Optic Disc Detection using Template Matching based on Color Plane Histograms

论文翻译：基于彩色平面直方图的模板匹配的视盘检测
地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7955311

摘要

本文提出了一种基于鲁棒且高效的基于直方图的模板匹配方法，用于自动检测视网膜图像中的光盘（OD），以帮助眼科医生诊断视网膜疾病。基于摄像机视场（FOV）和图像分辨率，提出了用于创建特定尺寸模板的OD尺寸估计算法。 OD区域的彩色平面直方图用于创建模板，而不是用于完整的OD图像。使用四个模板的彩色平面直方图的平均值进行模板匹配，以检测视网膜图像中的OD。在公开可用的DRIVE和STARE数据集的视网膜图像上对提出的方法进行了评估。提出的方法使DRIVE和STARE数据集的成功率分别为100％和97.5％。结果与以前方法的性能比较表明，所提出的方法在有无病理学情况下对视网膜图像中OD的定位是鲁棒而有效的。
关键词—彩色平面直方图；模板匹配；视网膜图像视盘检测。

一，引言

由于大量患者，针对糖尿病性视网膜病（DR）等眼部疾病的自动筛查程序在发展中国家至关重要。在自动筛查程序中及早发现DR和其他病理情况，不仅有助于正确治疗患者，还可以大大降低医疗保健成本。在自动眼部检查程序中，视网膜图像中血管，OD，中央凹和黄斑等解剖标志的定位和分割有助于检测疾病的存在。正常视网膜图像中的OD通常显示为浅黄色的椭圆形物体，表面带有深色血管。在存在疾病的情况下，OD引起的新血管形成是由于青光眼引起的DR或OD杯大小改变。因此，OD检测是自动DR筛选的重要步骤。自动筛选算法必须避免OD信息[1]，因为OD的像素强度和颜色特征看起来与明亮的病变相同。 OD在中央凹的定位中也很重要[4]，可能出现病理改变的迹象。除此之外，OD边界分割对于检测与OD相关的新血管形成（NVD）和青光眼等异常非常重要[2]，[3]。
最近三十年来提出了不同类型的OD检测方法。这些方法分为两类，第一类是基于像素的OD特性（例如OD的形状，颜色和结构）的方法，第二种是基于血管特性的方法。 OD的外观和尺寸用于第一类，例如检查特定的窗口尺寸（模板）以发现与OD区域相似的相邻像素之间的平均强度变化[4]。模板匹配方法[8]使用归一化相关系数的计算来找到模板和测试图像之间的最佳匹配。在[9]中，使用模板匹配提出了OD检测，并提出了方向匹配滤波器。朱小璐等[17]提出了一种光密度检测方法，即使用Sobel算子检测眼底图像的边缘，然后进行阈值处理，然后进行圆霍夫变换。 A. Aquino等人[5]将圆形霍夫变换与形态学和边缘检测一起用于在OD区域中定位像素和OD的边界分割。

第二类OD检测方法利用血管的性质来定位OD。视神经和血管汇聚到OD中，然后分成细血管。 J. Lowell等[11]使用高斯的拉普拉斯算子创建了一个OD模板，以提取主血管的垂直边缘。然后使用Pearson R相关性找到边缘模板与测试图像之间的相关性。 R. Rangayyan等人[10]使用Gabor滤镜和相像分析来跟踪血管以检测结节中的峰值，然后使用Hough变换在血管的焦点处检测OD。在[12]中提出了一种算法，可以将OD检测为相对于视网膜图像质心点具有最多像素数的最亮区域。迭代质心点调整用于到达主拱廊的中心。
最近，在[6]中使用基于直方图的模板匹配来检测视盘。注意，该算法将每个视网膜图像的大小调整为256x256，并使用固定大小的模板，而与输入图像大小无关。由于OD大小取决于相机的视野和图像分辨率，因此对于不同的图像分辨率，应该有不同的OD模板大小。本文提出了一种用于模板创建和OD感兴趣区域（ROI）选择的OD大小估计算法。我们还介绍了使用模板颜色平面的直方图进行OD检测。
本文的结构如下。第二部分介绍了用于创建模板的OD大小估计和OD ROI选择。它还介绍了使用颜色平面直方图进行模板匹配。第三部分介绍了该算法在DRIVE和STARE数据库图像上的结果。最后，结论在第四节中给出。

二。方法

A.图像数据库

DRIVE（用于血管提取的数字视网膜图像）[13]是一个公共数据库，由总共40张彩色眼底照片和33张正常图像和7张患病图像组成。使用具有45°FOV的佳能CR5非散瞳3-CCD相机获取图像。 STARE（视网膜的结构化分析）数据库[14]包含89张血管分割图像；在这40个疾病中。图像由Topcon TRV-50眼底照相机以35°FOV捕获。每个幻灯片都被数字化以产生605×700像素的图像，每个像素24位（标准RGB）。
表1显示了DRIVE和STARE数据库的图像参数。

B. OD大小的估计和OD ROI的选择

视网膜图像中OD的大小取决于相机使用的FOV和图像分辨率。在[9]中提出了一种使用相机的FOV和图像分辨率来计算OD尺寸的方法。但是他们还没有显示如何计算像素的OD直径。我们使用相同的方法来估算所有数据库的OD大小。我们还提出了一种新的方法来选择OD ROI进行进一步处理。以下步骤显示了OD大小的估计以及用于创建模板的OD ROI的选择。
1.如果FOV中的像素数为NFOV，则图像足迹IFP的计算公式为

其中，AFOV是特定FOV的成像区域。
2.根据平均人类视觉神经头的直径（近似大小为1.85 mm），以OD为单位计算OD的半径（以ROD为单位）。

其中，AFOV = 124.8 mm2，AOD =π（D / 2）2，DOD = 1.85mm
3.使用以下矩形尺寸选择感兴趣的OD区域ROIOD：

其中，ROIOD和ROD以像素为单位，L是超出OD范围以包括精确OD区域的额外像素的值。
DRIVE数据集中的图像大小为768×584像素。基于此，可以使用公式（2）将OD半径估算为55。对于OD ROI的选择，L = 25，估算模板的大小为80×80。基于上述步骤，表2制定了DRIVE和STARE数据库。

根据OD的位置，裁剪表2中列出的矩形区域。为了消除伪影和不均匀的强度变化，应用大小为6x6像素的中值滤波器，然后将所得图像与尺寸为m×n = 9×9，均值μ= 0和方差σ= 1.8的高斯核卷积进入噪声平滑图像。它还抑制了红色的影响。 分离出ROI的红色，绿色和蓝色平面，并计算其直方图并将其存储为模板（图2）。已经发现，对于任何视网膜图像，OD ROI的颜色直方图在本质上几乎是相同的。但是由于不同的FOV角度，可能会出现细微的差异。因此，多个模板直方图的平均值可用于检测OD以进行模板匹配。请记住，由于未使用调整图像的大小，因此将单独的模板用于单独的数据库。

C.OD位置的检测

最初，每个视网膜图像都经过6x6像素大小的中值滤波。然后，在所需的运动模板和视网膜图像之间执行互相关。文献[6]中提出的加权和函数用于找到图像直方图的相似性，如下所示：

相关相似性指数（CSI）定义为：其中C（i，j）是模板的中心，CR，CG和CB

其中i = R，G和B颜色平面。 Ti和Ii分别是模板和视网膜图像的彩色平面直方图。
对于运动模板和视网膜图像之间的相似直方图，相似度索引Ci为1，否则其值小于1。而a，b和c分别是分配给相似度索引CR，CG和CB的权重。相比之下，绿色，蓝色和红色平面的贡献分别最高，中等和最低。选择a = 1，b = 0.5和c = 0.25的最佳值可进行精确的OD检测。

三，结果

在具有Intel Core i5、2.53 GHz和4GB RAM的PC上，对STARE数据集的40张DRIVE图像和89张图像（无病理且较少病理；不认为是高级病理，无OD图像）执行了所提出的方法。考虑到原始输入图像的分辨率，获得了本研究中的OD检测结果。为了进行准确的光盘检测，使用了四个视盘RGB彩色平面直方图的平均值来创建模板。模板大小的边界框已用于显示检测到的OD。如果检测到的OD中心在OD的周边区域内，则认为它是成功的检测。图3显示了使用我们提出的算法进行视盘检测的成功结果。
该算法在DRIVE的40张图像和STARE的85张图像中正确检测到OD，成功率分别为100％和97.5％。在少数图像中略微漏掉了OD检测，但由于它在OD的范围内，因此被认为是成功的OD检测。这是由于糖尿病性视网膜病变的晚期，OD周围有髓神经纤维，视网膜图像明亮而微红。
表3和表4比较了使用OD检出成功率和检出时间所需的，采用较早提出的方法的系统性能。可以观察到，该方法在OD检出中表现良好且稳定。与其他方法相比，OD检测所需的时间也更少，从而使其适合于在具有大量患者数据的筛查程序中诊断眼部疾病。

图2：“光盘模板”示例和模板的色平面直方图示例，第1列：DRIVE数据库图像，第2列：STARE数据库图像；（a）包含OD候选值的ROI（b）中值滤波的结果（c）（d）和（e）分别是红色平面，绿色平面和蓝色平面的直方图。

IV。结论

本文提出了一种用于视网膜图像筛选的可靠的光盘检测方法。相机的FOV和图像分辨率用于模板创建和OD大小估计，从而使原始图像信息保持不变。模板和输入图像的色平面直方图用于模板匹配。结果表明，所提出的方法可以准确地检测出OD候选者周围的OD。快速和强大的功能使该方法适合于自动筛查眼中早期病理的辅助OD分割。

REFERENCES
[1] C. Agurto, V. Murray, E. Barriga, S. Murillo, M. Pattichis, H. Davis, S. Russell, M. Abramoff, and P. Soliz, “Multiscale AM-FM methods for
diabetic retinopathy lesion detection,” IEEE Trans. Med. Imag., vol. 29, no. 2, pp. 502–512, Feb. 2010.
[2] G. D. Joshi, J. Sivaswamy, and S. R. Krishnadas, “Optic disk and cup segmentation from monocular color retinal images for glaucoma
assessment,” IEEE Trans. Med. Imag., vol. 30, no. 6, pp. 1192–1205, Jun. 2011.
[3] R. A. Abdel-Ghafar and T. Morris, “Progress towards automated detection and characterization of the optic disc in glaucoma and diabetic retinopathy”, Medical Informatics and the Internet in Medicine, vol. 32, no. 1, pp. 19–25, March 2007.
[4] R. J. Qureshi, L. Kovacs, B. Harangi, B. Nagy, T. Peto, and A. Hajdu, “Combining algorithms for automatic detection of optic disc and macula in fundus images”, Computer Vision and Image Understanding, vol. 116, no. 1, pp. 138 – 145, 2012.
[5] A. Aquino, M. Gegundez-Arias, and D. Marin, “Detecting the optic disc boundary in digital fundus images using morphological, edge detection, and feature extraction techniques,” IEEE Trans. on Med. Imag., vol. 29, no. 11, pp. 1860 –1869, nov. 2010.
[6] Amin Dehghani, Hamid Abrishami Moghaddam and MohammadShahram Moin, “Optic disc localization in retinal images using histogram matching,” EURASIP Journal on Image and Video Processing, 2012:19, pp. 1 to 11, 2012
[7] F. ter Haar, “Automatic localization of the optic disc in digital colour images of the human retina,” M.S. Thesis, 2005.
[8] M. Lalonde, M. Beaulieu, and L. Gagnon, “Fast and robust optic disc detection using pyramidal decomposition and hausdorff-based template matching,” IEEE Trans. on Med. Imag., vol. 20, no. 11, pp. 1193 –1200, Nov. 2001.
[9] H. Yu, S. Barriga, C. Agurto, S. Echegaray, M. Pattichis, G. Zamora, W. Bauman, and P. Soliz, “Fast Localization and Segmentation of Optic Disk in Retinal Images Using Directional Matched Filtering and Level Sets,” IEEE Trans. on Inf. Tech. in Biomed.,16, no. 4, pp. 644-657, 2012
[10] R. Rangayyan, X. Zhu, and F. Ayres, “Detection of the optic disc in images of the retina using gabor filters and phase portrait analysis,” Eur. Conf. of Int. Fed. for Med. and Biolog. Engg., 22, pp. 468–471, 2009
[11] J. Lowell, A. Hunter, D. Steel, A. Basu, R. Ryder, E. Fletcher, and L. Kennedy, “Optic nerve he ad segmentation,” IEEE Trans. on Med. Imag., vol. 23, no. 2, pp. 256 –264, Feb. 2004.
[12] Ana Salazar-Gonzalez, D. Kaba, Y. Li and X. Liu, “Segmentation of Blood Vessels and Optic Disc in Retinal Images,” IEEE J. of Biomed. and Health Infor., vol. 18, no. 6, pp. 1874–1886, 2014
[13] J. J. Staal, M. D. Abràmoff, M. Niemeijer, M. A. Viergever, and B. van Ginneken, “Ridge based vessel segmentation in color images of the retina,” IEEE Trans. Med. Imag., vol. 23, no. 4, pp. 501–509, 2004.
[14] A. Hoover, V. Kouznetsova, and M. Goldbaum, “Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response,” IEEE Trans. on Med. Imag., vol. 19, no. 3, pp. 203–210, 2000.
[15] T. Kauppi, V. Kalesnykiene, J.-K. Kamarainen, L. Lensu, I. Sorri, H. Uusitalo, H. Klviinen, and J. Pietil, “Diaretdb0: Evaluation database and methodology for diabetic retinopathy algorithms,” Lappeenranta University of Technology, Finland, Tech. Rep., 2006.
[16] T. Kauppi, V. Kalesnykiene, J.-K. Kmrinen, L. Lensu, I. Sorri, A. Raninen, R. Voutilainen, H. Uusitalo, H. Klviinen, and J. Pietil, “Diaretdb1 diabetic retinopathy database and evaluation protocol,” Proc. of the 11th Conf. on Medical Image Understanding and Analysis, pp. 61– 65, 2007.
[17] Xiaolu Zhu and R. Rangayyan, “Detection of the Optic Disc in Images of the Retina Using the Hough Transform,” 30th IEEE EMBS Conf., pp. 3546-3549, 2008
[18] S. Lu and J.-H. Lim, “Automatic optic disc detection from retinal images by a line operator,” IEEE Transactions on Biomedical Engineering, vol. 58, no. 1, pp. 88–94, 2011