基于计算机视觉的糖尿病视网膜病变自动筛查系统

朱江兵 柯 鑫 刘 畅 杨金奎 何建国*

(1.北京大恒图像视觉有限公司，北京100085;2.首都医科大学附属北京同仁医院内分泌科，北京100730)

糖尿病性视网膜病变(diabetic retinopathy，DR，以下简称糖网)，是美国和欧洲工作人口中最主要的致盲眼病。据世界卫生组织(World Health Organization，WHO)预测，到2030年，全球DR患者人数将增加到3.66亿，糖网病防治将成为一个更为严重的世界性问题［1］。研究［2-4］表明，对 DR 患者进行早期诊断和治疗能有效防止视觉的损失以及失明，而防治的关键则是通过眼底照相检查，定期随访发现病情的进展，及时进行激光干预治疗。但是目前世界上超过50%的糖尿病患者没有接受任何形式的眼部检查，基于眼底影像的糖尿病视网膜病变的筛查工作基本还是依靠眼科医生的肉眼观察进行。但当面临大规模筛查时，需要医生分析和处理的数据量非常大，人工判读方法既费时又费力，而且主观性强，数据分析复杂并且难以量化，很难做到定量随访。所以上述问题已成为实施大规模糖尿病视网膜病变筛查的主要障碍，临床上迫切需要一种客观、准确的方法，来辅助眼科医生对糖尿病患者眼底照相的结果进行快速分析［5-6］。

近年来，随着计算机辅助诊断技术的发展，基于计算机视觉的相关技术已经在肝脏疾病、呼吸系统疾病的影像诊断中得到开发和应用［7-9］。基于计算机视觉的糖网自动筛查系统正是基于大规模人口筛查的需求，通过计算机视觉的相关技术来辅助医生判别和精确提取影像的病变指标，智能分析患者的疾病信息，从而实现糖网病的大规模自动筛查。由于计算机可以全面利用影像信息进行精确的定量计算，不仅可以大幅提高医生的诊断效率，让医生从繁重的阅片工作中解脱出来，而且能去除人的主观性，避免因个人知识和经验差异引起诊断误差，对于建立客观准确的临床诊断标准很有价值。本研究结合国际Messidor数据库［6］，基于计算机视觉相关技术设计糖网病自动检测算法提取包括出血、渗出、微血管瘤等各类糖网病变特征，再根据DR的临床诊断标准，对眼底影像进行自动分级诊断，实现了全新的糖网病自动筛查系统，并与经过专家验证的筛查结果进行了对比，研究表明，基于计算机视觉算法开发的糖网自动筛查系统能准确、高效的完成眼科影像的糖网筛查工作，节省了医疗成本，便于未来建立客观准确的大规模健康数据管理系统，展现出很好的临床应用前景。

1 材料与方法

1.1 数据

国际Messidor数据库［6］建立的目的即是便于对DR作计算机辅助诊断的研究。Messidor数据库是当前已公开的包含眼底图像数目最多的数据库，包括2001幅彩色眼底图片，其中包括800张散瞳的图片和400张未散瞳的图片。这些图片都是在常规的临床眼底检查中使用眼底照相机拍摄的。眼底图像数据库的所有图片分为3组，每组400张，每组再分成4个图片集，共12个图片集，每个数据集为100张图，眼底图片的分辨率分别为:1 400×960、2 240×1488、2 304×1 536，所有图像保存为未压缩的TIFF格式。对于每张图像，Messidor数据库提供了2个诊断结果，包括视网膜病变的等级和黄斑水肿的风险等级。这些诊断结果由医学专家根据表1中所示的分级方案得到，也被作为对本文筛查系统性能分析的参考标准。根据这个参考标准，共有546张图像被判定为正常，654张图像被判定为DR，具体来说，糖网1级共有153张，糖网2级共有247张，糖网3级有254张。黄斑水肿不在本文讨论范围。此外，有974张图像没有黄斑水肿的风险等级;另分别有75张图像风险等级为1和151张图像风险等级为2。患者信息被抹去以确保患者的隐私。

表1 公开的糖网病以及黄斑水肿的分级标准Tab.1 Grading schemes proposed for retino pathy grade and risk of macular edema

1.2 方法

本文提出的糖网自动筛查系统通过分析患者的眼底检查图像中与DR相关的病变来提供诊断参考。如果检查图像中包含DR的病变或图像质量较低，那么被认为很可能患有糖网病。为了做到这一点，本系统包含以下几个模块:

1.2.1 图像预处理

在检测眼底图像中的解剖结构和病变之前，眼底图像的视场(region of interest，ROI)需要通过自适应阈值分割和模板匹配的方法预先找到，图像的黑色背景得以去除。

1.2.2 图像质量校正

为了从千差万别的眼底图像中获得稳定的信息，对图像进行颜色、亮度以及曝光分布的归一化处理十分必要。本文先根据图像的曝光分布对图像的亮度分布进行反补偿，然后选定一副质量较好的图像作为参考图像，把被处理图像的色调、饱和度和亮度信息都归一化到参考图像的参考值上，从而保证了被处理图像的稳定性。

1.2.3 分割血管

血管系统是视网膜图像中最重要的解剖结构之一。血管的准确分割对于从红色病变中区分毛细血管以及其他解剖结构，比如视盘的检测都非常关键［10］。通过亮度阈值分割以及基于颜色特征的监督分类方法能有效分割出血管边界。

1.2.4 分割视盘

视盘是眼底另一个很重要的解剖结构。视盘的正确定位对于后期减少亮度病变的错判非常有用。视盘的检测通过其亮度、形状以及血管的方向等特征进行定位。

1.2.5 红色病变检测

红色病变，包括微血管瘤、出血和增生血管，是DR的重要特征［11］，因此，这些病变的正确检测对DR筛查系统而言非常重要。小的红色病灶的定位基于数学形态学来获得候选区域，大的红色病灶的定位则通过基于颜色特征的监督分类来完成［12］。使用有监督的分类器和一组描述的候选区域形状、结构、颜色和对比度的特征，可计算出检测出的候选区域是一个真正红色病变的概率。

1.2.6 亮度病变检测

亮度病变，如渗出、棉絮斑、玻璃膜疣，经常出现在DR人群筛查中。只有前两种病变与DR相关。与红色病变的检出相类似，像素级的有监督分类用于获得候选的亮度病变区域［13］。每个候选区域是真正亮度病变的概率通过使用一组候选区域特征的监督分类平均值获得，这些特征包括形状、对比度、色彩和与最近红色病变的距离［14］。

以上这些不同模块的输出必须被组合在一起以获得关于患者检查的一个最终结果。为了实现这个目标，就需要计算上述模块的各个输出的特征，用监督分类器来判定病变的可能性［15］，从而为进一步的诊断标准提供依据，实现对DR的自动筛查。

参考医学统计学的方法，本文选用灵敏度(sensitivity)及特异度(specificity)这两个常用指标来说明筛查系统的检测性能。其中灵敏度又称真阳性率，即患者被诊断为阳性的概率，计算公式是 :真阳性/(真阳性+假阴性)×100% ，此值越大，说明诊断试验越灵敏，漏诊率越低。特异度又称真阴性率，即实际上未患病的人被诊断为阴性的概率，计算公式是:真阴性/(真阴性+假阳性)×100% ，此值越大，说明诊断试验越精确，误诊的比例越低。

1.3 软件及工作平台

本文图形图像算法部分的代码用Matlab实现，在Matlab2008a上编写，软件系统部分的代码用C++实现，在 VS2010上编写。程序在 CPU2.4GHZ、内存4GB的Windows7的平台下运行。糖网自动筛查系统流程示例如图1。

图1 糖网自动筛查系统的流程示例Fig.1 Examples of the outputs of automated DR screening system

2 结果

为了验证本文提出的糖网自动筛查系统的性能，一位具有4至20年DR筛选经验的视网膜专家分别手动分析了Messidor数据库中的图像，专家根据表1中提供的方案评定视网膜病变等级和黄斑水肿的风险等级，然后按照等级归类存储。本文把人工检测，筛查系统自动检测以及Messidor数据给定的结果做了对比，详见表2。

表2 专家检测、筛查系统自动检测以及Messidor数据参考标准的对比Tab.2 Outputs comparison of experts，CAD system and messidor data reference standard

本文进一步使用ROCKIT软件来分析人工判读和机器判读的检测结果。笔者把原始统计结果作为输入数据，ROCKIT软件采用最大似然估计法拟合出一条二次接收者操作特征(receiver operator characteristics，ROC)曲线，ROC曲线下的面积Az反映人工判读或者机器判读的检测性能。其中眼科专家和机器判定图片正常异常与否这一实验中，采用了Messidor数据的全部1 200张图，其对比结果如图2所示。

分析表2中的数据可知，总共546张正常的眼底图像中，自动筛查系统患者正常的结果图为512张，其中错把34张正常图误认为异常，对比而言，人工错判的张数稍多，为44张，在总共654张非正常的眼底图像中，机器系统的正确检出结果为618张，漏检36张异常图片为正常，人工漏检为32张。按照灵敏度和特异度的计算公式［11］，可知机器系统灵敏度即正确判断患者的比率为93.8%，系统特异度即正确判断非患者的比率为94.5%。相比而言，人工判读的灵敏度为91.6%，特异度为94.9%。

通过ROC曲线的比较可知，计算机自动判读图像正常异常的精度和人工判读的精度是相当的。这说明本文开发的糖网自动筛查系统能准确的完成眼科影像的糖网筛查工作。

图2 正常异常图片判断的ROC曲线Fig.2 Normal and abnormal ROC curves

本文还进一步测算了人工判定糖网和计算机自动判定糖网的运行时间，结果如表3所示。

表3 人工检测与自动运行时长对比Tab.3 Comparison of runs time of DR screening

由表3可知，糖网自动筛查系统检测一幅图片的时间不到10s，而医生如果要做到相对准确的判断，需要花费更长的时间来分析，尤其对于微血管瘤的判断，而且，人工查找图片并归类存储，需要花费相当一部分时间，而对于计算机而言，完全可以自动并且快速地完成这些流程，大大提高了阅片的效率。相对于人工阅片，糖网自动筛查系统在时间上有明显优势。计算机另一个巨大的优势是可以24 h不间断工作，这是阅片医生无法做到的。面对当前大规模筛查的需求，糖网自动筛查系统展现了非常好的临床应用前景。

3 讨论

大规模糖网筛查是糖网病防治的关键环节，而传统依靠专业医生人工判读的方式已经很难满足当前大规模筛查的需求。本研究旨在利用计算机视觉相关技术，开发出能够用于辅助DR筛查的计算机自动筛查系统。利用数学形态学、区域分割、支撑向量机(support vector machine，SVM)分类等计算机视觉技术设计出检测DR包括出血、渗出、微血管瘤等各类病变特征的算法，再根据DR的临床诊断标准，完成对眼底影像进行自动分级诊断，实现自动筛查。实验表明，糖网自动筛查系统判定灵敏度为93.8%，特异度为94.5%，与人工判定精度相当，但检测时间却大大减少，仅为人工阅片时间的1/30。本文研究表明，基于计算机视觉算法开发的糖网自动筛查系统能准确、高效的完成眼科影像的糖网筛查工作，大幅减少阅片医生的工作量和人为的主观性，节省了医疗成本，便于未来建立客观准确的大规模健康数据管理系统，具有很好的临床应用前景和社会效益。

［1］ Diabetes:World Health Organization report［EB/OL］.(2015-01-01)［2015-10-21］.http://www.who.int/mediacentre/facts heets/fs312/en.

［2］ Kinyoun J，Barton F，Fisher M，et al.Detection of diabetic macular edema:ophthalmoscopy versus photography-Early Treatment Diabetic Retino-pathy Study Report Number 5.The ETDRS Research Group［J］.Ophthalmology，1989，96(6):746-750.

［3］ ［NO authors listed］.Early photocoagulation for diabetic retinopathy.ETDRS report number 9.Early Treatment Diabetic Retinopathy Study Research Group［J］.Ophthalmology，1991，98(5 suppl):766-785.

［4］ Bresnick G H，Mukamel D B，Dickinson J C，et al.A screening approach to the surveillance of patients with diabetes for the presence of vision-threatening retinopathy［J］.Ophthalmology，2000，107(1):19-24.

［5］ Abra`moff M D，Niemeijer M，Suttorp-Schulten M S，et al.Evaluation of a system for automatic detection of diabetic retinopathy from color fundus photographs in a large population of patients with diabetes［J］.Diabetes Care，2008，31(2):193-198.

［6］ Methods to evaluate segmentation and indexing techniques in the field of retinal ophthalmology［EB/OL］.(2010-09-06)［2015-10-21］.http://messidor.crihan.fr/.

［7］ 蔡斌，彭谨，王刚，等.基于模式识别建立的动脉钙化影像计算机辅助诊断系统［J］.四川医学，2012，33(6):913-914，915.

［8］ 袁克虹，向兰茜.用于计算机辅助诊断的肺实质自动分割方法［J］.清华大学学报(自然科学版)，2011，51(1):90-95.

［9］ 孙旭辉，田启川，李临生，等.面向CT影像的肺结节计算机辅助诊断算法［J］.计算机测量与控制，2011，19(2):295-302.

［10］Niemeijer M，Staal J J，van Ginneken B，et al.Comparative study of retinal vessel segmentation methods on a new publicly available database，in medical imaging［J］.Proc SPIE，2004，5370:648-656.

［11］Niemeijer M，Abra`moff M D，van Ginneken B.Information fusion for diabetic retinopathy CAD in digital color fundus photographs［J］.IEEE Tran Med Imaging，2009，28(5):775-785.

［12］ Philip S，Fleming A D，Goatman K A.The efficacy of automated“disease/no disease”grading for diabetic retinopathy in a syste-matic screening programme［J］.Br J Ophthalmol，2007，91(11):1512-1517.

［13］ Abramoff M D，Suttorp-Schulten M S.Web-Based Screening for Diabetic Retinopa-thy in a Primary Care Population:The Eye-Check Project［J］.Telemed J E Health，2005，11(6):668-674.

［14］Tomi K，Valentina K，Iiris S，et al.DiaretDB1 V2.1-Diabetic retinopathy database and evaluation protocol［EB/OL］.(2009-05-06).［2015-10-21］.http://www2.it.lut.fi/project/imageret/diaretdb1_V2_1.

［15］ Zhang X，Thibault G，Decencière E，et al.Exudate detection in color retinal images for mass screening of diabetic retinopathy［J］.Med Image Anal，2014，18(7):1026-1043.