基于紅外成像原理的瞼板腺圖像量化分析系統

駱仲舟，鄧宇晴，王耿媛，黃遠聰，林偉鋒，袁進

(中山大學中山眼科中心工程中心，廣州 510000)

瞼板腺是人體最大的皮脂腺，埋藏于上下瞼板之中，其開口位于瞼緣，從眼瞼邊緣垂直穿過后眼瞼至瞼板的相對邊緣。瞼板腺的功能是合成、儲存并分泌多種脂質，所分泌的脂質能構成淚膜的脂質層，直接影響淚液蒸發及淚膜的穩定性，具有重要的生理功能[1-2]。瞼板腺的功能與其形態相關，炎癥、堵塞、激素水平變化、環境因素等多種原因均可以影響瞼板腺的數量和形態，進而改變瞼板腺油脂分泌功能，導致淚膜穩定性下降，發生瞼板腺功能障礙(meibomian gland disease，MGD)。

MGD是蒸發過強型干眼癥的最常見的病因[3]。蒸發過強型干眼癥約占據干眼構成的86%，嚴重時會導致嚴重和慢性的癥狀以及繼發性結膜和角膜的改變，是一種困擾人們視覺質量乃至生活質量的常見病[4]。因此，瞼板腺腺體的扭曲、膨大、萎縮乃至缺失是MGD診斷的重要特異性體征[5]。

目前，在臨床上通過瞼板腺紅外成像技術使得眼科醫生能直接觀察到瞼板腺腺體結構，可對腺體萎縮和丟失情況進行粗略評估[6]。但如何對上述腺體形態學變化進行量化分析，值得深入研究。2012年，Srinivasan等[7]發表了一種利用ImageJ Software (National Institute of Health；http://imagej.nih.gov/ij)計算MGD患者的瞼板腺缺失率的方法，該方法是用ImageJ軟件的自由選擇工具勾畫出瞼板腺缺失的面積進行測量，計算MGD患者瞼板腺缺失的面積與整個瞼板腺的面積的關系，并用百分比表示瞼板腺缺失率。然而，使用該軟件用戶必須手動定義每個患者腺體區域。不同的操作者可能會畫出不同的腺體區域，導致結果存在一定的差異。2013年，Arita等[8]對瞼板腺圖片自動確定測量區域，并對上眼瞼各瞼板腺的輪廓進行分析。這種方法由于只分析瞼板腺本身的輪廓，而沒有計算瞼板腺的面積[8]，雖對分析瞼板腺細微變化有利，但沒能客觀的表現瞼板腺缺失的程度。在針對基于紅外成像技術的瞼板腺圖片和瞼板腺的生物參數，既要準確分析瞼板腺腺體的形態生物參數和精確計算瞼板腺缺失的百分比，本文章自主研發了瞼板腺腺體自動分析軟件(Meibomian Gland Bio-image Analyzer V3)，并首次將該技術用于計算瞼板腺腺體長度、寬窄、面積百分、形變系數及顯影值等生物參數。精確的瞼板腺量化分析系統，可有效幫助MGD的臨床診斷及分級。

1 材料與方法

1.1 基于紅外成像原理的瞼板腺圖像

本項目使用的紅外成像設備是Oculus Keratograph 5M，是德國Oculus公司的眼表綜合分析儀設備，其瞼板腺拍攝功能是通過紅外透射瞼板腺拍攝，具有增強對比模式，重點突出腺體，更易于辨認。其設備采用的是數碼CCD照相機，其分辨率為1 360×1 024像素，經過增強對比模式后，高清瞼板腺圖像分辨率為1 088×512像素。工作距離100 mm，使用中心波長為830 nm的紅外光源。使用低反射柵格測試板(Edmund #62-949，2×2英寸，0.0625 mm點直徑，0.125 mm點間距)測量出，1個像素表示實際尺寸為0.025 mm ×0.025 mm。

1.2 瞼板腺圖像分析系統

瞼板腺圖像量化分析分析系統是基于LabVIEW 2016(National Instruments Corporation，US)和NI視覺模塊開發，操作系統為Windows 7及更高版本。系統分為圖像識別，圖像預處理和生物參數分析3大模塊。圖1所示為一例完整的瞼板腺圖像量化分析系統界面圖。

1.2.1 瞼板腺圖像識別

由于Oculus Keratograph 5M(以下簡稱為K5)所導出圖像的方式是通過截取屏幕，每個設備使用的分辨率，軟件版本并非統一，因此增強對比模式的瞼板腺圖像在導出的圖像上位置不是固定的。針對K5所導出的圖像(圖2)，系統需要自動識別增強對比模式的瞼板腺圖像。根據導出圖像的灰度差和圖片位置，可以發現所需要識別的增強對比模式的瞼板腺圖像相對邊框較暗(灰度值較低)且位置在圖像中心點的左上方。因此第1步需要對圖像進行分塊處理；第2步根據位置的選擇需要識別的區域，通過Graham算法[9]截取有效圖像(圖2D)。

1.2.2 瞼板腺圖像預處理

使用K 5 的增強對比模式來攝取圖像，自動把采集的瞼板腺圖像增強了瞼板腺和眼瞼的對比度，通過識別得到分辨率為1 088×512像素的高清瞼板腺圖像。但K5設備雖把瞼板腺和眼瞼的對比度增強，更容易觀測，但仍然無法實現自動分割，有效提取瞼板腺腺體。因此，需要對瞼板腺圖像進行圖像預處理，自動提取出腺體輪廓。圖像預處理核心算法部分是基于圖像算法Convolution和Morphology算法改寫，結合形態濾波及Convex Hull算法，其實現步驟如下。

步驟一：由于瞼板腺和眼瞼的平均灰度為190和140，而眼睫毛和高亮發光點平均灰度為20和250，因此利用灰度差，通過控制二值化的閾值和邊緣檢測，快速識別瞼板腺的眼睫毛，高亮反光點和瞼板腺的輪廓，再使用形態學濾波，可以去除這兩部分的圖像信息。

其中形態濾波方式如下：A為原圖矩陣，B為結構矩陣，R為處理后矩陣。

步驟二：去除眼瞼毛和高反光點后，容易精準識別出瞼板腺的輪廓，通過對Convolution和Morphology改寫算法，結合形態學濾波和Convex Hull算法[10]，去除無效邊緣信息，得到僅剩瞼板腺的圖像。

改寫算法核心如下，f為原圖矩陣，b為結構矩陣，h為核矩陣，G為處理后矩陣：

圖1 瞼板腺圖像量化分析系統界面圖Figure 1 The interface of Meibomian gland image quantitative analysis system

圖2 圖像分塊與識別圖像處理圖Figure 2 The figure of the image segmentation and recognition image processing

其中公式[2]、公式[3]中，Df和Db分別表示圖像輸入矩陣f(x,y)和結構矩陣b(x,y)的定義域。公式[4]中，Dh表示核矩陣h(x,y)的定義域。

步驟三：得到瞼板腺圖像后，進行圖像處理重建，增強腺體的對比度，分割腺體與眼瞼，自動提取腺體形態。其中f為原圖矩陣，k為結構矩陣，M為處理后矩陣；

步驟效果圖如圖3所示。

通過上述的方法可以在圖像預處理的步驟中實現瞼板腺區域與腺體的自動提取。但考慮到實驗中仍有部分圖片無法自動提取，軟件同時也開放了手動勾畫的模式，操作者可以使用手動勾畫的方式把瞼板腺的區域勾畫出來，系統再根據所勾畫的區域提取出瞼板腺區域和腺體。

1.2.3 瞼板腺的生物參數

瞼板腺形態與其功能相關，炎癥、堵塞、激素水平變化、環境因素等多種原因均可以影響瞼板腺的數量和形態，進而改變瞼板腺油脂分泌功能，導致淚膜穩定性下降，發生MGD。因此瞼板腺腺體扭曲、膨大、萎縮乃至缺失是MGD診斷的重要特異性體征。

根據腺體的形態，可以計算腺體的長度、直徑、面積、形變系數(deformation coefficient，DC)、顯影值和中央腺體的腺體百分比6個生物參數。通過檢測腺體的邊緣，從上到下，每4個像素1個步進計算掃描腺體，計算腺體兩邊界點A，B的坐標。通過對點A，B的計算，計算出生物參數。計算公式如下：

圖3 瞼板腺圖片預處理過程圖Figure 3 The figure of the meibomian gland image preprocessing process

其中，x，y分別表示像素矩陣的橫縱坐標，i為二值化像素值。

瞼板腺異常輕中度患者，腺體普遍存在扭曲和變形，形變系數是腺體的形體參數。根據臨床上腺體的病理性改變，基于弧弦比模型，建立形變系數生物參數。腺體的變異程度量化分析可進一步指導患者病情分級，同時可為進行個體精準化治療提供評價標準。

其中P為腺體單邊周長：

通過對形變系數的比較(圖4)，越趨于正常的腺體，形變系數越小，腺體的扭曲和堵塞都會影響形變系數。

從解剖結構上看，瞼板腺由腺體導管和腺泡組成，大大小小的腺泡依附在腺體導管的周圍，腺泡不停地分泌一種油脂和蛋白的混合物，通過腺體導管不斷往外排出，最終到達眼瞼的開口處[11]。混合物隨著每一次的眨眼動作，在淚液表面自由擴散，涂抹在淚膜的表面，形成脂質層。作為淚膜表面的活性劑，構成一個淚膜屏障，使淚膜的蒸發減慢。當脂質層的穩定性下降，淚膜蒸發加快，維持時間短，可導致蒸發過強型干眼癥。因此，通過顯影值來表示瞼板腺中腺泡的含量。

在同一的照明條件下，不同組織吸收光線的數值叫做光密度(optical density，OD)。利用攝像機采集光信號通過光電轉換原理，在圖像中以灰度值來表示，測量目標吸收的光線越多，光密度數值越大[12]。當光線照射一個密度均勻的物質時，被吸收光能量的多少與該物質的含量成正比，而與照射光的強度無關[13]。因此，光密度可以用來衡量瞼板腺中脂質的含量。以光密度為模型，定義瞼板腺的顯影值，表示腺體的脂質含量。

顯影值公示如下：

圖4 腺體的生物參數模型與分析對照圖Figure 4 Comparison diagram of the biological parameter model and analysis of the gland

圖5 腺體的顯影值分析對照圖Figure 5 Contrast figure for development of the glands

在臨床工作中，評估患者的腺體情況以中央5～8條腺體為主，且瞼板腺檢查中以中央分腺體最為清晰，中央腺體百分比及長度評估結果可代表患者主要腺體的功能情況，直徑可部分反映腺體的阻塞程度。

1.3 統計學處理

采用SPSS 13.0統計軟件包進行數據統計分析。計量資料以均數±標準差()表示。重復性評估為同一圖像來源不同操作者的2次測量值，采用重復觀察平均差異()、變異系數(coefficient of variation，CV%)及組內相關系數(intraclass corr elation coefficient，ICC)表示，CV%＜10%時重復性較好，統計學上認為ICC＞0.75時具有良好的復測可信度。兩次分析結果差異用配對樣本t檢驗。P＜0.05為差異有統計學意義。

2 結果

2.1 臨床實驗設計

由中山眼科中心招募正常受試者24 人(42 眼)，年齡(34±8)歲，其中，男性受試者10人，女性受試者14人。采用Oculus Keratograph 5M進行瞼板腺紅外攝影。其中選取受試者中的10人(20眼)在同型號的設備上由兩名已接受培訓的操作員分別行瞼板腺紅外攝影，所拍攝的圖像數據通過瞼板腺分析系統(Meibomian Gland Bioimage Analyzer V3)進行生物參數分析。本實驗設計手動選擇上瞼結膜中央5條腺體進行形態學參數的定量分析，對有2名操作員所拍攝的數據進行重復性測試，分析其數據在眼表疾病中的診斷價值。

2.2 實驗結果

通過對24位受試者(42眼)的瞼板腺圖像進行分析，瞼板腺生物參數測量均值：腺體平均直徑為(0.48±0.09) mm，腺體平均長度為(5.25±0.68) mm，腺體平均面積為(2.12±0.53) mm，腺體形變系數分別為10.01±3.85，顯影值為6.32±1.23，中央5條腺體占中央區域面積百分比為(10.94±2.20)%，腺體占上瞼結膜面積百分比為(58.07±8.13)%。

選取受試者中的10 人(20眼)在同型號的設備上由第2 名操作員進行第2 次瞼板腺紅外攝影進行重復性的校驗評估，通過配對樣本t檢驗的方法得出結果。所有指標的P值均大于0.05，CV均小于5%，ICC均大于0.95。兩次分析的各生物參數差異均無統計學意義，重復性較好，可信度高。

3 討論

本文介紹了一種高效的、客觀的量化分析軟件及瞼板腺綜合分析系統，可用于快速識別瞼板腺的區域并自動提取瞼板腺的紅外成像中的腺體，自動計算中央每條腺體的長度、直徑、面積、形變系數和顯影值，并提供中央區域腺體的百分比。還可以手動勾選特定腺體區域進行定位隨訪追蹤，為臨床提供了多個生物參數，更客觀、更高效、更精準地展現瞼板腺形態學的變化以及瞼板腺缺失的情況。本研究表明：隨著腺體的迂曲和堵塞的變化，變異系數有明顯差異，腺體越趨于正常，變異系數越小。在同一光源照射下，顯影值高為脂質含量高，分泌脂質功能好；而顯影值低為脂質含量低，分泌脂質功能差。顯影值不受瞼板腺圖像的整體光亮度影響，但會受到局部反光的影響。

在實驗過程中，由于部分測試者對翻眼瞼的不適用，瞼板腺圖像位置不對，反光不均勻和眼瞼暴露不完整，這會導致瞼板腺圖像導入系統后會提取不精準，小部分的干擾信息無法去除。另外當測試者瞼板腺嚴重缺失的，由于缺失的大區域在光源照射下，偶爾會有不同程度的高反光，這會導致瞼板腺圖像導入后，系統會判斷為腺體，屬于無法去除的干擾項。以上兩點還需要通過對圖像算法的優化和提高，進一步提高系統對干擾項的處理能力，增加系統的精確度。

目前中國有近3億干眼患者，臨床檢查需求量巨大，將瞼板腺綜合分析系統植入到干眼篩查檢查項目中，有望為臨床上對瞼板腺腺體功能評估提供新的非侵入性參考指標，進一步幫助醫生進行標準化的診斷及療效評估。