到达我们 + 44 7456 035580
所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

视网膜渗出物检测使用新颖的模糊聚类方法

Ravindraiah R1*和钱德拉Mohan Reddy M2

1助理教授、ECE、MITS Chittor,印度安得拉邦

2教授、ECE部门负责人JNTU工程学院Pulivendula,印度安得拉邦

通讯作者:
Ravindraiah R
助理教授
MITS ECE学系
Chittor,印度安得拉邦
电子邮件: (电子邮件保护)

收到日期:07/10/2015;接受日期:16/11/2015;发表日期:27/11/2015

访问更多的相关文章研究和评论:工程和技术雷竞技苹果下载杂志》上

文摘

目前有兴趣增加治疗图像处理在大多数领域的工程。成像形态提供了解剖学的详细信息。它也有助于疾病的发现及其进步的治疗。糖尿病性视网膜病变(DR)的主要标志是渗出液在慢性疾病导致严重的视力丧失。分泌物是流露出血液的遗迹和蛋白质粒子从视网膜的血管受损。激光治疗需要精确定位的渗出液通过激光除忠实的烧伤。fundoscope图像的分割将帮助眼科医生的诊断、分类和确定严重程度。多个方法设计开发用于医学图像分割阈值的基础上,区域增长,马尔可夫随机的模型、聚类、变形模型,神经网络分类器期望最大化和支持向量机等。这些模糊聚类方法较复杂,都在积极行动。本文在绩效评估的模糊C聚类算法(FCM),内核诱导FCM (KFCM)和空间FCM SFCM算法完成。

关键字

基于模糊C意味着集群(FCM),内核模糊C (KFCM),空间模糊C (SFCM),图像分割,糖尿病性视网膜病变。

介绍

糖尿病是一种慢性病,需要终身治疗护理,病人自我管理的启迪推迟初始并发症和减少持续的威胁问题。除了血糖控制,其护理是相当复杂的,因为它带来了许多问题的根源。

糖尿病是分为4个医疗类:

1型糖尿病(结果胰腺的胰岛细胞损伤,导致胰岛素绝对不足)2型

糖尿病(导致胰岛素分泌不足)其他明确病因包括遗传问题,功能的有机细胞,遗传导致的胰岛素,外分泌胰腺的问题(如囊性纤维化),和化学行为治疗期间的某些并发症如艾滋病或器官后更换

妊娠糖尿病(GDM)孕妇(发现)

糖尿病患者将常见的症状如排尿(多尿)、口渴烦渴,饥饿(杂食性)和减肥。视觉模糊强度、周围神经病变、重复阴道感染,在临床诊断和疲劳分析。

博士以上的分类更为普遍在2型糖尿病。博士是一个结果主要是由于视网膜血管的变化。分泌物是糖尿病性视网膜病变的主要标志之一(1]。视网膜是一个光敏感肌层由网络滋养血管。任何血管改变导致困难的看法。根据这些眼眼底血管改变,分为非增生性博士和增殖。增生性指的是新血管形成的不确定性(异常血管生长)在视网膜上。博士没有新血管形成被称为非增生性糖尿病性视网膜病变(NPDR)。随着痛苦的进展为增生性糖尿病视网膜病变(PDR)(新血管形成的)严重的视觉后果了。血管的变化包括薄弱和脆弱的血管渗出血液,和蛋白质粒子进入眼眼底渗出液。他们休息之前他们有肿胀和膨胀。这些被称为micro-aneurysms。 In time these micro-aneurysms burst and leads to accumulation of Exudates. Also the blood vessels may block making the retina cells suffer from nourishment. Hence new blood vessels are stimulated which are abnormal, weak, transparent and probably ruptured. This makes situation chronic. It would be useful to have an automated method of detecting exudates in digital retinal images produced from DR screening programs [2]。早期检测和诊断博士的帮助病人在预防严重的视力丧失。视网膜眼底相机图像获得的用于诊断自动化博士博士的方法筛选有助于节省时间,成本和视觉的患者,比手动方法诊断(3,4]。

图像分割的定义是潜艇的方法将图像划分为组的皮均匀特征对不同的原则。这些都是面向区域而不是面向像素的。分割将图像分离成有意义的连接区域。这些方法分为两种:当地分割(i)和(ii)全球细分。

当地分割处理分段子图像小窗户的整体形象。像素的数量提供给当地分割远低于全球细分。当地的市场细分必须节俭要求像素数据。全球市场细分是关心分段整体形象。全球市场细分主要处理部分组成的一个相对大量的像素。这使得全球段更健壮的估计参数值。图像分割可以从三个不同的哲学观点。它们是(我)地区的方法,(2)边界的方法,(3)边缘的方法。

聚类方法试图达到的共同特征/特征像素在不同的数据集和组织模式分成单独的组基于特定的相似之处。在集群技术,试图从地方提取特征向量的图像。集群的一个标准程序是将每个像素分配给最近的类集群意味着5]。大多数聚类算法不依赖于预期共同传统的数值方法,如数据的基本统计分布,因此他们是有用的在没有先验知识的情况下存在。聚类过程暴露的主要结构的强度数据可以用于广泛的应用,包括图像处理、模式识别、分类、识别和建模。

聚类方法可以分为两个层次和Partitional集群。层次聚类方法利用距离矩阵来确定数据点需要分组的相似之处。他们生产集群树表示的嵌套组模式和相似水平分组各不相同。在这些方法产生的集群总是创建树的内部节点,根节点时保持留给整个数据集和叶节点是个人数据样本。聚类过程的规则变化对两个小集群融合或大型集群是支离破碎的。程序中使用的两种主要类型是凝结的和分裂的层次聚类框架。基于划分的聚类使用一个迭代优化过程,旨在最小化目标函数,用于衡量集群的美好。基于划分的聚类是由两个学习步骤,每个模式的划分最亲密的集群和集群的计算质心(5]。共同特征的基于划分的聚类是聚类过程始于一个初始的假设已知数量的集群。计算聚类质心通常即基于最优性条件。目标函数的最小化。分区程序特征分区迁移的方法和基于密度的分区。Partitional聚类方法如k - means聚类和模糊聚类更有利的层次聚类方法,部分数据点优化一些标准功能。

本文比较分析了三种基于模糊聚类方法。这些包括模糊C意味着集群(FCM)提出的邓恩(6),和内核诱导FCM提出的张(7,8提出的)和空间FCM Keh-Shih Chaung [9]。

基于模糊的图像分割方法

聚类方法划分为脆(困难)和模糊。在脆集群数据分散互斥的子组。而模糊的方法给了意义的不确定性数据点,因为他们同时对多个集群构成变量数量的归属感。归属感称为隶属度的值在0和1之间变化。在许多应用程序中,模糊聚类更自然和受益人比的方法。甚至角落上的数据元素并不是被迫合并的任何一个类,而是之前的值分配给集群。

的离散特性硬分区算法在分析泛函,也会造成困难,因为这些泛函,不可微的5]。

模糊C意味着算法(FCM):

乔·邓恩(6]报道FCM方法,1974年提高了Bezdek [71981年)。FCM旨在最小化目标函数JFCM定义为

图像(1)

你在哪里ij是成员函数代表一个像素的程度的归属感特定的集群或地区。和dij欧氏距离度量。

算法

让X = (X1,x2,x3x……n)是一组数据点。

C = (C1c2c3c……n)的中心。

1。得到输入图像数据矩阵的形式,X

2。解决集群的集群“C”

3所示。计算模糊成员使用

图像(2)

4所示。计算模糊中心使用

图像(3)

5。迭代时将停止图像(4)

基于数据点之间的距离度量和集群中心算法分配会员每个数据点。会员价值成反比与它们之间的距离值。显然,加入每个数据点的总和应等于1。集群中心和更新会员根据每次迭代后的公式2和3。FCM的好处是它的收敛速度,但计算时间长等一些限制,对初始猜测(速度、局部最小值),不受噪音和一个预计低(甚至没有)隶属度为离群值。FCM的详细信息请参考(6,7]。

内核模糊C意味着算法[KFCM]

这是一个改进版本的FCM基本欧式度量FCM是由诱导一个高斯内核修改。这将提高聚类效率和减少FCM的离群值的问题存在。

KFCM被定义为的目标函数

图像(5)

算法

让X = (x1, x2, x3 - - - - - - - - - - - xn)是一组数据点。

C = (c1, c2, c3 - - - - - - - - - - - - c3)的中心

(1)的形式接收输入图像数据矩阵,X

(2)解决集群“C”的数量。

(3)计算模糊成员使用

图像(6)

(4)计算模糊中心使用

图像(7)

(5)迭代时将停止图像(8)

KFCM算法具有更好的噪声免疫力和减少离群值的影响出现在FCM,但计算复杂度和性能的局限性大数据集。提供了KFCM引用的详细信息8]。

空间模糊C意味着算法[SFCM]

模糊聚类方法的早期版本不包含任何空间信息。空间信息的包容。,information of the neighborhood pixels around the Exudates help in achieving optimum Segmentation results.

SFCM被定义为的目标函数

图像(9)

SFCM算法有两个步骤

1。隶属函数计算的第一步是做标准FCM是相同的

2。在第二步中,像素成员信息的映射到空间域

从第二步计算空间函数。

图像(10)

在哪里

NB (xj)是一个方形窗口中心像素xj。

一个3 * 3的平方窗口中使用这种方法。

hij像素的概率是xj属于我th集群。

更新隶属函数

图像(11)

因此,邻居像素特征纳入隶属函数与方程(10]。SFCM提供完整信息的文献[9]。

统计测量

以下统计措施比较图像分割方法是有用的。

图像(12)

图像(13)

图像(14)

TP =数量的分泌液像素正确检测到

TN =数量的正确检测到non-exudates non-exudates像素

FP =数量的non-exudates像素错误检测为渗出液

FN =的分泌液像素数量并不像渗出液的检测

峰值信噪比(PSNR)之间的比率被定义为最大可能的信号(图像)和腐蚀的力量噪声影响的忠诚表示。PSNR值通常表示的对数的规模和由分贝

图像(15)

马克斯是最大可能的像素值在一个图像之间的均方误差和MSE的输入和处理图像,由以下方程

图像(16)

我(I, j)是输入图像和K (I, j)是图像处理。m * n指的是图像的大小。

结果

以下数字1 - 4图像和FCM的结果,显示了原始Fundoscope KFCM和SFCM方法。从这些数据我们可以确定FCM的分割和视网膜渗出液,KFCM和SFCM方法。

engineering-technology-FCM-Segmentation-results

图1:(一)原始图像;(b) fcm分割结果;(c) -KFCM分割结果;(d) -SFCM分割结果。

表1显示了FCM的统计分析结果,KFCM SFCM。

engineering-technology-FCM-KFCM-SFCM

表1:绩效指标

结论

从上面的结果很明显,结果比FCM和KFCM SFCM很优。统计结果表明,SFCM最高精度和PSNR相比其他两种聚类方法。进一步SFCM对噪声的鲁棒性和边缘保护的实现可以提高过滤的前端。甚至可以改进这些方法的收敛特征加权距离度量。

引用

全球技术峰会