• 沒有找到結果。

本研究彙整了部分有關視網膜病變偵測的文獻並製下表 2-1,其目標 代表該研究所偵測的病變分類,R 表示紅色病變、W 表示白色病變;系 統精確度以 Se 表正確判斷為病變的精確度、Sp 表正確判斷為非病變的 精確度、Ac 表整體精確度、AUC (area under curve)表示為接收操作 特徵曲線(receiver operative characteristic curve, ROC 曲線)下面積,ROC 曲線下面積可以用來評估分類的準確度,其繪製方法是將 Y 軸資料定為 Niemeijer 2005 R mathematical morphology

k-th nearest neighbor 21 Se:100 Sp:87 Garcia 2008 R multilayer perceptron classifier 29

Se:82 Sp:86.5 Ac:84.2 Kande 2009 R relative entropy based thresholding

Support Vector Machine 33 Se:96.22 Sp:99.53 Giancardo 2011 W Kirsch’s edges

Stationary wavelets NA AUC:86 AUC:81 Rocha 2012 R

W

speeded-up robust feature

Support Vector Machine 128 AUC:93.3 AUC:95.3

透過影像技術進行糖尿病視網膜病變偵測,基本上包含「眼底影像 預處理」、「病變區域分割與特徵擷取」、「病變區域分類與辨識」等三大 步驟,以下將逐一探討各個流程的相關技術。

第一節 眼底影像預處理

視網膜影像中的前景物件如血管、病變區域、黃斑、視神經盤等前 景物件與背景對比度低,使得偵測感興趣物件的困難度提高,諸多研究 為了改善這個問題首先將影像分割成 RGB 三個頻道,並使用綠色頻道

(green channel)的灰階影像來做為系統的輸入(Ghadiri, Pourreza, Banaee & Delgir, 2011;Selvathi & Balagopal, 2012)。雖然綠色頻道的明 暗對比可以比原始影像更高,但前景物件與背景的對比度仍舊不足,因 此許多研究便在對比增強方面多做著墨。

對比增強最典型的方法為直方圖等化(histogram equalization)。雖然 直方圖等化可以將前景物件的對比度提高,但背景雜訊卻也跟著提升,

也因此近年來有關視網膜影像辨識的研究也從各種的增強對比的方法 切入。其中 Wu, Zhang, Liu & Bauman(2006)的研究指出自適性直方圖 等化(adaptive histogram equalization, AHE)比傳統的直方圖等化有更好 的效果,特別是應用在低亮度的小血管上,原因在於 AHE 是逐步地做 區塊調整。在降低背景雜訊的部份,許多研究使用了均值濾波器(mean filter)(Badea, Danciu & Davidescu, 2008;Chaudhuri, S., Chatterjee, S., Katz, N., Nelson, M., & Goldbaum, M.,1989)與中值濾波器(median filter)

(Hafez & Azeem, 2002;Verma, Deep & Ramakrishnan, 2011)等方法,

都得到了不錯的效果。

第二節 病變區域分割與特徵擷取

區域分割是進行影像分析中重要的一環,其處理的方法有很多,大 致上可分為「閾值分割」、「邊緣偵測」、「區域增長」三類(Tamilarasi &

Duraiswamy, 2013)。

閾值分割方法是找出一個閾值(threshold value),將每個像素值與閾 值相比,若小於閾值則分割出血管或紅色病變,此法是最簡單也最好實 作的分割方式,其重點是找出最能將前景物件與背景分離出來的閾值,

但眼底影像的複雜度高,且紅色病變、血管及中央窩的顏色資訊非常接 近,難以單一閾值做最佳分割。Garcia, Sanchez, Lopez, Diez & Hornero

(2008)基於閾值分割方法,將 DIRVE 視網膜影像資料庫的每張影像 切成許多 20*20 的子影像,去計算子影像的平均值,若子影像像素值小 於 0.9 乘以平均值,則分割出紅色病變,之後分別計算每個病變區域在 RGB 色彩空間的像素平均值、標準差、面積與邊緣等共計 29 個特徵值。

雖然閾值分割方法在整張眼底影像中無法使用單一閾值做最佳化分割,

但根據 Gracia et al.(2008)等人的經驗來看,透過預先將影像分割出子 影樣的方法,可以將影像複雜度降低,針對不同子影像去計算閾值的方 法,的確可以將感興趣的物件分割出來,但分割的精確度仍有改善空 間。

邊緣偵測方法是利用邊緣偵測運算子如 Sobel 運算子、Canny 運算子,

將物件的邊緣分割出來,此方法適合偵測具有銳利邊緣的物件,例如 Giancardo, Meriaudeau, Karnowski, Li, Tobin & Chaum(2011)使用了 Kirsch 運算子分割出硬滲出物,但缺點是容易受到背景雜訊的干擾。

Hafez 和 Azeem(2002)使用了 Sobel 運算子分割微血管瘤,並以大小 為依據先行預判分割出來的物體是否為血管,再以是否為近似封閉曲線 決定分割出來的是否為微血管瘤,最後以微血管瘤周長、涵蓋微血管瘤 矩形長寬比、微血管瘤灰階值總和與平均、微血管瘤與背景灰階值的差 做為判斷的依據。邊緣偵測方法雖然在分割銳利邊緣物件上有良好的效 果,然而許多感興趣物件不具有明顯的邊緣資訊如棉絮狀斑,細小血管 附近的小塊狀出血與滲出物,因此套用此法容易遺漏這些感興趣的物件,

且同時容易分割出背景中具有銳利邊緣的雜訊,使得後處理程序更加複 雜。

區域增長方法是基於 Flood Fill 演算法,將鄰近相似區域分割出來,

此方法普遍適用於有背景雜訊干擾的影像,但需要人工選取一個像素作 為 輸 入 , 因 此 選 取 對 的 像 素 將 是 分 割 成 功 的 關 鍵 ( Tamilarasi &

Duraiswamy, 2013)。Jaafar, Nandi & Al-Nuaimy(2011)使用了區域增長 的方法先分割出紅色病變,之後計算其形狀特徵(長寬比、周長、面積)

與顏色特徵,在顏色特徵方面除了計算影像處理後的灰階值平均與標準

差,另外也計算在原始綠色頻道上的灰階值平均與標準差共計 9 種作為 特徵值。雖然區域增長方法必須人為手動給定或是透過計算去找出一個 起始像素,但此法只要將起始像素落在感興趣物件之上,與其他方法相 比可以更有效、精確地分割出感興趣物件,唯一必須克服的是感興趣物 件與背景的像素值必須要有一定的距離,若感興趣物件為暗沉病變,期 平均像素值為 20,而坐落在平均像素值為 25 的背景上,這種情況就難 以分割。

綜合上述對於病變分割及特徵擷取的文獻,本研究決定嘗詴基於閾 值分割與區域增長方法進行病變分割,透過感興趣區域的定位將影像複 雜度降低,以閾值分割方法做第一次影像分割,若第一次影像分割結果 不佳,則以區域增長方法做第二次影像分割,修補其分割結果並將物件 像素值與背景像素值作為特徵值。

第三節 病變區域分類與辨識

得到病變特徵後必須透過機器學習來做分類與辨識,常見的方法有類 神經網路(Artificial Neural Network)、第 k 位最接近的鄰居(k-th nearest neighbor, KNN)與支援向量機(Support Vector Machine, SVM),這些方 法被廣泛應用於資料分群的應用上。

在醫學影像分類應用方面,Gracia et al.(2008)將 100 張眼底實驗影 像分成一半,50 張訓練組影像在計算完紅色病變的 29 種特徵值以後,

得到 2360 組紅色病變區域與 2360 組非紅色病變區域的訓練樣本,透過 類神經網路的其中一種「多層感知神經網路」架構,將其正規化參數與 隱藏層數量設為 8 和 30,另外 50 張測詴組的分類結果精確度達 84.2%。

Niemeijer, Ginneken, Staal, Maria & Michael(2005)以人工註解方式 先將紅色病變區域找出來,之後拆分成訓練組與測詴組。訓練組有 28 張,其中有 510 個紅色病變;測詴組有 27 張,其中有 348 個紅色病變。

計算病變在 RGB 色彩空間與 HSI 色彩空間的顏色特徵(平均數、標準 差等)與形狀特徵(面積、周長等)後,使用 k-th nearest neighbor 進行 訓練,其 k 值設為 11 時,得到的最佳敏感性(sensitivity, SN)為 100%,

特異性(specificity, SP)為 87%。SN 表正確判斷為病變的精確度,SP 表正確判斷為非病變的精確度。

Kande, Savithri, Subbaiah & Tagore ( 2009 ) 以 DIARETDB0 和 DIARETDB1 視網膜影像資料庫為實驗資料,分割出 116 個紅色病變區 域與 1489 個非紅色病變區域,取得每個區域的特徵值後使用 SVM 進行 分類,其 SN 為 96.22%,SP 為 99.53%。SVM 最初是由 Cortes & Vapnik 在 1995 年提出,其概念是找出一個最佳的超平面(hyper plane)去求得 兩個組別的最大距離。SVM 在二分類的應用上有良好的表現,故本研究 在分類與辨識階段使用 SVM 來將病變區域與非病變區域的像素加以分 類。

相關文件