基于机器学习的视网膜图像识别模型设计

张贵英 张俊飞

摘要：早产儿视网膜病变是小儿致盲的主要原因之一，发病率在我国呈持续上升的趋势。人工诊断存在费时费力，依靠医生经验等不足。针对此，提出了基于机器学习的视网膜图像识别模型，首先基于原始图像，借助图像处理、传统机器学习方法和对抗生成网络技术得到生成图像，然后基于这些图像和原始图像，提取其特征，最后对级联后的特征进行分类。该模型有望为早产儿视网膜病变的自动筛查系统提供技术支持。

关键词：视网膜图像;自动识别;模型设计

中图分类号：TP181 文献标识码：A

文章编号：1009-3044（2020）28-0176-02

开放科学（资源服务）标a码（OSID）：

1 引言

早产儿视网膜病变（ Retinopathy of Prematurity，ROP）曾称为Terry综合征或晶状体后纤维增生症，最早由Terry在1942年发现[1]。孕期34周以下，出生体重小于1500、出生后吸氧史，发病率约为60%，孕期更短或更低出生体重者，发生率可达66%- 82%。由于ROP可致盲，早在1984年到1987年，由国际组织ROP专家建立了详细的病变分类标准，以促进临床治疗。指出了ROP发生的部位分为3个区域，并将病变的严重程度分为5期，图1为正常和ROP3期图像示例。另外，需要注意的是Plus疾病：即后极部视网膜血管迁曲怒张，表明ROP处于迅速进展期。ROP最早出现在矫正胎龄32周，阈值病变大约出现在矫正胎龄37周，早期筛查和治疗可以阻止病变的发展。

目前，眼科医生通过数字视网膜照相机（如RetCam3）获取早产儿视网膜眼底图像，然后人工诊断有无病变及分级，这种方式面临几个问题。首先，ROP需要通过开展大规模的眼底普查，对潜在眼底病患者进行定期的眼底视网膜检查。然而，由于眼底病潜在患者数量较大，眼科专家人工检查工作开展较为困难，尤其在中国和印度这样人口众多的国家。其次，ROP的分类标准是定性而不是定量的，对于同一个患者，不同的眼科专家可能给出不同的诊断结果。再者，通过人工观察眼底视网膜图像，专家会存在视觉疲劳等情况，此时可能会误诊疾病。ROP-旦发生，进展很快，可有效治疗的时间窗口很窄，早期诊断和及时治疗可以有效地减少不良后果和视力丧失。因此，为了提高眼底病诊断效率和精度，应推进大规模眼底病变自动识别技术，以实现眼底病的早期防治。

2 ROP图像自动识别研究现状

ROP图像自动识别可分为两类。第一类，基于传统方法的ROP自动诊断。自动或者半自动ROP诊断主要针对Plus疾病，该疾病的诊断依据为血管是否正常，因此很多研究都集中在血管的分割、血管直径的测量和血管迂曲的測量等方面[2]。基于这三步，计算机辅助诊疗系统“ROPTooI”[3]恫世，该设备可辅助医生诊断Plus疾病。另外，“i-ROP，I[4]诊断系统也用来诊断Plus疾病。这些诊断系统的准确性高度依赖于血管的分割，如果血管分割有误，则会严重影响后续的识别工作。由于受图像本身、光照和对比度等影响，血管的分割是一个困难的任务。第二类，基于深度学习的ROP自动诊断。2016年Worrall等[5]首次提出使用深度神经网络诊断Plus疾病，对于其他疾病，该研究仅仅诊断是否有病症存在，而未做具体的病变分类。在预处理时，该研究仅仅使用了旋转和切割等传统数据增大方法。随后，Brown[6]等先对血管进行分割，然后再使用深度神经网络对Plus疾病进行自动诊断。Hu[7]等提出了基于深度神经网络的ROP自动分析方法，该方法未使用样本增大相关算法。除了对Plus疾病诊断外，Mulav[8]等建立了一个基于深度学习技术的ROP图像中分界线的检测系统，该系统使用了175张眼底图像作为训练集，45张图像作为测试集。在这些研究中，其主要任务主要集中在Plus疾病的识别上，训练集数量一般较少，要么未使用数据增大算法，要不仅使用了旋转等基本数据放大算法。

3 ROP图像自动模型设计

ROP图像自动识别模型为有监督学习结构，需要有标注好的数据对网络进行训练和测试。首先明确ROP发生部位的分区：I区是以视盘为中心，视盘中心距黄斑中心凹距离2倍为半径的圆形区域。Ⅱ区以I区以外，以视盘为心，视盘至鼻侧锯齿缘的距离为半径的环形区域。Ⅲ区：除I区和Ⅱ区外剩余的月牙形区域。其次，明确ROP病变分期，ROP病变根据不同的程度可以分为5期。1期表现为周边无血管区与后极部视网膜血管末梢之间出现分界线;2期表现为嵴期分界线增宽、增高，呈嵴状隆起;3期表现为新生血管形成并长人嵴上;4期表现为视网膜部分脱离;5期表现为视网膜全脱离。根据这些信息，需要眼科专家将早产儿视网膜图像标注为正常、1期、2期、3期、4期和5期等类别。如果出现争议，则需要讨论。若讨论后仍未达成一致，则丢弃此图像。

对于标注好的图像，使用基于图像处理方法、传统机器学习算法和对抗生成网络模型生成对应的生成图像。设计卷积神经网络，分别提取基于原始样本和生成样本的特征，将这些特征级联后，送到分类器中识别分类，然后送到分类器中自动识别分类，模型如图2所示。每设计一个生成模型，就予以实验验证，并借助实验结果对其进行充分的验证，从而保证整个课题研究最终的成功。将原始图像和生成图像按照多种占比结合，比如0比1或者1比0等。将标注好的数据随机按照不同比例分成三部分：第一部分占总量的80%，用于网络的训练;第二部分占10%，用于网络的验证;第三部分占10%，用于网络的测试，该比例可在一定范围内进行调整。不断调整网络参数，如隐藏层的层数、学习率、batch大小等，其中学习率将使用指数衰减学习率，即先使用较大的学习率来快速得到一个比较优的解，然后逐步减少学习率，使得模型在训练后期更加稳定。利用验证数据，对训练的网络进行验证，并根据验证结果对网络中的参数做进一步优化。利用测试数据，对网络进行测试，测试网络进行识别的准确性，尤其是使用交叉验证法以充分评估构建网络的性能。

4 结束语

早产儿视网膜病变疾病是儿童致盲的重要原因之一，占儿童盲的6%到18%左右。一般新生儿胎龄越小，出生体重越低，其发生率越高。建立早产儿视网膜病变自动识别模型，对眼底病进行大规模筛查，以实现早产儿眼底病的早期防治。

参考文献：

[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.

[通聯编辑：唐一东]

作者简介：张贵英，女，甘肃文县人，博士，副教授，研究方向为图像处理，计算机辅助诊疗。