基于深度学习的视网膜分支动脉阻塞分割

郭超 张格致 周宁浩

摘 要：视网膜疾病如视网膜动脉阻塞等的早期诊断和治疗是预防永久性视力损伤的关键。为辅助临床眼科医生更快、更准确地诊断视网膜疾病，提出一种基于深度学习的视网膜分支动脉阻塞分割的方法。首先，将三维视网膜光学相干断层扫描图像转换为二维B超扫描图像，通过二值化、仿射变换等方法提取视网膜区域作为感兴趣区域;然后将感兴趣区域送入条件生成对抗网络进行训练，实现BRAO病变区域分割;最后，采用腐蚀、闭运算等形态学运算排除假阳性。在20张来自20双眼睛、包含BRAO急性期和萎缩期视网膜OCT图像上进行四折交叉验证，平均正确率、真阳性率、假阳性率分别为94.7%、92.1%、5.0%，表明BRAO分割方法有效。

关键词：视网膜分支动脉阻塞;光学相干断层扫描;深度学习;条件生成对抗网络

Abstract： Early？diagnosis？and？treatment？of？retinal？diseases？such？as？retinal？artery？occlusion are the？key？to？prevent？permanent？visual？impairment. To assist ophthalmologists to diagnose retinal diseases quickly and accurately， a segmentation method based on deep learning for branch retinal artery occlusion （BRAO） is proposed. First， three-dimensional retinal optical coherence tomography （OCT） image is transformed into two-dimensional B-scan images. Second， the retinal region is extracted as the region of interest （ROI） using binarization and affine transformation. Third， conditional generative adversarial networks （CGANs） are trained to segment the lesion region of BRAO. Finally， morphological operations such as erosion and closing operations are used to exclude false positives. The method was tested on 20 retinal OCT images from 20 eyes， including both acute and atrophic phases. 4-fold cross validation criterion was used. The average accuracy， true positive rate， false positive rate were 94.7%， 92.1%， 5.0%， respectively. The results shows that the proposed method is effective for the segmentation of BRAO.

Key Words：branch retinal artery occlusion; optical coherence tomography; deep learning; conditional generative adversarial network

0 引言

視网膜分支动脉阻塞（Retinal Artery Occlusion，RAO）是一种眼科急症，由血栓、动脉痉挛等原因造成视网膜动脉血流中断，从而引起相应视网膜组织缺血、缺氧、变性坏死，导致视细胞迅速死亡，造成不同程度的视力损害[1-2]。研究表明，视网膜动脉阻塞在发生97分钟之后，会对视网膜感觉层造成不可逆的损伤， 因此及时发现病症并进行治疗对患者尤为重要[3]。

近年来，光学相干断层扫描（Optical Coherence Tomography，OCT）作为一种实时、高分辨率、无创、无接触的新型活体成像方法，广泛用于各种视网膜疾病的辅助诊断和治疗。光学相干断层扫描技术是一种三维成像技术[4-5]，主要利用迈克尔逊干涉原理，依靠光源时间相干性，将光分为两束，最终，使反射后的两束光产生干涉。

但目前在临床中，基于OCT图像对于视网膜分支动脉阻塞（Branch Retinal Artery Occlusion，BRAO）病变区域的分析主要是定性的，或借助手工测量或标记，费时、费力、具有主观性，但视网膜分支动脉阻塞治疗时采用的药物剂量需要根据病变区域的大小定量制定。 因此，一种能够自动检测、定量分割视网膜分支动脉阻塞区域的算法对于临床诊断尤为重要。

目前，国内外关于视网膜动脉阻塞的研究大多基于临床分析，也有一些基于医学影像自动分析的技术。Chen等[6]提出一种基于三维SD-OCT图像中的视网膜中央动脉阻塞各个视网膜层次的光密度定量分析方法;Leung等[7]通过视神经头附近视网膜神经纤维层视网膜的黄斑厚度及灵敏度，研究BRAO患者的结构-功能关系;Asefzaden & Ninyo[8]分析了RAO视盘周围神经纤维厚度的纵向眼底改变;郭静云等[9]提出了一种结合AdaBoost分类器和图搜-图割算法提出了一种自动分类和分割BRAO的方法。这些方法需要提取特征，速度较慢，且由于BRAO病变区域的边界非常模糊，分割正确率有待进一步提升。

本文提出一种基于深度学习的视网膜分支动脉阻塞分割的方法，其流程如图1所示。首先，将三维OCT图像转换为二维B扫描图像;接着，初步提取视网膜区域作为感兴趣区域;随后，将感兴趣区域送入条件对抗网络进行训练;最后，采用腐蚀、闭运算等形态学运算进行后处理，实现分支动脉阻塞病变区域分割。

3 结语

本文使用二值化、开运算、凸包算法、仿射变换对图像进行初分割，提取视网膜区域为感兴趣区域;然后，使用条件对抗网络进行训练，对二维B扫描图像中病变区域进行分割;最后，通过腐蚀算法对测试后的结果进行腐蚀，实验真阳性率为92.1%、正确率为94.7%、交并比为66.6%。

但是，本文方法也存在一些不足：①本文方法是基于二维B扫描图像的分割，未从三维角度进行分析，未充分利用到图像空间关联信息;②本文方法对于病变区域较小的部位判别度较低。今后研究重点是基于三维图像的BRAO分割，充分利用图像前后帧的空间关联信息，以进一步提高分割准确率。

参考文献：

[1] 李伟，金明. 视网膜动脉阻塞的相关风险因素研究现状[J]. 眼科新进展，2018，38（3）：294-297.

[2] SAATCI O A， KO？AK N， DURAK ？， et al. Unilateral retinal vasculitis， branch retinal artery occlusion and subsequent retinal neovascularization in Crohn's disease[J].  International Ophthalmology，2001，24（2）： 89-92.

[3] HAYREH S S， ZIMMERMAN M B， KIMURA A， et al. Central retinal artery occlusion.： Retinal survival time[J]. Experimental Eye Research， 2004， 78（3）： 723-736.

[4] ABRàMOFF M D，GARVIN M K， SONKA M. Retinal imaging and image analysis[J]. IEEE Reviews in Biomedical Engineering，2010，3： 169-208.

[5] HUANG D， SWANSON E A， LIN C P， et al. Optical coherence tomography[J].  Science， 1991， 254（5035）：1178-1181.

[6] CHEN H， CHEN X， QIU Z， et al. Quantitative analysis of retinal layers' optical intensities on 3D optical coherence tomography for central retinal artery occlusion[J].  Scientific Reports， 2015， 5： 9269.

[7] LEUNG C K S， THAM C C Y， MOHAMMED S， et al. In vivo measurements of macular and nerve fibre layer thickness in retinal arterial occlusion [J].  Eye， 2007， 21（12）： 1464.

[8] ASEFZADEH B， NINYO K. Longitudinal analysis of retinal changes after branch retinal artery occlusion using optical coherence tomography [J]. Optometry-Journal of the American Optometric Association， 2008， 79（2）： 85-89.

[9] GUO J， ZHU W， SHI F， et al. A Framework for Classification and Segmentation of Branch Retinal Artery Occlusion in SD-OCT[J].  IEEE Transactions on Image Processing， 2017， 26（7）： 3518-3527.

[10] 丁偉雄. MATLAB R2015a数字图像处理[M].  北京： 清华大学出版社，2016：272.

[11] 李晓飞，马大玮，粘永健，等. 图像腐蚀和膨胀的算法研究[J]. 影像技术，2005（1）： 37-39.

[12] GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets [C]. Advances in Neural Information Processing Systems， 2014： 2672-2680.

[13] 王军，夏利民，夏胜平. 利用生成模型的人体行为识别[J]. 国防科技大学学报，2016，38（2）：68-74.

[14] 黄利文. 一种判别模型的择优方法[J]. 江西理工大学学报，2013，34（1）：96-99.

[15] MIRZA M，OSINDERO S. Conditional generative adversarial nets[J].  Computer Science，2014：2672-2680.

[16] ISOLA P，ZHU J Y，ZHOU T，et al. Image-to-image translation with conditional adversarial networks[C]. 2017 IEEE Conference on Computer Vision and Pattern Recognition，2017： 5967-5976.

[17] 张营营. 生成对抗网络模型综述[J]. 电子设计工程，2018，26（5）：34-37.

[18] GONZALEZ R C，WOODS R E，EDDINS  S L. 数字图像处理的MATLAB实现[M]. 阮秋琦，译. 北京：清华大学出版社，2013：345.

[19] UDUPA J K，LEBLANC V R，ZHUGE Y，et al. A framework for evaluating image segmentation algorithms[J]. Computerized Medical Imaging and Graphics， 2006， 30（2）： 75-87.

[20] LIU Y Y，et al. Automated macular pathology diagnosis in retinal OCT images using multi-scale spatial pyramid and local binary patterns in texture and shape encoding[J]. Medical Image Analysis，2011，15（5）：748-759.

（责任编辑：江 艳）