基于人工智能的视网膜静脉阻塞出血点分割方法实例
（一）视网膜静脉阻塞出血点分割方法流程
若盲目地对图像进行聚类，容易受到眼底图像中血管、视盘等有鲜明特征的区域信息干扰，使得聚类算法耗时且并不能分割出有效目标。本实例借鉴优化算法中适应度函数，提出基于布谷鸟搜寻算法改进C均值模糊聚类的模型（cuckoo search fuzzy cmeans clustering，CS-FCM），对分割目标有明确的目的性，这样就可以有效地筛选出血点，从而避免血管等干扰信息。
本实例将采用以下步骤对出血点做初步分割。
（1）先选取一部分图像作为训练集，提取其中出血点的特征向量。
（2）用布谷鸟算法初始化C个聚类中心。
（3）根据最新的聚类中心，训练图像的隶属度矩阵，并根据隶属度矩阵分割出候选区域，计算聚类的目标函数值。
（4）对候选区域进行开、闭操作，滤去过小的区域和血管等干扰信息，提取特征向量，并与出血点的特征向量做相似度计算。
（5）将目标函数值与相似度函数值进行结合并作为布谷鸟搜寻算法的适应度函数。若当前适应度函数的值比最优适应度小，则更新最优适应度，并且更新最新的聚类中心，否则舍弃。
（6）再次搜寻新的候选解，重复（3）（4）两步，直到聚类中心收敛或迭代结束。
（7）输出最后的聚类图像。
该初步分割算法的详细流程见图6-29。
（二）特征向量的选取
本实例先选取了46幅图像，其中包含了169个已标记的出血点。为了加快图像处理速度和屏蔽干扰信息，对测试图像候选区域做了开、闭操作，并对尺寸进行归一化。为了减少操作带来的误差，对训练图像同样做开、闭操作，再统一图像尺寸。然后分别提取它的边缘特征向量、区域特征向量和形状特征向量。
提取后的HOG特征向量长度为900，显然，这个长度不适合后续计算，应对其PCA降维。对从169个出血点中提取的特征向量主成分分析后，统计出对应的差值、贡献率以及累计贡献率。由于篇幅限制，表6-10只展示了前80个特征向量的特征值以及相应的累计贡献率。
图6-29 CS-FCM算法流程图
表6-10 各特征值累计贡献率分析
续表
从统计中得出，前145个特征向量已经达到贡献率百分之百，且差异值较少，最大均方差为0.076 1，前36个特征向量对应的累计贡献率达到百分之八十，因此选取前36个特征向量作为边缘的特征向量。
最后，提取出来的36维HOG特征向量如下：
{1.845 6*e－16、－2.537 74*e－16、4.066 0*e－16、2.307 0*e－17、－4.786 9*e－16、2.451 1*e－16、－2.595 3*e－17、3.172 1*e－16、－1.499 5*e－16、4.397 6*e－17、9.083 6*e－17、1.960 9*e－16、－5.190 7*e－17、－6.344 1*e－17、5.580 0*e－16、－3.474 9*e－16、－3.604 6*e－17、4.455 3*e－16、－1.578 8*e－16、7.209 2*e－17、－7.209 2*e－16、3.619 0*e－16、3.806 5*e－16、－3.748 8*e－16、－2.480 0*e－16、－1.557 2*e－16、2.364 6*e－16、－3.388 3*e－16、1.528 4*e－16、－1.903 2*e－16、－8.218 5*e－17、－5.853 9*e－16、－6.920 9*e－17、－4.066 0*e－16、－1.881 6*e－16、4.383 2*e－16}。
区域特征向量：{35.153 1、0.126 6、0.975 3、0.758 3}。
形状特征向量：{1.001 5、0.037 0、29 997.200 3、0.219 7}。
将这些向量拼合，得到44维特征向量：{1.845 6*e－16、－2.537 74*e－16、4.066 0*e－16、2.307 0*e－17、－4.786 9*e－16、2.451 1*e－16、－2.595 3*e－17、3.172 1*e－16、－1.499 5*e－16、4.397 6*e－17、9.083 6*e－17、1.960 9*e－16、－5.190 7*e－17、－6.344 1*e－17、5.580 0*e－16、－3.474 9*e－16、－3.604 6*e－17、4.455 3*e－16、－1.578 8*e－16、7.209 2*e－17、－7.209 2*e－16、3.619 0*e－16、3.806 5*e－16、－3.748 8*e－16、－2.480 0*e－16、－1.557 2*e－16、2.364 6*e－16、－3.388 3*e－16、1.528 4*e－16、－1.903 2*e－16、－8.218 5*e－17、－5.853 9*e－16、－6.920 9*e－17、－4.066 0*e－16、－1.881 6*e－16、4.383 2*e－16、35.153 1、0.126 6、0.975 3、0.758 3、1.001 5、0.037 0、29 997.200 3、0.219}。
（三）分割效果
本实例对4幅图像进行了测试，首先应用布谷鸟算法对均值聚类进行改良，得到最优聚类中心。然后找出聚类中心周围小于阈值的像素点，通过大量实验对比，发现当设置的阈值为5的时候，分割效果最好。将这部分区域分割出来即为初步分割的出血点轮廓（图6-30）。
图6-30 CS-FCM分割效果图
（四）活动轮廓模型
在几乎所有改进的活动轮廓中，图像的分割都非常依赖初始化轮廓的定位，从手动标记初始化轮廓中受到启发，提出一种以布谷鸟改进的聚类分割为初始图像的活动轮廓模型，图6-31为制作初始化轮廓模型的步骤。本实例主要提出这两个方面的改进。
（1）绘制CS-FCM区块的初始化轮廓。
（2）根据初始化轮廓的位置和大小绘制相关的模板。
首先对CS-FCM分割后的区域拟合椭圆，定下圆心C0和长短轴L1、L2，绘制包含聚类分割信息的圆，圆心为C0（x，y），半径r＝（L1＋L2）/2。
由于眼底图像的成像方式，图片大多为外方内圆，因此本实例选取的眼底图像掩模也为圆形，圆心为C（row/2，col/2），半径r＝（row＋col）/2。其中row、col分别为图像长和宽的像素数。
这两个圆形模板的公共区域即为最终裁剪的聚类模板α（图6-32），对α有如下定义：
即模板和原图对应，若像素属于目标区域则定义为－1，若不属于目标区域则定义为1，最终分割结果见图6-33。改进后的活动轮廓模型性能在以下方面有了提升。
图6-31 初始化轮廓准备工作0
图6-32 裁剪后的聚类模板
图6-33 最终分割的出血点轮廓
（1）可以精确、有针对性地绘制初始化轮廓，满足活动轮廓模型对初始化轮廓的依赖性。
（2）增加聚类模板，可有效滤除一些干扰信息，尤其是噪声，极大提升算法的抗噪声性能。
（3）由于前两方面的性能提升，该算法可以大大减少迭代次数和迭代时间。
本实例采用方法的敏感性和特异性见表6-11。
表6-11 本实例采用方法的敏感性和特异性
