眼底图像病变识别

眼底图像的病变识别

1. 原理阐述

1. 1前言

眼底病变包括了视网膜，脉络膜，视神经及玻璃体的炎症，肿瘤，各类血管的病变，各种变性疾病及多系统疾病引起的眼部病变。不仅种类繁多，而且对视功能损害较大。目前常见而又影响视功能的眼底疾病有糖尿病视网膜病变，老年性黄斑病变，视网膜静脉阻塞等等。

基于以上眼底图像对于疾病的诊断的意义，本文章结合了正常和病态的眼底图像各50幅，采用模式识别的方法先对两种图像各25幅加以训练，并进行特征值提取，在使用剩余的图像进行分类方法的评估，本文意在运用模式识别方法在医学领域应用。 1. 2流程说明

本次模式识别的过程是：有已知样本情况的监督模式识别

图1 监督模式识别的流程图

对于图像的预处理主要分成两个步骤：无效区域的填充和图像的对比度增强。

图2 图像的预处理的流程图

对于所给的病变图像，有部分的图像边沿是无效的黑色，这对于下一步对比度增强会带来影响，另外，在图像的特征提取上也会造成影响。如果前期部进行处理，那么，后期的分离器中则需要加入判断结构对无效区域的识别，这无疑增加特征提取的运行时间。

因此，这里采用了一种简单的方法对向区域填充图像的R 、G 、B 均值。做法是先读取有效的R 、G 、B 值，并存入数组，下一步将对数组中的值求平均即可得到该图像有效R 、G 、B 的平均值，在向无效区域填充即可。

图3 无效填充前图4 无效填充后接下来，对图像的处理是：对比度增强。由于拍照的光线对眼底图像质量起着重要作用，因此，对于明场和暗场下的蛋白质与血液的成像都有所不同，为了增强二者在图像中的识别度，采用的是Retinex图像增强的方法，设置蛋白质和血液通道，分别对R、G、B的标准差进行设定，进而得到预处理后的图像。然后，再对图像的蛋白质和血液筛选，形成25*2的特征矩阵。

图5 特征提取和选择

图6 经过蛋白质通道前图7经过蛋白质通道前

图8 经过血液通道前图9 经过血液通道后

然后将训练集的数据进行整合，使用三种分类器（分别是最小距离分类器、Fisher线性分类器、二次分类器）进行训练。

图10 分类器的训练

最后将测试图像也进行相应的预处理和特征提取，最后输入到训练好的分类器中，进行判别，输出正确率、灵敏度和运行时间，进而对分类器的结果进行评估。

训练后

图11分类器的测试

2.代码实现2. 1主程序部分：

2. 2无效区域的填充：

2．3 Retinex对比度增强与特征提取：

2. 3. 1 蛋白质通道

function x=blood_channel(f)

fr=f(:, :, 1); fg=f(:, :, 2); fb=f(:, :, 3);%RGB通道

mr=mat2gray(im2double(fr)); mg=mat2gray(im2double(fg)); mb=mat2gray(im2double(fb));%数据类型归一化

alf1=600; %定义标准差

n=51;%定义模板大小

n1=floor((n+1)/2);%计算中心

for i=1:n

for j=1:n

b(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf1))/(pi*alf1); %高斯函数

end

end

nr1 = imfilter(mr,b,'conv', 'replicate');ng1 = imfilter(mg,b,'conv', 'replicate');nb1 = imfilter(mb,b,'conv', 'replicate');%卷积滤波

ur1=log(nr1); ug1=log(ng1); ub1=log(nb1);

tr1=log(mr);tg1=log(mg);tb1=log(mb);

yr1=(tr1-ur1)/3;yg1=(tg1-ug1)/3;yb1=(tb1-ub1)/3;

alf2=600; %定义标准差

for i=1:n

for j=1:n

a(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf2))/(6*pi*alf2); %高斯函数

end

end

nr2 = imfilter(mr,a,'conv', 'replicate');ng2 = imfilter(mg,a,'conv', 'replicate');nb2 = imfilter(mb,a,'conv', 'replicate');%卷积滤波

ur2=log(nr2); ug2=log(ng2); ub2=log(nb2);

tr2=log(mr);tg2=log(mg);tb2=log(mb);

yr2=(tr2-ur2)/3;yg2=(tg2-ug2)/3;yb2=(tb2-ub2)/3;

alf3=100; %定义标准差

for i=1:n

for j=1:n

e(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf3))/(4*pi*alf3); %高斯函数

end

end

nr3 = imfilter(mr,e,'conv', 'replicate');ng3 = imfilter(mg,e,'conv', 'replicate');nb3 = imfilter(mb,e,'conv', 'replicate');%卷积滤波

ur3=log(nr3); ug3=log(ng3); ub3=log(nb3);

tr3=log(mr);tg3=log(mg);tb3=log(mb);

yr3=(tr3-ur3)/3;yg3=(tg3-ug3)/3;yb3=(tb3-ub3)/3;

dr=yr1+yr2+yr3;dg=yg1+yg2+yg3;db=yb1+yb2+yb3;

cr=im2uint8(dr); cg=im2uint8(dg); cb=im2uint8(db);

z=cat(3, cr, cg, cb);

%figure, imshow(z);

pr=z(:, :, 1); pg=z(:, :, 2); pb=z(:, :, 3);%RGB通道

blo_ture=0;

bg_plus=0;

N=101;

for j=1:N %列

for i=1:N %行

if(pb(i,j)==0)

if((pg(i,j)<40)&&(pr(i,j)>pg(i,j)))

blo_ture=blo_ture+1;

end

end%血液特征一

if(pg(i,j)==0)

if(pb(i,j)>pr(i,j))

blo_ture=blo_ture+1;

end

end%血液特征二

if((pr(i,j)>80)&&(pr(i,j)<100))

if((pg(i,j)>20)&&(pg(i,j)<90))

if((pb(i,j)>100)&&(pb(i,j)<130))

blo_ture=blo_ture+5;

end

end

end%血液特征三

if((pr(i,j)>140)&&(pr(i,j)<150))

if((pg(i,j)>140)&&(pg(i,j)<150))

if((pb(i,j)>180)&&(pb(i,j)<255))

bg_plus=bg_plus+1;

end

end

end%灰色特征一

if((pr(i,j)>140))

if((pg(i,j)>140))

if((pb(i,j)==0))

bg_plus=bg_plus+1;

end

end

end%黄色特征一

end

end

add_mark=floor(bg_plus*1000/(101*101));

if((add_mark<120)&&(add_mark>90))

x=blo_ture+add_mark;

else

x=blo_ture;

end

3. 3. 2 血液通道

function x=protein_channel(f)

fr=f(:, :, 1); fg=f(:, :, 2); fb=f(:, :, 3);%RGB通道

mr=mat2gray(im2double(fr)); mg=mat2gray(im2double(fg)); mb=mat2gray(im2double(fb));%数据类型归一化

alf1=100; %定义标准差alf=a^2/2 a=54

n=51;%定义模板大小

n1=floor((n+1)/2);%计算中心

for i=1:n

for j=1:n

b(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf1))/(pi*alf1); %高斯函数

end

end

nr1 = imfilter(mr,b,'conv', 'replicate');ng1 = imfilter(mg,b,'conv', 'replicate');nb1 = imfilter(mb,b,'conv', 'replicate');%卷积滤波

ur1=log(nr1); ug1=log(ng1); ub1=log(nb1);

tr1=log(mr);tg1=log(mg);tb1=log(mb);

yr1=(tr1-ur1)/3;yg1=(tg1-ug1)/3;yb1=(tb1-ub1)/3;

alf2=100; %定义标准差alf=a^2/2 a=10.3325

x1=floor((n+1)/2);%计算中心

for i=1:n

for j=1:n

a(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf2))/(6*pi*alf2); %高斯函数

end

end

nr2 = imfilter(mr,a,'conv', 'replicate');ng2 = imfilter(mg,a,'conv', 'replicate');nb2 = imfilter(mb,a,'conv', 'replicate');%卷积滤波

ur2=log(nr2); ug2=log(ng2); ub2=log(nb2);

tr2=log(mr);tg2=log(mg);tb2=log(mb);

yr2=(tr2-ur2)/3;yg2=(tg2-ug2)/3;yb2=(tb2-ub2)/3;

alf3=100; %定义标准差alf=a^2/2 a=167

l1=floor((n+1)/2);%计算中心

for i=1:n

for j=1:n

e(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf3))/(4*pi*alf3); %高斯函数

end

end

nr3 = imfilter(mr,e,'conv', 'replicate');ng3 = imfilter(mg,e,'conv', 'replicate');nb3 = imfilter(mb,e,'conv', 'replicate');%卷积滤波

ur3=log(nr3); ug3=log(ng3); ub3=log(nb3);

tr3=log(mr);tg3=log(mg);tb3=log(mb);

yr3=(tr3-ur3)/3;yg3=(tg3-ug3)/3;yb3=(tb3-ub3)/3;

dr=yr1+yr2+yr3;dg=yg1+yg2+yg3;db=yb1+yb2+yb3;

cr=im2uint8(dr); cg=im2uint8(dg); cb=im2uint8(db);

z=cat(3, cr, cg, cb);

pr=z(:, :, 1); pg=z(:, :, 2); pb=z(:, :, 3);%RGB通道

pro_ture=0;

N=101;

for j=1:N %列

for i=1:N %行

if((pg(i,j)>70)&&(pg(i,j)<80))

if((pr(i,j)>10)&&(pb(i,j)>55))

pro_ture=pro_ture+1;

end

end

if(pg(i,j)>=80)

if((pr(i,j)>45)&&(pb(i,j)>70))

pro_ture=pro_ture+1;

end

end

end

end

x=pro_ture;

3. 4 分类器测试：

3. 4. 1最小距离分类器

4.结果说明

4. 1训练参数

图 12 训练参数分布图

从图上可以看出对于蛋白质的病变识别效果较好，因为表示蛋白质的数据（Y轴上的数据）的间类离散度大，反之，对于血管破裂的情况就比较难区分，表示血液的数据（x轴上的数据）的间类离散度小。但是从图像上可以看出，血管的正常值基本分布在400~800之间。

4. 2 测试时间

前期处理数据的时间：

Elapsed time is 5.708662 seconds.

分次运行分类器时间：

4. 3 测试结果

评价项目最小距离分类器Fisher分类器二次分类器

正确率0.68 0.76 0.74

真阳性0.76 0.68 0.76

假阴性0.24 0.32 0.24

假阳性0.40 0.16 0.28

真阴性0.60 0.84 0.72

耗时（s）0.4 0.42 0.45

4.4 总结

对于采用的三种分类器而言，Fisher线性分类器达到了最好的正确率有76%，而其余两者分别是68%和74%。但是，对于假阴性的判别中Fisher的错误率也是最高的，达到了32%，而最小距离分类器和二次分离器是都在24%。将这两项评价因素作为分类器的评价，那么二次分类分类器应该是得分最高的。因此，采用这种思想进行眼底图像的识别的时候，采用二次分类器应该是比较好的。

实验的耗时基本在数据处理部分，而后的分类器中耗时却近乎相同，但对与大数据而言最小距离分类器则会占优。

在此项作业中，我遵循了监督模式识别的步骤，在每一步中都为最后能得到最好的结果而做出努力。在这个过程中，我将课堂上和课后所学习的模式识别的知识，运用到了此项作业中，加深了我对各种分类器的思想和图像预处理及特征提取的方法。在此的特征提取方法比较简单，对于血液的渗出和基本的血管像素的分辨不高，这是造成最后准确率不高的主要原因。

通过一个学期的学习，让我知道当下模式识别的基本方法和过程，通过此次大作业，我提高了对于医学图像识别的实践能力。