基于新型模糊聚类方法的视网膜渗出物检测

Ravindraiah R^1＊Chandra Mohan Reddy M²

¹印度安得拉邦Chittor mit欧洲经委会系助理教授

²印度安得拉邦普里文杜拉市南洋理工大学工程学院欧洲经委会系主任兼教授

通讯作者:: Ravindraiah R
助理教授
麻省理工学院ECE系
Chittor，安得拉邦，印度
电子邮件: (电子邮件保护)

收到日期:07/10/2015;接受日期:16/11/2015;发表日期:27/11/2015

摘要

目前，治疗性图像处理在大多数工程领域都引起了越来越大的兴趣。成像方式提供详细的解剖信息。它也有助于疾病的发现和逐步治疗。糖尿病视网膜病变(DR)的主要症状是分泌物，在慢性情况下会导致严重的视力丧失。渗出物是视网膜受损血管中渗出的血液和蛋白质颗粒的残余。激光治疗需要准确定位渗出物，通过激光烧伤忠实地清除。对漏斗镜图像的分割有助于眼科医生进行诊断、分类和判断严重程度。设计和开发了基于阈值分割、区域生长和马尔可夫随机的医学图像分割方法模型，聚类，可变形模型、分类器、神经网络、期望最大化和支持向量机等。其中，模糊聚类方法具有较低的复杂性和较强的鲁棒性。本文针对模糊C均值聚类(FCM)算法的性能评价，分别进行了核诱导FCM (KFCM)和空间FCM (SFCM)算法的研究。

关键字

模糊C均值聚类(FCM)，基于核的模糊C均值(KFCM)，空间模糊C均值(SFCM)，图像分割，糖尿病视网膜病变。

简介

糖尿病是一种慢性疾病，需要患者终生的治疗护理和自我管理的熏陶，以推迟最初的并发症和减少持续问题的威胁。除了血糖控制，它的护理是相当复杂的，因为它提出了许多问题的根源。

糖尿病在医学上可分为4类:

1型糖尿病(胰岛细胞损害的结果，导致绝对胰岛素缺乏)2型

糖尿病(导致缺乏胰岛素分泌)其他显性原因包括有机细胞功能的遗传问题，胰岛素作用的遗传原因，外分泌胰腺的问题(如囊性纤维化)，以及某些并发症(如艾滋病)治疗期间或器官置换后的化学作用

妊娠期糖尿病(GDM)(见于孕妇)

糖尿病患者会有常见的症状，如尿量增加(多尿)、口渴(多饮)、饥饿(多食)和体重减轻。临床诊断分析视力模糊、周围神经病变、反复阴道感染、疲劳。

在上述分类中，DR在2型糖尿病中更为普遍。DR是视网膜血管病变的主要原因。分泌物是糖尿病性视网膜病变的主要征状之一[1］．视网膜是由血管网络滋养的光敏肌肉层。任何血管的改变都会导致光知觉的困难。根据眼底血管的变化，DR分为非增殖性和增殖性。增殖性是指视网膜内新生血管(血管生长异常)的不确定性。没有新生血管的DR称为非增殖性糖尿病视网膜病变(NPDR)。随着病变发展为增殖性糖尿病视网膜病变(PDR)[新生血管的出现]，会导致严重的视觉后果。血管的变化包括虚弱脆弱的血管渗出血液，蛋白质颗粒进入眼底[渗出]。在它们真正破裂之前，它们就膨胀起来了。这些被称为微动脉瘤。 In time these micro-aneurysms burst and leads to accumulation of Exudates. Also the blood vessels may block making the retina cells suffer from nourishment. Hence new blood vessels are stimulated which are abnormal, weak, transparent and probably ruptured. This makes situation chronic. It would be useful to have an automated method of detecting exudates in digital retinal images produced from DR screening programs [2］．DR的早期发现和诊断有助于患者预防严重的视力丧失。通过眼底摄像头获取的视网膜图像用于诊断DR，与人工诊断方法相比，DR筛查的自动化方法有助于节省时间、成本和患者的视力[3.，4］．

图像分割是将图像按照不同的原则细分为具有相同特征的一组皮的方法。这些是面向区域的，而不是面向像素的。分割将图像分割成有意义的连接区域。这些方法分为两种:(i)局部分割，(ii)全局分割。

局部分割处理的是分割子图像，子图像是整幅图像上的小窗口。可用于局部分割的像素数量远低于全局分割。局部分割必须节省对像素数据的需求。全局分割是对整个图像进行分割。全局分割主要处理由相对大量像素组成的段。这使得全局分段的估计参数值更加可靠。图像分割可以从三个不同的哲学角度来研究。它们是(i)区域方法，(ii)边界方法，(iii)边缘方法。

聚类方法试图获得不同数据集中像素点的共同特征/特征，并根据特定的相似性将模式组织成单独的组。在聚类技术中，尝试从图像的局部区域提取特征向量。聚类的标准程序是将每个像素分配给最近的聚类均值[5］．大多数聚类算法不依赖于传统数值方法所共有的期望，例如数据的基本统计分布，因此它们在先验知识很少的情况下非常有用。聚类程序的优点揭示了数据的主要结构，可用于广泛的应用，包括图像处理、模式识别、分类、识别和建模。

聚类方法可以分为两种:分层聚类和分区聚类。层次聚类方法利用接近矩阵来确定需要分组的数据点的相似度。它们产生聚类树，表示嵌套的模式集和分组不同的相似级别。在这些方法中，生成的集群总是作为树的内部节点创建，而根节点保留给整个数据集，叶节点保留给单个数据样本。聚类过程根据融合两个小集群或分割一个大集群的规则而有所不同。在层次聚类框架中使用的两个关键类型的过程是聚集和分裂。基于分区的聚类使用了一种迭代优化过程，目的是最小化一个目标函数，该目标函数可以衡量聚类的优度。基于分区的聚类由两个学习步骤组成——将每个模式划分到其最近的聚类和计算聚类质心[5］．基于分区的聚类的一个共同特征是，聚类过程从已知聚类数量的初始假设开始。聚类质心的计算通常基于最优条件，即目标函数的最小化。分区过程分为分区重定位方法和基于密度的分区。分区聚类方法，如K-means聚类和模糊聚类，比层次聚类方法更有优势，其中一部分数据点优化了一些准则函数。

本文对三种基于模糊的聚类方法进行了比较分析。其中包括Dunn提出的模糊C均值聚类(FCM) [6]，以及Zhang [7，8]及张克士提出的空间FCM [9］．

基于模糊的图像分割方法

聚类方法分为清晰(硬)聚类方法和模糊聚类方法。在Crisp中，聚类数据是碎片化的、互斥的子组。而模糊方法对数据点的不确定性有重要意义，因为它们同时对多个聚类提出了不同的归属量。这种归属性称为隶属度，隶属度的值在0到1之间变化。在许多应用中，模糊聚类比简单的聚类方法更自然、更有效。即使是角落上的数据元素也没有被强制合并到任何一个类中，而是在聚类之前分配了成员值。

硬划分的离散性质也导致了基于解析泛函的算法的困难，因为这些泛函是不可微的[5］．

模糊C均值算法:

乔·邓恩[6]于1974年报道FCM方法，并由Bezdek改进[7)。FCM的目标是最小化目标函数JFCM定义为

(1）

你在哪里_ij为隶属度函数，表示像素对特定聚类或区域的归属度。和d_ij为欧几里得距离度量。

算法

令X = (X₁, x₂, x_3.x……_n)为数据点集。

C = (C₁c₂c_3.c…_n)是中心的集合。

1.以数据矩阵X的形式接收输入图像

2.修复集群“C”的集群

3.计算模糊隶属度

（2）

4.计算模糊中心

（3）

5.迭代将在何时停止（4）

算法根据数据点与聚类中心之间的距离度量为每个数据点分配隶属度。隶属度值与它们之间的距离值成反比。显然，每个数据点的隶属度之和应该等于1。每次迭代后，根据公式2和公式3更新聚类中心和隶属度。FCM的优点是收敛速度快，但存在一些限制，如计算时间长，对初始猜测(速度，局部最小值)的敏感性，对噪声的免疫力较低，以及对离群值的隶属度期望较低(甚至没有)。有关FCM的详细资料，请参阅[6，7］．

核模糊C均值算法

这是FCM的改进版本，其中FCM中的基本欧几里得度量通过引入高斯核进行修改。这将提高聚类效率，减少FCM中存在的离群点问题。

KFCM的目标函数定义为

（5）

算法

设X=(x1, x2, x3---------- xn)为数据点集。

C = (c1, c2, c3 ----------- c3)的中心

(1)以数据矩阵X的形式接收输入图像

(2)固定“C”簇的个数。

(3)利用，计算模糊隶属度

(6）

(4)利用

(7）

(5)迭代停止时(8)

KFCM算法具有较好的抗噪性和降低FCM中存在的离群值效应，但存在计算复杂度和对大数据集性能较差的限制。KFCM的详细资料载于参考文献[8］．

空间模糊C均值算法

早期的模糊聚类方法没有包含任何空间信息。通过包含空间信息，即渗出物周围的邻域像素信息，有助于实现最佳分割结果。

SFCM的目标函数定义为

（9)

SFCM算法分为两步

1.第一步进行了与标准FCM相同的隶属度函数计算

2.第二步，将像素隶属度信息映射到空间域

从第二步开始计算空间函数。

（10）

在哪里

NB(xj)是一个以像素xj为中心的方形窗口。

整个方法使用3*3方形窗口。

Hij是像素xj属于I的概率^th集群。

会员资格函数更新为

（11）

因此，邻居像素特征被纳入隶属度函数，如公式[所示10］．SFCM的完整资料载于参考文献[9］．

统计测量

下面的统计措施是有用的比较图像分割方法。

（12）

（13）

(14）

TP=正确检测到的渗出物像素数

TN=被正确检测为非渗出物的非渗出物像素的个数

FP=被错误检测为渗出的非渗出像素的数量

FN=未被检测为渗出物的渗出象素数

峰值信噪比被定义为信号(这里是图像)的最大可能功率与影响其表示保真度的破坏噪声的功率之间的比率。PSNR通常以对数分贝刻度表示，由

(15）

其中MAX是图像中可能的最大像素值，MSE是输入图像和处理图像之间的均方误差，由以下公式给出

（16）

其中I(I,j)是输入图像，K(I,j)是处理后的图像。M *n为图像的大小。

结果

以下数字1 - 4显示原始漏斗镜图像和FCM, KFCM和SFCM方法的结果。从这些图中我们可以确定FCM、KFCM和SFCM方法的分割和视网膜渗出物。

engineering-technology-FCM-Segmentation-results

图1:(a)原始图像;(b)-FCM分割结果;(c)-KFCM分割结果;(d)-SFCM分割结果。

的表1为FCM、KFCM、SFCM的统计分析结果。

表1:绩效指标

结论

从上述结果可以看出，与FCM和KFCM相比，SFCM的结果是最优的。统计结果表明，与其他两种聚类方法相比，SFCM具有最高的准确率和PSNR。此外，在前端实现保边滤波可以提高SFCM对噪声的鲁棒性。加权距离度量甚至可以改善这些方法的收敛特性。

参考文献

Osareh M，等。数字彩色图像中糖尿病视网膜渗出物的自动识别。英国眼科杂志2003;87: 1220 - 1223。
Akara S，等。非扩张型糖尿病视网膜病变视网膜图像的自动渗出检测
使用模糊c均值聚类?， Journal of sensors, 2009;9: 2148 - 2161。
桑切斯CI，等。视网膜图像分析检测和量化病变与糖尿病视网膜病变。第26届IEEE医学与生物工程国际年会(EMBC) 2004;3:16 24 - 1627。
Selvathi D，等。基于特征提取和支持向量机的糖尿病视网膜病变早期自动检测。中国机械工程学报(英文版)，2012;
数字图像处理，McGraw Hill教育印度有限公司，2013。
Dunn JC和cybernetj。ISODTATA过程的模糊相对及其在检测紧密分离簇中的应用，Taylor &francis Online 1973;3:32-57。
Bezdek JC。用模糊目标函数算法进行模式识别，纽约:全会出版社，1981。
陈顺生，张德强。基于新的核诱导距离测量的空间约束FCM鲁棒图像分割。系统人员，Cybernet。-Part B 2004;34: 1907 - 1916。
张克世，曾宏龙。基于空间信息的模糊C均值聚类图像分割，计算机医学影像与图形学，2006;30: 9 - 15。
王晓明，王晓明，王晓明，等。彩色眼底图像中渗出物的检测方法，光子学报，2014;(3):10659-10665。