改进型PCNN算法在眼底黄斑水肿区分割中的应用

【作 者】谢志南，顾敏，吴一晓，郑东

中山大学附属第五医院，珠海市，519000

0 引言

眼底相干光断层扫描OCT(Optical Coherence Tomography)作为高分辨率、无损伤和非侵入式对视网膜进行横截面扫描的眼底部影像学检查技术，既可以清晰显示视网膜二维或三维结构，又能在极其精细的空间尺度对眼睛组织厚度与距离进行测量和分析。 其主要是利用光弱相干干涉特性原理，对生物组织不同深度入射弱相干光反射信号扫描成像[1-2]。自从1996年首台OCT应用于临床以来，OCT技术发展迅速，特别是利用傅里叶变换的频域OCT(Spectral Domain OCT，SD-OCT)，其最小轴向分辨率可达3 μm，与传统时域OCT技术相比，具有成像速度高和灵敏度高的优点[3]，不仅能探测术后感光细胞内、外层段解剖位置的细微变化，而且能够提供眼底黄斑区病变前后的演变对照[4]。视网膜黄斑区是视觉系统视功能最灵敏的部位，其中黄斑水肿较常见并且对视力损害较大，黄斑中央视网膜厚度已成为多种疾病随诊的关键指标[5]。因此，通过计算机辅助眼底黄斑水肿图像特征，对提高OCT图像的理解有临床意义。

常见的OCT图像有伪彩和灰度两种，用红白与蓝黑分别代表最强与最弱反光。黄斑区OCT图如图1所示，其中凹区下方，感光细胞内、外层之间是水肿常见部位。由于OCT 是对人体眼球活体实时成像，存在组织的散射性、光电检测的非线性和光源不稳等因素，导致图像采集时存在噪声[5]，可以通过高斯平滑、FFT滤波与锐化处理等手段降噪，文献[4]采用了一种改进的水平集算法，对眼底黄斑部OCT图像分割出黄斑水肿，取得了快速分割效果，并估算了眼底黄斑水肿的体积。

图 1 正常黄斑凹区OCT图像Fig.1 Normal macular concave area

图像分割是目标识别、图像分析和机器视觉研究中的关键环节，分割效果的好坏直接影响对图像的识别和理解。在医学图像计算机识别研究中，脉冲耦合神经网络( PCNN，Pulse Coupled Neural Network)与哺乳动物的视觉特性十分接近，并且PCNN算法可以在复杂的数字图像中提取有用的信息（例如边缘及特征提取、目标识别等机器视觉方面），所以特别适用于图像分割。马义德等[6]利用PCNN算法结合色彩空间分解技术，提出了一种对植物染色切片有效的自动分割方法。

本文在对OCT黄斑区切片正确分析的基础上，利用简化的PCNN算法实现OCT图像的黄斑水肿的快速分割，并根据图像信息熵值和误分率评价分割效果，为后续分析作有价值的尝试。

1 算法原理

脉冲耦合神经网络由Gray和Eckhorn等[7]最先提出，最初是根据猫的大脑皮层的视觉区神经元同步脉冲发放现象形成PCNN连接模型。与其他人工神经网络分割算法相比，PCNN算法在正常工作时能做到一个神经元激发会引起相邻类似的神经元激发，产生同步脉冲，所以能缩小医学图像灰度值相近的像素差，补充由于细小灰度差引起图像中边缘的不连续性[6]。这特别适用于层次多、细节丰富的OCT切片图像的分割。

PCNN算法的基本模型结构较复杂，待定参数多，需要通过试验设置各个参数。在保证不丢失微小细节的前提条件下，对其参数进行简化处理后，可以减少运算量，提高算法效率[8]。

1.1 改进的PCNN模型及其原理

最初PCNN模型由若干个神经元互连成反馈型网络,组成PCNN的单个神经元是连接调制、接收单元以及脉冲发生器等三大部分[9-10]。

在神经网络运算时，由反馈输入Fij层开始逐层计算后一层的输出，最后得到输出层Yij的输出，文献[11]中引入改进的PCNN，即IPCNN，它将PCNN 各神经元的只接收外部刺激输入Sij（归一化的像素灰度值）和接收来自其它神经元的连接输入Lij进行简化,省略了参数VL，并通过参数W调整来弥补，将模型的阈值函数由指数衰减改为线性衰减。改进和简化后的PCNN 模型（图2）及其离散数学表达式如下：

图2 简化PCNN神经元模型Fig.2 Neural cell modol of improved PCNN

1) 输入部分 神经元接收部分为反馈输入Fij，其接收距离为r以内的神经元链接输入。当r=1.5时，神经元个数为8，Sij单取归一化的像素灰度值输入，得式：

其中，Sij是像素Pi,j的灰度值。Ykl表示与Nij连接的神经元Nkl的输出，n为迭代次数[8]。

2) 连接部分 因为神经元的结构相等，因此每个神经元的参数是一样的，有内部输入为：

脉冲发生器的门限为：

3) 输出部分 公式（3）与公式（4）比较后，产生脉冲为：

二维M*N数字图像可以表示为M*N个PCNN神经元，像素灰度值Sij为神经元输入。PCNN沿着黄斑区感光细胞内、外层之间的亮度值由大到小的区域依次分割水肿图像，模板灰度值比分割的阈值高一些, 分8至12个层次处理，达到不影响分割的精度效果。PCNN模型输出Y只有两种可能，脉冲触发输出为“1”，表示目标；否则为“0”，表示背景[10]。PCNN分割图像时，每一次迭代对应一个脉冲序列,即一个二值图像。如果循环迭代10次，可以产生10个二值图像。

1.2 改进的PCNN检测原理

黄斑水肿区边缘蕴藏丰富的高频信息，在分割的同时要保留边缘细微特征。由于组织间有渗出物等影响，保留足够多的细节才能准确检测黄斑区的面积。检测系统简图如图3所示。

图3 黄斑水肿检测系统Fig.3 Macular edema detection system

输出图像信息熵值计算公式如下：其中N为图像灰度级，Pi为图像中灰度级为i的概率[6]。

2 黄斑水肿检测的算法描述

人工神经网络所具有的分类属性是实现图像边缘检测和ROI区域分割的基础。PCNN与传统的神经网络模型相比，需要设定门限参数和时间衰减常数，不需要训练过程即可图像分割。如要达到较好的分割效果，要用多次实验选择这些参数。其算法描述如下。

第一步，图像预处理，利用傅里叶变换进行频域滤波消除噪声，增强细节[12]。

第二步，对傅里叶变换增强后的图像，进行自适应阈值黄斑水肿检测。对于灰度OCT图像是直接调用；对于伪彩OCT图像，检测前进行HSB色彩空间变换，取亮度分量B进行调用。

1）设定PCNN的初始值（见表1），链接强度β在0与1之间取值，简化时取 β=0.6。

3）计算模板的提取区灰度值，如灰度大于阈值TH，则判别为水肿区，阈值经分割实验结果比较，可以取86。

4）进行迭代计算，分别取n=2、4、5、6、7、8、9、10、11，输出黄斑区的水肿部位二值图。

第三步，根据公式（6）计算输出的二值图熵值。因为图像中包含的信息越多，熵值越高[6]，依据熵值最大时选取n值，见表2。在分割的图像中，通过比较分割图像信息熵值[7]，取熵值较大的二值图水肿区面积与专家勾画组比较，其中交互式勾画的差值（误分率）最小，则是最佳迭代次数。

第四步，黄斑区的水肿部位面积计算。为了方便验证算法，本文的黄斑水肿区取三角形状。

表 1 分割黄斑水肿的PCNN基本参数Tab. 1 Basic parameters of PCNN segmentation of macular edema

表 2 23号OCT图像处理PCNN迭代次数与图像熵值Tab.2 Cyclic iteration times N of PCNN and image 's entropy of 23# OCT image processing slice

3 图像仿真实验结果与讨论

实验环境为笔记本电脑(Intel CPU T6400，2G内存，window xp 操作系统，MATLAB2010a)，实验图像取自中山大学附属第五医院眼科OCT图像库，选取黄斑水肿图像90幅进行处理分析。图4所示为编号为23的OCT图像处理过程：(a) 原始图像；(b)FFT滤波图像；(c)canny算法；(d)OTSU算法；(e)PCNN算法(n=6)；(f)本文算法(n=8) 。

图 4 黄斑水肿的分割结果Fig.4 Segmentation of macula edema

根据式(6)计算的图像序号为19、23的亮度分量B二值图像信息熵如表1所示。

文献[6]提出了信息熵的自动图像分割方法，因为图像信息熵反映了图像包含信息量的大小。对大多数图像来说，无论采用何种分割算法，一般分割后信息熵值越大，说明分割后从原图得到信息量越多，分割图像图像细节越丰富，因而总体分割效果也越好。根据表2、表3中的信息熵可以确定最佳迭代次数n为8。

表3 黄斑水肿区B分量图像信息熵Tab. 3 The macular edema District B component of the image information entropy

采用最佳迭代次数的黄斑水肿二值图像进行面积测量，本文选取的OCT黄斑水肿区接近三角形，设底边长为a，高为h，由下式求面积：

其中a、h分别通过计算三顶点坐标求得。

OTSU方法是利用图像中的灰度直方图，以目标与背景之间的方差最大而自适应地确定图像的分割门限值。由实验结果可知，迭代次数越多，黄斑水肿被分割越完整。但容易造成分割面积偏大，即包含了有部分多余的区域，造成误分割。

本文根据下式求误分割率：

其中，x为分割出黄斑水肿的面积，x0为三位眼科工作20年以上专家交互式勾画面积均值。在图像仿真实验分割中，选取序号为19、23的分割结果，利用公式（8）计算得到表4。

表4 黄斑水肿区提取误分割率Tab.4 Macular edema Extract Mistakenly Section

本文算法结果与专家勾画轮廓结果比较，其平均值为3060个像素，标准差为42个像素；从表4中可见，综合比较OTSU阈值自适应算法和canny算法对增强后的图像进行检测，吸取其中算法优点，能够提高分割的准确性。由于OCT主要是靠光波强弱的方式进行组织显像，其精细程度只能接近真实，所以存在一定的局限性[13]。

光学相干层析图像中黄斑水肿定量测量，主要取决于图像中对病灶结构的轮廓提取，但是OCT视网膜图像中噪声的存在为层状结构的提取带来很大的困难，这一难题也困扰OCT技术应用于眼科定量分析[14]。图像分割利用的图像信息越多，计算量越大，得到理想的分割结果可能性大。利用计算机辅助实现图像多种功能的集成与简便操作，能够为医生的诊断提供更多直观的数据分析的统计结果[15]。

4 结论

综合考虑OCT图像的丰富的边界信息，改进PCNN模型进行迭代计算，直接调用实验阈值和简化PCNN参数，可以保证黄斑水肿区边缘大部分细节不丢失，因此减少程序的运算工作量，从而加快了图像的分割速度。仿真实验表明，这种方法可以提高OCT图像黄斑水肿定量诊断的准确性，能够为后续OCT图像分析研究提供重要依据。

[1] Feldchtein F, Gelikonov V M, Gelikonov GV. In vivo optical coherence tomograpgy of teeth and oral mucosa[J]. SPIE, 1998,3567: 97-100.

[2] M. K. Garvin, M. D. Abràmoff, X.Wu, et al. Automated 3-D intraretinal layer segmentation of macular spectral-domain optical coherence tomography images[J]. IEEE Transctions on Medical Imaging, 2009, 28 (9): 1436–1447.

[3] 温博, 周传清, 任秋实. 高分辨率眼科频域光学相干层析成像仪的研究与设计[J]. 中国医疗器械杂志, 2010, 34(5): 339-341.

[4] 杨平, 彭清, 刘维平. 一种眼底黄斑水肿OCT图像分割方法[J]. 生物医学工程学杂志, 2011, 28(5): 1001－1005.

[5] Leitgeb R, Hitzenberger. CK. Fercher AF. Performance of fourier domain vs. time domain optical coherence tomography[J]. Optics Express, 2003, 11(8): 889-892.

[6] 马义德, 李廉, 绽琨, 等. 脉冲耦合神经网络与数字图像处理[M].北京: 科学出版社, 2008

[7] Charles M Gray, Peter Konig,Andreas K Engel,et al.Oscillatory responses in cat visual cortex exhibit inter-columnar synchronization which re fl ects gobal stimulus properties[J]. Nature,1989, 3(23): 334-336.

[8] Johnson JL, Padgett ML. PCNN models and applications[J]. IEEE Transaction on Neural Networks, 1999, 10(3): 480- 498.

[9] Eckhorn R, Reitbeock HJ, Arndt M, et al. Feature linking via synchronization among distributed assemblie: Simulation of results from cat cortx[J]. Neural Computation, 1990, (2): 293～305.

[10] Kuntimad G, Ranganath HS. Perfect image segmentation using pulse coupled neural networks[J]. IEEE Transactions on Neural Networks, 1999, 10(3): 591～596.

[11] 祝双武, 郝重阳. 一种基于改进型PCNN的织物疵点图像自适应分割方法[J]. 电子学报. 2012. 40(3): 611-612.

[12] Schaerer J, Casta C, Pousin J, et al. A dynamic elastic model for segmentation and tracking of the heart in mr image sequences[J].Medical Image Analysis, 201014(6): 738–748.

[13] Giani A, Cigada M, Choudhry N, et al. Reproducibility of Retinal ThicknessMeasurements on Normal and Pathologic Eyes by Different Optical Coherence Tomography Instruments[J]. American Journal of Ophthalmology, 2010, 150( 6): 815-824.

[14] Bagci AM, Shahidi M, Ansari R, et al. Thickness Pro fi le of Retinal Layers by Optical Coherence Tomography Image Segmentation [J],American Journal of Ophthalmology, 2008.146(5): 679–687.

[15] Popescu, G. 纳米生物光子学[M]. 叶安培译, 北京: 科学出版社,2011