Hemorrhage detection in fundus image based on 2D Gaussian fitting and human visual characteristics

Hemorrhage detection in fundus image based on 2D Gaussian fitting and human visual characteristics

（基于二维高斯拟合与人类视觉特征的眼底图像出血检测）

作者： Jun Wu, Shihao Zhang, Zhitao Xiao, Fang Zhang, Lei Geng, Shiliang Lou, Mengjia Liu

作者机构： 天津工业大学，电子与信息工程学院，天津市光电检测技术与系统重点实验室

论文搜索地址： http://apps.webofknowledge.com/full_record.do?product=UA&search_mode=GeneralSearch&qid=2&SID=5BYbYtzIecfRApCoVuB&page=1&doc=8&cacheurlFromRightClick=no

1. 摘要

出血是糖尿病视网膜病变的早期症状之一，准确的出血检测对建立糖尿病视网膜病变自动筛查系统具有重要意义。
该文提出了一种基于二维高斯拟合和人眼视觉特征的方法。首先，利用亮度校正和对比度有限的自适应直方图均衡化对原始彩色眼底图像进行预处理。其次，基于背景估计和分水岭分割提取候选出血。再次，利用二维高斯拟合和人体视觉特征提取候选出血的视觉特征。最后根据视觉特征从候选出血中提取出血。
该方法在DIARETDB数据库中的219幅眼底图像进行了测试。实验结果显示，图像层面出血的总体平均敏感性、特异性和准确性分别为100%、82%和95.42%，病变层面出血的总体平均敏感性和阳性预测值分别为94.01%和90.30%。结果表明，该方法能够实现眼底图像出血的自动检测，具有较高的准确性。

2. 介绍

2.1 DR检测的技术方法

目前常用的DR检测方法有：检眼镜检查（ophthalmoscopy ），彩色眼底图（fundus color photography ）和荧光素眼底血管造影术（fluorescein fundus angiography，FFA）。
其中，彩色眼底图具有便宜，无药物过敏担忧，易于记录和保存等特点，是眼科医师人为最适合DR筛查的方法。

2.2 出血检测的方法

• 模型匹配（template matching based method）
  Bae等人¹提出了一种基于归一化互相关联模模型匹配的出血检测方法；Gao等人²改进了Bae方法，采用多模型匹配；肖等人³基于自适应模型匹配检测出血。
• 分类器方法（classifier-based method）
  Sirajudeen等人⁴使用局部二值模式(LBP)和支持向量机(SVM)自动检测出血；Caramihale等人⁵使用K- means聚类算法和人工神经网络用于出血检测；Santhakumar等人⁶使用支持向量机来预测潜在的病变和生成的分类器模型检测出血。
• 特征分析方法（feature analysis-based method）
  Ashraf等人⁷采用纹理特征检测出血;Ganguly等人采用自适应阈值法检测红色病灶；Pandey等人采用形状特征检测红色病灶。
• 混合方法
  Mane等人⁸基于模型匹配和SVM检测红色病灶；Hashim等人⁹基于haralick纹理特征、SVM和多层感知器(MLP)检测出血。

上述所说方法多少都存在假阳性率高、假阴性率高的缺点：
    基于模板匹配的方法是基于出血的大小和形状，并不适用于所有出血，因为出血通常没有固定的大小和形状；
    基于机器学习的方法具有较高的计算复杂度；
    基于特征分析的方法仅针对出血的一个或几个特征，鲁棒性较差

• 图像对比度增强方法
  Zhou Q等人¹⁰设计了一个多尺度深度上下文卷积网络(MDCCNet)；
  柔性分割图(FSG)¹¹表示方法，用于多尺度视觉环境的场景标记问题；
  基于对象的注意力模型方法¹²，利用与“背景原型”的对比来预测视觉显著性；
  利用图像去雾增强水下图像的方法¹³：增强图像的特点是降低了噪音水平，黑暗区域的曝光更好，改善了全局对比度，同时最精细的细节和边缘得到了显著增强；
  Lu H等人¹⁴提出了一种基于快速水平集模型的强度不均匀校正方法和一种基于光谱特性的颜色校正方法；
  利用深度估计的深度卷积神经网络，解决了光场图像的去散射¹⁵问题；
  强化学习¹⁶、脑智能¹⁷和深度对抗性度量学习¹⁸都可以可以帮助改善出血检测。

3 研究方法

该方法基于二维高斯拟合和人眼视觉特征。

• 首先，采用亮度校正、通道提取和对比度自适应直方图均衡化方法对原始彩色眼底图像进行预处理，提高出血与背景的对比度。
• 其次，利用背景估计来消除背景的影响，利用分水岭变换提取候选出血，避免漏检。
• 然后，利用二维高斯拟合代替传统的模板匹配来估计候选对象的高斯特征，然后根据高斯特征提取出血、血管碎片、背景突变、噪声等不同结构的视觉特征。
• 最后根据视觉特征从候选出血中去除血管碎片、背景突变和噪声，得到真实出血。

参考文献

---

1. J.P. Bae, K.G. Kim, H.C. Kang, C.B. Jeong, K.H. Park, J.M. Hwang, A study on hemorrhage detection using hybrid method in fundus images, J. Digit. Imaging 24 (3) (2011) 394. ↩︎

2. W.W. Gao, J.X. Shen, Y.L. Wang, C. Liang, J. Zuo, Algorithm of locally adaptive region growing based on multi-template matching applied to automated detection of hemorrhages, Spectrosc. Spect. Anal. 33 (2) (2013) 448–453. ↩︎

3. Z.T. Xiao, B.F. Zhao, F. Zhang, L. Geng, J. Wu, W. Wang, et al., Hemorrhages detection in fundus image based on k-means clustering and adaptive template matching, Chin. J. Biomed. Eng. 34 (3) (2015) 264–271. ↩︎

4. A. Sirajudeen, M. Ezhilarasi, Multi-scale LBP and SVM classification to identify diabetic retinopathy in lesions, Curr. Med. Imag. Rev. 11 (1) (2015) 527–538. ↩︎

5. T. Caramihale, P. Dan, L. Ichim, Detection of regions of interest in retinal images using artificial neural networks and K-means clustering, in: IEEE. ICECOM: 22nd International Conference on Applied Electromagnetics and Communications; 2016 Sep 19–21; Dubrovnik, CROATIA. IEEE, 345 E 47TH ST, NEW YORK, NY 10017 USA; 2016. pp. 1–6. ↩︎

6. R. Santhakumar, M. Tandur, E.R. Rajkumar, K.S. Geetha, G. Haritz, K.T. Rajamani, Machine learning algorithm for retinal image analysis, in: IEEE. TENCON: Region 10 Conference; 2016 Nov 22–25; Singapore. IEEE, 345 E 47TH ST, NEW YORK, NY 10017 USA; 2016. pp. 1236–1240. ↩︎

7. M.N. Ashraf, Z. Habib, M. Hussain, Texture feature analysis of digital fundus images for early detection of diabetic retinopathy, in: E. Banissi, M. Sarfraz (Eds.), CGIV: 11th International Conference on Computer Graphics, Imaging and Visualization – New Techniques and Trends; 2014 Aug 06–08; Singapore. IEEE, 345 E 47TH ST, NEW YORK, NY 10017 USA; 2014. pp. 57–62. ↩︎

8. V.M. Mane, R.B. Kawadiwale, D.V. Jadhav, Detection of red lesions in diabetic retinopathy affected fundus images, in: IEEE. IACC: International Advance Computing Conference; 2015 Jun 12–13; Bangalore, India. IEEE, 345 E 47TH ST, NEW YORK, NY 10017 USA; 2015. pp. 56–60. ↩︎

9. M.F. Hashim, S.Z.M. Hashim, Diabetic retinopathy lesion detection using region-based approach, in: MySEC: 8th Malaysian Software Engineering Conference; 2014 Sep 23–24; Langkawi, Malaysia. IEEE, Piscataway, NJ, USA; 2014. pp. 306–310. ↩︎

10. Q. Zhou, W. Yang, G. Gao, et al., Multi-scale deep context convolutional neural networks for semantic segmentation, World Wide Web-internet Web Inform. Syst. 7 (2018) 1–16. ↩︎

11. Q. Zhou, B. Zheng, W. Zhu, et al., Multi-scale context for scene labeling via flexible segmentation graph, Pattern Recogn. 59 © (2016) 312–324. ↩︎

12. Q. Zhou, Object-based attention: saliency detection using contrast via background prototypes, Electron. Lett. 50 (14) (2014) 997–999. ↩︎

13. S. Serikawa, H. Lu, Underwater Image Dehazing Using Joint Trilateral Filter, Pergamon Press, Inc., 2014, pp. 41–50. ↩︎

14. H. Lu, B. Li, J. Zhu, et al., Wound intensity correction and segmentation with convolutional neural networks, Concurr. Comput. Pract. Exp. 29 (6) (2017). ↩︎

15. H. Lu, Y. Li, T. Uemura, et al., Low illumination underwater light field images reconstruction using deep convolutional neural networks, Future Gener. Comput. Syst. 82 (2018). ↩︎

16. H. Lu, Y. Li, S. Mu, et al., Motor anomaly detection for unmanned aerial vehicles using reinforcement learning, IEEE Int. Things J. PP (99) (2017), 1-1. ↩︎

17. H. Lu, Y. Li, M. Chen, et al., Brain intelligence: go beyond artificial intelligence, Mob. Netw. Appl. 23 (2) (2017) 368–375. ↩︎

18. X. Xu, L. He, H. Lu, et al., Deep adversarial metric learning for cross-modal retrieval, World Wide Web-internet Web Inform. Syst. (2018) 1–16. ↩︎