基于深度學(xué)習(xí)的視網(wǎng)膜分支動(dòng)脈阻塞分割

　　摘 要：視網(wǎng)膜疾病如視網(wǎng)膜動(dòng)脈阻塞等的早期診斷和治療是預(yù)防永久性視力損傷的關(guān)鍵。為輔助臨床眼科醫(yī)生更快、更準(zhǔn)確地診斷視網(wǎng)膜疾病，提出一種基于深度學(xué)習(xí)的視網(wǎng)膜分支動(dòng)脈阻塞分割的方法。首先，將三維視網(wǎng)膜光學(xué)相干斷層掃描圖像轉(zhuǎn)換為二維B超掃描圖像，通過二值化、仿射變換等方法提取視網(wǎng)膜區(qū)域作為感興趣區(qū)域;然后將感興趣區(qū)域送入條件生成對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)BRAO病變區(qū)域分割;最后，采用腐蝕、閉運(yùn)算等形態(tài)學(xué)運(yùn)算排除假陽性。在20張來自20雙眼睛、包含BRAO急性期和萎縮期視網(wǎng)膜OCT圖像上進(jìn)行四折交叉驗(yàn)證，平均正確率、真陽性率、假陽性率分別為94.7%、92.1%、5.0%，表明BRAO分割方法有效。

　　關(guān)鍵詞：視網(wǎng)膜分支動(dòng)脈阻塞;光學(xué)相干斷層掃描;深度學(xué)習(xí);條件生成對(duì)抗網(wǎng)絡(luò)

　　《模式識(shí)別與人工智能》簡介：模式識(shí)別與人工智能主要發(fā)表和報(bào)道模式識(shí)別、人工智能、智能計(jì)算機(jī)及智能系統(tǒng)等方面研究成果與進(jìn)展。本刊面向國內(nèi)外各高等院校、研究機(jī)構(gòu)和企業(yè)的科研人員、教師、工程技術(shù)人員及研究生和高年級(jí)大學(xué)生。

　　0 引言

　　視網(wǎng)膜分支動(dòng)脈阻塞(Retinal Artery Occlusion，RAO)是一種眼科急癥，由血栓、動(dòng)脈痙攣等原因造成視網(wǎng)膜動(dòng)脈血流中斷，從而引起相應(yīng)視網(wǎng)膜組織缺血、缺氧、變性壞死，導(dǎo)致視細(xì)胞迅速死亡，造成不同程度的視力損害[1-2]。研究表明，視網(wǎng)膜動(dòng)脈阻塞在發(fā)生97分鐘之后，會(huì)對(duì)視網(wǎng)膜感覺層造成不可逆的損傷， 因此及時(shí)發(fā)現(xiàn)病癥并進(jìn)行治療對(duì)患者尤為重要[3]。

　　近年來，光學(xué)相干斷層掃描(Optical Coherence Tomography，OCT)作為一種實(shí)時(shí)、高分辨率、無創(chuàng)、無接觸的新型活體成像方法，廣泛用于各種視網(wǎng)膜疾病的輔助診斷和治療。光學(xué)相干斷層掃描技術(shù)是一種三維成像技術(shù)[4-5]，主要利用邁克爾遜干涉原理，依靠光源時(shí)間相干性，將光分為兩束，最終，使反射后的兩束光產(chǎn)生干涉。

　　但目前在臨床中，基于OCT圖像對(duì)于視網(wǎng)膜分支動(dòng)脈阻塞(Branch Retinal Artery Occlusion，BRAO)病變區(qū)域的分析主要是定性的，或借助手工測(cè)量或標(biāo)記，費(fèi)時(shí)、費(fèi)力、具有主觀性，但視網(wǎng)膜分支動(dòng)脈阻塞治療時(shí)采用的藥物劑量需要根據(jù)病變區(qū)域的大小定量制定。 因此，一種能夠自動(dòng)檢測(cè)、定量分割視網(wǎng)膜分支動(dòng)脈阻塞區(qū)域的算法對(duì)于臨床診斷尤為重要。

　　目前，國內(nèi)外關(guān)于視網(wǎng)膜動(dòng)脈阻塞的研究大多基于臨床分析，也有一些基于醫(yī)學(xué)影像自動(dòng)分析的技術(shù)。Chen等[6]提出一種基于三維SD-OCT圖像中的視網(wǎng)膜中央動(dòng)脈阻塞各個(gè)視網(wǎng)膜層次的光密度定量分析方法;Leung等[7]通過視神經(jīng)頭附近視網(wǎng)膜神經(jīng)纖維層視網(wǎng)膜的黃斑厚度及靈敏度，研究BRAO患者的結(jié)構(gòu)-功能關(guān)系;Asefzaden & Ninyo[8]分析了RAO視盤周圍神經(jīng)纖維厚度的縱向眼底改變;郭靜云等[9]提出了一種結(jié)合AdaBoost分類器和圖搜-圖割算法提出了一種自動(dòng)分類和分割BRAO的方法。這些方法需要提取特征，速度較慢，且由于BRAO病變區(qū)域的邊界非常模糊，分割正確率有待進(jìn)一步提升。

　　本文提出一種基于深度學(xué)習(xí)的視網(wǎng)膜分支動(dòng)脈阻塞分割的方法，其流程如圖1所示。首先，將三維OCT圖像轉(zhuǎn)換為二維B掃描圖像;接著，初步提取視網(wǎng)膜區(qū)域作為感興趣區(qū)域;隨后，將感興趣區(qū)域送入條件對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練;最后，采用腐蝕、閉運(yùn)算等形態(tài)學(xué)運(yùn)算進(jìn)行后處理，實(shí)現(xiàn)分支動(dòng)脈阻塞病變區(qū)域分割。

　　3 結(jié)語

　　本文使用二值化、開運(yùn)算、凸包算法、仿射變換對(duì)圖像進(jìn)行初分割，提取視網(wǎng)膜區(qū)域?yàn)楦信d趣區(qū)域;然后，使用條件對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)二維B掃描圖像中病變區(qū)域進(jìn)行分割;最后，通過腐蝕算法對(duì)測(cè)試后的結(jié)果進(jìn)行腐蝕，實(shí)驗(yàn)真陽性率為92.1%、正確率為94.7%、交并比為66.6%。

　　但是，本文方法也存在一些不足：①本文方法是基于二維B掃描圖像的分割，未從三維角度進(jìn)行分析，未充分利用到圖像空間關(guān)聯(lián)信息;②本文方法對(duì)于病變區(qū)域較小的部位判別度較低。今后研究重點(diǎn)是基于三維圖像的BRAO分割，充分利用圖像前后幀的空間關(guān)聯(lián)信息，以進(jìn)一步提高分割準(zhǔn)確率。

　　參考文獻(xiàn)：

　　[1] 李偉，金明. 視網(wǎng)膜動(dòng)脈阻塞的相關(guān)風(fēng)險(xiǎn)因素研究現(xiàn)狀[J]. 眼科新進(jìn)展，2018，38(3)：294-297.

　　[2] SAATCI O A， KO?AK N， DURAK ?， et al. Unilateral retinal vasculitis， branch retinal artery occlusion and subsequent retinal neovascularization in Crohn's disease[J]. International Ophthalmology，2001，24(2)： 89-92.

　　[3] HAYREH S S， ZIMMERMAN M B， KIMURA A， et al. Central retinal artery occlusion.： Retinal survival time[J]. Experimental Eye Research， 2004， 78(3)： 723-736.

　　[4] ABRàMOFF M D，GARVIN M K， SONKA M. Retinal imaging and image analysis[J]. IEEE Reviews in Biomedical Engineering，2010，3： 169-208.

　　[5] HUANG D， SWANSON E A， LIN C P， et al. Optical coherence tomography[J]. Science， 1991， 254(5035)：1178-1181.

　　[6] CHEN H， CHEN X， QIU Z， et al. Quantitative analysis of retinal layers' optical intensities on 3D optical coherence tomography for central retinal artery occlusion[J]. Scientific Reports， 2015， 5： 9269.

　　[7] LEUNG C K S， THAM C C Y， MOHAMMED S， et al. In vivo measurements of macular and nerve fibre layer thickness in retinal arterial occlusion [J]. Eye， 2007， 21(12)： 1464.

　　[8] ASEFZADEH B， NINYO K. Longitudinal analysis of retinal changes after branch retinal artery occlusion using optical coherence tomography [J]. Optometry-Journal of the American Optometric Association， 2008， 79(2)： 85-89.

　　[9] GUO J， ZHU W， SHI F， et al. A Framework for Classification and Segmentation of Branch Retinal Artery Occlusion in SD-OCT[J]. IEEE Transactions on Image Processing， 2017， 26(7)： 3518-3527.

　　[10] 丁偉雄. MATLAB R2015a數(shù)字圖像處理[M]. 北京： 清華大學(xué)出版社，2016：272.

　　[11] 李曉飛，馬大瑋，粘永健，等. 圖像腐蝕和膨脹的算法研究[J]. 影像技術(shù)，2005(1)： 37-39.

　　[12] GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets [C]. Advances in Neural Information Processing Systems， 2014： 2672-2680.

　　[13] 王軍，夏利民，夏勝平. 利用生成模型的人體行為識(shí)別[J]. 國防科技大學(xué)學(xué)報(bào)，2016，38(2)：68-74.

　　[14] 黃利文. 一種判別模型的擇優(yōu)方法[J]. 江西理工大學(xué)學(xué)報(bào)，2013，34(1)：96-99.

　　[15] MIRZA M，OSINDERO S. Conditional generative adversarial nets[J]. Computer Science，2014：2672-2680.

　　[16] ISOLA P，ZHU J Y，ZHOU T，et al. Image-to-image translation with conditional adversarial networks[C]. 2017 IEEE Conference on Computer Vision and Pattern Recognition，2017： 5967-5976.

　　[17] 張營營. 生成對(duì)抗網(wǎng)絡(luò)模型綜述[J]. 電子設(shè)計(jì)工程，2018，26(5)：34-37.

　　[18] GONZALEZ R C，WOODS R E，EDDINS S L. 數(shù)字圖像處理的MATLAB實(shí)現(xiàn)[M]. 阮秋琦，譯. 北京：清華大學(xué)出版社，2013：345.

　　[19] UDUPA J K，LEBLANC V R，ZHUGE Y，et al. A framework for evaluating image segmentation algorithms[J]. Computerized Medical Imaging and Graphics， 2006， 30(2)： 75-87.