基于機器學習的視網膜圖像識別模型設計

張貴英 張俊飛

摘要：早產兒視網膜病變是小兒致盲的主要原因之一，發病率在我國呈持續上升的趨勢。人工診斷存在費時費力，依靠醫生經驗等不足。針對此，提出了基于機器學習的視網膜圖像識別模型，首先基于原始圖像，借助圖像處理、傳統機器學習方法和對抗生成網絡技術得到生成圖像，然后基于這些圖像和原始圖像，提取其特征，最后對級聯后的特征進行分類。該模型有望為早產兒視網膜病變的自動篩查系統提供技術支持。

關鍵詞：視網膜圖像;自動識別;模型設計

中圖分類號：TP181 文獻標識碼：A

文章編號：1009-3044（2020）28-0176-02

開放科學（資源服務）標a碼（OSID）：

1 引言

早產兒視網膜病變（ Retinopathy of Prematurity，ROP）曾稱為Terry綜合征或晶狀體后纖維增生癥，最早由Terry在1942年發現[1]。孕期34周以下，出生體重小于1500、出生后吸氧史，發病率約為60%，孕期更短或更低出生體重者，發生率可達66%- 82%。由于ROP可致盲，早在1984年到1987年，由國際組織ROP專家建立了詳細的病變分類標準，以促進臨床治療。指出了ROP發生的部位分為3個區域，并將病變的嚴重程度分為5期，圖1為正常和ROP3期圖像示例。另外，需要注意的是Plus疾病：即后極部視網膜血管遷曲怒張，表明ROP處于迅速進展期。ROP最早出現在矯正胎齡32周，閾值病變大約出現在矯正胎齡37周，早期篩查和治療可以阻止病變的發展。

目前，眼科醫生通過數字視網膜照相機（如RetCam3）獲取早產兒視網膜眼底圖像，然后人工診斷有無病變及分級，這種方式面臨幾個問題。首先，ROP需要通過開展大規模的眼底普查，對潛在眼底病患者進行定期的眼底視網膜檢查。然而，由于眼底病潛在患者數量較大，眼科專家人工檢查工作開展較為困難，尤其在中國和印度這樣人口眾多的國家。其次，ROP的分類標準是定性而不是定量的，對于同一個患者，不同的眼科專家可能給出不同的診斷結果。再者，通過人工觀察眼底視網膜圖像，專家會存在視覺疲勞等情況，此時可能會誤診疾病。ROP-旦發生，進展很快，可有效治療的時間窗口很窄，早期診斷和及時治療可以有效地減少不良后果和視力喪失。因此，為了提高眼底病診斷效率和精度，應推進大規模眼底病變自動識別技術，以實現眼底病的早期防治。

2 ROP圖像自動識別研究現狀

ROP圖像自動識別可分為兩類。第一類，基于傳統方法的ROP自動診斷。自動或者半自動ROP診斷主要針對Plus疾病，該疾病的診斷依據為血管是否正常，因此很多研究都集中在血管的分割、血管直徑的測量和血管迂曲的測量等方面[2]。基于這三步，計算機輔助診療系統“ROPTooI”[3]恫世，該設備可輔助醫生診斷Plus疾病。另外，“i-ROP，I[4]診斷系統也用來診斷Plus疾病。這些診斷系統的準確性高度依賴于血管的分割，如果血管分割有誤，則會嚴重影響后續的識別工作。由于受圖像本身、光照和對比度等影響，血管的分割是一個困難的任務。第二類，基于深度學習的ROP自動診斷。2016年Worrall等[5]首次提出使用深度神經網絡診斷Plus疾病，對于其他疾病，該研究僅僅診斷是否有病癥存在，而未做具體的病變分類。在預處理時，該研究僅僅使用了旋轉和切割等傳統數據增大方法。隨后，Brown[6]等先對血管進行分割，然后再使用深度神經網絡對Plus疾病進行自動診斷。Hu[7]等提出了基于深度神經網絡的ROP自動分析方法，該方法未使用樣本增大相關算法。除了對Plus疾病診斷外，Mulav[8]等建立了一個基于深度學習技術的ROP圖像中分界線的檢測系統，該系統使用了175張眼底圖像作為訓練集，45張圖像作為測試集。在這些研究中，其主要任務主要集中在Plus疾病的識別上，訓練集數量一般較少，要么未使用數據增大算法，要不僅使用了旋轉等基本數據放大算法。

3 ROP圖像自動模型設計

ROP圖像自動識別模型為有監督學習結構，需要有標注好的數據對網絡進行訓練和測試。首先明確ROP發生部位的分區：I區是以視盤為中心，視盤中心距黃斑中心凹距離2倍為半徑的圓形區域。Ⅱ區以I區以外，以視盤為心，視盤至鼻側鋸齒緣的距離為半徑的環形區域。Ⅲ區：除I區和Ⅱ區外剩余的月牙形區域。其次，明確ROP病變分期，ROP病變根據不同的程度可以分為5期。1期表現為周邊無血管區與后極部視網膜血管末梢之間出現分界線;2期表現為嵴期分界線增寬、增高，呈嵴狀隆起;3期表現為新生血管形成并長人嵴上;4期表現為視網膜部分脫離;5期表現為視網膜全脫離。根據這些信息，需要眼科專家將早產兒視網膜圖像標注為正常、1期、2期、3期、4期和5期等類別。如果出現爭議，則需要討論。若討論后仍未達成一致，則丟棄此圖像。

對于標注好的圖像，使用基于圖像處理方法、傳統機器學習算法和對抗生成網絡模型生成對應的生成圖像。設計卷積神經網絡，分別提取基于原始樣本和生成樣本的特征，將這些特征級聯后，送到分類器中識別分類，然后送到分類器中自動識別分類，模型如圖2所示。每設計一個生成模型，就予以實驗驗證，并借助實驗結果對其進行充分的驗證，從而保證整個課題研究最終的成功。將原始圖像和生成圖像按照多種占比結合，比如0比1或者1比0等。將標注好的數據隨機按照不同比例分成三部分：第一部分占總量的80%，用于網絡的訓練;第二部分占10%，用于網絡的驗證;第三部分占10%，用于網絡的測試，該比例可在一定范圍內進行調整。不斷調整網絡參數，如隱藏層的層數、學習率、batch大小等，其中學習率將使用指數衰減學習率，即先使用較大的學習率來快速得到一個比較優的解，然后逐步減少學習率，使得模型在訓練后期更加穩定。利用驗證數據，對訓練的網絡進行驗證，并根據驗證結果對網絡中的參數做進一步優化。利用測試數據，對網絡進行測試，測試網絡進行識別的準確性，尤其是使用交叉驗證法以充分評估構建網絡的性能。

4 結束語

早產兒視網膜病變疾病是兒童致盲的重要原因之一，占兒童盲的6%到18%左右。一般新生兒胎齡越小，出生體重越低，其發生率越高。建立早產兒視網膜病變自動識別模型，對眼底病進行大規模篩查，以實現早產兒眼底病的早期防治。

參考文獻：

[1] Terry T L.Extreme prematurity and fibroblastic overgrowth ofpersistent vascular sheath behind each crystalline lens fromthe massachusetts eye and ear infirmary.this investigation ismade possible through the special fund for research for pathol-ogy laboratory[J]. American Journal of Ophthalmology， 1942， 25（2）：203-204.

[2]Aslam T，Fleck B，Patton N，et al.Digital image analysis of plusdisease in retinopathy of prematurity[J].Acta Ophthalmologica，2009，87（4）：368-377.

[3] Wallace D K.Zhao Z E，Freedman S F.A pilot study using“ROP tool" to quantify plus disease in retinopathy of prematu-rity[J].Journal of American Association for Pediatric Ophthal-mology and Strabismus，2007，11（4）：3 81-387.

[4] Ataer-Cansizoglu E，Bolon-Canedo V，Campbell JP， et aLComputer-based image analysis for plus disease diagnosis inretinopathy of prematurity： performance of the "i-ROP" sys-tem and image features associated with expert diagnosis[J].Translational Vision Science& Technology，2015，4（6）：5.

[5]WorrallD E，Wilson C M， Brostow G J.Automated retinopathyof prematurity case detection with convolutional neural net-works[M]//Deep Leaming and Data Labeling for Medical Appli-cations.Cham：Springer InternationaIPublishing，2016：68-76.

[6] Brown J M，Campbell J P，Beers A，etal. Automated diagnosisof plus disease in retinopathy ofprematurity using deep convo-lutional neural networks[J].JAMA Ophthalmology， 2018， 136（7）：803-810.

[7] Hu J J，Chen Y Y，Zhong J，et al.Automated analysis for reti-nopathy of prematurity by deep neural networks[J].IEEE Trans-actions on Medical Imaging，2019，38（ 1）：269-279.

[8] Mulay S，Ram K，Sivaprakasam M，et al.Early detection of reti-nopathy of prematurity stage using deep learning approach[C]//SPIE Medical Imaging.Proc SPIE10950，Medical Imaging 2019：Computer-Aided Diagnosis， SanDiego， California， USA. 2019，1095：1095022.

[通聯編輯：唐一東]

作者簡介：張貴英，女，甘肅文縣人，博士，副教授，研究方向為圖像處理，計算機輔助診療。