糖尿病視網(wǎng)膜病變自動(dòng)檢測(cè)研究

張志順

（嘉應(yīng)學(xué)院醫(yī)學(xué)院，梅州 51031）

0 引言

滲出物是DR（Diabetic Retinopathy，糖尿病視網(wǎng)膜病變）的一種常見(jiàn)病變特征，在患者的眼底圖像中可以發(fā)現(xiàn)。在臨床醫(yī)學(xué)診斷中，可根據(jù)眼底滲出物的大小、數(shù)量、類型來(lái)判斷患者的發(fā)病時(shí)間、嚴(yán)重程度及患病原因等。滲出物分為兩種，一種是硬性滲出，如圖1（a）所示，它是血管滲漏的液體和脂類物質(zhì)沉積于外叢狀層，發(fā)生在DR的非增殖期；一種是軟性滲出，如圖1（b）所示，它是視網(wǎng)膜毛細(xì)血管閉塞，導(dǎo)致神經(jīng)纖維層的灶性梗死，呈現(xiàn)為棉絮狀或橢圓狀的白色不透明區(qū)域，是DR增殖期的前兆。如果能在非增殖期發(fā)現(xiàn)硬性滲出，對(duì)于預(yù)防DR具有重要意義。

圖1 滲出物

近年來(lái)，硬性滲出檢測(cè)已取得不小進(jìn)展。Wynne通過(guò)結(jié)合醫(yī)學(xué)領(lǐng)域知識(shí)與數(shù)字圖像處理技術(shù)對(duì)硬性滲出進(jìn)行提取，硬性滲出的識(shí)別率達(dá)到85.6%[1]。Wang等人采取了亮度修正，在變換后的顏色空間中提取特征，然后用最小距離分類器分類，用基于局部窗口的驗(yàn)證策略作為后處理，硬性滲出的識(shí)別率達(dá)到了89.1%[2]。Bernhard使用馬氏距離分類器對(duì)微血管瘤、出血、硬性滲出、棉絮斑進(jìn)行分類，硬性滲出的識(shí)別率達(dá)到了92.3%[3]。

從以上研究結(jié)果來(lái)看，硬性滲出檢測(cè)主要集中在硬性滲出的直接提取，從算法檢測(cè)的速度、精度來(lái)看，糖尿病視網(wǎng)膜病變自動(dòng)檢測(cè)離臨床應(yīng)用的實(shí)際求仍有較大提升空間。因此，糖尿病視網(wǎng)膜病變自動(dòng)檢測(cè)研究主要集中在提高硬性滲出檢測(cè)的速度和精度。

1 擬采取的技術(shù)路線

通過(guò)專用的眼底相機(jī)對(duì)眼底攝像得到的視網(wǎng)膜圖像傳輸?shù)接?jì)算機(jī)，由計(jì)算機(jī)對(duì)圖像進(jìn)行識(shí)別和判斷，判斷結(jié)果與 DIARETDB0（Standard Diabetic Retinopathy Database，糖尿病視網(wǎng)膜病變標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)）相匹配，最后輸出診斷結(jié)果，整個(gè)流程如圖2所示。

圖2 硬性滲出檢測(cè)流程圖

2 研究?jī)?nèi)容

2.1 視網(wǎng)膜圖像亮度和對(duì)比度均衡化

由于成像環(huán)境的影響，通過(guò)眼底相機(jī)對(duì)得到的視網(wǎng)膜圖像，其對(duì)比度、亮度并不均勻，進(jìn)而影響解剖結(jié)構(gòu)與硬性滲出的檢測(cè)，因此，在做所有檢測(cè)之前，先對(duì)圖像的亮度、對(duì)比度進(jìn)行均衡化處理。從嘉應(yīng)學(xué)院醫(yī)學(xué)院附屬醫(yī)院獲取分辨率為3504×2336的眼底圖像1000例，對(duì)圖像的亮度、對(duì)比度進(jìn)行了均衡化處理。在感興趣區(qū)域的紅色通道上，二值化圖像可通過(guò)閾值處理得到，然后對(duì)二值化的圖像用數(shù)學(xué)形態(tài)學(xué)算子進(jìn)行處理[4]，由此得到感興趣區(qū)域的掩膜圖像。對(duì)圖像中的每個(gè)像素進(jìn)行均衡化處理。

2.2 硬性滲出粗分割

采用適當(dāng)?shù)姆椒▽⒂残詽B出的候選區(qū)域從視網(wǎng)膜圖像的背景中分離出來(lái)。分離出來(lái)的候選區(qū)域可能包含亮度與硬性滲出較為相似的視盤，對(duì)比度與硬性滲出相似的血管，以及形態(tài)與硬性滲出相似的軟性滲出。將均衡化處理后的圖像分離出G（Green，綠色）通道（G通道分割避免孤立且與背景對(duì)比度不明顯的硬性滲出被漏檢）圖像，用改進(jìn)的FCM算法（先用中值濾波去除噪聲，同時(shí)保留目標(biāo)邊緣，然后用K-means算法對(duì)FCM算法的聚類中心進(jìn)行初始化）實(shí)現(xiàn)該通道中硬性滲出的粗分割，得到硬性滲出候選區(qū)域。

2.3 邊緣銳化

邊緣銳化在于突出物體的邊緣輪廓，邊緣的參數(shù)包括邊緣強(qiáng)度和邊緣方向。依據(jù)硬性滲出邊緣灰度值變化顯著的特點(diǎn)，采用G（Green，綠色）通道圖像的局部領(lǐng)域方差將硬性滲出候選區(qū)的邊緣銳化。

2.4 消除血管

血管與背景的對(duì)比度與硬性滲出相似，為了避免血管對(duì)硬性滲出提取造成干擾以及減少后續(xù)操作的計(jì)算損耗，采取適當(dāng)方法消除硬性滲出候選區(qū)中的血管。從硬性滲出的候選區(qū)中提取ROI（Region of Inter?est，感興趣區(qū)域），對(duì)灰度值變化范圍統(tǒng)一化，然后對(duì)圖像匹配濾波，最后閾值化響應(yīng)圖像。由于視網(wǎng)膜血管的方向可以在0到180度范圍內(nèi)變化，因此，在0到180度范圍內(nèi)旋轉(zhuǎn)濾波器，每15度旋轉(zhuǎn)一次，這樣，各個(gè)方向上的血管都能得到檢測(cè)。并且對(duì)應(yīng)有12個(gè)濾波器，將12個(gè)濾波器中的響應(yīng)值最大值作為匹配濾波器的響應(yīng)值。提取候選區(qū)中的血管，將它從硬性滲出候選區(qū)域中去掉。

2.5 消除視盤

視盤的亮度與硬性滲出較為相似，為了避免視盤對(duì)硬性滲出提取造成干擾以及減少后續(xù)操作的計(jì)算損耗，采取適當(dāng)方法消除硬性滲出候選區(qū)中的視盤。為了得到視盤，可用數(shù)學(xué)形態(tài)學(xué)結(jié)合Otsu閾值分割法，對(duì)視盤中最亮且邊緣最為清晰的眼底視網(wǎng)膜圖像進(jìn)行分割。然后對(duì)提取出的視盤進(jìn)行二值形態(tài)學(xué)膨脹操作，將其從之前得到的硬性滲出候選區(qū)域中去掉。

2.6 目標(biāo)分類識(shí)別

采用適當(dāng)?shù)姆诸惼鲗⑾?、視盤的候選區(qū)域進(jìn)行分類，分出硬性滲出和軟性滲出。根據(jù)硬性滲出與軟性滲出的特征集，用SVM算法將候選區(qū)中的硬性滲出與軟性滲出進(jìn)行分類。具體做法是：

（1）在特征描述方面，除了前期研究所描述的硬性滲出對(duì)比度、邊緣銳度、邊緣離心率及區(qū)域面積、區(qū)域各通道顏色均值、中值、最大值、最小值等特征屬性外，增加目標(biāo)邊緣強(qiáng)度、區(qū)域密度、區(qū)域紋理、區(qū)域各通道顏色的灰度標(biāo)準(zhǔn)差、灰度均勻性等特征屬性。

（2）根據(jù)硬性滲出與軟性滲出的特征集，用SVM將候選區(qū)中的硬性滲出與軟性滲出進(jìn)行分類。

（3）在分類樣本數(shù)據(jù)方面，將所有樣本統(tǒng)一進(jìn)行分類，不針對(duì)單幅眼底圖像樣本進(jìn)行分類。

2.7 分類結(jié)果配準(zhǔn)

將分類結(jié)果與國(guó)際公認(rèn)的DIARETDB0數(shù)據(jù)庫(kù)配準(zhǔn)，得出硬性滲出檢測(cè)結(jié)果。

2.8 驗(yàn)證檢測(cè)有效性

將硬性滲出檢測(cè)結(jié)果與眼科醫(yī)師人工標(biāo)記的樣本類別對(duì)比，引入敏感度、特異性、準(zhǔn)確率作為檢測(cè)效果的量化評(píng)價(jià)指標(biāo)，驗(yàn)證檢測(cè)的有效性。具體做法是：

（1）眼科醫(yī)師將樣本分為健康與非健康2類。

（2）對(duì)于非健康樣本，眼科醫(yī)師將含硬性滲出的樣本（區(qū)域）人工標(biāo)定。

（3）將系統(tǒng)檢測(cè)的硬性滲出結(jié)果與眼科醫(yī)師標(biāo)定的硬性滲出結(jié)果對(duì)比，以敏感度、特異性、準(zhǔn)確率作為對(duì)比的量化評(píng)價(jià)指標(biāo)，驗(yàn)證系統(tǒng)對(duì)硬性滲出檢測(cè)的有效性。靈敏度指硬性滲出被正確判斷的比例，用SE表示；特異性指軟性滲出被正確判斷的比例，用SP表示；準(zhǔn)確率是指硬性滲出、軟性滲出被準(zhǔn)確分類的比例，用AC表示。

式中，醫(yī)師標(biāo)定的硬性滲出結(jié)果與算法給出的結(jié)果一致，稱為真陽(yáng)，用TP表示；若不一致，則稱為假陽(yáng)，用FP表示。同理，醫(yī)師判斷為標(biāo)定的軟性滲出結(jié)果與算法給出的結(jié)果一致，稱為真陰，用TN表示；若不一致，則稱為假陰，用FN表示。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 識(shí)別速度對(duì)比

分別用3種算法對(duì)眼底視網(wǎng)膜圖像樣本（分辨率為3504×2336）進(jìn)行硬性滲出識(shí)別實(shí)驗(yàn)，取平均運(yùn)算時(shí)間對(duì)比，結(jié)果如表1所示。

表1 平均運(yùn)算時(shí)間（秒）

從表1中可以看出，本文算法與文獻(xiàn)[2]算法、文獻(xiàn)[3]算法的相比，平均運(yùn)算時(shí)間明顯減少，識(shí)別速度明顯加快。

3.2 識(shí)別精度對(duì)比

分別用文獻(xiàn)[1]算法、文獻(xiàn)[3]算法和本文算法對(duì)1000例眼底視網(wǎng)膜圖像樣本進(jìn)行硬性滲出識(shí)別實(shí)驗(yàn)，識(shí)別結(jié)果與眼科醫(yī)師人工識(shí)別的結(jié)果對(duì)比，結(jié)果如表2所示。

表2 三種算法的比較

在表中，本文算法對(duì)硬性滲出的識(shí)別結(jié)果與人工識(shí)別的結(jié)果對(duì)照，相符率為98.5%，比文獻(xiàn)[2]算法和文獻(xiàn)[3]算法對(duì)兩種算法的相符率高出9.4%、6.2%，識(shí)別精度有了明顯的提高。

4 結(jié)語(yǔ)

通過(guò)對(duì)眼底視網(wǎng)膜圖像的分析，提出一種糖尿病視網(wǎng)膜病變自動(dòng)檢測(cè)算法，從理論和仿真實(shí)驗(yàn)的角度證明它在硬性滲出的識(shí)別速度和精度上得到較大的提高。大大改變眼科醫(yī)生主要通過(guò)肉眼觀察眼底圖像來(lái)診斷患者是否患有糖尿病現(xiàn)狀，從而使大批量糖尿病的普查及跟蹤治療成為可能。