基于长短时记忆网络的局部极值量化Haralick特征检测糖尿病视网膜病变

摘要

糖尿病视网膜病变是影响眼睛的主要疾病之一。缺乏早期发现和治疗可导致病眼完全失明。近年来，许多研究者尝试开发糖尿病视网膜病变自动检测技术，以补充糖尿病视网膜病变症状的诊断和早期治疗。在这篇手稿中，提出了一种新的方法。该方法利用局部极值信息和量化Haralick特征从眼底图像中提取特征。量化特征不仅编码纹理Haralick特征，而且利用了糖尿病视网膜病变众多症状的多分辨率信息。长短时记忆网络结合局部极值模式，提供了一种高精度分析图像各段的概率方法，有助于抑制假阳性的发生。提出的方法在两个不同的公共数据集上分析了糖尿病视网膜病变的视网膜血管系统和硬渗出症状。实验结果评估使用性能矩阵，如特异性，准确性和敏感性揭示了有前途的指标。通过与国内外相关研究的比较，验证了该方法的有效性。 The proposed approach performs better than most of the researches used for comparison.

1.简介

糖尿病视网膜病变(DR)是一个医学术语，用来描述视网膜上出现的一种轻微的威胁性疾病。本病多见于工作年龄人士，如不适当治疗，可导致视力完全丧失[1，2］．视网膜病是全球成年人失明的主要原因[3.］．根据一项研究，在2010年，超过2.39亿人受到影响，其中仅美国就超过770万。根据新的预测，美国糖尿病视网膜病变患者的数量预计将增加近一倍，从2010年的770万增至2050年的约1460万[4］．由于该病的严重性和造成的严重破坏，早期发现和治疗一直是世界各地大多数卫生机构的重点工作之一。

糖尿病视网膜病变导致视网膜血管结构发生重大变化，其中包括用于将含氧血液和营养物质转化到视网膜各部分的主要血管。在一些糖尿病视网膜病变患者中，血管可能膨胀并泄漏液体，导致形成异常，如软硬渗出物。在其他情况下，会出现不正常的新血管发育、血管闭塞和血液渗漏(出血)到视网膜的健康部分。检测糖尿病视网膜病变的征象包括正确识别所有可能的异常，如软硬渗出物、出血和血管闭塞[2，3.，5］．

因此，要实现DR病眼的合理诊断，需要识别和分割视网膜的各种特征，如血管、视盘，以及病眼的许多其他异常症状。血管的分割是研究的重要方面之一，因此从眼底图像中提取视网膜血管系统，以便仔细检查血管结构的一些解剖变化，如直径、分支角度和闭塞性。

在过去，这些视网膜症状的诊断依赖于人工分割视网膜眼底图像。这一操作需要眼科专家的专业知识，因为这一过程耗时、费力且非常复杂[6］．然而，随着机器学习和人工智能领域的重大突破，研究人员开发了许多算法来帮助完成视网膜眼底图像中这些异常的诊断过程。例如，眼科医生可以使用适当分割的血管，通过识别额外血管或液体的数量增长，如特征、形状和大小，来检查和检测疾病。许多研究采用或提出了不同的技术，其中一些主要侧重于视网膜的各种特征的分割来检查异常。此外，一些技术有更通用的方法，而机器学习算法是开发和训练，将眼底图像分类为健康或非健康的不同阶段的疾病。视网膜的解剖概况如图所示1。

手稿分为七个部分。部分1而且2包括绪论和文献综述3.提出了该方法所使用的关键概念的理论背景。节4，讨论了建议的方法5给出了该方法的实验结果。节6对全文进行了讨论和比较，并在章节中对全文进行了总结7。

2.相关文献

近年来，大量的研究催生了计算机辅助诊断系统，用于视网膜眼底图像中的眼科异常的诊断。血管分割已成为著述量最高的领域之一[2，7］．在分段中使用的大多数技术可以分为两类:监督方法和非监督方法。监督方法使用标记数据训练分类器算法，如支持向量机(SVM)，根据标签对每个像素进行分类。相比之下，无监督方法没有使用标签数据或任何有关疾病的事先信息。必威2490无监督技术可以包括形态学操作、匹配滤波方法和可变形模型[1］．

殷等人，[8]使用基于概率跟踪的方法，利用视网膜结构分析(STARE)和血管提取(DRIVE)数据库的数字视网膜图像从眼底图像中分割视网膜血管。敏感度和特异性分别为0.75和0.95。

Ravichandran和Raja [9]在对眼底图像进行预处理后，应用了基于局部熵的阈值处理技术。王等人，[10]采用监督学习方法，将卷积神经网络(Convolutional Neural Network, CNN)和随机森林(Random Forest, RF)相结合，在使用标签数据训练后对血管像素进行分类。该方法性能良好，但计算成本巨大。

Sohini等人，[11]在预处理阶段提取出主要的血管，然后应用高斯混合模型(GMM)分类器从图像的其余部分中调优并细化最终的血管。赵等人。[12]采用主动轮廓技术，将图切割应用于血管分割。他们最初使用局部相位滤波器增强图像。赵等人。[13]提出了一种新的无限活动轮廓模型，用于视网膜血管的自动检测。

沃尔特等人[14]介绍了一种基于候选对象提取的微动脉瘤检测算法。他们的技术首先对图像进行增强，然后提取绿色通道并进行归一化处理，然后进行直径闭合的候选检测和自动阈值算法。在核密度估计的基础上对候选微动脉瘤像素进行分类。

类似地，斯宾塞等人。15Frame等人。[16两者都采用了候选提取方法，其中通过从绿色通道图像中减去中值滤波背景来进行阴影校正。最后，利用12个结构元素进行基于顶帽变换的形态学运算提取候选提取。得到的候选像素进一步进行对比度增强操作，最后进行二值化。

3.理论背景

3.1.灰度协同出现矩阵

GLCM通常用于纹理分析，最早由Haralick等人于1973年提出，用于从图像中提取统计纹理特征[17］．由GLCM计算出的Haralick纹理特征编码了重要的纹理描述符，可用于图像的纹理分类和感兴趣区域(ROI)定位。GLCM是通过考虑每个像素与其邻域像素的关系来构造的。它给出了考虑的特定邻域的共存像素值的分布。中心像素的邻域由它们与中心像素的距离和方向(偏移量)定义[18］．的偏移量 或[1,135°]描述一个像素距离的邻域像素 135度( 从中心像素开始。数字2显示如何考虑这些偏移量。

因此，对于灰度图像的大小 与灰度值，共现矩阵会有一个尺寸 它在整个图像上定义，并通过偏移量( )． 在由偏移角[0°，45°，90°，135°]定义的四种不同偏移处计算的GLCM通常在水平、垂直和两条对角线上编码转换值信息。这样的GLCM是旋转不变的。当在构造GLCM时考虑四个方向对称相反的所有偏移时(即考虑所有方向)，即形成对称GLCM [18］．

考虑图3.(a)具有灰度级的原始灰度图像 ，如果定义了水平偏移量(即， )，图中计算出的GLCM3.(b)是a 它的条目使用Eq.(计算1)．例如，GLCM矩阵中高亮显示的条目“2”(图2)3.(b))发生在第一行 和列 从图?中的原始灰度图像中，通过计算水平偏移上灰度值恰好为3和1的像素对的数量，得到3.(a).图中归一化GLCM3.(c)表示每组GLCM出现在图像内的估计概率。对于图中灰度图像的每一行3.(a)，水平偏移上的像素对组合有3种独特的可能性;因此，整个灰度图像共有12种可能。图中的归一化GLCM3.(c)是将图中每个灰色共现项进行分割得到的3.(b)到12岁。该归一化GLCM用于提取Haralick特征，其条目之和为1。归一化GLCM可以看作是图像中灰度对的概率质量函数。

3.2.Haralick纹理特征

Haralick从归一化的GLCM矩阵中计算了24个不同的统计特征，如图所示3.(c).这些特征量化了图像内部局部信息和空间特征的基本部分。虽然所有24个特征可能在不同的结构分析中都有用，但在本研究中，在对这些特征进行了一些尝试组合后，提取了所需的信息，其中5个特征非常突出，非常有前途，因此在eq中进行了描述。（2) - (6)．

同质性:描述每个GLCM元素与其对角线元素的紧密度度量

熵:是对图像中出现的随机性或无序程度的度量

能源:是角秒矩的根，它给出了灰度局部均匀性的度量 相关:该特征显示了共现矩阵中灰度值的线性依赖性。

在条款 而且求和的共现矩阵的均值和标准差是 ，一个长水平和垂直的空间平面。

对比:对比度，也称为标准差，表示像素间灰度强度变化的度量。

3.3.长短时记忆(LSTM)网络

LSTM网络是循环神经网络(RNN)的一种深度学习形式，由Hochreiter和Schmidhuber在1997年首次提出[19］．它解决了与传统神经网络相关的消失/爆炸梯度的常见问题。梯度消失问题逐渐侵蚀了用于更新权重和偏差的误差梯度的大小。这阻止了网络进一步调整权重和偏差，因此，学习最终在网络的更深层次停止[13］．

在一个经典的RNN结构中(图4)，网络更新权向量 ，在每个隐藏层。隐藏层的外时间戳是与数据标签比较吗计算净误差对于该层，它是用梯度正派，以减少网络误差。网络输入到每个隐层的时滞由输入序列组成加权输出( ）相邻隐层的 。

LSTM用门控结构代替每个隐藏层细胞(图5)使用细胞状态与每一层有额外的连接， 。LSTM细胞由三个门组成:忘记门，输入门，以及输出门。每个门都使用sigmoid ( ）激活以控制细胞在不同阶段的信息量。忘记门 ，当输入门时，控制从相邻层序列的前一个时间延迟中保留或忘记的信息调节当前的内部细胞状态在使用压缩后，哪个保存了细胞的净输入激活功能。输出门 ，控制单元格输出 ，哪个是当前单元格状态的压缩向量由输出门调节。输出门控制压扁的电流单元状态。

每个带偏差门的LSTM网络关系可表示为式(7)．

LSTM网络使用带有截断反向传播时间(BPTT)的梯度梯度来调整权重 和偏见( ）使网络输出与目标输出之间的误差最小化。

4.该方法

在该方法中，特征编码利用不同量化级别的局部极值信息构建GLCM。构造的归一化GLCM用于提取感兴趣的Haralick特征，随后将这些特征编码为特征序列，送入LSTM网络进行训练。

4.1.局部极值量化Haralick特征

很明显，对于同一幅图像，Haralick特征的大小受图像中可识别灰度的数量的影响，因为灰度的数量决定了GLCM的大小。观察效果的一种方法是将原始灰度量化到新的级别。对于灰度图像， ，量化值是一种非线性变换，使图像呈现出与原始图像不同的分辨率。除了灰度量化水平，其他特征如GLCM抵消和原灰度图像的预定灰度强度范围(极值)都影响Haralick特征。这些属性通常称为GLCM构造参数

为了获取灰度图像的量化水平和灰度图像的极值范围这两个GLCM构造参数，用原始图像创建一个新的图像计算GLCM ，具有不同的量化水平(分辨率)和局部极值范围。

一个图像 ，哪个是灰度量化的带有灰色局部极值信息 ), 表示局部极值灰度强度值的最小值和最大值，当这些参数变化时，将具有不同的Haralick特征。修改后的新图像哪一个能同时捕捉到两种量化而且可以用方程式计算。（8)及(9)．

在哪里中介是形象和是映射计算值的天花板操作符吗到大于或等于自身的最小整数。

这是极值的常见选择之一是图像中灰度值的全局最小值和最大值。的选择在图像中具有相同量化水平的局部ROI内会导致图像内不同的强度值分布与相同的图像相比为图像的全局极值强度值。因此，极值的选择影响GLCM矩阵(见图)6)．

提出的量化Haralick特征是使用节中描述的归一化GLCM的五个Haralick特征形成的3.。首先，在不同的量化级别上计算原始灰度图像的四个不同版本，即: 箱里。 从每一个量子化的版本 ，构造一个归一化的GLCM，然后使用它提取五个Haralick特征(即同质性，熵，能源，相关,对比)．对于每个量化图像，最小和最大像素强度值被用作极值 。例如，的极值由(给出11)． 最后，从四幅量化图像的归一化GLCM中提取的所有Haralick特征进行串联，形成一个特征向量长度为20。

4.2.分割

而不是应用上述提出的特征选择的整个灰色眼底图像，图像被分割成 窗口。在必要的情况下，用零填充图像，以确保大小为整数的段数 是生成的。每个分段窗口使用所提出的方法来形成20个特征。分割的目标是帮助找到感兴趣的地区发生的概率(ROI)糖尿病性视网膜病变症状最有可能发生的地方。要计算此概率，需要有关症状位置的先验信息。必威2490这些信息提供在培训数据集中，由专家对受感染的地区进行了标记。每个段的这些概率使用基准方法确定，比较段的特征和实际ROI特征之间的相似性度量。ROI就是训练数据的真实图像，如图所示7 (b)。

4.3.序列编码LSTM

LSTM网络被训练成向量到序列的模型。对于任何训练图像，它对应的地面真值被用来提取提出的20个特征。如果有训练样本，每个地面真相(ROI)产生 长度为20。基准ROI特征向量用于评估每个段的值为(12)中这些特征的平均值。 相关系数在每个特性和特性来为该段分配标签。为每一个带有编码特征序列的片段生成水平，即相关系数在每个编码段特征与候选ROI的编码特征之间进行计算。如果计算如果小于0.5，该段的标记为没有一个。的值标记在0.5到0.7之间温和的， 0.7到0.89被标记强大的， 0.9比1非常强烈的标签。

将图像中提取的每一段特征(20个特征)训练为LSTM的顺序输入，计算出的标签作为标签数据。因此，网络在顺序数据流上进行训练。对于ROI编码的特性分段特征 ，相关系数用Eq. (13)．所提方法的完整流程图如图所示8。 在哪里 分别为期望值均值和方差函数。

LSTM网络通过每个训练数据中的片段进行训练，并计算出相应的标签(相关系数) ）以上。在测试过程中，网络利用其学习的模型来预测相关系数一个新的片段呈现在它面前。预测的结果被解释为该段内出现症状的概率，用于后续阶段分析和检测有症状的眼底图像的部分。所提方法的完整流程图如图所示9。

5.实验结果

提出的方法是在两个独立的流行的公共视网膜病变数据集上实施的:盯着看(20.),图像受潮湿腐烂数据集(21］．的图像受潮湿腐烂由两个独立的数据集DIARETDB01和DIARETDB1组成。DIARETDB1包含89个眼底图像，其中5个健康样本，其余样本有轻微的糖尿病视网膜病变症状，如出血、微动脉瘤、硬渗出和软渗出。我们使用这个数据集来检测硬渗出物。另一方面，利用STARE数据库进行血管分割。

除了所提方法的一般性能精度外，还考虑了其他性能指标。这些度量是依赖于地面真实模板和使用该方法获得的等效模板之间的像素到像素模板匹配的相似性度量。真阳性(TP)和真正的负(TN)定义为正确的分类。TP识别所有被正确分类为候选像素的候选像素，而TN给出被正确识别为非候选像素的非候选像素的数量。错误分类,假阳性(FP)和假阴性(FN)被定义。FP是将非候选像素错误地分类为候选像素，而FN是将候选像素错误地分类为非候选像素。所考虑的相似性度量在方程式中定义。（14) - (19)．

例如，真正(TP)计算为地真二值图像与本方法得到的二值图像之间的白色像素相交数，真负(TN)计算为地真二值图像与本方法得到的二值图像相交的黑色像素数。FP和FN分别是两个模板之间的互补集中白色和黑色像素的数量。 在哪里 ， ，而且模板图像的平均值、标准差和动态范围是常数吗而且 ，分别。

5.1.LSTM实现信息

为实现LSTM网络的训练，采用python 3.8编程语言，以TensorFlow和Keras为库。LSTM的每个单元格都有3的回溯记忆，这意味着要计算单元格的当前输出，它需要使用来自前面段的三个以前的结果。输入层由100个细胞组成，输出层(密集层)由I神经元组成，如图中的模型摘要所示10。该网络在100次迭代中总共训练了41701个参数，训练和测试损失(RMSE)分别为20.79和30.13。

5.2.渗漏检测

LSTM网络的输出根据预测判断某一图像段中硬渗出物的存在与否价值。为小于或等于0.5，假定节段中没有硬渗出物。的值大于0.5表示存在硬渗出物，但在不同的阶段(没有一个，温和的，强大的,非常强烈的)．

然而，要进一步对一段内的像素进行分类，以便与地面真实图像的模板匹配，还需要进一步的处理。以前计算的段的量化版本( 用非线性变换(Eq. ()20.)，以加强两者的对比。变换中的常数伽马来自于输出分数LSTM网段的。利用大津全局阈值法将这些伽玛变换的片段转换为二值图像。仅包含 考虑，所有像素在段与 被归为非候选人。像素在片段中 通过计算分段的四个不同(量子化、转换和二值化)版本的交集来进行分类。21)．数字11和表1给出了使用该技术在DIARETDB1数据库上提取的实验结果。 在哪里是变换的常数吗

5.3.血管分割

作为糖尿病视网膜病变的一个迹象，血管可能膨胀并泄漏液体，导致形成异常，如硬和软渗出物。在其他情况下，会出现不正常的新血管发育、血管闭塞和血液渗漏(出血)到视网膜的健康部分。糖尿病视网膜病变征象的检测包括适当的分割，以提供任何血管上和周围的异常发展的线索。分割部署与硬渗出液检测相同的方法(使用方程式。（20.)及(21))，只是在量化之前使用背景估计从预处理图像中去除背景。为了估计背景，我们将RGB图像的三个通道加在一起，使用阈值为100的值将结果图像转换为二值，如图所示12。数字13表示使用所提出的方法分割血管的结果，如表所示2，将STARE数据库中血管自动分割的性能测量结果样本制成表格。

6.比较与讨论

检测糖尿病视网膜病变的特定症状是一项相当具有挑战性的任务。这是由于其中一些症状具有相似的纹理组成和强度分布，因此很难使用简单的纹理或强度分布分析进行区分。例如，在视网膜血管结构中，当通过眼底图像的绿色通道观看时，它显示的强度分布类似于位于血管结构起源的神经中心正上方的光盘。因此，分离此类实例需要的不仅仅是过滤，还需要更健壮的方法来区分和扩大这些特性之间存在的最小差异。不同量化水平的使用，显著提高了区分图像中重叠特征的可能性。不同的量化级别将特征转换为不同的分辨率，因此一些在更高分辨率(更高的量化级别)下不可见的特征突然变得可见，因此可以很容易地分析。

在检测出血和微动脉瘤等症状时，它们通常是微小的斑点，这通常非常具有挑战性，因为处理过的图像中的任何噪声都可能表现出这些症状。序列训练与LSTM的使用变得非常方便和高效，因为它的输出可以用来判断图像的一个片段是否有症状。这些方法确保获得平滑的输出，并且只对出现症状概率较高的片段进行进一步后处理。在表3.，我们提出的方法与其他先进的方法之间的比较结果。

7.结论

提出了一种检测糖尿病视网膜病变症状的新方法。开发了一种全面、全面地分析视网膜血管结构和硬渗出物的算法。该方法在其中编码，对所分析症状进行了强大的特征表示，与文献中的对应方法相比，这有助于提高性能。不同量化水平的使用将空间图像域转换到不同的分辨率域，显著有助于改善相似纹理和强度分布特征之间的类间差异。此外，LSTM模型非常有效，有助于减少最终后处理输出图像中噪声或假阳性的出现。它还减少了图像后处理所需的时间，因为只考虑症状同时出现的可能性较高的片段。

总之，所获得的结果是令人印象深刻的，并验证了所提出的方法在此背景下的相关性和有效性。尽管取得了成功，但所提出的方法并不包括糖尿病视网膜病变的其他症状，如出血和微动脉瘤的检测。其他症状检测可能会带来不同的挑战。

数据可用性

研究中使用的两个数据集可以通过以下链接公开访问:(1)DIARETDB1:http://www2.it.lut.fi/project/imageret/diaretdb1_v2_1/(2) STARE: https://cecas.clemson.edu/~ahoover/stare/。

利益冲突

作者声明他们没有利益冲突。

参考文献

1. G. Meenu和G. Sheifali，“视网膜血管分割算法的比较”，国际生物科学与生物技术杂志第8卷第1期。3, pp. 63-76, 2016。视图:谷歌学者
2. U. R. Acharya, C. M. Lim, E. Y. K. Ng, C. Chee和T. Tamura，“基于计算机的糖尿病视网膜病变分期的数字眼底图像检测，”机械工程师学会学报，H部分:医学工程杂志，第223卷，no。5, pp. 545-553, 2009。视图:出版商的网站|谷歌学者
3. S. Onal和H. dabill - karacal，“利用眼底图像诊断眼病的改进自动血管分割”，生物医学图形与计算杂志第6卷第1期。1, pp. 23-33, 2016。视图:出版商的网站|谷歌学者
4. 国家眼科研究所，2019年7月17日https://www.nei.nih.gov/learn-必威2490about-eye-health/resources-for-health-educators/eye-health-data-and-statistics/diabetic-retinopathy-data-and-statistics。[已访问2010年3月27日]。视图:谷歌学者
5. I. Kaur和L. M. Singh，“一种使用模糊c -均值和中性神经方法的视网膜血管疾病检测和分割方法”，帝国跨学科研究杂志，第2卷，no。6, pp. 1362-2454, 2016。视图:谷歌学者
6. S. S. Chorage和S. S. Khot，“血管提取眼底图像检测糖尿病视网膜病变的综述”，全球计算机科学与技术杂志第16卷第1期。3, pp. 1-4, 2016。视图:谷歌学者
7. R. Besenczi, J. Tóth，和A. Hajdu，“彩色眼底照片自动分析技术综述”，计算与结构生物技术杂志， vol. 14, pp. 371-384, 2015。视图:谷歌学者
8. Y. Yin, M. Adel和S. Bourennane，“基于概率公式的视网膜眼底图像血管自动分割和测量，”医学中的计算和数学方法2013年，16页。视图:出版商的网站|谷歌学者
9. c . g . Ravichandran和j·b·拉贾”,基于快速增强/阈值对视网膜血管分割图像使用对比度自适应直方图均衡化有限,”医学影像与健康资讯杂志，第4卷，no。4, pp. 567-575, 2014。视图:出版商的网站|谷歌学者
10. 王胜，尹勇，曹国强，魏斌，郑勇，杨国强，“基于特征和集成学习的视网膜血管分层分割”，Neurocomputing， vol. 149, pp. 708-717, 2015。视图:出版商的网站|谷歌学者
11. R. Sohini, K. Dara和P. Keshab，“基于主血管提取和子图像分类的眼底图像血管分割”，IEEE生物医学和健康信息学杂志，第19卷，no。3, 2014。视图:谷歌学者
12. 赵玉玉，刘玉玉，吴晓霞，郑玉玉，“视网膜血管分割:一种有效的视网膜局部相位图切割方法，”《公共科学图书馆•综合》第10卷第1期。4，文章e0127486, 2015。视图:出版商的网站|谷歌学者
13. y赵,l . Rada k . Chen s p·哈丁和y郑,“自动化船舶分段使用无限边界活动轮廓模型和混合与应用视网膜图像区域信息,“IEEE医学影像汇刊第34卷第4期。第9页，1797-1807,2015。视图:出版商的网站|谷歌学者
14. T.沃尔特，P.马辛，A.厄吉奈，R.奥多涅斯，C.杰林，j . c。彩色眼底图像中微动脉瘤的自动检测，医学图像分析，第11卷，no。6，第555-566页，2007。视图:出版商的网站|谷歌学者
15. T. Spencer, J. A. Olson, K. C. McHardy, P. F. Sharp和J. V. Forrester，“一种用于眼底荧光素血管造影中微动脉瘤分割和量化的图像处理策略”，计算机与生物医学研究第29卷第4期。4，页284-302,1996。视图:出版商的网站|谷歌学者
16. A. J. Frame, P. E. Undrill, M. J. Cree等人，“基于计算机的分类方法在眼科荧光素血管造影中微动脉瘤检测的比较”，生物与医学中的计算机第28卷第1期。3，页225-238,1998。视图:出版商的网站|谷歌学者
17. R. M. Haralick, K. Shanmugam和Its 'Hak Dinstein，“图像分类的纹理特征”，《IEEE系统、人与控制论汇刊》， vol. 3, pp. 610-621, 1973。视图:出版商的网站|谷歌学者
18. M. Verma, B. Raman和S. Murala，“颜色和纹理图像检索的局部极值共现模式”，Neurocomputing， vol. 165, pp. 255-269, 2015。视图:出版商的网站|谷歌学者
19. S. Hochreiter和J. Schmidhuber，《长时间短期记忆》神经计算第9卷第1期。第8页，1735-1780,1997。视图:出版商的网站|谷歌学者
20. a . Hoover, V. Kouznetsova和M. Goldbaum，“通过匹配滤波器响应的分段阈值探测来定位视网膜图像中的血管”，IEEE医学影像汇刊，第19卷，no。3，第203-210页，2000。视图:出版商的网站|谷歌学者
21. T. Kauppi, V. Kalesnykiene, J. Kamarainen等，“DIARETDB1糖尿病视网膜病变数据库和评估方案”，在第十一届医学图像理解与分析学术会议论文集， Aberystwyth, Wales, 2007年。视图:谷歌学者
22. M. Faisal, D. Wahono, K. W. Purnama, M. Hariadi，和M. H. Purnomo，“基于daghettacal retzhnal uymage的支持向量机(SVM)”，理论与应用信息技术杂志第59卷，no。1, 2014。视图:谷歌学者
23. R. Radha和B. Lakshman，“利用形态过程和聚类技术分析视网膜图像”，信号与图像处理:国际期刊(SIPIJ)，第4卷，no。6、2013。视图:谷歌学者
24. S. Kaur和D. Singh，“利用K-means颜色压缩和模糊逻辑对糖尿病视网膜病变的早期检测和分类”，在244无线通信软计算应用国际会议2017年，印度旁遮普省卢迪亚纳。视图:谷歌学者
25. A. Sopharak, B. Uyyanonvara和S. Barman，“基于模糊c均值聚类的非扩张型糖尿病视网膜病变图像渗出物自动检测”，传感器第9卷第1期。3，页2148-2161,2009。视图:出版商的网站|谷歌学者
26. S. Vujosevic, E. Benetti, F. Massignan等人，“糖尿病视网膜病变的筛查:1和3张非脊髓性45度眼底数字照片vs 7个标准早期治疗糖尿病视网膜病变研究领域，”美国眼科学杂志，第148卷，no。1, pp. 111-118, 2009。视图:出版商的网站|谷歌学者
27. N. G. Ranamuka和R. G. N. Meegama，“用模糊逻辑检测糖尿病视网膜病变图像中的硬渗出物”，PNCTM， vol. 1, 2012。视图:谷歌学者
28. P. prentaic和S. L. Aric，“利用深度神经网络和解剖学标记检测融合检测眼底照片中的渗出物”，生物医学计算机方法与程序“，， vol. 137, pp. 281-292, 2016。视图:出版商的网站|谷歌学者
29. E. Imani和H. Pourreza，“一种利用信号分离算法分割视网膜渗出液的新方法”，计算方法程序生物医学， vol. 133, pp. 195-205, 2016。视图:出版商的网站|谷歌学者
30. A. Saeed, A. M. Alharthi和V. Emamian，“在人类视网膜图像中早期筛查和诊断糖尿病视网膜病变的自动化机制”，英国应用科学与技术杂志2016年，第12卷，第1-15页。视图:出版商的网站|谷歌学者

betway赞助

betway赞助版权所有©2021 Abubakar M. Ashir等人。这是一篇开放获取的文章创作共用授权协议该法律允许在任何媒体上不受限制地使用、分发和复制，前提是必须正确引用原著。