血管セグメンテーション

はじめに

網膜は、他のオブジェクトと同様に、独自の特性を持っています。 その主な特徴は、血管、光ディスク、黄斑部です（図1）。


図 1.網膜の構造

通常、認証は血管または血管に関連付けられた機能のみを比較します。血管の一意性は簡単に区別できるためです。 ディスクは比較用の追加パラメーターとしてのみ使用できますが、これはほとんど使用されません。 黄斑部は認証目的にはまったく使用されません。

血管セグメンテーション

セグメンテーションを開始する前に、より正確な結果を得るには、背景とセグメント化されたオブジェクトのコントラストを改善する必要があります。

平均フィルターで背景を削除する

血管のセグメンテーションを簡素化するために、最初に背景が削除されます。 これは、平滑化された平均画像フィルターから元の画像を減算することにより行われます。 フィルターウィンドウの大きさは、ピクセル単位の最大血管厚に等しく選択されます。

円の境界を削除するには、しきい値変換と形態的開口部を使用してマスクを計算し（図4）、前のステップで取得した画像から減算します。 次に、claheが再度適用されます。 結果を図に示します。 5。


図 4.網膜マスク


図 5.背景を削除します（左側-フィルター処理の平均結果、右側-減算およびクレーハ後）

さらに、大津法による自動閾値変換、中央値フィルター、長さによるフィルターが適用されます。 セグメンテーションアルゴリズムの結果と標準を図に示します。 6。

便宜上、このセグメンテーションアルゴリズムとバックグラウンド除去アルゴリズムは両方ともバックグラウンド除外と呼ばれます。


図 6.セグメンテーション結果（左側はアルゴリズムの結果、右側は専門家が手動でマークした標準です）

ガボールフィルター

このセグメンテーション方法は、一連のガボールフィルターの使用に基づいています。 このフィルターの特徴は、特定のサイズで特定の角度の直線を強調表示できることです。
このフィルターの実際の部分は次のとおりです。


どこで

• 
• 
• 、 -所定の制限内の核の座標。
• -ピクセル単位のカーネル期間。
• -コアスロープ;
• -ガウス分散。
• -コア位相シフト。
• -ガウスの圧縮。

したがって、血管を分離するには、コアのさまざまな傾斜角でガボールフィルターを適用し、一連のフィルターに対する各ピクセルの最大応答を計算する必要があります。

図に見られるように 7、ほとんどのノイズは消えましたが、光ディスク、背景、黄斑部はまだ残っていました。 これらを除外するには、一連のガボールフィルターの前に、前のセクションと同じパラメーターで背景を削除するアルゴリズムが使用されます。 結果を図に示します。 8。


図 7.ガボールフィルター（左側はclahe後の元の画像、右側は一連のガボールフィルターを適用した結果）


図 8.バックグラウンド除去+ガボールフィルター（左側はバックグラウンド除外アルゴリズムを使用して取得した元の画像、右側は一連のガボールフィルターを適用した結果）

アルゴリズムの次のステップは、しきい値変換です。
Otsuメソッドでより正確なセグメンテーション結果を表示するには、背景であるすべての色を1つの色に変換する必要があります。 これを行うには、図の右側の画像のヒストグラムを考慮してください。 8（図9）：


図 9.一連のガボールフィルターを使用して取得した画像のヒストグラム

グラフは、ピクセルのピーク数が灰色の背景にあることを示しています。 したがって、色がピークの右側にあるピクセルは、別の色で再描画できます。 ただし、セグメント化された画像には少しのノイズが残っています。 これを解消するには、しきい値変換の境界をピークから左にシフトします。

0〜100のアルゴリズムの感度パラメーターを導入します。しきい値の色境界は最も近い色であり、そのピクセル数はピークの左側の感度パラメーターの値を超えません。 見つかった値は、境界線の右側にあるピクセルの強度の新しい値になります。 結果を図に示します。 10。


図 10.画像強度のしきい値変換（左側は感度パラメーターに従ってピクセルを再描画した後に得られた元の画像、右側は大津法の結果）

実装では、ガボールフィルターが次のパラメーターと共に使用されました。

• コアサイズ-15 x 15;
• -4;
• -10刻みで0〜170度。
• -1;
• -0;
• -0.15。

上記のパラメーターは、DRIVEデータベース用に選択されました。

セグメンテーションアルゴリズムのテスト

このアルゴリズムは、DRIVEとSTAREの2つのデータベースでテストされました。 最初のデータベースは、Canon CR5カメラで24ビット色空間、解像度565 x 584で取得した40枚の画像で構成されています。2番目のデータベースは、24ビット色空間でc 700 x 605の解像度：両方のデータベースは、血管セグメンテーション標準の手動でラベル付けされた専門家を提供します。

アルゴリズムのパフォーマンスパラメータ：

• Pは、血管に対応するピクセル数です。
• Nは、背景に対応するピクセル数です。
• TP-血管の一部であり、血管のピクセルとして定義されているピクセルの数。
• TN-血管の一部ではなく、背景として定義されているピクセルの数。
• FP-血管の一部ではなく、血管のピクセルとして定義されているピクセルの数。
• FN-血管の一部であり、背景として定義されているピクセルの数。
• 感度= TP /（TP + FN）;
• 特異性= TN /（TN + FP）;
• 精度=（TP + TN）/（P + N）。

DRIVEデータベースを使用したさまざまな血管セグメンテーションアルゴリズムの有効性

セグメンテーション方法	精度	感度	特異性
人間の観察者	0.9473	0.7761	0.9725
Staal et al。	0.9442	0.7345	0.9773
ニーメイジャー等。	0.9416	0.7145	0.9801
ザナとクライン	0.9377	0.6971	0.9769
江とモジョン	0.9212	0.6399	0.9625
ヴラコスとデルマタス	0.9285	0.7468	0.9551
ワング他	0.9461	N / a	N / a
マルチネス・ペレス等。	0.9181	0.6389	0.9496
シュパックとタパモ	0.9299	N / a	N / a
Chaudhuri等。	0.8773	0.3357	0.9794
ソアレス等。	0.9466	N / a	N / a
アクラムとカーン	0.9469	N / a	N / a
メンドンカとカンピーリョ	0.9463	0.7315	N / a
マリンら。	0.9452	0.7067	0.9801
リッチとパフェティ	0.9595	N / a	N / a
シャオ他	0.9529	0.7513	0.9792
陰ら。	0.9267	0.6522	0.9710
チャクラボルティ等。	0.9370	0.7205	0.9579
バックグラウンド除外	0.9501	0.7183	0.9722
バックグラウンド除外+ガボール	0.9580	0.7174	0.9809

STAREに基づくさまざまな血管セグメンテーションアルゴリズムの有効性

セグメンテーション方法	精度	感度	特異性
人間の観察者	0.9354	0.8949	N / a
フーバー	0.9275	0.6751	0.9567
Staal et al。	0.9516	0.6970	N / a
江とモジョン	0.9009	N / a	N / a
マリンら。	0.9526	0.6944	0.9819
リッチとパフェティ	0.9584	N / a	N / a
ソアレス等。	0.9480	N / a	N / a
アクラムとカーン	0.9502	N / a	N / a
ワング他	0.9521	N / a	N / a
メンドンカとカンピーリョ	0.9479	0.7123	N / a
シャオ他	0.9476	0.7147	0.9735
陰ら。	0.9412	0.7248	0.9666
チャクラボルティ等。	0.9379	0.6786	0.9586
バックグラウンド除外	0.9562	0.7379	0.9742
バックグラウンド除外+ガボール	0.9381	0.7918	0.9502

使用されたソースと文献のリスト

• Marwan D. Saleh、C。Eswaran、およびAhmed Mueen。 ヒストグラム均等化と自動しきい値選択を使用した自動血管セグメンテーションアルゴリズム// Journal of Digital Imaging、Vol 24、No 4（8月）、2011年、pp 564-572
• PC Siddalingaswamy、K。Gopalakrishna Prabhu。 網膜画像における複数の配向血管の自動検出// J. Biomedical Science and Engineering、2010、3、pp 101-107
• www.isi.uu.nl/Research/Databases/DRIVE
• www.ces.clemson.edu/~ahoover/stare

一致する機能の続き