梁 平，熊 彪,2,3，馮娟娟，廖瑞端，汪天富,2,3，劉維湘,2,3

1)深圳大學(xué)醫(yī)學(xué)部，廣東深圳 518060；2)廣東省醫(yī)學(xué)信息檢測(cè)與超聲成像重點(diǎn)實(shí)驗(yàn)室，廣東深圳 518060；3)醫(yī)學(xué)超聲關(guān)鍵技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，廣東深圳 518060；4)中山大學(xué)附屬第一醫(yī)院眼科，廣東廣州 510275

【電子與信息科學(xué) / Electronic and Information Science】

糖尿病視網(wǎng)膜病變眼底圖像分類方法

梁 平1，熊 彪1,2,3，馮娟娟4，廖瑞端4，汪天富1,2,3，劉維湘1,2,3

1)深圳大學(xué)醫(yī)學(xué)部，廣東深圳 518060；2)廣東省醫(yī)學(xué)信息檢測(cè)與超聲成像重點(diǎn)實(shí)驗(yàn)室，廣東深圳 518060；3)醫(yī)學(xué)超聲關(guān)鍵技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，廣東深圳 518060；4)中山大學(xué)附屬第一醫(yī)院眼科，廣東廣州 510275

評(píng)述糖尿病視網(wǎng)膜病變(diabetic retinopathy，DR)眼底圖像自動(dòng)分類方法的研究進(jìn)展．介紹基于局部病灶的分類方法和基于全局圖像的分類方法．其中，基于局部病灶的分類方法主要是滲出物、出血點(diǎn)和微血管瘤病灶的檢測(cè)，根據(jù)檢測(cè)出的病灶類型、數(shù)量和位置等信息進(jìn)行DR分類；基于全局圖像的分類方法是對(duì)圖像全局特征信息進(jìn)行分類．分析了常用數(shù)據(jù)集、各類方法優(yōu)缺點(diǎn)和分類性能，指出盡管DR眼底圖像自動(dòng)分類已經(jīng)有大量研究，但實(shí)現(xiàn)一個(gè)通用的DR自動(dòng)分類系統(tǒng)在數(shù)據(jù)數(shù)量與質(zhì)量、分類方法和系統(tǒng)性能等方面還有一定挑戰(zhàn)．

圖像處理；眼底圖像；糖尿病視網(wǎng)膜病變；計(jì)算機(jī)輔助診斷；自動(dòng)檢測(cè)；圖像分類

糖尿病是一種以高血糖為特征的代謝性疾病，主要是胰島素分泌缺陷或胰島素作用障礙引起血管性能改變，導(dǎo)致心臟、腦部、腎臟和視網(wǎng)膜等出現(xiàn)疾?。悄虿∫暰W(wǎng)膜病變(diabetic retinopathy, DR)是糖尿病引發(fā)的視網(wǎng)膜并發(fā)癥，因?yàn)榛颊唛L(zhǎng)期的高血糖會(huì)改變血管內(nèi)皮細(xì)胞功能，引起視網(wǎng)膜毛細(xì)血管內(nèi)皮細(xì)胞色素上皮細(xì)胞間的聯(lián)合被破壞，造成視網(wǎng)膜血管中血液滲漏和營(yíng)養(yǎng)物質(zhì)溢出，進(jìn)而影響視覺[1]．世界衛(wèi)生組織預(yù)測(cè)2030年全球糖尿病患者將達(dá)總?cè)丝跀?shù)的4.4%，其中約1/2患者會(huì)出現(xiàn)DR并發(fā)癥．目前，全球DR患者約9 300 萬(wàn)，其中增殖型DR患者約1 700萬(wàn)，已威脅視力的DR患者約為2 800萬(wàn)．糖尿病視網(wǎng)膜病變是繼白內(nèi)障、青光眼和老年性黃斑病變又一重要的致盲因素．據(jù)統(tǒng)計(jì)，隨著年齡的增長(zhǎng)，糖尿病患者的DR發(fā)病率越來(lái)越高，病程在十年以上的患者發(fā)病率為69%～90%，嚴(yán)重影響糖尿病患者的生活質(zhì)量[2]．

正常眼底圖像主要包含動(dòng)脈血管、靜脈血管、黃斑和視盤等結(jié)構(gòu)，而DR眼底圖像中常見的異常病變有微血管瘤、出血點(diǎn)、硬性滲出物、棉絮斑和新生血管等．微血管瘤在眼底圖像上表現(xiàn)為紅色圓形小斑點(diǎn)，反映了血管性能早期變化；出血點(diǎn)是由于血管中血液滲漏到視網(wǎng)膜上，在眼底圖像上呈暗紅色斑點(diǎn)或塊狀斑；硬性滲出物是因血管中脂質(zhì)和蛋白質(zhì)等營(yíng)養(yǎng)物質(zhì)滲漏到視網(wǎng)膜上，在眼底圖像上呈亮白色斑塊；新生血管是因血管阻塞引起缺血，視網(wǎng)膜對(duì)缺血的反應(yīng)是代償性形成細(xì)小紊亂的新生血管．正常眼底圖像和DR眼底圖像表征如圖1．

圖1 正常眼底圖像和DR眼底圖像Fig.1 (Color online) Normal fundus image and DR fundus images

在臨床上，通常根據(jù)是否出現(xiàn)新生血管，將DR分為兩大類：若出現(xiàn)新生血管，則為增殖型糖尿病視網(wǎng)膜病變；反之，則為非增殖型糖尿病視網(wǎng)膜病變．其中，非增殖型糖尿病視網(wǎng)膜病變又分為輕度、中度和重度．

在DR篩查中，現(xiàn)階段DR診斷輔助檢查方法包括單視野免散瞳數(shù)碼眼底照相、熒光素眼底血管造影檢查、頻域光學(xué)相干斷層掃描、彩色多普勒血流成像、多焦視網(wǎng)膜電圖、背向散射積分成像和磁共振成像(magnetic resonance imaging, MRI)等．由于單視野免散瞳數(shù)碼眼底照相檢查簡(jiǎn)單、快速和圖像易保存等優(yōu)點(diǎn)，在臨床上得到廣泛應(yīng)用[3]．

早期診斷DR可有效減少DR對(duì)患者視力的損害．由于DR病灶種類多樣，形態(tài)不一，在大規(guī)模篩查中，若能對(duì)眼底圖像進(jìn)行自動(dòng)分類，可節(jié)省臨床醫(yī)生的診斷時(shí)間．

目前，針對(duì)DR眼底圖像進(jìn)行分類的策略可以分為兩種：一種是基于局部分析的策略，即通過對(duì)眼底圖像中局部病灶的檢測(cè)，檢測(cè)出一種或多種病灶，再根據(jù)病灶類型和數(shù)量等對(duì)眼底圖像分類或分級(jí)；另外一種是全局策略，就是對(duì)整個(gè)眼底圖像進(jìn)行整體特征分析，完成分類判別．

1 基于局部病灶的分類方法

常用的單視野免散瞳數(shù)碼眼底照相是通過眼底鏡透過眼球玻璃體采集視網(wǎng)膜圖像，采集到的圖像包含視網(wǎng)膜上的視盤、黃斑、中央凹和動(dòng)靜脈血管等．當(dāng)出現(xiàn)DR病變時(shí)，在眼底圖像上可能會(huì)呈現(xiàn)有一定光亮度的硬性滲出物、暗紅色的出血點(diǎn)、點(diǎn)狀紅色的微血管瘤或新生血管等．基于局部病灶的分類方法是對(duì)眼底圖像中不同類型的病灶進(jìn)行分析，綜合病灶的數(shù)量和類型進(jìn)行分類．主要檢測(cè)的病灶包括硬性滲出物、出血點(diǎn)和微血管瘤3大類．病灶檢測(cè)方法可分為兩種：一種是基于去除眼底圖像正常結(jié)構(gòu)的方法，先分割眼底圖像中正常結(jié)構(gòu)，再提取病灶區(qū)域，進(jìn)而根據(jù)所得病灶區(qū)域?qū)ρ鄣讏D像進(jìn)行分類；另一種是基于直接提取病灶的方法，對(duì)眼底圖像提取病灶區(qū)域進(jìn)行分類，不需要檢測(cè)眼底圖像背景結(jié)構(gòu)信息．

1.1 硬性滲出物檢測(cè)

硬性滲出物主要是血管滲透性增加，血管中的脂質(zhì)和蛋白質(zhì)滲漏出血管所致，會(huì)提高視網(wǎng)膜水腫風(fēng)險(xiǎn)，當(dāng)硬性滲出物靠近黃斑區(qū)中央時(shí)會(huì)導(dǎo)致視力下降．硬性滲出物在眼底視網(wǎng)膜圖像上表現(xiàn)為亮黃色區(qū)域塊，結(jié)構(gòu)不規(guī)則，邊界清晰，數(shù)量不等，在視網(wǎng)膜圖像視野中出現(xiàn)位置不確定．

1.1.1 基于去除眼底圖像正常結(jié)構(gòu)的方法

Sinthanayothin等[4]設(shè)計(jì)了在眼底圖像中通過硬性滲出計(jì)數(shù)來(lái)判斷是否出現(xiàn)DR的算法．先通過局部對(duì)比增強(qiáng)預(yù)處理，運(yùn)用圖像主成分分析和邊緣檢測(cè)訓(xùn)練分類器找出血管，通過鄰域像素強(qiáng)度變化最大的區(qū)域找出視盤，得到背景信息后再利用遞歸區(qū)域生長(zhǎng)檢測(cè)硬性滲出物．在484張正常圖像和283張的DR病變圖像中，檢測(cè)靈敏度和特異度分別為80.21%和70.66%．該方法使用區(qū)域生長(zhǎng)方法檢測(cè)病灶，能夠?qū)⑾嗤卣鞯穆?lián)通區(qū)域分割出來(lái)，得到一個(gè)很好的邊界信息．但對(duì)光照變化敏感，對(duì)視盤準(zhǔn)確定位要求高，圖像噪聲對(duì)分類性能影響大，沒有運(yùn)用到眼底圖像的先驗(yàn)知識(shí)．

Li等[5]提出一種自動(dòng)提取眼底圖像主要特征的方法．先使用主動(dòng)形狀模型邊緣檢測(cè)提取邊界并使用主成分分析定位視盤位置，再通過多方向模板邊緣檢測(cè)定位血管位置，最后通過區(qū)域生長(zhǎng)和邊緣檢測(cè)方法檢測(cè)硬性滲出物區(qū)域．測(cè)試數(shù)據(jù)共35張眼底圖像，其中28張含有硬性滲出物，對(duì)硬性滲出物檢測(cè)的靈敏度為100%，特異度為71%．但當(dāng)病灶尺寸過大時(shí)易影響視盤定位，導(dǎo)致檢測(cè)錯(cuò)誤．

Jaafar等[6]應(yīng)用自上而下方法、圖像分割、局部閾值結(jié)合邊緣檢測(cè)和區(qū)域生長(zhǎng)，先對(duì)圖像綠色分量進(jìn)行中值和高斯濾波，再進(jìn)行灰度均衡化提高硬性滲出物對(duì)比度信息，同時(shí)去除視盤的影響，使用3層神經(jīng)網(wǎng)絡(luò)對(duì)圖像每個(gè)像素點(diǎn)進(jìn)行判斷分類，輸入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)是每一個(gè)小塊區(qū)域的第1主成分分量和Canny邊緣檢測(cè)值，應(yīng)用自上而下將圖像均勻分塊，結(jié)合邊緣檢測(cè)和區(qū)域生長(zhǎng)得到第1次硬性滲出物粗分類結(jié)果，基于規(guī)則對(duì)圖像進(jìn)行第2次分類，使用的特征包括：長(zhǎng)、寬、縱橫比、面積、周長(zhǎng)和似圓度等．同時(shí)，根據(jù)硬性滲出物和黃斑距離設(shè)置極坐標(biāo)進(jìn)行4級(jí)病變程度分級(jí)．實(shí)驗(yàn)圖像大小為1 500×1 152像素，訓(xùn)練數(shù)據(jù)源自Diaretdb0數(shù)據(jù)集的130張圖像，測(cè)試數(shù)據(jù)中有89張?jiān)醋訢iaretdb1數(shù)據(jù)集，17張圖像源自Messidor數(shù)據(jù)集．與臨床醫(yī)生手動(dòng)標(biāo)出的金標(biāo)準(zhǔn)比較，基于像素統(tǒng)計(jì)得到硬性滲出物檢測(cè)結(jié)果：靈敏度為93.2%，特異度為99.2%，正確率為99.4%；圖像分類結(jié)果是靈敏度為98.4%，特異度為90.5%．該方法綜合使用邊緣檢測(cè)和區(qū)域生長(zhǎng)檢測(cè)病灶，在測(cè)試數(shù)據(jù)上能夠得到較高的靈敏度，但圖像需要進(jìn)行復(fù)雜的預(yù)處理，需要精確定位中央凹和視盤．

Haloi等[7]提出一種基于感興趣區(qū)域和數(shù)學(xué)形態(tài)學(xué)的高斯尺度空間方法．先對(duì)圖像進(jìn)行各向異性擴(kuò)散濾波預(yù)處理，再進(jìn)行高斯尺度空間構(gòu)建，對(duì)圖像二值化處理，采用形態(tài)學(xué)開運(yùn)算去除血管影響，提取22個(gè)特征進(jìn)行支持向量機(jī)分類器訓(xùn)練，基于像素點(diǎn)對(duì)分類效果進(jìn)行統(tǒng)計(jì)．根據(jù)滲出物相對(duì)視盤和中央凹的距離對(duì)病變程度分級(jí)，在Diaretdb1 v2數(shù)據(jù)集上實(shí)驗(yàn)，對(duì)硬性滲出物的檢測(cè)結(jié)果能夠達(dá)到靈敏度為96.54%和特異度為98.35%．該方法對(duì)圖像亮度變化不敏感，能夠識(shí)別不同尺寸大小的硬性滲出物區(qū)域．

Sanchez等[8]用一個(gè)較大的中值濾波器去掉背景，用兩個(gè)不同的自適應(yīng)閾值方法來(lái)選擇候選區(qū)域，然后去掉候選區(qū)域中與自動(dòng)分割出的血管相交的部分，計(jì)算出一組特征來(lái)訓(xùn)練分類器．該方法需要定位視盤，不需要血管定位，但不能檢測(cè)一些模糊的滲出物．

Niemeijer等[9]提出DR自動(dòng)識(shí)別系統(tǒng)，能夠檢測(cè)彩色眼底圖像中的硬性滲出物、棉絮斑和視網(wǎng)膜玻璃膜疣．先對(duì)圖像綠色分量應(yīng)用多模板濾波，運(yùn)用最近鄰分類器得到概率圖，再設(shè)置閾值進(jìn)行聚類處理，同時(shí)結(jié)合視盤和血管信息得到候選區(qū)域，運(yùn)用第2個(gè)最近鄰分類器對(duì)亮色硬性滲出物進(jìn)行檢測(cè)．實(shí)驗(yàn)使用300張眼底圖像，其中100張圖像含有硬性滲出物，檢測(cè)硬性滲出物的靈敏度和特異度分別是95.0%和86.0%．該方法需要醫(yī)生標(biāo)注數(shù)據(jù)，不能識(shí)別較小的病灶區(qū)域，容易將硬性滲出物與視網(wǎng)膜玻璃膜疣混淆．

Zhang等[10]使用形態(tài)學(xué)和自適應(yīng)模板匹配方法來(lái)去除眼底圖像背景的結(jié)構(gòu)信息，又運(yùn)用基于數(shù)學(xué)形態(tài)學(xué)的分割方法，綜合強(qiáng)度、幾何、紋理、病灶區(qū)域信息和空間關(guān)系5大類共27個(gè)特征，采用隨機(jī)森林分類方法檢測(cè)硬性滲出物．基于像素點(diǎn)檢測(cè)，在Messidor數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)得到受試者工作特征曲線(receiver operating characteristic curve， ROC)的下面積(area under curve, AUC)為0.93，在Diaretdb1數(shù)據(jù)集上測(cè)試結(jié)果AUC為0.95．該方法需要去除血管和視盤結(jié)構(gòu)的干擾，而且參數(shù)設(shè)置的依賴于當(dāng)前使用的數(shù)據(jù)集．

1.1.2 基于直接提取病灶的方法

Wang等[11]采用統(tǒng)計(jì)分類法，應(yīng)用非線性指數(shù)關(guān)系調(diào)整圖像亮度信息去除光照不均造成的影響，增加損傷區(qū)域的對(duì)比度信息，運(yùn)用最小距離判別分類器在球形顏色空間中檢測(cè)候選的硬性滲出像素點(diǎn)，以鄰域的對(duì)比度信息剪除真正的硬性滲出像素點(diǎn)．使用局部窗檢測(cè)硬性滲出物并進(jìn)行正常與異常圖像分類．實(shí)驗(yàn)數(shù)據(jù)共154張眼底圖像，其中54張異常圖像，100張正常圖像．用54張異常眼底圖像檢測(cè)時(shí)，檢測(cè)正確率達(dá)到100%；使用100張正常圖像檢測(cè)時(shí)，檢測(cè)正確率可達(dá)70%．結(jié)果雖然初步實(shí)現(xiàn)了DR眼底圖像分類技術(shù)，但是圖像的規(guī)范化光照參數(shù)依賴于當(dāng)前數(shù)據(jù)，擴(kuò)展性能差．

Hunter等[12]基于對(duì)區(qū)分性最相關(guān)的特征分析，引入一種層次特征選擇方法，根據(jù)顏色統(tǒng)計(jì)信息、主成分分析、直方圖和主成分分析直方圖等選擇11個(gè)特征變量作為神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)，設(shè)置7個(gè)隱藏層神經(jīng)元，學(xué)習(xí)1個(gè)神經(jīng)網(wǎng)絡(luò)分類器對(duì)硬性滲出物進(jìn)行分類．實(shí)驗(yàn)數(shù)據(jù)包括95張含有玻璃膜疣的圖像，116張含有硬性滲出物的圖像，訓(xùn)練集包括44張含有玻璃膜疣斑的圖像和56張含有硬性滲出物的圖像，測(cè)試集包括51張含有玻璃膜疣斑的圖像和60張含有硬性滲出物的圖像．測(cè)試數(shù)據(jù)對(duì)硬性滲出物檢測(cè)正確率為91%，AUC為0.964．但該方法需要人工觀察測(cè)試結(jié)果來(lái)選擇合適特征．

Walter等[13]運(yùn)用形態(tài)學(xué)重建眼底圖像中無(wú)亮病變的部分．該方法是基于重建圖像和原始圖像之間的差異最終表示出亮病變位置．首先使用形態(tài)學(xué)方法抑制血管，然后用局部對(duì)比度的變化來(lái)初步定位亮病變候選區(qū)域，再去掉候選的亮病變區(qū)域，并用形態(tài)學(xué)重建對(duì)應(yīng)的視網(wǎng)膜背景．通過對(duì)原始圖像和重建圖像不同部分做閾值分割就得到最終的病變區(qū)域．對(duì)硬性滲出物檢測(cè)的平均靈敏度能達(dá)到92.8%，平均預(yù)測(cè)正確率可達(dá)92.4%．

Fleming等[14]提出用反轉(zhuǎn)的形態(tài)學(xué)頂帽變換技術(shù)來(lái)檢測(cè)硬性滲出物．采用中值濾波和高斯濾波對(duì)綠色分量進(jìn)行去噪，利用不同方向和尺度的線性結(jié)構(gòu)單元進(jìn)行頂帽變換來(lái)突出圖像的亮區(qū)域，對(duì)變換后的結(jié)果采用動(dòng)態(tài)閾值提取候選滲出區(qū)域，并根據(jù)尺寸、顏色、面積、形狀、色彩和對(duì)比度信息將區(qū)域分為滲出物、棉絮斑和背景，用支持向量機(jī)分類器進(jìn)行分類．實(shí)驗(yàn)圖像大小為2 160×1 440 像素，測(cè)試集包含13 219張圖像，其中300張為硬性滲出物的圖像，硬性滲出物檢測(cè)靈敏度和特異度分別為95%和84.6%．該方法不需檢測(cè)視盤和血管等預(yù)處理，但要檢測(cè)多種病灶以便綜合分析眼底圖像．

Osareh等[15]提出一種精細(xì)的聚類方法，它用高斯平滑后的直方圖和模糊C均值聚類來(lái)檢測(cè)候選目標(biāo)．首先根據(jù)直方圖中極端的點(diǎn)用高斯平滑直方圖分析初步聚類，然后用模糊C均值算法將剩余未分類的像素?cái)?shù)分配到事先指定的類別中，再?gòu)木垲悈^(qū)域中提取多種顏色空間中的18個(gè)有效圖像特征，并進(jìn)行神經(jīng)網(wǎng)絡(luò)分類．使用67張眼底圖像進(jìn)行測(cè)試，其中27張圖像含有滲出物，神經(jīng)網(wǎng)絡(luò)分類靈敏度和特異度分別為95.0%和88.9%．該方法不能檢測(cè)尺寸太小的病灶．

Zhang等[16]在文獻(xiàn)[15]的研究基礎(chǔ)上，應(yīng)用局部對(duì)比增強(qiáng)結(jié)合區(qū)域生長(zhǎng)方法檢測(cè)硬性滲出物區(qū)域．該方法先使用局部對(duì)比增強(qiáng)技術(shù)增強(qiáng)病灶信號(hào)，減小光照不均和其他噪聲的影響，再在LUV顏色空間使用一個(gè)改進(jìn)的模糊C均值分割出亮損傷區(qū)域，最后使用支持向量機(jī)分類器選出硬性滲出物區(qū)域．在30張眼底圖像中，分類出亮區(qū)域和非亮區(qū)域的靈敏度為97%，特異度為96%．該提取特征方法太簡(jiǎn)單，提取到的特征所含信息量不足．

1.2 出血點(diǎn)檢測(cè)

隨著DR病變程度加重，視網(wǎng)膜上逐漸出現(xiàn)出血現(xiàn)象，出血越多表明血管損傷越嚴(yán)重，導(dǎo)致更多血管液體和營(yíng)養(yǎng)物質(zhì)滲漏．出血病變?cè)谝暰W(wǎng)膜眼底圖像中呈暗紅色塊狀區(qū)域，結(jié)構(gòu)不規(guī)則，數(shù)量不等，邊界清晰，在圖像視野中出現(xiàn)位置也不確定．

1.2.1 基于去除眼底圖像正常結(jié)構(gòu)的方法

Bharali等[17]先對(duì)圖像進(jìn)行均衡化對(duì)比增強(qiáng)處理，使用形態(tài)學(xué)和均值與中值濾波處理，再運(yùn)用閾值處理得到初步的血管圖像，使用區(qū)域生長(zhǎng)得到較為完整的血管圖像，相減后得到出血點(diǎn)區(qū)域．實(shí)驗(yàn)在DIARETDB1數(shù)據(jù)集上得到的分類正確率為94.87%；在Messidor數(shù)據(jù)集上得到的分類正確率為98.56%．通過區(qū)域生長(zhǎng)能更好地識(shí)別眼底圖像中的出血病灶，但是迭代運(yùn)算耗時(shí)較長(zhǎng)，且算法易受圖像光照不均和圖像噪聲等影響，導(dǎo)致分割錯(cuò)誤或者沒有分割到較小病灶區(qū)域．

Sinthanayothin等[18]預(yù)處理了DR圖像中視盤、血管和中央凹等結(jié)構(gòu)．視盤通過相鄰區(qū)域最大變化處確定，血管通過神經(jīng)網(wǎng)絡(luò)分割，依據(jù)圖像主成分分析和第一主成分的邊緣信息來(lái)檢測(cè)血管，根據(jù)視盤的位置，使用模板匹配的方法找出中央凹．同時(shí)，引入了一種Moat operator出血檢測(cè)算法，它結(jié)合了特制的Moat算子和傳統(tǒng)圖像處理算法，如灰度歸一化、閾值和區(qū)域生長(zhǎng)等．實(shí)驗(yàn)所用圖像大小為570×550像素，基于10×10像素網(wǎng)格識(shí)別，對(duì)14張眼底圖像中出血點(diǎn)和微血管瘤檢測(cè)實(shí)驗(yàn)中靈敏度為77.5%，特異度為88.7%．但該方法不能識(shí)別緊鄰血管的出血點(diǎn)和新生血管，也不能識(shí)別中央凹處的滲出物等病灶．

Usher等[19]使用Moat operator方法，在圖像對(duì)比增強(qiáng)預(yù)處理和血管分割完成后，結(jié)合遞歸區(qū)域生長(zhǎng)、自適應(yīng)閾值和Moat operator方法對(duì)出血病灶進(jìn)行檢測(cè)，提取病灶區(qū)域的大小、形狀、色調(diào)和強(qiáng)度等信息，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行病灶檢測(cè)，通過硬性滲出物、出血點(diǎn)和微血管瘤出現(xiàn)情況對(duì)圖像進(jìn)行正常和異常分類．實(shí)驗(yàn)數(shù)據(jù)共有1 273張眼底圖像，圖像大小為570×570像素，分類結(jié)果靈敏度和特異度最高能達(dá)到70.8%和78.9%．

Gardner等[20]應(yīng)用神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)出血和微血管瘤病灶，提取原始圖像的綠色通道，將圖像分成20×20像素的小圖像，并將小圖像分成：正常無(wú)血管區(qū)域、正常血管、硬性滲出物和出血點(diǎn)．實(shí)驗(yàn)數(shù)據(jù)包括147張異常眼底圖像，32張正常眼底圖像，圖像大小為700×700像素．應(yīng)用神經(jīng)網(wǎng)絡(luò)訓(xùn)練，分類結(jié)果與臨床醫(yī)生分類結(jié)果進(jìn)行對(duì)比，檢測(cè)結(jié)果正確率為73.8%．該方法沒有運(yùn)用到眼底圖像彩色信息，沒有對(duì)圖像視盤和中央凹進(jìn)行定位．

Goldbaum等[21]用圖像描述語(yǔ)句來(lái)表示眼底圖像中的病灶和正常結(jié)構(gòu)，再運(yùn)用神經(jīng)網(wǎng)絡(luò)通過一組已知的典型圖像來(lái)學(xué)習(xí)圖像描述信息和診斷結(jié)果之間的關(guān)系．在訓(xùn)練集的基礎(chǔ)上，訓(xùn)練好的網(wǎng)絡(luò)能從自動(dòng)眼底圖像分析系統(tǒng)中得到圖像描述信息，再用來(lái)檢測(cè)帶有DR的圖像．該方法需要檢測(cè)視盤和血管等結(jié)構(gòu)，首先檢測(cè)出亮色病灶和暗紅色病灶，再根據(jù)病灶與黃斑的距離對(duì)圖像進(jìn)行分類．

1.2.2 基于直接提取病灶的方法

Ega等[22]設(shè)計(jì)了一個(gè)自動(dòng)檢測(cè)數(shù)字眼底圖像的工具，使用區(qū)域生長(zhǎng)方法提取異常病灶的邊界信息．基于出血點(diǎn)進(jìn)行分類，應(yīng)用貝葉斯、馬氏和最近鄰分類器對(duì)134張眼底圖像進(jìn)行分類，發(fā)現(xiàn)馬氏分類器分類效果最好．但是，由于圖像噪聲影響生長(zhǎng)閾值，使得區(qū)域生長(zhǎng)方法在高對(duì)比度區(qū)域會(huì)產(chǎn)生過早停止生長(zhǎng)現(xiàn)像，同時(shí)，該特征提取方法對(duì)異常病灶描述不足．

Zhang等[23]提出一種自頂向下和自底向上的方法來(lái)檢測(cè)出血點(diǎn)，能夠?qū)庹盏淖兓３拄敯粜?，結(jié)合對(duì)比增強(qiáng)和區(qū)域生長(zhǎng)算法來(lái)檢測(cè)出血的候選區(qū)域，然后用模糊聚類法對(duì)候選區(qū)像素聚類，再用分層支持向量機(jī)器將候選區(qū)域像素分為正常、硬性滲出物和出血．通過對(duì)新加坡國(guó)家眼科中心(Singapore National Eye Center，SNEC)數(shù)據(jù)集中的30幅訓(xùn)練圖像和15幅測(cè)試圖像進(jìn)行實(shí)驗(yàn)，出血點(diǎn)檢測(cè)靈敏度為90.6%．使用自頂向下和自底向上方法可較好地檢測(cè)出血病灶的邊界等信息，但是沒有運(yùn)用到眼底圖像的先驗(yàn)知識(shí)，也未結(jié)合更多的眼底結(jié)構(gòu)信息來(lái)檢測(cè)病灶．

1.3 微血管瘤檢測(cè)

微血管瘤是DR的最早期癥狀，微血管瘤是微血管性能改變的病變．微血管瘤病變?cè)谝暰W(wǎng)膜眼底圖像中呈暗紅色小圓斑，數(shù)量不等，邊界清晰，在視網(wǎng)膜圖像視野中出現(xiàn)位置不確定．

1.3.1 基于去除眼底圖像正常結(jié)構(gòu)的方法

Jalli等[24]通過熒光造影劑分析微血管瘤是否出現(xiàn)，在熒光血管造影圖像上得到了較好的結(jié)果，因?yàn)樵煊皠┑淖⑷胧寡芎臀⒀芰鰠^(qū)域與背景的對(duì)比度變大，但熒光造影法需注射熒光造影劑．

Bernardes等[25]提出通過彩色眼底圖像檢測(cè)微血管瘤的方法．該方法應(yīng)用一種新的微血管瘤跟蹤方法去計(jì)算微血管瘤，需要檢測(cè)出血管和視盤等位置信息．Baudion等[26]提出的微血管瘤計(jì)數(shù)幫助判斷圖像是否為DR，該方法利用了微血管瘤數(shù)量與DR嚴(yán)重程度密切相關(guān)的特點(diǎn)．

Hipwell等[27]提出一種檢測(cè)微動(dòng)脈瘤的方法，先對(duì)圖像進(jìn)行對(duì)比度增強(qiáng)處理，再通過頂帽變換去除血管和其他正常結(jié)構(gòu)．使用一個(gè)高斯模板濾波進(jìn)行圖像濾波，選擇13個(gè)不同的參數(shù)，包括形狀、強(qiáng)度、似圓度和周長(zhǎng)等，進(jìn)行有無(wú)微血管瘤和出血分類．實(shí)驗(yàn)共使用3 783張眼底圖像，圖像大小為1 024×1 024像素，檢測(cè)微血管瘤靈敏度達(dá)81%，特異度達(dá)93%．利用形態(tài)學(xué)結(jié)構(gòu)元素可有效濾除噪聲，同時(shí)保留圖像原有信息，且運(yùn)算量?。摲椒]有運(yùn)用到眼底圖像的先驗(yàn)知識(shí)，且選擇適用的結(jié)構(gòu)元素比較困難．

Datta等[28]采用一種模糊對(duì)比增強(qiáng)預(yù)處理操作方法，先從彩色眼底圖像中選擇綠色分量圖像，進(jìn)行模糊直方圖計(jì)算，并對(duì)直方圖信息進(jìn)行分塊，再均衡化處理直方圖得到新的圖像．去除血管和視盤等干擾后，設(shè)置圖像綠色分量閾值和病灶塊大小閾值，對(duì)圖像微血管瘤進(jìn)行檢測(cè)，根據(jù)微血管瘤個(gè)數(shù)判斷DR病變等級(jí)．該方法在多組數(shù)據(jù)集中得到較好的效果，不需要進(jìn)行特征提取和訓(xùn)練分類器過程，根據(jù)實(shí)驗(yàn)和先驗(yàn)知識(shí)選擇合適參數(shù)進(jìn)行微血管瘤檢測(cè)．但是該方法易將小型出血點(diǎn)和噪聲誤檢為微血管瘤，閾值參數(shù)的設(shè)置依賴于標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)，臨床眼底圖像推廣性較弱．

1.3.2 基于直接提取病灶的方法

Haloi等[29]應(yīng)用深度學(xué)習(xí)對(duì)微血管瘤進(jìn)行識(shí)別，采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框架，輸入網(wǎng)絡(luò)的數(shù)據(jù)是尺寸為129×129像素的眼底圖像區(qū)域塊，其中有微血管瘤圖像和無(wú)微血管瘤圖像分別為9×104張和15×105張，使用dropout(棄權(quán))訓(xùn)練網(wǎng)絡(luò)，maxout(最大輸出函數(shù))作為激活函數(shù)，不需要任何預(yù)處理和人工提取特征過程就能得到訓(xùn)練模型，再根據(jù)模型得到眼底圖像概率圖判定微血管瘤區(qū)域．在ROC(retinopathy online challenge)數(shù)據(jù)集和Diaretdb1數(shù)據(jù)集上取得目前最好的結(jié)果，在Messidor數(shù)據(jù)集上正常和異常檢測(cè)實(shí)驗(yàn)的靈敏度和特異度分別為97%和95%，AUC為0.988．該方法使用微血管瘤樣本圖像訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)對(duì)原圖像微血管瘤進(jìn)行檢測(cè)，不需檢測(cè)血管等背景信息，但易將其他類型的小病灶誤識(shí)為微血管瘤．

Quellec等[30]對(duì)小波變換后的眼底圖像使用模板匹配方法．基于遺傳算法計(jì)算最優(yōu)小波變換，通過對(duì)彩色眼底圖像、綠色分量眼底圖像和血管顯像儀圖像進(jìn)行微血管瘤檢測(cè)，靈敏度分別為89.2%、90.24%和93.74%，特異度分別為89.50%、89.75%和91.67%．該方法預(yù)處理階段簡(jiǎn)單，不需要檢測(cè)視盤和血管等結(jié)構(gòu)，但是不能檢測(cè)靠近血管的微血管瘤和聚集在一起的微血管瘤，同時(shí)易將較小的其他病灶誤認(rèn)為微血管瘤．

以上基于眼底圖像局部病灶的DR分類方法，根據(jù)是否需要進(jìn)行眼底圖像正常結(jié)構(gòu)分割將病灶的檢測(cè)方法分為兩種：一種是先分割出眼底圖像的正常結(jié)構(gòu)，去除背景的影響，再設(shè)計(jì)不同的病灶提取方法，這種方法可更好地去除背景信息和易于檢測(cè)病灶，但檢測(cè)結(jié)果依賴背景信息定位的精確性．另一種是不分割眼底圖像正常結(jié)構(gòu)，直接設(shè)計(jì)不同的病灶提取方法，此方法不需定位背景信息，但對(duì)病灶的特異性檢測(cè)要求更高．最后，根據(jù)檢測(cè)到的病灶類型、數(shù)量、大小和分布等進(jìn)行分類．該方法臨床解釋性佳，但因各類病灶圖像表征不一，需設(shè)計(jì)多種復(fù)雜的特征提取方法．同時(shí)，有些病灶檢測(cè)困難，如棉絮斑和新生血管等．

2 基于全局圖像的分類方法

基于全局圖像的DR分類方法是針對(duì)全圖的整體特征信息來(lái)設(shè)計(jì)不同的特征提取方法進(jìn)行分類，并不需要針對(duì)單一的病灶特征信息進(jìn)行特定的檢測(cè)方法．

Rocha等[31]把視覺描述子詞袋的概念引入到硬性滲出物的檢測(cè)過程，首先通過特定的算法在訓(xùn)練集的每幅圖像上檢測(cè)出一定數(shù)量的興趣點(diǎn)，并用向量描述其鄰域，將每幅圖像表示為它所包含興趣點(diǎn)的集合．然后，分別用表示正常區(qū)域和滲出區(qū)域的向量建立有代表性的視覺字典，再將每幅圖像的興趣點(diǎn)映射到該字典中生成直方圖來(lái)表示原始圖像．最后，向支持向量機(jī)輸入生成的直方圖信號(hào)來(lái)進(jìn)行訓(xùn)練和分類，判斷測(cè)試圖像是否含有硬性滲出物．該方法不用對(duì)圖像做任何預(yù)處理和后處理，在RetiDB和Messidor數(shù)據(jù)集上該方法的靈敏度為90%，特異度為87%．該方法使用特征描述子對(duì)圖像進(jìn)行感興趣點(diǎn)檢測(cè)，用感興趣點(diǎn)編碼來(lái)組合特征進(jìn)行分類，不用檢測(cè)眼底圖像正常結(jié)構(gòu)，因此方法簡(jiǎn)單．但是對(duì)微血管瘤等小型病灶檢測(cè)能力不足，同時(shí)加速穩(wěn)健特征(speeded up robust features, SURF)和尺度不變特性轉(zhuǎn)換(scale-invariant feature transform, SIFT)不能檢測(cè)棉絮斑和新生血管等病變結(jié)構(gòu)．

Pires等[32]在文獻(xiàn)[31]的基礎(chǔ)上應(yīng)用描述子詞袋方法對(duì)眼底圖像的多種病灶進(jìn)行識(shí)別．以DR1數(shù)據(jù)集作為訓(xùn)練集，在已標(biāo)注病灶區(qū)域的圖像上對(duì)感興趣點(diǎn)進(jìn)行SIFT和SURF描述子表示，聚類生成字典集，再對(duì)圖像進(jìn)行編碼生成特征向量，運(yùn)用支持向量機(jī)分類器進(jìn)行正常和異常分類，最后根據(jù)所得模型對(duì)自己的數(shù)據(jù)集進(jìn)行多種病灶分類．在DR1數(shù)據(jù)集中，模型識(shí)別硬性滲出物區(qū)域的特異度為90.0%，靈敏度為86.7%；在識(shí)別出血區(qū)域的特異度為90.0%，靈敏度為83.3%．在Pires數(shù)據(jù)集上檢測(cè)硬性滲出物的特異度和靈敏度分別為88.9%和100%，檢測(cè)出血的特異度和靈敏度分別為95%和67%．該方法可實(shí)現(xiàn)跨數(shù)據(jù)集檢測(cè)多種類型的病灶，可以檢測(cè)不同分辨率的圖像病灶，但描述子不能對(duì)微血管瘤等其他病灶進(jìn)行檢測(cè)．

Antal等[33]綜合眼底圖像水平信息、損傷區(qū)域檢測(cè)信息和解剖結(jié)構(gòu)信息來(lái)對(duì)圖像進(jìn)行分類．其中，圖像水平信息有血管分割、紋理和頻率信息，損傷檢測(cè)信息有微血管瘤和硬性滲出物檢測(cè)，解剖結(jié)構(gòu)信息有視盤和黃斑結(jié)構(gòu)信息．綜合這3類信息，選擇其中18個(gè)特征，設(shè)計(jì)分類器進(jìn)行圖像分類．圖像所用數(shù)據(jù)是Messidor數(shù)據(jù)集，在正常圖像和輕度DR圖像兩類數(shù)據(jù)分類的正確率為90%，靈敏度和正確率分別為94%和90%；在正常數(shù)據(jù)和異常數(shù)據(jù)(包括輕度、中度和重度)兩分類實(shí)驗(yàn)中正確率為90%，靈敏度和正確率分別為90%和91%．該方法綜合了3種眼底圖像信息，組合多種分類器，對(duì)DR病變程度分類有很好的效果．

Pratt等[34]運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)處理Kaggle競(jìng)賽公開眼底圖像數(shù)據(jù)，先對(duì)圖像進(jìn)行顏色規(guī)范化處理以去除光照不均等影響，將圖像大小設(shè)置為512×512像素．使用隨機(jī)角度旋轉(zhuǎn)和翻轉(zhuǎn)等數(shù)據(jù)擴(kuò)增技術(shù)來(lái)增加訓(xùn)練數(shù)據(jù)量．設(shè)計(jì)一個(gè)15層網(wǎng)絡(luò)結(jié)構(gòu)，使用隨機(jī)梯度下降法訓(xùn)練網(wǎng)絡(luò)．測(cè)試5 000張圖像，包含5類病變程度圖像，分類正確率為75%，分類靈敏度和特異度分別為30%和95%．該方法沒有運(yùn)用眼底圖像基本結(jié)構(gòu)信息．

基于全局圖像的分類方法較基于局部病灶的分類方法有其獨(dú)特優(yōu)勢(shì)，通過對(duì)全局圖像提取特征，檢測(cè)所有異常區(qū)域，實(shí)現(xiàn)關(guān)于眼底圖像病灶的規(guī)則和特征的綜合表示，不考慮各類病灶的結(jié)構(gòu)特點(diǎn)，避免復(fù)雜的特征提取工作．但是該方法的可解釋性較弱，無(wú)法確切說明檢測(cè)出的病灶區(qū)域，而且單一的特征提取方法對(duì)多種病灶的描述性不足．

3 常用數(shù)據(jù)集

隨著DR日益受到關(guān)注，對(duì)DR自動(dòng)診斷系統(tǒng)的需求越來(lái)越大，針對(duì)自動(dòng)DR分類的研究越來(lái)越多．因此，出現(xiàn)了很多種眼底圖像數(shù)據(jù)．但由于各種數(shù)據(jù)的采集設(shè)備各不相同，數(shù)據(jù)量、光照條件等各有差異，為提高DR分析的精確性和比較多種方法的優(yōu)劣性，以下介紹幾種針對(duì)DR分類的公開標(biāo)準(zhǔn)數(shù)據(jù)集．

3.1 Messidor數(shù)據(jù)集

該數(shù)據(jù)集包含540幅正常圖像和660幅異常圖像，圖像有3種分辨率：1 440×960、2 240×1 488 和 2 304×1 536像素，圖像為TIF格式．根據(jù)微血管瘤、出血、硬性滲出物和新生血管等病灶來(lái)對(duì)每張圖像標(biāo)注從R0到R3的病變等級(jí)，R0表示無(wú)病變圖像，R1和R2分別表示輕度和重度非增殖型視網(wǎng)膜病變，R3表示最嚴(yán)重的增殖型病變．其中，R0等級(jí)的圖像有540張，占46%；R1等級(jí)的圖像有153張，占12.75%；R2等級(jí)圖像有247張，占20.58%；R3等級(jí)圖像有260張，占21.67%．

3.2 ROC數(shù)據(jù)集

該數(shù)據(jù)集是2009 年愛荷華洲大學(xué)公開的一個(gè)用于DR篩查競(jìng)賽的眼底圖庫(kù)，包含100張DR病變和微血管瘤的眼底圖像．其中，訓(xùn)練組50張，測(cè)試組50張，使用拓普康NW100或者佳能CR5-45NM相機(jī)在45°視場(chǎng)下采集的圖像，分辨率有：768×576、1 058×1 061和1 389×1 383像素，圖像為JPEG格式．

3.3 DIARETDB1數(shù)據(jù)集

該數(shù)據(jù)集包含89張眼底圖像，分辨率為1 500×1 152像素，包含27張正常圖像，7張DR輕度圖像，28張DR中度圖像，27張DR重度圖像．

3.4 DR1數(shù)據(jù)集

該數(shù)據(jù)集包含687幅正常圖像和327幅異常圖像，其中245幅含有硬性滲出物，191幅含有微血管瘤或出血，兩種異常病灶都有的圖像有109幅．圖像分辨率為640×480像素，均為彩色圖像，有TIF和JPG兩種圖像格式．

3.5 Kaggle-DR數(shù)據(jù)集

該數(shù)據(jù)集是Kaggle在2015年的DR競(jìng)賽中的數(shù)據(jù)集，數(shù)據(jù)集中眼底圖像有多種分辨率，每一個(gè)被試患者有左右眼兩張圖像，且兩張圖像相同分辨率．測(cè)試數(shù)據(jù)35 126張圖像，訓(xùn)練數(shù)據(jù)53 576張圖像．圖像按病變程度分為5類，數(shù)據(jù)集已標(biāo)注圖像病變程度等級(jí)．

表1為筆者整理的近年來(lái)在公開眼底圖像數(shù)據(jù)集上的DR分類方法．

結(jié) 語(yǔ)

本文對(duì)糖尿病視網(wǎng)膜病變眼底圖像分類的研究現(xiàn)狀進(jìn)行了評(píng)述，將計(jì)算機(jī)輔助診斷應(yīng)用到大規(guī)模糖尿病視網(wǎng)膜病變篩查中，提供一個(gè)眼底圖像自動(dòng)分析系統(tǒng)給眼科醫(yī)生，可幫助提高診斷效率和診斷準(zhǔn)確率．糖尿病視網(wǎng)膜病變的研究近年日益得到關(guān)注，且在DR分類方面有了很大進(jìn)展．本文歸納了兩種DR眼底圖像分類方法：基于局部病灶和基于全局圖像的分類方法．現(xiàn)階段多數(shù)采用基于局部病灶的方法，具有很好的臨床解釋性，對(duì)各類病灶有足夠的特征描述性；基于全局圖像分類方法不考慮各類病灶的結(jié)構(gòu)特點(diǎn)，避免復(fù)雜的特征提取工作．

表1 幾種公開眼底圖像數(shù)據(jù)集的DR分類方法比較

但是，由于受到DR眼底圖像中視盤、黃斑和血管等組織結(jié)構(gòu)的干擾，以及異常病灶結(jié)構(gòu)各異等影響，給DR分類造成一定困難，實(shí)現(xiàn)一個(gè)通用DR自動(dòng)分析系統(tǒng)仍有一定挑戰(zhàn)．筆者認(rèn)為，DR眼底圖像自動(dòng)分類系統(tǒng)目前尚存在3個(gè)問題：

1)數(shù)據(jù)數(shù)量和質(zhì)量．現(xiàn)階段DR分類方法精度最高的是運(yùn)用機(jī)器學(xué)習(xí)的方法．該方法先對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，再提取特征進(jìn)行分類器訓(xùn)練，最后對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)．為能夠得到更好地體現(xiàn)訓(xùn)練數(shù)據(jù)的樣本分布，需更多的高質(zhì)量數(shù)據(jù)．然而，現(xiàn)階段能獲取到的公開眼底圖像數(shù)量相對(duì)較少．同時(shí)，由于各類眼底圖像的采集設(shè)備不盡相同，得到的圖像光照變化和分辨率等不同．此外，獲取的圖像需要通過有經(jīng)驗(yàn)的眼科醫(yī)生進(jìn)行標(biāo)注，但這需要大量的人力物力．可以使用預(yù)訓(xùn)練方法，減少部分訓(xùn)練過程，間接增加訓(xùn)練數(shù)據(jù)．

2)分類方法．機(jī)器學(xué)習(xí)方法需要大量的有標(biāo)注數(shù)據(jù)訓(xùn)練分類器來(lái)獲得更高的精確度，對(duì)質(zhì)量不高的眼底圖像需要更加魯棒的方法．眼底圖像具有復(fù)雜病灶結(jié)構(gòu)，可以利用深度學(xué)習(xí)自動(dòng)提取特征的特點(diǎn)，使用數(shù)據(jù)擴(kuò)增增加數(shù)據(jù)，以及訓(xùn)練深度網(wǎng)絡(luò)來(lái)提高正確率，或利用無(wú)監(jiān)督學(xué)習(xí)方法減輕對(duì)標(biāo)注數(shù)據(jù)的依賴型．

3)系統(tǒng)性能．將DR自動(dòng)分類系統(tǒng)用于臨床以期對(duì)DR進(jìn)行篩查，需要此分類系統(tǒng)具有穩(wěn)定高效的性能．目前尚缺少?gòu)V泛用于DR自動(dòng)篩查的臨床通用軟件系統(tǒng)．應(yīng)用深度神經(jīng)網(wǎng)絡(luò)等方法雖然可以提高分類性能，但訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)所需內(nèi)存和時(shí)間開銷都很大，可用高效的計(jì)算機(jī)硬件設(shè)備進(jìn)行加速運(yùn)算以減少耗時(shí)，或采用云服務(wù)運(yùn)算以降低對(duì)本地設(shè)備性能的要求．

/ References：

[1] Faust O，Acharya R，Ng E Y-K，et al．Algorithms for the automated detection of diabetic retinopathy using digital fundus images：a review[J]．Journal of Medical Systems，2012，36(1)：145-157．

[2] 陳福華．糖尿病視網(wǎng)膜病變的影響因素及護(hù)理對(duì)策[J]．基層醫(yī)學(xué)論壇，2008，12(3)：96-98． Chen Fuhua. The influence factors and nursing strategy of diabetic retinopathy[J]. Public Medical Forum Magazine, 2008, 12(3): 96-98. (in Chinese)

[3] 苑 欣，哈 斯，張小杉，等．糖尿病視網(wǎng)膜病變輔助檢查現(xiàn)狀[J]．轉(zhuǎn)化醫(yī)學(xué)雜志，2014，3(6)：364-367． Yuan Xin, Ha Si, Zhang Xiaoshan, et al. The status of examination in diagnosis of diabetic retinopathy[J]. Translational Medicine Journal, 2014, 3(6): 364-367.(in Chinese)

[4] Sinthanayothin C，Kongbunkiat V，Phoojaruenchanachai S，et al. Automated screening system for diabetic retinopathy[C]// Proceedings of the 3rd International Symposium on Image and Signal Processing and Analysis.[S. l.]: IEEE，2003，2：915-920．

[5] Li Huiqi，Chutatape O．Fundus image features extraction[C]// Proceedings of the 22nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Chicago, USA: IEEE, 2000, 4: 3071-3073.

[6] Jaafar H F，Nandi A K，Al-Nuaimy W．Automated detection and grading of hard exudates from retinal fundus images[C]// The 19th European Signal Processing Conference. Barcelona, Spain: IEEE, 2011: 66-70．

[7] Haloi M, Dandapat S, Sinha R. A Gaussian scale space approach for exudates detection，classification and severity prediction[J]. Computer Science, 2015, 56(1): 3-6.

[8] Sánchez C I，García M，Mayo A，et al．Retinal image analysis based on mixture models to detect hard exudates[J]．Medical Image Analysis，2009，13(4)：650-658．

[9] Niemeijer M, Van Ginneken B, Russell S R, et al. Automated detection and differentiation of drusen，exudates，and cotton-wool spots in digital color fundus photographs for diabetic retinopathy diagnosis[J]．Investigative Ophthalmology & Visual Science，2007，48(5)：2260-2267．

[10] Zhang Xiwei，Thibault G，Decencière E，et al．Exudate detection in color retinal images for mass screening of diabetic retinopathy[J]．Medical Image Analysis，2014，18(7)：1026-1043．

[11] Wang Huan, Hsu W, Goh K G, et al. An effective approach to detect lesions in color retinal images[C]// IEEE Conference on Computer Vision and Pattern Recognition. Hilton head island, USA: IEEE，2000: 181-186.

[12] Hunter A，Lowell J，Owens J，et al．Quantification of diabetic retinopathy using neural networks and sensitivity analysis[M]// Artificial Neural Networks in Medicine and Biology. London: Springer, 2000: 81-86．

[13] Walter T，Massin P，Erginay A, et al. Automatic detection of microaneurysms in color fundus images[J]．Medical Image Analysis, 2007, 11(6): 555-566.

[14] Fleming A D, Philip S, Goatman K A, et al. Automated detection of exudates for diabetic retinopathy screening[J]. Physics in Medicine and Biology, 2007, 52(24): 7385-7396.

[15] Osareh A，Mirmehdi M，Thomas B，et al．Comparative exudate classification using support vector machines and neural networks[C]// Medical Image Computing and Computer-Assisted Intervention. Berlin: Springer Berlin Heidelberg, 2002, 2489: 413-420．

[16] Zhang Xiaohui，Chutatape A．Detection and classification of bright lesions in color fundus images[C]// International Conference on Image Processing. Singapore: IEEE, 2004, 1: 139-142．

[17] Bharali P，Medhi J P，Nirmala S R．Detection of hemorrhages in diabetic retinopathy analysis using color fundus images[C]// IEEE 2nd International Conference on Recent Trends in Information Systems. Kolkata, India: IEEE, 2015: 237-242.

[18] Sinthanayothin C, Boyce J F, Williamson T H, et al. Automated detection of diabetic retinopathy on digital fundus images[J]. Diabetic Medicine, 2002, 19(2): 105-112.

[19] Usher D, Dumskyj M, Himaga M, et al. Automated detection of diabetic retinopathy in digital retinal images：a tool for diabetic retinopathy screening[J]. Diabetic Medicine, 2004, 21(1): 84-90.

[20] Gardner G G, Keating D, Williamson T H, et al. Automatic detection of diabetic retinopathy using an artificial neural network: a screening tool[J]. British Journal of Ophthalmology, 1996, 80(11): 940-944.

[21] Goldbaum M, Moezzi S, Taylor A, et al. Automated diagnosis and image understanding with object extraction, object classification，and inferencing in retinal images[C]// International Conference on Image Processing. Lausanne, Switzerland: IEEE, 1996, 3: 695-698．

[22] Ege B M，Hejlesen O K，Larsen O V，et al．Screening for diabetic retinopathy using computer based image analysis and statistical classification[J]．Computer Methods and Programs in Biomedicine, 2000, 62(3): 165-175.

[23] Zhang Xiaohui, Chutatape O. Top-down and bottom-up strategies in lesion detection of background diabetic retinopathy[C]// IEEE Computer Society Conference on Computer Vision and Pattern Recognition．Washington: IEEE, 2005, 2: 422-428.

[24] Jalli P Y I，Hellstedt T J，Immonen I J R．Early versus late staining of microaneurysms in fluorescein angiography[J]. Retina, 1997, 17(3): 211-215.

[25] Bernardes R, Nunes S, Pereira I, et al. Computer-assisted microaneurysm turnover in the early stages of diabetic retinopathy[J]. Ophthalmologica, 2009, 223(5): 284-291.

[26] Baudoin C, Maneschi F, Quentel G, et al. Quantitative evaluation of fluorescein angiograms：microaneurysm counts[J]. Diabetes, 1983, 32(S2): 8-13.

[27] Hipwell J H, Strachan F, Olson J A, et al. Automated detection of microaneurysms in digital red-free photographs: a diabetic retinopathy screening tool[J]. Diabetic Medicine, 2000, 17(8): 588-594.

[28] Datta N S, Dutta H S, Majumder K. Brightness-preserving fuzzy contrast enhancement scheme for the detection and classification of diabetic retinopathy disease[J]．Journal of Medical Imaging, 2016, 3(1): 014502.

[29] Haloi M. Improved microaneurysm detection using deep neural networks[EB/OL]. (2015-05-17)[2016-07-17]. https://arxiv.org/pdf11505.04424v1.pdf.

[30] Quellec G, Lamard M, Josselin P M, et al. Optimal wavelet transform for the detection of microaneurysms in retina photographs[J]. IEEE Transactions on Medical Imaging, 2008, 27(9): 1230-1241.

[31] Rocha A, Carvalho T, Jelinek H F, et al. Points of interest and visual dictionaries for automatic retinal lesion detection[J]. IEEE Transactions on Biomedical Engineering, 2012, 59(8): 2244-2253.

[32] Pires R, Carvalho T, Spurling G, et al. Automated multi-lesion detection for referable diabetic retinopathy in indigenous health care[J]. PLOS ONE, 2015, 10(6): e0127664.

[33] Antal B, Hajdu A. An ensemble-based system for automatic screening of diabetic retinopathy[J]. Knowledge-Based Systems, 2014, 60: 20-27.

[34] Pratt H, Coenen F, Broadbent D M, et al. Convolutional neural networks for diabetic retinopathy[J]. Procedia Computer Science, 2016, 90: 200-205.

[35] Solanki M S. Diabetic retinopathy detection using eye images[R]. Kanpur, Indian: Indian Institute of Technology Kanpur 2015.

[36] van Grinsven M J J P, van Ginneken B, Hoyng C B, et al. Fast convolutional neural network training using selective data sampling: application to hemorrhage detection in color fundus images[J]. IEEE Transactions on Medical Imaging, 2016, 35(5): 1273-1284.

【中文責(zé)編：英 子；英文責(zé)編：子 蘭】

2016-08-04；Revised：2016-12-22；Accepted：2017-01-10

Associate professor Liu Weixiang．E-mail:wxliu@szu.edu.cn

Classification methods for diabetic retinopathy fromretinal images

Liang Ping1, Xiong Biao1,2,3, Feng Juanjuan4, Liao Ruiduan4, Wang Tianfu1,2,3, and Liu Weixiang1,2,3

1) Health Science Center, Shenzhen University, Shenzhen 518060, Guangdong Province, P.R.China2) Guangdong Key Laboratory for Biomedical Measurements and Ultrasound Imaging, Shenzhen 518060, Guangdong Province, P.R.China3) National-Regional Key Technology Engineering Laboratory for Medical Ultrasound, Shenzhen 518060, Guangdong Province, P.R.China4) Ophthalmology Department of First Affiliated Hospital of Sun Yat-sen University, Guangzhou 510275, Guangdong Province, P.R.China

This paper reviews the existing automatic classification methods of diabetic retinopathy (DR). There are two kinds of methods for DR fundus image classification. One is based on local lesions, and the other is based on global image information. The former mainly detects some specific lesions, such as exudation, hemorrhage and microaneurysm, and then performs image classification according to the type, location and number of these lesions. The latter classifies fundus images using global image features. Besides, this paper summarizes commonly used public datasets, advantages and disadvantages of some classification algorithms and their performances. Although many research works have been focused on developing algorithms for automatically classifying DR fundus images, there are still many challenges to develop a universal computer-aided diagnosis system for automatic DR classification. The challenges include acquiring lots of high-quality DR fundus images, designing robust algorithms and improving the total performance of the system.

image processing; fundus images; diabetic retinopathy (DR); computer-aided diagnosis; automatic detection; image classification

：Liang Ping, Xiong Biao, Feng Juanjuan, et al. Classification methods for diabetic retinopathy fromretinal images[J]. Journal of Shenzhen University Science and Engineering, 2017, 34(3): 290-299.(in Chinese)

深圳市基礎(chǔ)研究資助項(xiàng)目(JCYJ20140828152830610，JCYJ20160422113119640)；深圳市科技計(jì)劃資助項(xiàng)目(CXZZ20140418182638764)

梁 平(1960—)，女，深圳大學(xué)主任醫(yī)師．研究方向：視覺損傷康復(fù)．E-mail：liangping@szu.edu.cn

TP 391.41

A

10.3724/SP.J.1249.2017.03290

Foundation：Shenzhen Fundamental Research Projects (JCYJ20140828152830610, JCYJ20160422113119640)；Shenzhen Science and Technology Research Founolation (CXZZ20140418182638764)

引 文：梁 平，熊 彪，馮娟娟，等．糖尿病視網(wǎng)膜病變眼底圖像分類方法[J]. 深圳大學(xué)學(xué)報(bào)理工版，2017，34(3)：290-299.