劉振宇，李 婷

（沈陽工業(yè)大學(xué)信息科學(xué)與工程學(xué)院, 沈陽110870）

1 引 言

干眼是眼科門診常見的疾病之一，全球發(fā)病率為5%～33.7%；我國的干眼發(fā)病率為21%～30%[1]。干眼是由于淚液的質(zhì)或量的異常所引起的淚膜不穩(wěn)定和眼表損害，從而導(dǎo)致眼部不適的一類眼表疾病。干眼的產(chǎn)生與年齡因素存在著相關(guān)性，年齡越大，干眼的患病率越大?，F(xiàn)代人們過度使用電子產(chǎn)品，導(dǎo)致瞬目次數(shù)減小并受到藍光的刺激，導(dǎo)致干眼患者的年齡趨于年輕化?？諝馕廴?、長期處于空調(diào)房等因素，也使得干眼患者的人數(shù)不斷增加[2]。

鑒于目前干眼癥發(fā)病率逐年升高和患者趨向年輕化的情況，迫切需要快速、準確的干眼檢測手段。

2 研究現(xiàn)狀

干眼癥的分類方法很多，目前比較通用的是2007 年國際干眼病研究會的分類方法。國際干眼病研究會將干眼分為蒸發(fā)過強型干眼和水液缺乏型干眼。其中，蒸發(fā)過強型是由淚膜的脂質(zhì)層異常所導(dǎo)致的。脂質(zhì)層是維持淚膜穩(wěn)定的重要因素，可以防止淚液蒸發(fā)過快。淚膜的脂質(zhì)層是由瞼板腺分泌的，瞼板腺是人體最大的皮脂腺，分布在上下眼瞼中，其中上眼瞼中有30～40 顆瞼板腺腺體，下眼瞼中有20～30顆腺體[3]。

瞼板腺功能檢測的方法主要分為接觸性紅外線瞼板腺成像技術(shù)和非接觸性紅外線瞼板腺成像技術(shù)。1977 年，Tapie 等人通過紅外膠片照相機得到瞼板腺圖像[4]，但紅外膠片相機昂貴的價格導(dǎo)致紅外瞼板腺成像無法得到普及和推廣；1994 年，William D.Mathers 和Thomas Daley 等人開發(fā)了瞼板腺視頻錄像系統(tǒng)，但其需要至少5 張圖像才能觀察到整個瞼板腺圖像[5]，使得診斷效率低，無法滿足日常診斷需求；2005 年，Nichols 等人首次利用近紅外光源獲取瞼板腺圖像，增強了瞼板腺圖像質(zhì)量，但這種檢測仍然為接觸性檢測，在檢測過程中既會造成患者不適又十分耗費時間和檢測者的精力[6]；2008 年，Reiko Arita 等人使用數(shù)字近紅外CCD 相機和近紅外濾光片的裂隙燈來捕獲瞼板腺圖像，實現(xiàn)了非接觸性紅外檢測[7]，使瞼板腺技術(shù)獲得了巨大進步；2011 年，Pult 等人開發(fā)了一種新型的非接觸瞼板腺成像系統(tǒng)，此成像系統(tǒng)減少了裂隙燈的使用[8-9]，有效地降低了成本。

利用非接觸性紅外成像技術(shù)得到的瞼板腺圖像包含瞼板腺的形態(tài)、數(shù)量等信息，這些形態(tài)信息是干眼診斷中的重要部分。但由于外部環(huán)境和操作者拍攝角度等原因造成圖像的光照不均，腺體和非腺體對比度較差。2012 年，Koh Y W 等人利用模糊C 均值聚類法實現(xiàn)了圖像亮度的歸一化，但其存在計算量大和C 均值聚類法隨機初始參數(shù)等問題[3]；2016年，我國李萌萌等人對封閉曲線法和中央矩形法進行對比，對瞼板腺區(qū)域進行染色并手動分割瞼板腺區(qū)域，但此方法計算精度較低[10]。

在上述研究成果的基礎(chǔ)上，研究采用圖像處理的方法來實現(xiàn)瞼板腺占比的計算，從而判斷干眼和瞼板腺占比之間的關(guān)系。主要步驟如圖1 所示。

圖1 運用圖像處理的眼干檢測具體步驟

瞼板腺原始圖像通過Oculus Keratography 5M檢測設(shè)備采集到，經(jīng)由醫(yī)生鑒定，將人群分為干眼患者和健康人群，建立數(shù)據(jù)庫。通過勻光和增強圖像對比度來減少光照不均和對比度差等降質(zhì)現(xiàn)象，通過最小交叉熵的分割算法得到瞼板腺區(qū)域，然后通過連通域和腺體形態(tài)的特征提取腺體，最后計算瞼板腺的腺體占比。

3 預(yù)處理——改進的勻光算法

拍攝設(shè)備外部環(huán)境的光照因素，以及檢測人員的拍攝角度和患者眼瞼是否容易翻轉(zhuǎn)等因素，皆會導(dǎo)致獲取的紅外瞼板腺圖像發(fā)生降質(zhì)，這些降質(zhì)主要包括紅外瞼板腺圖像亮度不均勻以及目標區(qū)域與背景對比度低等現(xiàn)象。如圖2 所示，圖2(a)中產(chǎn)生了幾個局部過亮的點，這些點在后續(xù)的腺體提取中被誤認為是瞼板腺；圖2(b)中瞼板腺和背景的對比度較弱，給后續(xù)腺體的提取造成一定困難；圖2(c)中的局部過亮點是由于患者眼瞼翻轉(zhuǎn)過程存在凸起，使得凸起位置亮度和平坦區(qū)域的亮度相差較大；圖2(d)中則是由于眼部自身的特點，中間區(qū)域比邊緣區(qū)域凸，這一形態(tài)特點導(dǎo)致邊緣的腺體與背景對比度低。通過預(yù)處理的方法既可以增強ROI 區(qū)域，也能夠抑制背景及噪聲區(qū)域，從而改善圖像的質(zhì)量[11]。

圖2 光照不均和對比度差導(dǎo)致圖像降質(zhì)

設(shè)原始瞼板腺圖像為LRBG(m,n,k)，根據(jù)彩色圖像轉(zhuǎn)灰度圖像的著名的心理公式，將其轉(zhuǎn)換為瞼板腺灰度圖像，即：

Mask 差值法中認為光照均勻的圖像I (x,y)是由瞼板腺的原始圖像LRBG(m,n,k)和噪聲圖像（背景圖像）g(x,y)相減得到的。光照均勻的瞼板腺圖像可表示為：

在Mask 差值法中，一般采用的圖像增強方法為對比度拉伸法，即：

該方法中的拉伸參數(shù)α 的值需要手動設(shè)定，其對比度拉伸之后，目標和背景的對比度效果仍然較差，因此該法的適用范圍小，且不利于隨后腺體的提取。還需在此基礎(chǔ)上對Mask 差值法進行改進。

研究認為，圖像的邊緣、細節(jié)等高頻部分，不受光照的影響，而光照不均、亮度等因素包含在圖像的低頻部分。因此可通過低通濾波器得到圖像的低頻部分即圖像的背景圖像g(x,y)。光照均勻的瞼板腺圖像z(x,y)即可表示為：

背景圖像通過高斯低通濾波器得到，其傳遞函數(shù)可以表示為：

σ 為濾波器截止頻率，G(μ,ν)為頻域內(nèi)的點距傅里葉變換原點的距離。這里的z(x,y)基本上去除了不均勻光照。

為了增強背景和目標的對比度，將光照均勻的瞼板腺圖像z(x,y)再一次使用高斯低通濾波器，得到背景圖像g1(x,y)，為了得到圖像的高頻部分即圖像的邊緣和細節(jié)，高頻圖像可以表示為：

因此改進后的預(yù)處理圖像可以表示為：

這里引用了一個縮放因子，一般情況下λ＞1，是為了進一步增強圖像的邊緣和細節(jié)。

為了實現(xiàn)預(yù)處理的自適應(yīng)，這里的λ可以表示為由局部圖像的均值和標準差相除得到，即為：

其中，B 為局部均值，σ(x,y)為局部標準差。

最后將上述結(jié)果進行灰度直方圖均衡化，進一步增強對比度，同時提高亮度。處理效果如圖3 所示。圖3(a)為瞼板腺的原始圖像，圖3(b)為預(yù)處理后的圖像，腺體與背景的對比度增強，同時也去除了不均勻光照。

圖3 改進勻光算法效果對比

4 眼瞼區(qū)域（ROI）分割

紅外瞼板腺圖像包含睫毛、眼球、皮膚和瞼板腺區(qū)域。要計算瞼板腺占比，需要算出瞼板腺區(qū)域的面積，因此瞼板腺區(qū)域的自動獲取十分重要。其自動獲取的具體步驟如圖4 所示。

圖4 ROI 分割具體步驟

在瞼板腺區(qū)域分割前，先對圖像做Mask 勻光處理和直方圖均衡化處理。采用這樣的預(yù)處理是為了便于瞼板腺區(qū)域的分割。經(jīng)過上述預(yù)處理后，在圖像分割時，腺體區(qū)域和皮膚區(qū)域全部變成高亮度區(qū)，不需要進行瞼板腺腺體間的空隙填充等操作。

對瞼板腺區(qū)域分割所做的處理，其效果如圖5所示。圖5(a)為預(yù)處理前的瞼板腺原始圖像，由于人面部和眼部在拍攝過程中會有凸起，這部分的亮度會高于其他部分，因此在經(jīng)過簡單的勻光和增強后，對比度和亮度明顯增強；從圖5(b)中可以觀察到腺體與背景的對比度有明顯增強，眼瞼下面的皮膚和眼瞼區(qū)域的亮度明顯高于其他部分，這有利于后續(xù)的分割處理。在瞼板腺區(qū)域獲取過程中，必須將瞼板腺和睫毛、眼球、皮膚等區(qū)域分割開。在此使用閾值分割算法。在各種算法中，最小交叉熵的閾值分割與實際要求最為貼切，因此采用閾值分割算法。圖5(c)為分割后的圖像，可以觀察到，由于腺體的間距小、腺體區(qū)域的亮度均衡以及腺體區(qū)域的亮度比邊緣區(qū)域高等原因，分割后的圖像能夠?qū)⒔廾?、眼球和操作者的手指等分割開。該算法認為獲取的眼瞼區(qū)域是最大的連通域，因此通過獲取最大連通域來得到眼瞼區(qū)域。由于拍攝者的拍攝角度或患者眼瞼面積小等原因，有時會導(dǎo)致最大的連通域并不是眼瞼部分。在此種情況下，要先對分割后的圖像進行截取，再通過最大連通域來獲取眼瞼部分，以使得眼瞼區(qū)域的獲取更加準確。圖5(d)為截取后的圖像，截取處理減少了眼瞼下面的皮膚面積，使得眼瞼的面積成為最大的連通域。圖5(e)為得到的眼瞼部分，從圖中可以觀察到眼瞼的邊緣不夠平滑，但正常的眼瞼圖像不存在銳利的邊緣，因此對圖像進行平滑處理。這里采用形態(tài)學(xué)閉合運算和中值濾波的方法進行平滑處理，最終結(jié)果如圖5(f)所示，可見經(jīng)過平滑處理后的邊緣符合人的眼瞼邊緣。

圖5 瞼板腺區(qū)域分割效果圖

5 瞼板腺腺體的獲得

腺體的自動提取過程如圖6 所示。首先對圖像預(yù)處理，通過閾值分割二值化后的圖像如圖6(a)所示;再做平滑處理，從瞼板腺區(qū)域分割得到僅包含瞼板腺區(qū)域的圖像如圖6(b)；進一步處理得到包含腺體的眼瞼部分，如圖6(c)所示，可見圖中腺體與背景的對比明顯；最后進行腺體的提取，這里仍然應(yīng)用連通域，找到各連通域的質(zhì)心，顯示各個連通域的外接矩形，由于腺體為垂直于水平方向，因此借用外接矩形的長寬比，來提取腺體。由于圖像中含有面積較小的噪聲，因此又通過面積閾值進一步排除非腺體部分，得到瞼板腺腺體，如圖6(d)所示。至此，經(jīng)過提取處理后得到的瞼板腺腺體圖像，已將腺體特征基本提取。

圖6 腺體的自動提取

6 實驗與結(jié)論

實驗對象分為兩類：健康人群和干眼患者。其中正常人群有98 人，患病人群有127 人。

瞼板腺區(qū)域分割的正確性，對整個實驗具有基礎(chǔ)性的重要意義。故此對眼瞼分割精度進行統(tǒng)計。所采用的分割精度計算方法如下：

其中A1為利用本次實驗得到的眼瞼區(qū)域的面積，A0為醫(yī)療人員應(yīng)用ImageJ 軟件人工測定眼瞼區(qū)域的面積。采用這種計算分割精度的方法所得到的數(shù)據(jù)如表1 所示，可見，健康人群和干眼患者的平均分割精度大于75%，基本實現(xiàn)了對眼瞼區(qū)域的分割。

表1 分割精度

設(shè)瞼板腺面積為Am，利用上述分割算法，得到眼瞼面積為A1，計算Am與A1的比值，即為瞼板腺占比M。計算公式為：

將瞼板腺分為四個等級，此分級由醫(yī)生進行。分級后的數(shù)據(jù)如表2 所示。計算瞼板腺腺體面積與眼瞼面積的比值，計算結(jié)果如表3 所示。

表2 瞼板腺分級數(shù)據(jù)表

表3 瞼板腺占比

運用統(tǒng)計學(xué)中的Steel-Dwass 試驗對此做出分析，可見兩組人群之間的差異有著顯著性重要意義，具體為：當瞼板腺等級0 與等級1 進行比較，相關(guān)性p=0.015;而當?shù)燃? 與等級2、等級0 與等級3、等級1 與等級2、等級1 與等級3、等級2 與等級3進行比較時，則有相關(guān)性p＜0.003。

7 結(jié)束語

在自動定義測量區(qū)域的基礎(chǔ)上，分析了在上眼瞼的每個瞼板腺腺體的輪廓。該方法明確了瞼板腺腺體本身的輪廓，而不是瞼板腺腺體的面積，因此可能有利于對瞼板腺腺體局部和細微變化的檢測。研究結(jié)果表明，隨著等級的增加，瞼板腺腺體面積占總面積的比例顯著降低，在四組實驗中任意兩組組合都存在顯著性差異。瞼板腺腺體區(qū)域的主觀分級與客觀測量結(jié)果有很好的相關(guān)性。對干眼患者的瞼板腺進行實驗，驗證了瞼板腺腺體占比與干眼存在著顯著的相關(guān)性，可為干眼診斷提供重要依據(jù)。