免散瞳眼底圖像中微動(dòng)脈瘤的高效自動(dòng)檢測(cè)

高瑋瑋 沈建新* 王玉亮 梁 春 左 晶 2

（南京航空航天大學(xué)機(jī)電學(xué)院，南京 2 10016）2（江蘇省中醫(yī)院眼科，南京 2 10029）

引言

糖尿病是嚴(yán)重影響人類(lèi)健康的內(nèi)分泌疾病，致殘致死率僅次于心腦血管疾病及癌癥。據(jù)預(yù)測(cè)，到2030年全球糖尿病患者將達(dá)到總?cè)丝跀?shù)的4.4％［1］。該疾病不僅給人們帶來(lái)巨大痛苦，且?guī)?lái)眾多并發(fā)癥，其中，以糖尿病視網(wǎng)膜病變（diabetic retinopathy，DR，簡(jiǎn)稱(chēng)“糖網(wǎng)”）發(fā)生率最高，對(duì)視力影響也最大，已成為目前，特別是發(fā)達(dá)國(guó)家20～74歲成人致盲的首要原因［2］。由于每個(gè)糖尿病患者都有發(fā)展為DR的可能，而DR具有進(jìn)行性、不可逆性，因此，如何準(zhǔn)確篩查無(wú)明顯視力損傷的糖尿病患者是否存在DR，不僅為早期診斷、早期治療從而挽救患者視功能提供先機(jī)，還可節(jié)約大量社會(huì)醫(yī)療資源。目前國(guó)內(nèi)外已有多種篩查方法［3-4］，其中免散瞳眼底照相檢查，由于具有簡(jiǎn)單易行、價(jià)格低廉、圖像易得、直觀、易于保存和記錄，且與眼底熒光造影診斷結(jié)果，具有顯著一致性和較高的靈敏度、特異性等優(yōu)點(diǎn)，被眼科醫(yī)生普遍認(rèn)為最適用于DR的篩查和隨診［5］。但現(xiàn)階段該方法基本依靠眼科醫(yī)生對(duì)眼底圖像的肉眼觀察，這對(duì)實(shí)施大規(guī)模DR篩查，存在明顯不足與局限。因此，若能借助計(jì)算機(jī)快速、可靠地自動(dòng)識(shí)別出眼底圖像中的DR病灶，不僅可將醫(yī)生從繁重的人工閱片工作中解脫出來(lái)，更為DR篩查的大規(guī)模實(shí)施提供必備的基礎(chǔ)條件。臨床上通常將DR分為非增殖期、增殖前期以及增殖期［6］。其中在非增殖期，患者視網(wǎng)膜會(huì)出現(xiàn)微動(dòng)脈瘤（microaneurysm，MA）、視網(wǎng)膜內(nèi)出血（haemorrhage，H）以及毛細(xì)血管滲漏引發(fā)的硬性滲出（hard exudates，EXs）。MA雖也可在其他疾病中見(jiàn)到，但它仍是DR的特征性表現(xiàn)，是該病最早的可靠特征，它的出現(xiàn)與否以及數(shù)目可作為DR等級(jí)分類(lèi)的依據(jù)［7］。因此，該病灶的自動(dòng)檢測(cè)對(duì)于建立基于眼底圖像的DR自動(dòng)篩查系統(tǒng)尤為關(guān)鍵。

針對(duì)眼底圖像中MA的自動(dòng)檢測(cè)，國(guó)外許多學(xué)者對(duì)此進(jìn)行研究并提出了相關(guān)算法，而國(guó)內(nèi)目前沒(méi)有相關(guān)研究的報(bào)道。Spencer等［8］、Cree等［9］、以及Frame A等［10］都提出了針對(duì)眼底熒光血管造影圖像的MA自動(dòng)檢測(cè)算法；Hipwell等將此類(lèi)算法進(jìn)行了優(yōu)化，并應(yīng)用到了高分辨率無(wú)赤光眼底圖像MA的自動(dòng)檢測(cè)中［11］；Sinthanayothin等利用循環(huán)區(qū)域生長(zhǎng)法以及人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了散瞳眼底圖像中MA的自動(dòng)檢測(cè)［12］；Larsen等提出了商業(yè)化的DR紅色病灶（MA和H）自動(dòng)檢測(cè)系統(tǒng)，但沒(méi)有公開(kāi)相關(guān)算法［13］；Niemeijer等在對(duì)免散瞳眼底圖像中每個(gè)像素分類(lèi)從而獲取DR紅色病灶候選區(qū)域的基礎(chǔ)上，利用K-近鄰分類(lèi)器獲得真DR紅色病灶［14］；Martins等利用多層感知器（MLP）神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)免散瞳眼底圖像中MA的自動(dòng)檢測(cè)［15］；Hatanaka等利用double-ring濾波器以及特征分析，實(shí)現(xiàn)了免散瞳眼底圖像中MA的自動(dòng)檢測(cè)［16］；Narasimhan等分別通過(guò)支持向量機(jī)以及貝葉斯分類(lèi)器，實(shí)現(xiàn)眼底圖像中MA、H以及EXs的自動(dòng)識(shí)別［17］。

為實(shí)施大規(guī)模的DR篩查，必須建立以免散瞳眼底圖像為對(duì)象的DR自動(dòng)篩查系統(tǒng)。而目前已有MA自動(dòng)檢測(cè)算法，多是針對(duì)眼底熒光血管造影圖像、無(wú)赤光眼底圖像以及散瞳眼底圖像。與它們相比，免散瞳眼底圖像質(zhì)量相對(duì)較差，MA自動(dòng)檢測(cè)難度更大，故文獻(xiàn)［8-12］中的算法并不適用于免散瞳眼底圖像中MA的自動(dòng)檢測(cè)。文獻(xiàn)［13-14］將MA與H作為一個(gè)整體進(jìn)行檢測(cè)，這在一定程度上忽略了MA作為DR最早期病癥對(duì)該疾病的預(yù)示價(jià)值。因此，為構(gòu)建基于免散瞳眼底圖像的DR自動(dòng)篩查系統(tǒng)，在已實(shí)現(xiàn)免散瞳眼底圖像中EXs自動(dòng)檢測(cè)［18］的基礎(chǔ)上，提出了一種新的適用于免散瞳眼底圖像中MA自動(dòng)檢測(cè)的算法。該算法充分利用免散瞳眼底圖像中MA的形態(tài)特征，采用擴(kuò)展極小值（extended-minima，EMIN）變換［19］獲取MA候選區(qū)域；然后從中去掉EXs和血管以消除由這二者造成的假陽(yáng)；最后根據(jù)MA的尺寸信息獲取真正的MA。

1 材料與方法

1.1 實(shí)驗(yàn)材料及設(shè)備

源圖像由江蘇省中醫(yī)院眼科提供，為Canon CF-60DSI眼底照相機(jī)拍攝的100幅分辨率為3 504像素×2 336像素的JPG彩色免散瞳眼底圖像（目前，國(guó)際上還沒(méi)有用于評(píng)價(jià)DR病灶自動(dòng)檢測(cè)算法性能的公共標(biāo)準(zhǔn)圖像數(shù)據(jù)庫(kù)［20］）。這些圖像具有不同的顏色、亮度和質(zhì)量。實(shí)際使用時(shí)，對(duì)原圖進(jìn)行了適當(dāng)裁剪，去掉背景區(qū)域并進(jìn)行了壓縮，即實(shí)際處理圖像的分辨率為750像素×500像素。據(jù)眼科醫(yī)師判斷，除45幅健康眼底圖像外，其余55幅眼底圖像中均出現(xiàn)了MA（在彩色免散瞳眼底圖像中MA表現(xiàn)為邊界清楚的紅或暗紅色小圓點(diǎn)，其直徑常在15～60 μm，即視盤(pán)邊緣視網(wǎng)膜靜脈直徑的1/8～1/2，也偶有較大者，可至視網(wǎng)膜靜脈直徑，但一般不超過(guò) 1 25 μm［7］）。MA以及 E Xs在彩色免散瞳眼底圖像中的具體形態(tài)見(jiàn)圖1。對(duì)于出現(xiàn)MA的55幅眼底圖像，由該眼科醫(yī)師對(duì)其中MA的相關(guān)位置進(jìn)行手工標(biāo)注，所得標(biāo)注結(jié)果將用于評(píng)價(jià)算法對(duì)該病灶的自動(dòng)檢測(cè)性能。

圖1 彩色免散瞳眼底圖像及MA和EXs細(xì)節(jié)Fig.1 Color non-dilated fundus image and detail of MA and EXs

圖2 算法流程圖Fig.2 Flowchart of the proposed algorithm

實(shí)驗(yàn)系統(tǒng)配置為：Intel（R）Core（TM）Duo E7500 CPU，6.00 GB RAM的計(jì)算機(jī)，Matlab R2009a的軟件環(huán)境。

1.2 方法

據(jù)臨床觀察，MA以直徑小于125 μm的紅或暗紅色孤立圓點(diǎn)存在于視網(wǎng)膜上，在免散瞳眼底圖像G通道（記為fg，見(jiàn)圖3（a））中表現(xiàn)為區(qū)域內(nèi)部具有連續(xù)灰度值但其外部邊緣像素灰度值確定更高的孤立區(qū)域，因此，可利用EMIN變換將其從免散瞳眼底圖像G通道中檢測(cè)出來(lái)；但EXs以及血管中也存在滿(mǎn)足此特征的區(qū)域，故還需將這二者從EMIN變換后的結(jié)果中去除；最后在得到的MA候選區(qū)域中利用MA的尺寸信息獲取真正的MA。因此，文中算法對(duì)免散瞳眼底圖像中MA的自動(dòng)檢測(cè)主要包括4步驟：免散瞳眼底圖像G通道預(yù)處理；EXs自動(dòng)檢測(cè)與去除；血管自動(dòng)檢測(cè)及去除；根據(jù)尺寸信息實(shí)現(xiàn)MA的自動(dòng)檢測(cè)。具體算法流程見(jiàn)圖2。

1.2.1 免散瞳眼底圖像G通道預(yù)處理

免散瞳眼底圖像在獲取、傳輸和存儲(chǔ)的過(guò)程中，不可避免地受到各種噪聲源的干擾。這些噪聲的存在使得所觀測(cè)到的圖像會(huì)出現(xiàn)諸如光照不均、對(duì)比度不足等缺陷，嚴(yán)重影響了圖像的應(yīng)用效果。因此，為獲得理想的分割效果，在進(jìn)行相關(guān)目標(biāo)分割前，有必要對(duì)圖像進(jìn)行預(yù)處理。

首先對(duì)fg1進(jìn)行中值濾波以消除噪聲，結(jié)果記為fg。另外，為增強(qiáng)顯示效果，提高圖像對(duì)比度，需進(jìn)行灰度均衡化?；叶染饣梢栽谡麖垐D像內(nèi)進(jìn)行，也可以分區(qū)域進(jìn)行，但都有一定的局限與不足，因此，此處選用對(duì)比度受限自適應(yīng)直方圖均衡（contrastlimited adaptive histogram equalization，CLAHE）方法來(lái)增強(qiáng)眼底圖像的對(duì)比度［21］。該方法結(jié)合自適應(yīng)直方圖均衡與對(duì)比度受限兩種方法，因而能夠在最大限度提高圖像對(duì)比度的同時(shí)，對(duì)圖像的視覺(jué)表現(xiàn)產(chǎn)生較小影響，從而使得后續(xù)相關(guān)目標(biāo)檢測(cè)的準(zhǔn)確性得到顯著提高。fg1的CLAHE處理結(jié)果記為fg2（如圖3（b）所示），預(yù)處理前后 M A局部細(xì)節(jié)分別見(jiàn)圖3（c）、（d）。

1.2.2 EXs自動(dòng)檢測(cè)

由于EXs常數(shù)個(gè)或數(shù)十個(gè)呈簇狀堆積，有時(shí)相互融合成片，有時(shí)排列成環(huán)狀，因此，它們之間以及內(nèi)部會(huì)有孔洞存在，這些孔洞會(huì)被EMIN變換檢測(cè)出來(lái)，故在MA自動(dòng)檢測(cè)前必須進(jìn)行EXs的自動(dòng)檢測(cè)。

對(duì)于免散瞳眼底圖像中EXs的自動(dòng)檢測(cè)采用文獻(xiàn)［18］提出的算法：首先利用大津法（Otsu）閾值分割以及數(shù)學(xué)形態(tài)學(xué)快速提取出視盤(pán)，在此基礎(chǔ)上利用方差濾波、形態(tài)學(xué)腐蝕重建等獲取EXs候選區(qū)域；然后利用形態(tài)學(xué)膨脹重建等獲取精確的病灶輪廓，從而獲取真正的EXs。該算法復(fù)雜度低、運(yùn)行速度快、魯棒性強(qiáng)、分割效果好，圖3（a）的具體檢測(cè)結(jié)果，如圖4。

圖3 免散瞳眼底圖像G通道預(yù)處理。（a）免散瞳眼底圖像G通道；（b）預(yù)處理結(jié)果；（c）預(yù)處理前MA局部細(xì)節(jié)；（d）預(yù)處理后MA局部細(xì)節(jié)Fig.3 Preprocessing of green channel.（a）Green channel oforiginalnon-dilatedfundusimage；（b）Result of preprocessing；（c）Closeup of MA before preprocessing；（d）Closeup of MA after preprocessing

圖4 EXs自動(dòng)檢測(cè)結(jié)果。（a）檢測(cè)出的EXs；（b）檢測(cè)結(jié)果疊加在原彩圖上的局部細(xì)節(jié)圖Fig.4 AutomateddetectionresultofEXs.（a）Detection result of EXs；（b）Detail of detection result superimposed over the original image

1.2.3 血管自動(dòng)檢測(cè)

由MA病理特征可知，其不會(huì)出現(xiàn)在血管上。但由于光照不均等因素，免散瞳眼底圖像中的血管上會(huì)出現(xiàn)孔洞、血管片斷等，此類(lèi)區(qū)域亦滿(mǎn)足EMIN變換所能檢測(cè)區(qū)域的特性，因此，血管也是必須去除的假陽(yáng)。對(duì)于血管的自動(dòng)檢測(cè)，通過(guò)對(duì)兩幅圖像的差值進(jìn)行Otsu閾值分割實(shí)現(xiàn)，具體算法描述如下：

（1）對(duì)fg2進(jìn)行灰度形態(tài)學(xué)閉運(yùn)算以消除血管以及相關(guān)細(xì)節(jié)信息（結(jié)果如圖5（a）所示），該形態(tài)學(xué)操作所用結(jié)構(gòu)元素尺寸要大于圖像中血管最大寬度，即

式中，φ表示灰度形態(tài)學(xué)閉運(yùn)算，sB表示大小為s的形態(tài)結(jié)構(gòu)元素B。

（2）利用灰度形態(tài)學(xué)腐蝕重建來(lái)填充fg2中存在的孔洞（結(jié)果如圖5（b）所示），例如紅或暗紅色小圓點(diǎn)，以及血管上的小孔洞，即

表示灰度形態(tài)學(xué)腐蝕重建，fm為重建運(yùn)算中的marker，為 m ask。

在圖5（c）中存在一些孤立的白色小區(qū)域，利用二值形態(tài)學(xué)開(kāi)運(yùn)算將其中小于等于11個(gè)像素的區(qū)域去除（據(jù)統(tǒng)計(jì)，在分辨率為750像素×500像素的免散瞳眼底圖像中，直徑小于125 μm的MA面積不超過(guò)11個(gè)像素），即可得血管fvessel，如圖5（d）所示。

1.2.4 MA自動(dòng)檢測(cè)

MA的自動(dòng)檢測(cè)具體描述如下：

（1）對(duì) fg2進(jìn)行 E MIN變換，即

式中，∧表示逐點(diǎn)求取最小值，－表示取反，fEXs為EXs檢測(cè)結(jié)果。

（3）由于在分辨率為750像素×500像素的眼底圖像中MA面積不超過(guò)11個(gè)像素，因此，利用二值形態(tài)學(xué)開(kāi)運(yùn)算獲取fg7中面積小于等于11個(gè)像素的區(qū)域即得MA，結(jié)果如圖5（g）所示，將其疊加在原彩圖上的效果如圖5（h）。檢測(cè)結(jié)果細(xì)節(jié)見(jiàn)圖6，其（a）中箭頭所指向的MA較不明顯，但采用本算法仍可將其檢測(cè)出來(lái)，如（b）中菱形所示。

2 實(shí)驗(yàn)結(jié)果

2.1 相關(guān)評(píng)價(jià)指標(biāo)及選取

對(duì)MA自動(dòng)檢測(cè)算法進(jìn)行評(píng)價(jià)時(shí)應(yīng)結(jié)合臨床要求，故關(guān)注的是算法能否將MA快速、可靠地從眼底圖像中檢測(cè)出來(lái)，從而準(zhǔn)確篩選出DR病人。因此，文中對(duì)算法性能的相關(guān)評(píng)價(jià)指標(biāo)是分別基于圖像水平以及病灶區(qū)域水平定義的，具體見(jiàn)式（6）～（9）。

圖5 MA檢測(cè)過(guò)程。（a）預(yù)處理圖像的閉運(yùn)算結(jié)果；（b）孔洞填充結(jié)果；（c）血管候選區(qū)域；（d）血管分割結(jié)果；（e）擴(kuò)展極小值變換結(jié)果；（f）MA候選區(qū)域；（g）MA檢測(cè)結(jié)果；（h）檢測(cè)結(jié)果疊加在原彩圖效果Fig.5 The detection of MA.（a）Result of closing on preprocessed image；（b）Result of filling in holes；（c）Candidate regions of vessel；（d）Segmentation result of vessel；（e）Result of extended-minima transform on preprocessed image；（f）Candidate regions of MA；（g）Detection result of MA；（h）Detection result superimposed over the original color image圖6 MA檢測(cè)結(jié)果細(xì)節(jié)。（a）原彩圖；（b）檢測(cè)結(jié)果Fig.6 Detail of detection result of MA.（a）Original color image；（b）Detection result圖7 t不同取值對(duì)MA檢測(cè)結(jié)果的影響。（a）t不同取值對(duì)圖像水平檢測(cè)結(jié)果的影響；（b）t不同取值對(duì)病灶區(qū)域水平檢測(cè)結(jié)果的影響Fig.7 Influence of t on detection result of MA.（a）Influence of t on detection result based on images；（b）Influence of t on detection result based on lesions

式中，TP為真陽(yáng)性，F(xiàn)P為假陽(yáng)性，TN為真陰性，F(xiàn)N為假陰性。具體解釋為：對(duì)于算法檢測(cè)為包含 MA的眼底圖像，根據(jù)其與眼科醫(yī)師人工判斷結(jié)果的一致、不一致，而分別稱(chēng)為真陽(yáng)和假陽(yáng)；對(duì)于算法檢測(cè)為正常的眼底圖像，根據(jù)其與眼科醫(yī)師人工判斷結(jié)果相同、不相同，而分別稱(chēng)為真陰和假陰。將算法對(duì)MA區(qū)域的檢測(cè)結(jié)果與眼科醫(yī)生的人工判斷結(jié)果相比時(shí)，由于算法最終給出的都是其判斷為MA的區(qū)域，因此只存在真陽(yáng)、假陽(yáng)，以及漏檢的假陰，此時(shí)不存在真陰。因此，分別選用圖像水平的靈敏度（sensitivity）、特異性（specificity）、準(zhǔn)確率（accuracy）以及病灶區(qū)域水平的靈敏度、陽(yáng)性預(yù)測(cè)值（predict value）評(píng)價(jià)算法性能。另外，結(jié)合處理效率，即處理一幅圖像（分辨率為750像素×500像素）的平均時(shí)間來(lái)評(píng)價(jià)算法性能。

2.2 參數(shù)確定及算法性能評(píng)價(jià)

文中算法利用的是免散瞳眼底圖像中MA的形態(tài)特征，故除EMIN變換閾值t外，其他相關(guān)參數(shù)主要與處理對(duì)象的分辨率相關(guān)，因此，在實(shí)際情況下根據(jù)處理對(duì)象的分辨率選取相關(guān)參數(shù)即可。對(duì)于EMIN變換閾值t的選取，由多幅眼底圖像檢測(cè)結(jié)果（見(jiàn)圖7）發(fā)現(xiàn)，當(dāng)其取0.05時(shí)MA檢測(cè)結(jié)果最佳。

將100幅免散瞳眼底圖像依圖像質(zhì)量分為兩組，其中60幅被認(rèn)定為質(zhì)量較好，命名為 A組；其余40幅質(zhì)量相對(duì)較差，命名為B組。利用文中算法以及文獻(xiàn)［15］提出的MLP神經(jīng)網(wǎng)絡(luò)方法對(duì)這兩組圖像進(jìn)行 MA自動(dòng)檢測(cè)，具體評(píng)價(jià)指標(biāo)見(jiàn)表1。由表1發(fā)現(xiàn)，文中算法對(duì)兩組免散瞳眼底圖像的檢測(cè)結(jié)果均優(yōu)于 MLP神經(jīng)網(wǎng)絡(luò)方法，特別是處理效率，文中算法處理一幅圖像僅需要9.7s（且包括EXs自動(dòng)檢測(cè)過(guò)程），明顯優(yōu)于MLP神經(jīng)網(wǎng)絡(luò)方法的12.8s。

另外，根據(jù)表1數(shù)據(jù)分別計(jì)算算法對(duì)兩組圖像檢測(cè)結(jié)果的相對(duì)誤差，從而檢驗(yàn)算法穩(wěn)定性。相對(duì)誤差根據(jù)以下公式計(jì)算：

式中，cA表示算法對(duì)A組圖像檢測(cè)結(jié)果的某項(xiàng)指標(biāo)，cB則為同種算法對(duì)B組圖像檢測(cè)結(jié)果的對(duì)應(yīng)指標(biāo)，由此可分別獲得算法對(duì)兩組圖像檢測(cè)結(jié)果相應(yīng)指標(biāo)間的相對(duì)誤差，具體見(jiàn)表2。由表2發(fā)現(xiàn)，文中算法對(duì)兩組圖像檢測(cè)結(jié)果各項(xiàng)評(píng)價(jià)指標(biāo)的相對(duì)誤差均低于4％，且明顯優(yōu)于MLP神經(jīng)網(wǎng)絡(luò)方法。因此，文中算法具有較好的穩(wěn)定性。

表1 檢測(cè)結(jié)果Tab.1 Detection result

表2 兩組圖像檢測(cè)結(jié)果的相對(duì)誤差Tab.2 Relative error of detection result bet ween two groups of images

3 分析與討論

由前面的算法描述可知，利用EMIN變換獲取的MA候選區(qū)域中，存在由EXs以及血管造成的假陽(yáng)。由于前期已實(shí)現(xiàn)的EXs自動(dòng)檢測(cè)算法能夠充分檢測(cè)出圖像中的EXs，因此在最終的檢測(cè)結(jié)果中并未出現(xiàn)由EXs造成的假陽(yáng)，但出現(xiàn)了一些位于血管上的假陽(yáng)，這主要是由無(wú)法檢測(cè)的微弱血管片斷以及對(duì)比度差的血管末梢造成的。因此，文中算法的檢測(cè)結(jié)果在一定程度上依賴(lài)血管檢測(cè)精度。雖然目前已有很多成熟的血管分割算法，但文中血管分割部分并未采用，而是提出了新的簡(jiǎn)單、快速的血管分割算法，這主要為兼顧效率指標(biāo)。EXs的自動(dòng)檢測(cè)已占用了一定的時(shí)間（平均每幅圖像需要9.1s），如果血管分割部分為了追求精度繼續(xù)花費(fèi)大量的時(shí)間，則即使最后的MA檢測(cè)結(jié)果達(dá)到100％的準(zhǔn)確性，對(duì)臨床來(lái)說(shuō)也已無(wú)甚意義。且依據(jù)英國(guó)糖尿病協(xié)會(huì)（British Diabetic Association）于1997年提出的DR病灶自動(dòng)篩查算法最低標(biāo)準(zhǔn)［22］：圖像水平靈敏度80％、特異性95％而言，文中算法已達(dá)到該標(biāo)準(zhǔn)的要求。另外，Javitt等［23］在其所建立的健康準(zhǔn)則模型中對(duì)DR自動(dòng)篩查技術(shù)提出的基本準(zhǔn)則是：60％的靈敏度或是在此基礎(chǔ)上更大化的成本效率。即對(duì)DR病灶的自動(dòng)檢測(cè)在靈敏度等相關(guān)指標(biāo)達(dá)到一定水平的基礎(chǔ)上，也就是說(shuō)在保證可靠性的基礎(chǔ)上，更關(guān)注效率指標(biāo)。因?yàn)閷?duì)于糖尿病患者而言，其視網(wǎng)膜的病變情況會(huì)受糖尿病的治療、控制以及病程等諸多因素的影響，因此，只有保證較高的檢查頻率，定期檢查眼底才能及時(shí)、有效地發(fā)現(xiàn)視網(wǎng)膜的相關(guān)病變。而較高的檢查頻率需要高效的DR病灶自動(dòng)檢測(cè)算法作為保障，因此，文中采用的血管分割算法是合理且有效的。當(dāng)然，若能進(jìn)一步研究出更加簡(jiǎn)單、高效的血管分割算法以及更加快速、有效的EXs自動(dòng)檢測(cè)算法，對(duì)整個(gè)DR自動(dòng)篩查系統(tǒng)而言都是意義重大的。這也是該系統(tǒng)最終能否應(yīng)用于臨床必須解決的關(guān)鍵問(wèn)題。

4 結(jié)論

MA是DR的特征性表現(xiàn)，是DR最早的可靠特征。因此免散瞳眼底圖像中MA的自動(dòng)檢測(cè)，是建立基于免散瞳眼底圖像的DR自動(dòng)篩查系統(tǒng)關(guān)鍵環(huán)節(jié)之一，直接決定了系統(tǒng)篩查結(jié)果的準(zhǔn)確性。只有簡(jiǎn)單、高效的MA自動(dòng)檢測(cè)算法，才能滿(mǎn)足臨床中對(duì)篩查速度與精度的要求。文中算法充分利用免散瞳眼底圖像中MA的形態(tài)特征，采用EMIN變換獲取其候選區(qū)域，并結(jié)合簡(jiǎn)單有效的EXs以及血管自動(dòng)檢測(cè)算法，從而實(shí)現(xiàn)免散瞳眼底圖像中MA的高效自動(dòng)檢測(cè)。該算法在保證較高檢測(cè)精度的基礎(chǔ)上，很好地兼顧了效率指標(biāo)，且算法穩(wěn)定可靠，具有很高的實(shí)用價(jià)值。該研究工作為構(gòu)建基于免散瞳眼底圖像的DR自動(dòng)篩查系統(tǒng)提供了算法支持，為整個(gè)篩查系統(tǒng)奠定了良好的基礎(chǔ)。對(duì)整個(gè)篩查系統(tǒng)而言，在實(shí)現(xiàn)了DR非增殖期的EXs、MA自動(dòng)檢測(cè)基礎(chǔ)上，視網(wǎng)膜內(nèi)出血H的自動(dòng)檢測(cè)將是下一步的研究目標(biāo)。

［1］Wild S，Roglic G，Green A，et al.Global prevalence of diabetes：estimates for the year 2000 and projections for 2030［J］.Diabetes Care，2004，27：1047-1053.

［2］Watkins PJ.ABC of diabetic retinopathy［J］.British Medical Journal，2003，7（2）：105-107.

［3］Villarroel M，Ciudin A，Hernndez C，et al.Neurodegeneration：An early event of diabetic retinopathy［J］.World J Diabetes，2010，1（2）：57-64.

［4］彭金娟，鄒海東，王偉偉，等.上海市北新涇社區(qū)糖尿病視網(wǎng)膜病變遠(yuǎn)程篩查系統(tǒng)的應(yīng)用研究［J］.中華眼科雜志，2010，46（3）：258-262.

［5］蔣升，張莉，克麥爾·艾則孜.免散瞳眼底照相技術(shù)在糖尿病視網(wǎng)膜病變篩查中的應(yīng)用研究［J］.國(guó)際眼科雜志，2008，8（10）：2037-2039.

［6］陳喆，張士勝，朱惠敏.糖尿病視網(wǎng)膜病變的國(guó)際臨床分類(lèi)分析［J］.國(guó)際眼科雜志，2011，11（8）：1394-1401.

［7］Dupas B，Walter T，Erginay A，et al.Evaluation of automated fundus photograph analysis algorithms for detecting microaneurysms，haemorrhages and exudates，and of a computerassisted diagnostic system for grading diabetic retinopathy［J］.Diabetes＆ Metabolism，2010，36（3）：213-220.

［8］Spencer T，Olson JA，McHardy KC，et al.An image-processing strategy for the segmentation and quantification of microaneurysms in fluorescein angiograms of the ocular fundus［J］.Comp Biomed Res，1996，29：284-302.

［9］Cree MJ，Olson JA，McHardy KC，et al.A fully automated comparative microaneurysm digital detection system［J］.Eye，1997，11：622-628.

［10］Frame A，Undrill P，Cree M，et al.A comparison of computer based classification methods applied to the detection of microaneurysmsin ophthalmic fluorescein angiograms［J］.Comput Biol Med，1998，28：225-238.

［11］Hipwell JH，Strachan F，Olson JA，et al.Automated detection of microaneurysms in digital red-free photographs：a diabetic retinopathy screening tool［J］.Diabetic Medicine，2000，17：588-594.

［12］Sinthanayothin C，Boyce JF，Williamson TH，et al.Automated detection of diabetic retinopathy on digital fundus image［J］.Diabetic Medicine，2002，19（2）：105-112.

［13］Larsen M，Godt J，Larsen N，et al.Automated detection of fundus photographic red lesions in diabetic retinopathy［J］.Investigat Ophthalmol Vis Sci，2003，44（2）：761-766.

［14］Niemeijer M，Ginneken B，Staal J，et al.Automatic detection of red lesions in digital color fundus photographs［J］.IEEE Trans Med Imaging，2005，24（5）：584-592.

［15］Martins CIO，Veras RMS，Ramalho GLB，et al.Automatic microaneurysm detection and characterization through digital color fundus images［C］//Proceedings of the II Workshop on Computational Intelligence.Salvador：e Scholarship，2010：45-50.

［16］HatanakaY，Inoue T，Okumura S，etal.Automated microaneurysm detection method based on double-ring filter and feature analysis in retinalfundus images［C］// 25th International Symposium on Computer-Based Medical Systems.Rome：IEEE，2012：1-4.

［17］Narasimhanm K，Neha VC，Vijayarekha K.An efficient automated system for detection of diabetic retinopathy from fundus images using support vector machine and bayesian classifiers［C］//InternationalConference on Computing，Electronicsand Electrical Technologies.Kumaracoil：IEEE，2012：964-969.

［18］高瑋瑋，沈建新，王玉亮.基于數(shù)學(xué)形態(tài)學(xué)的快速糖尿病視網(wǎng)膜病變自動(dòng)檢測(cè)算法［J］.光譜學(xué)與光譜分析，2012，32（4）：760-764.

［19］Soille P.Morphological Image Analysis：Principles and Applications［M］//Berlin：Springer-Verlag，1999：170-171.

［20］Sáanchez CI，Hornero R，López MI，et al.A novel automated image processing algorithm for detection of hard exudates based on retinal images analysis［J］.Med Eng Phys，2007，30（3）：350-357.

［21］Rosenman J，Roe CA，Cromartie R，etal.Portalfilm enhancement：Technique and clinical utility［J］.Int J Rdaiat Oncol Biol Physics，1993，25（2）：333-338.

［22］British Diabetic Association.Retinal Photography Screening for Diabetic Eye Disease［R］.London：British Diabetic Association，1997.

［23］Javitt JC，Canner JK，F(xiàn)rank RG，et al.Detecting and treating retinopathy in patients with typeⅠdiabetes mellitus.A healthy policy model［J］.Ophthalmology，1990，97（4）：483-494.