Xác định các mạch máu trong ảnh đáy võng mạc sử dụng bộ lọc thích nghi

Kỹ thuật điều khiển & Điện tử 
Lê Ngọc Thúy, “Xác định các mạch máu trong ảnh  sử dụng bộ lọc thích nghi.” 18 
XÁC ĐỊNH CÁC MẠCH MÁU TRONG ẢNH ĐÁY VÕNG MẠC 
 SỬ DỤNG BỘ LỌC THÍCH NGHI 
Lê Ngọc Thúy* 
Tóm tắt: Bài báo trình bày giải thuật xác định các mạch máu trong ảnh đáy 
võng mạc sử dụng các bộ lọc thích nghi để lọc các mạch máu có kích thước mặt 
cắt ngang khác nhau trong ảnh võng mạc. Giải thuật sử dụng ngưỡng xác định 
dựa trên phương pháp ma trận đồng xuất hiện mức xám và entropy bậc hai để 
xác định mạch máu từ đáp ứng của bộ lọc. Kết quả thử nghiệm với cơ sở dữ liệu 
DRIVE cho thấy giải thuật đã rút trích được cả mạch máu lớn và mạch máu nhỏ 
trong ảnh võng mạc. Khi so sánh với các giải thuật sử dụng cùng cơ sở dữ liệu, 
kết quả của giải thuật này đạt độ nhạy, độ chính xác cao so với các giải thuật 
khác. 
Từ khóa: Ảnh đáy võng mạc; Phân tách các mạch máu; Bộ lọc tương thích. 
1. GIỚI THIỆU 
Ngày nay, việc chẩn đoán bệnh qua hình ảnh ngày càng phát triển với sự hỗ trợ của 
các máy móc hiện đại trong y học. Với sự gia tăng các bệnh lý về mắt như bệnh glô-côm, 
giảm thị lực do bệnh đái tháo đường, đã dẫn đến nhu cầu phân tích, xử lý một lượng lớn 
các hình ảnh đáy võng mạc để phục vụ cho việc khám chữa bệnh. Trong quá trình phân 
tích ảnh đáy võng mạc này, việc phân lập hình ảnh các mạch máu với kích thước và cường 
độ sáng khác nhau là vấn đề tiên quyết để chẩn đoán bệnh. Tuy nhiên, việc xác định các 
mạch máu bằng tay trên ảnh võng mạc đòi hỏi mất rất nhiều công sức, thời gian và kết quả 
phụ thuộc nhiều vào yếu tố chủ quan. Do đó, việc xây dựng các hệ thống xác định các 
mạch máu trong ảnh đáy võng mạc một cách tự động hoặc bán tự động sẽ giúp ích rất 
nhiều cho quá trình khám chữa bệnh. 
Đã có rất nhiều các nghiên cứu trên thế giới về việc xác định các mạch máu trong ảnh 
đáy võng mạc hay trong hình ảnh não phục vụ cho phẫu thuật thần kinh [1]. Trong quá 
trình phân tích ảnh đáy võng mạc, nhiều nghiên cứu nhận định rằng các rối loạn về hình 
dạng, kích thước của mạch máu và việc giảm đường kính của tĩnh mạch chính của võng 
mạc là dấu hiệu nhận biết về nguy cơ xuất hiện và phát triển của bệnh glô-côm [2]. Hơn 
thế nữa, việc phân tích các mạch máu trong ảnh võng mạc giúp sàng lọc bệnh suy giảm thị 
lực do đái tháo đường, bệnh thoái hóa điểm vàng ở người già [3]. 
Tuy nhiên, việc phân lập các mạch máu trong ảnh đáy võng mạc rất phức tạp do quá 
trình này cần phải phát hiện được các mạch máu có đường kính rộng, hẹp khác nhau, đồng 
thời, phải phân biệt được các mạch máu với các thành phần khác trong ảnh đáy võng mạc 
như điểm mù, điểm vàng và các tổn thương bất thường trong võng mạc (hình 1). Ngoài 
việc có kích thước nhỏ và độ phân giải thấp, các mạch máu nhỏ trong ảnh võng mạc còn 
có thể lẫn với các vùng võng mạc bị tổn thương khiến cho việc xác định các mạch máu 
nhỏ này càng trở nên khó khăn. Do đó, việc sử dụng các thuật toán xác định đường biên 
truyền thống như toán tử Robert, Sobel, Prewitt đạt được hiệu quả rất thấp trong việc xác 
định các mạch máu trong võng mạc. Do đó, nghiên cứu này sẽ tìm hiểu việc sử dụng các 
bộ lọc dựa trên đặc trưng của mạch máu để phân biệt các mạch máu và các thành phần 
khác xuất hiện trên ảnh võng mạc. Thêm vào đó, giải thuật đề xuất trong bài báo này cũng 
có thể phát hiện các mạch máu có kích thước khác nhau nhờ vào việc sử dụng các bộ lọc 
khác nhau. 
Phần tiếp theo sẽ giới thiệu về các giải thuật đã được phát triển gần đây để giải quyết 
bài toán phát hiện các mạch máu trong võng mạc một cách hiệu quả hơn. Mục 3 của bài 
báo sẽ trình bày về giải thuật đề xuất cho việc xác định mạch máu trong ảnh đáy võng 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 57, 10 - 2018 19
mạc. Các kết quả thí nghiệm và phân tích sẽ trình bày ở Mục 4. Cuối cùng, Mục 5 sẽ đưa 
ra kết luận và hướng phát triển cho giải thuật đã đề xuất. 
Hình 1. Hình ảnh võng mạc bình thường (ảnh bên trái) và võng mạc của người bị suy 
giảm thị lực do bệnh đái tháo đường (ảnh bên phải). 
2. CÁC GIẢI THUẬT XÁC ĐỊNH MẠCH MÁU TRONG ẢNH VÕNG MẠC 
Các bài báo khảo sát, đánh giá các nghiên cứu xác định mạch máu trong ảnh đáy võng 
mạc [4, 5, 6] cho thấy có nhiều hướng tiếp cận khác nhau. Trong đó, có thể kể đến các 
phương pháp như sử dụng mạng nơ-ron để phân loại điểm ảnh có là mạch máu hay không, 
sử dụng bộ lọc để tìm ra đặc trưng mạch máu, sử dụng các mô hình hình thái học để phân 
tách các mạch máu, sử dụng các giải thuật theo vết để dò theo các mạch máu từ vị trí điểm 
mù. Phương pháp sử dụng bộ lọc để xác định ảnh võng mạc được Chaudhuri, S. và các 
đồng tác giả [7] phát triển từ rất sớm (năm 1989). Bài báo này đã có những đóng góp quan 
trọng trong việc phân tích những điểm đặc trưng của mạch máu trong ảnh võng mạc như 
sau: 
1. Có thể biểu diễn mạch máu một cách xấp xỉ bằng các đoạn thẳng vì độ cong của 
mạch máu rất ít; 
2. Các mạch máu có màu tối hơn màu nền trong ảnh võng mạc vì độ phản xạ của mạch 
máu thấp hơn so với các bề mặt khác trong võng mạc; 
3. Biểu đồ độ xám trên mặt cắt ngang của mạch máu có thể xấp xỉ dạng đường cong 
Gauss. 
Những kết quả ban đầu của nghiên cứu này đã được tiếp tục phát triển về sau. Trong 
đó, nghiên cứu của Mohammad và các đồng tác giả [8] đã tìm cách xác định các tham số 
tối ưu cho giải thuật này bằng phương pháp “vét cạn”. Bài báo đã thử nghiệm giải thuật 
với các tham số của bộ lọc Gauss được thay đổi trong một khoảng giá trị cho trước. Thêm 
vào đó, ngưỡng để xác định điểm ảnh có phải mạch máu hay không cũng biến thiên từ 0 
đến 1, tương ứng với toàn bộ khoảng giá trị có thể có của biến. Mặc dù kết quả của nghiên 
cứu đạt được độ chính xác cao với từng ảnh, bài báo đã không đưa ra được ngưỡng phù 
hợp cho trường hợp tổng quát. 
Để giải quyết vấn đề xác định ngưỡng áp dụng cho đáp ứng của bộ lọc tìm đặc trưng 
mạch máu, các nghiên cứu đã kết hợp sử dụng bộ lọc này với các giải thuật tìm ngưỡng 
khác. Cụ thể, các tác giả của bài báo [9] đã sử dụng bộ lọc trên kết hợp với bộ lọc FDOG 
(First-order Derivative of the Gaussian, đạo hàm bậc nhất của hàm Gauss). Kết quả đầu ra 
của bộ lọc FDOG, với đầu vào là ảnh võng mạc, được sử dụng để tính toán ngưỡng phân 
tách các mạch máu. Một nghiên cứu khác [10] cho kết quả vượt trội về cả độ chính xác, độ 
nhạy và độ đặc trưng khi sử dụng bộ lọc Gauss kết hợp với việc xác định ngưỡng áp dụng 
cho đáp ứng bộ lọc bằng phương pháp GLCM (Gray Level Co-occurrence Matrix – ma 
trận đồng xuất hiện mức xám) và ngưỡng entropy bậc hai. Tuy nhiên, nếu so sánh chi tiết 
Kỹ thuật điều khiển & Điện tử 
Lê Ngọc Thúy, “Xác định các mạch máu trong ảnh  sử dụng bộ lọc thích nghi.” 20 
nghiên cứu này với các bài báo khác thì nhận thấy có sự khác biệt trong định nghĩa về độ 
nhạy và độ đặc trưng. Bài báo [10] đưa ra định nghĩa độ nhạy và độ đặc trưng là độ chính 
xác trong việc phân tách các mạch máu của ảnh võng mạc bình thường và ảnh võng mạc 
bệnh lý nên việc so sánh kết quả của bài báo này với các nghiên cứu khác là không phù 
hợp. Một nghiên cứu tương tự sử dụng GLCM và ngưỡng entropy bậc hai, nhưng có một 
giải thuật hiệu quả hơn nhờ vào việc sử dụng bộ lọc Gabor thay cho bộ lọc Gauss [11]. 
Trong các bài báo công bố các nghiên cứu trên, hình ảnh minh họa kết quả rút trích 
mạch máu cho thấy các giải thuật đã bỏ qua nhiều mạch máu nhỏ so với kết quả xác định 
mạch máu thủ công. Vậy nên, trong nghiên cứu này, tác giả sẽ sử dụng bộ lọc thích nghi 
để xác định cả mạch máu lớn và mạch máu nhỏ. Quá trình xác định mạch máu nhỏ sẽ 
khiến cho bộ lọc nhạy với nhiễu và các thành phần khác ở bề mặt võng mạc. Để loại bỏ 
ảnh hưởng của các yếu tố này đến kết quả cuối cùng, chỉ có những mạch máu nhỏ có kết 
nối với mạch máu lớn mới được sử dụng cho kết quả hiển thị sau cùng. 
3. GIẢI THUẬT XÁC ĐỊNH MẠCH MÁU BẰNG BỘ LỌC THÍCH NGHI 
Nghiên cứu này đề xuất giải thuật sử dụng bộ lọc thích nghi xác định mạch máu trong 
ảnh đáy võng mạc bao gồm các bước trình bày dưới đây. 
3.1. Chọn lớp màu xanh lá cây từ ảnh màu võng mạc 
Theo các nghiên cứu trước đây, lớp màu xanh lá cây thể hiện rõ nét được sự khác biệt 
về cường độ sáng của các mạch máu so với màu nền. Do đó, giải thuật này sẽ xác định 
mạch máu dựa trên lớp màu xanh lá cây của ảnh võng mạc. 
3.2. Tạo ra mặt nạ chứa phần đáy võng mạc 
Trong ảnh chụp đáy võng mạc, phần viền bao tối màu ở bên ngoài không có ý nghĩa 
trong việc chẩn đoán bệnh. Do đó, một mặt nạ được tạo ra dựa vào cường độ sáng để loại 
bỏ ảnh hưởng của viền bao bên ngoài ảnh đáy võng mạc. 
3.3. Sử dụng các bộ lọc khác nhau để lọc các mạch máu 
Các bộ lọc dùng để lọc các mạch máu được xây dựng trên cơ sở hàm Gauss có dạng 
như sau: 
2
2
1
( , ) exp ,| | . ,| |
2 22
x L
g x y x t s y
ss 
(1) 
Trong đó, x là biến theo chiều mặt cắt ngang của mạch máu; s là phương sai của hàm 
Gauss; y là biến dọc theo chiều dài của mạch máu. Do dạng hình học của các mạch máu có 
thể xấp xỉ bằng các đoạn thẳng nên hàm Gauss thể hiện cường độ sáng tại mặt cắt ngang 
của mạch máu được quét dọc theo chiều dài của mạch máu một đoạn L. Kích thước bộ lọc 
theo chiều mặt cắt ngang của mạch máu là [-t.s, t.s]. Thông thường, các giải thuật sử dụng 
t=3 vì 99% diện tích của vùng dưới đường cong Gauss nằm trong khoảng [-3s, 3s]. 
Các bộ lọc này sẽ được quay theo các hướng khác nhau từ 0 độ đến 180 độ để lọc các 
mạch máu theo các hướng khác nhau. Khi hướng của bộ lọc (phương y) trùng với đường 
mạch máu thì sẽ cho đáp ứng lớn nhất. Bộ lọc có phương sai s lớn sẽ lọc các mạch máu 
lớn; trong khi đó, bộ lọc có phương sai s nhỏ sẽ giúp lọc được các mạch máu nhỏ. 
3.4. Sử dụng phương pháp GLCM và entropy bậc hai để trích chọn mạch máu 
Đáp ứng của các bộ lọc ở trên được dùng để lọc các mạch máu bằng cách xác định 
ngưỡng sử dụng entropy bậc hai dựa trên ma trận đồng xuất hiện mức xám (GLCM). Nếu 
xét ảnh f có mức xám trong khoảng [0, L-1] thì ma trận đồng xuất hiện mức xám là một 
ma trận hai chiều LxL với mỗi phần tử Pij là xác suất mà hai điểm ảnh lân cận có một điểm 
ảnh mức xám i và một điểm ảnh mức xám j. Xác suất Pij được xác định như sau: 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 57, 10 - 2018 21
 1 1
0 0
ij
ij L L
kl
k l
t
P
t

(2) 
Với tij được tính theo cường độ xám của ma trận ảnh f có kích thước MxN như sau: 
1 1
M N
ij kl
k l
t 
  (3) 
với 
( , ) , ( 1, )
1
( , ) , ( , 1)
0,
mn
f m n i f m n j
khi
f m n i f m n j
Nếu chia ma trận đồng xuất hiện mức xám thành bốn phần như Hình 2 thì xác suất có 
điều kiện trong mỗi phần được tính như sau: 
 | | | |, , ,
ij ij ij ijt t t t
ij A ij B ij C ij Dt t t t
A B C D
p p p p
p p p p
P P P P
 (4) 
Với: 
1
0 0 0 1
, ,
t t t L
t t
A kl B kl
k l k l t
P p P p
   
1 1 1
1 0 1 1
,
L t L L
t t
C kl D kl
k t l k t l t
P p P p
     
Theo nghiên cứu trong bài báo [12], ngưỡng tối ưu tjre để phân tách mạch máu ra khỏi 
ảnh nền được xác định sao cho hàm Hjre dưới đây đạt cực tiểu: 
 ( ) log logt t t tjre B B D DH t P q P q (5) 
Với: ,
( 1)( 1)
t
t B
B
P
q
t L t
( 1)( 1)
t
t D
D
P
q
t L t
Các phần tử trong đáp ứng của bộ lọc Gauss ở bước trên được xem là tương ứng với 
mạch máu nếu giá trị tại phần tử đó lớn hơn ngưỡng tjre. Bằng việc sử dụng các bộ lọc 
Gauss có giá trị phương sai khác nhau, phương pháp này có thể phân tách cả mạch máu 
lớn và mạch máu nhỏ. Để loại bỏ ảnh hưởng của nhiễu và các thành phần khác ở bề mặt 
võng mạc trong quá trình xác định mạch máu nhỏ, chỉ có những mạch máu nhỏ có kết nối 
với mạch máu lớn mới được sử dụng trong kết quả phân tách mạch máu. 
Hình 2. Chia ma trận đồng xuất hiện mức xám thành bốn phần. 
Kỹ thuật điều khiển & Điện tử 
Lê Ngọc Thúy, “Xác định các mạch máu trong ảnh  sử dụng bộ lọc thích nghi.” 22 
4. KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ 
4.1. Cơ sở dữ liệu và phương pháp đánh giá 
Giải thuật đề xuất được thử nghiệm để tách các mạch máu trong ảnh đáy võng mạc 
của cơ sở dữ liệu DRIVE [13]. Đây là cơ sở dữ liệu ảnh đáy võng mạc được các nghiên 
cứu tách mạch máu trong ảnh võng mạc sử dụng phổ biến vì cơ sở dữ liệu này được công 
bố rộng rãi trên mạng và có kèm theo ảnh xác định mạch máu thủ công giúp so sánh được 
với kết quả của các nghiên cứu. Cơ sở dữ liệu bao gồm 40 ảnh màu của đáy võng mạc có 
chứa bảy dấu hiệu của bệnh võng mạc ở người bị đái tháo đường. Độ phân giải của mỗi 
ảnh là 768 × 584, cường độ sáng của mỗi điểm ảnh tại mỗi lớp màu được mã hóa bằng 8 
bit. Cơ sở dữ liệu được chia làm hai nhóm: nhóm dữ liệu huấn luyện và nhóm dữ liệu thử 
nghiệm (mỗi nhóm gồm 20 ảnh). Trong nhóm dữ liệu huấn luyện có chứa ảnh chụp đáy 
võng mạc, ảnh mặt nạ và ảnh xác định mạch máu thủ công. Trong nhóm dữ liệu thử 
nghiệm có chứa ảnh chụp đáy võng mạc, ảnh mặt nạ và ảnh xác định mạch máu thủ công 
của hai chuyên gia khác nhau. 
Bên cạnh việc so sánh trực quan hình ảnh trích chọn mạch máu với các nghiên cứu 
trước đây, bài báo cũng sẽ so sánh định lượng kết quả với các nghiên cứu khác. Các chỉ số 
thông dụng để đánh giá kết quả thử nghiệm ảnh võng mạc bao gồm: 
Độ nhạy = TP/ (TP + FN) 
Độ đặc trưng = TN / (TN + FP) 
Độ chính xác = (TP + TN) / (TP + FN + TN + FP) 
Trong đó: 
 TP là tổng các điểm ảnh mà cả giải thuật và chuyên gia đều xác định là mạch 
máu, 
 FP là tổng các điểm ảnh mà chuyên gia xác định không phải là mạch máu 
nhưng giải thuật xác định là mạch máu, 
 TN là tổng các điểm ảnh mà cả giải thuật và chuyên gia đều xác định không 
phải là mạch máu, 
 FN là tổng các điểm ảnh mà chuyên gia xác định là mạch máu nhưng giải 
thuật xác định không phải là mạch máu. 
4.2. Kết quả thử nghiệm 
Hình 3. Một số kết quả xác định mạch máu trong ảnh đáy võng mạc của cơ sở dữ liệu 
DRIVE (cột thứ nhất) sử dụng giải thuật đã đề xuất để tách các mạch máu lớn (cột thứ ba) 
kết hợp với các mạch máu nhỏ (cột thứ tư) khi so sánh với kết quả xác định mạch máu do 
chuyên gia thực hiện (cột thứ hai). 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 57, 10 - 2018 23
Kết quả tách tự động các mạch máu trong ảnh đáy võng mạc của ảnh số một và ảnh số 
hai trong cơ sở dữ liệu DRIVE bằng giải thuật đề xuất được hiển thị trong Hình 3. So sánh 
kết quả hình ảnh kết hợp trích chọn mạch máu lớn và trích chọn mạch máu nhỏ (Hình 3, 
cột thứ tư) với hình ảnh xác định mạch máu thủ công cho thấy việc kết hợp này đã mang 
lại hiệu quả tốt. 
Khi so sánh kết quả của giải thuật đề xuất với các giải thuật tương tự sử dụng các loại 
bộ lọc khác nhau để xác định mạch máu trong ảnh võng mạc, giải thuật đề xuất có các chỉ 
số về độ nhạy, độ đặc trưng và độ chính xác đạt được hiệu quả tốt so với các giải thuật 
khác (bảng 1). Cũng cần lưu ý rằng độ nhạy cao có ý nghĩa quan trọng đối với việc xác 
định các mạch máu vì độ nhạy thể hiện tỷ lệ các điểm ảnh là mạch máu đã nhận dạng 
đúng. Độ chính xác chỉ có ý nghĩa tương đối trong việc xác định mạch máu vì độ chính 
xác là tỷ lệ số điểm ảnh nhận dạng đúng (bao gồm điểm ảnh là mạch máu và điểm ảnh 
không phải mạch máu); trong khi đó, số điểm ảnh không phải mạch máu chiếm tỷ lệ lớn 
trong ảnh chụp đáy võng mạc. 
Bảng 1. So sánh kết quả của các giải thuật sử dụng phương pháp bộ lọc. 
Giải thuật 
Độ nhạy 
(%) 
Độ đặc trưng 
(%) 
Độ chính xác 
(%) 
Chaudhuri et al. [7] - - 87,73 
Al-Rawi et al. [8] - - 94,22 
Zhang et al. [9] 71,20 97,24 93,82 
Cinsdikici và Aydin [14] - - 92,93 
Giải thuật đề xuất 80,41 96,27 94,91 
Hình 4 cung cấp một số hình ảnh xác định mạch máu trong võng mạc của các giải 
thuật đã được công bố [8, 9, 11] với giải thuật đề xuất để có thể so sánh trực quan giữa các 
kết quả rút các trích mạch máu. Các kết quả này cho thấy giải thuật đề xuất có thể nhận 
biết mạch máu nhỏ trong ảnh võng mạc tốt hơn hoặc tương đương với các giải thuật khác. 
Hình 4. So sánh kết quả của giải thuật đề xuất (cột thứ ba) và các giải thuật [9], [11], [8] 
(cột thứ hai) với ảnh xác định mạch máu bằng tay (cột thứ nhất). 
Kỹ thuật điều khiển & Điện tử 
Lê Ngọc Thúy, “Xác định các mạch máu trong ảnh  sử dụng bộ lọc thích nghi.” 24 
4. KẾT LUẬN 
Nghiên cứu này đã đề xuất giải thuật xác định các mạch máu trong ảnh đáy võng mạc 
sử dụng các bộ lọc Gauss với hệ số phương sai khác nhau để lọc các mạch máu có kích 
thước mặt cắt ngang khác nhau trong ảnh võng mạc. Giải thuật đã sử dụng ngưỡng xác 
định dựa trên phương pháp ma trận đồng xuất hiện mức xám và entropy bậc hai để xác 
định mạch máu từ đáp ứng của bộ lọc Gauss. 
Kết quả thử nghiệm sử dụng cơ sở dữ liệu DRIVE cho thấy giải thuật đã rút trích được 
cả mạch máu lớn và mạch máu nhỏ trong ảnh võng mạc. Khi so sánh với các giải thuật 
khác sử dụng cùng cơ sở dữ liệu, hình ảnh các mạch máu mà giải thuật đề xuất tạo ra đạt 
độ nhạy, độ chính xác cao so với các giải thuật khác. 
Để giải thuật đạt hiệu quả tốt hơn, cần bổ sung vào giải thuật bước xử lý vùng điểm 
mù ở trên ảnh đáy võng mạc vì vùng này có chênh lệch cường độ sáng lớn so với màu nền 
nên giải thuật thường đánh giá thiếu chính xác ở vùng này. 
TÀI LIỆU THAM KHẢO 
[1]. Moccia, S., Elena D. M., Sara E. H., Leonardo S. M., “Blood vessel segmentation 
algorithms—review of methods, datasets and evaluation metrics”, CMPB 158 (2018) 
71–91. 
[2]. Rooney C., “Blood vessel diameter in glaucoma”, Luận văn Tiến sỹ, Đại học Aston, 
2015. 
[3]. Almotiri J., Elleithy K., Elleithy A., “Retinal Vessels Segmentation Techniques and 
Algorithms: A Survey”, Applied Sciences 8 (2018) 155. 
[4]. Fraz M. M., Remagnino P., Hoppe A., Uyyanonvara B., Rudnicka A. R., Owen C. 
G., Barman S. A., “Blood vessel segmentation methodologies in retinal images - a 
survey”, Comput. Meth. Prog. Bio. 108 (2012) 407–433. 
[5]. Pavel Vostatek, Ela Claridge, Hannu Uusitalo, Markku Hauta-Kasari, Pauli Fält, 
Lasse Lensu, “Performance comparison of publicly available retinal blood vessel 
segmentation methods”, Comp. Med. Imag. and Graph. 55 (2017) 2-12. 
[6]. Sheifali Gupta, Meenu Garg, “Retinal Blood Vessel Segmentation Algorithms : A 
Comparative Survey”, International Journal of Bio-Science and Bio-Technology 8 
(3) (2016) 63-76. 
[7]. Chaudhuri, S., Chatterjee, S., Katz, N., Nelson, M., Goldbaum, M., “Detection of 
blood vessels in retinal images using two-dimensional matched filters”, IEEE Trans. 
Med. Imaging 8 (1989), 263–269. 
[8]. Mohammad A. R., Munib Q., Muhammad A., “An improved matched filter for blood 
vessel detection of digital retinal images”, Computers in Biology and Medicine 37 
(2) (2007) 262–267. 
[9]. Zhang, B., Zhang, L., Zhang, L., Karray, F., “Retinal vessel extraction by matched 
filter with first-order derivative of Gaussian”, Comput. Biol. Med. 40 (2010) 438–
445. 
[10]. Villalobos-Castaldi F, et al., “A fast, efficient and automated method to extract 
vessels from fundus images”, Journal of Visualization 13 (2010) 263–270. 
[11]. Kaur, J., Sinha, H., “Automated detection of retinal blood vessels in diabetic 
retinopathy using Gabor filter”, Int. J. Comput. Sci. Netw. Secur. 12 (2012) 109. 
[12]. Yang C.W., Ma D.J, Wang C.M., Wen C.H., Le C.S., Chang C., “Computer aided 
diagnostic detection system of venous beading in retinal images”, Optical 
Engineering 39(5) (2000) 1293-1303. 
[13]. https://www.isi.uu.nl/Research/Databases/DRIVE/ 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 57, 10 - 2018 25
[14]. Cinsdikici M.G., Aydin D., “Detection of blood vessels in ophthalmoscope images 
using MF/ant (matched filter/ant colony) algorithm”, Computer Methods and 
Programs in Biomedicine 96 (2009) 85–95. 
ABSTRACT 
BLOOD VESSEL SEGMENTATION IN RETINAL FUNDUS 
USING ADAPTIVE FILTER 
In the paper, an algorithm for blood vessel segmentation using an adaptive filter 
to filter both wide and narrow vessels is presented. To extract the blood vessels, the 
algorithm applies the threshold determined by gray level co-occurrence matrix and 
second-order entropy to filter response. The experimental results show that the 
proposed algorithm can segment both wide and narrow vessels in the retinal image. 
The results are also outperformed in comparison with those of other existing studies 
in terms of the sensitivity, the specificity, and the accuracy. 
Keywords: Retinal fundus; Blood vessel segmentation; Matched filter. 
Nhận bài ngày 04 tháng 7 năm 2018 
Hoàn thiện ngày 20 tháng 7 năm 2018 
Chấp nhận đăng ngày 10 tháng 8 năm 2018 
Địa chỉ: Khoa Kỹ thuật điện tử, Học viện Công nghệ Bưu chính Viễn thông. 
 *Email: thuyln@ptit.edu.vn.