基于匹配滤波和形态学处理的视网膜血管分割

范琳琳 程韵 田晓冰

摘要：利用计算机辅助眼底视网膜血管分割结果可作为临床诊断与治疗心血管疾病的重要参考，本文提出了一种基于匹配滤波和形态学处理的方法。首先，构造多方向多尺度的高斯匹配滤波器和计算向量场散度，分别用于提取主血管和细小血管并将两组结果图像叠加;然后，通过判别连通域数量以及形态学处理的方法优化分割图像的连续性。实验使用国际公共数据库DRIVE中的20张眼底图片进行性能分析得到平均精确度Acc达0.9531，平均灵敏度Se达0.7035，平均特异性Sp达0.9763。

关键词：视网膜血管分割;向量场散度;高斯匹配滤波;形态学处理

中图分类号：TP393        文献标识码：A

文章编号：1009-3044（2019）17-0188-03

开放科学（资源服务）标识码（OSID）：

Abstract：The use of computer-assisted retinal vascular segmentation results can be used as an important reference for clinical diagnosis and treatment of cardiovascular diseases. This paper proposes a method based on matched filtering and morphological processing. Firstly， through the multi-directional multi-scale Gaussian matching filter and the appliance of vector field divergence， the main and small blood vessels can be extracted respectively from the original picture. After superimposeing the two set of results， the method will judge the number of connected domains and the morphological processing ，which is used to improve the continuityof the segmentation results. The experiment used 20 fundus images in the international public database DRIVE ，and its average accuracysensitivity， specificity respectively reached 0.9531， 0.7035， 0.9763.

Key words：Retinal vessel segmentation;Vector field divergence;Gaussian filtering algorithm;Morphology processing

大量研究表明，人类眼底血管生理特征与诸如高血压、糖尿病等重大疾病密切相关，因此眼底血管状态信息为疾病筛查与诊治提供了重要的临床参考[1-6]。由于眼底血管结构的多样性，其图像具有亮度分布不均、對比度低等特点，目前没有一种能完全适用于所有眼底图像分割的标准方法。例如，曹等[2]摒弃固定阈值分割，提出一种由眼底图像中灰度与对比度的分布特征自动决定分割阈值的方法;王等[3]通过高斯曲线拟合小波变换来确定像素直方图的生长阈值;Lam等[4]使用向量场散度归一化处理来分割血管和背景;Hu等[5]基于卷积神经网络和交叉熵损失函数来计算概率图，应用全连通条件随机场获得眼底图像的最终二进制分割;Li等[6]提出一种广深神经网络对转换进行建模，具有很高的准确率和鲁棒性，但算法复杂度较高，训练过程较为困难。

本文主要针对眼底图像中粗细血管分割，提出一种基于匹配滤波和形态学处理的视网膜血管分割方法。首先，以绿色通道下的灰度图像为初始对象，使用高斯滤波器提取主血管;然后，与在多个方向利用归一化向量场散度提取细血管的中心线图像叠加;最后，运用连通域补足的方法补回一些被误分割的细小血管和交叉点，提高血管分割的准确性。

1 眼底视网膜血管分割方法

1.1 图像增强预处理

首先，本文对原始彩色视网膜血管图像中绿色通道分量下的图像进行灰度化、掩模提取ROI、中值滤波去噪以及限制对比度直方图均衡化等操作，实现去噪和增强图像目标和背景区域对比度，其效果图1所示。

1.2高斯滤波器

为了提取增强图像中的主血管，本文引入文献[7]中的Gauss滤波器模型：

其中x，y代表血管上像素点的坐标，σ代表血管的尺度大小，L代表分段血管长度，[θ]代表血管在任意方向上生长时的偏转角度。

第一步：选取尺度σ在1.5-3范围内的高斯滤波器对血管进行拟合;设计从0°到180°每相隔15°旋转一次（[θ=0°，15°，…，180°]）12个方向的滤波器。

第二步：将所有方向上的滤波器与眼底图像分别进行卷积，并在每个像素处保留其响应最大值。

第三步：选取适当的全局阈值对图像进行分割以提取主血管区域。

其效果如图2所示，可以观察到，在σ=1.5和σ=1.8叠加的情况下，图像噪声得到有效控制。

1.3基于向量场散度的中心线提取

本文基于文献[8]的向量场和散度提取增强图像中的中心线，其具体流程如下：

第一步：选择σ=1的高斯滤波器对增强后的图像进行处理，如图3（a）所示;设该图像为[h（x，y，σ2）]，求得梯度向量场F为：

第二步：对图像[h（x，y，σ2）]的梯度向量场F进行归一化处理，如图3（b）;

一尺度下10个不同方向（[θ=kπ9，k=0，1，…，9]）上的散度值为：

第四步：如果[divF>0.55]，则为血管区域，否则为背景区域;删除分割得到的图像中面积小于75像素点的区域，如图3（c）所示;

第五步：将10个方向的提取结果进行叠加，得到如图3（d）所示的完整中心线;

最后，将高斯滤波提取的主血管分割图和中心线提取部分细小血管的分割图叠加，去除边界后得到较为完整的眼底图像分割图，如图3（e）所示。

1.4 图像后处理

为了将主血管和细小血管合并，本文引入形态学处理方法[9]，假设分割操作后叠加的图像Im，较为完整的血管连续性的结果图像为Ie，用于补回去噪后的血管中的原有位置连通域集合为Ic，分割前连通域数量为m，分割后连通域数量为n，其具体操作流程如下：

第一步：首先对Im细化，再用3*3模板膨胀，最后在8邻域内被1包围的0用形态学填充为1;

第二步：重复上一步操作，直到获得Ie;

第三步：Ic=Ie-（Im∩Ie） ;

第四步：将Ic在8邻域内补回并比较m、n。当m>n时，证明该区域是被错误地判断为噪声的点，需要补回到相应位置; 当m

2 实验结果与分析

本文实验环境为：内存4G、Windows 7的计算机;编程语言为Matlab 2014。从国际公开的彩色眼底图像标准数据库DRIVE中选择20幅眼底图像作为输入，统计准确度、灵敏度、和特异性三个指标，并与两位专家手动分割结果和文献[10]算法结果进行对比分析。

（1）分割效果

测试集中2位专家的手动分割图作为评价本实验结果性能的标准，得到分割对比效果见图4。

从图4（e）中可以看出，其视网膜血管的形状没有得到很好的保留且缺少细小血管的信息。与其相比，本文算法在提取血管中心线时，通过设置合适的参数并经连通域补回，整个视网膜血管的结构性和连通性有了明显的提高。

（2）性能分析

从表1、表2可知，本文方法与专家二的手动分割图比对得到的平均灵敏性达到0.7035，最大灵敏性达到0.7924，说明本文算法适用于绝大部分的眼底图片，并能取得比较好的分割结果。

3 结语

本文提出的方法，结合了眼底图像中视网膜血管横截面的像素分布特征，进行了高斯曲线拟合较好地提取出主血管区域，避免了直接用散度提取主血管区域而导致结果图像中血管宽度不均匀的问题;利用基于归一化向量场散度方法在有效排除噪声和病灶影响的同时，提取出具有细小血管的中心线;后处理过程中，基于连通域补足的方法修补了被当作噪声消除的细小血管，使提取的血管更加平滑、更具连续性。大量实验数据表明，本文算法的准确度和特异性达到较高水平;另外，本文算法运行耗时短，满足诊断的便捷性要求。

参考文献：

[1] Abràmoff M D， Garvin M K， Sonka M. Retinal imaging and image analysis[J]. IEEE Reviews in Biomedical Engineering， 2010（3）： 169-208.

[2] 曹新容，薛岚燕，林嘉雯，等.基于匹配滤波和自动阈值的眼底血管分割方法[J].电子测量与仪器学报，2017，31（1）：51-57.

[3] 王晓红， 赵于前， 廖苗， 等. 基于多尺度2D Gabor小波的视网膜血管自动分割[J]. 自动化学报， 2015， 41（5）： 970-980

[4] B. S. Y. Lam， Hong Yan. A novel vessel segmentation algorithm for pathological retinal images based on the divergence of vector fields [J]. IEEE Transactions on Medical Imaging，2008， 2（27）： 237-246.

[5] KaiHu，Zhen zhen Zhang，Xiao rui，et al. Retinal vessel segmentation of color fundus images using multiscale convolutional neural network with an improved cross-entropy loss function.[J].Neurocomputing，2018，209（2）：179-191.

[6] Qiaoliang Li，Bowei Feng，LinPei Xie，et al.A Cross-Modality Learning Approach for Vessel Segmentation in Retinal Images[J].IEEE Transactions on Medical Imaging，2016，35（1）：109-118.

[7] S. Chaudhuri， S. Chatterjee， N. Katz， et al. Goldbaum， Detection of blood vessels in retinal images using two dimensional matched filters， IEEE Trans. Med. Imaging 8 （3） （1989） 263-269.

[8] 高旭. 眼底圖像血管分割方法研究与实现[D].中南大学，2014：18-21.

[9] 朱承璋，崔锦恺，邹北骥，等.基于多特征融合和随机森林的视网膜血管分割[J].计算机辅助设计与图形学报，2017，29（4）：589.

[10] 王昕，张歆雅，李颖昉.视网膜血管分割算法研究[J].吉林大学学报（信息科学版），2016，34（5）：588.

【通联编辑：唐一东】