基于图自适应视网膜图像中动脉静脉分类方法

基于图自适应视网膜图像中动脉/静脉分类方法

摘要——视网膜血管分类成动脉/静脉（A/V）对于自动检测血管变化，和与一些全身性疾病例如糖尿病相关的标志，高血压，和其它心血管疾病的特性计算来说是一个重要的阶段。本文提出了一种自动方法用于A / V分类，基于从视网膜血管提取的曲线图的分析。这个提出的方法对整个血管树进行分类，取决于每个交叉点的类型（图节点）和分配两个标签中的一个给每个血管分割段（图链接）。最终的A / V血管分割段进行分类是通过组合基于图的标记结果，这些标记结果带有一系列强度特性。该提出的方法的结果和人工标记的三个公共数据库相比较。

数据库INSPIREAVR，DRIVE,VICAVR的图像获得的精确度分别是88.3%，87.4%，和89.85。这些结果证明了我们的方法用于A/V分类由于近期的方法。

关键词：动脉/静脉分类，图形，视网膜图像，血管分割

一． 介绍

利用数字图像分析方法自动检测视眼底的网膜病变有巨大的潜在好处。比目前以观测为基础的方法好，它允许在更短的时间检测大量的图像，以更低的成本和减小的主体。另一个优点是执行自动筛查病理条件的可行性，如糖尿病性视网膜病变，可以减少训练有素的手动需要的工作量[1]。视网膜血管受到一些全身性疾病的影响，即糖尿病，高血压和血管疾病。在糖尿病性视网膜病变中，血管在早期阶段常常表现出异常[2]，以及血管直径的改变[3]。视网膜血管的变化，如显著扩张和主要动脉，静脉和其分支延伸[3]，[4]，也经常与高血压和其他心血管病变有关。

测量与血管变化相关的几个特征性体征，目的在于评估一些视网膜条件的阶段和严重程度。广义小动脉狭窄，这是负相关的更高的血压水平[5]，[6]，通常

是由小动脉到微静脉直径比（AVR）表示。在以前的社区动脉粥样硬化风险（ARIC）研究表明，一个更小的视网膜AVR可能是偶发性卒中的中年人个人的独立预测因[7]。AVR的值也可以是其他病的一个指标，如糖尿病性视网膜病变和过早视网膜病变[8]。在其他图像处理操作中，AVR值的估计需要血管分割，准确的血管宽度测量和动脉/静脉（A / V）的分类[9]，[10]。因此，任何自动AVR测量系统必须准确地识别哪些血管是动脉，哪些血管是静脉，因为轻微的分类错误对最终值影响很大。

一些工作在血管分类中已经多次提出[11] - [17]，但视网膜血管自动分类成动脉和静脉只得到有限的关注，在视网膜图像分析领域仍然是一项开放的任务。在近几年，图形已成为一个统一的表示用于图像分析，和基于图的方法已经被用于视网膜血管分割[18]，视网膜图像登记[19]，和视网膜血管分类[12]。本文提出了一种基于图的方法用于A/V自动分类。分析从分割的视网膜中提取的图形脉管，来决定交点的类型（图中的节点），和随后两个标签中的一个分配给每个血管分割段（图链接）。最后，测量血管分割段的强度特征，用于分配最终的动脉/静脉类。

本文组织如下。在第二节，简要回顾一些用于视网膜血管分类的以前的方法。第三节提出基于图的方法用于A / V分类。第四节是在三种不同的数据库中的图像上的测试结果，与手动分类的比较也包括在内。最后，第五节总结这个研究的结论。

二． A/V分割的方法

视觉和几何特征，可以区分静脉和动脉间的区别；一些方法探讨了A/V分类的特性[11]–[17]。动脉是鲜艳的红色而静脉颜色更深，一般动脉口径比静脉口径较小。血管口径受疾病影响，因此，这是一个不可靠的特征，对于A / V分类来说。动脉也有较厚的壁，它反射光作为闪亮的中央反射带[20]。视网膜血管树的另一个特征是，至少在靠近视神经盘（OD）区域，静脉很少交叉静脉和动脉很少交叉动脉，但是这两种类型可以分叉成较窄的血管，以及静脉和动脉可以相互交叉[20]。出于这个原因追踪血管树中的动脉和静脉是可能的，并且已用于在一些方法中分析血管树和分类血管[11]，[12]。

半自动方法用于分析视网膜血管树是被马丁内斯 - 佩雷斯等人提出的。在[11]这种方法中，单血管分割段和子树的几何和拓扑性质被计算。首先，结构是从分割结果中得到，并且重要的点被检测到。为了标记，用户应指向要追踪树的根段，算法将搜索其唯一的终端点，并在结束时，决定该段是动脉还是静脉。类似的另一种方法是Rothaus等提出的。[12]，其描述了一个基于规则的算法遍历整个血管树时传播是动脉或者静脉的标签。这种方法利用现有的血管分割结果，以及一些手工标记启动血管段。

Grisan等[13]开发了一个追踪A / V分类技术，分类血管只在明确定义的中心区域。然后，通过使用血管结构重建，分类在区域外进行，在那里很少有或没有信息可用于区分静脉动脉。该算法不是设计来考虑该区域的血管都在一起，而是用来划分区域分为四个象限。

Vazquez等人[14]中描述一个方法，这个方法结合一个基于颜色的聚类算法。首先，聚类方法划分的视网膜图像分成四个象限，然后在每个象限中对检测

到的血管进行分类，并且最后结合结果。然后，基于最小的路径方法的追踪策略应用到加入位于不同半径的血管段。

一个分段高斯模型来描述血管轮廓的强度分布由Li等人提出[15]。在该模型中，考虑中央反射。最小距离分类基于马哈拉诺比斯距离用于区分血管类型间所估计的参数。

Kondermann等 [16]描述的两种特征提取方法和两种分类方法，基于支持向量机器和神经网络，来分类视网膜血管。其中一个特征提取方法是基于配置文件，而另一种是基于在感兴趣的区域周围的中心线的定义（ROI）。为了减少特征向量的维度，他们使用了多类主要成分分析（PCA）。

图一.所提出的方法用于A/V分类的框架图

Niemeijer等[17]提出了一种自动方法用于视网膜血管的动脉和静脉分类，这个方法使用图片特征和分类器。提取一组中心线特征和分配给每个中心线一个软标签，表示它可能是一个静脉像素。当时的平均连接的中心线像素软标签分配给每个中心线像素。他们测试了不同的分类，发现该k-最近邻（KNN）分类器提供了最佳的整体性能。在[21]分类方法是作为在计算的AVR值的步骤。

大多数这些方法使用强度特性来区分动脉和静脉。由于过程中，视网膜图像被经常非均匀地照射并表现出局部亮度和对比度的变化，这会影响强度的A/ V分类性能。出于这个原因，我们提出了一种方法，该方法使用从一个图中提取的额外的结构信息血管网络。所提出方法的结果在克服常用方法有很大的改进，尤其是固有的视网膜图像。

三． 基于图形的A/V分类方法

在本文提出的方法如下基于图的方法，在这里我们主要集中在的特性视网膜血管树，至少在靠近视神经的区域，静脉很少交叉静脉和动脉很少交叉动脉。基于这一假设，我们可以限定不同类型的交叉点：分叉，交叉，相遇，以及连接点。分叉点是一个交叉点，血管分叉成窄的部分。在一个交叉点静脉和动脉彼此交叉。在相遇点两种类型的船只相遇不接触，而一连接点连接同一血管的不同部分。在交叉点的类型决定是基于该血管结构的图表示的几何分析。

图1描述了该方法A / V分类的框图。主要阶段是：1）图形生成;2）图形分析;和3）容器的分类。该方法首先从血管树提取图，接着决定在每个交叉点的类型（图形节点）。基于每个单独的子图的节点类型，所有血管分割段（图链接）识别为属于一个特定血管，然后使用两个不同的标签标记。最后，A / V类通过提取一组特征，并使用线性分类分配给子图的标签。在下面我们详细介绍了该方法的各个阶段。

图2. 图形生成。 （a）原始图像; （b）血管分割图像; （c）中心线图像; （d）提取的图形。

A. 图形生成

图形是血管网络的表现，其中每个节点表示在血管树的交点，与每个链接对应于两者之间的血管区段交点。为了生成图，我们使用一个三步算法。首先我们使用分割图像以得到的血管的中心线，然后，图形是从中心线图像产生，最后对

图形进行一些附加修改。

1）血管分割：血管分割结果用于提取图形，也用于估计血管口径。Mendonça等人提出的方法 [22]用于分割的视网膜血管树，适于高分辨率图像[23]的分割。这种方法遵循与像素处理为基础的方法，有三个阶段。第一个是在预处理阶段，其中通过估计标准化图像背景减弱强度。在下一阶段，从一组四个方向提供使用信息检测中心线候选点。胶印高斯滤波器的差别，连接到由区域生长过程，最后根据它们的强度和长度特性的段进行了验证。第三阶段是血管分割，多形态血管增强和重建方法都遵循以生成血管的二进制映射。分段血管的最终图像是通过反复结合中心线图象得到的，导致从血管重建图像。图2（b）出示血管分割的结果。

这种方法对于DRIVE数据库的图像取得的94.66％的准确度，总体灵敏度分别是0.75和0.98 [23]。

表一：图形注释

符号 N

, 1 , 1

描述

图形中节点数目 节点i 节点i的度

个链路的节点i

第

节点i和节点j间的距离 节点i的类型

第

和链路的节点间的角度 链路节点i的口径

分配到第

相邻节点i度1节点数

2）血管中心线提取：中心线图像通过应用描述的迭代细化算法得到，在[24]血管分割结果。该算法消除边界像素，直到对象缩小到一种微创连接。分割的血管图2（b）的中心线图像是图2（c）。

3）图形的提取：在接下来的步骤中，图的节点是通过找到的交点从中心线图像提取点（像素具有多于两个邻居）和端点或终端点（只有一个邻居像素）。为了找到节点间（血管段）的链接，所有的交点和他们的邻居被移走中心线图像并作为结果，我们得到与图像分开的部件它们是血管区段。下一个，每个血管段由两者之间的链路表示节点。图 2（d）表示从中心线得到的图影像图。图2（c）中包含的节点，并且每个节点几个链接可连接。另一方面，任何给定的链路可以只连接两个节点。表一显示的图形符号的节点和链接，这将在本文档的其余部分中使用。该一个节点的度是相邻节点的数目。两个节点在一个图被称为相邻如果

它们是由一个连接链接。链路之间的夹角被定义为幅度该项目其中一个链接到最小的旋转其他考虑它们之间的公共节点作为顶点。的容器的口径被分配给每个链路，作为平均沿相应血管区段的口径。

4）图修改：提取图形可以包括血管结构的一些误传结果的分割和中心线提取工艺。如在一个[12]，典型错误是：（1）拆分定义节点分成两个节点; （2）上缺少一个节点一侧的链接;（3）虚假链接。所提取的图形应该修改时这些错误中的一个被识别。

节点分裂：提取中心线的像素在当单路口，我们有两个图节点，而不是只之一。这种情况下，图1中所示。图3（a），生成伪节点影响的曲线图的最终结果的正确性分析阶段。

为解决这个问题，我们定义一个自适应参数，阈值TNS，它被用来作为标准来合并两个邻居节点。 TNS根据等式（1）至（4）取决于局部血管口径和角度。

3度的相邻节点，图3（b），如果节点 和节点之间的距离比所述阈值(

<

)小，如果在一个节点的链接（公共链路除外）具有在其他节点另一个链路

相同的方向，和同样的情况与其余两个链路，那么这两个对应节点应合并（图3的（c））。

节点分裂

缺失链接

错误链接 图3.修改图形。 （a），（d），（g）典型错误; （b），（e），（e）图形表示的最坏的情况; （c），（f），（ⅰ）修改之后的最终图形。

缺少的环节：为了解决缺失链接的情况（图3（d）），计算从一个度为1的节点（端点）到其他节点的距离。如果这个距离小于阈值新的链路进行连接，如图3（f）所示。3（e）），并且由下式给出

，则节点将用一个

估计是基于所述中间血管的宽度（图

错误链接：图 3（g）示出了最后的情况，两个节点之间的链路对应到一个不正确的检测。发生在当两个血管都非常接近彼此，但他们不交叉，两个亲密的节点（

<

）是人为创建。等式（6）表示这种情况下的阈值

，这是由（图

3（h））进行在最坏的情况下从节点中的最大距离获得。

为了解决这种情况，连接每个节点的链路之间的角度被选中。如果对于至少一个节点，两个其链接具有相同的取向，并且或多或少垂直于所述第三个链路（二

者之间的公共链路的节点），则公共链路是一个错误检测的链路和应除去（图3（i））。

算法一：修改图形

算法1检测图中错误的条件和用于进行必要的修改。此算法反复进行，直到没有发生进一步的变化。为了降低了后续的图形分析的复杂性，所有具有非常短的链路端点被除去。

启动图形分析阶段钱，所有环绕OD的血管被除去。最佳区域通常包含许多血管和在该领域的图形是不可靠的。如这些血管与A / V分类处理是不相关的，可将它们取出。其结果是图形由几个非连接的单独的子图构成。图中的操作步骤示于图4。

B. 图分析

图形分析阶段的输出取决于类型的节点。在每个子图（i）的链路用两个不同标签之一（ 和 ）标记。在这个阶段，我们还不能确定是否每个标签能对应到动脉类或静脉类。A / V分类会在上次的分类阶段分配给这些子图。

我们已经考虑了四种不同类型的节点：

1.连接点：大部分有两个链路的节点属于这种类型;这些节点，在那里的血管不会交叉或分叉，都延续节点连接同一血管的不同分段。

2.交叉点：两种不同类型的血管相互交叉。

图4.（a）原始图; （b）修改后的新图; （c）修改没有视盘环绕血管的图; （d）独立子图（每一灰度区域代表一个子图）。

表2：节点数不同的情况和可能的节点类型 情况 可能的节点类型 情况1-度为2的节点 连接点

相遇点

情况2-度为3的节点 分叉点

相遇点

情况3-度为4的节点 分叉点

相遇点 交叉点

情况4-度为5的节点 交叉点

3.分叉点：一个容器分叉成窄血管。

4.相遇点：两种不同类型的血管相遇但是无交叉;两个血管都非常接近对方

或一个血管的末部正好在另一个血管上。

节点分类算法通过提取以下节点的信息开始：连接每个节点（节点度）的链路数目，每个链路的方向，链路之间的角度，在每个链路上的血管口径，和相邻节点的度。

根据节点度节点分析分为根据四个不同的情况下。表二显示了不同的情况，和每种情况可能的节点类型。图5和6中，分析中的节点用灰色圆点表示，其他节点用黑色圆点代表，末端点用白色圆点表示。为了标记实线显示一个链路，虚线代表其他标签。

1）度为2的节点：有两个链路的节点大多是连接节点。如果它的相邻节点中至少一个是端点，则该节点是一个连接点（图5（a））和两条链路具有相同的标签;然而，如果相邻的节点中没有是端点的则节点类型取决于其链接之间的角度。如果，那么它是一个连接节点（图5（b）），否则它是一个相遇点且链路具有不同的标签（图5（c））。 算法2的详细过程决定度为2的节点类型。

图5.（a） - （c）度为2的节点可能的配置; （d） - （f）度为3的节点可能的配置

图6.（a） - （c）度为4的节点可能的配置; （d）度为5的节点。

算法2 节点类型 -- 度为2的节点

算法3 节点类型 – 度为3的节点

算法4 节点类型 – 度为4的节点

2）度为3的节点：每个节点有3个链路，如果至少两个相邻的节点是端点则该节点是一个分叉点，且所有链路具有相同的标签（图5（d））。如果所有的 连接的链路具有不同的取向，则节点也是分叉点（图5（e））。如果两个链路具有相同的取向则既属于同一个血管类型（图5（f）），它们将被看作是一个主血管。我们可以决定，如果第三个链路是同一血管的分支或一个其他血管的一个分割段，通过检查主血管的角度。主血管较厚的分割段可以通过比较分配给每个血管口径找到链路。如果血管的口径之间的差异非常小，基于该口径找到的厚壁是不可靠的；在这种情况下，该链路连接到最接近节点到视神经盘中心表示的较厚段主血管，并连接到最远的节点的链路是主血管的较薄部分。如果第三个链路 使主血管较厚段一个角小于90◦，那么它不是该血管的一个分支，但是是另一个血管的一部分，并且该节点是一个相遇点;否则，它是一个分支，所有链路都有相同的标签。发现度为3的节点类型的顺序操作在算法3中描述。

3）度为4的节点：在这种情况下有三个节点类型可能性。首先，将四个链接分为两个对，它们之间每一对由具有最大角度两个链路形成;如果两条链路中的每一个具有相同方向（图6（a）），则该节点是一个交叉点和每对链路具有不同的标签。

如果一对链路不具有相同的方向，然后另一对将被选择作为主血管。如果每其他链路的每一个和主血管较薄部分之间的角度小于90◦，那么该节点被认为是一个分叉点和所有链路具有相同的标签（图6（b））。如果这些链路之一使角度小于90◦的主血管的较厚段，那么它有不同的标签并且节点是一个相遇点（图6（c））。 4算法详细地描述了寻找度为4的节点的类型该过程。

4）度为5的节点：这是一个发生罕见的情况当血管在一个分叉点交叉另一个血管。对于标签，我们发现其中最大的两个链路之间的角度开始，例如和

在图6（d）中。这些链路属于交叉在其他血管分叉点上的血管，所以这些链路

将用其他标签标记。其他三个链路（ ， 和 ）属于分叉在这个节点血管，因此所有的链路会用其他标签标记。

决定了节点类型后，属于特定血管的所有链路被识别和标记。最终的结果是两个标签中的每个单独的子图的分配。这意味着，标签，将被分配给在子图1中的链路，标签

,

分配给在子图2中的链路上等等。

链接标记过程开始通过定位视盘中心（ODC）使用基于血管方向的自动方法，由门多萨等提出[25]。然后每个单独的子图，从ODC最远链路检测，并且一个标签分配给该链路（例如）;连接到这个链路的节点被发现，并且基于在节点上键入其他链接标记为或。此过程重复所有节点，直到每个子图没有更多的链路。整理单独子图的标签后，我们将重复这个过程用于所有独立子图，每一次定义了两个新的标签，直到整个图形处理。最后，我们对每个不相交的子图的标签有不同的图形，如图7（a），其中每个颜色表示在一个单独的子图中的不同的标签。

C. A / V分类

上述标记阶段使用的血管的结构信息嵌入在图形表示。基于这些标签，最终目标是现在要分配给动脉类（A）一个标签，和给静脉类（V）另一个标签。为了达到这个目的我们添加到结构信息，容器强度信息为了A / V类最终判别。

获得的结果，很多时候视网膜图像被非均匀地照射和呈现局部亮度和对比度的变化。为了使分类更可信，每个图像使用由M. Foracchia等[26]提出的方法进行处理，它根据所观察的模型规图像的格化光度和对比度。在背景中亮度和对比度变化是估计的，然后用于整个图像标准化。

对于每个中心线像素，在表三中列出的30特征被测量并归一化到零均值和单位标准偏差。其中的一些特征被用于先前在[13]，[21]。我们已经测试了最常用的分类器，即线性判别分析（LDA），二次判别分析（QDA），和k近邻（KNN），上INSPIRE-AVR数据集。对于特征选择，我们已经使用连续正向浮动选区，用空特征集合和添加或删除功特征开始，提高了分类器的性能。

表四示出的基于强度的分类器的性能，使用2倍交叉验证的INSPIRE-AVR图像数据库。此表包含所获得的精确度值当这些分类被用于中心线像素分类时，并且也用于标记血管区段（链路）。LDA分类器提供了最好的结果和入选A / V分类阶段，使用一组选定特征（1-2，7，10，12-14，16-17，19-20和23-30）。

图7.（a）图形分析结果; （b）A / V分类结果（红色：正确的分类动脉，蓝色：正确的静脉分类脉）。

表三 每个中心线像素的特征测量表 编号 特点 1-3 中心线像素的红色，绿色和蓝色强度 4-6 中心线像素的色调，饱和度的强度 7-9 血管中的平均红色，绿色和蓝色强度 10-12 血管中的平均色调，饱和度强度 13-15 血管中红，绿和蓝强度的标准偏差 16-18 血管中标准偏差色调，饱和度和强度 19-22 血管中最大和最小的红色与绿色强度 23-30 高斯模糊中中心线像素红色和绿色强

度（σ=2，4，8，16）

表四 绩效评估和基于强度的个人分类器比较（INSPIRE-AVR数据库） 分类选择的特征 最重要中心线链路的器 的特征 像素的标记精

精确度 确度

LDA No.1,2,7,10,12-14,16,17,19,20,23-30 No.1 75.2% 79.7% QDA No.1-3,7,8,13,14,19,21-23 No.1 73.2% 75.9% kNN No.1-3,7-9,13,14,16,20,23 No.13 68.35 73.0%

最后，为了防止图形分析错误的分类结果，我们计算的是动脉或静脉为每个单独的链路的概率。链路（ ）记做（脉概率

也是由

/(

）,计算由

/(

) ，静

)计算，其中是链路（ ）作为动脉的

中心线像素的数目，和率高于0.9（

是作为静脉的中心线像素的数目。如果作为动脉的概

0.9 则被分配

0.9），则链路分配为动脉，如果

作为静脉，图形分析不考虑这个结果。

给中心线像素分配一个类的结果示于图7（b）。红色代表动脉，蓝色代表静脉。

四． 结果

在前面的章节中所描述的自动法在三个数据库的图像进行了测试，驱动器[27]INSPIRE-AVR [28]，和VICAVR [29]。在DRIVE数据集被测试的图像，具有768×584像素， 8位每色平面。40高分辨率图像在INSPIRE-AVR数据库拥有2392×2048的分辨率的像素，视盘为中心。最后，将58张图像使用TOPCON，在VICAVR数据库中照相机NW-100模型的空间分辨率的768×584，并且也是视盘为中心。自动血管分割在三个数据集的结果是可用的，并且20个图像专家也在驱动测试集中手动进行动脉/静脉标记，在40图像的INSPIRE数据库中。该VICAVR数据库包括的血管口径测定基于在三个专家的一致标记。

不同半径从视盘以及容器式（动脉/静脉）以下小节对这些图像所提出的A / V分类方法数据库中测试的结果。精度值从中心线获得，血管的像素在整个图像中，以及用于象素感兴趣区域（ROI）的区域是通常被定义为小动脉到微静脉比率的计算方法;ROI是距离0.5〜1.0视盘直径环区视盘余量[10]的标准。

表五 结合个人方法前后的准确度（INSPIRE-AVR数据库） 方法 在完整图在完整图ROI里的中在ROI里的

像中的中像中的所心线像素 所有血管像心线像素 有血管像素

素

半自动 给子图手动90.7% 92.3% 91.4% 93.7%

分配标签

自动 只有LDA 79.9% 85.0% 80.4% 86.2%

基于图的组84.9% 88.3% 95.9% 91.1% 合法LDA

表六 整个图像和ROI里的准确率（INSPIRE-AVR）数据库 血管口径（vc） 在完整图像中在完整图像中ROI里的中心在ROI里的所

的中心线像素 的所有血管像线像素 有血管像素

vc>0像素 vc>5像素 vc>10像素 vc>15像素 vc>20像素 方法

基于图形 Niemeijer（最佳 cut-off） Niemeijer（灵敏度 cut-off） iemeijer（特异性 cut-off）

84.9% 86.5% 89.6% 92.6% 93.4%

素 88.3% 88.7% 90.5% 92.8% 93.4%

85.9% 87.9% 91.1% 95.9% 97.15 91.1% 91.4% 92.8% 96.2% 97.2%

表七 灵敏度和特异性的值对比 INSPIRE-AVR DRIVE 灵敏度 特异性 灵敏度 0.91 0.86 0.90

0.78 0.91

0.78 0.63

0.80 0.90

特异性

0.84

0.80 0.67

0.60 0.86 0.73 0.84

cut-off: ROC曲线上的特定点用于提取的灵敏度和特异性的值

A. INSPIRE-AVR数据集

在INSPIRE-AVR数据集，我们已经使用了2倍交叉验证。随机分配图像给两个集合S1和S2，使得这两组是相同大小的。然后，我们在S上训练分类器和在S2上测试它，为了训练LDA分类器，我们从每个集合随机选取15000标记中心线像素。提出的A / V分类方法在这个数据库的结果示于图8。

表五显示了在INSPIREAVR数据库中个人LDA分类器血管分类的性能评估。 用结合LDA的基于图形的分类方法获得结果。分析值显示，基于图形的方法与LDA性能优于单独的LDA分类器的精确度。欲了解更多基于图形的方法的评价，我们考虑一个半自动通过手动给每个子图分配标签的A / V类的方法。所获得的结果包括表五中的第一行。半自动的高精确度法是一个很好的迹象，对于链路标签结构嵌入在基于图形的方法的信息是非常重要的。这是通过上次结合LDA的基于图形的方法完成的结果，仅当和LDA比较。

为了评价所提出的方法，这个结合LDA基于图像的分类方法，我们有计算中心线像素分类和血管像素分类的准确性。表六显示整个图像中的中心线和所有血管的像素值的精度，和感兴趣区域（ROI）的区域内的像素。表六中的每行包含计算不同范围的血管口径的精度值。第一行包含所有的血管的结果，而其余的行呈口径高于5，10，15和20像素的血管的结果。

我们还计算在ROI里六大动脉和六大静脉正确分类的百分比，因为这些是用于AVR平常计算的血管。得到98.0％的准确度值，

从而证明所提出的方法用于AVR计算的自动过程中所提出的A / V分类的方法是可靠的。

INSPIRE-AVR图像上A / V分类结果，Niemeijer等提出使用一个接收器算

子特征（ROC）曲线。INSPIRE-AVR在ROI内的图像[21]的血管中心线在该区域曲线（AUC）下的报告值是0.84像素。

考虑动脉为阴性，静脉为阳性，我们通过计算阳性比例得到我们的结果的灵敏度值，而特异性测量通过阴性比例定义。为了便于与我们的方法比较，灵敏度和特异性值的结果从[21]中 ROC曲线图形中提取，在曲线上选择特点的三个cut-off点后：

1）最佳cut-off： （从曲线上的平衡灵敏度和特异性值提取）; 2）灵敏度cut-off（特异性值从该曲线中上一个点提取，这个点所处的位置的灵敏度值与我们的方法的结果相同）; 3）特异性cut-off（灵敏度值从曲线中上的一个点提取，其中特异性值与我们的方法的结果完全一致）。灵敏度和特异性值的比较示于表七的第二和第三列。

图8.上排：为INSPIRE-AVR数据库最佳结果（准确度=97.7％）。 下排：为INSPIRE-AVR数据库最坏结果（准确度=61.2％）。 （a），（e）原始图像; （b），（f）分割的结果; （c），（g）A / V分类结果; （d），（h）与人工标记比较（红色：正确的动脉分类，蓝色：正确静的脉分类，绿色：错误的动脉分类，棕色：错误的静脉分类）。

图9.上排：为DRIVE数据库的最佳结果（准确度=96.1％）。 下排：为DRIVE数据库的最坏结果（准确度=72.9％）。 （a），（e）原始图像; （b），（f）分割的结果; （c），（g）A / V分类结果; （d），（h）与人工标记比较（红色：正确的动脉分类，蓝色：正确静的脉分类，绿色：错误的动脉分类，棕色：错误的静脉分类）

B. DRIVE数据集

DRIVE数据库的20个测试图像，主血管中心线像素的分类精确度达到了87.4％（口径大于3个像素的血管）。 DRIVE中图像自动分类的两个实例可在图9观察到。所提出的方法和人工标记之间的差异用绿色（错误的动脉分类）和黄色（错误的静脉分类），而正确地动脉分类和静脉分类分别用红色和蓝色表示。

Niemeijer等人用他们的A/V分类方法在DRIVE数据库图像得到的结果用ROC曲线呈现。DRIVE[17]的主血管中心线像素的AUC值为0.88。灵敏度和特异性值分别从ROC曲线图上提取，在[17]中3个cut-off点包括在表七最右边的列。所有的计算值，我们提出的基于图形的分类方法优于Niemeijer的做法。

C. VICAVR数据集

VICAVR图像2116血管分割段有人工分类的结果，用基于图形解决正确分类的正确率有89.8%，这类似于由Vazquez等人提出的方法所取得的值。（88.80％）[14]。在VICAVR的图像上用所提出的方法得到的A/V分类的一些结果示于图10。

图10.上排：为VICAVR数据库最佳结果（准确度=100％）。 下排：为VICAVR数据库最坏的结果（准确度=74.3％）。 （a），（e）原始图像; （b），（f）分割的结果; （c），（g）A / V分类结果; （d），（h）与人工标记比较（红色：正确的动脉分类，蓝色：正确静的脉分类，绿色：错误的动脉分类，棕色：错误的静脉分类）

五． 结论

动脉和静脉的分类在视网膜图像中对于自动评估血管树的变化是必不可少的。在前面的章节中，我们描述了一种新的自动方法来把视网膜血管分为动脉和静脉，这是与先前的解决方案不同。一个主要的区别是，我们的方法能够对整个血管树分类和不限制分类，比如分类特定感兴趣的区域，通常视盘周围。而大部分以前的方法主要是使用强度特征来区分动脉和静脉，我们的方法使用从一个血管树网络图形中提取的附加信息。

关于节点度，每个链路的取向，链接之间的角度，以及与血管口径有关每一条链路的信息都用来分析图形，然后决定节点的类型（分叉，交叉，或相遇点）。接下来，基于上述节点的类型，可以检测到属于一个特定血管的链路，最后A / V类分配到每一个血管，通过一系列强度特征使用分类器。

LDA基于图形方法优于使用强度特征LDA分类器的精确度，LDA基于图形的方法展示用于进行A / V分类相关的结构信息。此外，我们比较我们方法和其他最近方法的性能，我们发现我们的方法能够更好的实现结果。

我们提出的A / V分类方法在三种不同的数据库的图像上的演示得到很好的结果，对于视网膜图像具有不同特性这种方法也是可以实施的，例如不同大小，质量，和摄像机的角度。另一方面，我们的方法可以实现高准确度，特别是对于最大动脉和静脉，确认该A / V分类方法计算与血管树改变迹象有关的特性是可行的。进一步的研究是使用表示血管树的图形计划和将A / V分类方法用于计算AVR，以及识别其他血管痕迹，如血管分叉夹角，分枝模式，以及基于分形特性，这都可能对疾病的早期诊断和后续有显著影响，即糖尿病，高血压和心血管疾病。