《机器智能辅助诊断眼底病变综述》由会员分享，可在线阅读，更多相关《机器智能辅助诊断眼底病变综述（16页珍藏版）》请在金锄头文库上搜索。
1、基于机器视觉的眼底病变辅助诊断1、眼科影像学在眼底病中的应用世界卫生组织公布的权威数据显示，中国已成为世界头号盲人大国，且存在高致盲风险 的低视力人群数也位居全球第一。据表明，面对总人数高达1.5 亿之巨的盲人与存在视力问 题的人群，平均每位眼科医生需要解决超过5000 人的眼健康问题，几乎是一个“不可能完 成”的任务。存在着偏远地区缺少眼科专业医生，发达地区大型医院眼科医生供不应求的现 状。随着医学与现代科学的不断发展，医学影像学(Medical Imaging)就是众多与医学相关 的新兴交叉学科之一，已广泛用于医学诊断领域，在临床应用中可为疾病的诊断提供大量科 学和直观的依据，可配合临床的
2、症状、化验等进行最终的准确病情诊断，也可很好地应用于 治疗方面。医学影像学是眼科疾病诊断的基础，可获取诊断和治疗所需的形态学、定性和定 量的指标，其中，眼科影像学设备是眼科诊疗的关键。眼科影像学诊断方法可分为：射线诊 断(x线、CT和MRI等)、声像诊断(A超、B超、CDI和UBM)、眼底血管造影(FFA和ICGA) 和光像诊断(角膜地形图、晶状体形状图和眼底地形图等)，见表1.表 1 眼科影像学应用眼科影像学方法主要临床应用裂隙灯显微镜眼前节结构及相关病变检查眼底照相机眼底视网膜视网膜血管视盘黄斑及相关病变检查荧光素眼底血管造影(FFA)眼底血管形态细微变化 视网膜血液循环和色素上皮层检查吲
3、哚青绿血管造影(ICGA)视网膜脉络膜循环结构和脉络膜血液循环情况检查相干光断层成像(OCT)视网膜黄斑相关病变检查，眼前节结构视神经纤维层测量视网膜厚度分析仪通过三维视网膜厚度地形图进行各种常见眼底病变的诊疗A型超声眼部的生物测量和病变性质判断B型超声眼球和眼眶组织的形态学检查超声生物显微镜(UBM)玻璃体周边检查和视网膜周围检查彩色超声多普勒成像(CDI)眼球眶部血管性病变检查和肿瘤的血流特征检测激光扫描检眼镜(SLO)眼底血管造影，眼底及视功能检查电子计算机断层扫描(CT)眼球眼眶及眶周组织病变检查磁共振成像(MRj)眼球眼眶及眶周组织的软组织检查随着社会经济的迅速发展,生活水平的提高,
4、生活模式的转变,以及人口老龄化的快速到来,全球糖尿病、高血压等病症的患病率和患者数正以惊人的速度增长。以糖尿病为例，我 国近20年来糖尿病患病率增长了10倍左右,根据世界银行亚太地区报告的预测,糖尿病将在 下一个十年成为我国最流行的疾病。糖尿病、高血压、高度近视患者都是患眼底病几率较大 的人群。糖尿病性视网膜病变、高血压导致的视网膜动脉硬化等属于眼底病变，都可能导致 失明或视觉损伤。眼底是指用肉眼无法窥见的眼球后段球内组织，眼底疾病变包括了视网膜， 脉络膜，视神经及玻璃体的炎症，肿瘤，各类血管的病变，各种变性疾病及多系统疾病引起 的眼部病变。不仅种类繁多，而且对视功能损害较大。目前常见而又影响
5、视功能的眼底疾病 有糖尿病视网膜病变，老年性黄斑病变，视网膜静脉阻塞等等。眼底疾病变常见于动脉硬汉， 高血压，糖尿病，肾炎，贫血，流感，结核，高度近视，颅内上位性病变等。如果能够得到 尽早的诊断和治疗，则可以有效的控制病情的发展；另一方面，通过对眼底病变的观察，可 以辅助诊断其他疾病的发展。常见的眼底病变影像诊断方式有：1、检眼镜。目前常用的直接检眼镜检查方式，费时费力，一些瞳孔较小的患者需要进 行散瞳，易引起眼压升高，不适用于高血压、青光眼等不适于进行散瞳检查的患者。2、免散瞳眼底照相。利用高感光原理,提高相机的感光度,使用较弱光线(瞳孔较大) 对眼底进行照相，能够在短时间取得图像，如果不清
6、晰，则可以通过现代技术手段降 低误差，方便资料存储。且成像清晰，能够看到更多细节，极大地缩短了诊断周期， 并减轻了散瞳剂给患者带来的痛苦。在控制质量上和二次取得图像方面，具有比较优 势。同时也能在小瞳孔的条件下，将眼底图像加以记录，防止胶片作为存储介质的缺 点。受试者能够取得良好依从性。3、荧光素眼底血管制影。是 20世纪60年代兴起的眼科检查手段。利用荧光素钠做为 制影剂畴前臂静脉快速注入，当荧光素钠随血流进入眼底血管时，通过一组滤色片的 眼底摄影机，持续拍摄眼底血管外染料轮回时接收激发光线发射出的荧光形态，以察 看视网膜动态轮回的过程，从而得以体会眼底血管的微细结构和微轮回的变化，为诸 多
7、眼底病的发病机理、诊断、医治和预后评估供给按照。但不适应于患严重心、肝、 肾疾病者或对药物有过敏史者、孕妇。作为近视、糖尿病、高血压等健康疾病的多发国家，目前眼底病患数量日益增大而医疗 力量不足的现状，国家医改政策趋向于将病人留在社区，常见病、多发病、慢性病、眼科需 接受分级治疗。而社区的眼科医疗队伍更是严重缺乏。如果能用人工智能辅助进行眼底照相 图像筛选，对于合理国内医改越眼底照相设备对于提高效率和整体治疗水平至关重要。2、国内外眼底病变辅助诊断研究的现状及存在的问题2.1 国内机器智能眼底病变辅助诊断研究现状目前国内从事眼底病研究的单位主要是相关研究所及一些高校和与一些高校合作的公 司，研
8、究内容与糖尿病和青光眼等疾病相关的居多，下面主要介绍一下对糖尿病视网膜病变 的研究。糖尿病视网膜病变（Diabe tic Re tinopa thy ,简称DR）,发生在糖尿病损伤视网膜内部 的微小血管时，这种微小的血管会在视网膜上渗出血液和液体，形成微脉瘤、出血、硬性渗 出物、棉花斑和静脉环等特征。DR可广泛分为非增殖性糖尿病视网膜病变（NPDR）和增殖 性糖尿病视网膜病变（PDR）。止匕外，糖尿病视网膜病变也是糖尿病最常见的微血管并发症之 一,一般可以分为亮病变和暗病变,亮病变包括硬溢出物和絮状体,暗病变包括微脉瘤和出 血。86%的1型糖尿病失明患者及约1/3的2型糖尿病失明患者因DR致盲
9、，是成人失明的重 要原因，在发达国家DR已成为其研究的首要内容。随着糖尿病患者数量急剧增多因DR致 盲和视力下降的患者日益增多。现在医学上多采用眼底荧光血管造影检查的方法，由相关医 学专家观察鉴定后给患者的情况下结论，在互联网+发展迅速的今天，视觉和听觉方面的医 学病例研究越来越多的被注入了互联网的基因（特别是机器学习方面的因素）。临床医学研 究表明：糖尿病性眼病的早期病变可通过视网膜和细微视神经组织结构的医学图像信息具体 相关描述如下： 2013 湖南湘潭大学张东波教授等人，在湖南省科技厅计划项目“糖尿病性视网膜 眼底图像早期病变检测关键技术研究”中，运用 Gabor 滤波并结合边缘抑制技术
10、、 多尺度和多滞后阈值等相关技术分割提取精细的血管结构；并运用多尺度匹配滤波 和背景估计等相关技术对眼底病变中的微脉瘤检测，达到了40.9%的准确率。（根 据微脉瘤的视觉可观察性，可将其划分为四类：微弱的、常规的、显著的、邻近血 管的，其中微弱的和邻近血管的微脉瘤往往很难被正确检测，根据相关材料在Retinopathy Online Challenge 网站上当时最好的检测结果为 40%。） 2008上海交通大学研究生林蔚在指导老师张继武的指导下，提出了基于K近邻图 区域合并的视网膜硬性渗出自动检测研究算法。同样是采用了眼底图像增强技术进 行预处理，然后根据灰度、颜色、对比度等方面的特征进行提
11、取和分类。 2013 南京航空航天大学高玮玮等人，为寻求满足临床需求的硬性渗出自动检测方 法，从而构建出基于眼底图像的糖尿病视网膜病变自动筛查系统在利用Otsu阈值 分割结合数学形态学快速提取出视盘的基础上,提出了两种硬性渗出自动检测方法 （基于数学形态学的硬性渗出自动检测方法和基于RBF神经网络的硬性渗出自动检 测方法）,在此基础上还提出要采用后续处理以进一步提高检测精度,还就检测结果 进行了比较。与其他硬性渗出自动检测方法相比,这两种方法在保证较高检测精度 的基础上,效率也较高;在这两种方法之间,基于数学形态学的方法精度更高,基于 RBF神经网络的方法效率更高;结合临床对硬性渗出自动检测快
12、速、可靠性的要求， 得出基于RBF神经网络的方法作为糖尿病视网膜病变自动筛查系统中的硬性渗出 自动检测方法性能更优。 2014福州大学潘燕红等人，提出基于SVM的眼底图像硬性渗出检测，对眼底图像 进行数学形态学结合阈值方法的粗分割,得到硬性渗出的候选区域;然后在候选区 域上提取特征，并在特征提取中引入调幅-调频（AM-FM）特征;接着用SVM分类出HEs（Hard Exudates硬性渗出）和非HEs。在公开的糖尿病视网膜病变图像库DIARETDB1 上进行实验， 结果敏感性为 91.1%， 特异性为 94.7%。表明该方法可对 HEs 进行可靠检测。 2016华侨大学硕士杜雨峰在凌朝东教授的
13、指导下，做了基于眼底图像的糖尿病视 网膜病变检测系统的研究。他们在文章中提出要开发一套便携式眼底病变诊断设备 使患者在视力受到损伤之前进行定期的眼底检查，这在及早发现和及时治疗方面将 发挥关键的作用，同时也能帮助数百万处在医疗服务较差的地区的人们。文章中他 们提出：“由于受眼底图片质量的影响，大部分的实验正确率会很低”，也因此提出 了增强眼底图片质量的方法：对眼底图像进行HSI空间转换，在强度空间中值滤波 后运用对比度受限直方图均衡技术进一步增强图像质量。接下来再将预处理好的眼 底图像转换到色域更宽的lab空间，利用快速K均值聚类算法进行粗分割，然后利 用 SVM 向量机对粗分候选区域进行硬性
14、渗出（可能是高血压所导致的局部血管渗出 极有可能会损伤视力）提取。2.2 国外机器智能眼底病变辅助诊断研究现状由于各种因素的影响，国外科技发展进度一直处于领先状态，在眼底病研究方面，早在 1996年，Gardner等人利用神经网络Back Propaga tion, BP）自动检测出了硬性渗出（Hard Exudates, HEs）；之后Walter等人通过数学形态学对渗出物轮廓进行检测，然而作者忽视 了渗出物边界产生的一些错误，而且没有从絮状物中分离出渗出物；后来，NiemeijerM等 人直接从彩色图像中分离渗出物、絮状斑和脉络膜玻璃疣；再后来，Sopharak A等人采用 Fuzzy C
15、-Means 聚类算法对视网膜病变病人的免散瞳低对比度数字图像进行渗出物自动检 测；最后，L.Giancardo等人提出基于Kirsch边缘检测算子和稳态小波的分析方法，在数 据集DMED中对硬性渗出进行分离，并在通用数据集上进行测试取得了良好的检测效果。当 然各种新的方法也在陆续的提出，在这里就不一一赘述了。下面是最近几年国外有关学者做 的相关研究： 2008新加坡南洋理工大学Acharya和Lim等人，根据糖尿病视网膜病变的各种特 性，采用形态学图像处理技术和支持向量机（SVM）技术对糖尿病患者定期视网膜 检查自动检测进行了相关的研究。他们对331幅眼底图像进行分类，并得到了五种 分类结果
16、：正常视网膜，轻度非增殖性糖尿病视网膜病变，中度非增生性糖尿病视 网膜病变，严重非增殖性糖尿病视网膜病变和增殖性糖尿病视网膜病变。并使用图 像处理技术从原始图像中提取出了血管、微量血液、渗出物和出血这四个特征，将 这些特征传输SVM分类器进行分类，并达到了 85%的准确率，82%以上的敏感度和 86的特异性（敏感度是实际有病而且被正确诊断出来的概率，特异性就是实际没 病而且被正确诊断的概率，即敏感度高=漏诊率底，特异性高=误诊率低）。试验中 他们对分类器（朴素贝叶斯分类器，Mahalanobis和k-最邻近分类器）进行了比较 发现 Mahalanobis 分类效果最佳。 2011 在糖尿病科学与技术杂志上 Jayanthi Sivaswamy 和 Gopal Datt Joshi 博士 基于大多数糖尿病患者不能接受定期眼科护理,
