方玲玲，張麗榕

1.遼寧師范大學(xué)，大連 116029；2.大連東軟信息學(xué)院，大連 116023

0 引 言

隨著現(xiàn)代工具的智能化，人類對手機、電腦等工具的依賴，人眼因使用過度導(dǎo)致視神經(jīng)受損從而出現(xiàn)了如青光眼、白內(nèi)障和糖尿病性視網(wǎng)膜病變等各種眼病(Keerthiveena等，2020)。一般來說，青光眼患者起初沒有癥狀，但隨著時間的推移，眼壓的變化會導(dǎo)致人們在光線照射時會出現(xiàn)視力模糊和頭暈的現(xiàn)象。青光眼是最常見的致盲原因之一，它的發(fā)病過程緩慢且不易被察覺，因此又稱為“悄無聲息的視覺殺手”(秦運輸，2019)。

早期發(fā)現(xiàn)和及時治療是防止青光眼患者視力下降甚至失明的關(guān)鍵。如今，全球的青光眼患者越來越多，在青光眼診斷和治療的定期檢查中，僅通過人工診斷青光眼變成了一項艱巨的任務(wù)(Agrawal等，2019)。由于臨床應(yīng)用和科學(xué)研究的需要，亟需開發(fā)有效的計算機輔助系統(tǒng)實現(xiàn)對青光眼的精準診斷。青光眼疾病源于眼壓的升高，而導(dǎo)致視盤和視杯結(jié)構(gòu)發(fā)生變化，這成為研究者診斷青光眼的主要依據(jù)。因此，視盤和視杯的分割也成為醫(yī)療圖像領(lǐng)域內(nèi)的重要研究內(nèi)容并長期受到廣泛關(guān)注。

目前，研究者提出了許多視盤和視杯分割方法，但由于眼底彩照的復(fù)雜性，現(xiàn)有方法仍存在大量難點，具體可總結(jié)為：1)視盤和視杯中存在的滲出物、血管等；2)視盤和視杯空間位置的特殊性、尺寸和形狀的多變性；3)健康人和青光眼患者的視盤和視杯之間存在的巨大差異；4)視盤和視杯邊界模糊、成像的相似性較高、區(qū)分困難以及噪聲等。這些因素對視盤和視杯的特征提取以及精準分割具有重大影響。在實際分割過程中，準確及時地處理這些因素所造成的影響可保證視盤和視杯分割的精確性與魯棒性。

迄今為止，涌現(xiàn)出很多用于診斷青光眼的視盤和視杯分割方法，主要以雙層水平集(Luo等，2019)、超像素分類(Bechar等，2018)以及深度學(xué)習(xí)(Mitra等，2018)等方法為代表，同時獲得了學(xué)術(shù)界和醫(yī)學(xué)界的廣泛關(guān)注，并快速應(yīng)用到醫(yī)療圖像處理與分析領(lǐng)域。為了對視盤和視杯的不同分割算法進行較為客觀的比較與分析，本文嘗試對現(xiàn)有的視盤和視杯的分割方法進行較為全面的總結(jié)，并按照算法類型劃分為水平集法(唐文杰 等，2017)、模態(tài)法(Chalakkal等，2018)、劃分法(Balakrishnan，2017)、能量泛函法(Zhou等，2019)以及基于機器學(xué)習(xí)的混合法(Jiang等，2020)。另外，本文對青光眼參數(shù)的計算方法進行了總結(jié)，分別為杯盤比(cup-to-disc ratio, CDR)、神經(jīng)視網(wǎng)膜邊緣比率(neural retinal margin ratio, NRR)以及青光眼風(fēng)險指數(shù)(glaucoma risk index, GRI)，同時總結(jié)了視盤和視杯分割結(jié)果的性能指標。在此基礎(chǔ)上，提供了部分算法的相關(guān)代碼以及各算法在不同數(shù)據(jù)集中的實驗結(jié)果分析。

為了更好地進行分析與描述，首先對眼底彩照構(gòu)成和特征及其對應(yīng)的數(shù)據(jù)集進行了詳細的介紹。其次，嘗試對在青光眼診斷中現(xiàn)有視盤和視杯分割方法進行較為全面的闡述與分析，并按照所采用的基礎(chǔ)算法將其劃分為5大類。為了評價分割結(jié)果以及青光眼的診斷，詳細描述了一些重要的性能分析指標的計算方法。最后對青光眼診斷中視盤和視杯分割方法的未來發(fā)展方向作出初步展望。

1 眼底彩照及其對應(yīng)的數(shù)據(jù)集

1.1 眼底彩照

眼底彩照(Kaur和Mittal，2018)是唯一能用肉眼直接觀察到動脈、靜脈和毛細血管部位的圖像，這些血管能夠反映出人體全身血液循環(huán)的動態(tài)以及健康狀況。臨床上也通過視網(wǎng)膜眼底中視盤和視杯的變化來準確地反映出患者是否患有青光眼。因此，視網(wǎng)膜視盤、視杯和血管的分割得到廣泛研究。圖1清晰地展現(xiàn)了眼底彩照的結(jié)構(gòu)。

圖1 眼底彩照的組成結(jié)構(gòu)

視盤全稱為視神經(jīng)盤，也稱為視神經(jīng)乳頭(Bouacheria等，2020)，如圖1所示。它的形狀因人而異，但絕大多數(shù)都是圓形的，是視網(wǎng)膜上視覺纖維穿出眼球的部位，也是視神經(jīng)的始端。除此之外，視盤呈現(xiàn)亮黃色，可分為兩個明顯的區(qū)域：中間明亮區(qū)(視杯)和外圍區(qū)(視神經(jīng)網(wǎng)膜邊緣)(袁鑫 等，2020)。視盤中含有很多其他的紋理，例如血管在眼底彩照中呈現(xiàn)出從視盤向邊緣延伸，從起點到末端，由厚到薄、由密到疏的分布形式，并且在整個視網(wǎng)膜上的分布可以近似為拋物線。視盤區(qū)域的血管分布多呈垂直狀，而其他部位分布多呈水平狀(Gui等，2018)。因此，可通過視網(wǎng)膜血管的特征來分割視盤，并用于青光眼疾病的診斷。

視杯是由內(nèi)邊界視神經(jīng)乳頭交叉點和位于視網(wǎng)膜色素上皮層(Mukherjee等，2019)末端上方150 μm的一條平行線組成，如圖1所示。它是眼底彩照中明亮的中央凹陷，存在于視盤上，大小不一。青光眼疾病是由于視杯的變化阻擋了視盤區(qū)域(Thakur和Juneja，2018)，導(dǎo)致視野變小，因此視杯是診斷青光眼的重要參數(shù)之一。

1.2 眼底彩照數(shù)據(jù)集

詳細介紹一些典型的眼底彩照公開數(shù)據(jù)集。

REFUGE數(shù)據(jù)集(Tian等，2020；袁鑫 等，2020)包含1 200幅彩色眼底彩照，均以JPEG格式存儲，其中120幅為青光眼患者眼底彩照，其余為健康人眼底彩照。該數(shù)據(jù)集是目前標注最全面的可公開獲取的眼底彩照數(shù)據(jù)集。此外，該數(shù)據(jù)集還包含由專家和臨床醫(yī)生創(chuàng)建的真實值圖像，具有一定的臨床價值。它正式劃分為3個子集，每個子集包含400幅眼底彩照，其中每個子集中青光眼和非青光眼圖像的比例為10%和90%。每幅眼底彩照主要包含診斷、圖像分割及定位3方面信息。

ORIGA數(shù)據(jù)集(Sun等，2018；Zhang等，2010)是用于青光眼分析和研究的在線眼底彩照數(shù)據(jù)集，并且已經(jīng)被一些最新的研究當(dāng)做標準數(shù)據(jù)集。它包含650幅眼底彩照，其中168幅為青光眼眼底彩照，482幅為非青光眼眼底彩照。每幅眼底彩照為3 072×2 048像素。此外，該數(shù)據(jù)集還提供了CDR值和標簽(青光眼/健康眼)。

DhristiGS數(shù)據(jù)集(Veena等，2020；Sivaswamy等，2014)包含101幅PNG格式的眼底彩照，其中51幅為測試圖像，50幅為訓(xùn)練圖像，并包含了4名眼科專家創(chuàng)建的視盤和視杯真實值圖像各50幅，圖像大小為2 896×1 944 像素。此外，還包括CDR值和青光眼診斷結(jié)果。該數(shù)據(jù)集中選定的青光眼患者年齡在40—80歲之間，男女人數(shù)大致相等。

HRF數(shù)據(jù)集(Bajwa等，2019；Khan等，2017)是一個可公開訪問的數(shù)據(jù)集，共包含45幅圖像，其中15幅為健康圖像，15幅為青光眼圖像，15幅為糖尿病視網(wǎng)膜病變圖像，每一幅圖像都有對應(yīng)的一組專家和臨床醫(yī)生提供的血管分割的真實值結(jié)果。該數(shù)據(jù)集還可用于評價眼底彩照中視盤、視杯、黃斑和血管的分割算法。

DRIVE數(shù)據(jù)集(Shahid和Taj，2018)通常情況下用于血管提取。由近40幅圖像組成，其中7幅為病理圖像，其余為正常圖像。該數(shù)據(jù)集平均分為兩組，分別作為測試集和訓(xùn)練集，并且為每幅眼底彩照提供了對應(yīng)的手動血管分割掩碼，但其沒有視盤定位的任何標簽。

DIARETDB1 數(shù)據(jù)集(李郭，2018)由89幅眼底彩照組成，具有50個視場(field of view, FOV)。每個眼底彩照的大小為1 500×1 152像素。該數(shù)據(jù)集提供了4名醫(yī)學(xué)專家對眼底彩照的注釋，并提供微動脈瘤、出血和硬、軟滲出物的標記。其中包含84幅病變眼底彩照和5幅健康眼底彩照。然而該數(shù)據(jù)集也不提供視盤定位的任何信息。

更多數(shù)據(jù)見表1。

表1 眼底彩照數(shù)據(jù)集

2 視盤和視杯分割方法

視盤和視杯分割是診斷青光眼的有效途徑，因此從眼底彩照中分割視盤和視杯是醫(yī)學(xué)圖像分析中最具挑戰(zhàn)的任務(wù)之一。為了對不斷出現(xiàn)的視盤和視杯分割算法進行統(tǒng)一的客觀比較與分析，本文對現(xiàn)有的視盤和視杯的分割方法進行總結(jié)并歸類為：水平集法(Wong等，2008；Zhang等，2009；王瑩 等，2020)、模態(tài)法(Morales等，2013；Rodrigues和Marengoni，2017；Chalakkal等，2018)、劃分法(Cheng等，2013；Khalid等，2014；Balakrishnan，2017)、能量泛函法(鄭姍 等，2014；Mittapalli和Kande，2016；Zhou等，2019)以及基于機器學(xué)習(xí)的混合法(Thakur和Juneja，2019；Biswal等，2020；Zilly等，2017；Jiang等，2020)?；谘鄣撞收盏母鞣N分割分類方法對應(yīng)的實現(xiàn)過程、實驗結(jié)果和量化指標分析可見附表2。

2.1 水平集法

水平集法是一種用于界面追蹤和形狀建模的數(shù)值技術(shù)，1988年，美國數(shù)學(xué)家Stanley Osher 和James Sethian將其發(fā)展為演化曲線和曲面的隱式形式(Osher和Sethian，1988)。在基于視盤和視杯分割的水平集法中，φ(x,y,t)是在眼底彩照中點(x,y)和時間t上的曲面高度，給定的曲線γ被隱式表示為零水平集

γ={(x,y)|φ(x,y,t)}

(1)

利用水平集方程定義了隱式函數(shù)的演化

(2)

式中，κ為水平集表面的曲率。該方法可以在笛卡兒網(wǎng)格上對演化中的視盤或視杯曲線(曲面)進行數(shù)值計算，而不必對曲線(曲面)參數(shù)化，而且使改變視盤或視杯的拓撲結(jié)構(gòu)變得很容易(Imbert，2009)。

Wong等人(2008)提出了一種利用變分水平集從眼底彩照中分割視盤和視杯的CDR自動測定方法。該方法首先通過直方圖分析獲得強度特征(圖像像素值大小)定位視盤區(qū)域，其次利用變分水平集對紅色通道中的視盤進行分割。由于視網(wǎng)膜血管的存在，視盤邊界不準確，因此使用橢圓擬合法(Díaz-García和Caro-Lopera，2017)平滑視盤邊界。通過閾值初始化水平集法分割視杯并使用橢圓擬合方法平滑視杯邊界，降低了CDR的錯誤率。但由于該方法很大程度上依賴于圖像的強度特征，因此該方法的魯棒性較低。針對此問題，Zhang等人(2009)也提出了一種基于混合水平集和顏色直方圖的視盤視杯分割方法。該方法為了減少計算需求，通過預(yù)處理選取感興趣區(qū)域(region of interest, ROI)，使用變分水平集算法，并通過顏色直方圖和邊緣分析確定了最優(yōu)顏色通道檢測視盤邊界。為了避免水平集過程中其他因素的影響，例如噪聲、虛假邊界等，該方法引入了一個能量函數(shù)項，以保持水平集接近符號距離函數(shù)，并對分割后的視盤邊界做了平滑處理。在分割后的視盤基礎(chǔ)上，使用閾值初始化的水平集方法分割視杯并平滑視杯邊界，其主要流程如圖2所示。使用該算法在初始化過程中可避免受其他因素和不連續(xù)性的影響而導(dǎo)致分割錯誤。

圖2 基于混合水平集和顏色直方圖的視盤視杯分割方法流程圖

由于Wong等人(2008)和Zhang等人(2009)提出的方法在分割視盤后的基礎(chǔ)上才能分割視杯，顯然上述兩種算法對視盤分割有很強的依賴性。因此，王瑩等人(2020)提出一種基于雙層水平集描述的眼底彩照視盤和視杯分割方法。首先分別根據(jù)水平集函數(shù)的不同層級表示視盤和視杯的輪廓，根據(jù)視盤與視杯間的位置特征建立距離約束條件，為了克服眼底彩照的不均勻性(相同區(qū)域不同位置的強度不一致性)，利用眼底彩照的局部特征驅(qū)動活動輪廓演化。為了約束活動輪廓的演化，根據(jù)視盤與視杯的幾何形狀特征，引入視盤與視杯形狀的先驗信息，使視盤與視杯的分割準確實現(xiàn)。

2.2 模態(tài)法

模態(tài)法主要是對圖像中像素點(x,y)進行劃分，通過像素點的強度值差異獲得不同的特征閾值T，將圖像分為目標和背景兩類(張?zhí)?等，2020)。在基于視盤和視杯分割的模態(tài)法中，數(shù)學(xué)表達式為

(3)

式中，f(x,y)和g(x,y)分別表示輸入的眼底彩照和輸出的視盤和視杯分割結(jié)果。該方法計算相對簡單、運算效率較高且速度快，在醫(yī)學(xué)圖像分割中得到了廣泛的應(yīng)用。

Morales等人(2013)提出了一種基于數(shù)學(xué)形態(tài)學(xué)和主成分分析(principal component analysis, PCA)的視盤提取方法。該方法通過PCA算法結(jié)合3個RGB分量的重要特征獲得灰度圖像以作為輸入圖像；并使用數(shù)學(xué)形態(tài)學(xué)的幾種運算得到的閾值來定位視盤區(qū)域。該算法采用了廣義距離函數(shù)(Zhang等，2019)、分水嶺變換(Biswas和Ghoshal，2016)的變體、隨機分水嶺(Sarkar等，2018)和測地變換(Zeng等，2019)等不同的操作。其主要優(yōu)點是算法的完全自動化，它不需要臨床醫(yī)生的任何干預(yù)，釋放了必要的資源，并減少了咨詢時間，但由于PCA算法主要用于降低原始數(shù)據(jù)的維數(shù)且仍保持盡可能多的變異性，導(dǎo)致主成分因子負荷的符號有正有負，進而使得主成分貢獻率及累計貢獻率等綜合評價函數(shù)意義不明確，命名清晰性降低。

同樣地，Rodrigues和Marengoni(2017)提出了一種基于小波變換和數(shù)學(xué)形態(tài)學(xué)的新算法來檢測視盤。該算法通過直方圖分析獲得最佳顏色通道并進行圖像增強；通過第5級分解算法調(diào)整圖像大小并進行插值處理(Ling等，2014)；最后通過閾值方法來獲得視盤區(qū)域。該方法不需要任何預(yù)處理階段，也沒有后處理模塊。簡化了實驗過程，而且降低了在預(yù)處理和后處理過程中的信息損失。但小波變換是時頻分析的一種方法，因此導(dǎo)致該算法的冗余度變大。除此之外，視盤中存在的血管對數(shù)學(xué)形態(tài)學(xué)算法也造成了很大的影響。

為了解決Sandra等人(2013)以及Rodrigues和Marengoni(2017)提出算法中存在的問題，Chalakkal等人(2018)提出了直方圖模板結(jié)合血管信息的最大總和自動檢測視盤，對應(yīng)算法主要流程如圖3所示。首先通過3個不同的顏色通道(R、G、B)創(chuàng)建了一個基于平均直方圖的模板，并檢測視盤潛在的區(qū)域；然后計算該區(qū)域中視網(wǎng)膜血管的最大值，同時分割視網(wǎng)膜的主要血管來定位視盤中心；最后通過圓形霍夫變換操作對視盤中心的位置進行調(diào)整并對其邊緣進行檢測來精確自動分割視盤。

圖3 基于視網(wǎng)膜血管信息自動分割視盤算法流程圖

2.3 劃分法

劃分法是一種迭代法，它將具有相同特點的對象劃分為一類，并滿足“類間距離最大、類內(nèi)距離最小”的原則(Oh等，2021)。在眼底彩照分割中劃分目標函數(shù)的最小化，即

(4)

式中，N為視盤或視杯劃分簇中心的個數(shù)；C為每個劃分簇中包含的樣本數(shù)量；λij是j劃分簇中mi的隸屬度；mi是測量數(shù)據(jù)的第i個；nj是劃分簇中視盤或視杯的中心。λij和nj分別為

(5)

(6)

式中，k是迭代步驟；迭代一直持續(xù)到最大，即

(7)

式中，ε是一個迭代終止的標準。

在實踐中驗證理論、原則和定律，將感性認識轉(zhuǎn)變?yōu)槔硇哉J識，能增強課程的實用性，提高教學(xué)效果。通過大量的野外調(diào)查、取樣和室內(nèi)分析，可以培養(yǎng)綜合創(chuàng)新型高技能人才。例如，在群落和生態(tài)系統(tǒng)的分析與調(diào)查中，學(xué)生通過野外調(diào)查，隨機設(shè)置適量樣方，統(tǒng)計每個樣方中的種數(shù)及各個種的個體數(shù)、高度、密度等指標來反映群落的數(shù)量特征，進而分析生態(tài)系統(tǒng)的穩(wěn)定性。在生物多樣性分析與調(diào)查中，可以了解到辛普森多樣性指數(shù)和香農(nóng)-維納多樣性指數(shù)的內(nèi)涵與使用范疇，并學(xué)會如何應(yīng)用。

Cheng等人(2013)提出了利用超像素分類進行青光眼診斷的視盤和視杯分割的方法。首先通過ROI定位視盤中心像素點，然后進行預(yù)處理，在視盤分割中，使用直方圖和中心環(huán)繞統(tǒng)計進行超像素分類。對于視杯分割，除了直方圖和中心環(huán)繞統(tǒng)計外，還將位置信息包含在特征空間中，最后利用決策值創(chuàng)建一個二進制矩陣，采用形態(tài)學(xué)處理、橢圓霍夫變換(Li等，2020)和主動形狀模型得到了視杯的邊界。但由于視盤與視杯之間區(qū)域較為模糊，導(dǎo)致視杯的分割不準確。由此，Khalid等人(2014)提出了一種直觀的基于模糊C均值聚類的視盤和視杯的分割方法。該方法通過預(yù)處理獲得紅色通道，并使用語言學(xué)上的閉合操作和直覺模糊C均值聚類算法。然后，使用Canny邊緣檢測器(Lee等，2018)找到邊緣，并進行圓形霍夫變換以細化所創(chuàng)建的邊緣。最后，為視盤和視杯創(chuàng)建遮罩以獲取分割區(qū)域。由于該算法強烈依賴初始化數(shù)據(jù)并容易陷入局部鞍點等問題，因此仍然需要更進一步的研究。

為了解決上述算法的問題，Balakrishnan(2017)提出了一種相鄰差分聚類與強度變化掩膜相結(jié)合的視盤和視杯分割算法。在預(yù)處理中，采用高斯掩膜更新技術(shù)消除噪聲，平滑眼底彩照，提高圖像的視覺質(zhì)量。然后，利用所提出的相鄰差分聚類技術(shù)，通過模式和閾值提取過程對視盤和視杯區(qū)域進行聚類。最后，在執(zhí)行像素匹配和權(quán)重上升過程中來分割視盤和視杯，對應(yīng)流程如圖4所示。

圖4 相鄰差分聚類與強度變化掩膜相結(jié)合的視盤和視杯的分割算法流程圖

2.4 能量泛函法

能量泛函法是指定義在圖像域上受曲線(曲面)自身相關(guān)的內(nèi)力以及由圖像數(shù)據(jù)定義的外力的共同作用向物體邊緣靠近的模型。外力推動活動輪廓“拉向”物體邊緣或者其他感興趣的圖像特征，而內(nèi)力則保持活動輪廓的光滑和連續(xù)性(董吉文和楊海英，2008)。

在基于視盤和視杯分割的能量泛函方法中，設(shè)Γ為視盤或視杯輪廓曲線的集合，則

?(s)=(p(s),q(s))

(8)

式中，?(s)為Γ上的2維坐標點，p(s)和q(s)分別表示橫縱坐標，s∈[0,1]為歸一化弧長，因此，視盤或視杯輪廓曲線的能量函數(shù)為

(9)

式中，Eint為內(nèi)部約束力，用來保證視盤或視杯輪廓曲線的光滑和連續(xù)性；Eext為外部約束力，用來推動輪廓視盤或視杯輪廓曲線向圖像中的目標收斂。表達式為

(10)

式中，?′(s),?′′(s)分別表示視盤或視杯輪廓曲線長度和曲率的變化率；α(s)，β(s)分別為彈力系數(shù)和強度系數(shù)；μext為權(quán)重系數(shù)；Gσ(?(s))表示標準偏差為σ的高斯函數(shù)(王相海和方玲玲，2013)。該方法的優(yōu)點是將圖像數(shù)據(jù)、初始輪廓的選取、目標輪廓特征以及知識的條件約束都集成在一個特征提取過程中(牛君 等，2005)。

圖5 基于彩色眼底圖像視盤和視杯分割的青光眼專家系統(tǒng)流程圖

綜合上述問題，Zhou等人(2019)提出了一種新的采用結(jié)構(gòu)先驗方法對視盤和視杯結(jié)構(gòu)進行聯(lián)合和魯棒分割的局部統(tǒng)計主動輪廓模型。首先，通過預(yù)處理自動提取物體的初始輪廓。當(dāng)圖像強度不均勻時，引入局部統(tǒng)計主動輪廓模型分割視盤和視杯。最后，基于視盤和視杯的特定形態(tài)，構(gòu)建一種由層次圖像分割和吸引項組成的結(jié)構(gòu)先驗?zāi)Ｐ停灾笇?dǎo)其產(chǎn)生精確的分割結(jié)果。該模型的主要流程如圖6所示。

圖6 基于結(jié)構(gòu)先驗方法的局部統(tǒng)計主動輪廓模型算法流程圖

2.5 基于機器學(xué)習(xí)的混合法

Thakur和Juneja(2019)提出了一種基于聚類和水平集分割眼底彩照中的視盤和視杯的混合方法。該方法首先使用自適應(yīng)正則化基于核的直覺模糊C均值對圖像進行聚類，利用從自適應(yīng)正則化基于核的直覺模糊C均值和直覺模糊C均值得出的目標函數(shù)，進而將使用自適應(yīng)正則化基于核的直覺模糊C均值方法分割的視盤和視杯邊界作為水平集方法的初始輪廓。最后，通過活動輪廓方法分割視盤和視杯。該算法提高了實驗結(jié)果的精度，但同時造成了時間冗余。除此之外，Biswal等人(2020)提出了一種通過平穩(wěn)小波變換和最大血管像素算法分割視盤和視杯，創(chuàng)建一個自動ROI為該算法奠定了基礎(chǔ)。平穩(wěn)小波變換算法利用逆極性變換對視盤進行分割，處理ROI的第6級分解Daubechies平穩(wěn)小波變換的水平系數(shù)。最大血管像素算法使用最大血管像素和，通過將部分杯邊緣擴展到杯邊界的鼻側(cè)來提取完整的視杯區(qū)域。該算法的具體流程如圖7所示。

圖7 基于平穩(wěn)小波變換和最大血管像素分割視盤和視杯的算法流程圖

自從2012年AlexNet(Krizhevsky等，2017)在ImageNet挑戰(zhàn)中獲得成功以來，深度學(xué)習(xí)開始廣泛地應(yīng)用到醫(yī)學(xué)圖像分割研究與應(yīng)用中。其可以克服一些傳統(tǒng)的配準方法存在的缺點，如不依賴初始數(shù)據(jù)，適應(yīng)性好，減少了人為設(shè)計特征造成的不完備性，擬合能力強而且能夠提高分割圖像的準確度與效率。因此，基于深度學(xué)習(xí)的眼底彩照分割方法具有廣闊的發(fā)展前景與提升空間。

Zilly等人(2017)提出了基于增強濾波器和熵采樣的卷積神經(jīng)網(wǎng)絡(luò)分割視盤和視杯算法。該算法首先通過非線性變換進行預(yù)處理將RGB顏色空間轉(zhuǎn)換為Lab顏色空間，然后對預(yù)處理后的圖像進行基于熵采樣和濾波增強的集成學(xué)習(xí)(Thakur和Juneja，2018)。熵采樣技術(shù)用于選擇信息點，并在執(zhí)行優(yōu)于均勻采樣的同時降低了計算復(fù)雜度。增強過濾器在多個層中進行學(xué)習(xí)，前一層的輸出作為下一層的輸入。隨后softmax邏輯分類器在所有學(xué)習(xí)的過濾器上進行訓(xùn)練，并應(yīng)用于測試圖像，然后進行凸包變換以獲得最終的視盤和視杯。最后，通過視盤和視杯的直徑之比計算出CDR值。但是由于該算法需要更多的訓(xùn)練，因此需要大規(guī)模的數(shù)據(jù)集。

為了解決Zilly等人(2017)在分割視盤和視杯中遇到的問題，Jiang等人(2020)提出了一種新的基于區(qū)域的CNN(convolutional neural network)端到端的聯(lián)合視盤和視杯分割(稱為聯(lián)合RCNN)方法。首先引入Atrous卷積(Zhang等，2020)來提高特征提取模塊的性能。在聯(lián)合RCNN中，分別提出了視盤提議網(wǎng)絡(luò)(optic disc proposed network, DPN)和視杯提議網(wǎng)絡(luò)(optic cup proposed network, CPN)來生成視盤和視杯的邊界框。鑒于已知視杯位于視盤中，提出了將DPN和CPN連接起來的視盤注意模塊，其中首先選擇合適的視盤包圍盒，然后繼續(xù)向前演化，作為提出的網(wǎng)絡(luò)中視杯檢測的基礎(chǔ)。在獲得相應(yīng)檢測包圍盒的內(nèi)切橢圓的視盤和視杯區(qū)域后，計算垂直CDR值，并將其作為青光眼檢測的指標。詳細流程如圖8所示。

圖8 基于區(qū)域的CNN的視盤和視杯分割算法流程圖

為了更進一步提高分割的效率和準確率，袁鑫等人(2020)提出了一種基于全卷積多尺度殘差神經(jīng)網(wǎng)絡(luò)的視杯視盤分割方法。首先，對眼底彩照進行對比度增強處理，并引入極坐標變換。其次，構(gòu)造W-Net作為主體網(wǎng)絡(luò)，使用帶殘差多尺度全卷積模塊來代替標準卷積單元，在輸入端口加入圖像金字塔來構(gòu)造多尺度輸入，通過側(cè)輸出層生成局部預(yù)測值。最后，提出一種新的多標簽損失函數(shù)來指導(dǎo)網(wǎng)絡(luò)分割。

基于機器學(xué)習(xí)的混合法很大程度上提高了視盤和視杯的分割性能，但仍存在一些問題，如需要大量的眼底彩照數(shù)據(jù)集進行訓(xùn)練提高實驗結(jié)果的準確性，考慮到眼底彩照的復(fù)雜性，需要更高的并行編程技巧和更多更好的硬件支持，因此基于機器學(xué)習(xí)的視盤和視杯分割需要更進一步的研究。

2.6 算法分析與總結(jié)

通過對上述分割視盤和視杯的多種方法比較及分析表明，水平集法在分割視盤和視杯時與標準值有相對的誤差，因此在CDR值越來越小的情況下，這些誤差會導(dǎo)致診斷青光眼產(chǎn)生更加明顯的偏差。模態(tài)法嚴重依賴圖像的強度特征，然而大多數(shù)眼底彩照中視盤和視杯之間具有低對比度的特點，使該算法對視杯分割的精確度較低。劃分法雖簡單高效且劃分效果較好，但需要先驗知識并設(shè)定恰當(dāng)參數(shù)，由于迭代計算量大，不適合劃分較大的數(shù)據(jù)樣本(趙祥宇和陳沫涵，2018)，因此該算法在分割視盤和視杯時效率較低。能量泛函法可以驅(qū)動曲線找到視盤和視杯較為恰當(dāng)?shù)倪吔?，但輪廓曲線的初始位置在實驗結(jié)果中起到了關(guān)鍵的作用，在曲率高時輪廓邊緣收斂困難。除此之外，該算法的拓撲結(jié)構(gòu)不易被改變(董吉文和楊海英，2008)。

目前深度學(xué)習(xí)技術(shù)在視盤和視杯分割的混合方法中盛行，為青光眼診斷帶來了新變革。在深度分割網(wǎng)絡(luò)架構(gòu)、全局或局部特征提取以及多尺度特征融合等多方面都進行了較為深入的探索，較傳統(tǒng)的視盤和視杯分割方法在性能方面獲得了顯著的提升，有效推進了青光眼診斷研究的發(fā)展。然而，青光眼診斷是一項復(fù)雜且困難的醫(yī)療任務(wù)，盡管基于深度學(xué)習(xí)的混合法實驗結(jié)果已取得明顯的提升，但現(xiàn)有的深度學(xué)習(xí)方法始終無法取得滿意的效果，仍需進一步的提升與研究。

3 青光眼診斷參數(shù)

在眼底彩照中，青光眼主要表現(xiàn)為視盤凹陷擴大和視杯形態(tài)變化。根據(jù)上述提出的不同算法分割的視盤和視杯，并計算相對應(yīng)的CDR、NRR和GRI等臨床特征參數(shù)進行青光眼的診斷。

3.1 杯盤比(CDR)

CDR是視盤與視杯的比值。根據(jù)CDR值可以快速判斷是否患有青光眼，健康人的眼底彩照的CDR值不超過0.58(Bouacheria等，2020)。目前CDR的計算方法(Haleem 等，2018)分為3種，分別是水平杯盤比(horizontal cup disc ratio, HCDR)、垂直杯盤比(vertical cup disc ratio, VCDR)以及面積杯盤比(area cup disc ratio, ACDR)。其中HCDR是視杯與視盤的水平直徑的比值，計算為

(11)

式中，Hcup和Hdisc分別是視盤和視杯的水平直徑。VCDR是視杯與視盤的垂直直徑的比值，計算為

(12)

式中，Vdisc和Vcup分別是視盤和視杯的垂直直徑。ACDR是視杯與視盤的面積大小的比值，計算為

(13)

式中，Adisc和Acup分別是視盤和視杯的面積。Hdisc，Hcup，Vdisc，Vcup，Adisc和Acup在眼底彩照中的位置如圖9所示。

圖9 眼底彩照中視盤與視杯的水平直徑、垂直直徑以及面積位置

3.2 神經(jīng)視網(wǎng)膜邊緣比率(NRR)

ISNT(inferior,superior,nasal,temporal)法則(Moon等，2018)是鑒別正常視盤和青光眼視盤的常用神經(jīng)視網(wǎng)膜邊緣比率(NRR)標志之一。神經(jīng)視網(wǎng)膜邊緣是指視盤將視杯移除之后得到的類似圓環(huán)形狀的區(qū)域。如圖10藍色環(huán)狀所示。

圖10 ISNT象限劃分

神經(jīng)視網(wǎng)膜邊緣區(qū)域共分為4個象限如圖10所示，分別為下側(cè)(inferior)、上側(cè)(superior)、鼻側(cè)(nasal)和顳側(cè)(temporal)。它們遵循的ISNT規(guī)則為

Dinferior>Dsuperior>Dnasal>Dtemporal

(14)

式中，Dinferior,Dsuperior,Dnasal和Dtemporal分別為視盤神經(jīng)視網(wǎng)膜邊緣區(qū)域下側(cè)、上側(cè)、鼻側(cè)和顳側(cè)的寬度，如圖10所示。

除此之外，還可以通過NRR診斷青光眼。通常，NRR大于1被視為健康眼；NRR小于或接近1被視為青光眼。NRR計算為

(15)

式中，Sinfeior，Ssuperior，Snasal和Stemporal分別為視盤神經(jīng)視網(wǎng)膜邊緣區(qū)域下側(cè)、上側(cè)、鼻側(cè)和顳側(cè)的面積。

3.3 青光眼風(fēng)險指數(shù)(GRI)

GRI(Bock等，2010)是計算通過PCA獲得各種主成分的結(jié)果。根據(jù)GRI的范圍眼睛可以分為健康眼或青光眼。健康眼的GRI范圍是(8.68±1.67)，青光眼的GRI范圍是(4.84±2.08)，具體計算為

GRI=6.837 5-1.132 5(PC1)+

1.650 0(PC2)+2.722 5(PC3)+

0.675 0(PC4)+0.665 0(PC5)

(16)

式中，PC1—PC5為通過PCA計算的主成分。

3.4 小結(jié)

青光眼的診斷在臨床醫(yī)學(xué)應(yīng)用中是極其重要的，現(xiàn)有青光眼診斷參數(shù)有CDR，GRI以及NRR等指標，其中GRI指標不依賴于視盤和視杯的大小及位置，然而GRI和NRR指標常常沒有考慮到視網(wǎng)膜神經(jīng)邊緣的神經(jīng)塊喪失數(shù)量，而視神經(jīng)塊直接決定了視野的喪失。目前，CDR一直是生物醫(yī)學(xué)工程界所依賴的最流行的措施。

4 性能分析指標

為了進一步評價視盤和視杯分割結(jié)果以及青光眼診斷結(jié)果，總結(jié)一些性能分析指標的計算方法，用以綜合評估分割方法及青光眼診斷的性能。在視盤和視杯分割任務(wù)中，一般采用相對面積差、重疊面積比與非重疊面積比、Dice度量、敏感性、特異性以及準確度等評價指標來對分割方法進行性能評估。在青光眼診斷中，一般使用CDR誤差、平均誤差、標準誤差以及均方根誤差等指標評估結(jié)果。

4.1 評價視盤或視杯分割結(jié)果的性能分析指標

4.1.1 相對面積差

相對面積差(overlapping error)是分割結(jié)果和真實值兩個區(qū)域之間相對變化的度量

(17)

式中，Sd是相對面積差，在視盤或視杯的分割中，Dseg是指視盤或視杯的垂直直徑，Dgt是視盤或視杯真實值的垂直直徑。Sd的值越小，實驗結(jié)果越好。

4.1.2 重疊面積比與非重疊面積比

重疊面積比(overlap measure)是一種分割結(jié)果與真實值兩個區(qū)域的匹配程度的度量(Thakur和Juneja，2018)

(18)

式中，Srep是重疊面積比，在視盤或視杯的分割中，Aseg是視盤或視杯的面積，Agt是視盤和視杯的真實值面積。Srep的值越大性能越好。

對應(yīng)的非重疊面積比計算為

Snrep=1-Srep

(19)

式中，Snrep為非重疊面積。

4.1.3 Dice度量

Dice度量用于比較實驗結(jié)果和真實值兩個區(qū)域之間的相似性(Jimenez等，2016)

(20)

式中，Dm是Dice度量，在視盤或視杯的分割中，Aseg是視盤或視杯分割結(jié)果的面積，Bgt是視盤或視杯真實值的面積。Dm的值越大證明性能越好。

4.1.4 敏感性

敏感性(sensitivity)是指正確識別疾病狀況的能力(Bouacheria等，2020),即

(21)

式中，Sen是敏感性，TP是真陽性，F(xiàn)N是假陰性。在視盤和視杯的分割中，真陽性代表視盤或視杯的圖像分割結(jié)果被證明為視盤或視杯；假陰性是指非視盤或視杯的圖像分割結(jié)果被證明是視盤或視杯。Sen的值越大證明性能越好。

4.1.5 特異性

特異性(specificity)是指正確識別非疾病狀態(tài)的能力(Heneghan等，2002)

(22)

式中，Spe是特異性，TN是真陰性，F(xiàn)P是假陽性。在視盤或視杯的分割中，真陰性是指非視盤或視杯的圖像分割結(jié)果被證明是視盤或視杯的區(qū)域;假陽性是指視盤或視杯的圖像分割結(jié)果被證明不是視盤或視杯的區(qū)域。Sep的值越大證明性能越好。

4.1.6 準確度

準確度(accuracy)是實驗結(jié)果與真實值的匹配程度(Akbar等，2018)

(23)

式中，Acc是精度，Sen是靈敏度，Spe是特異性。Acc的值越大性能越好。

4.2 評價青光眼診斷結(jié)果的性能分析指標

4.2.1 CDR誤差

CDR誤差(CDR error)是實驗計算的CDR和臨床的CDR之間的差異(Cheng等，2017)

CDRC=CDRSeg-CDRClinical

(24)

式中，CDRC是CDR誤差，CDRSeg是實驗結(jié)果得到的CDR值，CDRClinical是臨床給定的的CDR值。如果CDR誤差的值小于0.2，則認為是可以接受的。

4.2.2 平均誤差

平均誤差(mean error)是衡量實驗結(jié)果和觀察結(jié)果之間的緊密性(Wong等，2008)

(25)

式中，Avgerror是平均誤差，n是實驗的數(shù)量，fi是真實值，oi實驗的結(jié)果。Avgerror的值越大，性能就越低。

4.2.3 標準誤差

標準誤差(standard deviation)是計算一組數(shù)據(jù)與給出的平均值之間的差的度量(Wong等，2008)

(26)

式中，Sd是標準誤差，τ是觀察結(jié)果的值，τ′是算術(shù)平均值，n是觀察結(jié)果的總數(shù)。標準誤差越大，性能就越低。

4.2.4 均方根誤差

均方根誤差是計算兩個變量之間差的度量(Zhang等，2009)

(27)

式中，RMSerr為均方根誤差，yi為觀察值，y′i為預(yù)測值，n為觀測總數(shù)。均方根誤差越小，性能越好。

4.3 小結(jié)

根據(jù)調(diào)查，青光眼的診斷是基于對視杯和視盤的正確檢測，因此，分割性能評價指標是一項重要的任務(wù)。上述指標分析中相對面積差、重疊面積比與非重疊面積比以及Dice度量主要依據(jù)的都是視杯和視盤的面積之比；敏感度、特異度以及準確度主要是通過預(yù)測值和真實值對視盤和視杯的結(jié)果進行評價。

青光眼診斷的性能分析是一個復(fù)雜的過程，其中CDR誤差、平均誤差、標準誤差以及均方根誤差均有助于進一步評價青光眼的診斷結(jié)果，具體結(jié)果見表2。在臨床診斷中，可將上述性能分析指標相結(jié)合進而對青光眼診斷的結(jié)果進行充分評價。

表2 不同種類算法對視盤視杯分割及CDR的性能比較總結(jié)

5 結(jié) 語

本文討論了視盤和視杯的各種分割方法在青光眼診斷中的應(yīng)用，并進一步分析了該領(lǐng)域存在的挑戰(zhàn)以及未來的發(fā)展趨勢，對該方向的研究及指導(dǎo)有一定的參考意義，并且在該領(lǐng)域中已獲得較為成功的研究成果，但青光眼診斷技術(shù)仍有較大的提升空間。

隨著計算機技術(shù)的不斷發(fā)展，深度學(xué)習(xí)廣泛應(yīng)用到視盤和視杯分割研究中。它可以克服一些傳統(tǒng)的視盤和視杯分割方法存在的缺點，如不依賴初始數(shù)據(jù)，適應(yīng)性好，減少了人為設(shè)計特征造成的不完備性，擬合能力強而且能夠提高分割圖像的準確度與效率。目前，青光眼診斷作為一個重要的研究領(lǐng)域，還存在以下幾個問題：

1)視盤和視杯中的眼底血管給現(xiàn)有的視盤和視杯分割算法造成了極大障礙；2)當(dāng)前的有監(jiān)督算法都依賴專家標注的視盤和視杯進行訓(xùn)練，但是目前用于訓(xùn)練的含專家標注的圖像數(shù)據(jù)集較少；3)關(guān)于實驗中超參數(shù)的選擇，目前主要還是根據(jù)經(jīng)驗和實驗效果進行人工選擇的，缺乏系統(tǒng)的調(diào)參方式；4)目前的算法中視杯分割很大程度依賴于視盤的分割結(jié)果。

為了克服上述問題，可以在算法開端通過形態(tài)學(xué)等操作去除血管，構(gòu)建一種基于改進的半監(jiān)督深度學(xué)習(xí)模型同時分割視盤和視杯，進而實現(xiàn)對青光眼的精準診斷。