基于紋理特征的糖網(wǎng)臨床前期眼底自發(fā)熒光圖像識(shí)別①

傅志翔， 張?jiān)獎(jiǎng)祝?， 王歷輝， 陳嘉瑋， 柯大觀

1(溫州醫(yī)科大學(xué) 生物醫(yī)學(xué)工程學(xué)院， 溫州 325035)

2(瑞安市人民醫(yī)院 設(shè)備科， 溫州 325200)

3(瑞安市人民醫(yī)院 眼科， 溫州 325200)

糖尿病視網(wǎng)膜病變(Diabetic Retinopathy， DR)作為糖尿病的主要并發(fā)癥之一， 其發(fā)病率逐年增加， 嚴(yán)重危害到人們的視覺質(zhì)量， 是糖尿病患者致盲的主要原因. 臨床上將已確診為糖尿病， 且尚未出現(xiàn)明顯眼底病變之前的時(shí)期稱為DR臨床前期. 而DR一旦由臨床前期進(jìn)展至臨床期， 留給醫(yī)生的時(shí)間和手段就會(huì)很有限，而且預(yù)后效果總體不好. 如果醫(yī)生能在DR臨床前期進(jìn)展至臨床期的易發(fā)階段進(jìn)行有效的診斷和治療， 對(duì)于改善患者視功能預(yù)后、提高患者生活質(zhì)量具有十分重要的意義[1]. 據(jù)調(diào)查顯示， 糖尿病病程在10年以內(nèi)DR患病率為7%， 15年以上者為63%， 30年以上為95%[2].據(jù)此可知， 糖尿病病程在10年以上的DR臨床前期患者更容易病變到臨床期. 因此選取糖尿病病程在10年以上， 且尚未出現(xiàn)明顯眼底病變的患者作為研究對(duì)象更具有參考意義.

眼底自發(fā)熒光影像作為近二十年來開展的一項(xiàng)技術(shù)， 是一種無創(chuàng)的檢查手段， 廣泛應(yīng)用于視網(wǎng)膜疾病的診斷. 目前， 在醫(yī)學(xué)圖像模式識(shí)別領(lǐng)域， 對(duì)于眼底熒光圖像的相關(guān)研究還很少， 而針對(duì)DR臨床前期這一階段的研究更是幾乎沒有. DR臨床前期和正常的眼底自發(fā)熒光圖像如圖1所示， 由于DR臨床前期的患者并沒有出現(xiàn)明顯眼底病變， 所以在視覺感官上， 臨床前期和正常的眼底圖像并沒有明顯的差異. 如果僅憑醫(yī)生肉眼觀察， 幾乎是無法識(shí)別的. 但是在沒有檢眼可視的眼底病變的DR臨床前期， 極有可能已經(jīng)存在著神經(jīng)和微血管兩個(gè)方面的病變. 對(duì)此， 可大膽假設(shè)， 兩類眼底自發(fā)熒光圖像存在著由神經(jīng)和微血管早期病變引起，但視覺效果并不明顯的紋理差異. 因此本研究嘗試通過當(dāng)前計(jì)算機(jī)視覺領(lǐng)域的一些紋理特征算法去建立DR臨床前期的眼底自發(fā)熒光圖像的識(shí)別模型.

紋理是一種重要的視覺線索， 是圖像中普遍存在但又難以描述的特征[3]. 紋理分析是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域不可或缺的一部分. 局部二值模式(Local Binary Pattern， LBP)和灰度共生矩陣(Gray-Level Co-occurrence Matric， GLCM)是目前圖像模式識(shí)別領(lǐng)域較為常見的兩種算法， 均屬于紋理分析方法中的統(tǒng)計(jì)分析方法.GLCM算法由于其不受分析對(duì)象的制約， 能很好地反映圖像的空間灰度情況， 表現(xiàn)圖像的紋理特征， 所以得到廣泛應(yīng)用. LBP在紋理分類上效果顯著， 一經(jīng)提出，便在醫(yī)學(xué)圖像[4]和人臉識(shí)別鄰域[5]取得了不錯(cuò)的應(yīng)用.

1 實(shí)驗(yàn)數(shù)據(jù)和方法

1.1 數(shù)據(jù)來源

本研究的所有樣本均于2018年2月至5月在瑞安市人民醫(yī)院眼科門診所收集， 其中受檢者均進(jìn)行前置鏡、裸眼視力或矯正視力檢查， 而且受檢者需滿足以下條件: (1)視力或矯正視力≥0.8且屈光度≤±6.0 D；曾行白內(nèi)障摘除人工晶狀體植入手術(shù)者， 屈光度≤一2.0 D且手術(shù)前無高度近視病史； (2)裂隙燈顯微鏡檢查屈光間質(zhì)透明， 50歲以上者允許晶狀體密度增加； 曾行白內(nèi)障摘除人工晶狀體植入手術(shù)者， 人工晶狀體位置正常， 后囊無明顯混濁； (3) 取得所有受檢者的知情同意后， 檢查雙眼眼壓后， 用0.5%復(fù)方托吡卡胺滴眼液散瞳， 瞳孔散大至7～8 mm， 由同一臨床經(jīng)驗(yàn)豐富的眼底病專科醫(yī)師行前置鏡檢查， 排除視神經(jīng)或視網(wǎng)膜疾病； (4)眼壓≤21 mm Hg； (5)無青光眼家族史、高血壓等全身性疾??； (6)排除曾接受屈光性手術(shù)者.

研究組: 確診為2型糖尿病的患者， 共計(jì)56例，112 只眼睛 (56 只左眼， 56 只右眼)， 其中男性 32 例， 女性24例， 為DR臨床前期組； 對(duì)照組: 為醫(yī)院健康體檢者， 經(jīng)檢查未患有糖尿病者及其他眼底病變， 共計(jì)39例 (38只右眼， 35只左眼)， 73只眼睛. 其中男性17例， 女性22例， 為正常組. 所有眼底自發(fā)熒光圖像的原圖大小為496×596像素， 在去除了無關(guān)的背景信息后， 大小均為 496×496 像素.

1.2 實(shí)驗(yàn)方法

醫(yī)學(xué)圖像模式識(shí)別過程[6]一般如圖2所示. 將所有數(shù)據(jù)按比例隨機(jī)劃分為測(cè)試集和訓(xùn)練集， 隨后保持不變. 分類模型通過訓(xùn)練集數(shù)據(jù)建立， 測(cè)試集用來驗(yàn)證模型的有效性. 當(dāng)只考慮驗(yàn)證特征的有效區(qū)分度時(shí)， 也可采用全部數(shù)據(jù)交叉驗(yàn)證的手段. 本研究中首先采用支持向量機(jī)(SVM)對(duì)全部數(shù)據(jù)進(jìn)行十折交叉驗(yàn)證以便挑選出有效的特征提取算法及特征參數(shù)， 隨后采取留出法將所有數(shù)據(jù)一次性劃分訓(xùn)練集和測(cè)試集做進(jìn)一步檢驗(yàn).

1.2.1 LBP特征提取

LBP是一種用來描述圖片局部紋理特征的算子，其核心思想就是以中心像素的灰度值作為閾值， 對(duì)其鄰域灰度值進(jìn)行閾值操作， 對(duì)于灰度值大于該閾值的像素點(diǎn)置1， 否則置0， 從而得到一組二進(jìn)制數(shù)[7]. LBP編碼公式為:

式中，gc為中心像素 (XC，YC)的灰度值，gp為鄰域點(diǎn)P的灰度值. 對(duì)于灰度圖像的任一空間給定位置(XC，YC)， 將其與其8鄰域灰度值比較后得到一個(gè)二值集合，將其有序排列后轉(zhuǎn)化為一個(gè)8位無符號(hào)的二進(jìn)制數(shù). 半徑為1， 鄰域?yàn)?的圓形LBP算子計(jì)算示例如圖3所示.

圖2 醫(yī)學(xué)圖像模式識(shí)別流程圖

圖3 LBP計(jì)算示例

由上可知， 對(duì)于鄰域?yàn)镻的LBP算子存在著2^P種二進(jìn)制模式， 而過多的二進(jìn)制模式， 會(huì)使產(chǎn)生的直方圖顯的過于稀疏， 這樣對(duì)紋理的提取、識(shí)別還是分類都是不利的. 為此， Ojala等人提出了一種叫“等價(jià)模式”[8]的方法來對(duì)LBP模式進(jìn)行降維. 據(jù)他們發(fā)現(xiàn)，有一類模式在圖像中出現(xiàn)頻率極其高， 能夠刻畫90%以上的紋理特征， 這類模式就是等價(jià)模式， 而它們都有一個(gè)特性， 就是0-＞1或1-＞0 的跳變總次數(shù)小于或等于二， 如 00000000， 00110000， 10000001 等. 而判斷一個(gè)二進(jìn)制模式是否為等價(jià)模式， 最簡(jiǎn)單的辦法就是將LBP值與其循環(huán)移動(dòng)一位后的值進(jìn)行按位相與， 計(jì)算得到的二進(jìn)制數(shù)中1的個(gè)數(shù)， 若個(gè)數(shù)小于或等于2，即為等價(jià)模式. 而除了等價(jià)模式以外的模式都?xì)w為一類， 稱為非等價(jià)模式類， 如 10010011(4 次跳變)， 01000001(3次跳變)等. 我們可以推出， 對(duì)于P鄰域的LBP算子， 等價(jià)模式的個(gè)數(shù)為P×(P-1)+2個(gè)， 加上非等價(jià)模式類， 總計(jì)P×(P-1)+3種二進(jìn)制模式.

上述的LBP特征具備灰度不變性， 但還不具備旋轉(zhuǎn)不變的性質(zhì)， 在整張圖像轉(zhuǎn)動(dòng)的情況下， LBP值會(huì)發(fā)生變化. 為此， Pietikinen等人對(duì)LBP算子進(jìn)行了擴(kuò)展，提出了具有旋轉(zhuǎn)不變性的LBP算子[8]， 即不斷旋轉(zhuǎn)圓形鄰域得到一系列初始定義的LBP值， 取其最小值作為該鄰域的LBP值.P=8，R=1的LBP算子的旋轉(zhuǎn)不變過程如圖4所示， 通過旋轉(zhuǎn)變化不但使LBP算子具備了旋轉(zhuǎn)不變性， 同時(shí)也一定程度上起到了降維作用. 例如， 當(dāng)P=8，R=1 時(shí)， LBP 值會(huì)有 256 種可能， 通過等價(jià)模式降維后會(huì)降低至59， 再通過旋轉(zhuǎn)不變變化后， 維度會(huì)進(jìn)一步降低至10.

圖4 LBP旋轉(zhuǎn)不變過程

1.2.2 GLCM特征提取

GLCM[9]是一種通過研究灰度的空間相關(guān)特性來描述紋理的常用方法， 它通過計(jì)算圖像中一定距離和一定方向上的兩點(diǎn)灰度之間的相關(guān)性， 來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息. 其定義為: 設(shè)一幅灰度圖像大小為M×N，f(x，y)表示其在圖像點(diǎn) (x，y)處的像素點(diǎn)所對(duì)應(yīng)的灰度值. (x1，y1)， (x2，y2)為圖像上相鄰距離為d， 角度為θ的點(diǎn)對(duì)， 其像素值分別為f(x1，y1)=i，f(x2，y2)=j， 而p(i，j；d，θ)則表示類似的像素點(diǎn)對(duì)在圖像中出現(xiàn)的概率， 表示如下:

式中， #表示集合中的數(shù)目. 通過改變d和θ， 可以統(tǒng)計(jì)不同空間位置的像素對(duì).

GLCM包含了圖像的紋理信息， 但其包含的數(shù)據(jù)過多， 不適合用作紋理特征. 為此， 研究者通常在其基礎(chǔ)上進(jìn)一步獲取二次統(tǒng)計(jì)量來作為圖像的紋理特征.而本文僅針對(duì)能量 (Energy)， 相關(guān)性 (Correlation)， 對(duì)比度(Contrast)和一致性(Homogeneity)4個(gè)特征進(jìn)行討論， 其計(jì)算公式如下所示:

1.2.3 支持向量機(jī)與K-折交叉檢驗(yàn)

支持向量機(jī)[10]是一種用于數(shù)據(jù)分類、模式識(shí)別以及回歸分析的監(jiān)督學(xué)習(xí)模型. 其主要思想就是尋求一個(gè)分類間隔最大的最優(yōu)超平面對(duì)兩類樣本進(jìn)行分類[11]，尤其適用于小樣本數(shù)據(jù)的分類. 本研究中采用的的是臺(tái)灣大學(xué)林智仁教授開發(fā)的LIBSVM工具箱， 核函數(shù)選用徑向基函數(shù)(Radial Basis Function， RBF). 而利用SVM建模的關(guān)鍵在于搜尋合適的懲罰因子c和RBF寬度參數(shù)gamma， 一般通過K-折交叉檢驗(yàn)確定. 懲罰因子c表示對(duì)誤差的容忍度，c過大會(huì)導(dǎo)致過擬合， 而過小則會(huì)導(dǎo)致欠擬合， 在模型準(zhǔn)確率相等或相近的時(shí)候一般優(yōu)先選擇c小的那一組.gamma隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布，gamma越大， 支持向量越少， 反之， 支持向量越多， 影響訓(xùn)練和預(yù)測(cè)的速度.

K-折交叉檢驗(yàn)[12]的做法是將實(shí)驗(yàn)樣本均勻、隨機(jī)地分K個(gè)子集， 每次取其中的K-1個(gè)子集作為訓(xùn)練集建立模型， 再將剩余的1個(gè)子集作為測(cè)試集用來驗(yàn)證模型的識(shí)別準(zhǔn)確率. 不斷更換訓(xùn)練集和測(cè)試集， 共計(jì)K次， 最后將這K次過程中的準(zhǔn)確率作算術(shù)平均.

2 實(shí)驗(yàn)結(jié)果

本研究實(shí)驗(yàn)環(huán)境為Windows10操作系統(tǒng)， CPU2.6 GHZ， RAM8.00 GB， Matlab 的版本為 R2017a.

2.1 十折交叉檢驗(yàn)結(jié)果

在實(shí)驗(yàn)中， 為了尋求對(duì)兩組圖片識(shí)別效果最好的特征集， 首先提取了185張眼底圖片的LBP及GLCM特征. 再將這些特征單獨(dú)或組合后放入SVM中進(jìn)行十折交叉檢驗(yàn)， 并通過十折交叉檢驗(yàn)得到的準(zhǔn)確率， 來選擇最好的特征或特征組合.表1所示為實(shí)驗(yàn)中識(shí)別效果最好的幾組特征及特征組合. 實(shí)驗(yàn)中提取的特征分別為: ①P=8，R=1， 通過等價(jià)模式降維且未經(jīng)過旋轉(zhuǎn)變化的 59 維 LBP 特征； ②P=8，R=1， 通過等價(jià)模式降維并經(jīng)過旋轉(zhuǎn)變化的 10 維 LBP 特征； ③ θ為 0°， 45°， 90°，135°，d=1 的灰度共生矩陣的能量； ④θ為 0°， 45°， 90°，135°，d=1 的灰度共生矩陣的相關(guān)性； ⑤θ為 0°， 45°，90°， 135°，d=1 的灰度共生矩陣的對(duì)比度； ⑥θ為 0°，45°， 90°， 135°，d=1 的灰度共生矩陣的一致性.

表1 部分特征十折交叉檢驗(yàn)結(jié)果

由表1可知， LBP和GLCM對(duì)兩組圖像都有較高的識(shí)別率， 為此可認(rèn)為兩組圖片在紋理上確實(shí)存在著肉眼無法識(shí)別的差異， 但相對(duì)GLCM而言， LBP算法的識(shí)別率更高， 效果更好， 無論是10-LBP還是59-LBP的準(zhǔn)確率都在90%左右. 而且從特征的組合結(jié)果中可以看出， 兩種算法中準(zhǔn)確率最高的特征相互組合不但不會(huì)導(dǎo)致準(zhǔn)確率上升， 反而會(huì)其下降. 對(duì)此可認(rèn)為單獨(dú)的LBP算法是這兩種算法中識(shí)別這兩組圖像效果更好的算法.

2.2 留出法及ROC曲線

為了進(jìn)一步驗(yàn)證LBP算法的識(shí)別效果， 將185張眼底熒光圖像中兩個(gè)類別以1: 1的比例劃分到訓(xùn)練集和測(cè)試集中. 訓(xùn)練集中正樣本37， 負(fù)樣本56； 測(cè)試集中正樣本36， 負(fù)樣本56. 將訓(xùn)練集數(shù)據(jù)通過SVM建立的模型對(duì)測(cè)試集進(jìn)行分類測(cè)試， 其中10-LBP算子的準(zhǔn)確率為85.87%， AUC值為0.930， 59-LBP算子的準(zhǔn)確率為88.12%， AUC值為0.943. 通過ROC曲線和AUC的值可知， 由LBP和SVM建立的模型具有較高的診斷價(jià)值. ROC曲線如圖5所示.

圖5 ROC曲線

從上述多組實(shí)驗(yàn)結(jié)果中可知， LBP算法和SVM建立的預(yù)測(cè)模型能有效的識(shí)別出處于DR易發(fā)階段的糖尿病患者. 而這也證明， 處于DR臨床前期的患者的眼底熒光圖像與正常人的圖像確實(shí)存在肉眼無法識(shí)別的紋理差異.

3 討論

DR臨床前期進(jìn)展至臨床期的病變高危期是一個(gè)相對(duì)模糊的時(shí)期， 而目前醫(yī)學(xué)領(lǐng)域有不少人在研究DR臨床前期的眼部變化時(shí)選擇糖尿病病程10年以上者[13，14]. 如果能及時(shí)、有效地識(shí)別和確定這一時(shí)期的患者， 對(duì)幫助降低DR患者的患病率及改善糖尿病患者的整體視覺質(zhì)量都具有十分積極的意義. 而本文中提到的LBP算法對(duì)于這一時(shí)期的眼底自發(fā)熒光圖像具有很好的識(shí)別效果. 相信通過數(shù)據(jù)源的不斷補(bǔ)充和算法的改進(jìn)， DR臨床前期眼底自發(fā)熒光圖像的輔助診斷技術(shù)在不久將來將應(yīng)用于臨床診斷. 而這對(duì)于糖尿病患者和相關(guān)醫(yī)務(wù)人員來說， 無疑是一個(gè)巨大的福音.