Segmentation of retinal blood vessels is the first step for several computer aided-diagnosis systems (CAD), not only for ocular disease diagnosis such as diabetic retinopathy (DR) but also of non-ocular disease, such as hypertension, stroke and cardiovascular diseases. In this paper, a supervised learning-based method, using a multi-layer perceptron neural network and carefully selected vector of features, is proposed. In particular, for each pixel of a retinal fundus image, we construct a 24-D feature vector, encoding information on the local intensity, morphology transformation, principal moments of phase congruency, Hessian, and difference of Gaussian values. A post-processing technique depending on mathematical morphological operators is used to optimise the segmentation. Moreover, the selected feature vector succeeded in outfitting the symmetric features that provided the final blood vessel probability as a binary map image. The proposed method is tested on three known datasets: Digital Retinal Image for Extraction (DRIVE), Structure Analysis of the Retina (STARE), and CHASED_DB1 datasets. The experimental results, both visual and quantitative, testify to the robustness of the proposed method. This proposed method achieved 0.9607, 0.7542, and 0.9843 in DRIVE, 0.9632, 0.7806, and 0.9825 on STARE, 0.9577, 0.7585 and 0.9846 in CHASE_DB1, with respectable accuracy, sensitivity, and specificity performance metrics. Furthermore, they testify that the method is superior to seven similar state-of-the-art methods.

中文翻译：

---

使用混合特征和多层感知器神经网络的视网膜血管分割

视网膜血管的分割是几种计算机辅助诊断系统 (CAD) 的第一步，不仅用于糖尿病视网膜病变 (DR) 等眼部疾病诊断，还用于高血压、中风和心血管疾病等非眼部疾病诊断。在本文中，提出了一种基于监督学习的方法，该方法使用多层感知器神经网络和精心选择的特征向量。特别是，对于视网膜眼底图像的每个像素，我们构建了一个 24 维特征向量，编码有关局部强度、形态变换、相位一致性主矩、Hessian 和高斯值差异的信息。依赖于数学形态算子的后处理技术用于优化分割。而且，选定的特征向量成功地拟合了对称特征，这些特征提供了最终血管概率作为二值图图像。所提出的方法在三个已知数据集上进行了测试：用于提取的数字视网膜图像 (DRIVE)、视网膜结构分析 (STARE) 和 CHASED_DB1 数据集。视觉和定量的实验结果证明了所提出方法的鲁棒性。该方法在 DRIVE 中达到 0.9607、0.7542 和 0.9843，在 STARE 中达到 0.9632、0.7806 和 0.9825，在 CHASE_DB1 中达到 0.9577、0.7585 和 0.9846，并且具有可观的准确度和灵敏度指标。此外，他们证明该方法优于七种类似的最先进方法。所提出的方法在三个已知数据集上进行了测试：用于提取的数字视网膜图像 (DRIVE)、视网膜结构分析 (STARE) 和 CHASED_DB1 数据集。视觉和定量的实验结果证明了所提出方法的鲁棒性。该方法在 DRIVE 中达到 0.9607、0.7542 和 0.9843，在 STARE 中达到 0.9632、0.7806 和 0.9825，在 CHASE_DB1 中达到 0.9577、0.7585 和 0.9846，并且具有可观的准确度和灵敏度指标。此外，他们证明该方法优于七种类似的最先进方法。所提出的方法在三个已知数据集上进行了测试：用于提取的数字视网膜图像 (DRIVE)、视网膜结构分析 (STARE) 和 CHASED_DB1 数据集。视觉和定量的实验结果证明了所提出方法的鲁棒性。该方法在 DRIVE 中达到 0.9607、0.7542 和 0.9843，在 STARE 中达到 0.9632、0.7806 和 0.9825，在 CHASE_DB1 中达到 0.9577、0.7585 和 0.9846，并且具有可观的准确度和灵敏度指标。此外，他们证明该方法优于七种类似的最先进方法。该方法在 DRIVE 中达到 0.9607、0.7542 和 0.9843，在 STARE 中达到 0.9632、0.7806 和 0.9825，在 CHASE_DB1 中达到 0.9577、0.7585 和 0.9846，并且具有可观的准确度和灵敏度指标。此外，他们证明该方法优于七种类似的最先进方法。该方法在 DRIVE 中达到 0.9607、0.7542 和 0.9843，在 STARE 中达到 0.9632、0.7806 和 0.9825，在 CHASE_DB1 中达到 0.9577、0.7585 和 0.9846，并且具有可观的准确度和灵敏度指标。此外，他们证明该方法优于七种类似的最先进方法。