【阅读论文】第四章--分割渗出--博-自动化眼底图像分析技术可筛查糖尿病患者的视网膜疾病

4.渗出分割

在本章中，介绍了两种新的检测渗出物的方法，这两种方法不使用监督学习；因此，它们不需要标记的病变训练集，这些训练集可能创建起来耗时、难以获得并且容易出现人为错误。介绍了HEI-MED数据集，用于实验。我们使用该数据集评估我们的算法，并将我们的结果与文献中最近的两种渗出物分割算法进行比较。在所进行的测试中，我们的算法在计算时间上减少了一个数量级，性能更好或相当。部分工作已在Giancardo等人的著作中发表。

Giancardo：Automatic retina exudates segmentation without a manually labelled training

4.1介绍

在本章中，介绍了一种新的渗出物分割方法的两种变体，这种方法属于阈值方法的范畴，不需要监督学习(参见第2.3.2节)。我们介绍了一种对眼底图像进行归一化的新方法，并直接将我们的方法与Sopharak(2008) 等人基于形态学的技术的算法和另一种Sanchez（2009）等人基于阈值的技术进行比较。在第4.2节中，我们介绍了用于测试算法的新公共数据集；第4.3节举例说明了另外两个小组公布的两种方法，这些方法已经在HEI-MED数据集上实施和测试；第4.4节详细介绍了两种自动渗出物分割方法的两种变体；第4.5节通过将结果与其他两种已发表的技术进行比较；最后，第4.6节讨论这一章。

Sopharak(2008)：Automatic detection of diabetic retinopathy exudates from non-dilated retinal images using mathematical morphology methods

Sanchez（2009）：Retinal image analysis based on mixture models to detect hard exudates

4.2材料：HEI-MED数据集

利用第2.4.2节中介绍并由Li等人详细描述的远程医疗网络图像，设计并测试了渗出物分割算法。2010年1月，中央服务器存储了1907张图像，其中75%健康，其余25%患有某种形式的视网膜疾病，需要转诊至眼科医生处。这些图像来自910名患者的971个疗程。这些丰富的图像对研究目的特别有意义，因为它为全自动眼睛筛查系统所需的病变分割和诊断分类算法提供了合适的测试数据。我们认为，基于这些在真实临床条件下通过基础广泛的筛选方案获得的数据创建数据集，与现有数据集相比有以下几个优势：

• 不同族裔:采用远程医疗网络的诊所主要位于美国中南部，那里的族裔群体多种多样，视网膜色素沉着的范围涵盖了不同人群。强调这一点很重要，因为视网膜眼底的外观因视网膜色素上皮的色素沉着而有很大差异，这与种族和眼睛颜色有关。根据这种色素沉着，病变或其他类型的结构或多或少对更广泛的患者病变分割和诊断算法的开发更具挑战性，如图4.1所示。

• 图像一致性:所有图像均由Zeiss Visucam PRO眼底照相机以2196×1958像素的分辨率和45°的视野(FOV)拍摄。
• 质量评估:图像捕获过程通过第3章中描述的自动质量评估算法进行评估。每次捕获图像时，都会运行该算法，并将结果显示给摄像机操作员，让他们有机会在需要时拍摄新图像。因此，数据集中的每个图像都存储了一个ELVD质量参数以供比较。
• 元数据:在所有图像中，都提供了附加信息。包括种族和质量指标、图像采集时的患者年龄、性别、糖尿病类型，以及机器分割的脉管系统(采用Zana和Klein的方法)和手动生成的视神经位置(ON)也是如此。

从服务器上收集的图像库中，随机选择了169幅代表不同程度DR/DME的图像。已知所有图像均具有足够的质量，未复制任何患者，并且代表了合理的种族和疾病分层混合。表4.1显示了数据集中的种族、DME诊断、ELVD质量、糖尿病类型和患者年龄分布。该数据集可在以网站上下载。

虽然我们的算法没有使用机器学习方法将病变分为真阳性和假阳性，但数据集的每幅图像都是由眼科专家E.Chaum手动分类。这使得可以对已标记的病变与算法的评估进行对比。他确定了眼底图像中出现的所有渗出区域和其他明亮病变，如棉絮斑、玻璃疣或清晰可见的液体。每幅图像的手动分割和分级是在一台17英寸的平板设备上进行的，该设备可以用手写笔操作，以提高标签精度和出图效率。用于执行任务的软件是内部开发的，与普通位图绘画软件的外观和感觉类似。对采集的图像，进行不同病变的分割、查看或修改，以及缩放视图。

使用由单个眼科医生建立的基本事实标签（th