盘定位概述 用来做视盘定位最常用的主要有3种特性：外观特性、血管特性、空间尺度和位置约束特性。视盘的外观特性主要表现在如下方面：就灰度值来说，视盘区域灰度值最大，对比度最大；形状近似于圆形或椭圆形；彩色图像表现为颜色为亮黄色。而眼底图像中的血管特性主要表现为视盘区域为主血管交汇区，视盘区域的血管的特性表现为血管粗、密度大；主血管整体走向为抛物线形，最高点汇集于视盘中心；视盘区域血管垂直方向占支配地位，其它位置水平方向占优势。空间尺度和位置约束特性主要是指拟合的血管抛物线、视盘中心和黄斑中心三者满足空间位置约束关系。科研人员依据视盘的上述特性，对视盘的定位进行了大量深入的研究。 2 视盘定位研究现状 目前，科研人员基于眼底视盘的几何、血管和自身特征来定位视盘，国内外学者提出了多种视盘定位方法，可分为以下几类。 2.1基于视网膜血管结构的方法 血管结构在眼底图像中相对稳定可靠，并且在病变图像视盘定位中有更稳定的性能。视网膜血管网络汇聚点即为视盘，很多算法根据这一属性来定位视盘。G.A.Hoover[2]等提出利用模糊收敛算法进行血管分割来定位视盘的位置。首先对提取的血管进行细化操作，然后擦除血管的分叉点而得到一些血管段，构造模糊血管段，进而使用基于投票方法得到收敛图，收敛图进一步被模糊化并阈值化后取收敛度最强点作为视盘位置。该算法用到了血管在视盘点汇合度高这个特性，但是需要精细的血管信息同时在血管分叉处容易给出错误分叉信息，导致算法易出错且复杂度高，其在 STARE 数据库中准确率为89%，平均耗时为15秒每幅。M.Foracchia[3]先检测出主要的视网膜血管，根据两个抛物线模型顶点的交点来定位视盘。该方法准确率为97.5%，耗时约为2分钟每幅。 这类方法定位准确率较高，但有两方面的缺点，一方面血管有时候收敛于视盘区，但并不是收敛于视盘的中心点；另一方面，这种方法需要事先分割出血管，而血管的分割本身是一个复杂且耗时的工作，且仅适用于血管网络结构清晰的视网膜眼底图像，对于图像质量不高，尤其是病变情况下的血管分割，这类算法的鲁棒性不高。例如，在图1所示，图（a）为正常的眼底图片，图（b）血管结构破坏，此类算法很难分割出血管。因此，这种算法的鲁棒性不高，仅依靠血管结构来定位视盘仍然是一个比较有挑战的工作。 2.2 基于视盘外观特征的方法 H.Li[4]提出了一种基于视盘外观特征来定位视盘的方法。首先聚类1%的最大灰度值像素得到候选区域，这些候选区域主要来源于视盘或亮色病变区，然后将这些像素点被聚合成像素簇，再通过聚类分割把小于整幅图像面积0.04%的像素簇予以排除，获得视盘候选区域，再通过PCA方法将新的视网膜图像投影到“盘空间”，将原始图像与其投影之间距离最小的区域定为视盘中心。T.Walter[5]根据视盘区域亮度变化最大这一自身特性，寻找亮度变化最大圆形区域的中心点作为视盘中心点位置。该方法使用了形态学滤波技术和分水岭变换。 这类方法定位速度较快，可满足实时性需要。基于视盘大致的圆形结构和相对眼底其它部位有比较高的亮度，对于有病变出现的视网膜，这种方法鲁棒性不强。如图1（c）中所示，该图中有类似视盘形态和亮度的病变区域出现，此时基于视盘外观的方法对于视盘的定位往往出错。 2.3融合视网膜血管结构和视盘特征的方法 一般而言，融合可以获得关于视盘更多的信息，因为能获得更高的准确性。A.Youssif[6]先分割出视网膜血管，接着利用血