基于圖自適應(yīng)視網(wǎng)膜圖像中動(dòng)脈靜脈分類方法

1、基于圖自適應(yīng)視網(wǎng)膜圖像中動(dòng)脈/靜脈分類方法摘要視網(wǎng)膜血管分類成動(dòng)脈/靜脈（A/V）對(duì)于自動(dòng)檢測(cè)血管變化，和與一些全身性疾病例如糖尿病相關(guān)的標(biāo)志，高血壓，和其它心血管疾病的特性計(jì)算來(lái)說(shuō)是一個(gè)重要的階段。本文提出了一種自動(dòng)方法用于A / V分類，基于從視網(wǎng)膜血管提取的曲線圖的分析。這個(gè)提出的方法對(duì)整個(gè)血管樹進(jìn)行分類，取決于每個(gè)交叉點(diǎn)的類型（圖節(jié)點(diǎn)）和分配兩個(gè)標(biāo)簽中的一個(gè)給每個(gè)血管分割段（圖鏈接）。最終的A / V血管分割段進(jìn)行分類是通過(guò)組合基于圖的標(biāo)記結(jié)果，這些標(biāo)記結(jié)果帶有一系列強(qiáng)度特性。該提出的方法的結(jié)果和人工標(biāo)記的三個(gè)公共數(shù)據(jù)庫(kù)相比較。數(shù)據(jù)庫(kù)INSPIREAVR，DRIVE,VICAVR的圖像

2、獲得的精確度分別是88.3%，87.4%，和89.85。這些結(jié)果證明了我們的方法用于A/V分類由于近期的方法。關(guān)鍵詞：動(dòng)脈/靜脈分類，圖形，視網(wǎng)膜圖像，血管分割一 介紹利用數(shù)字圖像分析方法自動(dòng)檢測(cè)視眼底的網(wǎng)膜病變有巨大的潛在好處。比目前以觀測(cè)為基礎(chǔ)的方法好，它允許在更短的時(shí)間檢測(cè)大量的圖像，以更低的成本和減小的主體。另一個(gè)優(yōu)點(diǎn)是執(zhí)行自動(dòng)篩查病理?xiàng)l件的可行性，如糖尿病性視網(wǎng)膜病變，可以減少訓(xùn)練有素的手動(dòng)需要的工作量1。視網(wǎng)膜血管受到一些全身性疾病的影響，即糖尿病，高血壓和血管疾病。在糖尿病性視網(wǎng)膜病變中，血管在早期階段常常表現(xiàn)出異常2，以及血管直徑的改變3。視網(wǎng)膜血管的變化，如顯著擴(kuò)張和主要?jiǎng)用}

3、，靜脈和其分支延伸3，4，也經(jīng)常與高血壓和其他心血管病變有關(guān)。測(cè)量與血管變化相關(guān)的幾個(gè)特征性體征，目的在于評(píng)估一些視網(wǎng)膜條件的階段和嚴(yán)重程度。廣義小動(dòng)脈狹窄，這是負(fù)相關(guān)的更高的血壓水平5，6，通常是由小動(dòng)脈到微靜脈直徑比（AVR）表示。在以前的社區(qū)動(dòng)脈粥樣硬化風(fēng)險(xiǎn)（ARIC）研究表明，一個(gè)更小的視網(wǎng)膜AVR可能是偶發(fā)性卒中的中年人個(gè)人的獨(dú)立預(yù)測(cè)因7。AVR的值也可以是其他病的一個(gè)指標(biāo)，如糖尿病性視網(wǎng)膜病變和過(guò)早視網(wǎng)膜病變8。在其他圖像處理操作中，AVR值的估計(jì)需要血管分割，準(zhǔn)確的血管寬度測(cè)量和動(dòng)脈/靜脈（A / V）的分類9，10。因此，任何自動(dòng)AVR測(cè)量系統(tǒng)必須準(zhǔn)確地識(shí)別哪些血管是動(dòng)脈，哪些

4、血管是靜脈，因?yàn)檩p微的分類錯(cuò)誤對(duì)最終值影響很大。一些工作在血管分類中已經(jīng)多次提出11 - 17，但視網(wǎng)膜血管自動(dòng)分類成動(dòng)脈和靜脈只得到有限的關(guān)注，在視網(wǎng)膜圖像分析領(lǐng)域仍然是一項(xiàng)開放的任務(wù)。在近幾年，圖形已成為一個(gè)統(tǒng)一的表示用于圖像分析，和基于圖的方法已經(jīng)被用于視網(wǎng)膜血管分割18，視網(wǎng)膜圖像登記19，和視網(wǎng)膜血管分類12。本文提出了一種基于圖的方法用于A/V自動(dòng)分類。分析從分割的視網(wǎng)膜中提取的圖形脈管，來(lái)決定交點(diǎn)的類型（圖中的節(jié)點(diǎn)），和隨后兩個(gè)標(biāo)簽中的一個(gè)分配給每個(gè)血管分割段（圖鏈接）。最后，測(cè)量血管分割段的強(qiáng)度特征，用于分配最終的動(dòng)脈/靜脈類。本文組織如下。在第二節(jié)，簡(jiǎn)要回顧一些用于視網(wǎng)膜血管

5、分類的以前的方法。第三節(jié)提出基于圖的方法用于A / V分類。第四節(jié)是在三種不同的數(shù)據(jù)庫(kù)中的圖像上的測(cè)試結(jié)果，與手動(dòng)分類的比較也包括在內(nèi)。最后，第五節(jié)總結(jié)這個(gè)研究的結(jié)論。二 A/V分割的方法視覺和幾何特征，可以區(qū)分靜脈和動(dòng)脈間的區(qū)別；一些方法探討了A/V分類的特性1117。動(dòng)脈是鮮艷的紅色而靜脈顏色更深，一般動(dòng)脈口徑比靜脈口徑較小。血管口徑受疾病影響，因此，這是一個(gè)不可靠的特征，對(duì)于A / V分類來(lái)說(shuō)。動(dòng)脈也有較厚的壁，它反射光作為閃亮的中央反射帶20。視網(wǎng)膜血管樹的另一個(gè)特征是，至少在靠近視神經(jīng)盤（OD）區(qū)域，靜脈很少交叉靜脈和動(dòng)脈很少交叉動(dòng)脈，但是這兩種類型可以分叉成較窄的血管，以及靜脈和動(dòng)

6、脈可以相互交叉20。出于這個(gè)原因追蹤血管樹中的動(dòng)脈和靜脈是可能的，并且已用于在一些方法中分析血管樹和分類血管11，12。 半自動(dòng)方法用于分析視網(wǎng)膜血管樹是被馬丁內(nèi)斯 - 佩雷斯等人提出的。在11這種方法中，單血管分割段和子樹的幾何和拓?fù)湫再|(zhì)被計(jì)算。首先，結(jié)構(gòu)是從分割結(jié)果中得到，并且重要的點(diǎn)被檢測(cè)到。為了標(biāo)記，用戶應(yīng)指向要追蹤樹的根段，算法將搜索其唯一的終端點(diǎn)，并在結(jié)束時(shí)，決定該段是動(dòng)脈還是靜脈。類似的另一種方法是Rothaus等提出的。12，其描述了一個(gè)基于規(guī)則的算法遍歷整個(gè)血管樹時(shí)傳播是動(dòng)脈或者靜脈的標(biāo)簽。這種方法利用現(xiàn)有的血管分割結(jié)果，以及一些手工標(biāo)記啟動(dòng)血管段。 Grisan等13開發(fā)了

7、一個(gè)追蹤A / V分類技術(shù)，分類血管只在明確定義的中心區(qū)域。然后，通過(guò)使用血管結(jié)構(gòu)重建，分類在區(qū)域外進(jìn)行，在那里很少有或沒有信息可用于區(qū)分靜脈動(dòng)脈。該算法不是設(shè)計(jì)來(lái)考慮該區(qū)域的血管都在一起，而是用來(lái)劃分區(qū)域分為四個(gè)象限。Vazquez等人14中描述一個(gè)方法，這個(gè)方法結(jié)合一個(gè)基于顏色的聚類算法。首先，聚類方法劃分的視網(wǎng)膜圖像分成四個(gè)象限，然后在每個(gè)象限中對(duì)檢測(cè)到的血管進(jìn)行分類，并且最后結(jié)合結(jié)果。然后，基于最小的路徑方法的追蹤策略應(yīng)用到加入位于不同半徑的血管段。一個(gè)分段高斯模型來(lái)描述血管輪廓的強(qiáng)度分布由Li等人提出15。在該模型中，考慮中央反射。最小距離分類基于馬哈拉諾比斯距離用于區(qū)分血管類型間所

8、估計(jì)的參數(shù)。Kondermann等 16描述的兩種特征提取方法和兩種分類方法，基于支持向量機(jī)器和神經(jīng)網(wǎng)絡(luò)，來(lái)分類視網(wǎng)膜血管。其中一個(gè)特征提取方法是基于配置文件，而另一種是基于在感興趣的區(qū)域周圍的中心線的定義（ROI）。為了減少特征向量的維度，他們使用了多類主要成分分析（PCA）。圖一.所提出的方法用于A/V分類的框架圖Niemeijer等17提出了一種自動(dòng)方法用于視網(wǎng)膜血管的動(dòng)脈和靜脈分類，這個(gè)方法使用圖片特征和分類器。提取一組中心線特征和分配給每個(gè)中心線一個(gè)軟標(biāo)簽，表示它可能是一個(gè)靜脈像素。當(dāng)時(shí)的平均連接的中心線像素軟標(biāo)簽分配給每個(gè)中心線像素。他們測(cè)試了不同的分類，發(fā)現(xiàn)該k-最近鄰（KNN）

9、分類器提供了最佳的整體性能。在21分類方法是作為在計(jì)算的AVR值的步驟。大多數(shù)這些方法使用強(qiáng)度特性來(lái)區(qū)分動(dòng)脈和靜脈。由于過(guò)程中，視網(wǎng)膜圖像被經(jīng)常非均勻地照射并表現(xiàn)出局部亮度和對(duì)比度的變化，這會(huì)影響強(qiáng)度的A/ V分類性能。出于這個(gè)原因，我們提出了一種方法，該方法使用從一個(gè)圖中提取的額外的結(jié)構(gòu)信息血管網(wǎng)絡(luò)。所提出方法的結(jié)果在克服常用方法有很大的改進(jìn)，尤其是固有的視網(wǎng)膜圖像。三 基于圖形的A/V分類方法在本文提出的方法如下基于圖的方法，在這里我們主要集中在的特性視網(wǎng)膜血管樹，至少在靠近視神經(jīng)的區(qū)域，靜脈很少交叉靜脈和動(dòng)脈很少交叉動(dòng)脈?；谶@一假設(shè)，我們可以限定不同類型的交叉點(diǎn)：分叉，交叉，相遇，以及

10、連接點(diǎn)。分叉點(diǎn)是一個(gè)交叉點(diǎn)，血管分叉成窄的部分。在一個(gè)交叉點(diǎn)靜脈和動(dòng)脈彼此交叉。在相遇點(diǎn)兩種類型的船只相遇不接觸，而一連接點(diǎn)連接同一血管的不同部分。在交叉點(diǎn)的類型決定是基于該血管結(jié)構(gòu)的圖表示的幾何分析。圖1描述了該方法A / V分類的框圖。主要階段是：1）圖形生成;2）圖形分析;和3）容器的分類。該方法首先從血管樹提取圖，接著決定在每個(gè)交叉點(diǎn)的類型（圖形節(jié)點(diǎn)）?；诿總€(gè)單獨(dú)的子圖的節(jié)點(diǎn)類型，所有血管分割段（圖鏈接）識(shí)別為屬于一個(gè)特定血管，然后使用兩個(gè)不同的標(biāo)簽標(biāo)記。最后，A / V類通過(guò)提取一組特征，并使用線性分類分配給子圖的標(biāo)簽。在下面我們?cè)敿?xì)介紹了該方法的各個(gè)階段。圖2. 圖形生成。 （a

11、）原始圖像; （b）血管分割圖像;（c）中心線圖像; （d）提取的圖形。A. 圖形生成圖形是血管網(wǎng)絡(luò)的表現(xiàn)，其中每個(gè)節(jié)點(diǎn)表示在血管樹的交點(diǎn)，與每個(gè)鏈接對(duì)應(yīng)于兩者之間的血管區(qū)段交點(diǎn)。為了生成圖，我們使用一個(gè)三步算法。首先我們使用分割圖像以得到的血管的中心線，然后，圖形是從中心線圖像產(chǎn)生，最后對(duì)圖形進(jìn)行一些附加修改。1）血管分割：血管分割結(jié)果用于提取圖形，也用于估計(jì)血管口徑。Mendonça等人提出的方法 22用于分割的視網(wǎng)膜血管樹，適于高分辨率圖像23的分割。這種方法遵循與像素處理為基礎(chǔ)的方法，有三個(gè)階段。第一個(gè)是在預(yù)處理階段，其中通過(guò)估計(jì)標(biāo)準(zhǔn)化圖像背景減弱強(qiáng)度。在下一階段，從一組四個(gè)

12、方向提供使用信息檢測(cè)中心線候選點(diǎn)。膠印高斯濾波器的差別，連接到由區(qū)域生長(zhǎng)過(guò)程，最后根據(jù)它們的強(qiáng)度和長(zhǎng)度特性的段進(jìn)行了驗(yàn)證。第三階段是血管分割，多形態(tài)血管增強(qiáng)和重建方法都遵循以生成血管的二進(jìn)制映射。分段血管的最終圖像是通過(guò)反復(fù)結(jié)合中心線圖象得到的，導(dǎo)致從血管重建圖像。圖2（b）出示血管分割的結(jié)果。這種方法對(duì)于DRIVE數(shù)據(jù)庫(kù)的圖像取得的94.66的準(zhǔn)確度，總體靈敏度分別是0.75和0.98 23。表一：圖形注釋符號(hào)描述N圖形中節(jié)點(diǎn)數(shù)目ni , 1i<N節(jié)點(diǎn)iDni節(jié)點(diǎn)i的度lip , 1p<Dni第Pth個(gè)鏈路的節(jié)點(diǎn)idij節(jié)點(diǎn)i和節(jié)點(diǎn)j間的距離Tni節(jié)點(diǎn)i的類型lipliq第Pth

13、和qth鏈路的節(jié)點(diǎn)間的角度Wlip分配到第Pth 鏈路節(jié)點(diǎn)i的口徑Eni相鄰節(jié)點(diǎn)i度1節(jié)點(diǎn)數(shù)2）血管中心線提?。褐行木€圖像通過(guò)應(yīng)用描述的迭代細(xì)化算法得到，在24血管分割結(jié)果。該算法消除邊界像素，直到對(duì)象縮小到一種微創(chuàng)連接。分割的血管圖2（b）的中心線圖像是圖2（c）。 3）圖形的提?。涸诮酉聛?lái)的步驟中，圖的節(jié)點(diǎn)是通過(guò)找到的交點(diǎn)從中心線圖像提取點(diǎn)（像素具有多于兩個(gè)鄰居）和端點(diǎn)或終端點(diǎn)（只有一個(gè)鄰居像素）。為了找到節(jié)點(diǎn)間（血管段）的鏈接，所有的交點(diǎn)和他們的鄰居被移走中心線圖像并作為結(jié)果，我們得到與圖像分開的部件它們是血管區(qū)段。下一個(gè)，每個(gè)血管段由兩者之間的鏈路表示節(jié)點(diǎn)。圖 2（d）表示從中心線得到

14、的圖影像圖。圖2（c）中包含的節(jié)點(diǎn)，并且每個(gè)節(jié)點(diǎn)幾個(gè)鏈接可連接。另一方面，任何給定的鏈路可以只連接兩個(gè)節(jié)點(diǎn)。表一顯示的圖形符號(hào)的節(jié)點(diǎn)和鏈接，這將在本文檔的其余部分中使用。該一個(gè)節(jié)點(diǎn)的度是相鄰節(jié)點(diǎn)的數(shù)目。兩個(gè)節(jié)點(diǎn)在一個(gè)圖被稱為相鄰如果它們是由一個(gè)連接鏈接。鏈路之間的夾角被定義為幅度該項(xiàng)目其中一個(gè)鏈接到最小的旋轉(zhuǎn)其他考慮它們之間的公共節(jié)點(diǎn)作為頂點(diǎn)。的容器的口徑被分配給每個(gè)鏈路，作為平均沿相應(yīng)血管區(qū)段的口徑。4）圖修改：提取圖形可以包括血管結(jié)構(gòu)的一些誤傳結(jié)果的分割和中心線提取工藝。如在一個(gè)12，典型錯(cuò)誤是：（1）拆分定義節(jié)點(diǎn)分成兩個(gè)節(jié)點(diǎn); （2）上缺少一個(gè)節(jié)點(diǎn)一側(cè)的鏈接;（3）虛假鏈接。所提取的圖形

15、應(yīng)該修改時(shí)這些錯(cuò)誤中的一個(gè)被識(shí)別。節(jié)點(diǎn)分裂：提取中心線的像素在當(dāng)單路口，我們有兩個(gè)圖節(jié)點(diǎn)，而不是只之一。這種情況下，圖1中所示。圖3（a），生成偽節(jié)點(diǎn)影響的曲線圖的最終結(jié)果的正確性分析階段。為解決這個(gè)問(wèn)題，我們定義一個(gè)自適應(yīng)參數(shù)，閾值TNS，它被用來(lái)作為標(biāo)準(zhǔn)來(lái)合并兩個(gè)鄰居節(jié)點(diǎn)。 TNS根據(jù)等式（1）至（4）取決于局部血管口徑和角度。3度的相鄰節(jié)點(diǎn)，圖3（b），如果節(jié)點(diǎn)ni 和節(jié)點(diǎn)nj之間的距離比所述閾值(dij <Tns )小，如果在一個(gè)節(jié)點(diǎn)的鏈接（公共鏈路除外）具有在其他節(jié)點(diǎn)另一個(gè)鏈路相同的方向，和同樣的情況與其余兩個(gè)鏈路，那么這兩個(gè)對(duì)應(yīng)節(jié)點(diǎn)應(yīng)合并（圖3的（c）。 節(jié)點(diǎn)分裂 缺失鏈接

16、錯(cuò)誤鏈接圖3.修改圖形。 （a），（d），（g）典型錯(cuò)誤; （b），（e），（e）圖形表示的最壞的情況; （c），（f），（）修改之后的最終圖形。缺少的環(huán)節(jié)：為了解決缺失鏈接的情況（圖3（d），計(jì)算從一個(gè)度為1的節(jié)點(diǎn)（端點(diǎn)）到其他節(jié)點(diǎn)的距離。如果這個(gè)距離小于閾值Tml，則節(jié)點(diǎn)將用一個(gè)新的鏈路進(jìn)行連接，如圖3（f）所示。Tml估計(jì)是基于所述中間血管的寬度（圖3（e），并且由下式給出 錯(cuò)誤鏈接：圖 3（g）示出了最后的情況，兩個(gè)節(jié)點(diǎn)之間的鏈路對(duì)應(yīng)到一個(gè)不正確的檢測(cè)。發(fā)生在當(dāng)兩個(gè)血管都非常接近彼此，但他們不交叉，兩個(gè)親密的節(jié)點(diǎn)（dij<Tfl ）是人為創(chuàng)建。等式（6）表示這種情況下的閾值Tfl

17、 ，這是由（圖3（h）進(jìn)行在最壞的情況下從節(jié)點(diǎn)中的最大距離獲得。為了解決這種情況，連接每個(gè)節(jié)點(diǎn)的鏈路之間的角度被選中。如果對(duì)于至少一個(gè)節(jié)點(diǎn)，兩個(gè)其鏈接具有相同的取向，并且或多或少垂直于所述第三個(gè)鏈路（二者之間的公共鏈路的節(jié)點(diǎn)），則公共鏈路是一個(gè)錯(cuò)誤檢測(cè)的鏈路和應(yīng)除去（圖3（i）。算法一：修改圖形算法1檢測(cè)圖中錯(cuò)誤的條件和用于進(jìn)行必要的修改。此算法反復(fù)進(jìn)行，直到?jīng)]有發(fā)生進(jìn)一步的變化。為了降低了后續(xù)的圖形分析的復(fù)雜性，所有具有非常短的鏈路端點(diǎn)被除去。啟動(dòng)圖形分析階段錢，所有環(huán)繞OD的血管被除去。最佳區(qū)域通常包含許多血管和在該領(lǐng)域的圖形是不可靠的。如這些血管與A / V分類處理是不相關(guān)的，可將它們?nèi)?/p>

18、出。其結(jié)果是圖形由幾個(gè)非連接的單獨(dú)的子圖構(gòu)成。圖中的操作步驟示于圖4。B. 圖分析圖形分析階段的輸出取決于類型的節(jié)點(diǎn)。在每個(gè)子圖（i）的鏈路用兩個(gè)不同標(biāo)簽之一（C1i 和C1i ）標(biāo)記。在這個(gè)階段，我們還不能確定是否每個(gè)標(biāo)簽?zāi)軐?duì)應(yīng)到動(dòng)脈類或靜脈類。A / V分類會(huì)在上次的分類階段分配給這些子圖。我們已經(jīng)考慮了四種不同類型的節(jié)點(diǎn)：1.連接點(diǎn)：大部分有兩個(gè)鏈路的節(jié)點(diǎn)屬于這種類型;這些節(jié)點(diǎn)，在那里的血管不會(huì)交叉或分叉，都延續(xù)節(jié)點(diǎn)連接同一血管的不同分段。2.交叉點(diǎn)：兩種不同類型的血管相互交叉。圖4.（a）原始圖; （b）修改后的新圖; （c）修改沒有視盤環(huán)繞血管的圖; （d）獨(dú)立子圖（每一灰度區(qū)域代表

19、一個(gè)子圖）。 表2：節(jié)點(diǎn)數(shù)不同的情況和可能的節(jié)點(diǎn)類型情況可能的節(jié)點(diǎn)類型情況1-度為2的節(jié)點(diǎn)連接點(diǎn)相遇點(diǎn)情況2-度為3的節(jié)點(diǎn)分叉點(diǎn)相遇點(diǎn)情況3-度為4的節(jié)點(diǎn)分叉點(diǎn)相遇點(diǎn)交叉點(diǎn)情況4-度為5的節(jié)點(diǎn)交叉點(diǎn)3.分叉點(diǎn)：一個(gè)容器分叉成窄血管。4.相遇點(diǎn)：兩種不同類型的血管相遇但是無(wú)交叉;兩個(gè)血管都非常接近對(duì)方或一個(gè)血管的末部正好在另一個(gè)血管上。節(jié)點(diǎn)分類算法通過(guò)提取以下節(jié)點(diǎn)的信息開始：連接每個(gè)節(jié)點(diǎn)（節(jié)點(diǎn)度）的鏈路數(shù)目，每個(gè)鏈路的方向，鏈路之間的角度，在每個(gè)鏈路上的血管口徑，和相鄰節(jié)點(diǎn)的度。根據(jù)節(jié)點(diǎn)度節(jié)點(diǎn)分析分為根據(jù)四個(gè)不同的情況下。表二顯示了不同的情況，和每種情況可能的節(jié)點(diǎn)類型。圖5和6中，分析中的節(jié)點(diǎn)用

20、灰色圓點(diǎn)表示，其他節(jié)點(diǎn)用黑色圓點(diǎn)代表，末端點(diǎn)用白色圓點(diǎn)表示。為了標(biāo)記實(shí)線顯示一個(gè)鏈路，虛線代表其他標(biāo)簽。1）度為2的節(jié)點(diǎn)：有兩個(gè)鏈路的節(jié)點(diǎn)大多是連接節(jié)點(diǎn)。如果它的相鄰節(jié)點(diǎn)中至少一個(gè)是端點(diǎn)，則該節(jié)點(diǎn)是一個(gè)連接點(diǎn)（圖5（a）和兩條鏈路具有相同的標(biāo)簽;然而，如果相鄰的節(jié)點(diǎn)中沒有是端點(diǎn)的則節(jié)點(diǎn)類型取決于其鏈接之間的角度。如果，那么它是一個(gè)連接節(jié)點(diǎn)（圖5（b），否則它是一個(gè)相遇點(diǎn)且鏈路具有不同的標(biāo)簽（圖5（c）。 算法2的詳細(xì)過(guò)程決定度為2的節(jié)點(diǎn)類型。圖5.（a） - （c）度為2的節(jié)點(diǎn)可能的配置; （d） - （f）度為3的節(jié)點(diǎn)可能的配置圖6.（a） - （c）度為4的節(jié)點(diǎn)可能的配置; （d）度為5的

21、節(jié)點(diǎn)。算法2 節(jié)點(diǎn)類型 - 度為2的節(jié)點(diǎn) 算法3 節(jié)點(diǎn)類型 度為3的節(jié)點(diǎn) 算法4 節(jié)點(diǎn)類型 度為4的節(jié)點(diǎn)2）度為3的節(jié)點(diǎn)：每個(gè)節(jié)點(diǎn)有3個(gè)鏈路，如果至少兩個(gè)相鄰的節(jié)點(diǎn)是端點(diǎn)則該節(jié)點(diǎn)是一個(gè)分叉點(diǎn)，且所有鏈路具有相同的標(biāo)簽（圖5（d）。如果所有的連接的鏈路具有不同的取向，則節(jié)點(diǎn)也是分叉點(diǎn)（圖5（e）。如果兩個(gè)鏈路具有相同的取向則既屬于同一個(gè)血管類型（圖5（f），它們將被看作是一個(gè)主血管。我們可以決定，如果第三個(gè)鏈路是同一血管的分支或一個(gè)其他血管的一個(gè)分割段，通過(guò)檢查主血管的角度。主血管較厚的分割段可以通過(guò)比較分配給每個(gè)血管口徑找到鏈路。如果血管的口徑之間的差異非常小，基于該口徑找到的厚壁是不可靠的；

22、在這種情況下，該鏈路連接到最接近節(jié)點(diǎn)到視神經(jīng)盤中心表示的較厚段主血管，并連接到最遠(yuǎn)的節(jié)點(diǎn)的鏈路是主血管的較薄部分。如果第三個(gè)鏈路使主血管較厚段一個(gè)角小于90，那么它不是該血管的一個(gè)分支，但是是另一個(gè)血管的一部分，并且該節(jié)點(diǎn)是一個(gè)相遇點(diǎn);否則，它是一個(gè)分支，所有鏈路都有相同的標(biāo)簽。發(fā)現(xiàn)度為3的節(jié)點(diǎn)類型的順序操作在算法3中描述。3）度為4的節(jié)點(diǎn)：在這種情況下有三個(gè)節(jié)點(diǎn)類型可能性。首先，將四個(gè)鏈接分為兩個(gè)對(duì)，它們之間每一對(duì)由具有最大角度兩個(gè)鏈路形成;如果兩條鏈路中的每一個(gè)具有相同方向（圖6（a），則該節(jié)點(diǎn)是一個(gè)交叉點(diǎn)和每對(duì)鏈路具有不同的標(biāo)簽。如果一對(duì)鏈路不具有相同的方向，然后另一對(duì)將被選擇作為主血管

23、。如果每其他鏈路的每一個(gè)和主血管較薄部分之間的角度小于90，那么該節(jié)點(diǎn)被認(rèn)為是一個(gè)分叉點(diǎn)和所有鏈路具有相同的標(biāo)簽（圖6（b）。如果這些鏈路之一使角度小于90的主血管的較厚段，那么它有不同的標(biāo)簽并且節(jié)點(diǎn)是一個(gè)相遇點(diǎn)（圖6（c）。 4算法詳細(xì)地描述了尋找度為4的節(jié)點(diǎn)的類型該過(guò)程。4）度為5的節(jié)點(diǎn)：這是一個(gè)發(fā)生罕見的情況當(dāng)血管在一個(gè)分叉點(diǎn)交叉另一個(gè)血管。對(duì)于標(biāo)簽，我們發(fā)現(xiàn)其中最大的兩個(gè)鏈路之間的角度開始，例如li3和li5 在圖6（d）中。這些鏈路屬于交叉在其他血管分叉點(diǎn)上的血管，所以這些鏈路將用其他標(biāo)簽標(biāo)記。其他三個(gè)鏈路（li1 ，li2 和li4 ）屬于分叉在這個(gè)節(jié)點(diǎn)血管，因此所有的鏈路會(huì)用其他

24、標(biāo)簽標(biāo)記。決定了節(jié)點(diǎn)類型后，屬于特定血管的所有鏈路被識(shí)別和標(biāo)記。最終的結(jié)果是兩個(gè)標(biāo)簽中的每個(gè)單獨(dú)的子圖的分配。這意味著，標(biāo)簽C11，C21將被分配給在子圖1中的鏈路，標(biāo)簽C12,C22分配給在子圖2中的鏈路上等等。鏈接標(biāo)記過(guò)程開始通過(guò)定位視盤中心（ODC）使用基于血管方向的自動(dòng)方法，由門多薩等提出25。然后每個(gè)單獨(dú)的子圖，從ODC最遠(yuǎn)鏈路檢測(cè)，并且一個(gè)標(biāo)簽分配給該鏈路（例如C11）;連接到這個(gè)鏈路的節(jié)點(diǎn)被發(fā)現(xiàn)，并且基于在節(jié)點(diǎn)上鍵入其他鏈接標(biāo)記為C11或C21。此過(guò)程重復(fù)所有節(jié)點(diǎn)，直到每個(gè)子圖沒有更多的鏈路。整理單獨(dú)子圖的標(biāo)簽后，我們將重復(fù)這個(gè)過(guò)程用于所有獨(dú)立子圖，每一次定義了兩個(gè)新的標(biāo)簽，直到

25、整個(gè)圖形處理。最后，我們對(duì)每個(gè)不相交的子圖的標(biāo)簽有不同的圖形，如圖7（a），其中每個(gè)顏色表示在一個(gè)單獨(dú)的子圖中的不同的標(biāo)簽。C. A / V分類上述標(biāo)記階段使用的血管的結(jié)構(gòu)信息嵌入在圖形表示?；谶@些標(biāo)簽，最終目標(biāo)是現(xiàn)在要分配給動(dòng)脈類（A）一個(gè)標(biāo)簽，和給靜脈類（V）另一個(gè)標(biāo)簽。為了達(dá)到這個(gè)目的我們添加到結(jié)構(gòu)信息，容器強(qiáng)度信息為了A / V類最終判別。獲得的結(jié)果，很多時(shí)候視網(wǎng)膜圖像被非均勻地照射和呈現(xiàn)局部亮度和對(duì)比度的變化。為了使分類更可信，每個(gè)圖像使用由M. Foracchia等26提出的方法進(jìn)行處理，它根據(jù)所觀察的模型規(guī)圖像的格化光度和對(duì)比度。在背景中亮度和對(duì)比度變化是估計(jì)的，然后用于整個(gè)圖

26、像標(biāo)準(zhǔn)化。對(duì)于每個(gè)中心線像素，在表三中列出的30特征被測(cè)量并歸一化到零均值和單位標(biāo)準(zhǔn)偏差。其中的一些特征被用于先前在13，21。我們已經(jīng)測(cè)試了最常用的分類器，即線性判別分析（LDA），二次判別分析（QDA），和k近鄰（KNN），上INSPIRE-AVR數(shù)據(jù)集。對(duì)于特征選擇，我們已經(jīng)使用連續(xù)正向浮動(dòng)選區(qū)，用空特征集合和添加或刪除功特征開始，提高了分類器的性能。表四示出的基于強(qiáng)度的分類器的性能，使用2倍交叉驗(yàn)證的INSPIRE-AVR圖像數(shù)據(jù)庫(kù)。此表包含所獲得的精確度值當(dāng)這些分類被用于中心線像素分類時(shí)，并且也用于標(biāo)記血管區(qū)段（鏈路）。LDA分類器提供了最好的結(jié)果和入選A / V分類階段，使用一組選

27、定特征（1-2，7，10，12-14，16-17，19-20和23-30）。圖7.（a）圖形分析結(jié)果; （b）A / V分類結(jié)果（紅色：正確的分類動(dòng)脈，藍(lán)色：正確的靜脈分類脈）。表三 每個(gè)中心線像素的特征測(cè)量表編號(hào)特點(diǎn)1-3中心線像素的紅色，綠色和藍(lán)色強(qiáng)度4-6中心線像素的色調(diào)，飽和度的強(qiáng)度7-9血管中的平均紅色，綠色和藍(lán)色強(qiáng)度10-12血管中的平均色調(diào)，飽和度強(qiáng)度13-15血管中紅，綠和藍(lán)強(qiáng)度的標(biāo)準(zhǔn)偏差16-18血管中標(biāo)準(zhǔn)偏差色調(diào)，飽和度和強(qiáng)度19-22血管中最大和最小的紅色與綠色強(qiáng)度23-30高斯模糊中中心線像素紅色和綠色強(qiáng)度（=2，4，8，16）表四 績(jī)效評(píng)估和基于強(qiáng)度的個(gè)人分類器比較（

28、INSPIRE-AVR數(shù)據(jù)庫(kù)）分類器選擇的特征最重要的特征中心線像素的精確度鏈路的標(biāo)記精確度LDANo.1,2,7,10,12-14,16,17,19,20,23-30No.175.2%79.7%QDANo.1-3,7,8,13,14,19,21-23No.173.2%75.9%kNNNo.1-3,7-9,13,14,16,20,23No.1368.3573.0%最后，為了防止圖形分析錯(cuò)誤的分類結(jié)果，我們計(jì)算的是動(dòng)脈或靜脈為每個(gè)單獨(dú)的鏈路的概率。鏈路（li ）記做（Pali）,計(jì)算由Pvli=nliv/(nlia+ nliv) ，靜脈概率Pvli也是由Pvli=nliv/(nlia+ nliv

29、)計(jì)算，其中nlia是鏈路（li ）作為動(dòng)脈的中心線像素的數(shù)目，和nliv是作為靜脈的中心線像素的數(shù)目。如果作為動(dòng)脈的概率高于0.9（Pali 0.9），則鏈路分配為動(dòng)脈，如果Pvli 0.9 則被分配作為靜脈，圖形分析不考慮這個(gè)結(jié)果。給中心線像素分配一個(gè)類的結(jié)果示于圖7（b）。紅色代表動(dòng)脈，藍(lán)色代表靜脈。四 結(jié)果在前面的章節(jié)中所描述的自動(dòng)法在三個(gè)數(shù)據(jù)庫(kù)的圖像進(jìn)行了測(cè)試，驅(qū)動(dòng)器27INSPIRE-AVR 28，和VICAVR 29。在DRIVE數(shù)據(jù)集被測(cè)試的圖像，具有768×584像素， 8位每色平面。40高分辨率圖像在INSPIRE-AVR數(shù)據(jù)庫(kù)擁有2392×2048的分

30、辨率的像素，視盤為中心。最后，將58張圖像使用TOPCON，在VICAVR數(shù)據(jù)庫(kù)中照相機(jī)NW-100模型的空間分辨率的768×584，并且也是視盤為中心。自動(dòng)血管分割在三個(gè)數(shù)據(jù)集的結(jié)果是可用的，并且20個(gè)圖像專家也在驅(qū)動(dòng)測(cè)試集中手動(dòng)進(jìn)行動(dòng)脈/靜脈標(biāo)記，在40圖像的INSPIRE數(shù)據(jù)庫(kù)中。該VICAVR數(shù)據(jù)庫(kù)包括的血管口徑測(cè)定基于在三個(gè)專家的一致標(biāo)記。不同半徑從視盤以及容器式（動(dòng)脈/靜脈）以下小節(jié)對(duì)這些圖像所提出的A / V分類方法數(shù)據(jù)庫(kù)中測(cè)試的結(jié)果。精度值從中心線獲得，血管的像素在整個(gè)圖像中，以及用于象素感興趣區(qū)域（ROI）的區(qū)域是通常被定義為小動(dòng)脈到微靜脈比率的計(jì)算方法;ROI是距

31、離0.51.0視盤直徑環(huán)區(qū)視盤余量10的標(biāo)準(zhǔn)。表五 結(jié)合個(gè)人方法前后的準(zhǔn)確度（INSPIRE-AVR數(shù)據(jù)庫(kù)）方法在完整圖像中的中心線像素在完整圖像中的所有血管像素ROI里的中心線像素在ROI里的所有血管像素半自動(dòng)給子圖手動(dòng)分配標(biāo)簽90.7%92.3%91.4%93.7%自動(dòng)只有LDA79.9%85.0%80.4%86.2%基于圖的組合法LDA84.9%88.3%95.9%91.1%表六 整個(gè)圖像和ROI里的準(zhǔn)確率（INSPIRE-AVR）數(shù)據(jù)庫(kù)血管口徑（vc）在完整圖像中的中心線像素在完整圖像中的所有血管像素ROI里的中心線像素在ROI里的所有血管像素vc>0像素84.9%88.3%85

32、.9%91.1%vc>5像素86.5%88.7%87.9%91.4%vc>10像素89.6%90.5%91.1%92.8%vc>15像素92.6%92.8%95.9%96.2%vc>20像素93.4%93.4%97.1597.2%表七 靈敏度和特異性的值對(duì)比方法INSPIRE-AVRDRIVE靈敏度特異性靈敏度特異性基于圖形0.910.860.900.84Niemeijer（最佳 cut-off）0.780.780.800.80Niemeijer（靈敏度 cut-off）0.910.630.900.67iemeijer（特異性 cut-off）0.600.860.730

33、.84cut-off: ROC曲線上的特定點(diǎn)用于提取的靈敏度和特異性的值A(chǔ). INSPIRE-AVR數(shù)據(jù)集在INSPIRE-AVR數(shù)據(jù)集，我們已經(jīng)使用了2倍交叉驗(yàn)證。隨機(jī)分配圖像給兩個(gè)集合S1和S2，使得這兩組是相同大小的。然后，我們?cè)赟上訓(xùn)練分類器和在S2上測(cè)試它，為了訓(xùn)練LDA分類器，我們從每個(gè)集合隨機(jī)選取15000標(biāo)記中心線像素。提出的A / V分類方法在這個(gè)數(shù)據(jù)庫(kù)的結(jié)果示于圖8。表五顯示了在INSPIREAVR數(shù)據(jù)庫(kù)中個(gè)人LDA分類器血管分類的性能評(píng)估。用結(jié)合LDA的基于圖形的分類方法獲得結(jié)果。分析值顯示，基于圖形的方法與LDA性能優(yōu)于單獨(dú)的LDA分類器的精確度。欲了解更多基于圖形的方

34、法的評(píng)價(jià)，我們考慮一個(gè)半自動(dòng)通過(guò)手動(dòng)給每個(gè)子圖分配標(biāo)簽的A / V類的方法。所獲得的結(jié)果包括表五中的第一行。半自動(dòng)的高精確度法是一個(gè)很好的跡象，對(duì)于鏈路標(biāo)簽結(jié)構(gòu)嵌入在基于圖形的方法的信息是非常重要的。這是通過(guò)上次結(jié)合LDA的基于圖形的方法完成的結(jié)果，僅當(dāng)和LDA比較。為了評(píng)價(jià)所提出的方法，這個(gè)結(jié)合LDA基于圖像的分類方法，我們有計(jì)算中心線像素分類和血管像素分類的準(zhǔn)確性。表六顯示整個(gè)圖像中的中心線和所有血管的像素值的精度，和感興趣區(qū)域（ROI）的區(qū)域內(nèi)的像素。表六中的每行包含計(jì)算不同范圍的血管口徑的精度值。第一行包含所有的血管的結(jié)果，而其余的行呈口徑高于5，10，15和20像素的血管的結(jié)果。我們

35、還計(jì)算在ROI里六大動(dòng)脈和六大靜脈正確分類的百分比，因?yàn)檫@些是用于AVR平常計(jì)算的血管。得到98.0的準(zhǔn)確度值，從而證明所提出的方法用于AVR計(jì)算的自動(dòng)過(guò)程中所提出的A / V分類的方法是可靠的。INSPIRE-AVR圖像上A / V分類結(jié)果，Niemeijer等提出使用一個(gè)接收器算子特征（ROC）曲線。INSPIRE-AVR在ROI內(nèi)的圖像21的血管中心線在該區(qū)域曲線（AUC）下的報(bào)告值是0.84像素?？紤]動(dòng)脈為陰性，靜脈為陽(yáng)性，我們通過(guò)計(jì)算陽(yáng)性比例得到我們的結(jié)果的靈敏度值，而特異性測(cè)量通過(guò)陰性比例定義。為了便于與我們的方法比較，靈敏度和特異性值的結(jié)果從21中 ROC曲線圖形中提取，在曲線上

36、選擇特點(diǎn)的三個(gè)cut-off點(diǎn)后：1）最佳cut-off： （從曲線上的平衡靈敏度和特異性值提?。? 2）靈敏度cut-off（特異性值從該曲線中上一個(gè)點(diǎn)提取，這個(gè)點(diǎn)所處的位置的靈敏度值與我們的方法的結(jié)果相同）; 3）特異性cut-off（靈敏度值從曲線中上的一個(gè)點(diǎn)提取，其中特異性值與我們的方法的結(jié)果完全一致）。靈敏度和特異性值的比較示于表七的第二和第三列。圖8.上排：為INSPIRE-AVR數(shù)據(jù)庫(kù)最佳結(jié)果（準(zhǔn)確度=97.7）。下排：為INSPIRE-AVR數(shù)據(jù)庫(kù)最壞結(jié)果（準(zhǔn)確度=61.2）。（a），（e）原始圖像; （b），（f）分割的結(jié)果; （c），（g）A / V分類結(jié)果; （d），（h）與人工標(biāo)記比較（紅色：正確的動(dòng)脈分類，藍(lán)色：正確靜的脈分類，綠色：錯(cuò)誤的動(dòng)脈分類，棕色：錯(cuò)誤的靜脈分類）。圖9.上排：為DRIVE數(shù)據(jù)庫(kù)的最佳結(jié)果（準(zhǔn)確度=96.1）。下排：為DRIVE數(shù)據(jù)庫(kù)的最壞結(jié)果（準(zhǔn)確度=72.9）。（a），（e）原始圖像; （b），（f）分割的結(jié)果; （c），（g）A / V分類結(jié)果; （d），（h）與人工標(biāo)記比較（紅色：正確的動(dòng)脈分類，藍(lán)色：正確靜的脈分類，綠色：錯(cuò)誤的動(dòng)脈分類，棕色：錯(cuò)誤的靜脈分類）B. DRIVE數(shù)據(jù)集DRIVE數(shù)據(jù)庫(kù)的20個(gè)測(cè)試圖像，主血管中心線像素的分類精確度達(dá)到了87.4（口徑大