不同自动白内障检测和分类方法的分析外文翻译资料

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

不同自动白内障检测和分类方法的分析

国立政治大学教授，计算机科学与工程系，维达科技学院

Thalakkottukra-680501, Thrissur, Kerala, India niyapavi@gmail.com

贾古玛，助理教授，计算机科学与工程系，维达科技学院

Thalakkottukra-680501, Thrissur, Kerala, India jayakumar.t.v@vidyaacademy.ac.in

摘要——人眼是最复杂的器官，有理想的和相互联系的子系统，即瞳孔、虹膜、晶状体、视网膜、角膜和视神经。白内障是主要发生在老年人群体中的主要健康问题之一。蛋白质层将在眼睛中逐渐形成，长时间后晶状体会变得混浊。这会降低视力并导致失明。现在有各种自动白内障检测和分类方法。所有的白内障检测和分类系统都有3个基本步骤:预处理、特征提取和分类。本文对最近的一些方法进行了讨论和分析。

索引术语——白内障、失明、眼病。

一、介绍

白内障是一种眼部疾病，晶状体中的蛋白质积聚，让晶状体变得浑浊。这会阻碍光线通过镜头，造成一些视力损失。根据白内障发生部位的不同，可分为核性白内障、皮质性白内障和后囊性白内障。核性白内障是最常见的白内障类型。它在透镜的焦点区域（核）深处形成。它通常与衰老有关。为了发现核白内障，自动系统使用裂隙灯图像。皮质性白内障是由于晶状体皮质（外层）变得不透明。当改变镜片周边的含水量时，就会产生裂缝。后囊性白内障（PSC）发生在晶状体后部。患有糖尿病或服用高剂量类固醇药物的人患这种白内障的风险更大。为了寻找皮质性和PSC性白内障，我们使用了后照图像。大多数老年人患有这三种白内障中的任何一种。因此，对眼部疾病进行大规模筛查，对眼科医生来说是非常方便的。因此，如果有一个自动过滤系统，这是非常有必要的。自动过滤可以用不同的方式进行。在第一标准中，白内障分为正常白内障、白内障和后发性白内障。根据白内障在眼睛中的发生率，我们有另一个分类，将图像分为核白内障、皮质白内障和PSC白内障。还有另一种基于白内障对眼睛影响程度的分类，它将光学眼图像分为正常、轻度、中度和重度。大多数白内障检测工作都是基于裂隙灯图像和后照图像。一种新的基于眼底图像的眼底成像技术被提出，该技术虽然工作少，但能以较低的成本获得较好的效果。白内障是当今老年人的一种常见病。因此，卫生当局和社会福利协会正在开展白内障检查营。由于这是为普通农村人而设的，而且营地非常拥挤，所以该系统可以用于大规模的筛查，这对于减少人们的等候时间非常有帮助。利用图像处理技术检测白内障类型，需要一个白内障自动检测与分类系统。

二、俯瞰

自动检测和分类系统使用裂隙灯、逆向照明、眼底图像。粉砂灯图像通常用于正常、白内障和后白内障的分类以及核性白内障的分级。后向照明图像用于对皮质性和PSC性白内障进行分级。最后，基于眼底图像的新技术根据严重程度将光学图像分为正常、轻度、中度和重度。

所有的白内障检测和分类系统都有三个基本步骤。首先对图像进行预处理:在这里，所有不需要的信息都被移除，这使得图像适合于进一步的处理。第二步是特征提取:这是特征提取中最重要的一步。根据这些特征进行分类。应该从所有的图像中提取特征，我们将为每个类得到不同的结果。对于这两个步骤，使用不同的图像处理技术。最后一步是分类。根据提取的特征，分类器将图像分成不同的类别。为此，使用了不同的人工智能和神经网络技术。这是三个常见的步骤，主要用于所有的白内障检测和分类的论文。

A、使用SVM分类器对正常、白内障和后白内障光学眼图像进行自动分类。

在这项工作中，作者使用各种图像处理技术来寻找不同类别的光学眼睛图像的特征。进行的预处理操作是将RGB色带归一化并转换为亮度-色调-饱和度。进行标准化可以避免每个患者眼睛图像的颜色变化。在强度-色调-饱和度表示，在不改变像素的相对颜色值的情况下处理强度。执行诸如小环形区域、大环形区域、边缘像素计数和对象周长的特征提取操作。在SRA中，获得了角膜的内部区域，该区域在白内障图像中比在正常和后白内障图像中更白。角膜的外部区域由BRA获得，在白内障图像中，BRA的颜色会更亮。利用canny边缘检测算法进行边缘检测。它将提供清晰的边缘检测，即使在噪声状态下，通过使用阈值方法，EPC计数检测到的边缘中的白色像素的数量。在正常图像中，计数非常高，而在白内障图像中，计数非常低。而在后白内障图像中，它大于正常，低于白内障图像。在对象周长提取中，仅包含输入图像周长像素的二值图像。如果一个像素是周边像素的一部分，它将是非零的，并且它将至少连接到非零值。为了获得更好的结果，首先进行腐蚀，然后找到物体的周长。得到的图像可以反映眼睛图像中的正常和异常。使用SVM[7]分类器对提取的特征进行分类。SVM在特征空间中定位一个分离的超平面，并对该空间中的点进行分类。根据提取的特征，SVM将图像分为正常、白内障和后白内障。

B、利用人工智能技术识别白内障和白内障术后光学图像

这里介绍了一种光学眼图自动分类系统。它将图像分为正常、白内障和后白内障图像。这里执行的预处理操作是直方图均衡化。它利用单调的非线性映射，其中输入图像中像素的强度值以输出图像具有均匀强度分布的方式被重新分配。通过这个过程，具有非常低对比度的图像可以被修改以产生先前隐藏的细节。然后应用模糊k均值[算法提取质心作为分类特征。模糊k-means通过用概率代替距离，特别地试图处理点在中心之间或者不明确的问题。基于概率的模糊k均值使用加权质心。这里，聚类被分析为概率分布，而在其他情况下，聚类被分析为标签的硬分配。利用反向传播对图像进行分类。BPA是一种有监督的学习算法，它减少了整个系统的误差。连接权重的随机分配在开始时执行，然后逐渐改变，这减少了总的均方系统误差。权重更新从输出层开始，并向后进行。它旨在降低错误率。与通用优化技术相比，BP在训练递归神经网络方面要快得多。然后，获得最佳结果。

C、计算机化白内障分级系统

本文提出了核性白内障和皮质性白内障的两种自动分类系统[9]。提出的核性白内障的方法包括特征提取和分级预测。椭圆估计是通过使用阈值、垂直和水平轮廓聚类放置透镜来完成的。然后通过应用主动形状模型获得透镜的轮廓，所述主动形状模型使用24个界标点。对训练样本进行主成分分析，以获得形式及其变化的代数解释。主动形状模型(ASM)方案用于将形状模型添加到新图像中，从而确定镜头的形状。

采用ASM方案提取晶状体内平均强度、后反射颜色、沟道平均强度和晶状体前后强度比值。支持向量机回归训练分级模型，计算图像的分级。提出了一种基于复照图像的皮质性白内障自动分类方法。利用Canny边缘检测和Laplacian边缘检测得到感兴趣区域（ROI）。使用辐条状特征检测获得的ROI中的皮质混浊。为此，首先将真实图像转换为极坐标。然后，在径向和角向上进行局部阈值和边缘检测。为了获得皮质混浊，首先从径向混浊中减去角混浊，然后应用区域生长法。利用空间滤波器和尺寸滤波器对噪声进行后处理。在计算皮质混浊的总面积后进行分级。如果总浑浊百分比在0-5之间，则表示1级。如果百分比在525之间，则皮质级别为2级，3级表示25%-100%之间。1级为正常，而2级和3级为重要的皮质性白内障。

D、基于群稀疏回归的裂隙灯晶状体核白内障自动分级

作者提出了一种新的白内障分级特征和一种基于组稀疏性的线性回归约束，同时进行特征选择、参数选择和回归模型训练。该系统由三部分组成:感兴趣区域和结构检测、特征提取和预测。在预处理步骤中，首先将每个晶状体图像分成三个部分:核、前皮质和后皮质。在获得每幅图像的透镜结构之后，沿着视轴的透镜的中心部分被提取并调整大小到128 times; 512。从每个调整大小的部分提取特征。在特征提取期间，执行特征包提取。它也被称为单词袋模型。BOF模型提供了局部特征的无位置的全局表示，其中诸如强度、旋转、比例或仿射不变性的属性可以被保存。这里，BOF模型中的局部特征是表示强度和纹理信息的图像块。调整大小的镜头图像的每个部分被分成半重叠的s times; s块的网格，每个块被表示为s2维向量。在从一组训练图像中获得所有的局部块后，使用kmeans聚类从任意选择的样本中生成码本，然后在宁滨过程中获得BOF。这里，为透镜的给定部分提取的每个BOF、颜色通道、块大小和箱号被称为组特征。执行L1归一化，使得每个组特征的和等于1，并且应用类似于在SIFT特征提取中使用的截断来减少特征偏差和噪声，即，如果面元大于0.2，则其被设置为0.2并且L1范数被重新计算。这里有一个

回归模型用于核性白内障分级。利用图像特征表示，为核白内障分级任务训练回归模型。可以潜在地使用简化的表示，但是不清楚哪个颜色通道对于镜头的每个部分来说信息最多，以及对于给定的通道有多少个箱是最佳的。为了解决这个问题，回归中的组稀疏性约束被应用于为核白内障分级选择提取的特征的有效子集。

E、基于后照透镜图像的皮质和PSC白内障自动分级

在这篇论文中，作者提出了一个自动的方法来排序皮质和后囊下白内障使用逆向照明图像[10]。在这里，后向照明图像被用于捕捉晶状体的正面视图，并被用于对皮质和PSC白内障进行分级。回射透镜图像捕捉从眼底反射的光。为每个晶状体采集两个图像，前图像和后图像。普通镜头是半透明的，普通镜头的后向照明图像在灰度图像中应该是均匀的灰色。白内障是晶状体中的一种不透明物，它阻挡了从眼底发出的光线。因此，在逆照明图像中，不透明度被观察为暗区域。在预处理步骤中，图像被转换成灰度通道，从而有助于特征提取。强度直方图是区分不透明度和透明度的重要特征。透明晶状体的直方图在亮强度水平下通常具有窄的宽度，而患有白内障的晶状体的直方图具有更宽的宽度，并且尾部延伸到更暗的一侧。提取的下一个重要特征是融合纹理信息。这里，小波系数对于表征这种纹理信息是有效的。来自前部和后部图像的结果表明，融合小波图将更适合于表征皮质和PSC白内障。最后提取的特征是强度和纹理特征的空间分布。自动白内障检测的一个挑战是图像中不透明度的变化和光照的变化。整个晶状体图像的统计可以显示清晰晶状体图像和严重白内障晶状体图像的相似值。为了表征它们之间不同的空间差异，透镜被平均分成24个子场。然后，提取每个子场中的上述强度和小波统计量。在这里，支持向量回归分类器被用来对皮质白内障和原发性白内障进行分类。这是一种监督学习方法，用于训练回归模型。当特征维数远高于样本数时(434)，则在支持向量回归中应用线性核。皮质不透明性与逆向照明图像上的PSC不透明性相结合，然后使用由专业评分员评分的两种不透明性作为基本事实。该预测提供了对透镜图像中不透明程度的估计。

F、用于白内障自动检测的视网膜图像分类

本文使用眼底图像进行分类。该系统将眼睛图像分为正常、轻度、中度和重度。在预处理步骤中，首先删除姓名、日期、年龄等个人信息。然后将眼底图像转换成RGB颜色空间中的绿色通道。然后应用改进的顶底帽变换[11]。那么前景和血管之间的对比度将增加。然后应用三边滤波器[12，13]来去除噪声。这是一个非常耗时的步骤。过滤3888*2592像素大小的图像大约需要1200秒。对于自动系统来说，这不是一个好方法。然后在特征提取步骤中，提取40个特征。这些特征是亮度、角秒矩、相关性、熵、对比度、逆差矩、平方和、小梯度优势、大梯度优势、灰度异质性、梯度异质性、能量、灰度平均、梯度平均、灰度均方误差、梯度均方误差、相关性、灰度熵、梯度熵、混合熵、惯性和逆差矩。亮度计算图像中白色像素的数量。然后从灰度共生矩阵(GLCM)中，[14，15]提取24个特征，这24个特征是通过从0、45、90和135度的4个不同角度计算诸如角秒矩、相关性、熵、对比度、逆差矩和平方和的特征而获得的。然后从灰度梯度共生矩阵(GGCM)[16，17]中提取其他15个特征。从灰度共生矩阵中提取的特征是目标识别的基本特征，但它不能提供我们使用的边缘信息。这40个特征为精确分类提供了足够的信息。然后用反向传播作为分类器。它有40个要素作为输入，10个隐藏层和4个输出类。该方法是一种很好的方法，以眼底图像为输入，以较低的成本给出更准确的结果。它提供了更好的系统设计，在实际应用中非常有用。

表一:不同的白内障检测自动分类系统

您可能感兴趣的文章

• 为非政府组织OG慈善基金会设计的基于社区的救灾管理系统外文翻译资料
• 基于UML建模的医疗系统电子健康服务软件外文翻译资料
• 开发一种具有增强现实功能的智能手机应用程序， 以支持护理学生对心衰的虚拟学习外文翻译资料
• 在开发 Web 应用程序中应用 Vue.JS 框架外文翻译资料
• 基于MES系统的生产车间信息管理研究外文翻译资料
• 基于Vue.js和MySQL的电子商务平台的设计与实现外文翻译资料
• 详细的Spring配置和SpringBoot外文翻译资料
• 基于NS2的DSR和AODV协议的性能比较研究外文翻译资料
• 不同仿真参数下NS2的TCP吞吐量性能外文翻译资料
• 基于Spring Boot和VUE的车辆管理系统实现外文翻译资料