基于深度卷積神經(jīng)網(wǎng)絡(luò)的青光眼診斷方法研究

胡 典，鄭璐瑤，郭彥銘，計明杰，徐光毅

（沈陽工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，沈陽110870）

1 引 言

青光眼是一種引起眼睛視神經(jīng)損傷、導(dǎo)致視力下降的疾病，也被稱為“無聲的視力竊賊”，是全球第二大致盲原因[1]。其特征是神經(jīng)節(jié)細(xì)胞的功能喪失，導(dǎo)致視神經(jīng)頭部結(jié)構(gòu)、視網(wǎng)膜神經(jīng)纖維層厚度、神經(jīng)節(jié)細(xì)胞和內(nèi)叢狀層的改變。據(jù)統(tǒng)計，全球人群中青光眼的患病率為3.54%，約有6426 萬人；預(yù)計到2020 年和2040 年分別將達(dá)7602 萬人和11182萬人[2]。由于該病具有較高的隱蔽性，若得不到及時治療，會對視神經(jīng)造成不可逆轉(zhuǎn)的損害，導(dǎo)致永久性視力喪失。

數(shù)字眼底圖像是輔助醫(yī)生分析、判斷疾病的重要醫(yī)療工具[3]，可以利用眼底圖像對青光眼進(jìn)行前期檢測。及時發(fā)現(xiàn)可進(jìn)一步控制青光眼的療效，以免病情惡化。因此，早期診斷青光眼可以顯著降低永久性失明的風(fēng)險。近年來，眼底圖像在視網(wǎng)膜疾病診斷中的應(yīng)用越來越多，許多國內(nèi)外學(xué)者基于眼底圖像在青光眼診斷方面做了深入研究。傳統(tǒng)的診斷方法[4-11]通過人工提取眼底圖像特征對視盤（OpticDisk,OD）和視杯（Optic Cup, OC）進(jìn)行分割，并進(jìn)行青光眼分類，但由于分割誤差大且耗時較長，容易出現(xiàn)人為的分類錯誤。因此，需要改進(jìn)的自動化的機(jī)器學(xué)習(xí)方法輔助青光眼診斷，首先從視網(wǎng)膜圖像中高效且準(zhǔn)確地分割出視盤和視杯，然后使用不同的分類方法，通過計算性能指標(biāo)等參數(shù)[12-13]將其診斷為正常或異常。

為改進(jìn)現(xiàn)有方法，Wong 等人[14]提出了一種基于融合的杯盤比（CDR）進(jìn)行青光眼評估，結(jié)合不同方法計算CDR 值，并將其輸入分類器，采用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對分割后的圖像進(jìn)行正常和異常分類。在性能分析上，支持向量機(jī)的CDR 錯誤率優(yōu)于神經(jīng)網(wǎng)絡(luò)，提高了青光眼分類性能。但由于輸入圖像中存在血管而導(dǎo)致輪廓邊界不均勻，影響了分割性能。Avushi 等人[15]提出了一種基于CDR 和邊緣盤比（RDR）特征診斷青光眼的方法，首先采用大津閾值法對紅色通道進(jìn)行視盤分割，在綠色通道進(jìn)行視杯分割并計算CDR 比值；然后通過視盤和視杯減除獲得視網(wǎng)膜神經(jīng)邊緣，利用每個象限的掩膜得到ISNT 區(qū)域，計算RDR 比值；最后將特征輸入支持向量機(jī)進(jìn)行青光眼分類。結(jié)果表明，該方法在診斷青光眼準(zhǔn)確性、靈敏度和特異性方面都有所提高。柯士園等人[16]提出基于集成學(xué)習(xí)的計算機(jī)輔助診斷青光眼算法，對杯盤比和視神經(jīng)纖維層厚度原始數(shù)據(jù)降維后分別提取出新的二維特征來代表尺度和形狀信息，將杯盤比和視神經(jīng)纖維層厚度兩種特征融合起來，分別采用線性和非線性分類器聯(lián)合診斷青光眼。文獻(xiàn)[17]基于彩色眼底圖像中視盤自動定位來輔助青光眼診斷，通過自動檢測OD 中心點(diǎn)并確定OD 直徑來進(jìn)行青光眼評估，克服了青光眼自動檢測和定位的問題，但是由于視盤內(nèi)有血管存在，可能導(dǎo)致視盤邊界的錯誤檢測。因此，為了更加準(zhǔn)確地診斷青光眼疾病，在進(jìn)行視盤定位與分割之前對眼底圖像進(jìn)行去除血管操作是預(yù)處理過程必不可少的。

2 一種改進(jìn)的青光眼檢測方法

為解決上述問題，提高計算機(jī)輔助青光眼檢測技術(shù)的準(zhǔn)確性，在此提出一種方法，首先對原始眼底圖像的綠色通道分量進(jìn)行中值濾波去噪和對比度增強(qiáng)操作，以更加方便地進(jìn)行后續(xù)的血管分割、局部視盤區(qū)域分割操作；接著基于深度卷積神經(jīng)網(wǎng)絡(luò)對圖像處理技術(shù)的預(yù)處理結(jié)果進(jìn)行青光眼檢測。為了提高青光眼檢測的準(zhǔn)確性。

對原始眼底圖像進(jìn)行前期預(yù)處理操作，利用視盤血管密集且粗大的特性進(jìn)行血管分割，降低血管對視盤定位的影響，提高局部視盤區(qū)域的分割準(zhǔn)確率，接著采用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）進(jìn)行青光眼檢測。該方法的具體步驟如圖1 所示。

圖1 改進(jìn)的青光眼檢測方法步驟圖

2.1 眼底圖像處理

眼底圖像處理過程如圖2 所示。首先對原始眼底圖像的三色通道進(jìn)行分析。據(jù)研究，與藍(lán)色通道分量相比，紅色通道分量中的ROI 整體亮度值較高，與背景區(qū)域的連接處灰度變化劇烈，但血管信息損失嚴(yán)重且視盤亮度極高以至邊界模糊；而綠色通道分量血管信息保留完整，視盤亮度較高且輪廓明顯，如圖2(b)所示，可以用來進(jìn)行后續(xù)的血管分割、局部視盤區(qū)域分割操作。總體處理步驟可歸納如下：

1) 預(yù)處理

首先，使用雙線性插值技術(shù)對原始眼底圖像進(jìn)行尺寸調(diào)整；然后，為了盡量避免噪聲干擾的同時盡可能保留圖像中的邊緣信息，對眼底圖像的綠色通道分量進(jìn)行中值濾波去噪；最后，采取CLAHE 對比度增強(qiáng)算法來進(jìn)行圖像增強(qiáng)，在有效增強(qiáng)圖像局部對比度的同時保留更多細(xì)節(jié)信息，此時進(jìn)行后續(xù)的血管分割可以得到較好的效果，如圖2(c)所示。

2) 血管分割

為了凸顯血管像素并抑制背景像素需進(jìn)行血管增強(qiáng)操作，使用形態(tài)學(xué)操作，即頂帽變換和底帽變換。這樣會使微小或低對比度血管的對比度增強(qiáng)，但仍存在噪聲，使得常規(guī)血管和微小血管的分析變得更加困難。為了解決這一問題，此處使用大津閾值分割操作，可粗略分割出血管像素[18]，能更好地觀察正常血管以及微小或低對比度的血管。使用此方法進(jìn)行血管分割有助于后續(xù)準(zhǔn)確地定位視盤，從而有利于實(shí)現(xiàn)局部視盤區(qū)域的精確分割，如圖2(d)所示。

3) 局部視盤區(qū)域

在前步血管分割的基礎(chǔ)上，依據(jù)血管提取結(jié)果，基于DLC 定向局部對比度算法進(jìn)行快速提取OD候選區(qū)，以候選區(qū)附近的血管分支數(shù)為依據(jù)選取視盤亮斑即OD 定位結(jié)果，如圖2(e)所示；而局部OD區(qū)域會以更高的分辨率保留更詳細(xì)的信息，有利于學(xué)習(xí)精細(xì)的表示。因此，最后以O(shè)D 定位結(jié)果為中心裁剪出局部OD 區(qū)域，如圖2(f)所示。

圖2 眼底圖像處理過程圖

2.2 深度卷積神經(jīng)網(wǎng)絡(luò)

針對圖像預(yù)處理結(jié)果，使用基于深度卷積網(wǎng)絡(luò)（DCNN）進(jìn)行青光眼檢測，并使用Softmax 分類器進(jìn)行二分類：青光眼和正常眼。在臨床試驗中，常采用精細(xì)測量來評價疾病指標(biāo)，Salehinejad 等人[19]指出幾何變換可以改變病理區(qū)域的形態(tài)，進(jìn)而增強(qiáng)檢測變換。在此，基于深度卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)合kmeans 分割算法對局部OD 區(qū)域進(jìn)行OC 分割。最后在Softmax 激活作為像素化分類，以產(chǎn)生青光眼概率圖，實(shí)現(xiàn)青光眼眼底圖像檢測。

深卷積神經(jīng)網(wǎng)絡(luò)是一種人工神經(jīng)網(wǎng)絡(luò)，它的權(quán)值分擔(dān)網(wǎng)絡(luò)結(jié)構(gòu)使其更接近于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜性，減少了權(quán)值的數(shù)量。當(dāng)網(wǎng)絡(luò)的輸入是多維圖像時，其優(yōu)勢更加明顯，可以直接將圖像作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識別算法的復(fù)雜特征提取和數(shù)據(jù)重建過程。該網(wǎng)絡(luò)結(jié)構(gòu)對平移、縮放、傾斜或其他形式的變形具有高度的不變性。

此處使用8 層DCNN，前5 層是卷積層，其余3層是完全連接層，最后一個完全連接層的輸出被送入一個二路Softmax 分類器，它在兩個類標(biāo)簽上產(chǎn)生一個分布。基于DCNN 的青光眼檢測和分級分類器的概述如圖3 所示。每一層由若干個二維特征圖組成，其中每個特征圖通常捕獲圖像的特定方面，如顏色、對象類別或?qū)傩裕瑫r以粗分辨率保留空間信息。例如，pool5 層由256 個特征圖組成，每個特征圖的分辨率為6×6，因此，該層的特征圖以6×6 的分辨率保存空間信息。雖然早期的圖層捕獲了一些基本的概念，如線、圓和條紋，但較深層的要素圖可以識別出更多的高階概念[20]。

圖3 基于DCNN 的青光眼檢測與分級分類器

3 實(shí)驗與結(jié)果分析

3.1 實(shí)驗條件

3.1.1 實(shí)驗數(shù)據(jù)庫

為驗證本方法的較高魯棒性，采用Dhristi-GS數(shù)據(jù)庫圖像進(jìn)行驗證。該數(shù)據(jù)庫共101 幅眼底圖像，其中訓(xùn)練集50 幅，測試集51 幅，在該數(shù)據(jù)集釋放中，眼底區(qū)域（具有視網(wǎng)膜結(jié)構(gòu)的圖像區(qū)域）已通過消除周圍非眼底黑色區(qū)域從原始圖像中提取，以獲得約2047×1760 像素的圖像。并且該眼底圖像庫包含專家標(biāo)定的青光眼的CDR 值和INST 規(guī)則，并且為每幅眼底圖像標(biāo)注了OD 和OC 掩膜二值圖。

由于訓(xùn)練數(shù)據(jù)量很小，為防止模型過擬合，提高模型的準(zhǔn)確性和魯棒性，對訓(xùn)練集圖像進(jìn)行數(shù)據(jù)擴(kuò)充，通過以下選項之一隨機(jī)采樣每幅訓(xùn)練圖像：

步驟1：使用整個原始輸入圖像；

步驟2：在300 像素范圍內(nèi)隨機(jī)上下移動輸入圖像；

步驟3：按[0°,360°]范圍內(nèi)隨機(jī)旋轉(zhuǎn)輸入圖像；

步驟4：按[0,8,15]的因子隨機(jī)縮放輸入圖像。

具體各類別下眼底圖像數(shù)量如表1 所示。

表1 各分類下眼底圖像數(shù)量對比

3.1.2 評價標(biāo)準(zhǔn)

采用四種常用的評估標(biāo)準(zhǔn)來衡量績效：準(zhǔn)確率（Accuracy）、召回率（Recall）、精確率（Precision）和 F1指標(biāo)（F1_meature）。準(zhǔn)確率是分類性能的總體度量，它是分類正確的樣本數(shù)與總樣本數(shù)之比；召回率是所有正例樣本中被分對的比例；精確率是被分為正例的樣本中實(shí)際為正例的比例；F1 指標(biāo)是精確率和召回率的調(diào)和均值。它們的計算方法如下：

式中以 A、R、P 和 F1_meature分別代表準(zhǔn)確率、召回率、精確率和F1 指標(biāo)。以TP和TN分別表示真陽性和真陰性的數(shù)目；FP和FN分別表示假陽性和假陰性的數(shù)目。以Dhristi-GS 數(shù)據(jù)庫青光眼樣本為例，“真陽性”意味著樣本被正確分類為青光眼。若青光眼樣本被錯誤地歸為其他分類，即稱為“假陰性”。“真陰性”和“假陽性”的含義類似，“真陰性”意味著其他分類樣本未被錯誤地歸為青光眼，而“假陽性”意味著其他分類樣本被錯誤地歸為青光眼。調(diào)整診斷閾值可得到一系列標(biāo)準(zhǔn)得分，然后使用F1 指標(biāo)得分最高的閾值作為最終閾值來預(yù)測青光眼分類性能。

3.2 實(shí)驗結(jié)果分析

為進(jìn)一步驗證該基于深度卷積神經(jīng)網(wǎng)絡(luò)輔助青光眼診斷方法的有效性，針對擴(kuò)充后的眼底圖像數(shù)據(jù)庫，使用DCNN 模型對數(shù)據(jù)擴(kuò)充后的訓(xùn)練集圖像進(jìn)行模型訓(xùn)練，測試結(jié)果如圖4 所示。

圖4 基于DCNN 的OD 和OC 分割結(jié)果圖

如圖4(a)所示，本方法提取的OD 掩膜（外圈）與數(shù)據(jù)庫中專家給出的OD 掩膜（內(nèi)圈）幾乎重合。據(jù)分析可知，通過圖像處理方法獲取的局部OD 區(qū)域具有較高的分割準(zhǔn)確性，便于后期進(jìn)行二分類。

基于深度卷積神經(jīng)網(wǎng)絡(luò)模型，使用k-means 算法對OC 進(jìn)行分割，并結(jié)合OC 呈圓形或橢圓形特性，利用基于最小二乘法橢圓擬合算法將不規(guī)則的曲線擬合成規(guī)則的橢圓形，如圖4(b)所示。

對DCNN 模型訓(xùn)練完成后，利用數(shù)據(jù)擴(kuò)充后的訓(xùn)練集圖像進(jìn)行青光眼驗證。其中青光眼的召回率為86.24%，正常眼的召回率為96.41%。隨后，用訓(xùn)練時模型未接觸過的測試集進(jìn)行測試，測試集包含圖像共51 張，其中醫(yī)生判定為青光眼的有38 張，正常眼13 張，系統(tǒng)分類后的分布情況如表2 所示。

表2 測試集樣本分布情況

按照前文定出的評價標(biāo)準(zhǔn)，該系統(tǒng)的性能如表3 所示。

表3 模型可靠性判定結(jié)果

由表中數(shù)據(jù)可知，識別正常眼時的準(zhǔn)確率最高，這是因為正常眼底圖像的視盤和視杯輪廓清晰，特征更明顯，而青光眼的特征則較為多樣，且在有些情況下視盤與視杯的區(qū)分界限不夠明確，更不容易進(jìn)行區(qū)分，從而影響青光眼模型檢測的準(zhǔn)確性。可計算出，該模型的平均準(zhǔn)確率為96.14%，平均召回率為95.47%，平均精確度為94.37%，平均F1 指標(biāo)為95.13%。根據(jù)臨床使用標(biāo)準(zhǔn)，該系統(tǒng)具有實(shí)用性。另外，根據(jù)表2 還可以看出，正常眼底圖像錯分為青光眼圖像的概率為0，這增強(qiáng)了系統(tǒng)的實(shí)用性。

4 結(jié)束語

基于深度卷積神經(jīng)網(wǎng)絡(luò)提出一種青光眼檢測方法，利用圖像處理技術(shù)對眼底圖像進(jìn)行預(yù)處理，結(jié)合k-means 算法對局部OD 區(qū)域進(jìn)行OC 分割，訓(xùn)練后的模型可將被檢測的青光眼數(shù)據(jù)庫圖像分為正常眼底圖像和青光眼圖像兩類。同時，采用的Dhristi-GS眼底圖像庫包含專家標(biāo)定的青光眼的CDR 值和INST 規(guī)則，有助于開發(fā)出可靠和成熟的青光眼評估解決方案。該模型的準(zhǔn)確率達(dá)96.14%，優(yōu)于現(xiàn)有的青光眼檢測方法，具有實(shí)用性，也為臨床診斷提供了很好的輔助作用。