氧化锡余奇;刘梦雪;杨杰;刘堃;许迅
【摘 要】目的 ·评估监督机器学习算法自动化检测标准七视野眼底彩照相中微动脉瘤病灶的准确性及检测效率.方法 ·采集录入2014-2016年于上海交通大学附属第一人民医院眼科门诊就诊的44例糖尿病性视网膜病变(diabetic retinopathy,DR)患者的标准七视野眼底彩照相图像616幅.通过组合应用包括图像预处理、双窗口滤波器、支持向量机等5个关键步骤,对微动脉瘤病灶实现自动化检测,同时与眼科专科医师的手工标记进行比对,评估自动化算法对微动脉瘤病灶识别的准确性及检测效率.结果 ·在DR标准七视野眼底彩照相图像库中,计算机自动化识别算法的微动脉瘤检测灵敏度为94.15％、特异度为98.05％.其中,在视盘视野、黄斑视野、黄斑颞侧视野、颞上视野、颞下视野、鼻上视野、鼻下视野各图像分集合中的算法检测灵敏度分别为93.09％、94.84％、95.16％、94.99％、93.77％、92.40％、93.75％,特异度分别为98.02％、98.06％、97.97％、97.91％、98.07％、98.03％、98.23％,算法在各图像分集合中的微动脉瘤病灶检测灵敏度和特异度同总集合中的检测灵敏度差异没有统计学意义(P＞0.05).每幅图像检测耗时(9.2±0.6)s,较手工标记节约用时93.2％.结论 ·基于监督机器 学习算法的微动脉瘤病灶自动识别算法能够准确、高效地识别标准七视野眼底彩照相中及各个视野范围中的微动脉瘤病灶.
【期刊名称】《上海交通大学学报（医学版）》
【年(卷),期】节能煤气灶2019(039)006
【总页数】7页(P598-604)
【关键词】糖尿病性视网膜病变;微动脉瘤;模式识别;图像分析;眼底彩照相
【作 者】余奇;刘梦雪;杨杰;刘堃;许迅
【作者单位】上海交通大学附属第一人民医院眼科,上海200080;上海交通大学眼科研究所读片中心,上海200080;上海交通大学图像分析及模式识别研究所,上海200240;上海交通大学图像分析及模式识别研究所,上海200240;上海交通大学附属第一人民医院眼科,上海200080;上海交通大学眼科研究所读片中心,上海200080;上海交通大学附属第一人民医院眼科,上海200080;上海交通大学眼科研究所读片中心,上海200080
【正文语种】中 文
【中图分类】R774.1
糖尿病性视网膜病变（diabetic retinopathy，DR）是糖尿病最为常见的微血管并发症之一，是常见的致盲性眼病[1-2] 。在糖尿病病程达到20年后，患者人中DR的患病率达到34.6% （95% CI 34.5～34.8），其中7.0%（95% CI 6.9～7.0）为增生型DR[3-4] 。临床数据表明，早期诊断、随访及干预能够使患者因DR造成严重视力损伤的比例下降57%[5-7] 。微动脉瘤是DR的早期血管病理改变，其病灶具有特征性的形态，在眼底彩照相上表现为离散的、类圆形暗红病灶点[8] 。本研究拟应用课题组所开发的计算机图像模式识别算法，实现对DR患者标准七视野眼底彩照相中微动脉瘤病灶的自动化分析，并进一步评估自动化识别算法检测微动脉瘤病灶的准确性及工作效率。
1 对象与方法
1.1 眼底彩照相的标准化采集
整理录入2014—2016年于上海交通大学附属第一人民医院眼科就诊、明确诊断为DR并进
行标准七视野眼底彩照相的44例患者的眼底影像资料。患者平均年龄为（61.8±5.4）岁，女性24例。其中轻度非增生型DR患者6例，中度非增生型DR患者16例，重度非增生型DR患者20例，增生型DR患者2例。
受试者眼底彩照相采用基于糖尿病性视网膜病变早期研究（early treatment diabetic retinopathy study，ETDRS）的标准七视野立体对拍摄方案[8] 。该拍摄方案以视盘视野（optic disc field，F1）、黄斑视野（macula field，F2）、黄斑颞侧视野（temporal to macula field，F3）、颞上视野（superior temporal field，F4）、颞下视野（inferior temporal field，F5）、鼻上视野（superior nasal field，F6）、鼻下视野（inferior nasal field，F7）进行拍摄，较为全面地记录糖尿病所累及视网膜病变范围（图1） [9-10] 。
景区综合管理系统
图1 标准七视野眼底彩照相样片Fig 1 A sample of seven- field color fundus photography注：A. F1；B. F2；C. F3；D. F4；E. F5；F. F6；G. F7；H. 外眼照相。
1.2 微动脉瘤自动化识别算法
本课题组前期通过组合应用监督机器学习算法，实现对微动脉瘤病灶的自动化检测标记。
首先，对得到的眼底彩照相图像进行预处理，以改善图像质量，增强微动脉瘤的特征，便于进行分割；然后根据滑动窗口的局部信息确定该窗口的自适应阈值，对窗口内像素进行二值化和区域生长；最后再利用限制连通性的双窗口滤波器，以排除近似微动脉瘤特征的不连续血管和其他噪点，精确分类出真正的微动脉瘤点[11-12] 。
微动脉瘤算法实现的详细逻辑过程主要包括如下5个步骤。
（1）预处理。在RGB通道的绿通道图像中，红病灶同其他组织相比具有最高的对比差异度，故选择绿通道图像作为待处理图像，然后运用中值滤波器进行图像噪声消除，进一步使用自适应直方图均衡技术对图像的对比度进行增强[13] 。
（2）通过滑动窗口模型，基于微动脉瘤病灶的灰度值、面积等信息，筛选像素灰度值低于阈值的微动脉瘤候选病灶。其中，每个滑动窗口Wi的局部阈值Ti应该被自适应地选取为：
其中，Wi代表滑动窗口值，Ti代表滑动窗口Wi的局部阈值，Ii和Pj分别代表第i或j个窗口的中央灰度值和位置坐标，Iib表示背景的灰度值，Fj表示滑动窗口Wi中所有像素被二值化后的值。因外窗口的尺寸选取通常略大于微动脉瘤面积，所以可以将其窗口边缘像素灰度值近似为背景灰度值。
红外对射模块
（3）应用限制连通性的双窗口滤波器算法，对微动脉瘤候选病灶进行进一步筛选（图2）。其中内窗口被设定为保证微动脉瘤的最小尺寸，外窗口被用来限制微动脉瘤的整体区域范围，连通性规则需同时满足如下2个条件：①连通性区域应该塞满内窗口。②连通性区域应该被限制在外窗口内。未能填满内窗口的小目标点（如较小的噪点）将被移除，类似血管和出血病灶等较大面积或者延伸连通域的区域也将被排除（未满足条件②，触及了外窗口的边缘）。只有同时满足2个连通性条件的区域才被成功检测[14] 。
瓷管电阻器图2 双环滤波器算法图示Fig 2 Demonstration of connectedness constraints filter
（4）采用区域生长算法获得微动脉瘤候选病灶区域，对候选种子点在区域生长后的滑动窗口内对连通性进行限制。当满足连通性准则时，决策图会被设置为“1”，否则被设置为“0”。将决策图中值为“1”的点作为最初的种子点，然后在种子点处以8连接开始生长。
（5）应用支持向量机算法，设定包括病灶周径、曲率、区域直径最大径和最小径、绿通道像素值区域标准差异等28项特征作为决策向量，对微动脉瘤候选病灶进行进一步筛选，以获得最终确定的微动脉瘤病灶[15] （图3）。
图3 微动脉瘤自动检测算法的总逻辑流程图Fig 3 Flowchart of the microaneurysm detection algorithm
1.3 微动脉瘤病灶检测标记
1.3.1 应用监督机器学习算法进行微动脉瘤病灶的自动化检测 应用上述监督机器学习算法，对采集获得的标准七视野眼底彩照相进行逐张微动脉瘤病灶检测运算。算法输出微动脉病灶标记图像，同时自动记录自图像输入至运算完成标记图像输出的时间。
1.3.2 微动脉瘤病灶的专科医师手工标记 由3位具有国家执业医师资格、接受眼科学及眼底病专科培训3年以上的眼科专科医师同时进行标准七视野眼底彩照相图像中的微动脉瘤病灶标记。眼底彩照相中微动脉瘤病灶判断严格遵照ETDRS Report 10中所规定的眼底彩照相中微动脉瘤病灶的判断标准。标准微动脉瘤病灶为直径小于150 μm（通常介于18～72 μm之间）、形态类圆、边缘光滑、红至暗红的病灶。直径小于150 μm的类圆形红病灶，边界弧形且清晰。当红病灶直径大于150 μm时，通常不被判断为微动脉瘤病灶，除非病灶形态圆、边界清晰，病灶中央可及反光点[8] 。眼科医师同时使用计时器记录每张图像起始标记至标记结束用时。以3位医师一致判断的微动脉瘤病灶作为自动化算法评估的
金标准。
1.4 统计学分析
节油剂应用SPSS 19.0软件进行数据处理。计算微动脉瘤自动检测算法在研究图像总集合及各个视野图像分集合中图像块级别微动脉瘤病灶检出的灵敏度、特异度、假阴性率、假阳性率。组间率比较采用χ2检验。P<0.05表示差异具有统计学意义。
2 结果
2.1 微动脉瘤病灶的自动化检测结果
总计录入DR患者标准七视野眼底彩照相图像88组，共616幅。根据标准七视野眼底彩照相的拍摄视野，将其分为7个图像视野分集合。通过应用自动化检测算法，获得七视野单组微动脉瘤平均计数为（154.8±17.6）个，其中F1单幅平均计数为（16.1±2.2）个，F2单幅平均计数为（36.3±4.2）个，F3单幅平均计数为（37.2±3.8）个，F4单幅平均计数为（20.6±2.2）个，F5单幅平均计数为（21.3±3.8）个，F6单幅平均计数为（10.4±1.3）个，F7单幅平均计数为（14.4±2.0）个。在不同视野中微动脉瘤计数差异明显，因为不同
视野内视网膜血管的分布、分支及血管分级显著不同，其与视盘、黄斑等标志性视网膜地界结构的相对位置关系也有所差异（图4）。
图4 眼底彩照相中微动脉瘤病灶自动化检测的图像结果Fig 4 Image example of microaneurysm automated detection注：A. 原图；B. 预处理后中间过程图；C. 微动脉瘤病灶标记结果图，其中绿标记为微动脉瘤病灶。
2.2 微动脉瘤病灶自动化检测灵敏度、特异度、假阳性率、假阴性率
同金标准相比较，微动脉瘤自动化检测算法在眼底彩照相图像总集中图像块级别微动脉瘤病灶检出的灵敏度为94.15%，特异度为98.05%，假阳性率为10.23%，假阴性率为5.85%。
其中，在F1、F2、F3、F4、F5、F6、F7各图像分集合中的算法检测灵敏度分别为93.09%、94.84%、95.16%、94.99%、93.77%、92.40%、93.75%， 特 异 度 分 别 为98.02%、98.06%、97.97%、97.91%、98.07%、98.03%、98.23%；算法在各图像分集合中的微动脉瘤病灶检测灵敏度同总集合中的检测灵敏度差异没有统计学意义（均P>0.05）（表 1）。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议