一个用于眼底普查的图象处理系统
许雷 张恒义 虞亚军 郑筱祥
摘 要 目的：建立一个自动的眼底图象分析诊断系统，使得眼底改变由定性描述进入定量描述阶段。方法：系统包括图象采集、图象归档、图象处理、血管网络参数测量以及基于AI与ANN结合的辅助诊断等。本文就该系统的软、硬件设计及功能、特点作了详细介绍。结果：提出了一系列眼底图象定量分析的新参数及相应的测量新算法。结论：系统功能齐全，精度高及可重复性好。
关键词：眼底；计算机图象处理
0 引 言
眼睛是人体唯一可以无损精细观察的器官，由于其可接近性及透明性，使之成为活体观察正常生理及病理过程的重要窗口。考虑到眼底测量结果的准确性、客观性、可重复性及大批量眼底普查的需要，迫切需要计算机眼底图象自动分析诊断系统的出现。
, http://www.100md.com
1 系统概述与图象采集
系统总体结构框图如图1所示。
图1 系统总体结构框图
系统软件是在PCVIDEO SDK及WINDOWS SDK开发平台上开发，经MSC7.0编译而成。系统采集的眼底图象分为两类，一类是经荧光眼底血管造影后摄取的图象，另一类是直接从眼底照相机(Nicon-505c)摄取的彩色图象。图象格式为设备无关位图格式(Windows DIB)。利用话筒及声频卡(Sound Blaster)记录图象获取时所使用的放大倍数、观察角度、滤光片及病人的简短病史如血压等信息。所建立的多媒体病例由FOXPRO 2.5归档与管理。
, 百拇医药
2 自动测量功能的实现
测量流程图如图2所示。限于篇幅，就各模块的特色及创新部分加以重点介绍。
图2自动测量流程简图
2.1 基于小波变换(WT)的图象前处理及图象拼接模块：
眼底图象具有局部光照不均，血管对比度低和信噪比SNR较低的特点。因此有必要对其进行预处理。因在WT域内SNR随尺度的增加而增加[1]，所以在WT域内进行图象预处理将好于直接在空间域内处理。基于WT的这个特性，作者提出下述前处理算法：
(1)对图象进行二维双正交小波正变换(图3所示)。(2)采用LLMMSE[1]算法对子带图象LHj，HHj,HLj;(j=2,3,4)进行自适应滤波。并令高频分量LH1，HH1,HL1为零。(3)首先对重构的低频子带图象LL1(面积为原图的1/4)采用数学形态学的滚动球算法[2](因血管具有良好的形态学特征)进行快速背景去除，然后再对其进行图象增强(重构子带图象LL1的SNR较高，故噪声少放大)。(4)结合上述处理进行图象重构。实验表明：该方法对平坦区的噪声抑制，保持边沿及增强各种细节都有良好的效果，并具有速度快，增强前后血管管径基本不变的优点(滚动球算法的特点)。使用小波变换的另一好处是在图象拼接寻找相似块时，由于WT采用塔式分解的结构，便于我们在模板匹配(以视乳头区域作为中央、鼻上、鼻下、颞上、颞下五幅待拼接图象重复的大致区域，并在该区域内选取匹配块)过程中采用由粗到精的匹配方法，即快速又精确。图4为一眼底拼图示意图。
, http://www.100md.com
图3 眼底图象的4层小波塔式分解
图4 眼底拼图示意图
2.2 血管边沿和血管骨架图提取模块
结合SED算法[3]、LoG(取小参数σ时)算法的优点，并考虑到眼底血管网络所具备的特点(以视神经乳头为中心、血管以放射状扩展至眼底周边部)，我们提出下述基于眼底血管网络模型的血管边沿及血管骨架图提取算法。血管边沿点为：
, 百拇医药
血管骨架图为：
其中I(i,j)为输入图象；LR(i,j)>0代表右边沿点，LR(i,j)<0代表左边沿点(顺时针扫描，非荧光图象)；MFilter()表示十字型中值滤波：Dilation()为膨胀算子；Bin()为二值化算子；Sgn()为符号算子。Rose()表示以8个方向(0°,26.6°,45°,63.4°,90°,116.6°,135°,153.4°)线形结构元所组成的旋转结构元(Rotating structuring element)作为结构元的开运算[4]，目的在于保留长而直的血管部分，去除不感兴趣的短且弯曲的非血管部分；SPTA()为安全点细化算法[5]：SED()表示Signed Edge Detection算法。Tem(Template)表示SED算法中先负后正的模板。
表示卷积。结果如图5所示。由图可见：本文方法提取出的血管具有边沿位置定位精度高，管径的微小变化能被刻划出，非血管边沿细节被有效删除及提取出的血管边沿连续性好的优点。根据得到的血管骨架图进行血管分支点与血管交叉点的标记与计数。其方法是：对血管骨架图的每一点计算其交叉数Crn,其定义为：
, 百拇医药
Pi如图6左上角所示。crn=1为端点；crn=2为内点；crn=3为分叉点；crn=4为交叉点。若crn=3的两点距离够近则取其连线的中点为crn=4的点。
2.3 血管形态参数测量模块
动静脉管径比的测量可参照流程图2。动静脉交叉角度(二级分支后交叉处动静脉血管中心线所形成的角度)和动静脉交叉角度改变量(动静脉交叉前、后血管中心线走向的交叉角与交叉处血管中心线交叉角的差值)的测量可采用对交叉处的血管中心线进行直线拟合并进而求出直线间的夹角的方法来测得。
动静脉血管交叉处静脉近端锥度测量：首先根据crn数对血管骨架图象进行一次扫描，找出距离视神经乳头边缘一个乳头直径以外的动静脉交叉点(crn=4)。然后以该交叉点为圆心，采用前述血管左右边沿提取算法提取出血管边沿，如图6所示。然后从交叉点出发，沿着血管中心线沿着4个不同的方向分别提取出4组左右边沿点，采用最小二乘法对每组的左边沿点、右边沿点进行直线拟合，从而求解出4个大小不同的锥度值(交叉处血管的左边沿与右边沿形成一个锥度角)，以最大值作为结果静脉近端锥度。
, http://www.100md.com
图5 原始眼底图象与血管边沿的叠加图象
图6 动静脉交叉处静脉锥度测量示意图
2.4 动脉反光参数测量模块
动脉中轴反光带宽比的原始定义为动脉反光带的宽度W2与管径W1之比。即BR=W2/W1。由于血管边界或者是反光带的边界都很模糊，加上人眼的非线性特性，所以无论是采用人机交互即鼠标标定的测量方法或基于边沿提取的测量方法都不准确。分析实际的眼底血管径向灰度曲线(图7)可以看出，其形状类似于两个高斯曲线之差。因此我们采用开口向下的高斯曲线来拟合血管中央血柱及管壁的反光及开口向上的高斯曲线来拟合无中轴反光的血管径向灰度曲线[6]。利用表证两者宽度的σ之比
作为带宽比则可以得到一个基于模型、比较精确、对噪声不敏感，从总体上最优刻划的带宽比。同理，动脉中轴反光强度比为：IR=｜A/K｜(图7所示)。眼底血管径向反光的灰度模型为：
, 百拇医药
X=(A,K,μ1,μ2,σ1，σ2，c,d)为模型参数。x是离血管中心的距离，r为血管半径，Ibo为(Ibo=cx+d)背景光的拟合表达式。采用无约束优化方法求出拟合参数X即可间接求得IR及BR。
图7 动脉中轴反光曲线及其拟合曲线
2.5 诊断与解释模块
(1)眼底特征参数导入模块：该模块对测得的眼底特征参数进行归一化处理。(2)基于眼底改变的全身病假设模块：运用ANN实现眼底特征参数(动静脉管径比等)到全身病假设(动脉硬化Ⅰ、Ⅱ级等)的基于相似性的分类诊断，以解决分类穷举编码中的组合爆炸问题。(3)反向推理模块：根据ANN提出的疾病假设，采用基于符号处理的目标驱动策略进行反向推理。系统用提问的方法，获取病人的其它生理参数。结合这些资料后，给出最后的诊断结果。(4)基于相似性的诊断结果解释模块：采用病人的眼底图象与诊断出的疾病相对应的最为相似的标准眼底图象相比较，以图形方式指出两者的相似点，同时结合在反向推理中获得的文字资料作为最后的诊断解释。因而具有形象生动，医生和病人易接受的优点。
, http://www.100md.com
3 结束语
本研究以眼底普查应用为直接目标介绍了我们在微型机上开发的人体眼底图象分析诊断系统。运用该系统进行眼底检查能准确反映全身血管有无受损及损害程度，有利于早期发现疾病，观察病情，指导治疗，判断预后。可望该系统在我国预防科学现代化发展进程中起到它应有的作用。目前在国内该系统尚属空白，与人工判别相比，不仅可以减轻医生的工作强度和提高诊断精度，而且能给出眼底图象的定量分析。由于该系统的自动化程度较高，使得医院每天可处理的眼底图象数量大大的增加，利用网络还可进行病人资料的远距离传输和接受，表现出很大的优越性。
浙江省自然科学基金资助项目
许雷(浙江大学生命科学与医学工程学系，杭州 310027)
张恒义(浙江大学生命科学与医学工程学系，杭州 310027)
, 百拇医药
虞亚军(浙江大学生命科学与医学工程学系，杭州 310027)
郑筱祥(浙江大学生命科学与医学工程学系，杭州 310027)
4 参考文献
1，Yang CH, Su G. Adaptive filter for noise removal using wavelet transform. SPIE, 1996,2501:187～197
2，Huang CC, et al. A fast morphological filter for enhancement of angiographic images. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 1991,13(1):0229～0230
, 百拇医药
3，Tascini G, et al. Robust approach to ocular fundus image analysis. Proc SPIE, 1992,1905:638～647
4，Thackray Brett D, Nelson Alan C. Semi-Automatic Segmentation of Vascular Network Images Using a Rotating Structuring Element(ROSE) with Mathematical Morphology and Dual Feature Thresholding. IEEE Trans Med Imaging, 1993,12:385～392
5，NACCACHE NJ, SHINGHAL R, SPTA: A proposed algorithm for thinning binary patterns. IEEE Trans System Man and Cybernetics, 1984,SMC-14(3):409～418
6，Chauduri S, et al. Detection of blood vessels in retinal images using two-dimensional matched filters. IEEE Trans Med Imaging, 1989,8:263～269, 百拇医药
摘 要 目的：建立一个自动的眼底图象分析诊断系统，使得眼底改变由定性描述进入定量描述阶段。方法：系统包括图象采集、图象归档、图象处理、血管网络参数测量以及基于AI与ANN结合的辅助诊断等。本文就该系统的软、硬件设计及功能、特点作了详细介绍。结果：提出了一系列眼底图象定量分析的新参数及相应的测量新算法。结论：系统功能齐全，精度高及可重复性好。
关键词：眼底；计算机图象处理
0 引 言
眼睛是人体唯一可以无损精细观察的器官，由于其可接近性及透明性，使之成为活体观察正常生理及病理过程的重要窗口。考虑到眼底测量结果的准确性、客观性、可重复性及大批量眼底普查的需要，迫切需要计算机眼底图象自动分析诊断系统的出现。
, http://www.100md.com
1 系统概述与图象采集
系统总体结构框图如图1所示。
图1 系统总体结构框图
系统软件是在PCVIDEO SDK及WINDOWS SDK开发平台上开发，经MSC7.0编译而成。系统采集的眼底图象分为两类，一类是经荧光眼底血管造影后摄取的图象，另一类是直接从眼底照相机(Nicon-505c)摄取的彩色图象。图象格式为设备无关位图格式(Windows DIB)。利用话筒及声频卡(Sound Blaster)记录图象获取时所使用的放大倍数、观察角度、滤光片及病人的简短病史如血压等信息。所建立的多媒体病例由FOXPRO 2.5归档与管理。
, 百拇医药
2 自动测量功能的实现
测量流程图如图2所示。限于篇幅，就各模块的特色及创新部分加以重点介绍。
图2自动测量流程简图
2.1 基于小波变换(WT)的图象前处理及图象拼接模块：
眼底图象具有局部光照不均，血管对比度低和信噪比SNR较低的特点。因此有必要对其进行预处理。因在WT域内SNR随尺度的增加而增加[1]，所以在WT域内进行图象预处理将好于直接在空间域内处理。基于WT的这个特性，作者提出下述前处理算法：
(1)对图象进行二维双正交小波正变换(图3所示)。(2)采用LLMMSE[1]算法对子带图象LHj，HHj,HLj;(j=2,3,4)进行自适应滤波。并令高频分量LH1，HH1,HL1为零。(3)首先对重构的低频子带图象LL1(面积为原图的1/4)采用数学形态学的滚动球算法[2](因血管具有良好的形态学特征)进行快速背景去除，然后再对其进行图象增强(重构子带图象LL1的SNR较高，故噪声少放大)。(4)结合上述处理进行图象重构。实验表明：该方法对平坦区的噪声抑制，保持边沿及增强各种细节都有良好的效果，并具有速度快，增强前后血管管径基本不变的优点(滚动球算法的特点)。使用小波变换的另一好处是在图象拼接寻找相似块时，由于WT采用塔式分解的结构，便于我们在模板匹配(以视乳头区域作为中央、鼻上、鼻下、颞上、颞下五幅待拼接图象重复的大致区域，并在该区域内选取匹配块)过程中采用由粗到精的匹配方法，即快速又精确。图4为一眼底拼图示意图。
, http://www.100md.com
图3 眼底图象的4层小波塔式分解
图4 眼底拼图示意图
2.2 血管边沿和血管骨架图提取模块
结合SED算法[3]、LoG(取小参数σ时)算法的优点，并考虑到眼底血管网络所具备的特点(以视神经乳头为中心、血管以放射状扩展至眼底周边部)，我们提出下述基于眼底血管网络模型的血管边沿及血管骨架图提取算法。血管边沿点为：
, 百拇医药
血管骨架图为：
其中I(i,j)为输入图象；LR(i,j)>0代表右边沿点，LR(i,j)<0代表左边沿点(顺时针扫描，非荧光图象)；MFilter()表示十字型中值滤波：Dilation()为膨胀算子；Bin()为二值化算子；Sgn()为符号算子。Rose()表示以8个方向(0°,26.6°,45°,63.4°,90°,116.6°,135°,153.4°)线形结构元所组成的旋转结构元(Rotating structuring element)作为结构元的开运算[4]，目的在于保留长而直的血管部分，去除不感兴趣的短且弯曲的非血管部分；SPTA()为安全点细化算法[5]：SED()表示Signed Edge Detection算法。Tem(Template)表示SED算法中先负后正的模板。
表示卷积。结果如图5所示。由图可见：本文方法提取出的血管具有边沿位置定位精度高，管径的微小变化能被刻划出，非血管边沿细节被有效删除及提取出的血管边沿连续性好的优点。根据得到的血管骨架图进行血管分支点与血管交叉点的标记与计数。其方法是：对血管骨架图的每一点计算其交叉数Crn,其定义为：, 百拇医药
Pi如图6左上角所示。crn=1为端点；crn=2为内点；crn=3为分叉点；crn=4为交叉点。若crn=3的两点距离够近则取其连线的中点为crn=4的点。
2.3 血管形态参数测量模块
动静脉管径比的测量可参照流程图2。动静脉交叉角度(二级分支后交叉处动静脉血管中心线所形成的角度)和动静脉交叉角度改变量(动静脉交叉前、后血管中心线走向的交叉角与交叉处血管中心线交叉角的差值)的测量可采用对交叉处的血管中心线进行直线拟合并进而求出直线间的夹角的方法来测得。
动静脉血管交叉处静脉近端锥度测量：首先根据crn数对血管骨架图象进行一次扫描，找出距离视神经乳头边缘一个乳头直径以外的动静脉交叉点(crn=4)。然后以该交叉点为圆心，采用前述血管左右边沿提取算法提取出血管边沿，如图6所示。然后从交叉点出发，沿着血管中心线沿着4个不同的方向分别提取出4组左右边沿点，采用最小二乘法对每组的左边沿点、右边沿点进行直线拟合，从而求解出4个大小不同的锥度值(交叉处血管的左边沿与右边沿形成一个锥度角)，以最大值作为结果静脉近端锥度。
, http://www.100md.com
图5 原始眼底图象与血管边沿的叠加图象
图6 动静脉交叉处静脉锥度测量示意图
2.4 动脉反光参数测量模块
动脉中轴反光带宽比的原始定义为动脉反光带的宽度W2与管径W1之比。即BR=W2/W1。由于血管边界或者是反光带的边界都很模糊，加上人眼的非线性特性，所以无论是采用人机交互即鼠标标定的测量方法或基于边沿提取的测量方法都不准确。分析实际的眼底血管径向灰度曲线(图7)可以看出，其形状类似于两个高斯曲线之差。因此我们采用开口向下的高斯曲线来拟合血管中央血柱及管壁的反光及开口向上的高斯曲线来拟合无中轴反光的血管径向灰度曲线[6]。利用表证两者宽度的σ之比
作为带宽比则可以得到一个基于模型、比较精确、对噪声不敏感，从总体上最优刻划的带宽比。同理，动脉中轴反光强度比为：IR=｜A/K｜(图7所示)。眼底血管径向反光的灰度模型为：, 百拇医药
X=(A,K,μ1,μ2,σ1，σ2，c,d)为模型参数。x是离血管中心的距离，r为血管半径，Ibo为(Ibo=cx+d)背景光的拟合表达式。采用无约束优化方法求出拟合参数X即可间接求得IR及BR。
图7 动脉中轴反光曲线及其拟合曲线
2.5 诊断与解释模块
(1)眼底特征参数导入模块：该模块对测得的眼底特征参数进行归一化处理。(2)基于眼底改变的全身病假设模块：运用ANN实现眼底特征参数(动静脉管径比等)到全身病假设(动脉硬化Ⅰ、Ⅱ级等)的基于相似性的分类诊断，以解决分类穷举编码中的组合爆炸问题。(3)反向推理模块：根据ANN提出的疾病假设，采用基于符号处理的目标驱动策略进行反向推理。系统用提问的方法，获取病人的其它生理参数。结合这些资料后，给出最后的诊断结果。(4)基于相似性的诊断结果解释模块：采用病人的眼底图象与诊断出的疾病相对应的最为相似的标准眼底图象相比较，以图形方式指出两者的相似点，同时结合在反向推理中获得的文字资料作为最后的诊断解释。因而具有形象生动，医生和病人易接受的优点。
, http://www.100md.com
3 结束语
本研究以眼底普查应用为直接目标介绍了我们在微型机上开发的人体眼底图象分析诊断系统。运用该系统进行眼底检查能准确反映全身血管有无受损及损害程度，有利于早期发现疾病，观察病情，指导治疗，判断预后。可望该系统在我国预防科学现代化发展进程中起到它应有的作用。目前在国内该系统尚属空白，与人工判别相比，不仅可以减轻医生的工作强度和提高诊断精度，而且能给出眼底图象的定量分析。由于该系统的自动化程度较高，使得医院每天可处理的眼底图象数量大大的增加，利用网络还可进行病人资料的远距离传输和接受，表现出很大的优越性。
浙江省自然科学基金资助项目
许雷(浙江大学生命科学与医学工程学系，杭州 310027)
张恒义(浙江大学生命科学与医学工程学系，杭州 310027)
, 百拇医药
虞亚军(浙江大学生命科学与医学工程学系，杭州 310027)
郑筱祥(浙江大学生命科学与医学工程学系，杭州 310027)
4 参考文献
1，Yang CH, Su G. Adaptive filter for noise removal using wavelet transform. SPIE, 1996,2501:187～197
2，Huang CC, et al. A fast morphological filter for enhancement of angiographic images. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 1991,13(1):0229～0230
, 百拇医药
3，Tascini G, et al. Robust approach to ocular fundus image analysis. Proc SPIE, 1992,1905:638～647
4，Thackray Brett D, Nelson Alan C. Semi-Automatic Segmentation of Vascular Network Images Using a Rotating Structuring Element(ROSE) with Mathematical Morphology and Dual Feature Thresholding. IEEE Trans Med Imaging, 1993,12:385～392
5，NACCACHE NJ, SHINGHAL R, SPTA: A proposed algorithm for thinning binary patterns. IEEE Trans System Man and Cybernetics, 1984,SMC-14(3):409～418
6，Chauduri S, et al. Detection of blood vessels in retinal images using two-dimensional matched filters. IEEE Trans Med Imaging, 1989,8:263～269, 百拇医药