視盤的快速定位與邊緣分割是計算機輔助診斷的重要研究課題。本研究提出了一種有效的視盤分割新方法，將人眼視覺特性引入眼底圖像的分析與處理。本文提出的這一方法充分考慮視盤在眼底圖像中的形態特征，通過快速定位感興趣區域，同時融合視盤的亮度、顏色和空間分布等視覺顯著性特征，生成了基于像素距離的顯著性圖，并應用自適應閾值分割視盤。在此基礎上，進一步提出旋轉掃描方法，以減少血管對視盤完整性的影響和干擾，最終獲得連續完整的邊緣輪廓。然后，本課題組在眼底圖像數據庫 Drishti-GS 中驗證提出的視盤邊緣分割方法是否有效。本文研究結果顯示，該方法簡單快捷，具有良好的性能指標，能達到眼科專家的分割水平，今后或有助于眼科疾病的計算機輔助診斷。
引用本文： 曹新容, 薛嵐燕, 林嘉雯, 余輪. 基于視覺顯著性和旋轉掃描的視盤分割新方法. 生物醫學工程學雜志, 2018, 35(2): 229-236. doi: 10.7507/1001-5515.201706013 復制
引言
彩色眼底圖像是眼科疾病診斷的最基本檢查方式。通過觀察眼底圖像，可以無創的方式直接掌握血管、視盤的形態及變化，能夠及早發現青光眼、白內障、黃斑病變等重要致盲性眼科疾病，以幫助醫生獲得更準確的診斷結果[1]。
視神經盤也叫視神經乳頭，簡稱為視盤，是視網膜眼底圖像的一個重要特征。視盤形態大小等參數是診斷眼睛病變的重要依據。青光眼是目前世界上位列第二位的最常見致盲原因[2]。青光眼引起的失明是不可逆的，早期診斷與及時治療可大大減少致盲的可能性[3]。作為自動檢測的重要證據，視盤的形狀、顏色或深度的變化可以及時輔助醫生識別青光眼[2]。因此，視盤的快速定位與邊緣分割作為重要的研究課題，受到科研人員的廣泛關注，準確有效的視盤分割方法對計算機輔助眼科診斷具有重要的應用價值。
視盤的定位和分割是兩個過程，分別對應測定視盤中心和分割邊緣輪廓兩個部分。正確的視盤定位是精準視盤分割的前提，視盤分割是準確計算相關參數的關鍵。目前，應用于視盤定位的方法主要分為兩類，一類是基于視盤的亮度和形態特征實現定位，如2011年，Lu 等[4]設計了一種線性算子捕捉明亮圓形結構；而2012年，研究者采用圓形轉換方法實現了視盤檢測，但是視盤不是規則的圓形結構，不能真實表征視盤[5]；另有，Yu 等[6]采用模板匹配的方法實現視盤快速定位，而由于模板是由少量樣本確定的，匹配時容易出現誤差。另一類是結合眼底血管的位置和方向等信息進行視盤定位，如：2008年，Youssif 等[7]利用眼底圖像中的血管信息確定了視盤位置；2014年，鄭紹華等[8]結合視盤區域的局部血管特征，選擇定位正確的視盤感興趣區域；2016年，Garduno-Alvarado 等[9]先分割血管，再通過血管附近的高亮度區域完成視盤定位。這類方法具有較好的視盤定位效果，但是受限于血管分割結果，計算復雜度較高。
視盤分割的方法也有很多，例如：Saleh 等[10]提出用區域增長的方法分割視盤；張東波等[11]提出基于投影的視盤檢測方法；而Cheng 等[12]提出超像素分類方法確定視盤邊界；另有Mahapatra 等[13]提出一種專家領域模型，通過學習視盤的先驗知識，然后利用隨機森林分類器，最終實現視盤分割。其他一些例子還包括：在定位視盤區域后，Yu 等[6]使用混合水平集模型實現視盤檢測；鄭紹華等[8]采用數學形態學方法和區域主動輪廓模型提取出視盤輪廓；鄒北驥等[1]提出了一種結合形態學、橢圓擬合及梯度矢量流模型的視盤分割算法；Mittapalli 等[14]提出了一種基于隱式區域的主動輪廓模型，從多圖像通道實現了視盤分割。以上這些視盤分割方法都取得了良好的結果，但是分類與學習的效果依賴特征和訓練集的選取，對視盤邊緣的分割準確率不高，在一定程度上限制了方法的實際應用。
本文面向眼科疾病的計算機輔助診斷，將視覺顯著性方法引入眼底圖像信息的分析與處理中，提出了一種視盤分割新方法。基于人類的視覺注意機制，能夠將有限的認知資源聚集于場景中重要的刺激，而抑制那些不重要的信息，因此視覺顯著性的研究就在于模擬人類視覺注意機制，將注意力集中在感興趣的目標上，實現目標的快速識別[15]，并將其應用于醫學圖像處理領域 [16-17]。根據視覺顯著性理論，本文通過提取眼底圖像的具體形態特征，生成基于像素距離的顯著性圖，即能抑制背景的干擾信息，又實現了視盤的有效分割。同時，為了減少血管對分割視盤完整性的影響，本文還提出一種旋轉掃描方法，以期獲得連續完整的視盤邊緣輪廓。最后，通過在針對視盤分割的通用眼底圖像數據庫上運行以驗證本文方法。最終的實驗結果顯示，本文所提出的視盤邊緣分割新方法具有良好的性能，不僅能達到眼科專家的分割水平，今后或許還能對眼科疾病的計算機輔助診斷提供有價值的參考。
1 方法實現
本文所用的圖像來源于公開的眼底圖像數據庫 Drishiti-GS（網址為：http://cvit.iiit.ac.in/projects/mip/drishti-gs/mip-dataset2/Home.php）[18]。Drishiti-GS 是為研究視盤分割問題建立的公開的眼底圖像數據庫，所有圖像都是來自印度 Aravind 眼科醫院的真實數據。眼底圖像以視盤為中心，具有 30° 視野范圍，分辨率達到 2 896 × 1 944 像素。所有圖像經由4 位經驗豐富的眼科專家分別獨立完成視盤分割。而Drishiti-GS 數據庫則提供了每位眼科專家的分割結果，并根據專家的結果標注了眼底圖像的平均視盤邊緣，可用于分析和驗證本文提出的視盤分割方法。
本文方法具體流程如圖 1 所示。首先需要對彩色眼底圖像進行預處理，以保證待處理的眼底圖像特征穩定。然后引入視覺顯著性方法，在視盤的亮度、顏色和空間分布等顯著特征中加入像素的位置信息，形成基于像素距離的視盤顯著性圖，以實現視盤的快速定位和準確分割。其中，由于眼底血管的干擾，可能存在視盤被血管割裂的現象，使分割得到的視盤不完整，邊緣輪廓不規則。因而本文提出一種旋轉掃描的方法，多角度多次掃描分割得到的視盤圖像，并整合離散的掃描點信息，即可獲得連續、完整的視盤邊緣輪廓，實現克服眼底血管對視盤分割的影響。
圖1
方法流程圖
Figure1.
Algorithm flow chart
1.1 預處理
對原始彩色眼底圖像進行預處理的主要目標是去除眼底圖像的黑色背景區域，消除黑色背景與前景交界線的影響，以提高算法的準確率和有效性，降低眼底圖像之間的差異性，最終獲得穩定的有效信息。
眼底圖像在采集過程中，由于相機型號、圖像曝光過度或不足以及操作技術等原因往往會表現出非常大的差異，因而需要對眼底圖像的顏色、亮度進行直方圖均衡化處理，以保證所有處理圖像的穩定。基于此，本課題組選擇符合亮度要求的眼底圖像作為參考圖像，統計它的灰度區間和分布規律。然后根據參考圖像的灰度分布規律，調整待處理圖像的亮度信息，并完成灰度區間映射，使得處理后圖像的灰度直方圖能近似于參考圖像的直方圖，從而實現眼底圖像的亮度均衡，如圖 2 所示。
圖2
眼底圖像均衡
Figure2.
Fundus image equalization
1.2 基于視覺顯著性的視盤定位與分割
本文選擇在基于國際照明委員會 L*a*b*標準（Commission International de l'Eclairage L*a*b*，CIELAB）的顏色空間處理眼底圖像，以實現視盤的定位與分割。CIELAB 是一種基于生理特征的顏色系統，通過采用數字化的方法來描述人的視覺感應，所以它接近人類的生理視覺，能表現肉眼可感知的色彩，具有感知均勻性。CIELAB 的色彩模型是由亮度（以符號 L 表示）和有關色彩的兩個要素 a、b，共 3 個要素組成，可以通過修改 a 和 b 分量實現顏色平衡，而用 L 分量調整亮度對比，以密切匹配人類對亮度的感知。
因為視盤特征明顯，表現為高亮度、近似圓形或橢圓形，可以直接利用閾值的方法提取眼底圖像中的高亮度區域作為視盤候選區。但是眼底圖像邊緣的高亮度區域、圖像成像時的過度曝光以及高亮度的病灶等，都有可能成為被提取的干擾區域。這時可通過視盤的大小、形狀等形態顯著特征消除干擾區域，實現視盤區域的快速、準確定位，如圖 3 所示。通過定位使后續的視盤分割操作僅在有效區域內進行，能有效降低計算量，并且僅在定位的區域內操作，還可以減少噪聲等其他不利因素的干擾，達到更高的精度。
圖3
視盤定位
Figure3.
Location of optic disk
視覺顯著性檢測，是通過提取圖像中選定的具體特征，整合生成顯著性圖，以提取視覺的注意焦點的方法。視覺顯著性理論表明，人類視覺系統具有對高對比度、空間分布緊湊的顯著性區域選擇性注意的特性[17]。視盤在眼底圖像中通常表現為明亮的黃色區域，盡管成像場景受到多種干擾因素的影響，相對于眼底圖像的其它結構，視盤仍然在亮度、色彩和形態等特征明顯不同于其他結構[16]。因此可以通過融合視盤亮度、顏色特征和空間分布的視覺顯著性，檢測顯著性目標。在 CIELAB 顏色空間中，定義顏色距離（以符號 Dc 表示）來描述視盤的亮度、色彩信息；定義像素點的空間距離（以符號 Ds 表示）表征視盤的空間分布特征，整合為像素距離（以符號 Dp 表示），表征視盤的顯著特性，如式（1）–式（3）所示。
 |
 |
 |
其中，在前文確定的視盤區域（以符號 T 表示）中，選擇亮度最高的像素點作為參考點，記錄參考點的位置（x0，y0）及其在 CIELAB 顏色空間的各分量值：L0 = L（x0，y0）= max（L），a0 = a（x0，y0），b0 = b（x0，y0），區域中任意像素點位置（xi，yj）∈T，對應的分量值分別為 Lij、aij、bij，函數 max（）表示求其最大值。
對計算得到的像素距離 Dp 作歸一化處理，生成基于像素距離的顯著性圖，如圖 4 所示。從圖中可以看出，顯著性圖能有效抑制眼底圖像的背景干擾，增強圖像對比度，使得視盤區域和背景區域之間具有明顯的灰度邊界。這樣就可以通過統計顯著性圖的灰度分布，確定視盤區域的分割閾值。
灰度直方圖能直觀展示圖像灰度分布情況，視盤區域的灰度分布曲線表現為雙峰波形，可以認為是兩個高斯分布曲線的混合疊加。所以本文用經典的二次高斯函數擬合直方圖的灰度分布曲線，并計算兩個波峰之間的極小值作為分割閾值，以實現視盤的有效分割。具體即為：假設擬合函數為 H（x），分割閾值 xt 應該滿足極小值的判定條件，如式（4）所示。
 |
圖4
視盤分割與視盤邊緣
Figure4.
Optic disk segmentation and optic disk boundary
1.3 基于旋轉掃描的視盤輪廓確定
如圖 4 所示，由于視盤區域中眼底血管的影響與干擾，分割得到的視盤不完整，甚至出現被血管割裂等現象。針對這樣的問題，文獻[1, 19]在視盤分割前用形態學方法擦除血管，減少了血管對分割效果的影響，但會在一定程度上損傷視盤的邊緣信息。為了解決這個問題，克服眼底血管對視盤完整性的影響與干擾，本文提出一種旋轉掃描方法，通過旋轉視盤圖像從橫、縱軸方向多次掃描視盤邊緣[20-21]，進而整合離散的輪廓像素信息，最終獲得連續完整的視盤邊緣輪廓。
因為完整的視盤在眼底圖像表現為圓形或橢圓形，二值化眼底圖像中視盤邊緣的每一個點，在橫、縱軸方向上都應滿足從背景（灰度級為 0）到視盤（灰度級為 255）的跳變。本文提出視盤邊緣輪廓的約束方程[22]，如式（5）所示。其中 Io 表示二值化的完整視盤圖像，Po 表示完整的視盤邊緣輪廓，滿足等式的像素點（xp，yp）∈Po。
 |
因為血管等因素的影響，實際分割得到的視盤圖像 If 是不規則的形狀，則符合約束方程的像素點是離散不完整的，僅為待確定視盤邊緣輪廓 Pf 的一部分。將 If 繞圖像中心旋轉角度 θ，得到圖像 Ifθ，進而求出對應的離散邊緣像素 Pθ。If 旋轉一周，整合所有的離散像素 Pθ，最終可以得到較為完整的視盤邊緣輪廓 Pf，如式（6）所示。
 |
其中，rot（If，θ）表示將 If 繞圖像中心旋轉角度 θ。
從橫、縱軸方向對視盤進行單次掃描，并計算輪廓信息，這樣得到的邊緣像素是離散的，輪廓是不完整的。如果將圖像旋轉不同的角度，多次掃描計算，就可以獲得邊緣的更多信息，如圖 5 所示。在圖像旋轉一周的過程中，可以通過調整每次旋轉角度，控制對視盤圖像的掃描次數。充分的掃描可以獲得更為豐富的邊緣像素信息，整合這些信息逐步補充輪廓像素集合，以期獲得更為完整的視盤邊緣，最終實現視盤的有效分割。
圖5
不同旋轉角度獲得的邊緣輪廓
Figure5.
Optic boundary with different rotation angles
2 實驗結果與分析
2.1 性能指標
視盤分割算法的性能可用以下指標進行衡量：
（1）F 分數（以符號 F_score 表示）[18]。F 分數是準確率（precision rate，PR）（以符號 PR 表示）和召回率（recall rate，RR）（以符號 RR 表示）的調和均值，最大值為 1，如式（7）所示。
 |
其中，真陽性（true positive，TP）（以符號 TP 表示）表示判斷正確的像素點數目，假陽性（false positive，FP）（以符號 FP 表示）表示判斷錯誤的像素點數目，假陰性（false negative，FN）（以符號 FN 表示） 表示漏判的像素點數目。
（2）重疊度（以符號 S 表示） [13]。如式（8）所示，以符號 M 表示專家標記的視盤區域，以符號 A 表示本文算法分割的視盤區域，函數 Area（）表示求面積。
 |
2.2 結果分析
接下來，本文課題組在 Drishti-GS 數據庫上運行并驗證本文提出的視盤分割方法的有效性。Drishti-GS 數據庫中每幅眼底圖像都經由 4 位專家進行視盤分割，分割結果的平均值作為專家最終標注的視盤。分割代碼在科學計算軟件 MATLAB（MathWorks Inc.，美國）上編寫，所有程序在 CPU 2.4 GHz，內存 4 GB 的 Windows 8 平臺下運行。
實驗結果表明，本文提出的旋轉掃描方法，能有效克服血管對視盤的影響，可以獲得較為完整連續的視盤邊緣輪廓，以實現視盤的有效分割。旋轉掃描算法的性能受到視盤分割結果和每次旋轉角度的限制和影響。對于受血管影響較大、完整性較差的視盤，可以通過減少每次旋轉角度，實現對同一區域的多次掃描，求得更多的邊緣信息，最終獲得更為完整的視盤輪廓。但是，如果減少每次旋轉角度，增加掃描次數，則會增大運算量，從而在提高算法性能效果的同時，延長了計算時間。根據實驗測試，對于本文采用的眼底圖像數據，每次旋轉角度選擇 30° 可以獲得較好的平均性能指標和較低的平均運行時間。
統計本文方法的性能指標，并與其他文獻方法比較的結果如表 1 所示。其中，文獻[2]采用形態學方法，速度較快，但是用圓形擬合視盤，雖然有相對較好的性能，但是沒有真實表征視盤邊緣信息；文獻[12]在完成超像素處理后提取特征進行分類，運算量大，性能指標與本文方法近似；而文獻[13]采用學習模型，具有較好的性能指標，但是計算復雜，需要更多的訓練獲取視盤的先驗知識。本文提出的視盤分割方法克服了前 3 種文獻方法的不足，并以較小的運算復雜度獲得較高的性能指標，在有效性和實時性上都有更為良好的表現。
表1
視盤邊緣分割的性能指標
Table1.
Results of optic disk boundary segmentation
將本文方法的分割結果與 Drishti-GS 數據庫中專家的標注結果作進一步的比較，結果如圖 6 所示。其中，包括 4 個數據，分別是差距最大的兩位專家的標注結果、數據庫根據 4 位專家分割結果提供的平均邊緣輪廓以及本文算法確定的結果。從圖中可以看出，本文算法確定的邊緣輪廓與專家的標注結果能基本重合。在部分區域，因為專家對視盤邊緣的判斷可能存在區別，使得不同專家的標注結果會有一些差別。在這些區域，本文方法確定的視盤邊緣輪廓仍然能較好地接近專家標注的平均輪廓，與專家標注結果相比，本文分割誤差在可接受范圍內。最終實驗結果表明，本文提出的基于視覺顯著性和旋轉掃描的視盤分割新方法，有助于輔助醫生完成眼科疾病的診斷。
圖6
視盤邊緣輪廓
Figure6.
Optic disk boundary
3 結論
視盤的快速定位與邊緣分割是針對眼科疾病計算機輔助診斷的重要研究課題，具有重要的應用價值。彩色眼底圖像的視盤分割需要獲得準確的邊緣輪廓，可以作為眼科疾病檢測的重要證據。本文根據人眼視覺特性，將視覺顯著性方法引入眼底圖像信息的分析與處理，提出一種有效的視盤分割新方法。該方法利用視盤的亮度、顏色和空間分布等顯著特征，生成顯著性圖，用高斯函數擬合直方圖曲線確定閾值完成視盤分割，并提出旋轉掃描的方法消除血管對視盤的干擾和影響，進而提取更為完整的視盤邊緣輪廓。本文提出的視盤分割新方法在公開的眼底圖像數據庫 Drishti-GS 數據庫上進行了驗證，研究結果顯示性能指標良好，基本接近眼科醫生的視盤邊緣分割水平，今后或可望應用于眼科疾病的計算機輔助診斷。
引言
彩色眼底圖像是眼科疾病診斷的最基本檢查方式。通過觀察眼底圖像，可以無創的方式直接掌握血管、視盤的形態及變化，能夠及早發現青光眼、白內障、黃斑病變等重要致盲性眼科疾病，以幫助醫生獲得更準確的診斷結果[1]。
視神經盤也叫視神經乳頭，簡稱為視盤，是視網膜眼底圖像的一個重要特征。視盤形態大小等參數是診斷眼睛病變的重要依據。青光眼是目前世界上位列第二位的最常見致盲原因[2]。青光眼引起的失明是不可逆的，早期診斷與及時治療可大大減少致盲的可能性[3]。作為自動檢測的重要證據，視盤的形狀、顏色或深度的變化可以及時輔助醫生識別青光眼[2]。因此，視盤的快速定位與邊緣分割作為重要的研究課題，受到科研人員的廣泛關注，準確有效的視盤分割方法對計算機輔助眼科診斷具有重要的應用價值。
視盤的定位和分割是兩個過程，分別對應測定視盤中心和分割邊緣輪廓兩個部分。正確的視盤定位是精準視盤分割的前提，視盤分割是準確計算相關參數的關鍵。目前，應用于視盤定位的方法主要分為兩類，一類是基于視盤的亮度和形態特征實現定位，如2011年，Lu 等[4]設計了一種線性算子捕捉明亮圓形結構；而2012年，研究者采用圓形轉換方法實現了視盤檢測，但是視盤不是規則的圓形結構，不能真實表征視盤[5]；另有，Yu 等[6]采用模板匹配的方法實現視盤快速定位，而由于模板是由少量樣本確定的，匹配時容易出現誤差。另一類是結合眼底血管的位置和方向等信息進行視盤定位，如：2008年，Youssif 等[7]利用眼底圖像中的血管信息確定了視盤位置；2014年，鄭紹華等[8]結合視盤區域的局部血管特征，選擇定位正確的視盤感興趣區域；2016年，Garduno-Alvarado 等[9]先分割血管，再通過血管附近的高亮度區域完成視盤定位。這類方法具有較好的視盤定位效果，但是受限于血管分割結果，計算復雜度較高。
視盤分割的方法也有很多，例如：Saleh 等[10]提出用區域增長的方法分割視盤；張東波等[11]提出基于投影的視盤檢測方法；而Cheng 等[12]提出超像素分類方法確定視盤邊界；另有Mahapatra 等[13]提出一種專家領域模型，通過學習視盤的先驗知識，然后利用隨機森林分類器，最終實現視盤分割。其他一些例子還包括：在定位視盤區域后，Yu 等[6]使用混合水平集模型實現視盤檢測；鄭紹華等[8]采用數學形態學方法和區域主動輪廓模型提取出視盤輪廓；鄒北驥等[1]提出了一種結合形態學、橢圓擬合及梯度矢量流模型的視盤分割算法；Mittapalli 等[14]提出了一種基于隱式區域的主動輪廓模型，從多圖像通道實現了視盤分割。以上這些視盤分割方法都取得了良好的結果，但是分類與學習的效果依賴特征和訓練集的選取，對視盤邊緣的分割準確率不高，在一定程度上限制了方法的實際應用。
本文面向眼科疾病的計算機輔助診斷，將視覺顯著性方法引入眼底圖像信息的分析與處理中，提出了一種視盤分割新方法。基于人類的視覺注意機制，能夠將有限的認知資源聚集于場景中重要的刺激，而抑制那些不重要的信息，因此視覺顯著性的研究就在于模擬人類視覺注意機制，將注意力集中在感興趣的目標上，實現目標的快速識別[15]，并將其應用于醫學圖像處理領域 [16-17]。根據視覺顯著性理論，本文通過提取眼底圖像的具體形態特征，生成基于像素距離的顯著性圖，即能抑制背景的干擾信息，又實現了視盤的有效分割。同時，為了減少血管對分割視盤完整性的影響，本文還提出一種旋轉掃描方法，以期獲得連續完整的視盤邊緣輪廓。最后，通過在針對視盤分割的通用眼底圖像數據庫上運行以驗證本文方法。最終的實驗結果顯示，本文所提出的視盤邊緣分割新方法具有良好的性能，不僅能達到眼科專家的分割水平，今后或許還能對眼科疾病的計算機輔助診斷提供有價值的參考。
1 方法實現
本文所用的圖像來源于公開的眼底圖像數據庫 Drishiti-GS（網址為：http://cvit.iiit.ac.in/projects/mip/drishti-gs/mip-dataset2/Home.php）[18]。Drishiti-GS 是為研究視盤分割問題建立的公開的眼底圖像數據庫，所有圖像都是來自印度 Aravind 眼科醫院的真實數據。眼底圖像以視盤為中心，具有 30° 視野范圍，分辨率達到 2 896 × 1 944 像素。所有圖像經由4 位經驗豐富的眼科專家分別獨立完成視盤分割。而Drishiti-GS 數據庫則提供了每位眼科專家的分割結果，并根據專家的結果標注了眼底圖像的平均視盤邊緣，可用于分析和驗證本文提出的視盤分割方法。
本文方法具體流程如圖 1 所示。首先需要對彩色眼底圖像進行預處理，以保證待處理的眼底圖像特征穩定。然后引入視覺顯著性方法，在視盤的亮度、顏色和空間分布等顯著特征中加入像素的位置信息，形成基于像素距離的視盤顯著性圖，以實現視盤的快速定位和準確分割。其中，由于眼底血管的干擾，可能存在視盤被血管割裂的現象，使分割得到的視盤不完整，邊緣輪廓不規則。因而本文提出一種旋轉掃描的方法，多角度多次掃描分割得到的視盤圖像，并整合離散的掃描點信息，即可獲得連續、完整的視盤邊緣輪廓，實現克服眼底血管對視盤分割的影響。
圖1
方法流程圖
Figure1.
Algorithm flow chart
1.1 預處理
對原始彩色眼底圖像進行預處理的主要目標是去除眼底圖像的黑色背景區域，消除黑色背景與前景交界線的影響，以提高算法的準確率和有效性，降低眼底圖像之間的差異性，最終獲得穩定的有效信息。
眼底圖像在采集過程中，由于相機型號、圖像曝光過度或不足以及操作技術等原因往往會表現出非常大的差異，因而需要對眼底圖像的顏色、亮度進行直方圖均衡化處理，以保證所有處理圖像的穩定。基于此，本課題組選擇符合亮度要求的眼底圖像作為參考圖像，統計它的灰度區間和分布規律。然后根據參考圖像的灰度分布規律，調整待處理圖像的亮度信息，并完成灰度區間映射，使得處理后圖像的灰度直方圖能近似于參考圖像的直方圖，從而實現眼底圖像的亮度均衡，如圖 2 所示。
圖2
眼底圖像均衡
Figure2.
Fundus image equalization
1.2 基于視覺顯著性的視盤定位與分割
本文選擇在基于國際照明委員會 L*a*b*標準（Commission International de l'Eclairage L*a*b*，CIELAB）的顏色空間處理眼底圖像，以實現視盤的定位與分割。CIELAB 是一種基于生理特征的顏色系統，通過采用數字化的方法來描述人的視覺感應，所以它接近人類的生理視覺，能表現肉眼可感知的色彩，具有感知均勻性。CIELAB 的色彩模型是由亮度（以符號 L 表示）和有關色彩的兩個要素 a、b，共 3 個要素組成，可以通過修改 a 和 b 分量實現顏色平衡，而用 L 分量調整亮度對比，以密切匹配人類對亮度的感知。
因為視盤特征明顯，表現為高亮度、近似圓形或橢圓形，可以直接利用閾值的方法提取眼底圖像中的高亮度區域作為視盤候選區。但是眼底圖像邊緣的高亮度區域、圖像成像時的過度曝光以及高亮度的病灶等，都有可能成為被提取的干擾區域。這時可通過視盤的大小、形狀等形態顯著特征消除干擾區域，實現視盤區域的快速、準確定位，如圖 3 所示。通過定位使后續的視盤分割操作僅在有效區域內進行，能有效降低計算量，并且僅在定位的區域內操作，還可以減少噪聲等其他不利因素的干擾，達到更高的精度。
圖3
視盤定位
Figure3.
Location of optic disk
視覺顯著性檢測，是通過提取圖像中選定的具體特征，整合生成顯著性圖，以提取視覺的注意焦點的方法。視覺顯著性理論表明，人類視覺系統具有對高對比度、空間分布緊湊的顯著性區域選擇性注意的特性[17]。視盤在眼底圖像中通常表現為明亮的黃色區域，盡管成像場景受到多種干擾因素的影響，相對于眼底圖像的其它結構，視盤仍然在亮度、色彩和形態等特征明顯不同于其他結構[16]。因此可以通過融合視盤亮度、顏色特征和空間分布的視覺顯著性，檢測顯著性目標。在 CIELAB 顏色空間中，定義顏色距離（以符號 Dc 表示）來描述視盤的亮度、色彩信息；定義像素點的空間距離（以符號 Ds 表示）表征視盤的空間分布特征，整合為像素距離（以符號 Dp 表示），表征視盤的顯著特性，如式（1）–式（3）所示。
|
|
|
其中，在前文確定的視盤區域（以符號 T 表示）中，選擇亮度最高的像素點作為參考點，記錄參考點的位置（x0，y0）及其在 CIELAB 顏色空間的各分量值：L0 = L（x0，y0）= max（L），a0 = a（x0，y0），b0 = b（x0，y0），區域中任意像素點位置（xi，yj）∈T，對應的分量值分別為 Lij、aij、bij，函數 max（）表示求其最大值。
對計算得到的像素距離 Dp 作歸一化處理，生成基于像素距離的顯著性圖，如圖 4 所示。從圖中可以看出，顯著性圖能有效抑制眼底圖像的背景干擾，增強圖像對比度，使得視盤區域和背景區域之間具有明顯的灰度邊界。這樣就可以通過統計顯著性圖的灰度分布，確定視盤區域的分割閾值。
灰度直方圖能直觀展示圖像灰度分布情況，視盤區域的灰度分布曲線表現為雙峰波形，可以認為是兩個高斯分布曲線的混合疊加。所以本文用經典的二次高斯函數擬合直方圖的灰度分布曲線，并計算兩個波峰之間的極小值作為分割閾值，以實現視盤的有效分割。具體即為：假設擬合函數為 H（x），分割閾值 xt 應該滿足極小值的判定條件，如式（4）所示。
|
圖4
視盤分割與視盤邊緣
Figure4.
Optic disk segmentation and optic disk boundary
1.3 基于旋轉掃描的視盤輪廓確定
如圖 4 所示，由于視盤區域中眼底血管的影響與干擾，分割得到的視盤不完整，甚至出現被血管割裂等現象。針對這樣的問題，文獻[1, 19]在視盤分割前用形態學方法擦除血管，減少了血管對分割效果的影響，但會在一定程度上損傷視盤的邊緣信息。為了解決這個問題，克服眼底血管對視盤完整性的影響與干擾，本文提出一種旋轉掃描方法，通過旋轉視盤圖像從橫、縱軸方向多次掃描視盤邊緣[20-21]，進而整合離散的輪廓像素信息，最終獲得連續完整的視盤邊緣輪廓。
因為完整的視盤在眼底圖像表現為圓形或橢圓形，二值化眼底圖像中視盤邊緣的每一個點，在橫、縱軸方向上都應滿足從背景（灰度級為 0）到視盤（灰度級為 255）的跳變。本文提出視盤邊緣輪廓的約束方程[22]，如式（5）所示。其中 Io 表示二值化的完整視盤圖像，Po 表示完整的視盤邊緣輪廓，滿足等式的像素點（xp，yp）∈Po。
|
因為血管等因素的影響，實際分割得到的視盤圖像 If 是不規則的形狀，則符合約束方程的像素點是離散不完整的，僅為待確定視盤邊緣輪廓 Pf 的一部分。將 If 繞圖像中心旋轉角度 θ，得到圖像 Ifθ，進而求出對應的離散邊緣像素 Pθ。If 旋轉一周，整合所有的離散像素 Pθ，最終可以得到較為完整的視盤邊緣輪廓 Pf，如式（6）所示。
|
其中，rot（If，θ）表示將 If 繞圖像中心旋轉角度 θ。
從橫、縱軸方向對視盤進行單次掃描，并計算輪廓信息，這樣得到的邊緣像素是離散的，輪廓是不完整的。如果將圖像旋轉不同的角度，多次掃描計算，就可以獲得邊緣的更多信息，如圖 5 所示。在圖像旋轉一周的過程中，可以通過調整每次旋轉角度，控制對視盤圖像的掃描次數。充分的掃描可以獲得更為豐富的邊緣像素信息，整合這些信息逐步補充輪廓像素集合，以期獲得更為完整的視盤邊緣，最終實現視盤的有效分割。
圖5
不同旋轉角度獲得的邊緣輪廓
Figure5.
Optic boundary with different rotation angles
2 實驗結果與分析
2.1 性能指標
視盤分割算法的性能可用以下指標進行衡量：
（1）F 分數（以符號 F_score 表示）[18]。F 分數是準確率（precision rate，PR）（以符號 PR 表示）和召回率（recall rate，RR）（以符號 RR 表示）的調和均值，最大值為 1，如式（7）所示。
|
其中，真陽性（true positive，TP）（以符號 TP 表示）表示判斷正確的像素點數目，假陽性（false positive，FP）（以符號 FP 表示）表示判斷錯誤的像素點數目，假陰性（false negative，FN）（以符號 FN 表示） 表示漏判的像素點數目。
（2）重疊度（以符號 S 表示） [13]。如式（8）所示，以符號 M 表示專家標記的視盤區域，以符號 A 表示本文算法分割的視盤區域，函數 Area（）表示求面積。
|
2.2 結果分析
接下來，本文課題組在 Drishti-GS 數據庫上運行并驗證本文提出的視盤分割方法的有效性。Drishti-GS 數據庫中每幅眼底圖像都經由 4 位專家進行視盤分割，分割結果的平均值作為專家最終標注的視盤。分割代碼在科學計算軟件 MATLAB（MathWorks Inc.，美國）上編寫，所有程序在 CPU 2.4 GHz，內存 4 GB 的 Windows 8 平臺下運行。
實驗結果表明，本文提出的旋轉掃描方法，能有效克服血管對視盤的影響，可以獲得較為完整連續的視盤邊緣輪廓，以實現視盤的有效分割。旋轉掃描算法的性能受到視盤分割結果和每次旋轉角度的限制和影響。對于受血管影響較大、完整性較差的視盤，可以通過減少每次旋轉角度，實現對同一區域的多次掃描，求得更多的邊緣信息，最終獲得更為完整的視盤輪廓。但是，如果減少每次旋轉角度，增加掃描次數，則會增大運算量，從而在提高算法性能效果的同時，延長了計算時間。根據實驗測試，對于本文采用的眼底圖像數據，每次旋轉角度選擇 30° 可以獲得較好的平均性能指標和較低的平均運行時間。
統計本文方法的性能指標，并與其他文獻方法比較的結果如表 1 所示。其中，文獻[2]采用形態學方法，速度較快，但是用圓形擬合視盤，雖然有相對較好的性能，但是沒有真實表征視盤邊緣信息；文獻[12]在完成超像素處理后提取特征進行分類，運算量大，性能指標與本文方法近似；而文獻[13]采用學習模型，具有較好的性能指標，但是計算復雜，需要更多的訓練獲取視盤的先驗知識。本文提出的視盤分割方法克服了前 3 種文獻方法的不足，并以較小的運算復雜度獲得較高的性能指標，在有效性和實時性上都有更為良好的表現。
表1
視盤邊緣分割的性能指標
Table1.
Results of optic disk boundary segmentation
將本文方法的分割結果與 Drishti-GS 數據庫中專家的標注結果作進一步的比較，結果如圖 6 所示。其中，包括 4 個數據，分別是差距最大的兩位專家的標注結果、數據庫根據 4 位專家分割結果提供的平均邊緣輪廓以及本文算法確定的結果。從圖中可以看出，本文算法確定的邊緣輪廓與專家的標注結果能基本重合。在部分區域，因為專家對視盤邊緣的判斷可能存在區別，使得不同專家的標注結果會有一些差別。在這些區域，本文方法確定的視盤邊緣輪廓仍然能較好地接近專家標注的平均輪廓，與專家標注結果相比，本文分割誤差在可接受范圍內。最終實驗結果表明，本文提出的基于視覺顯著性和旋轉掃描的視盤分割新方法，有助于輔助醫生完成眼科疾病的診斷。
圖6
視盤邊緣輪廓
Figure6.
Optic disk boundary
3 結論
視盤的快速定位與邊緣分割是針對眼科疾病計算機輔助診斷的重要研究課題，具有重要的應用價值。彩色眼底圖像的視盤分割需要獲得準確的邊緣輪廓，可以作為眼科疾病檢測的重要證據。本文根據人眼視覺特性，將視覺顯著性方法引入眼底圖像信息的分析與處理，提出一種有效的視盤分割新方法。該方法利用視盤的亮度、顏色和空間分布等顯著特征，生成顯著性圖，用高斯函數擬合直方圖曲線確定閾值完成視盤分割，并提出旋轉掃描的方法消除血管對視盤的干擾和影響，進而提取更為完整的視盤邊緣輪廓。本文提出的視盤分割新方法在公開的眼底圖像數據庫 Drishti-GS 數據庫上進行了驗證，研究結果顯示性能指標良好，基本接近眼科醫生的視盤邊緣分割水平，今后或可望應用于眼科疾病的計算機輔助診斷。
