糖尿病视网膜病变自动检测研究

张志顺

（嘉应学院医学院，梅州 51031）

0 引言

渗出物是DR（Diabetic Retinopathy，糖尿病视网膜病变）的一种常见病变特征，在患者的眼底图像中可以发现。在临床医学诊断中，可根据眼底渗出物的大小、数量、类型来判断患者的发病时间、严重程度及患病原因等。渗出物分为两种，一种是硬性渗出，如图1（a）所示，它是血管渗漏的液体和脂类物质沉积于外丛状层，发生在DR的非增殖期；一种是软性渗出，如图1（b）所示，它是视网膜毛细血管闭塞，导致神经纤维层的灶性梗死，呈现为棉絮状或椭圆状的白色不透明区域，是DR增殖期的前兆。如果能在非增殖期发现硬性渗出，对于预防DR具有重要意义。

图1 渗出物

近年来，硬性渗出检测已取得不小进展。Wynne通过结合医学领域知识与数字图像处理技术对硬性渗出进行提取，硬性渗出的识别率达到85.6%[1]。Wang等人采取了亮度修正，在变换后的颜色空间中提取特征，然后用最小距离分类器分类，用基于局部窗口的验证策略作为后处理，硬性渗出的识别率达到了89.1%[2]。Bernhard使用马氏距离分类器对微血管瘤、出血、硬性渗出、棉絮斑进行分类，硬性渗出的识别率达到了92.3%[3]。

从以上研究结果来看，硬性渗出检测主要集中在硬性渗出的直接提取，从算法检测的速度、精度来看，糖尿病视网膜病变自动检测离临床应用的实际求仍有较大提升空间。因此，糖尿病视网膜病变自动检测研究主要集中在提高硬性渗出检测的速度和精度。

1 拟采取的技术路线

通过专用的眼底相机对眼底摄像得到的视网膜图像传输到计算机，由计算机对图像进行识别和判断，判断结果与 DIARETDB0（Standard Diabetic Retinopathy Database，糖尿病视网膜病变标准数据库）相匹配，最后输出诊断结果，整个流程如图2所示。

图2 硬性渗出检测流程图

2 研究内容

2.1 视网膜图像亮度和对比度均衡化

由于成像环境的影响，通过眼底相机对得到的视网膜图像，其对比度、亮度并不均匀，进而影响解剖结构与硬性渗出的检测，因此，在做所有检测之前，先对图像的亮度、对比度进行均衡化处理。从嘉应学院医学院附属医院获取分辨率为3504×2336的眼底图像1000例，对图像的亮度、对比度进行了均衡化处理。在感兴趣区域的红色通道上，二值化图像可通过阈值处理得到，然后对二值化的图像用数学形态学算子进行处理[4]，由此得到感兴趣区域的掩膜图像。对图像中的每个像素进行均衡化处理。

2.2 硬性渗出粗分割

采用适当的方法将硬性渗出的候选区域从视网膜图像的背景中分离出来。分离出来的候选区域可能包含亮度与硬性渗出较为相似的视盘，对比度与硬性渗出相似的血管，以及形态与硬性渗出相似的软性渗出。将均衡化处理后的图像分离出G（Green，绿色）通道（G通道分割避免孤立且与背景对比度不明显的硬性渗出被漏检）图像，用改进的FCM算法（先用中值滤波去除噪声，同时保留目标边缘，然后用K-means算法对FCM算法的聚类中心进行初始化）实现该通道中硬性渗出的粗分割，得到硬性渗出候选区域。

2.3 边缘锐化

边缘锐化在于突出物体的边缘轮廓，边缘的参数包括边缘强度和边缘方向。依据硬性渗出边缘灰度值变化显著的特点，采用G（Green，绿色）通道图像的局部领域方差将硬性渗出候选区的边缘锐化。

2.4 消除血管

血管与背景的对比度与硬性渗出相似，为了避免血管对硬性渗出提取造成干扰以及减少后续操作的计算损耗，采取适当方法消除硬性渗出候选区中的血管。从硬性渗出的候选区中提取ROI（Region of Inter⁃est，感兴趣区域），对灰度值变化范围统一化，然后对图像匹配滤波，最后阈值化响应图像。由于视网膜血管的方向可以在0到180度范围内变化，因此，在0到180度范围内旋转滤波器，每15度旋转一次，这样，各个方向上的血管都能得到检测。并且对应有12个滤波器，将12个滤波器中的响应值最大值作为匹配滤波器的响应值。提取候选区中的血管，将它从硬性渗出候选区域中去掉。

2.5 消除视盘

视盘的亮度与硬性渗出较为相似，为了避免视盘对硬性渗出提取造成干扰以及减少后续操作的计算损耗，采取适当方法消除硬性渗出候选区中的视盘。为了得到视盘，可用数学形态学结合Otsu阈值分割法，对视盘中最亮且边缘最为清晰的眼底视网膜图像进行分割。然后对提取出的视盘进行二值形态学膨胀操作，将其从之前得到的硬性渗出候选区域中去掉。

2.6 目标分类识别

采用适当的分类器将消除血管、视盘的候选区域进行分类，分出硬性渗出和软性渗出。根据硬性渗出与软性渗出的特征集，用SVM算法将候选区中的硬性渗出与软性渗出进行分类。具体做法是：

（1）在特征描述方面，除了前期研究所描述的硬性渗出对比度、边缘锐度、边缘离心率及区域面积、区域各通道颜色均值、中值、最大值、最小值等特征属性外，增加目标边缘强度、区域密度、区域纹理、区域各通道颜色的灰度标准差、灰度均匀性等特征属性。

（2）根据硬性渗出与软性渗出的特征集，用SVM将候选区中的硬性渗出与软性渗出进行分类。

（3）在分类样本数据方面，将所有样本统一进行分类，不针对单幅眼底图像样本进行分类。

2.7 分类结果配准

将分类结果与国际公认的DIARETDB0数据库配准，得出硬性渗出检测结果。

2.8 验证检测有效性

将硬性渗出检测结果与眼科医师人工标记的样本类别对比，引入敏感度、特异性、准确率作为检测效果的量化评价指标，验证检测的有效性。具体做法是：

（1）眼科医师将样本分为健康与非健康2类。

（2）对于非健康样本，眼科医师将含硬性渗出的样本（区域）人工标定。

（3）将系统检测的硬性渗出结果与眼科医师标定的硬性渗出结果对比，以敏感度、特异性、准确率作为对比的量化评价指标，验证系统对硬性渗出检测的有效性。灵敏度指硬性渗出被正确判断的比例，用SE表示；特异性指软性渗出被正确判断的比例，用SP表示；准确率是指硬性渗出、软性渗出被准确分类的比例，用AC表示。

式中，医师标定的硬性渗出结果与算法给出的结果一致，称为真阳，用TP表示；若不一致，则称为假阳，用FP表示。同理，医师判断为标定的软性渗出结果与算法给出的结果一致，称为真阴，用TN表示；若不一致，则称为假阴，用FN表示。

3 实验结果与分析

3.1 识别速度对比

分别用3种算法对眼底视网膜图像样本（分辨率为3504×2336）进行硬性渗出识别实验，取平均运算时间对比，结果如表1所示。

表1 平均运算时间（秒）

从表1中可以看出，本文算法与文献[2]算法、文献[3]算法的相比，平均运算时间明显减少，识别速度明显加快。

3.2 识别精度对比

分别用文献[1]算法、文献[3]算法和本文算法对1000例眼底视网膜图像样本进行硬性渗出识别实验，识别结果与眼科医师人工识别的结果对比，结果如表2所示。

表2 三种算法的比较

在表中，本文算法对硬性渗出的识别结果与人工识别的结果对照，相符率为98.5%，比文献[2]算法和文献[3]算法对两种算法的相符率高出9.4%、6.2%，识别精度有了明显的提高。

4 结语

通过对眼底视网膜图像的分析，提出一种糖尿病视网膜病变自动检测算法，从理论和仿真实验的角度证明它在硬性渗出的识别速度和精度上得到较大的提高。大大改变眼科医生主要通过肉眼观察眼底图像来诊断患者是否患有糖尿病现状，从而使大批量糖尿病的普查及跟踪治疗成为可能。