基于眼底圖像的糖尿病視網(wǎng)膜病變分類系統(tǒng)設(shè)計

許夢瑩 李振偉 楊曉利 賈蒙麗

摘 要：針對眼底圖像，設(shè)計了一個糖尿病視網(wǎng)膜病變（Diabeticretinopathy ， DR）分類系統(tǒng)，通過對視網(wǎng)膜血管圖像進(jìn)行定量分析來實現(xiàn)對DR病程的分類。采用Messidor數(shù)據(jù)集的眼底照片圖像，這個數(shù)據(jù)集共包含100個研究項目，其中32張未患DR的眼底照片，24張患NPDR。根據(jù)數(shù)據(jù)集中DR患者和非DR人群的眼底圖像以及眼科專家的分類結(jié)果，利用數(shù)字圖像處理技術(shù)分析特征值的統(tǒng)計意義，判斷該圖像所反映的DR病程。預(yù)處理為提取特征值前的圖像增強(qiáng)、主像素成分分析、匹配濾波以及Gabor濾波，對預(yù)處理后的圖像進(jìn)行直徑、角度和分形維數(shù)等特征值提取。最終結(jié)果展示了直徑、角度和分形維數(shù)的準(zhǔn)確率達(dá)到了93%、96%、81.8%，提供有效的輔助診斷手段。糖尿病視網(wǎng)膜病變的特征值分析包括直徑、角度和分形維數(shù)準(zhǔn)確率較高。對于缺乏醫(yī)療條件的地區(qū)很有價值。

關(guān)鍵詞：眼底圖像;糖尿病視網(wǎng)膜病變;濾波;特征提取

Abstract：Design a diabetic retinopathy （DR） classification system by quantitative analysis of retinal blood vessel images to classify the course of DR. Using the Messidor dataset. This dataset contains 100images， of which 32 fundus photos without DR and 24 with NPDR. According to the fundus images of DR and non-DR patients in the database and the classification results of ophthalmologists， digital image processing techniques to analyze the statistical significance of the feature values and judge the DR course. The pre-processing includes image enhancement， principal pixel component analysis， matched filtering， and Gabor filtering before extracting eigenvalues， and extracts eigenvalues such as diameter， angle， and fractal dimension from the pre-processed image. The final results show that the accuracy of the diameter， angle and fractal dimension reached 93%， 96%， 81.8%， providing effective aided diagnostic methods. The DR eigenvalue analysis， including diameter， angle and fractal dimension， has a high accuracy rate. It is very valuable in areas without medical conditions.

Key words：fundus image; DR; filtering; feature extraction

糖尿病性視網(wǎng)膜病變（diabetic retinopathy ， DR）是由糖尿病引起的嚴(yán)重并發(fā)癥之一，是以視網(wǎng)膜血管閉塞性循環(huán)障礙為主要病理特征改變的一種致盲眼病。目前我國糖尿病患者中DR的患病率達(dá)44%～51.3%，成為50歲以上患者的主要致盲原因[1]。DR會產(chǎn)生許多后果，例如在非增殖性糖尿病視網(wǎng)膜病變（NPDR）時期會出現(xiàn)微血管瘤、微出血和視網(wǎng)膜內(nèi)出血、硬性滲出、棉絮斑、視網(wǎng)膜內(nèi)血管異常、靜脈不規(guī)則、視網(wǎng)膜水腫等病變，增殖性視網(wǎng)膜病變（PDR）以新生血管的形成為特征，為了緩解視網(wǎng)膜的無灌注，新生視網(wǎng)膜血管壁易使視網(wǎng)膜出血，導(dǎo)致新生視網(wǎng)膜前出血及新生玻璃體積視網(wǎng)膜出血，引發(fā)各種牽引性的視網(wǎng)膜脫落或造成新生視網(wǎng)膜血管性青光眼，最終可能導(dǎo)致青光眼或失明[2]。這些視網(wǎng)膜的病變還可能導(dǎo)致視網(wǎng)膜形態(tài)的變化，例如視網(wǎng)膜血管的直徑，長度，分支角度，迂曲度和分形維數(shù)等。因此，血管提供了重要的信息，并且這些信息可以用于診斷、評估眼部和系統(tǒng)疾病。在某些案例中，視網(wǎng)膜區(qū)域中產(chǎn)生新生血管導(dǎo)致了視力障礙[3]。

根據(jù)DR分型的特征，結(jié)合眼底彩色圖像處理系統(tǒng)，對圖像進(jìn)行預(yù)處理、特征提取和結(jié)果分析，判斷該眼底圖像處于哪一分型特征，提供有效的輔助診斷手段。目前，視網(wǎng)膜圖像預(yù)處理的方法包括色彩增強(qiáng)、直方圖增強(qiáng)以及形態(tài)學(xué)增強(qiáng)方法[4][5][6]。

視網(wǎng)膜血管提取的方法總結(jié)為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的分割，前者包括采用 k 近鄰（k nearest neighbor，knn）[4]、支持向量機(jī)（support vector machine，svm）[7]、高斯混合模型（gaussian mixture model，gmm）[8]、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，cnn）[9]等方法進(jìn)行視網(wǎng)膜血管提取。這些方法能夠準(zhǔn)確提取主要的視網(wǎng)膜血管，但是血管末梢的對比度較低，提取效果較差。另一類是基于無監(jiān)督學(xué)習(xí)的分割方法，包括基于匹配濾波[10]的方法、基于多尺度[11]的方法、基于血管跟蹤的方法[12]、基于數(shù)學(xué)形態(tài)學(xué)的方法[13]等。

在血管的量化分析方面，主要包括血管直徑[14]、分叉角度[15]和分形維數(shù)[16]的測量。視網(wǎng)膜血管寬度以及動靜脈管徑比（AVR）被認(rèn)為是糖尿病發(fā)展的危險因素的提示性指標(biāo)，直徑的計算可以概括為以下兩類：（1）基于血管輪廓的管徑測量;（2）基于血管切面的灰度變化曲線，建立模型測量。Delibasis等[17]采用圓形結(jié)構(gòu)估計法通過計算血管兩側(cè)在圓上的點(diǎn)數(shù)得到血管與圓心的夾角，然后根據(jù)幾何關(guān)系得到血管直徑;薛嵐燕[18]等人提出利用二維的Gabor濾波器提取眼底血管，采用交互測量的方法得出感興趣區(qū)的血管直徑。

角度和迂曲度同樣能描述DR嚴(yán)重程度[19]，趙曉芳[20]等人研究了一種視網(wǎng)膜靜脈交叉壓迫角度檢測方法，對提取的血管骨架進(jìn)行角點(diǎn)檢測，對血管邊緣進(jìn)行曲線擬合后得到分支夾角;吳輝群[21]等人研究出一種基于聚類分割的迂曲度計算方法，對分割后的血管骨架進(jìn)行了拓?fù)鋵W(xué)分層，采用基于隨機(jī)過程的方法對迂曲程度進(jìn)行建模。

在分形研究中，由于分形維數(shù)表征了血管分布在整個視網(wǎng)膜上的完整程度，因此它們可以提供深入了解血管形態(tài)與視網(wǎng)膜疾病之間的關(guān)系[22]。分形幾何提供比歐氏幾何更準(zhǔn)確的眼部解剖和病理描述[23]。薛松等人[24]直接采用最小尺度下的盒子數(shù)估計分形維，不進(jìn)行擬合，該算法穩(wěn)定性高、計算速度快。

采用無監(jiān)督的分割方法提取視網(wǎng)膜血管，對視網(wǎng)膜血管進(jìn)行量化分析，包括血管的直徑、夾角和分形維數(shù)。最后，對上述量化指標(biāo)進(jìn)行準(zhǔn)確率計算與結(jié)果分析。

1 材料與方法

1.1 材料

采用的是Messidor數(shù)據(jù)集的眼底圖像，該數(shù)據(jù)集是一項由法國研究與國防部在2004年TECHNO-VISION計劃內(nèi)資助的研究。它包括四個子文件夾，圖像大小統(tǒng)一為2240*1488。這些彩色眼底圖像圖像是由非患者和糖尿病受試者的光學(xué)相機(jī)拍攝的。該數(shù)據(jù)集中視網(wǎng)膜病變等級分為：0表示無DR，1和2表示病變等級為NPDR，3表示為PDR。利用MATLAB2018a軟件，采用自上而下的設(shè)計方法設(shè)計GUI處理數(shù)據(jù)集圖像。

根據(jù)不同的眼底視網(wǎng)膜圖像，設(shè)計針對性的處理方法，得出優(yōu)化后的提取結(jié)果。提取結(jié)果圖像中的參數(shù)進(jìn)行特征分析。

1.2 系統(tǒng)流程

圖像預(yù)處理包括圖像去噪、增強(qiáng)、復(fù)原等操作，隨著眼底圖像采集技術(shù)的飛速發(fā)展，現(xiàn)有的眼底圖像含噪聲較少，主要干擾是采集時光照與患者的姿勢造成的眼底圖像分辨率不足。現(xiàn)有的眼底圖像增強(qiáng)方法可以分為色彩增強(qiáng)和濾波增強(qiáng)。具體流程可見圖1。

1.3 圖像預(yù)處理

對彩色圖像的預(yù)處理包括從原始圖像中提取綠色通道的信息，經(jīng)均衡化后進(jìn)行主成分分析、匹配濾波、Gabor變換，實現(xiàn)對視網(wǎng)膜血管的預(yù)處理，為了將目標(biāo)從背景中區(qū)分出來，去除視網(wǎng)膜圖像中較亮的視盤的影響。彩色眼底圖像中包含R、G、B三種顏色信息，經(jīng)過對比發(fā)現(xiàn)綠色通道的眼底圖像對比度高，含噪聲較少。

圖像均衡化能夠提高圖像對比度，使血管更清晰[25]。

（1）對圖像直方圖分析，得到灰度值的概率統(tǒng)計值后將其平均分布到整個灰度級范圍內(nèi)，提高圖像對比度。

（2）進(jìn)行反變換將灰度直方圖映射為原始圖像。反映射函數(shù)

從圖3-a的主成分分析結(jié)果可以看出，經(jīng)預(yù)處理后的主成分分析可以很好的描繪出眼底圖像的動、靜脈以及微小血管。便于后續(xù)計算眼底圖像的血管分叉角度、迂曲度以及分形維數(shù)。

如圖3-b是本文利用匹配濾波算法實現(xiàn)的視網(wǎng)膜血管分割，可以看出該方法能夠分割出血管的邊界，且誤差小與2px。在計算血管直徑時由較好的結(jié)果。

如圖3-c利用Gabor濾波器變換后可以使血管與背景之間的對比度更顯著，在繼續(xù)進(jìn)行主成分分析和匹配濾波時能夠得到更高的準(zhǔn)確率。

1.4 圖像特征提取

（1）血管直徑檢測

測量范圍：內(nèi)環(huán)視乳頭邊界，半徑分1.0和1.5視乳頭的直徑的第2、3環(huán)之間為血管。具體算法步驟如下圖所示，視盤周圍的視網(wǎng)膜血管的直徑在3.35士1.05像素之間，通過直徑檢測算法檢測到的直徑誤差在1像素左右。

DR分期和糖尿病病程對視網(wǎng)膜靜脈的直徑有較大的影響，當(dāng)靜脈直徑增大稱靜脈擴(kuò)張，這種結(jié)構(gòu)病變時考慮患者有患非增殖性滲出型視網(wǎng)膜病變的風(fēng)險，且隨著DR病情的嚴(yán)重，靜脈直徑越寬。

（2）血管角度檢測

在DR的早期基本病變中，黃斑區(qū)特征是毛細(xì)血管的改變出現(xiàn)于病程較早期，表現(xiàn)為部分毛細(xì)血管網(wǎng)不斷擴(kuò)大，而其他一些血管關(guān)閉，從而形成了大面積血管構(gòu)成的稀疏網(wǎng)絡(luò)，同時中央凹的無血管區(qū)變大，當(dāng)出現(xiàn)缺血區(qū)時，病變血管網(wǎng)進(jìn)一步發(fā)展，中央凹周圍血管網(wǎng)拱形變大（角度明顯增大）。

（3）血管分形維數(shù)檢測

為了了解在空間分布上，糖尿病患者與正常人視網(wǎng)膜血管網(wǎng)絡(luò)的變化，本文利用盒子維數(shù)的計算方法對眼底圖像計算分形維數(shù)。算法流程如圖5：

當(dāng)圖像分形維數(shù)增大時，表明視網(wǎng)膜血管在空間上呈現(xiàn)更加密集分布的異常，且由于分形維數(shù)刻畫細(xì)小結(jié)構(gòu)的特點(diǎn)，在描述視網(wǎng)膜血管微小分支是更加敏感。

2 結(jié)果與分析

2.1 血管直徑檢測

正常成年人的眼底圖像直徑為24 mm，該數(shù)據(jù)集中眼底圖像直徑為1373個像素，則像素與實際尺寸的對應(yīng)關(guān)系是1：17.5（μm），本文測量數(shù)據(jù)集中視網(wǎng)膜圖像的靜脈直徑，求出其平均值與方差，結(jié)果顯示在表1。

對比視網(wǎng)膜圖像數(shù)據(jù)集中的DR患者與無DR人群，患有DR的人群，視網(wǎng)膜靜脈直徑顯著寬于未患DR的，差異有統(tǒng)計學(xué)意義。且視網(wǎng)膜靜脈直徑和DR病程分期線性相關(guān)，DR越嚴(yán)重，視網(wǎng)膜靜脈直徑越寬。

2.2 血管分叉角度檢測

本文測量Messidor數(shù)據(jù)集中，眼底視網(wǎng)膜圖像上支動脈的第一個夾角的角度，結(jié)果顯示如表2。

結(jié)果顯示患有DR的患者眼底圖像相較于無DR的動脈夾角增加，差異較大有統(tǒng)計學(xué)意義。

2.3 血管分形維數(shù)檢測

分形維數(shù)與DR的關(guān)系的相關(guān)論文表示[29]，正常視網(wǎng)膜測試的分形維數(shù)在0.82以上，根據(jù)Messidor數(shù)據(jù)集中的眼底視網(wǎng)膜圖像，本文測得的無DR、患有NPDR和患有PDR的眼底圖像的分形維數(shù)如圖6所示。

從數(shù)據(jù)中可以得到隨著DR的加重，閾值上的分形維數(shù)的視網(wǎng)膜圖像減少，由此反映出分形維數(shù)與DR分型的關(guān)系。

3 結(jié) 論

視網(wǎng)膜血管分割的方法大多是建立在特征提取和有監(jiān)督學(xué)習(xí)的基礎(chǔ)上，須眼科專家標(biāo)記好視網(wǎng)膜血管為標(biāo)準(zhǔn)，這給臨床輔助診斷帶來很大的麻煩。本文使用的算法能夠?qū)σ暰W(wǎng)膜血管自動分割并提取，Gabor濾波增強(qiáng)圖像后提取血管，處理的結(jié)果圖像包含更多的血管細(xì)節(jié)，具有醫(yī)學(xué)價值。對預(yù)處理后的圖像進(jìn)行直徑、血管夾角和分形維數(shù)的計算，這些數(shù)值能夠從數(shù)學(xué)和血管結(jié)構(gòu)上反映糖尿病性視網(wǎng)膜病變的嚴(yán)重程度，從而實現(xiàn)對病程的預(yù)測和分類，得到的結(jié)果精確度高。目前的系統(tǒng)只能進(jìn)行單幅圖像的處理，下一步工作將實現(xiàn)多幅圖像的自動分割與分析分類，且對于特征值的精確度有提升空間。

參考文獻(xiàn)

[1] 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（理工版），2017，34（3）：290-299.

[2] LUMBROSO B， RISPOLI M， SAVASTANO M C. Diabetic retinopathy.[M]. Jaypee Brothers Medical Publishers（P）Ltd，2015.

[3] SALAMAT N， NISSEN MMS ， AASHID A . Diabetic retinopathy techniques in retinal images： a review[J]. Artif. Intell. Med.，2019，97：168-188.

[4] 陳莉，陳曉云.特征組合和多模塊學(xué)習(xí)的視網(wǎng)膜血管分割[J].計算機(jī)工程與應(yīng)用，2019，55（17）：214-220.

[5] TANAPAT R， ATHIWATH D， NAWAPAK E A， et al. Digital image processing software for diagnosing diabetic retinopathy from fundus photograph[J]. Clinical Ophthalmology （Auckland， N.Z.），2019，13.

[6] 丁雪梅，李為相，毛祥宇.結(jié)合PCNN和自適應(yīng)DGA算法的視網(wǎng)膜血管分割[J].計算機(jī)工程與應(yīng)用，2018，54（21）：201-207.

[7] 萬程，王宜匡，徐佩園， 等.多通道條件生成對抗網(wǎng)絡(luò)視網(wǎng)膜血管分割算法[J].中華實驗眼科雜志，2019，37（8）：619-623.

[8] 高衛(wèi)紅，呂莉莉，徐小媚， 等.基于混合模型的視網(wǎng)膜血管自動分割算法[J].鄭州大學(xué)學(xué)報（醫(yī)學(xué)版），2018，53（6）：780-785.

[9] 丁雪梅，李為相，毛祥宇.結(jié)合PCNN和自適應(yīng)DGA算法的視網(wǎng)膜血管分割[J].計算機(jī)工程與應(yīng)用，2018，54（21）：201-207.

[10]周陽.基于匹配濾波引導(dǎo)局部特征空間仿射傳播聚類的視網(wǎng)膜血管分割[J].信息通信，2019，（7）：35-39.

[11]李燦標(biāo)，鄭楚君.基于線算子引導(dǎo)多尺度匹配濾波的視網(wǎng)膜血管分割[J].信息通信，2019，（7）：9-12.

[12]向陳君，張新晨.基于眼底圖像的視網(wǎng)膜血管分割方法綜述[J].工業(yè)技術(shù)創(chuàng)新，2019，6（2）：110-114.

[13]徐光柱，王亞文，胡松， 等.PCNN與形態(tài)匹配增強(qiáng)相結(jié)合的視網(wǎng)膜血管分割[J].光電工程，2019，46（4）：71-82.

[14]王習(xí)哲，劉大川.糖尿病患者視網(wǎng)膜血管直徑變化分析[J].中華眼科雜志，2016，52（5）：358-361.

[15]李龍云.基于局部傅里葉變換的方向自適應(yīng)匹配濾波的視網(wǎng)膜血管分割[J].信息通信，2017，（6）：23-26.

[16]俞凱君，李春.基于Matlab的分形理論在醫(yī)學(xué)中的應(yīng)用研究[J].軟件，2019，40（8）：111-116.

[17]DELIBASIS K K， KECHRINIOTIS A I， TSONOS C， et al. Automatic model-based tracing algorithm for vessel segmentation and diameter estimation[J]. Comput Methods Programs Biomed. 2010;100（2）：108-122.

[18]薛嵐燕，余輪，林嘉雯，等.視網(wǎng)膜血管直徑交互式測量方法[J].福州大學(xué)學(xué)報（自然科學(xué)版），2018，46（3）：341-349.

[19]NGUYEN UT， BHUIYAN A， PARK LA.An automated method for retinal arteriovenous nicking quantification from color fundus images[J]. IEEE Trans. Biomed. Eng，2013 Nov，60（11）：3194-203.

[20]東莞理工學(xué)院.一種視網(wǎng)膜靜脈交叉壓迫角度檢測方法：CN201910281136.7[P].2019-07-09.

[21]吳輝群，董建成，耿興云.一種基于眼底鏡圖像的視網(wǎng)膜血管迂曲度計算方法及其應(yīng)用.南通大學(xué)：CN201510159636.5[P].2015-09-02.

[22]MANDELHROT B B.Fractals and the rebirth of iteration theory[A]. The beauty of fractals[M]. Springer， 1986. 151-160.

[23]FALCONER K， 福爾克納， 曾文曲. 分形幾何： 數(shù)學(xué)基礎(chǔ)及其應(yīng)用[M]. 北京：人民郵電出版社， 2007.

[24]薛松，蔣新生，段紀(jì)淼， 等.一種改進(jìn)的圖像盒子維計算方法[J].中國科學(xué)技術(shù)大學(xué)學(xué)報，2018，48（6）：504-511.

[25]鄭婷月，唐晨，雷振坤.基于全卷積神經(jīng)網(wǎng)絡(luò)的多尺度視網(wǎng)膜血管分割[J].光學(xué)學(xué)報，2019，39（2）：111-118.

[26]楊琴，趙景秀.基于主成分分析的血管分割算法[J].電子技術(shù)，2016，45（3）：66-70.

[27]周陽.基于匹配濾波引導(dǎo)局部特征空間仿射傳播聚類的視網(wǎng)膜血管分割[J].信息通信，2019，（7）：35-39.

[28]梁禮明，盛校棋，藍(lán)智敏，等.基于多尺度濾波的視網(wǎng)膜血管分割算法[J].計算機(jī)應(yīng)用與軟件，2019，36（10）：190-196，204.

[29]MAINSTER M. The fractal properties of retinal vessels： Embryological and clinical implications[J]. Eye，1990（4），235-241.