林嘉雯，林智明，賴泰辰，郭林靈，鄒 璟，李 笠

0 引言

瞼板腺是位于上、下眼瞼瞼板上的大型皮脂腺，它通過(guò)分泌多種脂質(zhì)成分，形成脂質(zhì)層，能防止淚液過(guò)度蒸發(fā)，在維持眼表健康和完整方面起著至關(guān)重要的作用[1]。然而炎癥、導(dǎo)管阻塞、環(huán)境變化等多種原因均會(huì)引起瞼板腺數(shù)量和形態(tài)的改變以及分泌物質(zhì)與量的變化，發(fā)生瞼板腺功能障礙(meibomian gland disease，MGD)[1]。干眼是除屈光不正外最為常見(jiàn)的眼科疾病。流行病學(xué)數(shù)據(jù)調(diào)查顯示，我國(guó)干眼患病率達(dá)21%～30%，且近年來(lái)呈現(xiàn)增長(zhǎng)態(tài)勢(shì)和年輕化趨勢(shì)[2]，其中超過(guò)65%的干眼患者具有MGD的臨床表現(xiàn)[3]。2020年發(fā)布的《國(guó)人干眼多中心大數(shù)據(jù)報(bào)告》中指出，合并有MGD的臨床確診干眼患者數(shù)量占調(diào)查總數(shù)的92.8%，進(jìn)一步證實(shí)MGD是干眼的主要致病原因之一。嚴(yán)重、慢性的MGD癥狀會(huì)使角膜和結(jié)膜出現(xiàn)繼發(fā)性改變，大大降低了患者的視覺(jué)質(zhì)量和生活質(zhì)量[4]。

瞼板腺的功能與其形態(tài)密切相關(guān)。通過(guò)直接觀察瞼板腺的形態(tài)，可以評(píng)價(jià)其結(jié)構(gòu)和缺失情況[5]，為干眼的分型診斷提供依據(jù)。利用紅外成像技術(shù)透視瞼板腺的形態(tài)，形成的圖像便于保存，更有利于監(jiān)測(cè)腺體隨時(shí)間或治療的形態(tài)變化。因此，紅外瞼板腺圖像已被公認(rèn)為是臨床上觀察和評(píng)估患者瞼板腺形態(tài)變化的有效工具[5]，在干眼患者的分型診斷、管理與個(gè)性化治療中具有重要作用。單純的人工診斷在大規(guī)模篩查情況下存在主觀性強(qiáng)、可重復(fù)性低、缺乏客觀量化指標(biāo)和效率低等局限性，且現(xiàn)階段我國(guó)基層醫(yī)師的MGD診斷水平還十分有限[5]，因此引入人工智能技術(shù)實(shí)現(xiàn)紅外瞼板腺圖像的自動(dòng)分析能在一定程度上克服人工診斷存在的問(wèn)題，實(shí)現(xiàn)客觀、可重復(fù)、高效的分析與評(píng)估，輔助形成準(zhǔn)確的臨床診斷與分級(jí)。紅外瞼板腺圖像的智能分析研究主要圍繞瞼板腺圖像分類、瞼板腺區(qū)域分割和瞼板腺腺體分割三方面展開(kāi)。瞼板腺圖像分類方法能初步達(dá)成MGD的自動(dòng)分級(jí)[6]；瞼板腺區(qū)域分割方法的提出則進(jìn)一步實(shí)現(xiàn)瞼板腺缺失比的粗略估計(jì)[7]；瞼板腺腺體自動(dòng)分割旨在實(shí)現(xiàn)單個(gè)腺體的提取，不僅能得到更為精確的缺失比，還可以計(jì)算腺體數(shù)量、長(zhǎng)寬和彎曲度等形態(tài)參數(shù)[1]。近年來(lái)，深度學(xué)習(xí)理論的不斷發(fā)展及其在醫(yī)學(xué)領(lǐng)域的成功運(yùn)用，促進(jìn)了學(xué)者們對(duì)紅外瞼板腺圖像智能分析可行性和有效性的進(jìn)一步驗(yàn)證[6-8]。本研究初步嘗試了深度學(xué)習(xí)技術(shù)在紅外瞼板腺圖像智能分析中的應(yīng)用，引入U(xiǎn)Net++網(wǎng)絡(luò)結(jié)構(gòu)旨在構(gòu)建高效的瞼板腺腺體自動(dòng)分割模型，從而服務(wù)于后續(xù)瞼板腺缺失率與其他形態(tài)生物參數(shù)的精確計(jì)算，以滿足個(gè)性化、智能化的干眼診療需求[5]。

1 資料和方法

1.1資料選取2020-01/2021-06于福建省立醫(yī)院眼科就診的干眼患者106例212眼，應(yīng)用眼表綜合分析儀Keratograph 5M采集紅外瞼板腺圖像。為了便于識(shí)別，拍攝時(shí)選擇增強(qiáng)對(duì)比模式以突出顯示腺體，采集到的原始圖像均為RGB模式，分辨率為1578像素×966像素。剔除過(guò)于模糊、拍攝范圍不全、睫毛遮擋、存在大面積過(guò)強(qiáng)反光的圖像，最終納入圖像193幅。本研究經(jīng)福建省立醫(yī)院倫理委員會(huì)審批通過(guò)，所有受檢查者均知情同意。

1.2方法

1.2.1數(shù)據(jù)處理與標(biāo)記基于既往研究[8]經(jīng)驗(yàn)，作為初步探索，本研究?jī)H使用上眼瞼圖像。由于獲取的原始圖像十分規(guī)則，故將圖像左上角740像素×350像素范圍設(shè)為裁剪區(qū)域，通過(guò)批量裁剪得到規(guī)格相同、僅包含上眼瞼區(qū)域的瞼板腺圖像，見(jiàn)圖1A。每幅圖像初始由3名有1a以上臨床工作經(jīng)驗(yàn)的眼科醫(yī)師使用Labelme軟件中的多邊形工具分別對(duì)瞼結(jié)膜范圍和各個(gè)瞼板腺進(jìn)行標(biāo)記。當(dāng)標(biāo)記結(jié)果出現(xiàn)分歧時(shí)，由第4名更高年資的眼科醫(yī)師進(jìn)行判定。最終，所有的標(biāo)記結(jié)果由第4名眼科醫(yī)師再次進(jìn)行審核與修正。人工標(biāo)記結(jié)果見(jiàn)圖1B。根據(jù)標(biāo)記結(jié)果，每張裁剪后的原始圖像分別生成2張二值圖像：瞼結(jié)膜區(qū)域掩模和腺體的人工標(biāo)注。將瞼結(jié)膜區(qū)域掩模與裁剪后的圖像相乘，消除睫毛等干擾，處理后得到的最終圖像及其對(duì)應(yīng)的人工標(biāo)注圖見(jiàn)圖2。最終，這193組圖像共同構(gòu)成本研究的實(shí)驗(yàn)數(shù)據(jù)集，按照7∶1∶2的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，其中訓(xùn)練集和驗(yàn)證集用于模型訓(xùn)練和參數(shù)調(diào)優(yōu)，測(cè)試集則用于驗(yàn)證本研究提出方法的效果。訓(xùn)練時(shí)批處理大小設(shè)為8，訓(xùn)練周期數(shù)設(shè)為500，通過(guò)初始學(xué)習(xí)率為0.0003的Adam優(yōu)化器優(yōu)化模型，為避免過(guò)擬合，每50個(gè)周期衰減學(xué)習(xí)率為一半。

圖1 裁剪后的上眼瞼紅外瞼板腺圖像 A：裁剪后的原始圖像；B：人工標(biāo)記的上眼瞼瞼結(jié)膜區(qū)域(紅色)與腺體(綠色)。

圖2 實(shí)驗(yàn)數(shù)據(jù)集中的圖例 A：處理后圖像；B：腺體的人工標(biāo)注圖。

1.2.2基于UNet++的瞼板腺腺體分割模型本研究引入U(xiǎn)Net++構(gòu)建瞼板腺腺體分割模型，瞼板腺腺體自動(dòng)分割的工作流程見(jiàn)圖3。本研究將瞼板腺腺體分割問(wèn)題視為一幅圖像中每個(gè)像素點(diǎn)進(jìn)行二分類的問(wèn)題，瞼板腺腺體分割的具體實(shí)現(xiàn)分為訓(xùn)練和分割兩個(gè)階段，包括數(shù)據(jù)增廣、腺體分割等模塊。

圖3 基于UNet++的瞼板腺腺體分割工作流程。

1.2.2.1數(shù)據(jù)增廣模塊數(shù)據(jù)增廣模塊主要克服訓(xùn)練過(guò)程中數(shù)據(jù)樣本不足的問(wèn)題，增強(qiáng)數(shù)據(jù)樣本的多樣性。傳統(tǒng)的數(shù)據(jù)增廣方法需要針對(duì)數(shù)據(jù)集設(shè)計(jì)專門的增廣策略，并在增廣過(guò)程中設(shè)置、調(diào)整變換幅度。本研究引入一種自動(dòng)數(shù)據(jù)增廣策略[9]，每次迭代會(huì)從裁剪、翻轉(zhuǎn)、剪切、平移、旋轉(zhuǎn)、均衡化、對(duì)比度變化、亮度變化等11種數(shù)據(jù)增廣方式中隨機(jī)選擇N種，并為這N種數(shù)據(jù)增廣方式隨機(jī)選擇對(duì)應(yīng)的變換幅度M。理想情況下，經(jīng)過(guò)數(shù)據(jù)增廣后的訓(xùn)練樣本可擴(kuò)增至MN×CN11倍。通過(guò)實(shí)驗(yàn)，本研究最終將N設(shè)為2，變換幅度M的選擇范圍為1～10。本研究中數(shù)據(jù)增廣模塊不需要人工設(shè)計(jì)數(shù)據(jù)增廣策略，在一定程度上為腺體分割模型提供更多的數(shù)據(jù)樣本，增強(qiáng)了模型的泛化能力。

1.2.2.2瞼板腺腺體分割模塊紅外瞼板腺圖像為灰度圖像，圖像中沒(méi)有特別豐富的語(yǔ)義信息，實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)不宜采用特別復(fù)雜的網(wǎng)絡(luò)模型。2015年提出的UNet[10]是專門針對(duì)醫(yī)學(xué)圖像分割應(yīng)用需求設(shè)計(jì)的模型，其利用跳連接融合淺層和深層語(yǔ)義特征圖，克服下采樣造成的信息丟失，顯著提高了醫(yī)學(xué)圖像分割的精度。UNet++[11]是對(duì)UNet的改進(jìn)，其重新設(shè)計(jì)了跳連接，進(jìn)一步減少了編碼器和解碼器之間特征融合的語(yǔ)義差距，并通過(guò)深度監(jiān)督對(duì)模型進(jìn)行優(yōu)化，使得模型可以剪枝，加快模型的推理速度。因此，本研究引入U(xiǎn)Net++模型作為瞼板腺腺體自動(dòng)分割的主干網(wǎng)絡(luò)。

1.2.3損失函數(shù)為處理訓(xùn)練過(guò)程中平滑梯度和處理類別不平衡的問(wèn)題[12-13]，本研究使用混合損失L對(duì)模型進(jìn)行優(yōu)化?；旌蠐p失L定義為像素級(jí)交叉熵?fù)p失LCE和Dice系數(shù)損失LDC之和，如公式(1)所示。

L=LCE+LDC

(1)

(2)

(3)

其中，yc,i和pc,i分別代表類別c和第i個(gè)像素人工標(biāo)注和智能分析的分割結(jié)果；M為類別數(shù)；N為每批次的總像素?cái)?shù)。

1.2.4評(píng)價(jià)指標(biāo)為了評(píng)價(jià)本研究提出的瞼板腺腺體自動(dòng)分割方法的性能，本研究以人工標(biāo)注的瞼板腺腺體作為金標(biāo)準(zhǔn)，將自動(dòng)分割出的瞼板腺腺體與之進(jìn)行逐像素對(duì)比。當(dāng)人工標(biāo)注和自動(dòng)分割結(jié)果一致時(shí)，即為分割正確的像素，反之為分割錯(cuò)誤的像素，可得到4種統(tǒng)計(jì)數(shù)量：分割正確的瞼板腺像素個(gè)數(shù)(真陽(yáng)性，TP)、分割錯(cuò)誤的瞼板腺像素個(gè)數(shù)(假陰性，F(xiàn)N)、分割正確的非瞼板腺像素個(gè)數(shù)(真陰性，TN)和分割錯(cuò)誤的非瞼板腺像素個(gè)數(shù)(假陽(yáng)性，F(xiàn)P)。進(jìn)而，計(jì)算常用的評(píng)價(jià)指標(biāo)(表1)，其中敏感性(sensitivity，Se)越高說(shuō)明自動(dòng)分割模型“找全”瞼板腺腺體的能力越強(qiáng)；特異性(specificity，Sp)越高表明模型能更好地“找對(duì)”瞼板腺腺體；交并比(intersection over union，IoU)反映了人工標(biāo)注與自動(dòng)分割結(jié)果的重疊程度，重疊程度越大表明方法的性能越好。

表1 本研究采用的性能評(píng)價(jià)指標(biāo)

2 結(jié)果

將193組圖像按順序劃分為5組，各包含39、39、39、39、37組圖像。將這5組分別作為測(cè)試集，其余圖像作為訓(xùn)練集和驗(yàn)證集，采用5組交叉驗(yàn)證方式對(duì)本研究提出的瞼板腺腺體自動(dòng)分割方法的性能進(jìn)行評(píng)估(表2)，平均準(zhǔn)確率為94.31%，平均敏感性為82.15%，平均特異性為96.13%，平均交并比為65.55%。交叉驗(yàn)證過(guò)程中各指標(biāo)的數(shù)值均比較平穩(wěn)，說(shuō)明所提出的瞼板腺腺體自動(dòng)分割方法具有較好的穩(wěn)定性。圖4展示了基于UNet++的瞼板腺腺體分割的可部分可視化效果，前3行圖示分割效果幾乎完美，自動(dòng)分割結(jié)果與人工標(biāo)注結(jié)果極為接近，其中最佳結(jié)果準(zhǔn)確率高達(dá)為96.98%，敏感性為91.28%，特異性為97.79%；中間3行圖示隨機(jī)展示了3組一般情況，可以看出多數(shù)腺體(尤其是落在眼瞼中間區(qū)域的腺體)可以較好地被識(shí)別，充分說(shuō)明了本研究提出的瞼板腺腺體自動(dòng)分割方法的有效性；最后2行圖示則展示了少數(shù)分割結(jié)果較差的樣例，最差情況下腺體分割的準(zhǔn)確率為87.48%，敏感性僅為50.53%。此外，本研究提出的瞼板腺腺體自動(dòng)分割方法完成單張圖像的處理平均用時(shí)僅為0.11s，效率遠(yuǎn)遠(yuǎn)優(yōu)于臨床醫(yī)師手動(dòng)標(biāo)記的情況。

圖4 本研究提出的瞼板腺腺體自動(dòng)分割方法結(jié)果展示 A：輸入圖像；B：腺體分割結(jié)果；C：腺體的人工標(biāo)注結(jié)果。

表2 基于UNet++的瞼板腺腺體分割方法的性能

3 討論

紅外瞼板腺圖像中瞼板腺腺體自動(dòng)分割的研究目前仍處于起步階段，已開(kāi)始得到越來(lái)越多的關(guān)注。Arita等[14]首次提出一種基于快速傅里葉變換和γ校正分割腺體的方法；隨后，研究者們結(jié)合閾值分割、形態(tài)學(xué)等傳統(tǒng)方法[15-18]開(kāi)展了一系列工作。傳統(tǒng)的基于圖像處理的腺體分割方法依賴研究者主觀設(shè)計(jì)的手工特征，往往需要設(shè)置相應(yīng)的經(jīng)驗(yàn)參數(shù)，仍存在一定的主觀性。深度學(xué)習(xí)方法可以直接從數(shù)據(jù)中學(xué)習(xí)特征，不需要明確指定提取規(guī)則或設(shè)計(jì)手工特征，已被廣泛應(yīng)用于醫(yī)學(xué)圖像分析領(lǐng)域，在視網(wǎng)膜血管分割[19]、腦腫瘤分割[20]、皮膚病變分割[21]等多個(gè)問(wèn)題上取得不錯(cuò)的效果。Prabhu等[22]首次提出了一種基于UNet的瞼板腺腺體自動(dòng)分割方法，在此基礎(chǔ)上，Dai等[23]進(jìn)一步提出了參數(shù)更小的基于mini UNet的腺體分割模型，他們的工作均驗(yàn)證了深度學(xué)習(xí)方法用于瞼板腺腺體分割的可行性和有效性。但遺憾的是，多數(shù)研究并未描述具體的可比較的性能指數(shù)，僅少數(shù)研究報(bào)道了相關(guān)量化結(jié)果。本研究提出的瞼板腺腺體自動(dòng)分割方法敏感性為82.15%，特異性為96.13%，精確率為76.65%，交并比為65.55%。Wang等[24]提出的方法的敏感性為53.9%，精確率為62.7%，交并比為58.4%。Xiao等[8]提出的方法的敏感性為81.39%，特異性為95.65%?？梢悦黠@看出本研究所提出的瞼板腺腺體自動(dòng)分割方法在幾個(gè)評(píng)價(jià)指標(biāo)上均表現(xiàn)最佳。盡管目前還沒(méi)有針對(duì)紅外瞼板腺圖像自動(dòng)分析研究的公開(kāi)數(shù)據(jù)集，現(xiàn)有方法缺乏統(tǒng)一的評(píng)價(jià)工具和標(biāo)準(zhǔn)，不利于研究者對(duì)方法進(jìn)行直觀比較，上述結(jié)果仍能在一定程度上體現(xiàn)出本研究提出的瞼板腺腺體自動(dòng)分割方法的優(yōu)越性。

目前認(rèn)為，當(dāng)受到光照強(qiáng)度和高亮反光點(diǎn)的影響時(shí)，自動(dòng)分割方法難以得到良好的腺體分割效果。本研究提出的瞼板腺腺體自動(dòng)分割方法引入深度學(xué)習(xí)技術(shù)，綜合考慮腺體與其鄰近區(qū)域的關(guān)系和信息，在一定程度上克服了強(qiáng)反光點(diǎn)對(duì)周邊腺體分割的影響。然而當(dāng)圖像中存在偽影、腺體發(fā)生嚴(yán)重形變時(shí)，本研究提出的模型會(huì)出現(xiàn)誤判腺體的情況，靠近兩端的區(qū)域存在相鄰的腺體分割后黏連的現(xiàn)象，還需在后續(xù)的研究中克服這些現(xiàn)象，進(jìn)一步提高分割的精度。

1駱仲舟, 鄧宇晴, 王耿媛, 等. 基于紅外成像原理的瞼板腺圖像量化分析系統(tǒng). 眼科學(xué)報(bào) 2021; 36(1): 30-37