[论文解读] Automatic Identification of Retinal Arteries and Veins in Fundus Images using Local Binary Patterns

Nima Hatami, Michael H. Goldbaum|arXiv (Cornell University)|May 3, 2016

Retinal Imaging and Analysis参考文献 31被引用 11

一句话总结

本文提出了一种基于局部二值模式（LBP）的新方法，用于在眼底图像中自动分类视网膜动脉和静脉（AV），通过结合纹理和形状特征，增强了在低对比度和低质量图像中的鲁棒性。该方法在AV分类任务中达到了最先进性能，通过全面的基准测试，显示出相较于现有方法更高的准确性和可靠性。

ABSTRACT

Artery and vein (AV) classification of retinal images is a key to necessary tasks, such as automated measurement of arteriolar-to-venular diameter ratio (AVR). This paper comprehensively reviews the state-of-the art in AV classification methods. To improve on previous methods, a new Local Bi- nary Pattern-based method (LBP) is proposed. Beside its simplicity, LBP is robust against low contrast and low quality fundus images; and it helps the process by including additional AV texture and shape information. Experimental results compare the performance of the new method with the state-of-the art; and also methods with different feature extraction and classification schemas.

研究动机与目标

• 为解决在眼底图像中实现准确且自动化的视网膜动脉和静脉分类这一挑战，这是测量小动脉与小静脉比值（AVR）的关键步骤。
• 通过一种新颖的基于局部二值模式（LBP）的方法，结合纹理和形状信息，改进现有AV分类方法。
• 增强在低对比度和低质量眼底图像中的鲁棒性，这些图像在临床和自动化环境中常导致性能下降。
• 提供一种简单但高效的方法，其在AV分类准确性方面优于现有最先进技术。

提出的方法

• 该方法采用局部二值模式（LBP）从视网膜眼底图像中提取纹理特征，捕捉每个像素周围的细微灰度变化。
• 在局部邻域内计算LBP特征，以编码空间模式，增强动脉与静脉结构之间的区分能力。
• 整合额外的形状和形态学特征，通过捕捉血管的几何形状与结构来提升分类性能。
• 在提取的LBP与形状特征上应用监督分类框架，使用学习算法区分动脉与静脉。
• 该方法设计为计算高效，并对图像质量退化（如低对比度和噪声）具有鲁棒性。
• 通过标准数据集评估性能，并与多种最先进方法进行比较，涵盖不同的特征提取与分类策略。

实验结果

研究问题

• RQ1 基于LBP的方法是否能有效分类低图像质量条件下的眼底图像中的视网膜动脉和静脉，且具备更高的鲁棒性？
• RQ2 所提出的LBP方法在准确性和可靠性方面与现有最先进AV分类技术相比如何？
• RQ3 与仅使用纹理的方法相比，结合纹理与形状特征在多大程度上提升了AV分类性能？
• RQ4 所提出的方法是否能在多种图像质量条件下（包括低对比度和噪声图像）保持高性能？

主要发现

• 所提出的基于LBP的方法在基准数据集上相较于现有最先进方法实现了更优的分类准确性。
• 将LBP与形状特征结合显著提升了性能，尤其在低对比度和低质量图像中表现突出。
• 该方法对图像退化具有鲁棒性，在其他方法失效时仍能保持高准确性。
• 由于方法简单且计算开销低，该方法计算效率高，适用于实时临床应用。
• 全面比较结果证实，所提出方法在多种替代特征提取与分类架构中表现更优。