基于深度卷積神經網絡的青光眼診斷方法研究

胡 典，鄭璐瑤，郭彥銘，計明杰，徐光毅

（沈陽工業(yè)大學信息科學與工程學院，沈陽110870）

1 引 言

青光眼是一種引起眼睛視神經損傷、導致視力下降的疾病，也被稱為“無聲的視力竊賊”，是全球第二大致盲原因[1]。其特征是神經節(jié)細胞的功能喪失，導致視神經頭部結構、視網膜神經纖維層厚度、神經節(jié)細胞和內叢狀層的改變。據統(tǒng)計，全球人群中青光眼的患病率為3.54%，約有6426 萬人；預計到2020 年和2040 年分別將達7602 萬人和11182萬人[2]。由于該病具有較高的隱蔽性，若得不到及時治療，會對視神經造成不可逆轉的損害，導致永久性視力喪失。

數字眼底圖像是輔助醫(yī)生分析、判斷疾病的重要醫(yī)療工具[3]，可以利用眼底圖像對青光眼進行前期檢測。及時發(fā)現可進一步控制青光眼的療效，以免病情惡化。因此，早期診斷青光眼可以顯著降低永久性失明的風險。近年來，眼底圖像在視網膜疾病診斷中的應用越來越多，許多國內外學者基于眼底圖像在青光眼診斷方面做了深入研究。傳統(tǒng)的診斷方法[4-11]通過人工提取眼底圖像特征對視盤（OpticDisk,OD）和視杯（Optic Cup, OC）進行分割，并進行青光眼分類，但由于分割誤差大且耗時較長，容易出現人為的分類錯誤。因此，需要改進的自動化的機器學習方法輔助青光眼診斷，首先從視網膜圖像中高效且準確地分割出視盤和視杯，然后使用不同的分類方法，通過計算性能指標等參數[12-13]將其診斷為正?；虍惓?。

為改進現有方法，Wong 等人[14]提出了一種基于融合的杯盤比（CDR）進行青光眼評估，結合不同方法計算CDR 值，并將其輸入分類器，采用神經網絡和支持向量機對分割后的圖像進行正常和異常分類。在性能分析上，支持向量機的CDR 錯誤率優(yōu)于神經網絡，提高了青光眼分類性能。但由于輸入圖像中存在血管而導致輪廓邊界不均勻，影響了分割性能。Avushi 等人[15]提出了一種基于CDR 和邊緣盤比（RDR）特征診斷青光眼的方法，首先采用大津閾值法對紅色通道進行視盤分割，在綠色通道進行視杯分割并計算CDR 比值；然后通過視盤和視杯減除獲得視網膜神經邊緣，利用每個象限的掩膜得到ISNT 區(qū)域，計算RDR 比值；最后將特征輸入支持向量機進行青光眼分類。結果表明，該方法在診斷青光眼準確性、靈敏度和特異性方面都有所提高?？率繄@等人[16]提出基于集成學習的計算機輔助診斷青光眼算法，對杯盤比和視神經纖維層厚度原始數據降維后分別提取出新的二維特征來代表尺度和形狀信息，將杯盤比和視神經纖維層厚度兩種特征融合起來，分別采用線性和非線性分類器聯合診斷青光眼。文獻[17]基于彩色眼底圖像中視盤自動定位來輔助青光眼診斷，通過自動檢測OD 中心點并確定OD 直徑來進行青光眼評估，克服了青光眼自動檢測和定位的問題，但是由于視盤內有血管存在，可能導致視盤邊界的錯誤檢測。因此，為了更加準確地診斷青光眼疾病，在進行視盤定位與分割之前對眼底圖像進行去除血管操作是預處理過程必不可少的。

2 一種改進的青光眼檢測方法

為解決上述問題，提高計算機輔助青光眼檢測技術的準確性，在此提出一種方法，首先對原始眼底圖像的綠色通道分量進行中值濾波去噪和對比度增強操作，以更加方便地進行后續(xù)的血管分割、局部視盤區(qū)域分割操作；接著基于深度卷積神經網絡對圖像處理技術的預處理結果進行青光眼檢測。為了提高青光眼檢測的準確性。

對原始眼底圖像進行前期預處理操作，利用視盤血管密集且粗大的特性進行血管分割，降低血管對視盤定位的影響，提高局部視盤區(qū)域的分割準確率，接著采用深度卷積神經網絡（DCNN）進行青光眼檢測。該方法的具體步驟如圖1 所示。

圖1 改進的青光眼檢測方法步驟圖

2.1 眼底圖像處理

眼底圖像處理過程如圖2 所示。首先對原始眼底圖像的三色通道進行分析。據研究，與藍色通道分量相比，紅色通道分量中的ROI 整體亮度值較高，與背景區(qū)域的連接處灰度變化劇烈，但血管信息損失嚴重且視盤亮度極高以至邊界模糊；而綠色通道分量血管信息保留完整，視盤亮度較高且輪廓明顯，如圖2(b)所示，可以用來進行后續(xù)的血管分割、局部視盤區(qū)域分割操作?？傮w處理步驟可歸納如下：

1) 預處理

首先，使用雙線性插值技術對原始眼底圖像進行尺寸調整；然后，為了盡量避免噪聲干擾的同時盡可能保留圖像中的邊緣信息，對眼底圖像的綠色通道分量進行中值濾波去噪；最后，采取CLAHE 對比度增強算法來進行圖像增強，在有效增強圖像局部對比度的同時保留更多細節(jié)信息，此時進行后續(xù)的血管分割可以得到較好的效果，如圖2(c)所示。

2) 血管分割

為了凸顯血管像素并抑制背景像素需進行血管增強操作，使用形態(tài)學操作，即頂帽變換和底帽變換。這樣會使微小或低對比度血管的對比度增強，但仍存在噪聲，使得常規(guī)血管和微小血管的分析變得更加困難。為了解決這一問題，此處使用大津閾值分割操作，可粗略分割出血管像素[18]，能更好地觀察正常血管以及微小或低對比度的血管。使用此方法進行血管分割有助于后續(xù)準確地定位視盤，從而有利于實現局部視盤區(qū)域的精確分割，如圖2(d)所示。

3) 局部視盤區(qū)域

在前步血管分割的基礎上，依據血管提取結果，基于DLC 定向局部對比度算法進行快速提取OD候選區(qū)，以候選區(qū)附近的血管分支數為依據選取視盤亮斑即OD 定位結果，如圖2(e)所示；而局部OD區(qū)域會以更高的分辨率保留更詳細的信息，有利于學習精細的表示。因此，最后以OD 定位結果為中心裁剪出局部OD 區(qū)域，如圖2(f)所示。

圖2 眼底圖像處理過程圖

2.2 深度卷積神經網絡

針對圖像預處理結果，使用基于深度卷積網絡（DCNN）進行青光眼檢測，并使用Softmax 分類器進行二分類：青光眼和正常眼。在臨床試驗中，常采用精細測量來評價疾病指標，Salehinejad 等人[19]指出幾何變換可以改變病理區(qū)域的形態(tài)，進而增強檢測變換。在此，基于深度卷積神經網絡模型，結合kmeans 分割算法對局部OD 區(qū)域進行OC 分割。最后在Softmax 激活作為像素化分類，以產生青光眼概率圖，實現青光眼眼底圖像檢測。

深卷積神經網絡是一種人工神經網絡，它的權值分擔網絡結構使其更接近于生物神經網絡，降低了網絡模型的復雜性，減少了權值的數量。當網絡的輸入是多維圖像時，其優(yōu)勢更加明顯，可以直接將圖像作為網絡的輸入，避免了傳統(tǒng)識別算法的復雜特征提取和數據重建過程。該網絡結構對平移、縮放、傾斜或其他形式的變形具有高度的不變性。

此處使用8 層DCNN，前5 層是卷積層，其余3層是完全連接層，最后一個完全連接層的輸出被送入一個二路Softmax 分類器，它在兩個類標簽上產生一個分布?；贒CNN 的青光眼檢測和分級分類器的概述如圖3 所示。每一層由若干個二維特征圖組成，其中每個特征圖通常捕獲圖像的特定方面，如顏色、對象類別或屬性，同時以粗分辨率保留空間信息。例如，pool5 層由256 個特征圖組成，每個特征圖的分辨率為6×6，因此，該層的特征圖以6×6 的分辨率保存空間信息。雖然早期的圖層捕獲了一些基本的概念，如線、圓和條紋，但較深層的要素圖可以識別出更多的高階概念[20]。

圖3 基于DCNN 的青光眼檢測與分級分類器

3 實驗與結果分析

3.1 實驗條件

3.1.1 實驗數據庫

為驗證本方法的較高魯棒性，采用Dhristi-GS數據庫圖像進行驗證。該數據庫共101 幅眼底圖像，其中訓練集50 幅，測試集51 幅，在該數據集釋放中，眼底區(qū)域（具有視網膜結構的圖像區(qū)域）已通過消除周圍非眼底黑色區(qū)域從原始圖像中提取，以獲得約2047×1760 像素的圖像。并且該眼底圖像庫包含專家標定的青光眼的CDR 值和INST 規(guī)則，并且為每幅眼底圖像標注了OD 和OC 掩膜二值圖。

由于訓練數據量很小，為防止模型過擬合，提高模型的準確性和魯棒性，對訓練集圖像進行數據擴充，通過以下選項之一隨機采樣每幅訓練圖像：

步驟1：使用整個原始輸入圖像；

步驟2：在300 像素范圍內隨機上下移動輸入圖像；

步驟3：按[0°,360°]范圍內隨機旋轉輸入圖像；

步驟4：按[0,8,15]的因子隨機縮放輸入圖像。

具體各類別下眼底圖像數量如表1 所示。

表1 各分類下眼底圖像數量對比

3.1.2 評價標準

采用四種常用的評估標準來衡量績效：準確率（Accuracy）、召回率（Recall）、精確率（Precision）和 F1指標（F1_meature）。準確率是分類性能的總體度量，它是分類正確的樣本數與總樣本數之比；召回率是所有正例樣本中被分對的比例；精確率是被分為正例的樣本中實際為正例的比例；F1 指標是精確率和召回率的調和均值。它們的計算方法如下：

式中以 A、R、P 和 F1_meature分別代表準確率、召回率、精確率和F1 指標。以TP和TN分別表示真陽性和真陰性的數目；FP和FN分別表示假陽性和假陰性的數目。以Dhristi-GS 數據庫青光眼樣本為例，“真陽性”意味著樣本被正確分類為青光眼。若青光眼樣本被錯誤地歸為其他分類，即稱為“假陰性”?！罢骊幮浴焙汀凹訇栃浴钡暮x類似，“真陰性”意味著其他分類樣本未被錯誤地歸為青光眼，而“假陽性”意味著其他分類樣本被錯誤地歸為青光眼。調整診斷閾值可得到一系列標準得分，然后使用F1 指標得分最高的閾值作為最終閾值來預測青光眼分類性能。

3.2 實驗結果分析

為進一步驗證該基于深度卷積神經網絡輔助青光眼診斷方法的有效性，針對擴充后的眼底圖像數據庫，使用DCNN 模型對數據擴充后的訓練集圖像進行模型訓練，測試結果如圖4 所示。

圖4 基于DCNN 的OD 和OC 分割結果圖

如圖4(a)所示，本方法提取的OD 掩膜（外圈）與數據庫中專家給出的OD 掩膜（內圈）幾乎重合。據分析可知，通過圖像處理方法獲取的局部OD 區(qū)域具有較高的分割準確性，便于后期進行二分類。

基于深度卷積神經網絡模型，使用k-means 算法對OC 進行分割，并結合OC 呈圓形或橢圓形特性，利用基于最小二乘法橢圓擬合算法將不規(guī)則的曲線擬合成規(guī)則的橢圓形，如圖4(b)所示。

對DCNN 模型訓練完成后，利用數據擴充后的訓練集圖像進行青光眼驗證。其中青光眼的召回率為86.24%，正常眼的召回率為96.41%。隨后，用訓練時模型未接觸過的測試集進行測試，測試集包含圖像共51 張，其中醫(yī)生判定為青光眼的有38 張，正常眼13 張，系統(tǒng)分類后的分布情況如表2 所示。

表2 測試集樣本分布情況

按照前文定出的評價標準，該系統(tǒng)的性能如表3 所示。

表3 模型可靠性判定結果

由表中數據可知，識別正常眼時的準確率最高，這是因為正常眼底圖像的視盤和視杯輪廓清晰，特征更明顯，而青光眼的特征則較為多樣，且在有些情況下視盤與視杯的區(qū)分界限不夠明確，更不容易進行區(qū)分，從而影響青光眼模型檢測的準確性?？捎嬎愠觯撃Ｐ偷钠骄鶞蚀_率為96.14%，平均召回率為95.47%，平均精確度為94.37%，平均F1 指標為95.13%。根據臨床使用標準，該系統(tǒng)具有實用性。另外，根據表2 還可以看出，正常眼底圖像錯分為青光眼圖像的概率為0，這增強了系統(tǒng)的實用性。

4 結束語

基于深度卷積神經網絡提出一種青光眼檢測方法，利用圖像處理技術對眼底圖像進行預處理，結合k-means 算法對局部OD 區(qū)域進行OC 分割，訓練后的模型可將被檢測的青光眼數據庫圖像分為正常眼底圖像和青光眼圖像兩類。同時，采用的Dhristi-GS眼底圖像庫包含專家標定的青光眼的CDR 值和INST 規(guī)則，有助于開發(fā)出可靠和成熟的青光眼評估解決方案。該模型的準確率達96.14%，優(yōu)于現有的青光眼檢測方法，具有實用性，也為臨床診斷提供了很好的輔助作用。