【阅读论文】第五章--分割微动脉瘤--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

5.微血管瘤分割

微小动脉瘤的定位是DR自动检测的关键环节。在本章中，我们提出了一种新的基于Radon变换的微动脉瘤分割技术，该技术能够在无需任何视网膜形态特征先验知识的情况下，通过最少的图像预处理来识别这些病变。该算法已在视网膜病变在线(ROC)咨询公共数据集上进行了评估，其性能与当前最佳技术进行了比较。该性能在低假阳性率下表现尤为出色，是糖尿病视网膜病变筛查系统的理想候选者。部分工作已在Giancardo等人的著作中发表 (2010a，2011b)。

Giancardo（2010）Microaneurysms detection with the radon cliff operator in retinal fundus images.

5.1简介

如第2.1.4.(1)节所示，微动脉瘤(MAs)是DR早期的常见且病症。MAs是DR激光治疗的主要靶病变。因此，MA检测器是能够检测并发现早期DR的自动筛查系统。

从图像处理的角度来看，微动脉瘤的自动检测存在各种挑战。首先，MAs的颜色和大小与血管相同(事实上它们本身就是小血管)。微动脉瘤的大小不一，常因为太小而与图像噪声或视网膜色素沉着混淆。事实上，即使是专业眼科医生也不能没有误差的确定红色病变是微动脉瘤还是其他结构。唯一可以确定的方法是通过荧光素血管造影术，这是一种侵入性手段，需要将造影剂注射至患者体内。小点出血与MAs的结构类似，但它也是DR的一种症状，因此对于MAs自动检测系统来说，区分两者是没有用的，特别是如果算法的目的是对转诊到眼科医生的患者进行筛查。

第2.3.1节介绍了多种MAs检测算法。特别介绍了迄今为止参与ROC挑战的技术。算法性能最佳的是Antal（2010）等人；Niemeijer（2005）等人，原理是基于多个MAs定位算法的组合，这些算法需要各种中间步骤，例如血管分割和多个分类器。从他们的方法中得出结论：如果在检测中使用多种MAs的不同特性，则多种MAs定位算法的组合显示出很大的改进。

Antal（2010）：An ensemble-based system for microaneurysm detection

Niemeijer（2005）：Automatic detection of red lesions in digital color fundus photographs

我们提出了一种基于一组新的Radon空间特征的MAs定位算法。该算法不是基于不同技术的组合，但它与最好的两种算法(复杂得多) 的性能相当。这些特征利用了MAs的圆形高斯状结构。Radon变换是医学成像领域中众所周知的一种从投影中重建二维或三维物体的技术(Resnick，1985)。尽管在其他用途中并不常见，但可以将其应用于图像压缩(Kingston and Autrusseau，2008)和纹理表征(Liu等人2009)。通过在Radon空间中生成特征，可以在滑动窗口中利用Mas的可变大小高斯状结构的紧凑表示，即使存在噪声或血管。在以前的工作中(Giancardo等人2010a)，我们以基于规则的方式从这些特征中推导出一个算子，然而检测性能普通。本章通过主成分分析和支持向量机(SVM)对样本进行分类，大大提高了分类性能。该方法是精简的，不需要血管分割，并且易于训练。

Resnick（1985）：The radon transforms and some of its applications

Kingston and Autrusseau（2008）：Lossless image compression via predictive coding of discrete radon projections

Liu等人（2009）：Radon representation-based feature descriptor for texture classifification

在第5.2节中，我们介绍了算法的细节；第5.3节讨论了ROC数据集的特征和我们的样本选择方法；第5.4节介绍了结果；第5.5节是对方法和结果的讨论。

5.2方法

该算法是在从不同数据集选取的5幅图像上开发的。其中一张图片来自ROC训练集。手动选择总共122个图像窗口样本，分布如下：60个窗口包含MAs，38个窗口包含血管&#