基于深度學(xué)習(xí)的視網(wǎng)膜分支動(dòng)脈阻塞分割

郭超 張格致 周寧浩

摘 要：視網(wǎng)膜疾病如視網(wǎng)膜動(dòng)脈阻塞等的早期診斷和治療是預(yù)防永久性視力損傷的關(guān)鍵。為輔助臨床眼科醫(yī)生更快、更準(zhǔn)確地診斷視網(wǎng)膜疾病，提出一種基于深度學(xué)習(xí)的視網(wǎng)膜分支動(dòng)脈阻塞分割的方法。首先，將三維視網(wǎng)膜光學(xué)相干斷層掃描圖像轉(zhuǎn)換為二維B超掃描圖像，通過(guò)二值化、仿射變換等方法提取視網(wǎng)膜區(qū)域作為感興趣區(qū)域;然后將感興趣區(qū)域送入條件生成對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)BRAO病變區(qū)域分割;最后，采用腐蝕、閉運(yùn)算等形態(tài)學(xué)運(yùn)算排除假陽(yáng)性。在20張來(lái)自20雙眼睛、包含BRAO急性期和萎縮期視網(wǎng)膜OCT圖像上進(jìn)行四折交叉驗(yàn)證，平均正確率、真陽(yáng)性率、假陽(yáng)性率分別為94.7%、92.1%、5.0%，表明BRAO分割方法有效。

關(guān)鍵詞：視網(wǎng)膜分支動(dòng)脈阻塞;光學(xué)相干斷層掃描;深度學(xué)習(xí);條件生成對(duì)抗網(wǎng)絡(luò)

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(wǎng)膜分支動(dòng)脈阻塞（Retinal Artery Occlusion，RAO）是一種眼科急癥，由血栓、動(dòng)脈痙攣等原因造成視網(wǎng)膜動(dòng)脈血流中斷，從而引起相應(yīng)視網(wǎng)膜組織缺血、缺氧、變性壞死，導(dǎo)致視細(xì)胞迅速死亡，造成不同程度的視力損害[1-2]。研究表明，視網(wǎng)膜動(dòng)脈阻塞在發(fā)生97分鐘之后，會(huì)對(duì)視網(wǎng)膜感覺(jué)層造成不可逆的損傷， 因此及時(shí)發(fā)現(xiàn)病癥并進(jìn)行治療對(duì)患者尤為重要[3]。

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

但目前在臨床中，基于OCT圖像對(duì)于視網(wǎng)膜分支動(dòng)脈阻塞（Branch Retinal Artery Occlusion，BRAO）病變區(qū)域的分析主要是定性的，或借助手工測(cè)量或標(biāo)記，費(fèi)時(shí)、費(fèi)力、具有主觀性，但視網(wǎng)膜分支動(dòng)脈阻塞治療時(shí)采用的藥物劑量需要根據(jù)病變區(qū)域的大小定量制定。 因此，一種能夠自動(dòng)檢測(cè)、定量分割視網(wǎng)膜分支動(dòng)脈阻塞區(qū)域的算法對(duì)于臨床診斷尤為重要。

目前，國(guó)內(nèi)外關(guān)于視網(wǎng)膜動(dòng)脈阻塞的研究大多基于臨床分析，也有一些基于醫(yī)學(xué)影像自動(dòng)分析的技術(shù)。Chen等[6]提出一種基于三維SD-OCT圖像中的視網(wǎng)膜中央動(dòng)脈阻塞各個(gè)視網(wǎng)膜層次的光密度定量分析方法;Leung等[7]通過(guò)視神經(jīng)頭附近視網(wǎng)膜神經(jīng)纖維層視網(wǎng)膜的黃斑厚度及靈敏度，研究BRAO患者的結(jié)構(gòu)-功能關(guān)系;Asefzaden & Ninyo[8]分析了RAO視盤周圍神經(jīng)纖維厚度的縱向眼底改變;郭靜云等[9]提出了一種結(jié)合AdaBoost分類器和圖搜-圖割算法提出了一種自動(dòng)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(qū)域的邊界非常模糊，分割正確率有待進(jìn)一步提升。

本文提出一種基于深度學(xué)習(xí)的視網(wǎng)膜分支動(dòng)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(zhuǎn)換為二維B掃描圖像;接著，初步提取視網(wǎng)膜區(qū)域作為感興趣區(qū)域;隨后，將感興趣區(qū)域送入條件對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練;最后，采用腐蝕、閉運(yùn)算等形態(tài)學(xué)運(yùn)算進(jìn)行后處理，實(shí)現(xiàn)分支動(dòng)脈阻塞病變區(qū)域分割。

3 結(jié)語(yǔ)

本文使用二值化、開(kāi)運(yùn)算、凸包算法、仿射變換對(duì)圖像進(jìn)行初分割，提取視網(wǎng)膜區(qū)域?yàn)楦信d趣區(qū)域;然后，使用條件對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)二維B掃描圖像中病變區(qū)域進(jìn)行分割;最后，通過(guò)腐蝕算法對(duì)測(cè)試后的結(jié)果進(jìn)行腐蝕，實(shí)驗(yàn)真陽(yáng)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(jìn)行分析，未充分利用到圖像空間關(guān)聯(lián)信息;②本文方法對(duì)于病變區(qū)域較小的部位判別度較低。今后研究重點(diǎn)是基于三維圖像的BRAO分割，充分利用圖像前后幀的空間關(guān)聯(lián)信息，以進(jìn)一步提高分割準(zhǔn)確率。

參考文獻(xiàn)：

[1] 李偉，金明. 視網(wǎng)膜動(dòng)脈阻塞的相關(guān)風(fēng)險(xiǎn)因素研究現(xiàn)狀[J]. 眼科新進(jìn)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(shù)字圖像處理[M].? 北京： 清華大學(xué)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(shù)，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(shí)別[J]. 國(guó)防科技大學(xué)學(xué)報(bào)，2016，38（2）：68-74.

[14] 黃利文. 一種判別模型的擇優(yōu)方法[J]. 江西理工大學(xué)學(xué)報(bào)，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(yíng)營(yíng). 生成對(duì)抗網(wǎng)絡(luò)模型綜述[J]. 電子設(shè)計(jì)工程，2018，26（5）：34-37.

[18] GONZALEZ R C，WOODS R E，EDDINS? S L. 數(shù)字圖像處理的MATLAB實(shí)現(xiàn)[M]. 阮秋琦，譯. 北京：清華大學(xué)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(zé)任編輯：江 艷）