基于眼底图像的糖尿病视网膜病变分类系统设计

许梦莹 李振伟 杨晓利 贾蒙丽

摘 要：针对眼底图像，设计了一个糖尿病视网膜病变（Diabeticretinopathy ， DR）分类系统，通过对视网膜血管图像进行定量分析来实现对DR病程的分类。采用Messidor数据集的眼底照片图像，这个数据集共包含100个研究项目，其中32张未患DR的眼底照片，24张患NPDR。根据数据集中DR患者和非DR人群的眼底图像以及眼科专家的分类结果，利用数字图像处理技术分析特征值的统计意义，判断该图像所反映的DR病程。预处理为提取特征值前的图像增强、主像素成分分析、匹配滤波以及Gabor滤波，对预处理后的图像进行直径、角度和分形维数等特征值提取。最终结果展示了直径、角度和分形维数的准确率达到了93%、96%、81.8%，提供有效的辅助诊断手段。糖尿病视网膜病变的特征值分析包括直径、角度和分形维数准确率较高。对于缺乏医疗条件的地区很有价值。

关键词：眼底图像;糖尿病视网膜病变;滤波;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

糖尿病性視网膜病变（diabetic retinopathy ， DR）是由糖尿病引起的严重并发症之一，是以视网膜血管闭塞性循环障碍为主要病理特征改变的一种致盲眼病。目前我国糖尿病患者中DR的患病率达44%～51.3%，成为50岁以上患者的主要致盲原因[1]。DR会产生许多后果，例如在非增殖性糖尿病视网膜病变（NPDR）时期会出现微血管瘤、微出血和视网膜内出血、硬性渗出、棉絮斑、视网膜内血管异常、静脉不规则、视网膜水肿等病变，增殖性视网膜病变（PDR）以新生血管的形成为特征，为了缓解视网膜的无灌注，新生视网膜血管壁易使视网膜出血，导致新生视网膜前出血及新生玻璃体积视网膜出血，引发各种牵引性的视网膜脱落或造成新生视网膜血管性青光眼，最终可能导致青光眼或失明[2]。这些视网膜的病变还可能导致视网膜形态的变化，例如视网膜血管的直径，长度，分支角度，迂曲度和分形维数等。因此，血管提供了重要的信息，并且这些信息可以用于诊断、评估眼部和系统疾病。在某些案例中，视网膜区域中产生新生血管导致了视力障碍[3]。

根据DR分型的特征，结合眼底彩色图像处理系统，对图像进行预处理、特征提取和结果分析，判断该眼底图像处于哪一分型特征，提供有效的辅助诊断手段。目前，视网膜图像预处理的方法包括色彩增强、直方图增强以及形态学增强方法[4][5][6]。

视网膜血管提取的方法总结为有监督学习和无监督学习的分割，前者包括采用 k 近邻（k nearest neighbor，knn）[4]、支持向量机（support vector machine，svm）[7]、高斯混合模型（gaussian mixture model，gmm）[8]、卷积神经网络（convolutional neural networks，cnn）[9]等方法进行视网膜血管提取。这些方法能够准确提取主要的视网膜血管，但是血管末梢的对比度较低，提取效果较差。另一类是基于无监督学习的分割方法，包括基于匹配滤波[10]的方法、基于多尺度[11]的方法、基于血管跟踪的方法[12]、基于数学形态学的方法[13]等。

在血管的量化分析方面，主要包括血管直径[14]、分叉角度[15]和分形维数[16]的测量。视网膜血管宽度以及动静脉管径比（AVR）被认为是糖尿病发展的危险因素的提示性指标，直径的计算可以概括为以下两类：（1）基于血管轮廓的管径测量;（2）基于血管切面的灰度变化曲线，建立模型测量。Delibasis等[17]采用圆形结构估计法通过计算血管两侧在圆上的点数得到血管与圆心的夹角，然后根据几何关系得到血管直径;薛岚燕[18]等人提出利用二维的Gabor滤波器提取眼底血管，采用交互测量的方法得出感兴趣区的血管直径。

角度和迂曲度同樣能描述DR严重程度[19]，赵晓芳[20]等人研究了一种视网膜静脉交叉压迫角度检测方法，对提取的血管骨架进行角点检测，对血管边缘进行曲线拟合后得到分支夹角;吴辉群[21]等人研究出一种基于聚类分割的迂曲度计算方法，对分割后的血管骨架进行了拓扑学分层，采用基于随机过程的方法对迂曲程度进行建模。

在分形研究中，由于分形维数表征了血管分布在整个视网膜上的完整程度，因此它们可以提供深入了解血管形态与视网膜疾病之间的关系[22]。分形几何提供比欧氏几何更准确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数估计分形维，不进行拟合，该算法稳定性高、计算速度快。

采用无监督的分割方法提取视网膜血管，对视网膜血管进行量化分析，包括血管的直径、夹角和分形维数。最后，对上述量化指标进行准确率计算与结果分析。

1 材料与方法

1.1 材料

采用的是Messidor数据集的眼底图像，该数据集是一项由法国研究与国防部在2004年TECHNO-VISION计划内资助的研究。它包括四个子文件夹，图像大小统一为2240*1488。这些彩色眼底图像图像是由非患者和糖尿病受试者的光学相机拍摄的。该数据集中视网膜病变等级分为：0表示无DR，1和2表示病变等级为NPDR，3表示为PDR。利用MATLAB2018a软件，采用自上而下的设计方法设计GUI处理数据集图像。

根据不同的眼底视网膜图像，设计针对性的处理方法，得出优化后的提取结果。提取结果图像中的参数进行特征分析。

1.2 系统流程

图像预处理包括图像去噪、增强、复原等操作，随着眼底图像采集技术的飞速发展，现有的眼底图像含噪声较少，主要干扰是采集时光照与患者的姿势造成的眼底图像分辨率不足。现有的眼底图像增强方法可以分为色彩增强和滤波增强。具体流程可见图1。

1.3 图像预处理

对彩色图像的预处理包括从原始图像中提取绿色通道的信息，经均衡化后进行主成分分析、匹配滤波、Gabor变换，实现对视网膜血管的预处理，为了将目标从背景中区分出来，去除视网膜图像中较亮的视盘的影响。彩色眼底图像中包含R、G、B三种颜色信息，经过对比发现绿色通道的眼底图像对比度高，含噪声较少。

图像均衡化能够提高图像对比度，使血管更清晰[25]。

（1）对图像直方图分析，得到灰度值的概率统计值后将其平均分布到整个灰度级范围内，提高图像对比度。

（2）进行反变换将灰度直方图映射为原始图像。反映射函数

从图3-a的主成分分析结果可以看出，经预处理后的主成分分析可以很好的描绘出眼底图像的动、静脉以及微小血管。便于后续计算眼底图像的血管分叉角度、迂曲度以及分形维数。

如图3-b是本文利用匹配滤波算法实现的视网膜血管分割，可以看出该方法能够分割出血管的边界，且误差小与2px。在计算血管直径时由较好的结果。

如图3-c利用Gabor滤波器变换后可以使血管与背景之间的对比度更显著，在继续进行主成分分析和匹配滤波时能够得到更高的准确率。

1.4 图像特征提取

（1）血管直径检测

测量范围：内环视乳头边界，半径分1.0和1.5视乳头的直径的第2、3环之间为血管。具体算法步骤如下图所示，视盘周围的视网膜血管的直径在3.35士1.05像素之间，通过直径检测算法检测到的直径误差在1像素左右。

DR分期和糖尿病病程对视网膜静脉的直径有较大的影响，当静脉直径增大称静脉扩张，这种结构病变时考虑患者有患非增殖性渗出型视网膜病变的风险，且随着DR病情的严重，静脉直径越宽。

（2）血管角度检测

在DR的早期基本病变中，黄斑区特征是毛细血管的改变出现于病程较早期，表现为部分毛细血管网不断扩大，而其他一些血管关闭，从而形成了大面积血管构成的稀疏网络，同时中央凹的无血管区变大，当出现缺血区时，病变血管网进一步发展，中央凹周围血管网拱形变大（角度明显增大）。

（3）血管分形维数检测

为了了解在空间分布上，糖尿病患者与正常人视网膜血管网络的变化，本文利用盒子维数的计算方法对眼底图像计算分形维数。算法流程如图5：

当图像分形维数增大时，表明视网膜血管在空间上呈现更加密集分布的异常，且由于分形维数刻画细小结构的特点，在描述视网膜血管微小分支是更加敏感。

2 结果与分析

2.1 血管直径检测

正常成年人的眼底图像直径为24 mm，该数据集中眼底图像直径为1373个像素，则像素与实际尺寸的对应关系是1：17.5（μm），本文测量数据集中视网膜图像的静脉直径，求出其平均值与方差，结果显示在表1。

对比视网膜图像数据集中的DR患者与无DR人群，患有DR的人群，视网膜静脉直径显著宽于未患DR的，差异有统计学意义。且视网膜静脉直径和DR病程分期线性相关，DR越严重，视网膜静脉直径越宽。

2.2 血管分叉角度检测

本文测量Messidor数据集中，眼底视网膜图像上支动脉的第一个夹角的角度，结果显示如表2。

结果显示患有DR的患者眼底图像相较于无DR的动脉夹角增加，差异较大有统计学意义。

2.3 血管分形维数检测

分形维数与DR的关系的相关论文表示[29]，正常视网膜测试的分形维数在0.82以上，根据Messidor数据集中的眼底视网膜图像，本文测得的无DR、患有NPDR和患有PDR的眼底图像的分形维数如图6所示。

从数据中可以得到随着DR的加重，阈值上的分形维数的视网膜图像减少，由此反映出分形维数与DR分型的关系。

3 结 论

视网膜血管分割的方法大多是建立在特征提取和有监督学习的基础上，须眼科专家标记好视网膜血管为标准，这给临床辅助诊断带来很大的麻烦。本文使用的算法能够对视网膜血管自动分割并提取，Gabor滤波增强图像后提取血管，处理的结果图像包含更多的血管细节，具有医学价值。对预处理后的图像进行直径、血管夹角和分形维数的计算，这些数值能够从数学和血管结构上反映糖尿病性视网膜病变的严重程度，从而实现对病程的预测和分类，得到的结果精确度高。目前的系统只能进行单幅图像的处理，下一步工作将实现多幅图像的自动分割与分析分类，且对于特征值的精确度有提升空间。

参考文献

[1] 梁平，熊彪，冯娟娟， 等.糖尿病视网膜病变眼底图像分类方法[J].深圳大学学报（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，陈晓云.特征组合和多模块学习的视网膜血管分割[J].计算机工程与应用，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，李为相，毛祥宇.结合PCNN和自适应DGA算法的视网膜血管分割[J].计算机工程与应用，2018，54（21）：201-207.

[7] 万程，王宜匡，徐佩园， 等.多通道条件生成对抗网络视网膜血管分割算法[J].中华实验眼科杂志，2019，37（8）：619-623.

[8] 高卫红，吕莉莉，徐小媚， 等.基于混合模型的视网膜血管自动分割算法[J].郑州大学学报（医学版），2018，53（6）：780-785.

[9] 丁雪梅，李为相，毛祥宇.结合PCNN和自适应DGA算法的视网膜血管分割[J].计算机工程与应用，2018，54（21）：201-207.

[10]周阳.基于匹配滤波引导局部特征空间仿射传播聚类的视网膜血管分割[J].信息通信，2019，（7）：35-39.

[11]李灿标，郑楚君.基于线算子引导多尺度匹配滤波的视网膜血管分割[J].信息通信，2019，（7）：9-12.

[12]向陈君，张新晨.基于眼底图像的视网膜血管分割方法综述[J].工业技术创新，2019，6（2）：110-114.

[13]徐光柱，王亚文，胡松， 等.PCNN与形态匹配增强相结合的视网膜血管分割[J].光电工程，2019，46（4）：71-82.

[14]王习哲，刘大川.糖尿病患者视网膜血管直径变化分析[J].中华眼科杂志，2016，52（5）：358-361.

[15]李龙云.基于局部傅里叶变换的方向自适应匹配滤波的视网膜血管分割[J].信息通信，2017，（6）：23-26.

[16]俞凯君，李春.基于Matlab的分形理论在医学中的应用研究[J].软件，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]薛岚燕，余轮，林嘉雯，等.视网膜血管直径交互式测量方法[J].福州大学学报（自然科学版），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]东莞理工学院.一种视网膜静脉交叉压迫角度检测方法：CN201910281136.7[P].2019-07-09.

[21]吴辉群，董建成，耿兴云.一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用.南通大学：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， 福尔克纳， 曾文曲. 分形几何： 数学基础及其应用[M]. 北京：人民邮电出版社， 2007.

[24]薛松，蒋新生，段纪淼， 等.一种改进的图像盒子维计算方法[J].中国科学技术大学学报，2018，48（6）：504-511.

[25]郑婷月，唐晨，雷振坤.基于全卷积神经网络的多尺度视网膜血管分割[J].光学学报，2019，39（2）：111-118.

[26]杨琴，赵景秀.基于主成分分析的血管分割算法[J].电子技术，2016，45（3）：66-70.

[27]周阳.基于匹配滤波引导局部特征空间仿射传播聚类的视网膜血管分割[J].信息通信，2019，（7）：35-39.

[28]梁礼明，盛校棋，蓝智敏，等.基于多尺度滤波的视网膜血管分割算法[J].计算机应用与软件，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.