基于图像处理的干眼检测方法研究

刘振宇，李 婷

（沈阳工业大学信息科学与工程学院, 沈阳110870）

1 引 言

干眼是眼科门诊常见的疾病之一，全球发病率为5%～33.7%；我国的干眼发病率为21%～30%[1]。干眼是由于泪液的质或量的异常所引起的泪膜不稳定和眼表损害，从而导致眼部不适的一类眼表疾病。干眼的产生与年龄因素存在着相关性，年龄越大，干眼的患病率越大。现代人们过度使用电子产品，导致瞬目次数减小并受到蓝光的刺激，导致干眼患者的年龄趋于年轻化。空气污染、长期处于空调房等因素，也使得干眼患者的人数不断增加[2]。

鉴于目前干眼症发病率逐年升高和患者趋向年轻化的情况，迫切需要快速、准确的干眼检测手段。

2 研究现状

干眼症的分类方法很多，目前比较通用的是2007 年国际干眼病研究会的分类方法。国际干眼病研究会将干眼分为蒸发过强型干眼和水液缺乏型干眼。其中，蒸发过强型是由泪膜的脂质层异常所导致的。脂质层是维持泪膜稳定的重要因素，可以防止泪液蒸发过快。泪膜的脂质层是由睑板腺分泌的，睑板腺是人体最大的皮脂腺，分布在上下眼睑中，其中上眼睑中有30～40 颗睑板腺腺体，下眼睑中有20～30颗腺体[3]。

睑板腺功能检测的方法主要分为接触性红外线睑板腺成像技术和非接触性红外线睑板腺成像技术。1977 年，Tapie 等人通过红外胶片照相机得到睑板腺图像[4]，但红外胶片相机昂贵的价格导致红外睑板腺成像无法得到普及和推广；1994 年，William D.Mathers 和Thomas Daley 等人开发了睑板腺视频录像系统，但其需要至少5 张图像才能观察到整个睑板腺图像[5]，使得诊断效率低，无法满足日常诊断需求；2005 年，Nichols 等人首次利用近红外光源获取睑板腺图像，增强了睑板腺图像质量，但这种检测仍然为接触性检测，在检测过程中既会造成患者不适又十分耗费时间和检测者的精力[6]；2008 年，Reiko Arita 等人使用数字近红外CCD 相机和近红外滤光片的裂隙灯来捕获睑板腺图像，实现了非接触性红外检测[7]，使睑板腺技术获得了巨大进步；2011 年，Pult 等人开发了一种新型的非接触睑板腺成像系统，此成像系统减少了裂隙灯的使用[8-9]，有效地降低了成本。

利用非接触性红外成像技术得到的睑板腺图像包含睑板腺的形态、数量等信息，这些形态信息是干眼诊断中的重要部分。但由于外部环境和操作者拍摄角度等原因造成图像的光照不均，腺体和非腺体对比度较差。2012 年，Koh Y W 等人利用模糊C 均值聚类法实现了图像亮度的归一化，但其存在计算量大和C 均值聚类法随机初始参数等问题[3]；2016年，我国李萌萌等人对封闭曲线法和中央矩形法进行对比，对睑板腺区域进行染色并手动分割睑板腺区域，但此方法计算精度较低[10]。

在上述研究成果的基础上，研究采用图像处理的方法来实现睑板腺占比的计算，从而判断干眼和睑板腺占比之间的关系。主要步骤如图1 所示。

图1 运用图像处理的眼干检测具体步骤

睑板腺原始图像通过Oculus Keratography 5M检测设备采集到，经由医生鉴定，将人群分为干眼患者和健康人群，建立数据库。通过匀光和增强图像对比度来减少光照不均和对比度差等降质现象，通过最小交叉熵的分割算法得到睑板腺区域，然后通过连通域和腺体形态的特征提取腺体，最后计算睑板腺的腺体占比。

3 预处理——改进的匀光算法

拍摄设备外部环境的光照因素，以及检测人员的拍摄角度和患者眼睑是否容易翻转等因素，皆会导致获取的红外睑板腺图像发生降质，这些降质主要包括红外睑板腺图像亮度不均匀以及目标区域与背景对比度低等现象。如图2 所示，图2(a)中产生了几个局部过亮的点，这些点在后续的腺体提取中被误认为是睑板腺；图2(b)中睑板腺和背景的对比度较弱，给后续腺体的提取造成一定困难；图2(c)中的局部过亮点是由于患者眼睑翻转过程存在凸起，使得凸起位置亮度和平坦区域的亮度相差较大；图2(d)中则是由于眼部自身的特点，中间区域比边缘区域凸，这一形态特点导致边缘的腺体与背景对比度低。通过预处理的方法既可以增强ROI 区域，也能够抑制背景及噪声区域，从而改善图像的质量[11]。

图2 光照不均和对比度差导致图像降质

设原始睑板腺图像为LRBG(m,n,k)，根据彩色图像转灰度图像的著名的心理公式，将其转换为睑板腺灰度图像，即：

Mask 差值法中认为光照均匀的图像I (x,y)是由睑板腺的原始图像LRBG(m,n,k)和噪声图像（背景图像）g(x,y)相减得到的。光照均匀的睑板腺图像可表示为：

在Mask 差值法中，一般采用的图像增强方法为对比度拉伸法，即：

该方法中的拉伸参数α 的值需要手动设定，其对比度拉伸之后，目标和背景的对比度效果仍然较差，因此该法的适用范围小，且不利于随后腺体的提取。还需在此基础上对Mask 差值法进行改进。

研究认为，图像的边缘、细节等高频部分，不受光照的影响，而光照不均、亮度等因素包含在图像的低频部分。因此可通过低通滤波器得到图像的低频部分即图像的背景图像g(x,y)。光照均匀的睑板腺图像z(x,y)即可表示为：

背景图像通过高斯低通滤波器得到，其传递函数可以表示为：

σ 为滤波器截止频率，G(μ,ν)为频域内的点距傅里叶变换原点的距离。这里的z(x,y)基本上去除了不均匀光照。

为了增强背景和目标的对比度，将光照均匀的睑板腺图像z(x,y)再一次使用高斯低通滤波器，得到背景图像g1(x,y)，为了得到图像的高频部分即图像的边缘和细节，高频图像可以表示为：

因此改进后的预处理图像可以表示为：

这里引用了一个缩放因子，一般情况下λ＞1，是为了进一步增强图像的边缘和细节。

为了实现预处理的自适应，这里的λ可以表示为由局部图像的均值和标准差相除得到，即为：

其中，B 为局部均值，σ(x,y)为局部标准差。

最后将上述结果进行灰度直方图均衡化，进一步增强对比度，同时提高亮度。处理效果如图3 所示。图3(a)为睑板腺的原始图像，图3(b)为预处理后的图像，腺体与背景的对比度增强，同时也去除了不均匀光照。

图3 改进匀光算法效果对比

4 眼睑区域（ROI）分割

红外睑板腺图像包含睫毛、眼球、皮肤和睑板腺区域。要计算睑板腺占比，需要算出睑板腺区域的面积，因此睑板腺区域的自动获取十分重要。其自动获取的具体步骤如图4 所示。

图4 ROI 分割具体步骤

在睑板腺区域分割前，先对图像做Mask 匀光处理和直方图均衡化处理。采用这样的预处理是为了便于睑板腺区域的分割。经过上述预处理后，在图像分割时，腺体区域和皮肤区域全部变成高亮度区，不需要进行睑板腺腺体间的空隙填充等操作。

对睑板腺区域分割所做的处理，其效果如图5所示。图5(a)为预处理前的睑板腺原始图像，由于人面部和眼部在拍摄过程中会有凸起，这部分的亮度会高于其他部分，因此在经过简单的匀光和增强后，对比度和亮度明显增强；从图5(b)中可以观察到腺体与背景的对比度有明显增强，眼睑下面的皮肤和眼睑区域的亮度明显高于其他部分，这有利于后续的分割处理。在睑板腺区域获取过程中，必须将睑板腺和睫毛、眼球、皮肤等区域分割开。在此使用阈值分割算法。在各种算法中，最小交叉熵的阈值分割与实际要求最为贴切，因此采用阈值分割算法。图5(c)为分割后的图像，可以观察到，由于腺体的间距小、腺体区域的亮度均衡以及腺体区域的亮度比边缘区域高等原因，分割后的图像能够将睫毛、眼球和操作者的手指等分割开。该算法认为获取的眼睑区域是最大的连通域，因此通过获取最大连通域来得到眼睑区域。由于拍摄者的拍摄角度或患者眼睑面积小等原因，有时会导致最大的连通域并不是眼睑部分。在此种情况下，要先对分割后的图像进行截取，再通过最大连通域来获取眼睑部分，以使得眼睑区域的获取更加准确。图5(d)为截取后的图像，截取处理减少了眼睑下面的皮肤面积，使得眼睑的面积成为最大的连通域。图5(e)为得到的眼睑部分，从图中可以观察到眼睑的边缘不够平滑，但正常的眼睑图像不存在锐利的边缘，因此对图像进行平滑处理。这里采用形态学闭合运算和中值滤波的方法进行平滑处理，最终结果如图5(f)所示，可见经过平滑处理后的边缘符合人的眼睑边缘。

图5 睑板腺区域分割效果图

5 睑板腺腺体的获得

腺体的自动提取过程如图6 所示。首先对图像预处理，通过阈值分割二值化后的图像如图6(a)所示;再做平滑处理，从睑板腺区域分割得到仅包含睑板腺区域的图像如图6(b)；进一步处理得到包含腺体的眼睑部分，如图6(c)所示，可见图中腺体与背景的对比明显；最后进行腺体的提取，这里仍然应用连通域，找到各连通域的质心，显示各个连通域的外接矩形，由于腺体为垂直于水平方向，因此借用外接矩形的长宽比，来提取腺体。由于图像中含有面积较小的噪声，因此又通过面积阈值进一步排除非腺体部分，得到睑板腺腺体，如图6(d)所示。至此，经过提取处理后得到的睑板腺腺体图像，已将腺体特征基本提取。

图6 腺体的自动提取

6 实验与结论

实验对象分为两类：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。

睑板腺区域分割的正确性，对整个实验具有基础性的重要意义。故此对眼睑分割精度进行统计。所采用的分割精度计算方法如下：

其中A1为利用本次实验得到的眼睑区域的面积，A0为医疗人员应用ImageJ 软件人工测定眼睑区域的面积。采用这种计算分割精度的方法所得到的数据如表1 所示，可见，健康人群和干眼患者的平均分割精度大于75%，基本实现了对眼睑区域的分割。

表1 分割精度

设睑板腺面积为Am，利用上述分割算法，得到眼睑面积为A1，计算Am与A1的比值，即为睑板腺占比M。计算公式为：

将睑板腺分为四个等级，此分级由医生进行。分级后的数据如表2 所示。计算睑板腺腺体面积与眼睑面积的比值，计算结果如表3 所示。

表2 睑板腺分级数据表

表3 睑板腺占比

运用统计学中的Steel-Dwass 试验对此做出分析，可见两组人群之间的差异有着显著性重要意义，具体为：当睑板腺等级0 与等级1 进行比较，相关性p=0.015;而当等级0 与等级2、等级0 与等级3、等级1 与等级2、等级1 与等级3、等级2 与等级3进行比较时，则有相关性p＜0.003。

7 结束语

在自动定义测量区域的基础上，分析了在上眼睑的每个睑板腺腺体的轮廓。该方法明确了睑板腺腺体本身的轮廓，而不是睑板腺腺体的面积，因此可能有利于对睑板腺腺体局部和细微变化的检测。研究结果表明，随着等级的增加，睑板腺腺体面积占总面积的比例显著降低，在四组实验中任意两组组合都存在显着性差异。睑板腺腺体区域的主观分级与客观测量结果有很好的相关性。对干眼患者的睑板腺进行实验，验证了睑板腺腺体占比与干眼存在着显著的相关性，可为干眼诊断提供重要依据。