醫(yī)學(xué)影像中的視網(wǎng)膜血管特征表現(xiàn)及建模方法分析

高向軍

（商丘師范學(xué)院計算機與信息技術(shù)學(xué)院，河南 商丘476000）

0 引言

作為人體血脈網(wǎng)絡(luò)的一部分，視網(wǎng)膜血管的長度、寬度、彎曲度及分支角度等形態(tài)參數(shù)是否有變化，以及是否有增生、滲出，均可反映全身血管的病變[1]。實現(xiàn)對眼底血管網(wǎng)絡(luò)的特征信息分析，對于輔助診斷眼部疾病和一些全局性病變都有價值。

由于視網(wǎng)膜血管網(wǎng)絡(luò)呈復(fù)雜的樹狀結(jié)構(gòu)，擁有豐富的分枝，多樣，同時細(xì)小血管與背景之間的對比度較弱，使得視網(wǎng)膜血管分割成為一個充滿挑戰(zhàn)的課題。彩色眼底照相（CFP）、眼底熒光素血管造影（FFA）等眼底影像受到廣泛關(guān)注，已經(jīng)產(chǎn)生大量血管分割算法，綜述[2]按照不同角度對視網(wǎng)膜血管的分割算法做了很好的回顧。根據(jù)所用的圖像處理理論和算法，將視網(wǎng)膜血管分割算法分為六類：（1）模式識別技術(shù)；（2）匹配濾波；（3）血管追蹤；（4）數(shù)學(xué)形態(tài)學(xué)；（5）多尺度方法；（6）基于模型的方法。分析各種血管分割算法，其實質(zhì)離不開對醫(yī)學(xué)影像中的血管形態(tài)信息進(jìn)行特征建模。模式識別技術(shù)通常是對血管的灰度、梯度等局部特征的建模和分類；匹配濾波利用了血管的橫斷面近似高斯模型或混合高斯模型；追蹤算法離不開對局部血管的尺寸、方向、曲率、線性度、對比度的漸變性來實現(xiàn)血管的逐步遞推和跟蹤檢測；多尺度方法通常利用了血管網(wǎng)絡(luò)的分段線性尺度特性；基于模型的分割算法更是利用血管的局部灰度、梯度等特征信息進(jìn)行能量函數(shù)建模。

基于此，本文從視網(wǎng)膜血管在各種醫(yī)學(xué)影像中特征表現(xiàn)展開分析，對常規(guī)的視網(wǎng)膜血管建模方法做了性能比對，讓讀者能夠從另一種角度理解把握目前的視網(wǎng)膜血管分割算法，從而提出更加合適的視網(wǎng)膜血管分割算法。

1 視網(wǎng)膜血管在常用醫(yī)學(xué)影像中的特征表現(xiàn)

利用眼底照相機對眼球內(nèi)壁進(jìn)行不同角度的拍攝，能夠獲取二維的視網(wǎng)膜影像。眼底照相機一般有三種操作模式：在白色光源下，能夠獲取真彩色眼底圖像；濾除紅色圖像光后，能夠獲取血管對比度高的眼底圖像；注射熒光劑后，可以獲取眼底熒光素血管影像。血管注射熒光素鈉后，利用490納米的藍(lán)色光源能夠激發(fā)血管中的熒光，從而獲取血管高亮的視網(wǎng)膜血管影像，如圖1所示。

圖1 眼底熒光素血管影像[3]

由圖1看出視網(wǎng)膜血管的形態(tài)信息：（1）視網(wǎng)膜血管是分段線性的網(wǎng)狀結(jié)構(gòu)；（2）血管的灰度值與背景存在灰度差，但是在細(xì)小血管處，灰度差很小；（3）血管的寬度差別很大，從視盤出發(fā)，血管寬度從十幾個像素減少到一兩個像素；（4）血管橫斷剖面近似于高斯分布或混合高斯分布。

目前有許多視網(wǎng)膜醫(yī)學(xué)影像的公用數(shù)據(jù)庫[2]。其中DRIVE和STARE兩大眼底圖像數(shù)據(jù)庫分別提供了不同眼底照相機從不同角度獲取的彩色眼底圖像，兩者都有兩套眼科專家手工分割的視網(wǎng)膜血管網(wǎng)絡(luò)作為金標(biāo)準(zhǔn)，便于視網(wǎng)膜血管分割算法的性能比較。

2 視網(wǎng)膜血管特征建模及分析

表1總結(jié)了視網(wǎng)膜血管網(wǎng)絡(luò)的特征表現(xiàn)，并給出常見的特征模型及其存在的主要問題。由表1看出，僅對血管的一個屬性進(jìn)行建模無法有效分割目標(biāo)。管狀器官的局部特征便于提取和建模，廣泛應(yīng)用于視網(wǎng)膜的血管分割，包括對圖像的濾波和增強。管狀器官的全局特征為分割算法提供全局空間一致性信息，便于處理圖像的局部噪聲和分割不連續(xù)的管狀器官。但是由于全局特征的獲取復(fù)雜度高，該類算法值得進(jìn)一步研究。

表1 視網(wǎng)膜血管的特征表現(xiàn)及常見特征模型

Hessian矩陣的本征值分析是血管增強的最常用工具[4]。基于Hessian矩陣的管狀檢測器通常選用不同的測量尺度來檢測目標(biāo)，并且將所有尺度下的最大尺寸合并為一個多尺度響應(yīng)。但是Hessian匹配濾波存在三個問題：（1）采用Gaussian函數(shù)與圖像進(jìn)行卷積計算梯度向量場，會導(dǎo)致邊界模糊；（2）由Hessian矩陣特征值定義的管狀結(jié)構(gòu)度量函數(shù)難以分割分叉點；（3）需要在多尺度空間下，獲取不同尺度下的管狀結(jié)構(gòu)最大響應(yīng)，計算量大。

Xu和Prince提出的梯度向量場（GVF）[5]能夠?qū)崿F(xiàn)圖像的邊界梯度信息向目標(biāo)中心的擴散。由于來自管狀器官邊界的梯度向量在中心處相互抵消，導(dǎo)致GVF向量場在管狀器官的中心處幾乎為零，恰好對應(yīng)多尺度檢測的最大尺度響應(yīng)，因此可以采用Jacobian矩陣代替?zhèn)鹘y(tǒng)多尺度下的Hessain矩陣進(jìn)行血管檢測[2]。根據(jù)Jacobian矩陣的特征值和特征向量信息可以進(jìn)行三個方面的應(yīng)用：（1）進(jìn)行管狀結(jié)構(gòu)檢測，增強管狀器官；（2）管腔脊線生成，經(jīng)過細(xì)化可以作為血管中心線；（3）提供細(xì)小血管的方向信息，從而為視網(wǎng)膜血管的交叉、分支在3維空間的走向提供信息。

3 結(jié)論

由于視網(wǎng)膜血管網(wǎng)絡(luò)形態(tài)復(fù)雜、位置特殊，準(zhǔn)確提取視網(wǎng)膜血管網(wǎng)絡(luò)，為心血管和眼科疾病的診斷提供幫助，成為許多計算機輔助治療系統(tǒng)的研究核心。由此產(chǎn)生了大量分割提取視網(wǎng)膜血管的算法和成果，但是依然存在許多問題有待解決。比如，有關(guān)分割已經(jīng)病變或存有噪音的視網(wǎng)膜血管的算法很少；算法復(fù)雜度高，對高分辨率的醫(yī)學(xué)影像進(jìn)行血管分割依然具有很大的挑戰(zhàn)。許多算法局限于對DRIVE和STARE數(shù)據(jù)庫的圖像進(jìn)行分析，性能測量僅限局部的特定形態(tài)特征。兩大公用數(shù)據(jù)庫的圖像數(shù)據(jù)缺少圖片之間的相關(guān)信息，比如，片內(nèi)或片間的灰度變換，相鄰圖片之間的對比度和不均勻的背景灰度不斷漂移等信息。充分利用這些全局性的血管特征信息是進(jìn)行視網(wǎng)膜血管分割及分析的方向。

［1］Cheng S C,Huang Y M.A novel approach to diagnose diabetes based on the fractal characteristics of retinal images[J].Information Technology in Biomedicine,IEEE Transactions on,2003,7(3):163-170.

［2］FrazMM,RemagninoP,HoppeA,etal.Bloodvessel segmentationmethodologies in retinal images-a survey[J].Computer methods and programs in biomedicine,2012,108(1):407-433.

［3］Arevalo,J.Fernando.Retinal angiography and optical coherence tomography[M].New York:Springer,2009.

［4］Frangi A F,Niessen W J,Vincken K L,et al.Multi-scale vessel enhancement filtering [M]//Medical Image Computing and Computer-Assisted Interventation MICCAI’98.Springer Berlin Heidelberg,1998:130-137.

［5］Xu C,Prince J L.Snakes,shapes,and gradient vector flow[J].Image Processing,IEEE Transactions on,1998,7(3):359-369.