醫學影像中的視網膜血管特征表現及建模方法分析

高向軍

（商丘師范學院計算機與信息技術學院，河南 商丘476000）

0 引言

作為人體血脈網絡的一部分，視網膜血管的長度、寬度、彎曲度及分支角度等形態參數是否有變化，以及是否有增生、滲出，均可反映全身血管的病變[1]。實現對眼底血管網絡的特征信息分析，對于輔助診斷眼部疾病和一些全局性病變都有價值。

由于視網膜血管網絡呈復雜的樹狀結構，擁有豐富的分枝，多樣，同時細小血管與背景之間的對比度較弱，使得視網膜血管分割成為一個充滿挑戰的課題。彩色眼底照相（CFP）、眼底熒光素血管造影（FFA）等眼底影像受到廣泛關注，已經產生大量血管分割算法，綜述[2]按照不同角度對視網膜血管的分割算法做了很好的回顧。根據所用的圖像處理理論和算法，將視網膜血管分割算法分為六類：（1）模式識別技術；（2）匹配濾波；（3）血管追蹤；（4）數學形態學；（5）多尺度方法；（6）基于模型的方法。分析各種血管分割算法，其實質離不開對醫學影像中的血管形態信息進行特征建模。模式識別技術通常是對血管的灰度、梯度等局部特征的建模和分類；匹配濾波利用了血管的橫斷面近似高斯模型或混合高斯模型；追蹤算法離不開對局部血管的尺寸、方向、曲率、線性度、對比度的漸變性來實現血管的逐步遞推和跟蹤檢測；多尺度方法通常利用了血管網絡的分段線性尺度特性；基于模型的分割算法更是利用血管的局部灰度、梯度等特征信息進行能量函數建模。

基于此，本文從視網膜血管在各種醫學影像中特征表現展開分析，對常規的視網膜血管建模方法做了性能比對，讓讀者能夠從另一種角度理解把握目前的視網膜血管分割算法，從而提出更加合適的視網膜血管分割算法。

1 視網膜血管在常用醫學影像中的特征表現

利用眼底照相機對眼球內壁進行不同角度的拍攝，能夠獲取二維的視網膜影像。眼底照相機一般有三種操作模式：在白色光源下，能夠獲取真彩色眼底圖像；濾除紅色圖像光后，能夠獲取血管對比度高的眼底圖像；注射熒光劑后，可以獲取眼底熒光素血管影像。血管注射熒光素鈉后，利用490納米的藍色光源能夠激發血管中的熒光，從而獲取血管高亮的視網膜血管影像，如圖1所示。

圖1 眼底熒光素血管影像[3]

由圖1看出視網膜血管的形態信息：（1）視網膜血管是分段線性的網狀結構；（2）血管的灰度值與背景存在灰度差，但是在細小血管處，灰度差很小；（3）血管的寬度差別很大，從視盤出發，血管寬度從十幾個像素減少到一兩個像素；（4）血管橫斷剖面近似于高斯分布或混合高斯分布。

目前有許多視網膜醫學影像的公用數據庫[2]。其中DRIVE和STARE兩大眼底圖像數據庫分別提供了不同眼底照相機從不同角度獲取的彩色眼底圖像，兩者都有兩套眼科專家手工分割的視網膜血管網絡作為金標準，便于視網膜血管分割算法的性能比較。

2 視網膜血管特征建模及分析

表1總結了視網膜血管網絡的特征表現，并給出常見的特征模型及其存在的主要問題。由表1看出，僅對血管的一個屬性進行建模無法有效分割目標。管狀器官的局部特征便于提取和建模，廣泛應用于視網膜的血管分割，包括對圖像的濾波和增強。管狀器官的全局特征為分割算法提供全局空間一致性信息，便于處理圖像的局部噪聲和分割不連續的管狀器官。但是由于全局特征的獲取復雜度高，該類算法值得進一步研究。

表1 視網膜血管的特征表現及常見特征模型

Hessian矩陣的本征值分析是血管增強的最常用工具[4]。基于Hessian矩陣的管狀檢測器通常選用不同的測量尺度來檢測目標，并且將所有尺度下的最大尺寸合并為一個多尺度響應。但是Hessian匹配濾波存在三個問題：（1）采用Gaussian函數與圖像進行卷積計算梯度向量場，會導致邊界模糊；（2）由Hessian矩陣特征值定義的管狀結構度量函數難以分割分叉點；（3）需要在多尺度空間下，獲取不同尺度下的管狀結構最大響應，計算量大。

Xu和Prince提出的梯度向量場（GVF）[5]能夠實現圖像的邊界梯度信息向目標中心的擴散。由于來自管狀器官邊界的梯度向量在中心處相互抵消，導致GVF向量場在管狀器官的中心處幾乎為零，恰好對應多尺度檢測的最大尺度響應，因此可以采用Jacobian矩陣代替傳統多尺度下的Hessain矩陣進行血管檢測[2]。根據Jacobian矩陣的特征值和特征向量信息可以進行三個方面的應用：（1）進行管狀結構檢測，增強管狀器官；（2）管腔脊線生成，經過細化可以作為血管中心線；（3）提供細小血管的方向信息，從而為視網膜血管的交叉、分支在3維空間的走向提供信息。

3 結論

由于視網膜血管網絡形態復雜、位置特殊，準確提取視網膜血管網絡，為心血管和眼科疾病的診斷提供幫助，成為許多計算機輔助治療系統的研究核心。由此產生了大量分割提取視網膜血管的算法和成果，但是依然存在許多問題有待解決。比如，有關分割已經病變或存有噪音的視網膜血管的算法很少；算法復雜度高，對高分辨率的醫學影像進行血管分割依然具有很大的挑戰。許多算法局限于對DRIVE和STARE數據庫的圖像進行分析，性能測量僅限局部的特定形態特征。兩大公用數據庫的圖像數據缺少圖片之間的相關信息，比如，片內或片間的灰度變換，相鄰圖片之間的對比度和不均勻的背景灰度不斷漂移等信息。充分利用這些全局性的血管特征信息是進行視網膜血管分割及分析的方向。

［1］Cheng S C,Huang Y M.A novel approach to diagnose diabetes based on the fractal characteristics of retinal images[J].Information Technology in Biomedicine,IEEE Transactions on,2003,7(3):163-170.

［2］FrazMM,RemagninoP,HoppeA,etal.Bloodvessel segmentationmethodologies in retinal images-a survey[J].Computer methods and programs in biomedicine,2012,108(1):407-433.

［3］Arevalo,J.Fernando.Retinal angiography and optical coherence tomography[M].New York:Springer,2009.

［4］Frangi A F,Niessen W J,Vincken K L,et al.Multi-scale vessel enhancement filtering [M]//Medical Image Computing and Computer-Assisted Interventation MICCAI’98.Springer Berlin Heidelberg,1998:130-137.

［5］Xu C,Prince J L.Snakes,shapes,and gradient vector flow[J].Image Processing,IEEE Transactions on,1998,7(3):359-369.