改進(jìn)型PCNN算法在眼底黃斑水腫區(qū)分割中的應(yīng)用

【作 者】謝志南，顧敏，吳一曉，鄭東

中山大學(xué)附屬第五醫(yī)院，珠海市，519000

0 引言

眼底相干光斷層掃描OCT(Optical Coherence Tomography)作為高分辨率、無損傷和非侵入式對(duì)視網(wǎng)膜進(jìn)行橫截面掃描的眼底部影像學(xué)檢查技術(shù)，既可以清晰顯示視網(wǎng)膜二維或三維結(jié)構(gòu)，又能在極其精細(xì)的空間尺度對(duì)眼睛組織厚度與距離進(jìn)行測(cè)量和分析。 其主要是利用光弱相干干涉特性原理，對(duì)生物組織不同深度入射弱相干光反射信號(hào)掃描成像[1-2]。自從1996年首臺(tái)OCT應(yīng)用于臨床以來，OCT技術(shù)發(fā)展迅速，特別是利用傅里葉變換的頻域OCT(Spectral Domain OCT，SD-OCT)，其最小軸向分辨率可達(dá)3 μm，與傳統(tǒng)時(shí)域OCT技術(shù)相比，具有成像速度高和靈敏度高的優(yōu)點(diǎn)[3]，不僅能探測(cè)術(shù)后感光細(xì)胞內(nèi)、外層段解剖位置的細(xì)微變化，而且能夠提供眼底黃斑區(qū)病變前后的演變對(duì)照[4]。視網(wǎng)膜黃斑區(qū)是視覺系統(tǒng)視功能最靈敏的部位，其中黃斑水腫較常見并且對(duì)視力損害較大，黃斑中央視網(wǎng)膜厚度已成為多種疾病隨診的關(guān)鍵指標(biāo)[5]。因此，通過計(jì)算機(jī)輔助眼底黃斑水腫圖像特征，對(duì)提高OCT圖像的理解有臨床意義。

常見的OCT圖像有偽彩和灰度兩種，用紅白與藍(lán)黑分別代表最強(qiáng)與最弱反光。黃斑區(qū)OCT圖如圖1所示，其中凹區(qū)下方，感光細(xì)胞內(nèi)、外層之間是水腫常見部位。由于OCT 是對(duì)人體眼球活體實(shí)時(shí)成像，存在組織的散射性、光電檢測(cè)的非線性和光源不穩(wěn)等因素，導(dǎo)致圖像采集時(shí)存在噪聲[5]，可以通過高斯平滑、FFT濾波與銳化處理等手段降噪，文獻(xiàn)[4]采用了一種改進(jìn)的水平集算法，對(duì)眼底黃斑部OCT圖像分割出黃斑水腫，取得了快速分割效果，并估算了眼底黃斑水腫的體積。

圖 1 正常黃斑凹區(qū)OCT圖像Fig.1 Normal macular concave area

圖像分割是目標(biāo)識(shí)別、圖像分析和機(jī)器視覺研究中的關(guān)鍵環(huán)節(jié)，分割效果的好壞直接影響對(duì)圖像的識(shí)別和理解。在醫(yī)學(xué)圖像計(jì)算機(jī)識(shí)別研究中，脈沖耦合神經(jīng)網(wǎng)絡(luò)( PCNN，Pulse Coupled Neural Network)與哺乳動(dòng)物的視覺特性十分接近，并且PCNN算法可以在復(fù)雜的數(shù)字圖像中提取有用的信息（例如邊緣及特征提取、目標(biāo)識(shí)別等機(jī)器視覺方面），所以特別適用于圖像分割。馬義德等[6]利用PCNN算法結(jié)合色彩空間分解技術(shù)，提出了一種對(duì)植物染色切片有效的自動(dòng)分割方法。

本文在對(duì)OCT黃斑區(qū)切片正確分析的基礎(chǔ)上，利用簡化的PCNN算法實(shí)現(xiàn)OCT圖像的黃斑水腫的快速分割，并根據(jù)圖像信息熵值和誤分率評(píng)價(jià)分割效果，為后續(xù)分析作有價(jià)值的嘗試。

1 算法原理

脈沖耦合神經(jīng)網(wǎng)絡(luò)由Gray和Eckhorn等[7]最先提出，最初是根據(jù)貓的大腦皮層的視覺區(qū)神經(jīng)元同步脈沖發(fā)放現(xiàn)象形成PCNN連接模型。與其他人工神經(jīng)網(wǎng)絡(luò)分割算法相比，PCNN算法在正常工作時(shí)能做到一個(gè)神經(jīng)元激發(fā)會(huì)引起相鄰類似的神經(jīng)元激發(fā)，產(chǎn)生同步脈沖，所以能縮小醫(yī)學(xué)圖像灰度值相近的像素差，補(bǔ)充由于細(xì)小灰度差引起圖像中邊緣的不連續(xù)性[6]。這特別適用于層次多、細(xì)節(jié)豐富的OCT切片圖像的分割。

PCNN算法的基本模型結(jié)構(gòu)較復(fù)雜，待定參數(shù)多，需要通過試驗(yàn)設(shè)置各個(gè)參數(shù)。在保證不丟失微小細(xì)節(jié)的前提條件下，對(duì)其參數(shù)進(jìn)行簡化處理后，可以減少運(yùn)算量，提高算法效率[8]。

1.1 改進(jìn)的PCNN模型及其原理

最初PCNN模型由若干個(gè)神經(jīng)元互連成反饋型網(wǎng)絡(luò),組成PCNN的單個(gè)神經(jīng)元是連接調(diào)制、接收單元以及脈沖發(fā)生器等三大部分[9-10]。

在神經(jīng)網(wǎng)絡(luò)運(yùn)算時(shí)，由反饋輸入Fij層開始逐層計(jì)算后一層的輸出，最后得到輸出層Yij的輸出，文獻(xiàn)[11]中引入改進(jìn)的PCNN，即IPCNN，它將PCNN 各神經(jīng)元的只接收外部刺激輸入Sij（歸一化的像素灰度值）和接收來自其它神經(jīng)元的連接輸入Lij進(jìn)行簡化,省略了參數(shù)VL，并通過參數(shù)W調(diào)整來彌補(bǔ)，將模型的閾值函數(shù)由指數(shù)衰減改為線性衰減。改進(jìn)和簡化后的PCNN 模型（圖2）及其離散數(shù)學(xué)表達(dá)式如下：

圖2 簡化PCNN神經(jīng)元模型Fig.2 Neural cell modol of improved PCNN

1) 輸入部分 神經(jīng)元接收部分為反饋輸入Fij，其接收距離為r以內(nèi)的神經(jīng)元鏈接輸入。當(dāng)r=1.5時(shí)，神經(jīng)元個(gè)數(shù)為8，Sij單取歸一化的像素灰度值輸入，得式：

其中，Sij是像素Pi,j的灰度值。Ykl表示與Nij連接的神經(jīng)元Nkl的輸出，n為迭代次數(shù)[8]。

2) 連接部分 因?yàn)樯窠?jīng)元的結(jié)構(gòu)相等，因此每個(gè)神經(jīng)元的參數(shù)是一樣的，有內(nèi)部輸入為：

脈沖發(fā)生器的門限為：

3) 輸出部分 公式（3）與公式（4）比較后，產(chǎn)生脈沖為：

二維M*N數(shù)字圖像可以表示為M*N個(gè)PCNN神經(jīng)元，像素灰度值Sij為神經(jīng)元輸入。PCNN沿著黃斑區(qū)感光細(xì)胞內(nèi)、外層之間的亮度值由大到小的區(qū)域依次分割水腫圖像，模板灰度值比分割的閾值高一些, 分8至12個(gè)層次處理，達(dá)到不影響分割的精度效果。PCNN模型輸出Y只有兩種可能，脈沖觸發(fā)輸出為“1”，表示目標(biāo)；否則為“0”，表示背景[10]。PCNN分割圖像時(shí)，每一次迭代對(duì)應(yīng)一個(gè)脈沖序列,即一個(gè)二值圖像。如果循環(huán)迭代10次，可以產(chǎn)生10個(gè)二值圖像。

1.2 改進(jìn)的PCNN檢測(cè)原理

黃斑水腫區(qū)邊緣蘊(yùn)藏豐富的高頻信息，在分割的同時(shí)要保留邊緣細(xì)微特征。由于組織間有滲出物等影響，保留足夠多的細(xì)節(jié)才能準(zhǔn)確檢測(cè)黃斑區(qū)的面積。檢測(cè)系統(tǒng)簡圖如圖3所示。

圖3 黃斑水腫檢測(cè)系統(tǒng)Fig.3 Macular edema detection system

輸出圖像信息熵值計(jì)算公式如下：其中N為圖像灰度級(jí)，Pi為圖像中灰度級(jí)為i的概率[6]。

2 黃斑水腫檢測(cè)的算法描述

人工神經(jīng)網(wǎng)絡(luò)所具有的分類屬性是實(shí)現(xiàn)圖像邊緣檢測(cè)和ROI區(qū)域分割的基礎(chǔ)。PCNN與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相比，需要設(shè)定門限參數(shù)和時(shí)間衰減常數(shù)，不需要訓(xùn)練過程即可圖像分割。如要達(dá)到較好的分割效果，要用多次實(shí)驗(yàn)選擇這些參數(shù)。其算法描述如下。

第一步，圖像預(yù)處理，利用傅里葉變換進(jìn)行頻域?yàn)V波消除噪聲，增強(qiáng)細(xì)節(jié)[12]。

第二步，對(duì)傅里葉變換增強(qiáng)后的圖像，進(jìn)行自適應(yīng)閾值黃斑水腫檢測(cè)。對(duì)于灰度OCT圖像是直接調(diào)用；對(duì)于偽彩OCT圖像，檢測(cè)前進(jìn)行HSB色彩空間變換，取亮度分量B進(jìn)行調(diào)用。

1）設(shè)定PCNN的初始值（見表1），鏈接強(qiáng)度β在0與1之間取值，簡化時(shí)取 β=0.6。

3）計(jì)算模板的提取區(qū)灰度值，如灰度大于閾值TH，則判別為水腫區(qū)，閾值經(jīng)分割實(shí)驗(yàn)結(jié)果比較，可以取86。

4）進(jìn)行迭代計(jì)算，分別取n=2、4、5、6、7、8、9、10、11，輸出黃斑區(qū)的水腫部位二值圖。

第三步，根據(jù)公式（6）計(jì)算輸出的二值圖熵值。因?yàn)閳D像中包含的信息越多，熵值越高[6]，依據(jù)熵值最大時(shí)選取n值，見表2。在分割的圖像中，通過比較分割圖像信息熵值[7]，取熵值較大的二值圖水腫區(qū)面積與專家勾畫組比較，其中交互式勾畫的差值（誤分率）最小，則是最佳迭代次數(shù)。

第四步，黃斑區(qū)的水腫部位面積計(jì)算。為了方便驗(yàn)證算法，本文的黃斑水腫區(qū)取三角形狀。

表 1 分割黃斑水腫的PCNN基本參數(shù)Tab. 1 Basic parameters of PCNN segmentation of macular edema

表 2 23號(hào)OCT圖像處理PCNN迭代次數(shù)與圖像熵值Tab.2 Cyclic iteration times N of PCNN and image 's entropy of 23# OCT image processing slice

3 圖像仿真實(shí)驗(yàn)結(jié)果與討論

實(shí)驗(yàn)環(huán)境為筆記本電腦(Intel CPU T6400，2G內(nèi)存，window xp 操作系統(tǒng)，MATLAB2010a)，實(shí)驗(yàn)圖像取自中山大學(xué)附屬第五醫(yī)院眼科OCT圖像庫，選取黃斑水腫圖像90幅進(jìn)行處理分析。圖4所示為編號(hào)為23的OCT圖像處理過程：(a) 原始圖像；(b)FFT濾波圖像；(c)canny算法；(d)OTSU算法；(e)PCNN算法(n=6)；(f)本文算法(n=8) 。

圖 4 黃斑水腫的分割結(jié)果Fig.4 Segmentation of macula edema

根據(jù)式(6)計(jì)算的圖像序號(hào)為19、23的亮度分量B二值圖像信息熵如表1所示。

文獻(xiàn)[6]提出了信息熵的自動(dòng)圖像分割方法，因?yàn)閳D像信息熵反映了圖像包含信息量的大小。對(duì)大多數(shù)圖像來說，無論采用何種分割算法，一般分割后信息熵值越大，說明分割后從原圖得到信息量越多，分割圖像圖像細(xì)節(jié)越豐富，因而總體分割效果也越好。根據(jù)表2、表3中的信息熵可以確定最佳迭代次數(shù)n為8。

表3 黃斑水腫區(qū)B分量圖像信息熵Tab. 3 The macular edema District B component of the image information entropy

采用最佳迭代次數(shù)的黃斑水腫二值圖像進(jìn)行面積測(cè)量，本文選取的OCT黃斑水腫區(qū)接近三角形，設(shè)底邊長為a，高為h，由下式求面積：

其中a、h分別通過計(jì)算三頂點(diǎn)坐標(biāo)求得。

OTSU方法是利用圖像中的灰度直方圖，以目標(biāo)與背景之間的方差最大而自適應(yīng)地確定圖像的分割門限值。由實(shí)驗(yàn)結(jié)果可知，迭代次數(shù)越多，黃斑水腫被分割越完整。但容易造成分割面積偏大，即包含了有部分多余的區(qū)域，造成誤分割。

本文根據(jù)下式求誤分割率：

其中，x為分割出黃斑水腫的面積，x0為三位眼科工作20年以上專家交互式勾畫面積均值。在圖像仿真實(shí)驗(yàn)分割中，選取序號(hào)為19、23的分割結(jié)果，利用公式（8）計(jì)算得到表4。

表4 黃斑水腫區(qū)提取誤分割率Tab.4 Macular edema Extract Mistakenly Section

本文算法結(jié)果與專家勾畫輪廓結(jié)果比較，其平均值為3060個(gè)像素，標(biāo)準(zhǔn)差為42個(gè)像素；從表4中可見，綜合比較OTSU閾值自適應(yīng)算法和canny算法對(duì)增強(qiáng)后的圖像進(jìn)行檢測(cè)，吸取其中算法優(yōu)點(diǎn)，能夠提高分割的準(zhǔn)確性。由于OCT主要是靠光波強(qiáng)弱的方式進(jìn)行組織顯像，其精細(xì)程度只能接近真實(shí)，所以存在一定的局限性[13]。

光學(xué)相干層析圖像中黃斑水腫定量測(cè)量，主要取決于圖像中對(duì)病灶結(jié)構(gòu)的輪廓提取，但是OCT視網(wǎng)膜圖像中噪聲的存在為層狀結(jié)構(gòu)的提取帶來很大的困難，這一難題也困擾OCT技術(shù)應(yīng)用于眼科定量分析[14]。圖像分割利用的圖像信息越多，計(jì)算量越大，得到理想的分割結(jié)果可能性大。利用計(jì)算機(jī)輔助實(shí)現(xiàn)圖像多種功能的集成與簡便操作，能夠?yàn)獒t(yī)生的診斷提供更多直觀的數(shù)據(jù)分析的統(tǒng)計(jì)結(jié)果[15]。

4 結(jié)論

綜合考慮OCT圖像的豐富的邊界信息，改進(jìn)PCNN模型進(jìn)行迭代計(jì)算，直接調(diào)用實(shí)驗(yàn)閾值和簡化PCNN參數(shù)，可以保證黃斑水腫區(qū)邊緣大部分細(xì)節(jié)不丟失，因此減少程序的運(yùn)算工作量，從而加快了圖像的分割速度。仿真實(shí)驗(yàn)表明，這種方法可以提高OCT圖像黃斑水腫定量診斷的準(zhǔn)確性，能夠?yàn)楹罄m(xù)OCT圖像分析研究提供重要依據(jù)。

[1] Feldchtein F, Gelikonov V M, Gelikonov GV. In vivo optical coherence tomograpgy of teeth and oral mucosa[J]. SPIE, 1998,3567: 97-100.

[2] M. K. Garvin, M. D. Abràmoff, X.Wu, et al. Automated 3-D intraretinal layer segmentation of macular spectral-domain optical coherence tomography images[J]. IEEE Transctions on Medical Imaging, 2009, 28 (9): 1436–1447.

[3] 溫博, 周傳清, 任秋實(shí). 高分辨率眼科頻域光學(xué)相干層析成像儀的研究與設(shè)計(jì)[J]. 中國醫(yī)療器械雜志, 2010, 34(5): 339-341.

[4] 楊平, 彭清, 劉維平. 一種眼底黃斑水腫OCT圖像分割方法[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2011, 28(5): 1001－1005.

[5] Leitgeb R, Hitzenberger. CK. Fercher AF. Performance of fourier domain vs. time domain optical coherence tomography[J]. Optics Express, 2003, 11(8): 889-892.

[6] 馬義德, 李廉, 綻琨, 等. 脈沖耦合神經(jīng)網(wǎng)絡(luò)與數(shù)字圖像處理[M].北京: 科學(xué)出版社, 2008

[7] Charles M Gray, Peter Konig,Andreas K Engel,et al.Oscillatory responses in cat visual cortex exhibit inter-columnar synchronization which re fl ects gobal stimulus properties[J]. Nature,1989, 3(23): 334-336.

[8] Johnson JL, Padgett ML. PCNN models and applications[J]. IEEE Transaction on Neural Networks, 1999, 10(3): 480- 498.

[9] Eckhorn R, Reitbeock HJ, Arndt M, et al. Feature linking via synchronization among distributed assemblie: Simulation of results from cat cortx[J]. Neural Computation, 1990, (2): 293～305.

[10] Kuntimad G, Ranganath HS. Perfect image segmentation using pulse coupled neural networks[J]. IEEE Transactions on Neural Networks, 1999, 10(3): 591～596.

[11] 祝雙武, 郝重陽. 一種基于改進(jìn)型PCNN的織物疵點(diǎn)圖像自適應(yīng)分割方法[J]. 電子學(xué)報(bào). 2012. 40(3): 611-612.

[12] Schaerer J, Casta C, Pousin J, et al. A dynamic elastic model for segmentation and tracking of the heart in mr image sequences[J].Medical Image Analysis, 201014(6): 738–748.

[13] Giani A, Cigada M, Choudhry N, et al. Reproducibility of Retinal ThicknessMeasurements on Normal and Pathologic Eyes by Different Optical Coherence Tomography Instruments[J]. American Journal of Ophthalmology, 2010, 150( 6): 815-824.

[14] Bagci AM, Shahidi M, Ansari R, et al. Thickness Pro fi le of Retinal Layers by Optical Coherence Tomography Image Segmentation [J],American Journal of Ophthalmology, 2008.146(5): 679–687.

[15] Popescu, G. 納米生物光子學(xué)[M]. 葉安培譯, 北京: 科學(xué)出版社,2011