基于機(jī)器學(xué)習(xí)的視網(wǎng)膜圖像識(shí)別模型設(shè)計(jì)

張貴英 張俊飛

摘要：早產(chǎn)兒視網(wǎng)膜病變是小兒致盲的主要原因之一，發(fā)病率在我國(guó)呈持續(xù)上升的趨勢(shì)。人工診斷存在費(fèi)時(shí)費(fèi)力，依靠醫(yī)生經(jīng)驗(yàn)等不足。針對(duì)此，提出了基于機(jī)器學(xué)習(xí)的視網(wǎng)膜圖像識(shí)別模型，首先基于原始圖像，借助圖像處理、傳統(tǒng)機(jī)器學(xué)習(xí)方法和對(duì)抗生成網(wǎng)絡(luò)技術(shù)得到生成圖像，然后基于這些圖像和原始圖像，提取其特征，最后對(duì)級(jí)聯(lián)后的特征進(jìn)行分類。該模型有望為早產(chǎn)兒視網(wǎng)膜病變的自動(dòng)篩查系統(tǒng)提供技術(shù)支持。

關(guān)鍵詞：視網(wǎng)膜圖像;自動(dòng)識(shí)別;模型設(shè)計(jì)

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）28-0176-02

開放科學(xué)（資源服務(wù)）標(biāo)a碼（OSID）：

1 引言

早產(chǎn)兒視網(wǎng)膜病變（ Retinopathy of Prematurity，ROP）曾稱為Terry綜合征或晶狀體后纖維增生癥，最早由Terry在1942年發(fā)現(xiàn)[1]。孕期34周以下，出生體重小于1500、出生后吸氧史，發(fā)病率約為60%，孕期更短或更低出生體重者，發(fā)生率可達(dá)66%- 82%。由于ROP可致盲，早在1984年到1987年，由國(guó)際組織ROP專家建立了詳細(xì)的病變分類標(biāo)準(zhǔn)，以促進(jìn)臨床治療。指出了ROP發(fā)生的部位分為3個(gè)區(qū)域，并將病變的嚴(yán)重程度分為5期，圖1為正常和ROP3期圖像示例。另外，需要注意的是Plus疾?。杭春髽O部視網(wǎng)膜血管遷曲怒張，表明ROP處于迅速進(jìn)展期。ROP最早出現(xiàn)在矯正胎齡32周，閾值病變大約出現(xiàn)在矯正胎齡37周，早期篩查和治療可以阻止病變的發(fā)展。

目前，眼科醫(yī)生通過(guò)數(shù)字視網(wǎng)膜照相機(jī)（如RetCam3）獲取早產(chǎn)兒視網(wǎng)膜眼底圖像，然后人工診斷有無(wú)病變及分級(jí)，這種方式面臨幾個(gè)問(wèn)題。首先，ROP需要通過(guò)開展大規(guī)模的眼底普查，對(duì)潛在眼底病患者進(jìn)行定期的眼底視網(wǎng)膜檢查。然而，由于眼底病潛在患者數(shù)量較大，眼科專家人工檢查工作開展較為困難，尤其在中國(guó)和印度這樣人口眾多的國(guó)家。其次，ROP的分類標(biāo)準(zhǔn)是定性而不是定量的，對(duì)于同一個(gè)患者，不同的眼科專家可能給出不同的診斷結(jié)果。再者，通過(guò)人工觀察眼底視網(wǎng)膜圖像，專家會(huì)存在視覺疲勞等情況，此時(shí)可能會(huì)誤診疾病。ROP-旦發(fā)生，進(jìn)展很快，可有效治療的時(shí)間窗口很窄，早期診斷和及時(shí)治療可以有效地減少不良后果和視力喪失。因此，為了提高眼底病診斷效率和精度，應(yīng)推進(jìn)大規(guī)模眼底病變自動(dòng)識(shí)別技術(shù)，以實(shí)現(xiàn)眼底病的早期防治。

2 ROP圖像自動(dòng)識(shí)別研究現(xiàn)狀

ROP圖像自動(dòng)識(shí)別可分為兩類。第一類，基于傳統(tǒng)方法的ROP自動(dòng)診斷。自動(dòng)或者半自動(dòng)ROP診斷主要針對(duì)Plus疾病，該疾病的診斷依據(jù)為血管是否正常，因此很多研究都集中在血管的分割、血管直徑的測(cè)量和血管迂曲的測(cè)量等方面[2]?；谶@三步，計(jì)算機(jī)輔助診療系統(tǒng)“ROPTooI”[3]恫世，該設(shè)備可輔助醫(yī)生診斷Plus疾病。另外，“i-ROP，I[4]診斷系統(tǒng)也用來(lái)診斷Plus疾病。這些診斷系統(tǒng)的準(zhǔn)確性高度依賴于血管的分割，如果血管分割有誤，則會(huì)嚴(yán)重影響后續(xù)的識(shí)別工作。由于受圖像本身、光照和對(duì)比度等影響，血管的分割是一個(gè)困難的任務(wù)。第二類，基于深度學(xué)習(xí)的ROP自動(dòng)診斷。2016年Worrall等[5]首次提出使用深度神經(jīng)網(wǎng)絡(luò)診斷Plus疾病，對(duì)于其他疾病，該研究?jī)H僅診斷是否有病癥存在，而未做具體的病變分類。在預(yù)處理時(shí)，該研究?jī)H僅使用了旋轉(zhuǎn)和切割等傳統(tǒng)數(shù)據(jù)增大方法。隨后，Brown[6]等先對(duì)血管進(jìn)行分割，然后再使用深度神經(jīng)網(wǎng)絡(luò)對(duì)Plus疾病進(jìn)行自動(dòng)診斷。Hu[7]等提出了基于深度神經(jīng)網(wǎng)絡(luò)的ROP自動(dòng)分析方法，該方法未使用樣本增大相關(guān)算法。除了對(duì)Plus疾病診斷外，Mulav[8]等建立了一個(gè)基于深度學(xué)習(xí)技術(shù)的ROP圖像中分界線的檢測(cè)系統(tǒng)，該系統(tǒng)使用了175張眼底圖像作為訓(xùn)練集，45張圖像作為測(cè)試集。在這些研究中，其主要任務(wù)主要集中在Plus疾病的識(shí)別上，訓(xùn)練集數(shù)量一般較少，要么未使用數(shù)據(jù)增大算法，要不僅使用了旋轉(zhuǎn)等基本數(shù)據(jù)放大算法。

3 ROP圖像自動(dòng)模型設(shè)計(jì)

ROP圖像自動(dòng)識(shí)別模型為有監(jiān)督學(xué)習(xí)結(jié)構(gòu)，需要有標(biāo)注好的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。首先明確ROP發(fā)生部位的分區(qū)：I區(qū)是以視盤為中心，視盤中心距黃斑中心凹距離2倍為半徑的圓形區(qū)域。Ⅱ區(qū)以I區(qū)以外，以視盤為心，視盤至鼻側(cè)鋸齒緣的距離為半徑的環(huán)形區(qū)域。Ⅲ區(qū)：除I區(qū)和Ⅱ區(qū)外剩余的月牙形區(qū)域。其次，明確ROP病變分期，ROP病變根據(jù)不同的程度可以分為5期。1期表現(xiàn)為周邊無(wú)血管區(qū)與后極部視網(wǎng)膜血管末梢之間出現(xiàn)分界線;2期表現(xiàn)為嵴期分界線增寬、增高，呈嵴狀隆起;3期表現(xiàn)為新生血管形成并長(zhǎng)人嵴上;4期表現(xiàn)為視網(wǎng)膜部分脫離;5期表現(xiàn)為視網(wǎng)膜全脫離。根據(jù)這些信息，需要眼科專家將早產(chǎn)兒視網(wǎng)膜圖像標(biāo)注為正常、1期、2期、3期、4期和5期等類別。如果出現(xiàn)爭(zhēng)議，則需要討論。若討論后仍未達(dá)成一致，則丟棄此圖像。

對(duì)于標(biāo)注好的圖像，使用基于圖像處理方法、傳統(tǒng)機(jī)器學(xué)習(xí)算法和對(duì)抗生成網(wǎng)絡(luò)模型生成對(duì)應(yīng)的生成圖像。設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)，分別提取基于原始樣本和生成樣本的特征，將這些特征級(jí)聯(lián)后，送到分類器中識(shí)別分類，然后送到分類器中自動(dòng)識(shí)別分類，模型如圖2所示。每設(shè)計(jì)一個(gè)生成模型，就予以實(shí)驗(yàn)驗(yàn)證，并借助實(shí)驗(yàn)結(jié)果對(duì)其進(jìn)行充分的驗(yàn)證，從而保證整個(gè)課題研究最終的成功。將原始圖像和生成圖像按照多種占比結(jié)合，比如0比1或者1比0等。將標(biāo)注好的數(shù)據(jù)隨機(jī)按照不同比例分成三部分：第一部分占總量的80%，用于網(wǎng)絡(luò)的訓(xùn)練;第二部分占10%，用于網(wǎng)絡(luò)的驗(yàn)證;第三部分占10%，用于網(wǎng)絡(luò)的測(cè)試，該比例可在一定范圍內(nèi)進(jìn)行調(diào)整。不斷調(diào)整網(wǎng)絡(luò)參數(shù)，如隱藏層的層數(shù)、學(xué)習(xí)率、batch大小等，其中學(xué)習(xí)率將使用指數(shù)衰減學(xué)習(xí)率，即先使用較大的學(xué)習(xí)率來(lái)快速得到一個(gè)比較優(yōu)的解，然后逐步減少學(xué)習(xí)率，使得模型在訓(xùn)練后期更加穩(wěn)定。利用驗(yàn)證數(shù)據(jù)，對(duì)訓(xùn)練的網(wǎng)絡(luò)進(jìn)行驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果對(duì)網(wǎng)絡(luò)中的參數(shù)做進(jìn)一步優(yōu)化。利用測(cè)試數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試，測(cè)試網(wǎng)絡(luò)進(jìn)行識(shí)別的準(zhǔn)確性，尤其是使用交叉驗(yàn)證法以充分評(píng)估構(gòu)建網(wǎng)絡(luò)的性能。

4 結(jié)束語(yǔ)

早產(chǎn)兒視網(wǎng)膜病變疾病是兒童致盲的重要原因之一，占兒童盲的6%到18%左右。一般新生兒胎齡越小，出生體重越低，其發(fā)生率越高。建立早產(chǎn)兒視網(wǎng)膜病變自動(dòng)識(shí)別模型，對(duì)眼底病進(jìn)行大規(guī)模篩查，以實(shí)現(xiàn)早產(chǎn)兒眼底病的早期防治。

參考文獻(xiàn)：

[1] Terry T L.Extreme prematurity and fibroblastic overgrowth ofpersistent vascular sheath behind each crystalline lens fromthe massachusetts eye and ear infirmary.this investigation ismade possible through the special fund for research for pathol-ogy laboratory[J]. American Journal of Ophthalmology， 1942， 25（2）：203-204.

[2]Aslam T，F(xiàn)leck B，Patton N，et al.Digital image analysis of plusdisease in retinopathy of prematurity[J].Acta Ophthalmologica，2009，87（4）：368-377.

[3] Wallace D K.Zhao Z E，F(xiàn)reedman S F.A pilot study using“ROP tool" to quantify plus disease in retinopathy of prematu-rity[J].Journal of American Association for Pediatric Ophthal-mology and Strabismus，2007，11（4）：3 81-387.

[4] Ataer-Cansizoglu E，Bolon-Canedo V，Campbell JP， et aLComputer-based image analysis for plus disease diagnosis inretinopathy of prematurity： performance of the "i-ROP" sys-tem and image features associated with expert diagnosis[J].Translational Vision Science& Technology，2015，4（6）：5.

[5]WorrallD E，Wilson C M， Brostow G J.Automated retinopathyof prematurity case detection with convolutional neural net-works[M]//Deep Leaming and Data Labeling for Medical Appli-cations.Cham：Springer InternationaIPublishing，2016：68-76.

[6] Brown J M，Campbell J P，Beers A，etal. Automated diagnosisof plus disease in retinopathy ofprematurity using deep convo-lutional neural networks[J].JAMA Ophthalmology， 2018， 136（7）：803-810.

[7] Hu J J，Chen Y Y，Zhong J，et al.Automated analysis for reti-nopathy of prematurity by deep neural networks[J].IEEE Trans-actions on Medical Imaging，2019，38（ 1）：269-279.

[8] Mulay S，Ram K，Sivaprakasam M，et al.Early detection of reti-nopathy of prematurity stage using deep learning approach[C]//SPIE Medical Imaging.Proc SPIE10950，Medical Imaging 2019：Computer-Aided Diagnosis， SanDiego， California， USA. 2019，1095：1095022.

[通聯(lián)編輯：唐一東]

作者簡(jiǎn)介：張貴英，女，甘肅文縣人，博士，副教授，研究方向?yàn)閳D像處理，計(jì)算機(jī)輔助診療。