2024年2月21日发(作者：班楚洁)
硕士学位论文开题报告及论文工作计划书
学 号：
1301077
姓 名： 马文翼
导 师： 丁山 副教授
学科类别： 工学 □全日制专业学位
学科/工程领域： 信号与信息处理
所属学院： 信息科学与工程学院
研究方向： 医学图像处理
拟选题目： 基于Bayes理论的微小动脉瘤
选题时间：
检测算法研究
2014 年 7 月 15 日
东北大学研究生院
2014年 7 月 15 日
填表说明
1、本表应在导师指导下如实填写。
2、学生在开题答辩前一周，将该材料交到所在学院、研究所。
3、按有关规定，没有完成开题报告的学生不能申请论文答辩。
4、全文正文均用小四号宋体，单倍行距，段前段后间距为0，如果页数不够，可以整页扩页，其他格式要求参见《东北大学硕、博士学位论文格式》。
1
一、前期工作基础（本节可以整页扩页）
课程学习及选题开题阶段，在导师指导下从事研究工作总结（不少于2000字）
研究工作总结
从入学到如今差不多一年的时间过去了。在导师的悉心指导下我选修了一系列可以真正应用到课题研究中的课程并取得了优异的成绩，比如，现阶段在大多数的研究领域中，主要是以MATLAB仿真为主，用PC机来模拟从而节省很多在时间、费用等等上的开销。因此学好MATLAB对于科学研究非常重要；在模式识别或者是图像处理中，对于感兴趣信号的提取与处理是至关重要的，因此在此之前就必须对信号处理的方法、优缺点、适用范围等有一个初步的了解，此时信号处理的统计分析方法这门课程就开始发挥它的作用了，它使得我在提取医学图像中所感兴趣信息时应该采取的方法有了清晰的认识，而且在模式识别中大多数分类问题应选用的分类器有了一个大概的了解；嵌入式实时操作系统原理尤为重要，通过这门课程的学习我学会了Linux系统的内核移植、bootloader的烧写以及底层驱动的编写，并且在华邦W90P710实验箱上做了各种实验比如I2C、串口通信、LCD显示、BootLoader烧写、uCLinux映像文件烧写、驱动程序框架设计、内核编译实验等。
在研究课题方面，通过在网上查阅大量资料发现，现如今患有糖尿病的人在不断增加，作为糖尿病最严重的并发症之一的糖尿病性视网膜病变的发病率也在逐步提高。这种疾病可导致失明，因此及早的诊断及治疗显得尤为重要。随着患者数量的增多，而专业眼科专家数量的有限，基于计算机辅助的自动诊断技术的研究便应运而生。该技术最早出现在1984年，针对于荧光造影图像，后来慢慢的就在此基础上进行改进并且有新的算法应用于数字眼底图像，但到目前为止自动检测的准确度依然不高。不断的阅读国内外相关文献，总结出影响检测正确性的因子主要有以下几方面：一，模板匹配后对候选集的处理方法的选择；二，精确提取算法的选取。针对于以上影响因子我做了进一步的研究，尤其在精确提取算法的选取上。
在以前的研究中大多采用模版匹配算法来实现微小动脉瘤的提取，而最近的算法更是采用动态多参数模板对其进行匹配，从而能更好的适应不同形态大小的微小动脉瘤，但是在模板匹配之后所用到的精确提取算法（分类算法）又不尽相同，从而导致检测的准确度普遍较低。微小动脉瘤的提取是一个区分真瘤与伪瘤的分类问题，近年来已有很多分类算法提出，如判定树、判定表、神经网络、支持向量机、KNN、贝叶斯方法等，在以前的研究中采用自适应加权的汇总策略对微小动脉瘤进行精确提取时灵敏度不高，为了改善分类效果，提高灵敏度我分别使用了DS证据理论与灰色关联相结合的分类方法以及加权的朴素贝叶斯分类器。
灰色关联分析与DS证据理论相结合：DS证据理论是数据决策中一种不确定推理方法，它将来自相互独立的多个数据源的信息进行融合以提高对事件的置信程度，采用信任函数作为证据置信度的度量，通过对一些事件的概率加以约束建立信任函数而不必说明精确的难以获得的概率。灰色关联分析对受多种因素影响的事物和现象从整体观念出发进行综合评价，根据数据列各因素衡量数据列的相似或相异程度。在微小动脉瘤的检测中其鉴别框架就分为两种—真瘤及未知，而对这种证据的支持程度则用基本概率赋值函数来表示。而这里就采用灰色关联分析法求得不同数据列间的灰色关联程度作为DS证据理论的基本概率赋值函数。把用微小动脉瘤的48个特征作为每个数据列的元素，从而求得基本概率值。在此基础上利用DS组合形成新的证据，并计算属于瘤的可信度，只要这个可信度与属于其他类别的差值大于某一设定的阈值就可判定该点为微小动脉瘤。通过在MATLAB上仿真可看出，该算法能有效地剔除候选集中的伪瘤个数。
加权朴素贝叶斯分类器：根据朴素贝叶斯的定义，把用于区分微小动脉瘤的48个特征抽象为朴素贝叶斯分类器所需的属性，而朴素贝叶斯分类方法基于条件独立性假设，即假设一个属性对给定类的影响独立于其他属性，当假设成立时，与其他分类算法相比，朴素贝叶斯分类方法理论上具有最小的误分类率。为了满足朴素贝叶斯的“独立性假设”，在此采用属性1
加权方法，对后验概率计算中的每个条件概率项进行加权，并且对不同的属性取值提供不同的加权值，从而提高朴素贝叶斯分类器的分类能力。首先提取训练集中真瘤与伪瘤的所有特征信息形成统计表，并分别计算属于真瘤与伪瘤的每个特征的均值与方差。然后统计分别属于真瘤与伪瘤的每个特征值的取值个数，并据此对其进行加权。最后提取测试集中候选瘤的特征代入贝叶斯分类器中即可。通过在MATLAB中的实验结果可以看出朴素贝叶斯分类器的分类效果还是非常好的。
此外，在导师的指导下，我逐渐开始做关于Android开发的研究。Android是Google刚开发不久的基于Linux平台的开源手机操作系统的名称，它涵盖移动信息设备工作所需的全部软件，正在逐步成为目前移动信息设备应用程序开发的主要平台。Android最震撼人心之处在于Android手机系统的开放性和服务免费，而且它采用WebKit浏览器引擎，具备触摸屏，高级图形显示和上网功能，可以说是一种融入全部web应用的的互联网平台。另外，Android项目目前正在从手机运营商、手机制造厂商、开发者和消费者那里获得大力支持。基于上述原因使得Android具有广阔的发展前景。现如今不论是移动电话、平板电脑还是便携式穿戴设备基本上都搭载着Android系统，因此对于Android的开发具有非常重要的意义。由于目前Android技术较新，无论是相关书籍、培训还是大学教育，都处于初级阶段，因此Android人才短期将供不应求。鉴于此我帮助导师编写Android程序设计教材，旨在让大学生对Android有一个最基本的了解，并且能够从事简单的开发工作。
从起初的学习Android开发环境的搭建、Android GUI、消息处理与广播机制、通信及网络机制；到如今的在Android程序设计一书中撰写Android平台下的蓝牙通信—从蓝牙系统构成、协议、技术特点、底层驱动的编写到蓝牙在Android下通信所用到的各种API的运用并在在真机上实现蓝牙通信；Android下的GPS—从GPS的架构入手逐步写到其底层驱动的编写，应用层接口的实现，定位及搜索功能的实现，最后通过开发Google map在真机上实现GPS的功能；Android NDK—从NDK的作用到NDK系统的搭建最后到利用NDK进行Android开发都做了详细的介绍；Android传感器—从传感器种类的详细介绍到传感器API的运用，再到运用传感器的混合编程实现Android中传感器的具体应用，比如射频识别技术的子技术近场通信（NFC），只要使用带有NFC硬件的设备比如Samsung Galaxy Nexus，就可感知到近距离的电子物体，并从中读取数据。另外对于Android平台下的openGL以及影音文件的处理等也做了深入研究。
在硕士学习期间发表的论文
Shan Ding, Wenyi Ma. An Accurate Approach for Microaneurysm Detection in Digital Fundus
Images,
International Conference on Pattern Recognition (ICPR录用) 2014.
二、选题依据（本节可以整页扩页）
课题背景、选题依据、课题研究目的、理论意义和应用价值（工学硕士）/工程背景和实用价值（专业学位硕士）（不少于1000字）
课题背景及选题依据：
糖尿病是一种现代社会的高发病，近年来，我国已成为世界上糖尿病患者人数最多的3个国家之一。糖尿病视网膜病变(diabetic retinopathy，DR)是糖尿病最严重的并发症之一，是引起失明的主要病因。一般可分为亮病变和暗病变，亮病变包括硬渗出物和絮状体，暗病变包括微动瘤和出血。几乎所有的1型糖尿病人和超过60%的2型糖尿病人会发生视网膜病变，且有3.6%的1型糖尿病人和1.6%的2型糖尿病人将失明。特别是DR可能发生数年而不出现视觉上的明显障碍，因而及早的、定期的DR筛查成为及时发现视网膜病变、及时治疗的唯一有效方法。
临床医学研究表明：糖尿病性眼病的早期病变可通过视网膜和细微视神经组织结构的医学图像信息进行检测。在西方发达国家，正大力推广糖尿病患者定期视网膜眼底成像检查，由专业眼科专家对眼底图像进行甄别（判断是否有病变）、检测（判断病变类型）、评估（判断病变严重程度）从而判断病情的变化。由于患者人数众多而专业眼科专家有限，大规模诊断工作既繁重又耗时，因此研究基于计算机视觉的视网膜早期病变自动诊断系统及方法称为当务之急。
微小动脉瘤是由视网膜毛细血管壁受损造成膨出而形成的。微小动脉瘤在数字眼底图像中表现为红色小圆点，直径在10~100 μm左右，是糖尿病性视网膜病变中最先出现的，同时也是眼底图像上能观测到的最小病变。目前，针对眼底图像病灶检测的研究主要集中在微动脉瘤的自动检测上。但是，数字眼底图像信息量大，微小动脉瘤、出血、软硬渗出等其它众多糖尿病性视网膜病的病征信息以及本身的血管信息均囊括在一副图像里，并且很多病理特征在处理过程中不易区分，导致作为糖尿病性视网膜病第一病征的微小动脉瘤难以得到准确的检测。所以，数字眼底图像下微小动脉瘤的自动检测不仅成为计算机辅助诊断的难题，也成为数字图像处理中的一个难题。
课题研究目的
本课题针对视网膜图像处理和分析中的关键技术作了研究，其主要内容为基于视网膜图像中微小动脉瘤的提取算法的研究。微小动脉瘤是糖尿病性视网膜病变的首要临床表现，通过检测微小动脉瘤可以尽早地预防和治疗糖尿病性视网膜病变，并可以防止其恶化和视力损伤。
理论意义和实际应用价值
对于微小动脉瘤的检测大致有两种方法，一种是荧光造影技术，通过静脉注射荧光素使其清晰地表示出微循环的细微结构，甚至可以达到毛细血管的水平，但是其副作用巨大。而另一种则是数字眼底成像技术，用数字眼底照相机对视网膜进行成像是目前唯一的非创伤体内组织成像方式，因此，通过检测视网膜图像中的微小动脉瘤来诊断糖尿病视网膜病变成为医学诊断领域最为期待的计算机辅助诊断方法。微小动脉瘤的检测具有以下理论意义和实际应用价值。首先，数字眼底图像中微小动脉瘤的检测，可以用来预防和避免糖尿病给患者造成严重的视力损伤。其次，通过检测微小动脉瘤可以引起眼科医生注意，使糖尿病患者得到及时的治疗与预防。另外，检测出的微小动脉瘤的位置可以作为眼科医生对患者进行手术的重要依据。
三、文献综述（本节可以整页扩页）
国内外研究现状、发展动态描述（不少于1000字）；所阅文献的查阅范围及手段，附参考文献（不少于10篇，其中近3年文献不少于5篇，英文文献不少于3篇，全部按照标准格式列出，并在文中顺序标注）
国内外研究现状、发展动态国内外研究现状、发展动态：
针对于数字图像眼底微小动脉瘤检测的问题，如今大致有以下几种方法：
1) 数学形态学，顶帽变换技术
Baudoin[1]于1984年最早在荧光造影图像中运用数学形态学的方法实现微小动脉瘤的检测。选取不同方向、不同连通性、以及不同粗细的线性结构作为结构元素，通过形态学顶帽变换把狭小、细长的类血管结构从非连通的圆形对象中区分出来。后来在这一技术基础上，许多改进的检测方法相继提出来。Spencer[2],Cree[3],Frame[4],Niemeijer[5]以及他们的团队在顶帽变换之前增加了色光修正和匹配滤波的预处理步骤，分割出微小动脉瘤候选对象后，提取候选对象的形状、颜色和对比度等特征，再用训练好的分类器通过这些特征筛选出真实的微小动脉瘤对象。
Hipwell[6]把改进后的顶帽变换用来进行高分辨率的红色通道的眼底彩色的微小动脉瘤检测。Walter[7]提出了一种基于数学形态学的微小动脉瘤检测算法。该算法首先对眼底图像进行归一化提高病变区域的对比度，运用直径开运算技术提取疑似微小动脉瘤对象，再用自动阈值分割技术，提取微小动脉瘤对象的特征，然后设计一个分类器用来决策真实微小动脉瘤对象。
Niemeijer[8]提出了顶帽变换方法和监督分类相结合来检测彩色眼底图像的微小动脉瘤。在像素分类方法中，，用血管上的像素和红色病变（微小动脉瘤和出血）的像素值来训练分类器。分类器训练以后，它将会检测眼底图像上所有的血管和红色病变的像素，在排除所有的连通的、瘦长的结构后，剩下的区域被认定为疑似微小动脉瘤对象。随后，提取一系列包括颜色信息在内的特征值，决策出真实微小动脉瘤对象。
2) 对象分割技术
文献[9-12]中，认为彩色眼底图像上的暗色区域基本上由血管、微小动脉瘤和出血组成。通过血管分割，最后保留的对象认为是微小动脉瘤和出血。Sinthanayothin等人[9]和Usher等人[10]提出了一种采用数学递归区域增长的方法分割出彩色眼底图像的血管和红色病变，然后运用神经网络将区域增长后的血管、微小动脉瘤和出血分类。Grisan[11]通过用高于局部的空间密度的聚类方法检测暗色对象。
K．Adal等人[12]把眼底图像的微小动脉瘤转换成检测眼底图像的感兴趣点，然后结合对疑似区域的描述和机器学习（Support Vector Machine, SVM）来检测微小动脉瘤。首先运用奇异值分解的方法对眼底图像进行对比增强，然后运用Hessian矩阵方法提取图像上微小动脉瘤的疑似区域，然后采用低对比度的blob算子提取疑似对象的特征，最后运用SVM对疑似微小动脉瘤区域进行决策。Pallawala等人[13]提出了一种新的检测方法，他把微小动脉瘤的检测问题转换成微小区域（如微小动脉瘤）和背景区域（如眼底图像的其他结构）的分割问题。首先运用图论的分割方法把像素灰度值相似和空间接近的小区域划分成一类，同时把其它对象划分为另一类。然后，根据疑似微小动脉瘤对象与其周围的灰度信息把真实的微小动脉瘤对象分离出来。
3) 匹配滤波技术
Quellec等人[14]利用二维高斯函数对微小动脉瘤建模，并通过小波域的子波段模板匹配方法进行微小动脉瘤的检测。通过提升策略，可以找到最优的自适应小波变换从而实现微小动脉瘤的检测。Zhang[15]通过计算多尺度高斯函数和局部微小动脉瘤灰度分布的相关度值定位候选微小动脉瘤的病变点，并通过区域增长技术实现微小动脉瘤分割，然后通过提取意思对象的形状、灰度、颜色及高斯滤波器组的相关度值等31个特征用字典学习（Dictionary
Learning，DL）的方法进行决策。
另外，Niemeijer[16]改进双环滤波器也是一种针对微小动脉瘤定位与分割的有效方法，该方法通过内环和外环区域像素灰度均值的差值来判断是否存在微小动脉瘤病变点，然后结合血管分割和区域增长基数实现血管排除和微小动脉瘤分割，最后通过训练好的神经网络来分辨真实的病变点和虚假检测。
如今采用匹配滤波技术的较多，传统的模板匹配算法大致可以分为两类：一类是根据匹配度计算方法，另一类模板选择方法。前者中常见的传统算法有平均绝对差算法MAD、归一化积相关算法NCC和序贯相似性检测法SSDA[17-19]。MAD算法的优点是计算简单，但是对噪声的抗干扰能力较为低下，随着噪声的增强，匹配性能急剧下降。NCC算法的优点是对白噪声的抗干扰能力较强，且精度高，但是极易受局部灰度变化的影响。SSDA算法的优点是计算速度快，但是计算精度低，匹配效果并不理想，而且易受噪声的影响。如果遇到图像中信息匮乏的子区域，会导致匹配率的误导性上升。后者中常见的经典模板匹配算法有模板库匹配（Template Library，TL）算法和函数模板（Function Template，FT）匹配算法。TL匹配算法本身简单易用，操作过程清晰明了，但是其计算量大、抗烦扰能力差，而且由于视网膜图像中微小动脉瘤的特征变化多样，建立标准库具有较大的困难，所以TL匹配算法并没有在微小动脉瘤检测领域内得到应用。FT匹配算法是目前最常用的模板匹配算法，算法选用适合匹配图像特征的函数模型为理想模型，根据理想模型与匹配图像之间的相似性计算两者之间的匹配度。如果存在满足一定大小匹配度的图像，则认为匹配成功，否则，则认为匹配失败。
在使用函数模板进行视网膜图像中微小动脉瘤检测的算法中，Bob等人使用高斯函数作为理想模板实现了微小动脉瘤的初步提取[20]。彭英辉等人在高斯模板的基础上采用多尺度匹配滤波来实现微小动脉瘤的检测[21]。Istvan Lazar[22]等人则通过对以预处理图像中最大像素点为中心的径向横截面轮廓的分析来提取微小动脉瘤。肖志涛[23]等人采用相位一致性模型获取微动脉瘤候选者，然后通过构建灰度剖面图去除图像中血管片段等无关信息，从而筛选出真正的微动脉瘤。上述算法是目前在微小动脉瘤的初次提取中出现的最新的匹配提取算法，其流程简单易用，但其检测结果并不理想，检测正确率偏低且误检率较高，并且对不同模式下的视网膜图像的适应性不够，甚至完全不适应某种成像模式下获得的视网膜图像。
虽然目前针对血管提取问题的算法多种多样，但是主要涉及分类器技术、跟踪技术以及窗口匹配技术三类基本理论。
1) 分类器技术
分类器方法主要由两步来实现，首先通过底层算法实现空间连通的区域分割，然后利用区域属性，将待选区域分割为血管和非血管。作者Tamura等利用血管段落长宽比，实现血管段落的检测[24]；作者M. Niemeijer等则通过监督学习来实现血管分割，通过训练样本设计好基于机器学习的分类器（K近邻分类器[25]，线性分类器[25]，二次分类器[25]]等），分割样本及未知对象。这类方法的缺点在于，分类器的设计仅利用血管灰度值信息，无法排除外界条件对分割结果的影响，分割对象的尺度信息只有在分割结束才能获取，且必须与其他方法相结合，无法直接用于底层算法实现区域分割。
2) 跟踪技术
基于跟踪技术的方法通常结合血管特征，选择血管脊线、血管横截面模型、血管段曲率、尺寸等，同时结合血管线性度、颜色、以及血管边缘的对比度变化[26]等，实现血管结构跟踪与识别[27]。其中涉及的技术主要有：起始点选择，血管脊线提取，建立剖面模型，跟踪技术与算法。起始点定位不具有自主性是该类方法的主要缺点，同时采用基于血管的剖面模型搜索血管时，分叉点或病理特征会造成跟踪过程会中断。
3) 窗口匹配技术
窗口匹配方法应用广泛，文献[28]中，作者在高斯滤波函数的基础上，进一步利用其一阶
导数，并结合阈值技术分割血管。文献[29]中作者依据血管线形分布特征，提取特征向量设计分类器，然后选用支持向量机（SVM）作为分类器，分割出图像中的血管结构与分血管结构，实验表明该方法在特定的图像中能够取得较好的提取效果。该类方法虽然应用广泛，但是分割算法与血管特征信息密切相关，如血管曲度、形状、边缘梯度以及对比度等特征，利用这些特征进行分割，缺点在于无法完全区别血管本身与视盘、出血或其他病变区域的边界等与血管结构相似区域，距离接近的多块亮区域间的暗色间隙等，这些现象在病变视网膜眼底图像中大量存在，造成算法提取结果不精确。
所阅文献的查阅范围及手段
所阅文献是通过实验室现有的局域网登陆到图书馆网站上提供的各种检索数据库而下载到的国内外电子版文献，还包括利用图书馆的外文期刊阅览室和科技文献阅览室查阅到的国内外书面文献。查阅文献的年限主要为1984—2014年间的文献。
1. C. E. Baudoin, B. J. Lay, and J. C. Klein. Automatic detection of microaneurysms in diabetic fluorescein
angiographies [J], Revue D’Épidémiologie et de Sante Publique, 1984, 32: 254-261.
2. T. Spencer, J. A. Olson, K. C. Mchardy, P. F. Sharp, and J. V. Forrester. An image-processing strategy for
the segmentation and quantification in fluorescein angiograms of the ocular fundus [J], Computers and
biomedical research, 1996, 29: 284–302.
3. M. J. Cree, J. A. Olson, K. C. McHardy, P. F. Sharp, and J. V. Forrester. A fully automated comparative
microaneurysms digital detection system [J], Eye, 1997, 11: 622-628.
4. A. J. Frame, P. E. Undrill, M. J. Cree, J. A. Olson, K. C. Mchardy, P. F. Sharp, and J. V. Forrester. A
comparison of computer based classification methods applied to the detection of microaneurysms in
ophthalmic fluorescein angiograms [J], Computers in biology and medicine, 1998, 28: 225-238.
5. M. Niemeijer, B. van Ginneken, J. Staal, M. S. A. Suttorp-Schulten, and M. D. Abràmoff. Automatic
detection of red lesions in digital color fundus photographs [J], IEEE transactions on medical imaging, 2005,
24(5): 584–592.
6. J. H. Hipwell, F, Strachant, J. A. Olson, K. C. McHardy, P. F. Sharp, and J. V. Forrester. Automated
detection of microaneurysms in digital red-free photographs: A diabetic retinopathy screening tool [J],
Diabetic medicine, 2000, 17: 588-594
7. A. D. Fleming, S. Philip, K. A. Goatman, J. A. Olson, and P. F. Sharp. Automated microaneurysms detection
using local contrast normalization and local vessel detection [J], IEEE transactions on medical imaging,
2006, 25: 1223-1232.
8. T. Walter, P. Massin, A. Erginay, R. Ordonez, C. Jeulin, and J. C. Klein. Automatic detection of
microaneurysms in color fundus images [J], Medical image analysis, 2007, 11(6): 555–566.
9. Sinthanayothin, , J. F. Willimson, T. H. Cook, H. L. Mensah, E. Lal. S, and Usher, D. Automated
detection of diabetic retinaopathy on digital fundus images [J]. Diabetic medicine, 2002, 19: 105-112.
10. Usher D, Dumskyj M, Himaga M, Williamson TH, Nussey S, Boyce J. Automated detection of diabetic
retinopathy in digital retinal images: a tool for diabetic retinopathy screening [J], Diabet medicine. 2004,
21(1):84-90.
11. Enrico Grisan, A. R. Segmentation of candidate dark lesions in fundus images based on local thresholding
and pixel density [C], EMB 2007,2007,6735-6738.
12. K. Adal, S. Ali, D. Sidibé, T. Karnowski, E. Chaum, F. Mériaudeau. Automated detection of microaneurysms
using robust blob descriptors [C]. In the proceeding of SPIE works on Medical Imaging 2013:
Computer-Aided Diagnosis, 2013:8670-22
13. Pallawala, P. M. D, Hsu, W, Mong Li Lee, Say Song Goh Automated Microaneurysm Segmentation and
Detection using Generalized Eigenvectors. In proceedings of the Seventh IEEE Workshops on Application of
Computer Vision, 2005, Vol. 1, pp. 322-327.
14. G. Quellec, M. Lamard, P. M. Josselin, G. Cazuguel, B. Cochener, and C. Roux. Optimal wavelets transform
for the detection of microaneurysms in retina photographs [J], IEEE transactions on medical imaging, 2008,
27(9): 1230-1241.
15. Zhang. B, Karry, F. Sparse representation classifier for microaneurysm detection and retinal blood vessel
extraction [J], Information science, 2012, 200:78-90.
16. M. Niemeijer, B. van Ginneken, J. Staal, M. S. A. Suttorp-Schulten, and M. D. Abràmoff. Automatic
detection of red lesions in digital color fundus photographs [J], IEEE transactions on medical imaging, 2005,
24(5): 584–592.
17. M. J. Atallah. Faster image template matching in the sum of the absolute value of differences measure. IEEE
transactions on image processing, 2001, 10(4): 659-663.
18. L. D. Stefano, S. Mattocia, F. Tombari. ZNCC-based template matching using bounded partial correlation.
Pattern recognition, 2005, 26(14): 2129-2134.
19. 宋毅, 崔平远, 居鹤华. 一种图像匹配中SSDA和NCC算法的改进，计算机工程与应用，2006，2: 42-44.
20. Z. Bob, W. X. Qian, Y. Jane, et al. Detection of microaneurysms using multi-scale correlation coefficients.
Pattern recognition, 2010, 43: 2237–2248.
21. 彭英辉等：基于多尺度匹配滤波和集成学习的眼底图像微脉瘤检测，计算机应用，2013，33(2)：543-546.
22. Istvan Lazar and Andras Hajdu, Retinal Microaneurysm Detection Through LocalRotating Cross-Section
Profile Analysis, IEEE transactions on medical imaging, 2013, 32(2): 400-407.
23. 肖志涛等：基于相位一致性模型的眼底微动脉瘤检测方法，中国生物医学工程学报，2014,33(1)：8-15.
24. S. Tamura, K. Tanaka, S. Ohmori, K. Okazaki, A. Okada, and M. Hoshi. Semiautomaticleakage analyzing
system for time series fluorescein ocular fundus angiography[J]. Pattern recognition. 1983,16( 2): 149–162.
25. M. Niemeijer. Automatic Detection of Diabetic Retinopathy in Digital Fundus Photographs[D]. Phd thesis，
26.
27.
28.
University of Utrecht, The Netherlands. 2006.
Mendonca A M, Campilho A. Segmentation of retinal blood vessels by combining the detection of
centerlines and morphological reconstruction[J]. IEEE Trans. Med. Imaging, 2006, 25(9):1200–1213.
S. Tamura, Y. Okamoto, and K. Yanashima. Zero-crossing interval correction in tracing eye-fundus blood
vessels. Pattern recognition. 1988, 21(3), pp. 227–233.
Bob Zhang a, LinZhang b, LeiZhang FakhriKarray. Retinal vessel extraction by matched filter with
first-order derivative of Gaussian[J].Computers in Biology and Medicine, Computers in Biology and
Medicine , 2010,40: 438–445.
Y. Tolias and S. Panas.A fuzzy vessel tracking algorithm for retinal images based on fuzzy clustering[J].
IEEE Trans. Med. Imag. 1998,17: 263–273.
29.
四、研究内容（本节可以整页扩页）
1．研究构想与思路、主要研究内容及拟解决的关键问题（不少于1000字）
研究构想与思路：
对于应用模板匹配进行的视网膜微小动脉瘤的检测，一般可分为以下几个部分：视网膜图像增强、模板匹配、微小动脉瘤的粗提取、用分类器分类实现真性微小动脉瘤的提取。其中微小动脉瘤粗提取和分类器分类算法是本课题的研究重点，对于视网膜微小动脉瘤的检测起到了决定性作用。
主要研究内容及拟解决的关键问题
第一，血管的剔除：进行模板匹配之后的视网膜图像中不仅包括微小动脉瘤的候选集还包括血管组织，而通过查阅大量的研究表明，微小动脉瘤并不会出现在血管上，因此在进行模板匹配之后应提取视网膜血管，并去除微小动脉瘤候选集内位于血管上的微小动脉瘤候选者，可以达到初步筛选的目的。但是视网膜图像中微小动脉瘤的灰度分布和血管的灰度分布在很多方面表现出了相同的特性，导致两者的区分非常困难。由此可以认为，在检测微小动脉瘤的过程中，视网膜中的血管成为造成微小动脉瘤的错误提取与检测的最大障碍。有效的去除视网膜图像中的血管结构同样被视为微小动脉瘤检测过程中的又一关键问题。为了去除血管结构，需要准确地进行视网膜血管的提取，然而在提取视网膜图像中的血管时，图像中的灰度阶级边界很容易被当成血管结构而被错误的检测与提取，导致不良后果的产生，因此，有效的区分视网膜图像中的血管和阶级边界成为准确提取视网膜血管的关键问题。从而对血管提取算法的要求就相对较高，算法的精度越高，提取出的血管组织就越精细，微小动脉瘤候选者的数量就会越少，这对于进一步额筛选起着至关重要的作用。此外，去除了血管组织之后的伪瘤集内还存在大量的非微小动脉瘤，选择一定的算法剔除掉在某些特征上与微小动脉瘤类似的伪瘤对于在最终阶段精确定位微小动脉瘤有着重大的影响。
第二，分类器的构建：微小动脉瘤的提取是一个区分真瘤与伪瘤的分类问题，近年来已有很多分类算法提出，如判定树、判定表、神经网络、支持向量机、KNN、贝叶斯方法等。在对微小动脉瘤的精确提取阶段，即根据相关特征构造分类器对其进行分类，但是传统的特征筛选仅仅依靠各个特征量的固定取值区间来验证微小动脉瘤候选者是否都能够满足，选择全部满足这些限定区间的候选者为真性微小动脉瘤，而不完全符合这些限定区间的则被认定为假性微小动脉瘤而被去除。从本质上来说，该过程的本质是将微小动脉瘤的各个特征量作为独立约束指标来进行筛选。然而，当使用这些独立约束指标进行筛选时，较多的假性微小动脉瘤候选者仍能全部满足这些限定区间，因此这部分微小动脉瘤候选者并未被筛除，从而导致微小动脉瘤的假阳性检测率居高不下，最终不能有效的提高最终检测结果。在以前的研究中采用自适应加权的汇总策略对微小动脉瘤进行精确提取时灵敏度不高，因此合适的特征组合及分类器的选择成为了最终微小动脉瘤精确定位的关键问题。
2．拟采取的研究方法、技术路线、实施方案及可行性分析
研究方法：
a) 文献研究法：通过在国内外电子期刊数据库中查阅微小动脉瘤检测的相关文献和图书馆中计算机图像处理、编程的相关书籍，比较全面、正确地掌握微小动脉瘤检测模板匹配提取算法和过滤算法，对各项关键技术的研究现状和发展趋势有所了解；
b) 实验法：对视网膜微小动脉瘤检测各个环节的关键算法，视网膜图像预处理、视网膜血管增强、视网膜微小动脉瘤检测等，在MATLAB上仿真与分析；
c) 对比分析法：对每个环 节算法性能进行评估，测试算法对不同视网膜图像的适用性，并进行客观评估及改进。
技术路线：
训练集图片训练集图片图片预处理图片预处理模板匹配模板匹配候选集提炼候选集提炼血管提取部分伪瘤剔除血管提取部分伪瘤剔除确定特征区间特征提取微小动脉瘤提取
实施方案：
（1） 文献总结与理论研究
查阅文献找到在检测的各个阶段中所能用到的方法，并比较其优缺点找到切实可行的一种或几种方法。
（2） 对现有数据库中的图片进行处理及分析
在MATLAB中对视网膜图像应用上面所提到的每一种方法进行处理，并进一步分析每一步及每一种方法处理后的效果，找到最优方法。
（3） 完整检测框架的建立
利用上述所找到的每一步骤中的最优算法形成最优的检测框架，并用测试集图片来检验整体框架
可行性分析：
（1） 基础理论成熟
微小动脉瘤自动检测技术经过几十年的发展，已经取得了很大的成就。在发展的过程中，出现了很多经典的算法，各种算法在一定的场合下都能取得很好的检测效果。在前人的研究过程中，已经研究分析了各种检测算法的基本原理，同时也提出了微小动脉瘤检测算法的各种评价标准，这些都为我们的研究奠定了坚实的理论基础。
（2） 前期工作准备充足
经过大概一年的时间，通过阅读大量的中外文献，已经掌握了微小动脉瘤检测的基本步骤和方法，掌握了每一步所用到的方法的基础及发展动态，紧跟国内外最新发展技术。通过这些前期工作，已经能够仿真实现前人研究出的微小动脉瘤检测中各阶段所使用的经典算法，包括图像的增强、血管的粗提取、形态学的顶帽变换、遗传算法、PCA等。并且通过matlab再现了检测准确度较高的一篇文章的算法，接下来的研究将以此进行对比。因此，通过以上分析可见，微小动脉瘤检测算法具有可行性。
（3） 具备良好的编程能力。
到目前为止，已经初步掌握了在微笑动脉瘤检测算法各步骤中常用算法的matlab实现，并且能够依托现有的知识及网路资源实现所需的算法，在接下来的研究中组合出一组效率最高的算法集合即可。因此该课题具有技术可行性。
五、预期研究成果（本节可以整页扩页）
对所研究的成果进行阐述，同时要对与前文研究内容的相关性及与前人（他人）研究成果的差异性进行描述
血管提取：在血管去除方面，以前的研究采用基于窗口匹配技术的血管提取算法，但该算法无法完全区别血管本身与视盘、出血或其它病变区域的边界，导致无法提取更为精细的血管结构，影响了检测的准确度。在此方面最终能提出基于多种技术相融合的血管提取算法，提取到更为精细的血管，更多地剔除候选集中位于血管组织上的伪瘤。同时能够通过一定的算法对于此时候选集中仅在某些特征上与MA类似的伪瘤剔除一大部分，便于接下来进行的MA的过滤算法。
分类器的构建：以前的研究中采用遗传算法以及SVM对最终的候选集进行过滤，但其最终的检测正确率并不是太高。因此在最终阶段能够提出合适的分类器构建算法，经过特征值过滤后，真性MA候选者被划分到真性MA的集合中，得到MA的真集，而假性MA候选者被过滤丢弃。从而提高检测的灵敏度并降低平均假阳性率。
六、研究条件（本节不允许扩页）
1．所需实验手段、研究条件和实验条件
实验手段：
通过数字图像处理技术实现视网膜微小动脉瘤的检测算法。
研究条件：
医院提供大量视网膜图像，便利的互联网、图书馆资源。一些视网膜图像数据库如下：
ROC数据库：
DIARETDB1数据库： /project/imageret/diaretdb1/
DIARETDB0数据库： /project/imageret/diaretdb0/
MESSIDOR数据库：
DRIVE数据库： /Research/Databases/DRIVE/
STARE数据库： /stare/probing/
实验条件
软件：开发环境为MATLAB。
硬件：PC机。
2．所需经费，包含经费来源、开支预算（工程设备、材料须填写名称、规格、数量）
（如果没有，可以空白）
七、工作计划（本节不允许扩页）
序号 阶段及内容
准备阶段：阅读视网膜图像中微小动脉瘤检测算法的相关文献，了解如今最新的算法及检测效果、存在问题
预设计阶段：根据查阅的相关文献设计微小动脉瘤检测流程，并分析相关流程的可实现性
工作量估计
（时数）
起止日期 阶段研究成果
1 400
2014.07-2014.09
各种算法汇总，分析优缺点
2 400
2014.09-2014.10
搜集每个流程中可采用的各种具体方法
挑选出每个流程所使用的最佳方法
3
设计阶段：根据分析验证搜集到的各种方法，确定最终检测流程
200
2014.10-2014.11
4
图像增强阶段：将数字视网膜图像增强
400
2014.11-2014.12
得到增强后的视网膜图像
5 改进现有的视网膜血管提取算法 400
2014.12-2015.01
提取视网膜图像中的血管
6
设计微小动脉瘤分类算法对其进行精确定位
400
2015.01-2015.03
微小动脉瘤精确提取
7
结果分析与对比：分析实验结果并与其他算法作比较
400
2015.03-2015.04
结果比较
8 撰写毕业论文 400
2015.04-2015.06
硕士毕业论文
合计
3000
2024年2月21日发(作者：班楚洁)
硕士学位论文开题报告及论文工作计划书
学 号：
1301077
姓 名： 马文翼
导 师： 丁山 副教授
学科类别： 工学 □全日制专业学位
学科/工程领域： 信号与信息处理
所属学院： 信息科学与工程学院
研究方向： 医学图像处理
拟选题目： 基于Bayes理论的微小动脉瘤
选题时间：
检测算法研究
2014 年 7 月 15 日
东北大学研究生院
2014年 7 月 15 日
填表说明
1、本表应在导师指导下如实填写。
2、学生在开题答辩前一周，将该材料交到所在学院、研究所。
3、按有关规定，没有完成开题报告的学生不能申请论文答辩。
4、全文正文均用小四号宋体，单倍行距，段前段后间距为0，如果页数不够，可以整页扩页，其他格式要求参见《东北大学硕、博士学位论文格式》。
1
一、前期工作基础（本节可以整页扩页）
课程学习及选题开题阶段，在导师指导下从事研究工作总结（不少于2000字）
研究工作总结
从入学到如今差不多一年的时间过去了。在导师的悉心指导下我选修了一系列可以真正应用到课题研究中的课程并取得了优异的成绩，比如，现阶段在大多数的研究领域中，主要是以MATLAB仿真为主，用PC机来模拟从而节省很多在时间、费用等等上的开销。因此学好MATLAB对于科学研究非常重要；在模式识别或者是图像处理中，对于感兴趣信号的提取与处理是至关重要的，因此在此之前就必须对信号处理的方法、优缺点、适用范围等有一个初步的了解，此时信号处理的统计分析方法这门课程就开始发挥它的作用了，它使得我在提取医学图像中所感兴趣信息时应该采取的方法有了清晰的认识，而且在模式识别中大多数分类问题应选用的分类器有了一个大概的了解；嵌入式实时操作系统原理尤为重要，通过这门课程的学习我学会了Linux系统的内核移植、bootloader的烧写以及底层驱动的编写，并且在华邦W90P710实验箱上做了各种实验比如I2C、串口通信、LCD显示、BootLoader烧写、uCLinux映像文件烧写、驱动程序框架设计、内核编译实验等。
在研究课题方面，通过在网上查阅大量资料发现，现如今患有糖尿病的人在不断增加，作为糖尿病最严重的并发症之一的糖尿病性视网膜病变的发病率也在逐步提高。这种疾病可导致失明，因此及早的诊断及治疗显得尤为重要。随着患者数量的增多，而专业眼科专家数量的有限，基于计算机辅助的自动诊断技术的研究便应运而生。该技术最早出现在1984年，针对于荧光造影图像，后来慢慢的就在此基础上进行改进并且有新的算法应用于数字眼底图像，但到目前为止自动检测的准确度依然不高。不断的阅读国内外相关文献，总结出影响检测正确性的因子主要有以下几方面：一，模板匹配后对候选集的处理方法的选择；二，精确提取算法的选取。针对于以上影响因子我做了进一步的研究，尤其在精确提取算法的选取上。
在以前的研究中大多采用模版匹配算法来实现微小动脉瘤的提取，而最近的算法更是采用动态多参数模板对其进行匹配，从而能更好的适应不同形态大小的微小动脉瘤，但是在模板匹配之后所用到的精确提取算法（分类算法）又不尽相同，从而导致检测的准确度普遍较低。微小动脉瘤的提取是一个区分真瘤与伪瘤的分类问题，近年来已有很多分类算法提出，如判定树、判定表、神经网络、支持向量机、KNN、贝叶斯方法等，在以前的研究中采用自适应加权的汇总策略对微小动脉瘤进行精确提取时灵敏度不高，为了改善分类效果，提高灵敏度我分别使用了DS证据理论与灰色关联相结合的分类方法以及加权的朴素贝叶斯分类器。
灰色关联分析与DS证据理论相结合：DS证据理论是数据决策中一种不确定推理方法，它将来自相互独立的多个数据源的信息进行融合以提高对事件的置信程度，采用信任函数作为证据置信度的度量，通过对一些事件的概率加以约束建立信任函数而不必说明精确的难以获得的概率。灰色关联分析对受多种因素影响的事物和现象从整体观念出发进行综合评价，根据数据列各因素衡量数据列的相似或相异程度。在微小动脉瘤的检测中其鉴别框架就分为两种—真瘤及未知，而对这种证据的支持程度则用基本概率赋值函数来表示。而这里就采用灰色关联分析法求得不同数据列间的灰色关联程度作为DS证据理论的基本概率赋值函数。把用微小动脉瘤的48个特征作为每个数据列的元素，从而求得基本概率值。在此基础上利用DS组合形成新的证据，并计算属于瘤的可信度，只要这个可信度与属于其他类别的差值大于某一设定的阈值就可判定该点为微小动脉瘤。通过在MATLAB上仿真可看出，该算法能有效地剔除候选集中的伪瘤个数。
加权朴素贝叶斯分类器：根据朴素贝叶斯的定义，把用于区分微小动脉瘤的48个特征抽象为朴素贝叶斯分类器所需的属性，而朴素贝叶斯分类方法基于条件独立性假设，即假设一个属性对给定类的影响独立于其他属性，当假设成立时，与其他分类算法相比，朴素贝叶斯分类方法理论上具有最小的误分类率。为了满足朴素贝叶斯的“独立性假设”，在此采用属性1
加权方法，对后验概率计算中的每个条件概率项进行加权，并且对不同的属性取值提供不同的加权值，从而提高朴素贝叶斯分类器的分类能力。首先提取训练集中真瘤与伪瘤的所有特征信息形成统计表，并分别计算属于真瘤与伪瘤的每个特征的均值与方差。然后统计分别属于真瘤与伪瘤的每个特征值的取值个数，并据此对其进行加权。最后提取测试集中候选瘤的特征代入贝叶斯分类器中即可。通过在MATLAB中的实验结果可以看出朴素贝叶斯分类器的分类效果还是非常好的。
此外，在导师的指导下，我逐渐开始做关于Android开发的研究。Android是Google刚开发不久的基于Linux平台的开源手机操作系统的名称，它涵盖移动信息设备工作所需的全部软件，正在逐步成为目前移动信息设备应用程序开发的主要平台。Android最震撼人心之处在于Android手机系统的开放性和服务免费，而且它采用WebKit浏览器引擎，具备触摸屏，高级图形显示和上网功能，可以说是一种融入全部web应用的的互联网平台。另外，Android项目目前正在从手机运营商、手机制造厂商、开发者和消费者那里获得大力支持。基于上述原因使得Android具有广阔的发展前景。现如今不论是移动电话、平板电脑还是便携式穿戴设备基本上都搭载着Android系统，因此对于Android的开发具有非常重要的意义。由于目前Android技术较新，无论是相关书籍、培训还是大学教育，都处于初级阶段，因此Android人才短期将供不应求。鉴于此我帮助导师编写Android程序设计教材，旨在让大学生对Android有一个最基本的了解，并且能够从事简单的开发工作。
从起初的学习Android开发环境的搭建、Android GUI、消息处理与广播机制、通信及网络机制；到如今的在Android程序设计一书中撰写Android平台下的蓝牙通信—从蓝牙系统构成、协议、技术特点、底层驱动的编写到蓝牙在Android下通信所用到的各种API的运用并在在真机上实现蓝牙通信；Android下的GPS—从GPS的架构入手逐步写到其底层驱动的编写，应用层接口的实现，定位及搜索功能的实现，最后通过开发Google map在真机上实现GPS的功能；Android NDK—从NDK的作用到NDK系统的搭建最后到利用NDK进行Android开发都做了详细的介绍；Android传感器—从传感器种类的详细介绍到传感器API的运用，再到运用传感器的混合编程实现Android中传感器的具体应用，比如射频识别技术的子技术近场通信（NFC），只要使用带有NFC硬件的设备比如Samsung Galaxy Nexus，就可感知到近距离的电子物体，并从中读取数据。另外对于Android平台下的openGL以及影音文件的处理等也做了深入研究。
在硕士学习期间发表的论文
Shan Ding, Wenyi Ma. An Accurate Approach for Microaneurysm Detection in Digital Fundus
Images,
International Conference on Pattern Recognition (ICPR录用) 2014.
二、选题依据（本节可以整页扩页）
课题背景、选题依据、课题研究目的、理论意义和应用价值（工学硕士）/工程背景和实用价值（专业学位硕士）（不少于1000字）
课题背景及选题依据：
糖尿病是一种现代社会的高发病，近年来，我国已成为世界上糖尿病患者人数最多的3个国家之一。糖尿病视网膜病变(diabetic retinopathy，DR)是糖尿病最严重的并发症之一，是引起失明的主要病因。一般可分为亮病变和暗病变，亮病变包括硬渗出物和絮状体，暗病变包括微动瘤和出血。几乎所有的1型糖尿病人和超过60%的2型糖尿病人会发生视网膜病变，且有3.6%的1型糖尿病人和1.6%的2型糖尿病人将失明。特别是DR可能发生数年而不出现视觉上的明显障碍，因而及早的、定期的DR筛查成为及时发现视网膜病变、及时治疗的唯一有效方法。
临床医学研究表明：糖尿病性眼病的早期病变可通过视网膜和细微视神经组织结构的医学图像信息进行检测。在西方发达国家，正大力推广糖尿病患者定期视网膜眼底成像检查，由专业眼科专家对眼底图像进行甄别（判断是否有病变）、检测（判断病变类型）、评估（判断病变严重程度）从而判断病情的变化。由于患者人数众多而专业眼科专家有限，大规模诊断工作既繁重又耗时，因此研究基于计算机视觉的视网膜早期病变自动诊断系统及方法称为当务之急。
微小动脉瘤是由视网膜毛细血管壁受损造成膨出而形成的。微小动脉瘤在数字眼底图像中表现为红色小圆点，直径在10~100 μm左右，是糖尿病性视网膜病变中最先出现的，同时也是眼底图像上能观测到的最小病变。目前，针对眼底图像病灶检测的研究主要集中在微动脉瘤的自动检测上。但是，数字眼底图像信息量大，微小动脉瘤、出血、软硬渗出等其它众多糖尿病性视网膜病的病征信息以及本身的血管信息均囊括在一副图像里，并且很多病理特征在处理过程中不易区分，导致作为糖尿病性视网膜病第一病征的微小动脉瘤难以得到准确的检测。所以，数字眼底图像下微小动脉瘤的自动检测不仅成为计算机辅助诊断的难题，也成为数字图像处理中的一个难题。
课题研究目的
本课题针对视网膜图像处理和分析中的关键技术作了研究，其主要内容为基于视网膜图像中微小动脉瘤的提取算法的研究。微小动脉瘤是糖尿病性视网膜病变的首要临床表现，通过检测微小动脉瘤可以尽早地预防和治疗糖尿病性视网膜病变，并可以防止其恶化和视力损伤。
理论意义和实际应用价值
对于微小动脉瘤的检测大致有两种方法，一种是荧光造影技术，通过静脉注射荧光素使其清晰地表示出微循环的细微结构，甚至可以达到毛细血管的水平，但是其副作用巨大。而另一种则是数字眼底成像技术，用数字眼底照相机对视网膜进行成像是目前唯一的非创伤体内组织成像方式，因此，通过检测视网膜图像中的微小动脉瘤来诊断糖尿病视网膜病变成为医学诊断领域最为期待的计算机辅助诊断方法。微小动脉瘤的检测具有以下理论意义和实际应用价值。首先，数字眼底图像中微小动脉瘤的检测，可以用来预防和避免糖尿病给患者造成严重的视力损伤。其次，通过检测微小动脉瘤可以引起眼科医生注意，使糖尿病患者得到及时的治疗与预防。另外，检测出的微小动脉瘤的位置可以作为眼科医生对患者进行手术的重要依据。
三、文献综述（本节可以整页扩页）
国内外研究现状、发展动态描述（不少于1000字）；所阅文献的查阅范围及手段，附参考文献（不少于10篇，其中近3年文献不少于5篇，英文文献不少于3篇，全部按照标准格式列出，并在文中顺序标注）
国内外研究现状、发展动态国内外研究现状、发展动态：
针对于数字图像眼底微小动脉瘤检测的问题，如今大致有以下几种方法：
1) 数学形态学，顶帽变换技术
Baudoin[1]于1984年最早在荧光造影图像中运用数学形态学的方法实现微小动脉瘤的检测。选取不同方向、不同连通性、以及不同粗细的线性结构作为结构元素，通过形态学顶帽变换把狭小、细长的类血管结构从非连通的圆形对象中区分出来。后来在这一技术基础上，许多改进的检测方法相继提出来。Spencer[2],Cree[3],Frame[4],Niemeijer[5]以及他们的团队在顶帽变换之前增加了色光修正和匹配滤波的预处理步骤，分割出微小动脉瘤候选对象后，提取候选对象的形状、颜色和对比度等特征，再用训练好的分类器通过这些特征筛选出真实的微小动脉瘤对象。
Hipwell[6]把改进后的顶帽变换用来进行高分辨率的红色通道的眼底彩色的微小动脉瘤检测。Walter[7]提出了一种基于数学形态学的微小动脉瘤检测算法。该算法首先对眼底图像进行归一化提高病变区域的对比度，运用直径开运算技术提取疑似微小动脉瘤对象，再用自动阈值分割技术，提取微小动脉瘤对象的特征，然后设计一个分类器用来决策真实微小动脉瘤对象。
Niemeijer[8]提出了顶帽变换方法和监督分类相结合来检测彩色眼底图像的微小动脉瘤。在像素分类方法中，，用血管上的像素和红色病变（微小动脉瘤和出血）的像素值来训练分类器。分类器训练以后，它将会检测眼底图像上所有的血管和红色病变的像素，在排除所有的连通的、瘦长的结构后，剩下的区域被认定为疑似微小动脉瘤对象。随后，提取一系列包括颜色信息在内的特征值，决策出真实微小动脉瘤对象。
2) 对象分割技术
文献[9-12]中，认为彩色眼底图像上的暗色区域基本上由血管、微小动脉瘤和出血组成。通过血管分割，最后保留的对象认为是微小动脉瘤和出血。Sinthanayothin等人[9]和Usher等人[10]提出了一种采用数学递归区域增长的方法分割出彩色眼底图像的血管和红色病变，然后运用神经网络将区域增长后的血管、微小动脉瘤和出血分类。Grisan[11]通过用高于局部的空间密度的聚类方法检测暗色对象。
K．Adal等人[12]把眼底图像的微小动脉瘤转换成检测眼底图像的感兴趣点，然后结合对疑似区域的描述和机器学习（Support Vector Machine, SVM）来检测微小动脉瘤。首先运用奇异值分解的方法对眼底图像进行对比增强，然后运用Hessian矩阵方法提取图像上微小动脉瘤的疑似区域，然后采用低对比度的blob算子提取疑似对象的特征，最后运用SVM对疑似微小动脉瘤区域进行决策。Pallawala等人[13]提出了一种新的检测方法，他把微小动脉瘤的检测问题转换成微小区域（如微小动脉瘤）和背景区域（如眼底图像的其他结构）的分割问题。首先运用图论的分割方法把像素灰度值相似和空间接近的小区域划分成一类，同时把其它对象划分为另一类。然后，根据疑似微小动脉瘤对象与其周围的灰度信息把真实的微小动脉瘤对象分离出来。
3) 匹配滤波技术
Quellec等人[14]利用二维高斯函数对微小动脉瘤建模，并通过小波域的子波段模板匹配方法进行微小动脉瘤的检测。通过提升策略，可以找到最优的自适应小波变换从而实现微小动脉瘤的检测。Zhang[15]通过计算多尺度高斯函数和局部微小动脉瘤灰度分布的相关度值定位候选微小动脉瘤的病变点，并通过区域增长技术实现微小动脉瘤分割，然后通过提取意思对象的形状、灰度、颜色及高斯滤波器组的相关度值等31个特征用字典学习（Dictionary
Learning，DL）的方法进行决策。
另外，Niemeijer[16]改进双环滤波器也是一种针对微小动脉瘤定位与分割的有效方法，该方法通过内环和外环区域像素灰度均值的差值来判断是否存在微小动脉瘤病变点，然后结合血管分割和区域增长基数实现血管排除和微小动脉瘤分割，最后通过训练好的神经网络来分辨真实的病变点和虚假检测。
如今采用匹配滤波技术的较多，传统的模板匹配算法大致可以分为两类：一类是根据匹配度计算方法，另一类模板选择方法。前者中常见的传统算法有平均绝对差算法MAD、归一化积相关算法NCC和序贯相似性检测法SSDA[17-19]。MAD算法的优点是计算简单，但是对噪声的抗干扰能力较为低下，随着噪声的增强，匹配性能急剧下降。NCC算法的优点是对白噪声的抗干扰能力较强，且精度高，但是极易受局部灰度变化的影响。SSDA算法的优点是计算速度快，但是计算精度低，匹配效果并不理想，而且易受噪声的影响。如果遇到图像中信息匮乏的子区域，会导致匹配率的误导性上升。后者中常见的经典模板匹配算法有模板库匹配（Template Library，TL）算法和函数模板（Function Template，FT）匹配算法。TL匹配算法本身简单易用，操作过程清晰明了，但是其计算量大、抗烦扰能力差，而且由于视网膜图像中微小动脉瘤的特征变化多样，建立标准库具有较大的困难，所以TL匹配算法并没有在微小动脉瘤检测领域内得到应用。FT匹配算法是目前最常用的模板匹配算法，算法选用适合匹配图像特征的函数模型为理想模型，根据理想模型与匹配图像之间的相似性计算两者之间的匹配度。如果存在满足一定大小匹配度的图像，则认为匹配成功，否则，则认为匹配失败。
在使用函数模板进行视网膜图像中微小动脉瘤检测的算法中，Bob等人使用高斯函数作为理想模板实现了微小动脉瘤的初步提取[20]。彭英辉等人在高斯模板的基础上采用多尺度匹配滤波来实现微小动脉瘤的检测[21]。Istvan Lazar[22]等人则通过对以预处理图像中最大像素点为中心的径向横截面轮廓的分析来提取微小动脉瘤。肖志涛[23]等人采用相位一致性模型获取微动脉瘤候选者，然后通过构建灰度剖面图去除图像中血管片段等无关信息，从而筛选出真正的微动脉瘤。上述算法是目前在微小动脉瘤的初次提取中出现的最新的匹配提取算法，其流程简单易用，但其检测结果并不理想，检测正确率偏低且误检率较高，并且对不同模式下的视网膜图像的适应性不够，甚至完全不适应某种成像模式下获得的视网膜图像。
虽然目前针对血管提取问题的算法多种多样，但是主要涉及分类器技术、跟踪技术以及窗口匹配技术三类基本理论。
1) 分类器技术
分类器方法主要由两步来实现，首先通过底层算法实现空间连通的区域分割，然后利用区域属性，将待选区域分割为血管和非血管。作者Tamura等利用血管段落长宽比，实现血管段落的检测[24]；作者M. Niemeijer等则通过监督学习来实现血管分割，通过训练样本设计好基于机器学习的分类器（K近邻分类器[25]，线性分类器[25]，二次分类器[25]]等），分割样本及未知对象。这类方法的缺点在于，分类器的设计仅利用血管灰度值信息，无法排除外界条件对分割结果的影响，分割对象的尺度信息只有在分割结束才能获取，且必须与其他方法相结合，无法直接用于底层算法实现区域分割。
2) 跟踪技术
基于跟踪技术的方法通常结合血管特征，选择血管脊线、血管横截面模型、血管段曲率、尺寸等，同时结合血管线性度、颜色、以及血管边缘的对比度变化[26]等，实现血管结构跟踪与识别[27]。其中涉及的技术主要有：起始点选择，血管脊线提取，建立剖面模型，跟踪技术与算法。起始点定位不具有自主性是该类方法的主要缺点，同时采用基于血管的剖面模型搜索血管时，分叉点或病理特征会造成跟踪过程会中断。
3) 窗口匹配技术
窗口匹配方法应用广泛，文献[28]中，作者在高斯滤波函数的基础上，进一步利用其一阶
导数，并结合阈值技术分割血管。文献[29]中作者依据血管线形分布特征，提取特征向量设计分类器，然后选用支持向量机（SVM）作为分类器，分割出图像中的血管结构与分血管结构，实验表明该方法在特定的图像中能够取得较好的提取效果。该类方法虽然应用广泛，但是分割算法与血管特征信息密切相关，如血管曲度、形状、边缘梯度以及对比度等特征，利用这些特征进行分割，缺点在于无法完全区别血管本身与视盘、出血或其他病变区域的边界等与血管结构相似区域，距离接近的多块亮区域间的暗色间隙等，这些现象在病变视网膜眼底图像中大量存在，造成算法提取结果不精确。
所阅文献的查阅范围及手段
所阅文献是通过实验室现有的局域网登陆到图书馆网站上提供的各种检索数据库而下载到的国内外电子版文献，还包括利用图书馆的外文期刊阅览室和科技文献阅览室查阅到的国内外书面文献。查阅文献的年限主要为1984—2014年间的文献。
1. C. E. Baudoin, B. J. Lay, and J. C. Klein. Automatic detection of microaneurysms in diabetic fluorescein
angiographies [J], Revue D’Épidémiologie et de Sante Publique, 1984, 32: 254-261.
2. T. Spencer, J. A. Olson, K. C. Mchardy, P. F. Sharp, and J. V. Forrester. An image-processing strategy for
the segmentation and quantification in fluorescein angiograms of the ocular fundus [J], Computers and
biomedical research, 1996, 29: 284–302.
3. M. J. Cree, J. A. Olson, K. C. McHardy, P. F. Sharp, and J. V. Forrester. A fully automated comparative
microaneurysms digital detection system [J], Eye, 1997, 11: 622-628.
4. A. J. Frame, P. E. Undrill, M. J. Cree, J. A. Olson, K. C. Mchardy, P. F. Sharp, and J. V. Forrester. A
comparison of computer based classification methods applied to the detection of microaneurysms in
ophthalmic fluorescein angiograms [J], Computers in biology and medicine, 1998, 28: 225-238.
5. M. Niemeijer, B. van Ginneken, J. Staal, M. S. A. Suttorp-Schulten, and M. D. Abràmoff. Automatic
detection of red lesions in digital color fundus photographs [J], IEEE transactions on medical imaging, 2005,
24(5): 584–592.
6. J. H. Hipwell, F, Strachant, J. A. Olson, K. C. McHardy, P. F. Sharp, and J. V. Forrester. Automated
detection of microaneurysms in digital red-free photographs: A diabetic retinopathy screening tool [J],
Diabetic medicine, 2000, 17: 588-594
7. A. D. Fleming, S. Philip, K. A. Goatman, J. A. Olson, and P. F. Sharp. Automated microaneurysms detection
using local contrast normalization and local vessel detection [J], IEEE transactions on medical imaging,
2006, 25: 1223-1232.
8. T. Walter, P. Massin, A. Erginay, R. Ordonez, C. Jeulin, and J. C. Klein. Automatic detection of
microaneurysms in color fundus images [J], Medical image analysis, 2007, 11(6): 555–566.
9. Sinthanayothin, , J. F. Willimson, T. H. Cook, H. L. Mensah, E. Lal. S, and Usher, D. Automated
detection of diabetic retinaopathy on digital fundus images [J]. Diabetic medicine, 2002, 19: 105-112.
10. Usher D, Dumskyj M, Himaga M, Williamson TH, Nussey S, Boyce J. Automated detection of diabetic
retinopathy in digital retinal images: a tool for diabetic retinopathy screening [J], Diabet medicine. 2004,
21(1):84-90.
11. Enrico Grisan, A. R. Segmentation of candidate dark lesions in fundus images based on local thresholding
and pixel density [C], EMB 2007,2007,6735-6738.
12. K. Adal, S. Ali, D. Sidibé, T. Karnowski, E. Chaum, F. Mériaudeau. Automated detection of microaneurysms
using robust blob descriptors [C]. In the proceeding of SPIE works on Medical Imaging 2013:
Computer-Aided Diagnosis, 2013:8670-22
13. Pallawala, P. M. D, Hsu, W, Mong Li Lee, Say Song Goh Automated Microaneurysm Segmentation and
Detection using Generalized Eigenvectors. In proceedings of the Seventh IEEE Workshops on Application of
Computer Vision, 2005, Vol. 1, pp. 322-327.
14. G. Quellec, M. Lamard, P. M. Josselin, G. Cazuguel, B. Cochener, and C. Roux. Optimal wavelets transform
for the detection of microaneurysms in retina photographs [J], IEEE transactions on medical imaging, 2008,
27(9): 1230-1241.
15. Zhang. B, Karry, F. Sparse representation classifier for microaneurysm detection and retinal blood vessel
extraction [J], Information science, 2012, 200:78-90.
16. M. Niemeijer, B. van Ginneken, J. Staal, M. S. A. Suttorp-Schulten, and M. D. Abràmoff. Automatic
detection of red lesions in digital color fundus photographs [J], IEEE transactions on medical imaging, 2005,
24(5): 584–592.
17. M. J. Atallah. Faster image template matching in the sum of the absolute value of differences measure. IEEE
transactions on image processing, 2001, 10(4): 659-663.
18. L. D. Stefano, S. Mattocia, F. Tombari. ZNCC-based template matching using bounded partial correlation.
Pattern recognition, 2005, 26(14): 2129-2134.
19. 宋毅, 崔平远, 居鹤华. 一种图像匹配中SSDA和NCC算法的改进，计算机工程与应用，2006，2: 42-44.
20. Z. Bob, W. X. Qian, Y. Jane, et al. Detection of microaneurysms using multi-scale correlation coefficients.
Pattern recognition, 2010, 43: 2237–2248.
21. 彭英辉等：基于多尺度匹配滤波和集成学习的眼底图像微脉瘤检测，计算机应用，2013，33(2)：543-546.
22. Istvan Lazar and Andras Hajdu, Retinal Microaneurysm Detection Through LocalRotating Cross-Section
Profile Analysis, IEEE transactions on medical imaging, 2013, 32(2): 400-407.
23. 肖志涛等：基于相位一致性模型的眼底微动脉瘤检测方法，中国生物医学工程学报，2014,33(1)：8-15.
24. S. Tamura, K. Tanaka, S. Ohmori, K. Okazaki, A. Okada, and M. Hoshi. Semiautomaticleakage analyzing
system for time series fluorescein ocular fundus angiography[J]. Pattern recognition. 1983,16( 2): 149–162.
25. M. Niemeijer. Automatic Detection of Diabetic Retinopathy in Digital Fundus Photographs[D]. Phd thesis，
26.
27.
28.
University of Utrecht, The Netherlands. 2006.
Mendonca A M, Campilho A. Segmentation of retinal blood vessels by combining the detection of
centerlines and morphological reconstruction[J]. IEEE Trans. Med. Imaging, 2006, 25(9):1200–1213.
S. Tamura, Y. Okamoto, and K. Yanashima. Zero-crossing interval correction in tracing eye-fundus blood
vessels. Pattern recognition. 1988, 21(3), pp. 227–233.
Bob Zhang a, LinZhang b, LeiZhang FakhriKarray. Retinal vessel extraction by matched filter with
first-order derivative of Gaussian[J].Computers in Biology and Medicine, Computers in Biology and
Medicine , 2010,40: 438–445.
Y. Tolias and S. Panas.A fuzzy vessel tracking algorithm for retinal images based on fuzzy clustering[J].
IEEE Trans. Med. Imag. 1998,17: 263–273.
29.
四、研究内容（本节可以整页扩页）
1．研究构想与思路、主要研究内容及拟解决的关键问题（不少于1000字）
研究构想与思路：
对于应用模板匹配进行的视网膜微小动脉瘤的检测，一般可分为以下几个部分：视网膜图像增强、模板匹配、微小动脉瘤的粗提取、用分类器分类实现真性微小动脉瘤的提取。其中微小动脉瘤粗提取和分类器分类算法是本课题的研究重点，对于视网膜微小动脉瘤的检测起到了决定性作用。
主要研究内容及拟解决的关键问题
第一，血管的剔除：进行模板匹配之后的视网膜图像中不仅包括微小动脉瘤的候选集还包括血管组织，而通过查阅大量的研究表明，微小动脉瘤并不会出现在血管上，因此在进行模板匹配之后应提取视网膜血管，并去除微小动脉瘤候选集内位于血管上的微小动脉瘤候选者，可以达到初步筛选的目的。但是视网膜图像中微小动脉瘤的灰度分布和血管的灰度分布在很多方面表现出了相同的特性，导致两者的区分非常困难。由此可以认为，在检测微小动脉瘤的过程中，视网膜中的血管成为造成微小动脉瘤的错误提取与检测的最大障碍。有效的去除视网膜图像中的血管结构同样被视为微小动脉瘤检测过程中的又一关键问题。为了去除血管结构，需要准确地进行视网膜血管的提取，然而在提取视网膜图像中的血管时，图像中的灰度阶级边界很容易被当成血管结构而被错误的检测与提取，导致不良后果的产生，因此，有效的区分视网膜图像中的血管和阶级边界成为准确提取视网膜血管的关键问题。从而对血管提取算法的要求就相对较高，算法的精度越高，提取出的血管组织就越精细，微小动脉瘤候选者的数量就会越少，这对于进一步额筛选起着至关重要的作用。此外，去除了血管组织之后的伪瘤集内还存在大量的非微小动脉瘤，选择一定的算法剔除掉在某些特征上与微小动脉瘤类似的伪瘤对于在最终阶段精确定位微小动脉瘤有着重大的影响。
第二，分类器的构建：微小动脉瘤的提取是一个区分真瘤与伪瘤的分类问题，近年来已有很多分类算法提出，如判定树、判定表、神经网络、支持向量机、KNN、贝叶斯方法等。在对微小动脉瘤的精确提取阶段，即根据相关特征构造分类器对其进行分类，但是传统的特征筛选仅仅依靠各个特征量的固定取值区间来验证微小动脉瘤候选者是否都能够满足，选择全部满足这些限定区间的候选者为真性微小动脉瘤，而不完全符合这些限定区间的则被认定为假性微小动脉瘤而被去除。从本质上来说，该过程的本质是将微小动脉瘤的各个特征量作为独立约束指标来进行筛选。然而，当使用这些独立约束指标进行筛选时，较多的假性微小动脉瘤候选者仍能全部满足这些限定区间，因此这部分微小动脉瘤候选者并未被筛除，从而导致微小动脉瘤的假阳性检测率居高不下，最终不能有效的提高最终检测结果。在以前的研究中采用自适应加权的汇总策略对微小动脉瘤进行精确提取时灵敏度不高，因此合适的特征组合及分类器的选择成为了最终微小动脉瘤精确定位的关键问题。
2．拟采取的研究方法、技术路线、实施方案及可行性分析
研究方法：
a) 文献研究法：通过在国内外电子期刊数据库中查阅微小动脉瘤检测的相关文献和图书馆中计算机图像处理、编程的相关书籍，比较全面、正确地掌握微小动脉瘤检测模板匹配提取算法和过滤算法，对各项关键技术的研究现状和发展趋势有所了解；
b) 实验法：对视网膜微小动脉瘤检测各个环节的关键算法，视网膜图像预处理、视网膜血管增强、视网膜微小动脉瘤检测等，在MATLAB上仿真与分析；
c) 对比分析法：对每个环 节算法性能进行评估，测试算法对不同视网膜图像的适用性，并进行客观评估及改进。
技术路线：
训练集图片训练集图片图片预处理图片预处理模板匹配模板匹配候选集提炼候选集提炼血管提取部分伪瘤剔除血管提取部分伪瘤剔除确定特征区间特征提取微小动脉瘤提取
实施方案：
（1） 文献总结与理论研究
查阅文献找到在检测的各个阶段中所能用到的方法，并比较其优缺点找到切实可行的一种或几种方法。
（2） 对现有数据库中的图片进行处理及分析
在MATLAB中对视网膜图像应用上面所提到的每一种方法进行处理，并进一步分析每一步及每一种方法处理后的效果，找到最优方法。
（3） 完整检测框架的建立
利用上述所找到的每一步骤中的最优算法形成最优的检测框架，并用测试集图片来检验整体框架
可行性分析：
（1） 基础理论成熟
微小动脉瘤自动检测技术经过几十年的发展，已经取得了很大的成就。在发展的过程中，出现了很多经典的算法，各种算法在一定的场合下都能取得很好的检测效果。在前人的研究过程中，已经研究分析了各种检测算法的基本原理，同时也提出了微小动脉瘤检测算法的各种评价标准，这些都为我们的研究奠定了坚实的理论基础。
（2） 前期工作准备充足
经过大概一年的时间，通过阅读大量的中外文献，已经掌握了微小动脉瘤检测的基本步骤和方法，掌握了每一步所用到的方法的基础及发展动态，紧跟国内外最新发展技术。通过这些前期工作，已经能够仿真实现前人研究出的微小动脉瘤检测中各阶段所使用的经典算法，包括图像的增强、血管的粗提取、形态学的顶帽变换、遗传算法、PCA等。并且通过matlab再现了检测准确度较高的一篇文章的算法，接下来的研究将以此进行对比。因此，通过以上分析可见，微小动脉瘤检测算法具有可行性。
（3） 具备良好的编程能力。
到目前为止，已经初步掌握了在微笑动脉瘤检测算法各步骤中常用算法的matlab实现，并且能够依托现有的知识及网路资源实现所需的算法，在接下来的研究中组合出一组效率最高的算法集合即可。因此该课题具有技术可行性。
五、预期研究成果（本节可以整页扩页）
对所研究的成果进行阐述，同时要对与前文研究内容的相关性及与前人（他人）研究成果的差异性进行描述
血管提取：在血管去除方面，以前的研究采用基于窗口匹配技术的血管提取算法，但该算法无法完全区别血管本身与视盘、出血或其它病变区域的边界，导致无法提取更为精细的血管结构，影响了检测的准确度。在此方面最终能提出基于多种技术相融合的血管提取算法，提取到更为精细的血管，更多地剔除候选集中位于血管组织上的伪瘤。同时能够通过一定的算法对于此时候选集中仅在某些特征上与MA类似的伪瘤剔除一大部分，便于接下来进行的MA的过滤算法。
分类器的构建：以前的研究中采用遗传算法以及SVM对最终的候选集进行过滤，但其最终的检测正确率并不是太高。因此在最终阶段能够提出合适的分类器构建算法，经过特征值过滤后，真性MA候选者被划分到真性MA的集合中，得到MA的真集，而假性MA候选者被过滤丢弃。从而提高检测的灵敏度并降低平均假阳性率。
六、研究条件（本节不允许扩页）
1．所需实验手段、研究条件和实验条件
实验手段：
通过数字图像处理技术实现视网膜微小动脉瘤的检测算法。
研究条件：
医院提供大量视网膜图像，便利的互联网、图书馆资源。一些视网膜图像数据库如下：
ROC数据库：
DIARETDB1数据库： /project/imageret/diaretdb1/
DIARETDB0数据库： /project/imageret/diaretdb0/
MESSIDOR数据库：
DRIVE数据库： /Research/Databases/DRIVE/
STARE数据库： /stare/probing/
实验条件
软件：开发环境为MATLAB。
硬件：PC机。
2．所需经费，包含经费来源、开支预算（工程设备、材料须填写名称、规格、数量）
（如果没有，可以空白）
七、工作计划（本节不允许扩页）
序号 阶段及内容
准备阶段：阅读视网膜图像中微小动脉瘤检测算法的相关文献，了解如今最新的算法及检测效果、存在问题
预设计阶段：根据查阅的相关文献设计微小动脉瘤检测流程，并分析相关流程的可实现性
工作量估计
（时数）
起止日期 阶段研究成果
1 400
2014.07-2014.09
各种算法汇总，分析优缺点
2 400
2014.09-2014.10
搜集每个流程中可采用的各种具体方法
挑选出每个流程所使用的最佳方法
3
设计阶段：根据分析验证搜集到的各种方法，确定最终检测流程
200
2014.10-2014.11
4
图像增强阶段：将数字视网膜图像增强
400
2014.11-2014.12
得到增强后的视网膜图像
5 改进现有的视网膜血管提取算法 400
2014.12-2015.01
提取视网膜图像中的血管
6
设计微小动脉瘤分类算法对其进行精确定位
400
2015.01-2015.03
微小动脉瘤精确提取
7
结果分析与对比：分析实验结果并与其他算法作比较
400
2015.03-2015.04
结果比较
8 撰写毕业论文 400
2015.04-2015.06
硕士毕业论文
合计
3000