基于深度學習的視網膜分支動脈阻塞分割

郭超 張格致 周寧浩

摘 要：視網膜疾病如視網膜動脈阻塞等的早期診斷和治療是預防永久性視力損傷的關鍵。為輔助臨床眼科醫生更快、更準確地診斷視網膜疾病，提出一種基于深度學習的視網膜分支動脈阻塞分割的方法。首先，將三維視網膜光學相干斷層掃描圖像轉換為二維B超掃描圖像，通過二值化、仿射變換等方法提取視網膜區域作為感興趣區域;然后將感興趣區域送入條件生成對抗網絡進行訓練，實現BRAO病變區域分割;最后，采用腐蝕、閉運算等形態學運算排除假陽性。在20張來自20雙眼睛、包含BRAO急性期和萎縮期視網膜OCT圖像上進行四折交叉驗證，平均正確率、真陽性率、假陽性率分別為94.7%、92.1%、5.0%，表明BRAO分割方法有效。

關鍵詞：視網膜分支動脈阻塞;光學相干斷層掃描;深度學習;條件生成對抗網絡

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

視網膜分支動脈阻塞（Retinal Artery Occlusion，RAO）是一種眼科急癥，由血栓、動脈痙攣等原因造成視網膜動脈血流中斷，從而引起相應視網膜組織缺血、缺氧、變性壞死，導致視細胞迅速死亡，造成不同程度的視力損害[1-2]。研究表明，視網膜動脈阻塞在發生97分鐘之后，會對視網膜感覺層造成不可逆的損傷， 因此及時發現病癥并進行治療對患者尤為重要[3]。

近年來，光學相干斷層掃描（Optical Coherence Tomography，OCT）作為一種實時、高分辨率、無創、無接觸的新型活體成像方法，廣泛用于各種視網膜疾病的輔助診斷和治療。光學相干斷層掃描技術是一種三維成像技術[4-5]，主要利用邁克爾遜干涉原理，依靠光源時間相干性，將光分為兩束，最終，使反射后的兩束光產生干涉。

但目前在臨床中，基于OCT圖像對于視網膜分支動脈阻塞（Branch Retinal Artery Occlusion，BRAO）病變區域的分析主要是定性的，或借助手工測量或標記，費時、費力、具有主觀性，但視網膜分支動脈阻塞治療時采用的藥物劑量需要根據病變區域的大小定量制定。 因此，一種能夠自動檢測、定量分割視網膜分支動脈阻塞區域的算法對于臨床診斷尤為重要。

目前，國內外關于視網膜動脈阻塞的研究大多基于臨床分析，也有一些基于醫學影像自動分析的技術。Chen等[6]提出一種基于三維SD-OCT圖像中的視網膜中央動脈阻塞各個視網膜層次的光密度定量分析方法;Leung等[7]通過視神經頭附近視網膜神經纖維層視網膜的黃斑厚度及靈敏度，研究BRAO患者的結構-功能關系;Asefzaden & Ninyo[8]分析了RAO視盤周圍神經纖維厚度的縱向眼底改變;郭靜云等[9]提出了一種結合AdaBoost分類器和圖搜-圖割算法提出了一種自動分類和分割BRAO的方法。這些方法需要提取特征，速度較慢，且由于BRAO病變區域的邊界非常模糊，分割正確率有待進一步提升。

本文提出一種基于深度學習的視網膜分支動脈阻塞分割的方法，其流程如圖1所示。首先，將三維OCT圖像轉換為二維B掃描圖像;接著，初步提取視網膜區域作為感興趣區域;隨后，將感興趣區域送入條件對抗網絡進行訓練;最后，采用腐蝕、閉運算等形態學運算進行后處理，實現分支動脈阻塞病變區域分割。

3 結語

本文使用二值化、開運算、凸包算法、仿射變換對圖像進行初分割，提取視網膜區域為感興趣區域;然后，使用條件對抗網絡進行訓練，對二維B掃描圖像中病變區域進行分割;最后，通過腐蝕算法對測試后的結果進行腐蝕，實驗真陽性率為92.1%、正確率為94.7%、交并比為66.6%。

但是，本文方法也存在一些不足：①本文方法是基于二維B掃描圖像的分割，未從三維角度進行分析，未充分利用到圖像空間關聯信息;②本文方法對于病變區域較小的部位判別度較低。今后研究重點是基于三維圖像的BRAO分割，充分利用圖像前后幀的空間關聯信息，以進一步提高分割準確率。

參考文獻：

[1] 李偉，金明. 視網膜動脈阻塞的相關風險因素研究現狀[J]. 眼科新進展，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數字圖像處理[M].? 北京： 清華大學出版社，2016：272.

[11] 李曉飛，馬大瑋，粘永健，等. 圖像腐蝕和膨脹的算法研究[J]. 影像技術，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] 王軍，夏利民，夏勝平. 利用生成模型的人體行為識別[J]. 國防科技大學學報，2016，38（2）：68-74.

[14] 黃利文. 一種判別模型的擇優方法[J]. 江西理工大學學報，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] 張營營. 生成對抗網絡模型綜述[J]. 電子設計工程，2018，26（5）：34-37.

[18] GONZALEZ R C，WOODS R E，EDDINS? S L. 數字圖像處理的MATLAB實現[M]. 阮秋琦，譯. 北京：清華大學出版社，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.

（責任編輯：江 艷）