[论文解读] FCM Based Blood Vessel Segmentation Method for Retinal Images

Nilanjan Dey, Anamitra Bardhan Roy+2 more|arXiv (Cornell University)|Sep 6, 2012

Retinal Imaging and Analysis参考文献 7被引用 61

一句话总结

本文提出了一种基于模糊c均值（FCM）聚类的血管分割方法，用于低对比度眼底图像中的血管分割，通过利用强度分布和空间约束来提高准确性。与专家标注的真值相比，该方法在灵敏度、阳性预测值和准确率方面分别达到99.62%、95.08%和95.03%，在青光眼及其他视网膜疾病早期检测中表现出优异性能。

ABSTRACT

Segmentation of blood vessels in retinal images provides early diagnosis of diseases like glaucoma, diabetic retinopathy and macular degeneration. Among these diseases occurrence of Glaucoma is most frequent and has serious ocular consequences that can even lead to blindness, if it is not detected early. The clinical criteria for the diagnosis of glaucoma include intraocular pressure measurement, optic nerve head evaluation, retinal nerve fiber layer and visual field defects. This form of blood vessel segmentation helps in early detection for ophthalmic diseases, and potentially reduces the risk of blindness. The low-contrast images at the retina owing to narrow blood vessels of the retina are difficult to extract. These low contrast images are, however useful in revealing certain systemic diseases. Motivated by the goals of improving detection of such vessels, this present work proposes an algorithm for segmentation of blood vessels and compares the results between expert ophthalmologist hand-drawn ground-truths and segmented image(i.e. the output of the present work).Sensitivity, specificity, positive predictive value (PPV), positive likelihood ratio (PLR) and accuracy are used to evaluate overall performance.It is found that this work segments blood vessels successfully with sensitivity, specificity, PPV, PLR and accuracy of 99.62%, 54.66%, 95.08%, 219.72 and 95.03%, respectively.

研究动机与目标

• 为了改善因血管细小且暗淡而难以提取的低对比度眼底血管的分割效果。
• 开发一种鲁棒的自动化血管分割方法，以减少对人工专家标注的依赖。
• 通过标准性能指标（如灵敏度、特异性及阳性预测值）与专家绘制的真值进行对比，评估所提出方法的性能。
• 通过准确识别视网膜血管结构，提升青光眼及其他眼科疾病的早期诊断能力。

提出的方法

• 该方法采用模糊c均值（FCM）聚类，根据像素的灰度值将眼底图像像素划分为血管和非血管类别。
• 在FCM目标函数中引入空间约束，通过考虑邻域信息来提升分割效果。
• 预处理步骤包括对比度增强和噪声抑制，以在聚类前提升输入图像质量。
• 算法采用改进的FCM目标函数，平衡隶属度与空间邻近性，以增强边界检测能力。
• 通过将每个像素分配给隶属度最高的聚类，生成最终的分割结果。
• 性能通过专家眼科医生提供的真值进行验证，并基于灵敏度、特异性、阳性预测值（PPV）、阳性似然比（PLR）和准确率等指标进行定量评估。

实验结果

研究问题

• RQ1 基于FCM的聚类方法能否有效分割眼底图像中细小且低对比度的血管？
• RQ2 在FCM中引入空间约束后，与标准FCM相比，血管分割的准确性如何提升？
• RQ3 所提出方法与专家眼科医生的分割精度在多大程度上一致？
• RQ4 该方法在检测视网膜血管时的灵敏度、特异性和阳性预测值分别是多少？

主要发现

• 所提出的基于FCM的方法灵敏度达到99.62%，表明对实际血管的检测近乎完全。
• 阳性预测值（PPV）为95.08%，表明在区分真实血管与假阳性结果方面具有高精度。
• 特异性为54.66%，表明对非血管区域的正确识别能力中等。
• 阳性似然比（PLR）为219.72，表明当算法将某结构识别为血管时，该结果强烈支持其为真实血管的存在。
• 整体分割准确率为95.03%，表明在多个指标上均表现出强劲性能。
• 该方法在低对比度眼底图像中优于传统方法，尤其在检测微弱和细小血管方面表现更优。