《Biomedical Signal Processing and Control》：Undecimated Wavelet Transform and Markov chain based Siamese network architecture for optimal glaucoma detection
编辑推荐：
青光眼检测方法融合Undecimated Wavelet Transform（UWT）提取多尺度特征与马尔可夫链增强的Siamese网络结构，通过UWT预处理保持图像细节并捕捉早期结构变化，利用双分支Siamese网络学习特征差异，结合马尔可夫链建模疾病进展概率，在验证集和测试集分别达到98%和97%准确率，验证了多尺度特征与动态建模结合的有效性。
S.G. Gayathri
助理教授，电子与通信工程系，Vignan女子工程学院，维沙卡帕特南，安得拉邦-530049，印度
摘要
青光眼是一种常见的眼部疾病，会导致视力丧失，是一个重要的健康问题。我们希望开发一种青光眼检测方法。我们的新方法受到了不规则小波变换（UWT）和基于马尔可夫链的连体网络架构的影响。首先，我们使用UWT对眼底图像进行预处理，以在多个尺度上提取特征，同时保留图像细节。这一步骤能够捕捉到轻微和明显的青光眼变化，因此非常关键。接下来，我们使用双子子网络的连体网络架构来比较经过UWT变换的底片图像的特征表示。该网络通过评估这些特征向量来检测早期与青光眼相关的结构变化。我们还使用马尔可夫链模拟学习到的特征状态之间的概率转换。这种策略利用了青光眼进展的时间依赖性和顺序模式，帮助连体网络区分异常眼底图像和正常图像。在验证数据上，我们的方法达到了98%的准确率，在测试数据上达到了97%的准确率，损失值分别为0.624和0.59，证明了该方法的有效性。在ROC曲线下面积（AUC）分析中，UWT的表现优于DWT和SWT，其AUC为0.90。这些数据证明了我们早期且精确的青光眼诊断方法的可靠性。我们希望通过结合先进的特征提取和概率建模来改进眼科诊断，从而惠及全球患者。我们的方法将在未来的研究中得到进一步完善，并应用于其他医学成像场景。
引言
慢性进行性视神经病变——青光眼会损害视神经和视网膜神经纤维层，可能导致永久性的周边或中央视力丧失。作为全球失明的主要原因之一，青光眼是一个公共卫生问题。青光眼最可改变的风险因素是眼内压。其他风险因素包括年龄较大、非白种人以及家族中有青光眼病史。皮质类固醇、抗胆碱能药物、某些抗抑郁药和托吡酯也可能增加青光眼的风险。预防视力丧失和改善患者预后需要早期发现和管理[1]。基于眼底图像的图像处理和机器学习是自动化青光眼诊断技术的基础[2]。然而，这些方法往往难以记录表明青光眼的视神经头和视网膜神经纤维层中的复杂而微妙的变化。目前的方法可能难以在不同分辨率下保留图像信息，而这对于诊断准确性至关重要。需要结合强大的概率建模和多尺度特征提取的先进方法来提高诊断准确性。本提案使用不规则小波变换（UWT）和基于马尔可夫链的连体网络架构来诊断青光眼。使用UWT对眼底图像进行预处理可以实现多尺度特征提取，同时在不同分辨率下保留图像信息。将连体网络与基于马尔可夫链的技术结合使用，可以实现学习到的特征状态之间的概率转换，反映青光眼发展的时间依赖性和顺序性[41]。
由于青光眼导致的视力丧失具有不可逆性，因此早期和准确的青光眼检测方法至关重要[3]。通过开发一种能够在早期识别青光眼变化的技术，本研究旨在改善患者预后，并减轻青光眼引起的视力障碍对社会和经济的影响。本研究的范围包括使用全面的眼底图像数据集来开发、实施和验证所提出的方法。
本研究的主要目标是开发一种先进的青光眼检测方法，通过多尺度特征提取和概率建模来提高早期诊断的准确性。具体目标如下：
• 使用不规则小波变换（UWT）对眼底图像进行预处理，以提取多尺度特征。
• 采用连体网络架构从UWT变换后的眼底图像中学习具有区分性的特征表示。
• 整合基于马尔可夫链的方法来模拟学习到的特征状态之间的概率转换。
• 通过全面的测试和评估来验证所提出方法在检测青光眼变化方面的有效性。
• 一个综合的青光眼检测框架，整合了多尺度分割（MPS-Net）、基于UWT的特征增强、连体表示学习和马尔可夫链建模。
• 与以往的研究相比，该方法有效捕捉了学习到的特征状态之间的转换，从而增强了对视盘变化的适应性。
由于青光眼的微妙和渐进性，青光眼检测具有挑战性，因为它通常表现为视神经头和视网膜神经纤维层中的微小结构变化。传统的诊断方法在早期和准确检测这些变化方面能力有限，导致干预延迟和可预防的视力丧失[4]。需要一种先进、可靠且客观的诊断技术来有效捕捉和分析这些变化。
文献综述
文献综述
Joshi（
et.al , 2022）提出了一种基于集成学习的深度学习模型用于早期青光眼检测，在多个数据集（包括PSGIMSR、DRIONS-DB、HRF和DRISHTI-GS）中实现了高准确率。该集成模型结合了ResNet、VGGNet和GoogLeNet，不同数据集的准确率范围从88.96%到98.67%。这种基于集成学习的深度学习模型为早期青光眼检测和眼部疾病评估提供了有希望的解决方案
数据集
ORIGA数据集包含650张标注了视盘和杯盘分割的眼底图像，其中还包含了青光眼诊断信息。Retinal Fundus Glaucoma Challenge作为提高青光眼检测算法准确性的挑战活动而推出，其中包含了带有相应视盘和杯盘分割以及青光眼诊断标签的眼底图像。G1020数据集包含1,020张眼底图像，其中详细标注了视盘和杯盘的信息。
实验结果
该数据集包含带有青光眼存在与否标注的眼底图像。每对图像都经过UWT处理以提取特征，随后进行马尔可夫链建模。为了确保转换概率能够准确描述系统行为，优化并验证了马尔可夫链参数。首先，通过计算状态转换频率从可观察数据中估计转换矩阵。这些初步参数经过优化
结论
在这项研究中，我们提出了一种利用不规则小波变换（UWT）和基于马尔可夫链的连体网络架构的先进青光眼检测方法。我们的方法首先使用UWT对眼底图像进行预处理，实现多尺度特征提取，同时在不同分辨率下保留图像细节。这一步骤能够捕捉到表明青光眼变化的粗略和细微特征，增强了后续分析的稳健性。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能会影响本文所述的工作。
S.G. Gayathri博士 拥有机械工程学士学位（M.E.）和哲学博士学位（Ph.D.），目前在安得拉邦维沙卡帕特南的Vignan女子工程学院电子与通信工程系担任助理教授。她于2021年在金奈安娜大学获得图像处理博士学位，2015年获得电子与通信工程学士学位，2017年获得通信系统工程硕士学位。她已经发表了一些期刊和会议论文，并参与了一些研究项目
