استخراج رگ های خونی تصاویر شبکیه با استفاده از تبدیل نسل جدید کرولت و عملگرهای مورفولوژی وزن دار شده وفقی

نوع مقاله: مقاله علمی فارسی

نویسندگان

1 دانشگاه آزاد اسلامی، واحد نجف آباد، باشگاه پژوهشگران جوان و نخبگان، نجف آباد، اصفهان، ایران

2 دانشگاه آزاد اسلامی، واحد نجف آباد، دانشکده مهندسی برق، نجف آباد، اصفهان، ایران

چکیده

با توجه به کاربردهای فراوان پزشکی و بیومتریک تصاویر شبکیه، استخراج اتوماتیک و دقیق رگ های خونی شبکیه از اهمیت بالایی برخوردار است. در این مقاله روشی مؤثر برای استخراج رگ‌های خونی از تصاویر رنگی شبکیه پیشنهاد می‌شود. اعمال تابع برابر کننده روشنایی در این مقاله به طور درخور توجهی روشنایی این گونه تصاویر را یکنواخت می‌کند. به دلیل توانایی بالای تبدیل چند مقیاسی کرولت در معرفی لبه‌های تصویر در مقیاس‌ها و جهت‌های مختلف، در این مقاله لبه‌ها و در نتیجه کنتراست و کیفیت تصاویر شبکیه به کمک اصلاح محلی و وفقی ضرایب کرولت توسط تابع اصلاح معرفی شده ارتقا یافته و این تصاویر برای مرحله استخراج رگ‌های خونی آماده می شوند. به دلیل پراکندگی رگ‌های خونی تصاویر شبکیه در جهت‌های مختلف، از عملگرهای مورفولوژی با المان‌های ساخت وفقی وزن گذاری شده برای استخراج رگ های خونی استفاده شده است. عملگرهای مورفولوژی مبتنی بر تبدیلات ژئودزیک، انتخاب مناسبی برای حذف زواید به وجود آمده ای هستند که اندازه آنها از مویرگ‌های تصویر کوچکتر است. نهایتاً با آنالیز اجزای به هم پیوسته تصاویر و اعمال محلی فیلتر وفقی بر روی این اجزا، تمامی زواید باقیمانده در تصویر حذف می شوند. الگوریتم پیشنهاد شده در این مقاله توسط تصاویر موجود در پایگاه داده DRIVE ارزیابی شده است. نتایج پیاده سازی نشان می دهد که الگوریتم پیشنهادی دقت بالای 11/97 درصد را در پایگاه داده DRIVE کسب کرده است. نتایج پیاده سازی، توانایی و دقت بالای الگوریتم پیشنهادی در استخراج رگ‌های خونی از تصاویر شبکیه را نشان می دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Blood Vessels Extraction in Retinal Image Using New Generation Curvelet Transform and Adaptive Weighted Morphology Operators

نویسندگان [English]

  • Saleh Shahbeig 1
  • Hossein Pourghassem 2
1 Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Isfahan, Iran
2 Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Isfahan, Iran
چکیده [English]

According to many medical and biometric applications of retinal images, the automatic and accurate extraction of the retinal blood vessels is very important. In this paper, an effective method is introduced to extract the blood vessels from the background of colored images of retina. In this algorithm, by applying the equalizer function on the retinal images, the brightness of the images is considerably uniformed. Because of high ability of Curvelet transform in introducing image borders in various scale and directions, borders and, consequently the contrast of retinal images can be enhanced. Therefore, the enhanced retinal image can be prepared for the extraction of blood vessels by improving Curvelet coefficients of the retinal images, adaptively and locally. Since the blood vessels in retinal images are distributed in various directions, we use the adaptive weighted morphology operators to extract the blood vessels from retinal images. Morphology operators based on reconstruction are used to refine the appeared frills with the size of smaller than arterioles in images properly. Finally, by analyzing the connected component in the images and applying adaptive filter on the components locally, all residual frills are refined from the images. The proposed algorithm in this paper has been evaluated by the images in the DRIVE database. The results how that the blood vessels are extracted from background of the retinal images of DRIVE database with the high accuracy of 96.15%, which in turn shows the high ability of the proposed algorithm in extracting the retinal blood vessels.

کلیدواژه‌ها [English]

  • Retinal Blood Vessels Extraction
  • Equalized Intensity Function
  • New Generation Curvelet Transform
  • Adaptive Weighted Morphological Operators
  • Morphological Operators Based on Geodesic Conversions

- مقدمه

[1]

مهمترین جزء داخلی چشم، شبکیه نام دارد که تمام قسمت پشتی چشم را پوشانده است و تمام گیرنده‌های نوری بر روی آن توزیع شده اند. اختلال های ایجاد شده بر شبکیه، که در اثر بیماری‌های خاص اتفاق می افتند، توسط تصاویر خاص شبکیه قابل تشخیص هستند که این تصاویر با استفاده از تصویر برداری اپتیکی خاصی موسوم به فاندس حاصل می شوند. از بخش‌های مهم تصاویر شبکیه، رگ‌های خونی هستند که خود شامل سرخرگ‌ها و مویرگ‌ها هستند. بررسی تغییرات ایجاد شده در تصاویر شبکیه در یک بازه زمانی خاص، می تواند پزشک را در تشخیص بیماری‌های مرتبط یاری رساند. از جمله کاربردهای تصاویر شبکیه می‌توان به موارد زیر اشاره نمود :

  • نمایش نارسایی شبکیه دیابتی
  • تشخیص پیشرفت برخی از بیماری های قلبی- عروقی
  • تشخیص ناحیه فاقد رگ ماکولا (Macula)
  • استفاده جهت کمک به جراحی خودکار لیزر بر روی چشم
  • استفاده از این تصاویر برای کاربردهای بیومتریک و . . .

از طرفی، استخراج رگ های خونی شبکیه، گاهی توسط پزشک و به صورت دستی انجام می پذیرد که عملی زمان بر و مشکل بوده و به علت وابستگی زیاد به میزان مهارت پزشک، خطای زیادی به همراه دارد. بنابراین لزوم استخراج دقیق رگ‌های خونی از تصاویر شبکیه، ایجاب می کند که از الگوریتم و ابزارهایی استفاده کنیم که وابستگی این عمل به کاربر را کاهش داده و عوامل خطا را از بین ببرد.

از جمله روش های متداولی که پیش از این برای استخراج رگ‌های خونی مورد استفاده قرار گرفته است، می‌توان به روش‌های مبتنی بر ردیابی [1]، مبتنی بر طبقه بندها [2] و مبتنی بر پنجره [3] اشاره نمود.

در [1] شیوه ای پیشنهاد شده است که تحت عنوان PBM بوده، با استخراج شیار‌ها در تصویر، که تقریب بسیار خوبی از رگ ها هستند، عمل ناحیه بندی رگ‌ها را انجام می‌دهد. این شیار‌ها برای تولید ویژگی های اولیه برای تشکیل المان‌های خط هستند. سپس الگوریتم با نسبت دادن پیکسل‌های تصویر به نزدیک ترین المان خط، تصویر را به تکه‌هایی ناحیه بندی می کند.

هر المان خط یک مختصات محلی تشکیل می دهد که نواحی مربوطه در همان مختصات شناخته می شوند. برای هر پیکسل با استفاده از خواص نواحی و المان های خط، بردار ویژگی محاسبه می شود. سپس از یک دسته بندی کنندۀ از نوع KNN استفاده می شود. در حقیقت، ایدۀ اصلی این روش مبتنی بر ویژگی ذاتی رگ هاست که همانا ساختار طویل آنهاست.

در شیوه ای که در [2] پیشنهاد شده است، یک روش با ناظر جدید به منظور بخش بندی رگ های خونی در تصاویر شبکیه با استفاده از ویژگی های مبتنی بر ثابت های گشتاور و ویژگی های سطوح خاکستری تصویر ارائه شده است. مراحل الگوریتم معرفی شده در این شیوه به صورت زیر دسته بندی می شوند:

1- اعمال پیش پردازش بر روی تصاویر اصلی شبکیه به منظور یکنواخت کردن سطوح خاکستری تصویر و ارتقای رگ‌های خونی؛ 2- استخراج ویژگی به منظور نمایش عددی پیکسل ها؛ 3- اعمال یک طبقه بند به منظور برچسب زدن به پیکسل های تصویر (رگ و غیر رگ)؛ 4- اعمال پس پردازش بر روی نتایج حاصل شده به منظور پر کردن فاصلۀ بین پیکسل ها در رگ های خونی شناسایی شده و حذف پیکسل های جدا افتاده که اشتباها به عنوان رگ شناخته شده اند.

این روش از یک شبکه عصبی برای طبقه بندی پیکسل های تصویر استفاده می کند که یک بردار 7-D (7-بُعدی) مرکب از ویژگی های مبتنی بر ثابت های گشتاور و سطوح خاکستری تصویر برای نمایش پیکسل ها در این روش استفاده شده است. در حقیقت، این روش مبتنی بر طبقه بندی پیکسل های تصویر بوده و با استفاده از یک بردار ویژگی 7-بُعدی استخراج شده از تصاویر شبکیۀ بهبود یافته و استفاده از آن به عنوان ورودی شبکۀ عصبی، اقدام به دسته بندی پیکسل های تصویر در دو گروه رگ و غیر رگ می‌کند. نهایتاً یک پس پردازش، فاصلۀ بین پیکسل ها را پر کرده، پیکسل های به اشتباه رگ شناخته شده را از تصویر حذف می کند.

در شیوه ارائه شده در [3]، ابتدا باند سبز تصاویر منفی (نگاتیو) خواهد شد و سپس فیلتر مکانی روی تصویر معکوس شده اعمال می شود. این فیلتر مکانی یک تشخیص دهنده خط است که در جهت های مختلفی روی تصویر اعمال می شود. به مرکزیت پیکسل هدف  خطی به طول  در نظر گرفته می شود و متوسط سطوح خاکستری پیکسل ها در طول این خط محاسبه می شود. خط مذکور با دقت زاویه ای 15 درجه حول پیکسل مورد نظر می چرخد و در هر زاویه مقدار متوسط روشنایی پیکسل هایی را که روی خط قرار می گیرند محاسبه می کند. از میان 12 مقداری که برای هر پیکسل به دست می آید، تنها بزرگترین مقدار متوسط نگه داشته می شود. تفاضل این مقدار از متوسط مقادیر خاکستری پیکسل های موجود در پنجره‌ای که مرکز آن  بوده و طول ضلع آن  است، میزان قدرت خط مذکور را رقم می‌زند. چنانچه این خط در راستای رگ‌ها قرار گیرد، به مقادیر بزرگ‌تر قدرت خط دست پیدا می کنیم که این مسأله ما را در تشخیص پیکسل‌های مربوط به رگ‌ها از پیکسل های پس زمینه کمک می‌کند.

به علت متغیر بودن ضریب انعکاس نور در قسمت‌های مختلف شبکیه و همچنین، به علت وجود نقص در سیستم دستگاه‌های تصویر برداری، روشنایی غیر یکنواختی در تصاویر شبکیه وجود دارد که باعث می شود عمل مدل کردن رگ‌ها در روش های مبتنی بر پنجره و همچنین، عمل دنبال کردن در روش‌های مبتنی بر ردیابی، با دقت خوبی صورت نپذیرد. از آنجایی که در روش های مبتنی بر طبقه بندها، توسط یک الگوریتم سطح پایین تمام نواحی پیوسته تصویر بخش بندی می شوند، لذا به علت وجود نویز ذاتی در تصاویر شبکیه و همچنین به دلیل تغییرات نوسانی روشنایی تصاویر، نمی توان با دقت خوبی پیکسل های مربوط به رگ های خونی را بخش بندی نمود.

بیشتر روش های ارائه شده تاکنون، دارای پیچیدگی محاسباتی بالایی به منظور استخراج رگ های خونی از تصاویر شبکیه هستند، به طوری که زمان اجرای الگوریتم افزایش می یابد. بنابراین، به دنبال الگوریتمی هستیم که بتوانیم عمل استخراج رگ های خونی را با دقت و سرعت بالایی انجام دهیم.

در این مقاله در ابتدا با استفاده از تابع برابر کننده روشنایی [4] روشنایی تصویر یکنواخت شده است. سپس با اعمال محلی تابع اصلاح وفقی [5] معرفی شده در این مقاله بر روی ضرایب کرولت [6]، علاوه بر تقویت سیگنال مطلوب و ارتقاء کنتراست و کیفیت تصویر، از تقویت نویز نیز جلوگیری شده است که بدین ترتیب نارسایی روش‌های پیشین برطرف می گردد. از آن جایی که رگ های خونی در جهت های مختلفی پراکنده شده اند، از عملگرهای مورفولوژی با المان‌های ساخت وفقی وزن گذاری شده [7]، برای استخراج رگ‌های خونی از تصاویر شبکیه استفاده شده است. استفاده از المان های ساخت وفقی وزن دار شده در این مقاله باعث می شود که رگ های خونی با دقت بالایی از پس زمینه استخراج شوند. در نهایت، با استفاده از عملگرهای مورفولوژی مبتنی بر تبدیلات ژئودزیک، آنالیز اجزای به هم پیوسته و اعمال محلی فیلتر وفقی با آستانه تعریف شده در [8]، زواید به وجود آمده در تصویر را حذف کرده و تصویر رگ های خونی استخراج شده را به دست می‌آوریم.

در ادامه، به تشریح الگوریتم پیشنهادی پرداخته می شود و ابزارهای مورد استفاده به طور جداگانه بررسی می شوند. در انتها نتایج عملی حاصل از پیاده سازی مراحل مختلف الگوریتم و معیارهای ارزیابی بررسی خواهند شد.

 

2- الگوریتم پیشنهادی برای استخراج رگ‌های خونی تصاویر شبکیه

بلوک دیاگرام استخراج رگ‌های خونی از تصاویر شبکیه در شکل (1) نمایش داده شده است. همان گونه که در شکل (1) مشاهده می شود، به منظور استخراج رگ‌های خونی شبکیه از تصاویر رنگی، ابتدا مرحله پیش پردازش بر روی تصاویر اعمال می‌شود تا برای ورود به بخش‌های بعدی آماده شود. تصاویر گرفته شده از شبکیه، رنگی هستند که برای پردازش این تصاویر سعی بر آن است که آنها را به تصاویر سطح خاکستری با بهترین کنتراست ممکن تبدیل کنیم. از این رو، تصاویر رنگی را به زیر باندهای R و G و B تجزیه می کنیم و با تعریف معیاری، بهترین زیر باند را از لحاظ میزان تغییرات سطوح خاکستری و میزان سیگنال موجود در آن برای ادامه کار انتخاب می کنیم. از آنجایی که عدم یکنواختی روشنایی تصاویر شبکیه باعث ایجاد زوایدی در تصویر لبه نهایی خواهد شد و حتی در مواردی موجب حذف برخی از مویرگ های تصویر می شود، لذا واجب است برای یکنواخت کردن روشنایی تصاویر راه حلی ارائه دهیم. برای این منظور، در این مقاله از تابع برابر کننده روشنایی [4] به صورت محلی، برای یکنواخت کردن روشنایی تصویر استفاده شده است. اعمال تابع برابر کننده روشنایی به صورت محلی بر روی تصاویر شبکیه می‌تواند میزان تغییرات سطوح خاکستری اجزای تصویر را به طور قابل ملاحظه‌ای افزایش داده، اطلاعات تصویر را برجسته تر نماید. به عبارت دیگر، از آنجایی که پیش پردازش، اهمیت زیادی در جواب نهایی این الگوریتم خواهد داشت، اعمال محلی تابع ذکر شده بر روی تصاویر شبکیه، تاثیر بسزایی در بهبود کیفیت تصاویر لبه نهایی خواهد داشت. از آنجایی که تقویت لبه در تصاویر می‌تواند کنتراست و کیفیت را افزایش دهد، از این رو، به کمک تبدیل چند مقیاسی و نسل جدید کرولت [6]، عمل تقویت لبه های تصویر را انجام می دهیم. با انتخاب تابع غیر خطی و وفقی معرفی شده در [5] و با اعمال آن به صورت محلی بر روی ضرایب کرولت تصاویر شبکیه، کنتراست و کیفیت تصاویر شبکیه را ارتقا می دهیم.

اکنون وارد مرحله پردازش اصلی برای استخراج رگ‌های خونی از تصاویر شبکیه می شویم. برای این منظور از تابع مورفولوژی TopHat اصلاح شده و المان‌های ساخت وفقی وزن گذاری شده [7] استفاده شده است. به علت وجود نویز ذاتی در تصاویر شبکیه، علاوه بر استخراج رگ های خونی زوایدی هم وارد تصویر لبه خواهند شد. برای حذف این زواید پیشنهاد می شود در مرحله اول، با کمک عملگرهای مورفولوژی مبتنی بر تبدیلات ژئودزیک زوایدی را که از نظر اندازه کوچکتر از مویرگ ها هستند، حذف کرده و در مرحله دوم با آنالیز اجزای به هم پیوسته و اعمال فیلتر وفقی [8] به صورت محلی بر روی این اجزا، مابقی زواید به وجود آمده را نیز حذف کنیم. در نهایت، تصویر رگ های استخراج شده از تصاویر شبکیه به دست خواهد آمد.

 

 

شکل(1): خلاصه‌ای از الگوریتم پیشنهادی

 

3- پیش پردازش

3-1- انتخاب زیر باند مناسب تصاویر

تجربه نشان داده است که تصاویر زیر باند G، دارای بهترین کنتراست و کیفیت در بین زیر باندهای تصاویر شبکیه هستند، ولی مواقعی پیش می آید که زیر باند G نیز دارای کنتراست و کیفیت پایینی است. از این رو، معیار rµC را به صورت رابطه (1) تعریف می‌کنیم [9].

(1)

 

 

rµ میانگین سطوح خاکستری تصاویر زیر باند R است. rµC مجموع تابع چگالی احتمال از سطح خاکستری 0 تا rµ  بوده، مربوط به تصاویر زیر باند G است. حال اگر برای مثالr >  0.45  µC باشد، به این معناست که روشنایی تصویر زیر باند G مناسب بوده، تنها از این زیر باند برای ادامه کار استفاده می کنیم و در غیر این صورت توسط تطبیق هیستوگرام و به کمک تصویر زیر باند R، میزان تغییرات سطوح خاکستری زیر باند G مربوط به تصویر شبکیه مورد نظر را افزایش می دهیم [9].

 

3-2- اصلاح تغییرات روشنایی موجود در تصاویر شبکیه

با اعمال محلی تابع معرفی شده در [4] بر روی تک تک پیکسل های تصاویر سطح خاکستری شبکیه، تغییرات شدید روشنایی موجود در سراسر تصاویر شبکیه به طور قابل ملاحظه ای کاهش می یابد. در این پردازش مقدار  Ieq(i,j) که شدت برابر شده هر پیکسل است، از رابطه (2) حاصل می شود.

(2)

 

 

I(i,j) شدت روشنایی اصلی پیکسل واقع در مکان (i,j)، desiredµ میانگین شدت روشنایی دلخواه، Wµ(i,j) میانگین شدت روشنایی واقعی برای پنجره متمرکز در پیکسل  (i,j)و Ieqتصویر برابر شده روشنایی است.

 

3- 3- تبدیل چند مقیاسی و نسل جدید کرولت

تبدیل کرولت [6] جزو تبدیلات چند مقیاسی نسل جدید محسوب می شود که با اعمال یک موجک مشخص در جهت ها و مقیاس های مختلف بر روی تصاویر، دسته ضرایبی را در جهت ها و مقیاس های گوناگون نتیجه می‌دهد. هر کدام از این دسته ضرایب که در یک گوه قطبی واقع شده اند، بیانگر اطلاعات تصویر در آن مقیاس و جهت خاص هستند. ضرایب کرولت را می توان توسط رابطه زیر محاسبه نمود:

(3)

 

 

f تبدیل فوریه سیگنال اصلی بوده و Uj  پنجره فرکانسی اعمال شده در فضای فرکانس است. Uj  در حقیقت مجموعه‌ای از گوه های قطبی است که به صورت شعاعی و زاویه ای تصویر را پوشش می دهند. Rθl  چرخش به اندازه lθ رادیان است و مطابق رابطه (4) تعریف می شود.

(4)

 

 

به این ترتیب، ضرایب کرولت C (j,l,k) در مقیاس j، جهت l و با پارامتر انتقال k حاصل می شود. x متغیر حوزه مکان و ω متغیر حوزه فرکانس بوده و R و θ نیز به عنوان مختصات قطبی در حوزه فرکانس معرفی می شوند.

شکل (2)، کفپوش کرولت در حوزه فرکانس را نمایش می دهد.

 

 

شکل(2): کفپوش کرولت در حوزه فرکانس

 

تبدیل کرولت در فضای فرکانس از گوه‌های سهمی مانندی تشکیل شده است. ناحیه هاشور خورده در شکل (2) یکی از این گوه های نوعی را نشان می دهد.

 

3-4- ارتقای کنتراست و کیفیت تصاویر شبکیه

از آنجایی که لبه ها نقش مهمی در درک تصاویر ایفا می‌کنند، شیوه مناسبی برای بهبود کنتراست و کیفیت تصاویر، بهبود لبه هاست. تبدیلات چند مقیاسی نسل جدید قادرند با تعداد ضریب بسیار کمتر نسبت به تبدیلات چند مقیاسی معمول سیگنال را با دقت بسیار بالایی توصیف کنند. با توجه به مناسب بودن تبدیل نسل جدید کرولت برای نمایش تصاویر حاوی لبه، این تبدیل به عنوان نامزد خوبی برای بهبود لبه به شمار می آید. در این قسمت ضرایب کرولت با هدف بهبود لبه های تصویر و در نتیجه بهبود کنتر است و کیفیت تصویر اصلاح می شوند. به عبارت دیگر، وجود تابعی که ضرایب کرولت را به شکلی مناسب تغییر دهد، الزامی است. پارامترهای تابع اصلاح وفقی [5]، براساس برخی ویژگی های آماری ضرایب کرولت تصاویر ورودی تعریف می شوند که باعث می‌شود اصلاحات مورد نظر به طور مؤثرتری بر روی ضرایب کرولت اعمال شوند. به دلیل تعریف پارامترهای تابع اصلاح براساس ویژگی‌های آماری ضرایب کرولت تصاویر ورودی، با اعمال تابع اصلاح رابطه (5) بر روی ضرایب کرولت تصاویر یکنواخت شده روشنایی، تابع به صورت وفقی عمل کرده، می تواند خود را با تک تک تصاویر ورودی و براساس ویژگی‌های آماری ضرایب کرولت آن تصاویر وفق دهد و علاوه بر تقویت سیگنال مطلوب می‌تواند همزمان مانع از تقویت نویز نیز شود. بدین ترتیب، نارسایی برخی از روش‌های پیشین برطرف می گردد.

 

(5)

 

                  

p درجه غیرخطی بودن را تعیین می کند. k1و k2و k3ضرایب تابع اصلاح بوده، m از رابطه (6) به دست می‌آید.

 

(6)

 

 

Mij  بزرگترین ضریب در مقیاس و جهت مشخص بوده که نشان می‌دهد ضرایب با توجه به مقدار ماکزیمم خود درهر باند تقویت می شوند. C=σ نیز انحراف از معیار نویز تخمین زده شده از تصاویر است[10] که هنگام تقویت سیگنال مطلوب، به طور همزمان مانع از تقویت نویز می‌شود. دو پارامتر Mijو C باعث می شوند که تابع فوق به صورت وفقی عمل نماید و خود را با تصاویر متفاوت ورودی هماهنگ کند. تابع اصلاح فوق ضرایب کوچک را در مقایسه با ضرایب بزرگتر، بیشتر تقویت می کند. نحوه اعمال این تابع بر روی ضرایب به صورت محلی است؛ یعنی Mijبه طور جداگانه در مقیاس و جهت معین محاسبه شده و تابع مذکور بر روی ضرایب همان گوه قطبی (باند فرکانسی با مقیاس و جهت مشخص) اعمال می شود که این خود باعث تاثیر گذاری بیشتر تابع اصلاح بر روی تصاویر شبکیه خواهد شد. نهایتا با بازسازی ضرایب کرولت اصلاح شده، به تصویر ارتقا یافته نهایی دست خواهیم یافت.

 

4- استخراج رگ های خونی به کمک عملگرهای مورفولوژی وفقی وزن دار شده

لبه ها می توانند به عنوان جایی که گرادیان تابع شدت تصویر به ماکزیمم محلی خود می‌رسد، تعریف شوند. هدف اصلی عملگرهای گرادیان مورفولوژی وفقی وزن دار شده [7] در الگوریتم پیشنهادی ما، تولید ویژگی‌های لبه بسیار متصل از تصویر تحت بررسی است. روند استخراج رگ‌های خونی در این قسمت به این صورت است که ابتدا توسط عملگر معرفی شده در رابطه (7) اقدام به شناسایی اولیه لبه در تصویر کرده، به طور همزمان اجزای وزن دار المان ساخت وفقی A را برای استخراج نهایی لبه های موجود در تصاویر شبکیه تشکیل می دهیم.

(7)

 

 

که X تصویر اصلی و B المان ساخت اولیه است. Å و ● به ترتیب بیانگر عملگرهای اتساع و بستن مورفولوژی است.

اجزای المان ساخت وفقی وزن دار شده A، به گونه‌ای محاسبه می شوند که ضرایب مربوط به لبه جهت دار 1 و ضرایب نقاط دورتر طبق رابطه (8) و کوچکتر از 1 تعیین می شوند.

(8)

 

 

ω مجموع ضرایب مربوط به لبه در المان ساخت A بوده و d فاصله بین نقطه جهت دار لبه و دورترین نقطه از آن را مشخص می کند. در جهات افقی و عمودی، وزن اجزای المان ساخت A توسط پارامتر Δω کاهش یافته و هر مرحله از نقاط جهت دار لبه آغاز می‌شود. نمونه ای از المان های ساخت وفقی وزن‌دار شده با ابعاد 3*3 در جهت‌های صفر درجه و 45 درجه در شکل (9) نشان داده شده است.

 

 

شکل(3): نمونه ای از المان‌های ساخت وفقی وزن دار شده

 

توابع مورفولوژی بسیاری را می توان برای استخراج نهایی رگ های خونی به کار برد. برای مثال، تابع TopHat یکی از این توابع است، ولی مشکلی که این تابع دارد، این است که پیکسل ها در تصویر حاصل از گشایش، درمقایسه با پیکسل های متناظر در تصویر اولیه، دارای مقادیر سطوح خاکستری مساوی یا کمتر از آنها هستند؛ یعنی به عبارتی تصویر حاصل از TopHat می تواند تمامی تغییرات ناچیز سطوح خاکستری (مانند نویز) را که در هر تصویری وجود دارد نیز شامل شود. در این مقاله از تابع TopHat اصلاح شده به منظور استخراج نهایی رگ‌های خونی از پس زمینه تصاویر شبکیه استفاده شده است. در خروجی تابع TopHat اصلاح شده، تصویری برابر تصویر اولیه پدید می‌آید، بجز در لبه ها که به این ترتیب حساسیت به نویز برطرف می گردد. در رابطه (9)، تابع TopHat اصلاح شده نشان داده شده است.

(9)

 

 

So  و SC به ترتیب المان های ساخت به کار رفته برای انجام عمل باز کردن و بستن مورفولوژی هستند که در این مقاله المان ساخت وفقی وزن دار شده A، جایگزین هر دو المان ساخت شده است. شایان ذکر است که عملگرهای به کار گرفته شده در تابع TopHat اصلاح شده در این مقاله از نوع عملگرهای مورفولوژی وزن دار شده هستند. روابط مربوط به سایش مورفولوژی وزن دار شده (WER) و اتساع مورفولوژی وزن دار شده (WDI) به صورت رابطه (10) تعریف می شوند.

(10)

 

 

X تصویر تحت مطالعه است. عملگرهای دیگر از قبیل باز کردن مورفولوژی وزن دار شده (WOP) و بستن مورفولوژی وزن دار شده (WCL)، ترکیب ساده ای از WER و WDI هستند که به صورت رابطه (11) تعریف می شوند.

(11)

 

 

5- حذف زواید

5-1- حذف مرحله اول زواید ایجاد شده

اگر در اعمال عملگرهای مورفولوژی، علاوه بر تصویر اصلی تصویر دومی را نیز در نظر بگیریم و در هر مرحله اتساع و یا سایش مورفولوژی تحمیل شود که تصویر حاصل، بزرگتر یا کوچکتر از تصویر دوم باقی بماند، مبانی عملگرهای مورفولوژی مبتنی بر تبدیلات ژئودزیک [11] شکل می‌گیرد. از طرفی، اتساع ها و سایش های مبتنی بر تبدیلات ژئودزیک با اندازه معین، به ندرت در عمل به کار می روند. چنانچه این عملگرها تا زمان پایداری مرتبا تکرار شوند، الگوریتم های قدرتمندی را تعریف می کنند. برای حذف قسمتی از زواید ایجاد شده، از عملگر باز کردن مبتنی بر تبدیلات ژئودزیک استفاده می کنیم. از آنجایی که برخی زواید ایجاد شده، بعضا به اندازه مویرگ های تصویر هستند، از این رو، نمی توان المان ساخت را در این قسمت از حدی بزرگتر انتخاب نمود، زیرا علاوه بر زواید، قسمتی از اطلاعات تصویر نیز حذف خواهد شد. پس به ناچار به مرحله دیگری برای حذف زواید باقیمانده در تصویر لبه نیاز داریم. 

5-2- حذف نهایی زواید موجود در تصویر لبه

این مرحله در حقیقت وظیفه برچسب گذاری اجزای به هم پیوسته در تصویر لبه به دست آمده را دارد. از آنجایی که در این مقاله هشت همسایگی پیکسل های تصویر لبه مد نظر ماست، نقابی را به صورت شکل (4) در نظر می گیریم:

 

شکل(4): نقاب 3*3 به منظور آنالیز اجزای به هم پیوسته

 

با حرکت دادن مرکز نقاب فوق بر روی تک تک پیکسل های تصویر باینری شده، اگر p  پیکسلی به رنگ سفید باشد که قرار است به آن برچسب 1 زده شود و * و – به ترتیب پیکسل های برچسب خورده و برچسب نخورده باشند، طبق قواعد زیر اجزای به هم پیوسته تصاویر را بر چسب گذاری می کنیم:

  • اگر تمام همسایگی های * برچسب 0 داشته باشند، به پیکسل p برچسب جدیدی می دهیم.
  • اگر تنها یکی از همسایگی های * برچسب 1 داشته باشد، برچسب آن همسایگی را به p اختصاص می‌دهیم.
  • اگر بیش از یکی از همسایگی های * برچسب 1 داشتند، برچسب یکی از همسایگی ها را به p اختصاص داده، علامتی به نشانه هم ارزی برچسب ها قرار می دهیم.

حال تصویری ایجاد می شود که تمام رگها و مویرگ های به هم پیوسته در آن برچسب 1 به خود گرفته اند. تصویر برچسب گذاری شده را به زیر تصویرهایی تجزیه کرده، با تعریف آستانه وفقی T [8] به صورت رابطه (12)، فیلتری را به صورت محلی بر روی زیر تصویر ها اعمال می کنیم.

(12)

 

 

μ و σ مقادیر وفقی آستانه فوق بوده، به ترتیب مقدار متوسط و انحراف از معیار طول برچسب ها در هر زیر تصویر ایجاد شده هستند. فیلتر مورد نظر به این صورت عمل می کند که اجزای برچسب خورده ای را که طول آنها در راستاهای اصلی تصویر، کمتر از آستانه T باشند، به عنوان نویز شناخته و حذف می کند و ما بقیه اجزا در تصویر لبه نهایی حضور خواهند داشت.

 

6- نتایج عملی

6-1- پایگاه داده

پیاده سازی این مقاله بر روی پایگاه داده معروف DRIVE [12]، صورت گرفته است. 40 تصویری که در این پایگاه داده وجود دارد، از بین تصاویر مربوط به 400 فرد مبتلا به دیابت با سن بین 50 تا 90 سال و در کشور هلند جمع آوری شده است. تصاویر موجود در این پایگاه داده به فرمت JPEG فشرده شده اند. مجموعه 40 تصویر، به دو دسته امتحان و آزمایش تقسیم شده است. به ازای هر تصویر مربوط به دسته آزمایش، یک تصویر بخش بندی شده نیز وجود دارد که توسط انسان و به صورت دستی انجام گرفته است و برای هر تصویر از دسته امتحان، دو تصویر بخش بندی شده دستی وجود دارد که یکی از آنها به عنوان استاندارد طلایی استفاده می شود و تصویر دیگر می تواند برای مقایسه تصاویر بخش بندی شده توسط کامپیوتر و تصاویری که به صورت مستقل توسط ناظر انسانی بخش بندی می شوند، استفاده شود.

 

6-2- پارامترهای ارزیابی الگوریتم

ارزیابی کمی الگوریتم بهبود کنتراست تصاویر شبکیه را با دو معیار پیک نسبت سیگنال به نویز (PSNR) و اندیس افزایش کنتراست (CII) و بر روی تمام تصاویر موجود در پایگاه داده انجام دادیم. روابط مربوط به معیار PSNR را در رابطه (13) مشاهده می کنید.

(13)

 

                            

در رابطه (13)، MaxI، بیشترین مقدار روشنایی تصویر و MSE متوسط مربعات خطا است که به صورت رابطه (14) تعریف می شود.

(14)

 

                                          

در رابطه (14)، Io تصویر اولیه و Ie تصویر بهبود یافته است. رابطه مربوط به معیار  CII نیز در رابطه (15) آورده شده است.

(15)

 

 

در رابطه (15)، CEnhancedو COriginalبه ترتیب کنتراست تصویر بهبود یافته و کنتراست تصویر اولیه است. کنتراست تصویر (C) نیز از رابطه (16) قابل محاسبه است.

(16)

 

 

r و b به ترتیب مقادیر متوسط gray-level تصویر پیش زمینه و تصویر پس زمینه هستند.

با توجه به وجود تصاویر بخش بندی شده توسط ناظر انسانی در پایگاه داده DRIVE، برای مقایسه نتایج به دست آمده توسط الگوریتم و جداسازی انجام شده توسط متخصص، دو معیار کمی زیر را در نظر گرفتیم:

  • TP (مثبت بودن درست): نشان دهنده تعداد پیکسل هایی است که الگوریتم آنها را مربوط به رگ‌های خونی دانسته، این پیکسل ها در واقع نیز مربوط به رگ‌های خونی هستند.
  • FP (مثبت بودن نادرست): بیانگر تعداد پیکسل‌هایی است که الگوریتم آنها را مربوط به رگ های خونی تشخیص داده، اما در واقع این پیکسل ها مربوط به رگ های خونی نبوده اند.
  • TN (منفی بودن درست): نشان دهنده تعداد پیکسل هایی است که الگوریتم آنها را جزو رگ های خونی به حساب نیاورده است و این پیکسل ها در واقع نیز متعلق به رگ های خونی نبوده اند.
  • FN (منفی بودن نادرست): نشان دهنده تعداد پیکسل هایی است که الگوریتم آنها را متعلق به پس زمینه دانسته ولی در واقع این پیکسل ها متعلق به رگ های خونی بوده اند.

 

 TPRو FNR  به ترتیب بیانگر نسبت معیار مثبت بودن درست و منفی بودن نادرست به کل تعداد پیکسل‌های متعلق به رگ های خونی هستند. FPR و TNR نیز به ترتیب بیانگر نسبت معیار مثبت بودن نادرست و منفی بودن درست به کل تعداد پیکسل هایی است که به رگ های خونی تعلق ندارند.

باتوجه به تعاریف ذکر شده، میزان دقت الگوریتم به صورت رابطه (17) تعریف می شود.

(17)

 

 

علاوه بر معیار های یاد شده، معیار کمی دیگری نیز در بحث ارزیابی بخش بندی تصاویر مطرح است که "حساسیت" نامیده می شود که رابطه آن به صورت زیر تعریف می گردد:

(18)

 

 

6-3- پیش پردازش

در این قسمت نتایج مراحل ذکر شده را بر روی تصویر شماره 21 از پایگاه داده DRIVE، بررسی می‌کنیم. در قسمت انتخاب زیر باند مناسب تصویر، معیار rµC، 0.45 در نظر گرفته شد؛ یعنی به عبارتی اگر > 0.45µC باشد، سطح روشنایی زیر تصویر باند G مناسب است و تنها از زیر تصویر باند G برای ادامه کار استفاده می کنیم و در غیر این صورت از تطبیق هیستوگرام با زیر تصویر باند R، تصویر مناسب را ایجاد می کنیم.

در قسمت 3-2 اندازه پنجره W، N=49 و = 128 desiredµ انتخاب شد.

پارامترهای تابع وفقی نیز برای پیاده سازی به صورت k1=1.1 ، k2=1.4 ، k3=1 ، k=1 ، p=0.1 , a=1 انتخاب شدند.

انحراف از معیار تصویر طبق [10]، توسط نقاب و رابطه (19) در حوزه مکان تخمین زده شدند.

(19)

 

 

برای اعمال تبدیل کرولت نیز از تعداد 5 باند استفاده شد که تصاویر دراین 5 باند با مقیاس‌های متفاوت آنالیز شدند. همچنین، دقت زاویه ای در مقیاس اول 5/22 درجه انتخاب شد؛ یعنی تعداد 16 جهت در مقیاس اول در نظر گرفته شد. تصویر سمت چپ در شکل (5)، تصویر اصلی بوده و تصویر سمت راست تصویر بهبود یافته از نظر یکنواختی روشنایی و بهبود کنتراست و کیفیت است.

 

   

شکل(5): تصویر سمت چپ: بهترین زیر باند تصویر اصلی تصویر سمت راست: تصویر ارتقا یافته از لحاظ روشنایی و کنتراست با PSNR=29.875, CII=1.175

 

مقدار متوسط و انحراف از معیار نتایج را در جدول (1) مشاهده می کنید.

 

جدول (1): نتایج ارتقا تصاویر برای تمام تصاویر موجود در پایگاه داده DRIVE

انحراف معیار

متوسط

معیار کمی

015/1

864/29

PSNR

023/0

171/1

CII

 

در مقالات علمی از جمله [13]، مقدار PSNR حدود 30 و بیشتر از 30 را یک مقدار مناسب می دانند که نشان دهنده موفقیت در جلوگیری از تقویت نویز تصاویر است. البته، این مقدار به نوع تصویر مورد مطالعه نیز بستگی دارد. همان طور که در جدول (1) مشاهده می کنید، شیوه پیشنهادی در این مقاله توانسته است به این مقدار دست یابد.

6-4- استخراج رگ های خونی و حذف زواید

به منظور پیاده سازی، سایز المان ساخت B برای استخراج اولیه لبه های تصویر، 7*7 و سایز المان های ساخت وفقی وزن دار شده برای استخراج نهای لبه های تصویر 5*5 در نظر گرفته شدند تا علاوه بر غیر حساس بودن به تغییرات جزئی، توانایی استخراج مویرگ ها را نیز داشته باشند.

المان ساخت استفاده شده برای حذف زواید به کمک عملگر باز کردن مبتنی بر تبدیلات ژئودزیک، یک المان ساخت مربعی ساده با ابعاد 5*5  در نظر گرفته شد. همچنین، در پیاده سازی عملگر باز کردن مبتنی بر تبدیلات ژئودزیک، یک مرحله فرسایش در نظر گرفته شد و عمل اتساع تا رسیدن به پایداری تکرار شد. با در نظر گرفتن هشت همسایگی و پردازش اجزای به هم پیوسته، اجزای تصویر را برچسب گذاری کردیم. سپس با تقسیم تصویر به بلوک های  50*50 پیکسل، فیلتر وفقی بیان شده به صورت محلی بر تک تک بلوک ها اعمال شد و اجزایی که طول در راستاهای اصلی آنها کمتر از آستانه T بودند، به عنوان نویز شناخته و حذف شدند. تصویر رگ های استخراج شده نهایی و حذف نویز شده، در شکل (6) قابل مشاهده است.

 

 

 

شکل(6): تصویر رگ های استخراج شده نهایی و حذف نویز شده با

TPR=0.8798, FPR=0.0323, Average Accuracy= 0.9605

 

معیار های ارزیابی ذکر شده به همراه دقت متوسط الگوریتم، برای تمام تصاویر موجود در پایگاه داده DRIVE محاسبه شد که نتیجه را در جدول (2) مشاهده می کنید.

همانگونه که مشاهده می شود، رگ های خونی با دقت بالای 97% و در مدت زمان حدود 40 ثانیه، توسط نرم افزار MATLAB و بر روی کامپیوتری با 2.6 GHz Intel CPU و 512 MB RAM از پس زمینه تصاویر رنگی شبکیه استخراج شده اند.

 


 

جدول (2): نتایج استخراج رگ های خونی برای تمام تصاویر موجود در پایگاه داده DRIVE

Run Time (s)

Average Accuracy(%)

FPR

TPR

Algorithm

40

11/97±0093/0

0350/0

8875/0

Our Method


 


6-5- مقایسۀ نتایج الگوریتم های استخراج رگ‌های خونی از تصاویر شبکیه چشم

در جدول (3) مقایسه ای بین الگوریتم پیشنهادی در این مقاله جهت بخش بندی و استخراج رگ های خونی از تصاویر شبکیۀ چشم موجود در پایگاه داده DRIVE، با برخی از روش های موجود در این زمینه و بر اساس چند معیار ارزیابی که در بخش های قبل به آن ها پرداخته شد، صورت گرفته است.


 

جدول (3): مقایسۀ کمی الگوریتم بخش بندی رگ های خونی پیشنهادی در این مقاله با برخی از روش های موجود.

Method

TPR

FPR

Average Accuracy (%)

Sensitivity (%)

Database

J. Staal et al. [1]

6780/0

0170/0

41/94±0065/0

80/67

DRIVE

D. Marin et al. [2]

7067/0

0199/0

52/94

67/70

DRIVE

A. M. Mendonca et al. [14]

7315/0

0219/0

63/94±0065/0

15/73

DRIVE

M. E. Martinez-Perez et al. [15]

7172/0

0337/0

43/93

72/71

DRIVE

P. C. Siddalingas wamy et al. [16]

8647/0

-----

-----

47/86±6/3

DRIVE

Our algorithm

8875/0

0350/0

11/97±0093/0

31/86±214/0

DRIVE

     

 

فرض کشیده بودن و امتداد داشتن ساختار رگ ها در تصاویر شبکیه، مبنای روش با ناظر آشکار ساز رگ مبتنی بر شیار معرفی شده توسط J. Staal در [1] است. در این روش ابتدا شیار ها از تصویر استخراج می شوند و سپس به عنوان ویژگی های اولیه برای تشکیل المان های خط استفاده می شوند. سپس هر پیکسل به نزدیکترین المان خط نسبت داده می شود و در نتیجه تصویر به تکه هایی تقسیم می شود. در ابتدا برای هر پیکسل 27 ویژگی محاسبه شده و سپس بهترین تفکیک پذیری کلاسی را ایجاد می کنند. نهایتا بردارهای ویژگی به دست آمده، توسط یک طبقه بند نوع KNN دسته بندی می شوند.

D. Marin در [2] یک روش با ناظر برای آشکار سازی رگ های خونی در تصاویر شبکیه دیجیتال ارائه کرده است. این روش در ابتدا اقدام به محاسبۀ یک بردار ویژگی هفت بعدی مرکب از ویژگی های مبتنی بر ثابت های گشتاور و همچنین، سطوح خاکستری تصویر به منظور معرفی پیکسل‌ها می کند و سپس با استفاده از یک شبکۀ عصبی، پیکسل‌ها را طبقه بندی و پیکسل های مربوط به رگ‌های خونی را از تصاویر شبکیه استخراج می کند.

الگوریتم پیشنهادی توسط A. M. Mendonca در [14] از عملگر های مورفولوژی ریاضی برای استفاده از ویژگی های ناشی از یک قالب رگ گونۀ شناخته شدۀ قبلی استفاده می کند، که از جمله ویژگی هایی که این قالب از آن استفاده می کند خاصیت تکه تکه خطی بودن و متصل بودن رگ‌هاست. سپس با اعمال عملگرهای مورفولوژی، رگ ها از پس زمینۀ تصاویر فیلتر شده و بخش بندی نهایی صورت می پذیرد.

M. E. Martinez-Perez در [15] شیوه ای را مبتنی بر استخراج ویژگی چند مقیاسی پیشنهاد داده است. اعمال ماکزیمم محلی بر روی مقیاس های دامنۀ گرادیان و ماکزیمم انحنای اصلی تانسور هسین (Hessian tensor) در یک فرآیند دو مرحله ای رشد ناحیه، در این شیوه استفاده شده است. نهایتا رشد ناحیه به طور تدریجی رگ‌های خونی را با در نظر گرفتن ویژگی های ذکر شده به همراه اطلاعات مکانی، از تصویر شبکیه استخراج می کند.

الگوریتم پیشنهاد شده توسط P. C. Siddalingaswamy  در [16] از یک روش هیبرید به منظور استخراج رگ های خونی استفاده می کند. در این الگوریتم ابتدا توسط مجموعه ای از فیلتر های مختلط گابور نویز پس زمینه کاهش داده شده، کیفیت رگ های خونی بهبود می یابد. سپس با استفاده از آستانه گذاری مبتنی بر ماتریس هم رخدادی سطوح خاکستری پیکسل های متعلق به رگ های خونی شناسایی شده و در توزیع مکانی سطوح خاکستری و حفظ ساختار های مکانی به حساب آورده می‌شوند.

در الگوریتم پیشنهاد شده در این مقاله، ابتدا روشنایی تصویر را یکنواخت کردیم. از آنجایی که پیش پردازش، اهمیت زیادی در جواب نهایی این الگوریتم دارد، اعمال محلی تابع ذکر شده بر روی تصاویر شبکیه، تاثیر بسزایی در بهبود کیفیت تصاویر لبه نهایی داشت. اعمال تابع اصلاح وفقی معرفی شده در این مقاله به صورت محلی بر روی ضرایب کرولت، علاوه بر تقویت سیگنال مطلوب و ارتقای کنتراست و کیفیت تصویر، از تقویت نویز نیز جلوگیری کرد که بدین ترتیب نارسایی روش‌های پیشین برطرف گردید. از آنجایی که رگ های خونی در جهت های مختلفی پراکنده شده اند، از عملگرهای مورفولوژی با المان‌های ساخت وفقی وزن گذاری شده، برای استخراج رگ‌های خونی از تصاویر شبکیه استفاده کردیم. استفاده از المان‌های ساخت وفقی وزن دار شده در این مقاله باعث شد که رگ‌های خونی با دقت بالایی از پس زمینه استخراج شوند. در نهایت، با استفاده از عملگرهای مورفولوژی مبتنی بر تبدیلات ژئودزیک، آنالیز اجزای به هم پیوسته و اعمال محلی فیلتر وفقی، زواید به وجود آمده در تصویر را حذف کرده، تصویر رگ‌های خونی استخراج شده را به دست آوردیم.

نتایج بررسی های ما نشان داد که اعمال تبدیل کرولت در قسمت پیش پردازش و همچنین استفاده از عملگر های مورفولوژی وزن دار شده وفقی به عنوان استخراج کننده رگ های خونی از تصاویر شبکیه چشم می تواند دقت الگوریتم را به طور قابل ملاحظه ای افزایش دهد. لازم به ذکر است که در آزمایشات انجام شده، محدوده تغییرات دقت و حساسیت الگوریتم پیشنهاد شده در این مقاله به ترتیب 5/97–96 و 88-83 مشاهده گردید.

 

7- نتایج شبیه سازی

با توجه به معیارهای ارائه شده برای ارزیابی عملکرد الگوریتم های بهبود کنتراست تصویر و همچنین، استخراج رگهای خونی، می توان گفت که الگوریتم پیشنهادی موفقیت مناسبی را در رسیدن به اهداف خود داشته است. با توجه به تاثیر زیاد پیش پردازش در نتیجه نهایی الگوریتم پیشنهادی در این مقاله، اعمال محلی تابع برابر کننده روشنایی بر روی تصاویر به طور در خور توجهی روشنایی تصاویر شبکیه را یکنواخت کرده، تاثیر بسزایی در بهبود کیفیت تصاویر لبه نهایی داشت. با توجه به ویژگی های ذکر شده برای تبدیل کرولت ملاحظه شد که این ابزار پیشرفته به خوبی در بخش بهبود کنتراست و کیفیت تصویر موثر بوده و از طرفی، انتخاب مناسب تابع اصلاح و تنظیم مناسب پارامترهای آن، سبب شد تا علاوه بر بهبود کنتراست و کیفیت، از تقویت نویز تصاویر نیز جلوگیری به عمل آید.

در شیوه مورفولوژی مبتنی بر المان‌های ساخت وفقی وزن گذاری شده، المان های ساخت مذکور با قدرت بیشتری در امر تشخیص لبه عمل نمودند. البته، به علت تغییرات روشنایی پس زمینه، زوایدی نیز در تصویر لبه وجود داشت که به طور مؤثری توسط عملگرهای مورفولوژی مبتنی بر تبدیلات ژئودزیک، پردازش اجزای به هم پیوسته و اعمال محلی فیلتر وفقی بر روی این اجزا، حذف شدند.

در کنار مزایای گفته شده برای این الگوریتم، توجه به مدت زمان اجرای الگوریتم نیز ضروری است. الگوریتم ارائه شده به رغم عملکرد مناسب، از مدت زمان نسبتا بالایی برخوردار است که شاید برای کاربردهای لحظه ای و آنی چندان مناسب نباشد، ولی چون در اینجا به دلیل نوع کار، مدت زمان اجرای الگوریتم از اهمیت بالایی برخوردار نیست، از این الگوریتم استفاده شده است.

به منظور ادامه کار پیشنهادهایی را می توان برای بهبود عملکرد بخش‌های مختلف الگوریتم پیشنهادی ارائه نمود.

  • با وجود اصلاح تغییرات مخرب روشنایی موجود در تصاویر شبکیه، باز هم زوایدی در تصویر لبۀ استخراج شده توسط الگوریتم پیشنهادی وجود دارد که ناشی از همین تغییرات روشنایی موجود در تصاویر است که به طور کامل اصلاح نشده است. به نظر می رسد با جایگزینی روشی مؤثرتر، بتوان عملکرد این قسمت را بهبود بخشید.
  • از آنجایی که کرولت جزو تبدیلات چند مقیاسی نسل جدید بوده و با توجه به این که این تبدیل بیشترین وفق پذیری را با اطلاعات مخفی در سیگنال داراست، لذا به نظر می رسد تغییر در انتخاب تبدیل چند مقیاسی دیگر نتواند نتایج را بهبود بخشد، ولی انتخاب یک تابع اصلاح ضرایب جدید که بتواند ضرایب را به گونه ای مؤثرتر اصلاح نماید، می تواند کیفیت و کنتراست تصاویر را در الگوریتم استخراج رگ های خونی بهبود بخشد.
  • به عنوان پیشنهادی دیگر در زمینۀ استخراج رگ های خونی از تصاویر شبکیه می توان به این مورد اشاره نمود که: با توجه به قابلیت بالای عملگر های مورفولوژی وزن دار شده وفقی در استخراج لبه های پیچیده از تصاویر و با توجه به وجود تصاویر بخش بندی شده دستی در بانک داده DRIVE، می توان با تعریف بردار ویژگی مناسب از رگ های خونی استخراج شده، اقدام به دسته بندی ویژگی ها توسط یک طبقه بند قدرتمند نمود و نهایتا رگ های خونی را از تصاویری که به تازگی وارد سیستم شده اند، استخراج نمود.

 

8- نتیجه گیری

در این مقاله تصاویر دیجیتالی شبکیه چشم انسان مورد پردازش قرار گرفت. سپس با توجه به تحقیقات انجام شده در زمینۀ استخراج ویژگی از تصاویر شبکیه، الگوریتمی جهت استخراج دقیق رگ‌های خونی از تصاویر شبکیه پیشنهاد گردید. ابتدا پیش پردازش هایی بر روی تصاویر اعمال گردید. برای این منظور ابتدا اقدام به انتخاب بهترین زیر باند از تصاویر رنگی شبکیه شد. سپس با اعمال محلی تابع معرفی شده، به اصلاح تغییرات روشنایی موجود در تصاویر شبکیه پرداختیم. تصویر به دست آمده در این قسمت تصویری بود که روشنایی در سرتاسر آن یکنواخت و یکسان شده بود. سپس به منظور بهبود نهایی کنتراست تصویر، سعی شد با بهره گیری از بهبود لبه های تصویر، که نقش مهمی در درک هر چه بیشتر تصاویر و تعیین کنتراست تصویر دارند، کنتراست تصویر را بهبود بخشیم. با توجه به ویژگی مهم تبدیل کرولت در نمایش مناسب لبه ها و تطابق داشتن با اجزای تصویر و با توجه به نیاز به تعداد ضرایب کمتر برای حفظ و نمایش ویژگی های لبه در مقایسه با سایر تبدیل های چند دقتی، از تابع اصلاح معرفی شده به منظور اصلاح ضرایب کرولت تصاویر شبکیه و بهبود لبه های تصویر استفاده شد.

به منظور استخراج بهینۀ رگ های خونی از تصاویر شبکیه، برای اولین بار عملگر های مورفولوژی وزن دار شدۀ وفقی در این مقاله مورد استفاده قرار گرفتند. این عملگرها بر خلاف عملگر های لبه یاب دیگر، طی دو مرحله به جستجوی لبه در سطح تصویر می پردازند. در مرحلۀ اول و به منظور یافتن راستای تقریبی رگ های خونی در تصاویر شبکیه، از عملگر های مورفولوژی معمول استفاده شد. سپس با وزن دار کردن المان های ساخت جدید مطابق راستای تقریبی لبه های یافت شده در مرحله اول، به جستجوی مجدد رگ های خونی پرداخته شد. به عبارت دیگر، عملگرها و المان های ساخت وزن دار شده وفقی که در این قسمت معرفی شدند، توانستند به طور هدفمند به دنبال رگ های خونی در تصاویر شبکیه بگردند و آنها را با دقت بالایی استخراج نمایند.

در مرحلۀ استخراج رگ، علاوه بر رگ های خونی زوایدی نیز وارد تصویر لبه شدند که طی دو مرحله آنها را حذف نمودیم. در ابتدا به منظور حذف لبه های زایدی که توسط تشخیص دهنده های لبه مورفولوژی و به علت روشنایی غیر یکنواخت تصویر وارد تصویر شدند، از عملگر‌های مورفولوژی مبتنی بر تبدیلات ژئودزیک استفاده شد. به علت محدودیت در انتخاب ابعاد المان ساخت، با توجه به قطر کوچک مویرگ ها، عملگرهای مورفولوژی قادر به حذف تمامی زواید نبودند و برخی از آنها که ابعادشان بزرگتر از المان ساخت بود، باقی می ماندند. لذا برای حذف زواید باقی مانده از روش برچسب گذاری اجزای به هم پیوسته استفاده شد. برای اثر گذاری بیشتر این روش، آن را به صورت، محلی پیاده سازی نمودیم. سپس برچسب های با طول بیشتر از مقدار آستانه ای معین حفظ شدند و مابقی برچسب ها به عنوان نویز شناخته شده و حذف شدند. به این صورت تصویر لبه نهایی شامل رگ‌های خونی حاصل گردید و عمل استخراج رگ های خونی بر روی تصاویر موجود در پایگاه داده DRIVE با دقت 11/97 درصد به پایان رسید.



[1] تاریخ ارسال مقاله  : 29/02/1391

تاریخ پذیرش مقاله : 01/02/1392

نام نویسنده مسئول : صالح شاه بیک

نشانی نویسنده مسئول : ایران- اصفهان- نجف آباد- باشگاه پژوهشگران جوان و نخبگان- دانشگاه آزاد اسلامی واحد نجف آباد.

 

[1]  Staal, J., Abr`amoff, M. D., Niemeijer, M., Viergever, M. A., Ginneken, B. van, "Ridgebased vessel segmentation in color images of the retina", IEEE Trans on Medical Imaging, Vol. 23, No. 4, pp. 501–509, 2004.

[2]  Marín, D., Aquino, A., Gegúndez-Arias, M. E., Bravo, J. M., "A new supervised method for blood vessel segmentation in retinal images by using gray-level and moment invariants-based features", IEEE Trans. Med. Imag., Vol. 30, No. 1, pp. 146–158, 2011. 

[3]  Ricci, E., Perfetti, R., "Retinal blood vessel segmentation using line operators and support vector classification", IEEE Transactions on Medical Imaging, Vol. 26, No. 10, pp. 1357–1365, 2007.

[4]  Hoover, A., Goldbaum, M., "Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels", IEEE Transactions on Medical Imaging, Vol. 22, No. 8, pp. 951-958, 2003.

[5]     Miri, M. S., Mahloojifar, A., "Retinal image analysis using curvelet transform and multistructure elements morphology by reconstruction", IEEE Transactions on Biomedical Engineering, Vol. 58, No. 5, pp. 1183–1192, 2011.

[6]  Candes, E. J., Demanet, L., Donoho, D. L., Ying, L., "Fast Discrete Curvelet Transforms", SIAM Multiscale Model. Simul, Vol. 5, No. 3, pp. 861-899, 2006.

[7]  Sedaaghi, M. H., Wu, Q. H., "Weighted morphological filter", Electronics Letters Online, Vol. 34, No. 16, pp. 1566–1567 1998.

[8]  Hamadani, N., "Automatic target cueing in IR imagery", Master’s  thesis, Air Force Institute of Technology, WPAFB, Ohio, Dec. 1981.

[9]  Candes, E. J., "Harmonic analysis of neural networks", Appl. Comput. Harmon. Anal., Vol. 6, No. 2, pp. 197-218, 1999.

[10]             Zhao, Zh. B., Yuan, J. Sh., Gao, Q., Kong, Y. H., "Wavelet Image De-Noising Method Based on Noise Standard Deviation Estimation", in Proc. IEEE Int. Conf. Wavelet Analysis and Patt. Rec., pp. 1910-1914, 2007.

[11]             Gonzalez, R. C., Woods, R. E., Digital Image Processing, Prentice-Hall Inc., 2002.

[12]             Images are available at:

http://www.isi.uu.nl/Research/Databases/DRIVE/

[13]             Thomos, N., Boulgouris, N. V., Strintzis, M. G., "Optimized transmission of JPEG2000 streams over wireless channels", IEEE Trans on Image Processing, Vol. 15, No. 1, pp.54–67, 2006.

[14]             Mendonça, A. M., Campilho, A., "Segmentation of retinal blood vessels by combining the detection of centerlines and morphological reconstruction", IEEE Trans. Med. Img., Vol. 25, No. 9, pp.1200–1213, 2006.

[15]             Martinez-Perez, M. E., Hughes, A. D., Thom, S. A., Bharath, A. A., Parker, K. H., "Segmentation of blood vessels from red-free and fluorescein retinal images", Medical Image Analysis, Vol. 11, No. 1, pp. 47–61, 2007.

[16]             Siddalingaswamy, P. C., Gopalakrishna Prabhu, K., "Automatic detection of multiple oriented blood vessels in retinal images", JBiSE, Vol. 3, No. 1, 2010.