基于人工智能自动分析技术的视网膜血管形态参数测量及特征分析

史绪晗 董力 邵蕾 凌赛广 董洲 牛莹 张瑞恒 周文达 魏文斌

1首都医科大学附属北京同仁医院 北京同仁眼科中心 眼内肿瘤诊治研究北京市重点实验室 北京市眼科学与视觉科学重点实验室 医学人工智能研究与验证工信部重点实验室,北京 100730;2依未科技(北京)有限公司,北京 100085

视网膜血管作为体内唯一可以非侵入方式观察的人体血管,对于全身血管系统的研究具有重要意义[1]。近年来越来越多的研究表明,视网膜血管形态学参数,如视网膜血管管径、弯曲度、分支夹角、分形维数等的改变不仅受眼部因素影响,也与高血压、糖尿病、心血管疾病、脑卒中等全身疾病密切相关[2-4],并可以作为高血压、糖尿病等疾病远期预后的预测指标[1,5-6]。现有的视网膜血管形态学参数的检测方法主要为使用视网膜图像血管评估和测量平台软件进行半自动定量分析,如英国爱丁堡大学的VAMPIRE测量软件[5]和新加坡国立眼科研究所的SIVA分析软件[2,7]。半自动分析需要对眼底照片进行手动标注和校准,学习周期长,分析速度慢,难以进行大样本数据的测量分析。本研究提出了一种基于人工智能的全自动视网膜血管形态学参数分析方法,利用彩色眼底照相对视网膜血管分支夹角、分形维数、平均管径、血管平均弯曲度等指标进行全自动定量检测,描述各参数在我国北方人群中的分布特点,并分析相关影响因素。

1 资料与方法

1.1 一般资料

采用横断面研究方法,纳入2011年1月至2021年12月首诊于北京同仁医院眼科的无眼底病的患者1 842例,其中男772例(占41.9%),女1 070例(占58.1%);年龄50～91岁,平均(64.0±9.5)岁;收集患者任意一眼以视盘为中心的彩色眼底照片。纳入标准:年龄>50岁;眼底照片清晰可评价者。排除标准:不能配合问卷调查和眼科检查者;眼底照片显示有明显眼底疾病者。本研究遵循《赫尔辛基宣言》,研究方案经首都医科大学附属北京同仁医院伦理委员会审查批准(批文号:北京市眼病研究伦理鉴定书20001220),所有参与者均签署知情同意书。

1.2 方法

1.2.1检查项目和步骤 对纳入的受试者进行标准化问卷调查、抽血和眼科检查。问卷内容包括年龄、性别、家庭状况、受教育程度、收入、生活质量、吸烟史、饮酒史、已知的主要系统性疾病,如高血压、糖尿病、心血管疾病、脑卒中,以及眼部疾病及手术史。采集空腹血样检测血脂、血糖。测量血压,记录身高、体质量、腰围和臀围。眼科检查包括裸眼视力、最佳矫正视力(best corrected visual acuity,BCVA);采用电脑验光(AR2600,日本Nidek公司)对矫正视力低于1.0的受试者进行插片验光;采用非接触眼压计(CTI260型,日本Topcon公司)测量眼压;扩瞳后采用裂隙灯显微镜检查眼前节;采用彩色眼底照相(CR6-45NM,日本Canon公司)分别拍摄以黄斑、视盘为中心45°眼底照片;采用光学生物测量仪(Lens Star900,瑞士Haag-Streit公司)测量眼球生物学参数。

1.2.2基于人工智能的视网膜血管参数自动分析 对受试者以视盘为中心的彩色眼底图像进行分析,测量指标包括视网膜血管分支夹角、血管分形维数、血管平均管径和血管平均弯曲度,并进一步分析距视盘边界0.5～1.0视盘直径(papillary diameter,PD)、1.0～1.5 PD、1.5～2.0 PD、2.0～2.5 PD环形区域的血管平均弯曲度。视网膜血管分形维数表示视网膜血管网络的分支复杂性,反映整个视网膜循环中的血液分布,数值越大表示分支越复杂[8];视网膜血管弯曲度反映视网膜血管的卷曲程度,数值越小提示视网膜血管越平直[9]。通过计算机图像处理方法对彩色眼底图像上的血管和视盘特征进行自动分割,并提取血管中心线,从而计算血管管径、弯曲度、分形维数、血管分支夹角等形态参数指标。

1.2.2.1图像预处理 对彩色眼底图像进行感兴趣区域(regions of interest,ROI)提取、去噪、归一化以及增强操作[10-11]。对图像进行通道分离后,利用阈值分割方法对红色(R)通道进行阈值分割,获得ROI预选区,之后基于预选区的位置、面积、圆度等特性进行筛选,再借助形态学运算确定边界,从而获得最终的ROI,即彩色眼底图像上有效的视网膜成像区域,减少背景等无效区域对后续特征识别和分割的干扰;通过低通滤波去噪,减少拍摄和相机成像过程中形成的噪声,并通过均值校准和重采样对图像颜色、亮度和尺寸进行归一化处理,从而降低图像间的差异性,最后利用限制对比度的自适应直方图均衡(contrast-limited adaptive histogram equalization,CLAHE)算法对图像进行增强,凸显视网膜特征。

1.2.2.2血管分割 采用基于深度学习的语义分割网络ResNet101-Unet构建血管分割模型,以提取视网膜各级分支血管的血管特征[12]。样本标注采用机器辅助半自动标注的方式,首先将彩色图像转换成灰度图像,采用最大类间方差法(Maximum Between-Class Variance,OTSU法)算法对灰度图像进行分割得到暗色区域,然后基于血管在眼底图像上表现出来的亮度和形态等特征对暗色区域进行筛选,从而得到血管预选区域。由2名眼底专业高年资主治医师对血管预选区域进行手动修改校正,其中一人初步校正,另外一人进行复核和修正,从而得到最终的血管样本图像(图1)。

图1 眼底图像的血管标注流程

将标注的755张图像分为训练集(655张)和验证集(100张),将训练集输入ResNet101-Unet网络进行模型训练,通过验证集计算网络模型的损失值(loss),并根据loss值对模型参数进行调整优化,直至训练集到验证集的loss值不再下降时停止训练,从而得到最终的血管分割模型。对此模型进行血管分割处理(图2)。

图2 眼底图像的血管分割模型示意图 A:原图 B:预处理后图像 C:模型血管分割图像

1.2.2.3视盘分割 基于深度学习目标检测方法对视盘进行检测,从而定位视盘位置。其中目标检测模型网络选用SSD(Single Shot Detection),网络结构中的主干网络选用Resnet50,以公开可获得的Kaggle竞赛数据集中的2 000例以视盘为中心的眼底照片训练样本进行模型的训练获得视盘检测模型,从而最终获得视盘目标检测框,并以目标检测框的中心点作为视盘中心点。基于视觉注意机制确定视盘边界[13]:以视盘定位获得的中心点为原点,对眼底图像进行极坐标变换,在极坐标图像上,使用边缘检测算子得到极坐标下的视盘边缘;对图像进行反变换,从而获得直角坐标系下的视盘边缘,实现对视盘的精细分割;针对分割获得视盘区域进行最小外接圆拟合,以外接圆的圆心定位最终视盘中心点,并以外接圆直径定义1 PD(图3)。

图3 眼底图像的视盘分割示意图 A:原图 B:视盘目标检测框图 C:视盘分割图 D:视盘外接圆和直径拟合

1.2.2.6血管管径测量 以分割获得的血管图像为基础,基于血管边界进行双向形态学腐蚀运算处理,从而获得血管中心线。在血管中心线上,间隔一定步长求中心线上点切线的正交直线,该直线与血管边界相交于两点,计算两点间的欧式距离d,即为该点对应的血管管径,眼底血管平均管径即是中心线上各点对应的血管管径的平均值。以视盘中心为参考原点,以0.5 PD为参考距离分区,计算不同区域内血管管径的平均值,即作为该区域的血管平均管径值,最后以1 PD为1.5 mm作为参考,对血管管径值进行单位换算(图4)。

图4 血管管径测量示意图 A:血管管径测量 黄线为中心线,蓝线为血管边界,红线为中心线的正交线 B:分区血管管径测量 以0.5 PD为参考距离进行分区

图5 血管弯曲度计算示意图

1.2.2.8血管分支夹角测量 以主血管与分支血管的平均夹角为血管分支夹角。在距离视盘边界2 PD范围内,以视盘为参考,上下半区各取一条管径最大的血管作为主血管。以血管中心线为基础,基于8邻域算法计算主血管中心线上每个像素点对应的邻域像素数量,将邻域像素数量为3的点作为分支点。以分支点为起点,在主血管中心线和对应的分支血管中心线上各自提取距离分支点线上距离为10个像素的点,分别进行直线拟合,之后计算2条直线的夹角作为该分支点处的夹角。求取距离视盘边界2 PD范围内主血管上所有的夹角,取其平均值作为血管分支夹角(图6)。

图6 血管分支夹角示意图 蓝色虚线为视盘边界2 PD范围,黑色虚线为距离分支点线上10个像素的点的拟合直线

1.3 统计学方法

2 结果

2.1 模型的验证

对模型的血管和视盘分割的评价结果显示,模型对视网膜血管分割的准确度为0.966,敏感度为0.888,特异性为0.974,交并比为0.711;视盘分割的准确度为0.998,敏感度为0.969,特异性为0.999,交并比为0.939。模型在血管分割和视盘分割方面均具有较高的准确度。

2.2 研究人群基本信息分析

受试者眼轴长度为(23.22±1.18)mm,屈光度为(-0.25±2.22)D,血管分支夹角为(51.023±11.623)°,血管分形维数为1.573(1.542,1.592),血管平均管径为64.124(60.814,69.053)μm,血管平均弯曲度为(0.001 062±0.000 165)°。

男性血管分支夹角大于女性,血管平均管径和血管平均弯曲度小于女性,差异均有统计学意义(均P<0.05)。不同性别间血管分形维数比较差异无统计学意义(Z=-6.82,P=0.495)(表1)。

2.3 视网膜血管参数与全身因素的单因素相关分析

Spearman秩相关分析结果显示,视网膜血管分支夹角与收缩压、脑卒中呈弱负相关(均P<0.05);血管分形维数与年龄、收缩压、高血压、高脂血症、糖尿病、心血管疾病、脑卒中呈负相关,与BMI和饮酒量呈弱正相关(均P<0.05);血管平均管径与年龄、收缩压、高血压、糖尿病、心血管疾病、脑卒中呈正相关,与舒张压和饮酒量呈负相关(均P<0.05);血管平均弯曲度与年龄呈负相关,与BMI、收缩压、舒张压和高血压呈正相关(均P<0.05)(表2)。

表1 不同性别间视网膜血管参数比较Table 1 Comparison of retinal vascular parameters between sexes性别眼数血管分支夹角(°)a血管分形维数b血管平均管径(μm)b血管平均弯曲度(°)a男77252.121±10.9621.571(1.542,1.591)63.575(60.755,68.497)0.001 051±0.000 155女1 07050.232±12.0201.574(1.542,1.592)64.633(60.871,69.476)0.001 070±0.000 171t/Z值3.452-6.82-2.620-2.455P值0.0010.4950.0090.014 注:(a:独立样本t检验;b:Mann-Whitney U检验) Note:(a:Independent samples t-test;b:Mann-Whitney U test)

表2 视网膜血管参数的单因素相关分析Table 2 Single factor correlation analysis of retinal vascular parameters相关因素血管分支夹角血管分形维数血管平均管径血管平均弯曲度rs值P值rs值P值rs值P值rs值P值全身因素 性别-0.0750.0010.0160.4960.0610.0090.0620.007 年龄-0.0400.084-0.571<0.0010.461<0.001-0.0640.006 BMI-0.0120.5990.0770.001-0.0370.1180.102<0.001 饮酒量-0.0310.1890.104<0.001-0.135<0.0010.0370.114 收缩压-0.0670.004-0.228<0.0010.100<0.0010.118<0.001 舒张压-0.0110.636-0.0080.721-0.089<0.0010.095<0.001 高血压-0.0370.131-0.178<0.0010.127<0.0010.0850.001 高脂血症-0.0010.962-0.0790.0040.0490.075-0.0290.291 糖尿病0.0340.179-0.0810.0010.141<0.001-0.0160.535 心血管疾病-0.0340.177-0.183<0.0010.181<0.001-0.0320.202 脑卒中-0.0510.034-0.147<0.0010.122<0.0010.0190.430眼部因素 BCVA0.086<0.0010.490<0.001-0.479<0.0010.0060.797 等效球镜度数0.0450.0570.099<0.001-0.0800.0010.108<0.001 眼轴长度0.0010.974-0.163<0.001-0.0850.001-0.183<0.001 中心凹下脉络膜厚度0.0590.0150.377<0.001-0.277<0.0010.136<0.001 注:(Spearman秩相关分析,n=1 842) BMI:体质量指数;BCVA:最佳矫正视力 Note:(Spearman rank correlation analysis,n=1 842) BMI:body mass index;BCVA:best corrected visual a-cuity

2.4 视网膜血管参数与全身因素的多元线性回归分析

多元线性回归分析显示,年龄每增加1岁,血管分支夹角减小0.094°(B=-0.094,P=0.007,95%CI:-0.162～-0.026),女性较男性血管分支夹角减小2.881°(B=-2.881,P<0.001,95%CI:-4.196～-1.565);年龄每增加1岁,血管分形维数减小0.003(B=-0.003,P<0.001,95%CI:-0.003 3～-0.002 7),女性较男性血管分形维数小0.006(B=-0.006,P=0.036,95%CI:-0.012～0.000);年龄每增加1岁,血管平均管径增大0.370 μm(B=0.370,P<0.001,95%CI:0.327～0.413),患有心血管疾病的人群较无心血管疾病的人群血管平均管径增大1.142 μm(B=1.142,P=0.029,95%CI:0.116～2.167),男性较女性血管平均管径减小1.539 μm(B=-1.539,P<0.001,95%CI:0.767～2.311)。患高血压人群较无高血压人群血管平均弯曲度增大3.053×10-5°(B=3.053×10-5,P=0.002,95%CI:1.167×10-5～4.934×10-5);平均每日饮酒量增加50 g,血管平均弯曲度增大1.036×10-5°(B=1.036×10-5,P=0.014,95%CI:0.211×10-5～1.860×10-5)。患高脂血症人群较无高脂血症人群血管平均弯曲度减小2.422×10-5°(B=-2.422×10-5,P=0.015,95%CI:-4.382×10-5～-0.462×10-5)(表3)。进一步分析距视盘0.5～1.0 PD、1.0～1.5 PD、1.5～2.0 PD、2.0～2.5 PD环形区域的血管平均弯曲度,显示各分区血管平均弯曲度与上述各因素均无明显相关性。

2.5 视网膜血管参数与眼部因素的多元线性回归分析

多元线性回归分析显示,BCVA每增加1.0,血管分支夹角增大3.992°(B=3.992,P=0.004,95%CI:1.283～6.702),血管分形维数增大0.090(B=0.090,P<0.001,95%CI:0.078～0.102),血管平均管径减小14.813 μm(B=-14.813,P<0.001,95%CI:-16.474～-13.153);眼压每增加1 mmHg(1 mmHg=0.133 kPa),血管分形维数减小0.001(B=-0.001,P<0.001,95%CI:-0.002～-0.001),血管平均管径增加0.135 μm(B=0.135,P=0.001,95%CI:0.052～0.218);眼轴长度每增加1 mm,血管分形维数减小0.004(B=-0.004,P<0.001,95%CI:-0.006～-0.002),血管平均管径减小0.266 μm(B=-0.266,P=0.037,95%CI:-0.516～-0.016),血管平均弯曲度减小-2.45×10-5°(B=-2.45×10-5,P<0.001,95%CI:-0.313×10-5～-0.177×10-5)(表4)。

表3 视网膜血管参数与全身相关因素的多元线性回归分析Table 3 Multiple linear regression analysis of retinal vascular parameters and systemic correlates视网膜血管参数及全身相关因素B值标准误标准化系数βt值P值95%CI血管分支夹角 年龄-0.0940.035-0.079-2.7200.007-0.162--0.026 性别-2.8810.670-0.124-4.297<0.001-4.196--1.565血管分形维数 年龄-0.003<0.001-0.497-19.573<0.001-0.003 3--0.002 7 性别-0.0060.003-0.053-2.0980.036-0.012-0.000血管平均管径 年龄0.3700.0220.46416.873<0.0010.327-0.413 性别-1.5390.3940.1003.910<0.0010.767-2.311 心血管疾病1.1420.5230.0602.1840.0290.116-2.167血管平均弯曲度 性别3.697×10-51.048×10-50.1123.529<0.0011.642×10-5-5.753×10-5 高血压3.053×10-50.961×10-50.0933.1760.0021.167×10-5-4.934×10-5 饮酒量1.036×10-50.420×10-50.0782.4660.0140.211×10-5-1.860×10-5 高脂血症-2.422×10-50.999×10-5-0.071-2.4240.015-4.382×10-5--0.462×10-5 注:性别因素中男性赋值为0,女性赋值为1;患病因素中,未患心血管疾病、高血压或高脂血症赋值为0,患心血管疾病、高血压或高脂血症赋值为1 CI:置信区间 Note:For sex,male=0,female=1;for diseases,without cardiovascular disease,hypertension or hyperlipidemia=0,with cardiovascular disease,hypertension or hyperlipidemia=1 CI:confidence interval

表4 视网膜血管参数与眼部相关因素的多元线性回归分析Table 4 Multiple linear regression analysis of retinal vascular parameters and ocular correlates视网膜血管参数及眼部相关因素B值标准误标准化系数βt值P值95%CI血管分支夹角 BCVA3.9921.3810.0722.8900.0041.283-6.702 性别-1.5880.564-0.070-2.160.005-2.694--0.482血管分形维数 BCVA0.0900.0060.34714.845<0.0010.078-0.102 年龄-0.0020.000 1-0.335-14.297<0.001-0.002 1--0.001 6 眼轴长度-0.0040.001-0.085-4.242<0.001-0.006--0.002 眼压-0.0010.000 3-0.078-3.884<0.001-0.002--0.001血管平均管径 BCVA-14.8130.087-0.413-17.495<0.001-16.474--13.153 年龄0.2170.0180.28512.043<0.0010.181-0.252 眼压0.1350.0420.0643.2030.0010.052-0.218 性别0.6400.3030.0442.1130.0350.046-1.235 眼轴长度-0.2660.128-0.043-2.0860.037-0.516--0.016血管平均弯曲度 眼轴长度-2.45×10-50.348×10-5-0.174-7.052<0.001-0.313×10-5--0.177×10-5 注:性别因素中男性赋值为0,女性赋值为1 CI:置信区间;BCVA:最佳矫正视力 Note:For sex,male=0,female=1 CI:confidence interval;BCVA:best corrected visual acuity

3 讨论

微血管系统可能在高血压、心脑血管疾病的发病机制中起关键作用[14]。视网膜血管系统几何形态的改变可以更普遍地反映微血管系统功能障碍的状态,并作为心脑血管疾病危险因素的非侵入性标志物[15],且可以预测疾病的进展[16]。多项研究结果均显示,视网膜血管形态参数与全身疾病,包括高血压、糖尿病、肾脏疾病、脑卒中、阿尔兹海默症等存在相关性[3,17-21]。

现有的视网膜血管形态参数分析软件虽能实现客观、定量测量,但需经过严格培训的测试员手动输入、手动调整,学习周期长,分析速度慢,大样本数据测量分析困难,并且具有一定的主观性,可能会引入额外的误差[2,22-23]。近些年来涌现出多种视网膜血管分割的深度学习模型,这些模型血管分割方法的敏感度为0.72～0.95,特异度为0.80～0.98,精度为0.91～0.98[24]。本研究中构建的血管分割模型可同时进行视盘分割与血管分割,具有较好的敏感度、特异性和精度。此外,在视网膜血管分割的基础上,本研究采用全自动化检测方法,对视网膜微血管系统进行形态学定量分析,深度融合深度学习和计算机视觉技术,从彩色眼底图像中提取全部血管信息,对视网膜血管分支夹角、分形维数、平均管径、平均弯曲度等指标提供精准测量。

本研究结果表明,随年龄增大,视网膜血管分支夹角逐渐减小,血管分形维数降低,提示高龄可导致血管分支网络复杂性下降,血管密度逐渐减小,血管结构简单;同时血管平均管径增大,可能与伴随高龄的管壁增厚有关。不同性别间比较发现,男性视网膜血管分支夹角大于女性,血管平均直径和弯曲度小于女性,这可能与不同性别之间激素分泌的差异有关。雌激素可介导一氧化氮合成增加,导致血管扩张,增加管壁顺应性,提供心血管保护作用,因此男性血管管径相较于女性更细,走行更平直。Cheung等[2]对新加坡人群和Tapp等[25]对英国人群的研究结果也发现男性血管管径和血管弯曲度小于女性。

本研究通过详细的问卷调查,获得患者年龄、性别、吸烟、饮酒史、系统性疾病及手术史等资料,从而对视网膜血管参数与吸烟饮酒、系统性疾病等的关系进行多因素分析。多因素分析结果表明,矫正性别、年龄、吸烟、饮酒等因素的影响后,患心血管疾病人群视网膜血管平均管径增加,高血压人群视网膜血管平均弯曲度增加。既往研究发现,高血压及心血管疾病患者视网膜血管弯曲度增大[2,18],小静脉扩张,小动脉狭窄,同时动脉管壁增厚[26-27]。由于本研究未分别测量视网膜动脉和静脉的平均管径,且测量的管径为血管外径而非管腔内径,因此心血管疾病人群的血管平均管径增加可能是小静脉扩张和动脉管壁增厚共同导致的。本研究结果显示,距视盘0.5～1.0 PD、1.0～1.5 PD、1.5～2.0 PD、2.0～2.5 PD范围内,视网膜血管各项参数均与心血管疾病、高血压等系统性疾病无关,证实高血压、心血管疾病引起的视网膜血管形态改变,主要体现为距视盘2.5 PD以外的视网膜小血管变化。

眼部参数的多因素分析结果显示,BCVA下降,视网膜血管分支夹角减小、血管分形维数下降和血管平均管径增加;眼轴延长,血管分形维数、血管平均弯曲度和血管平均管径减小,提示高度近视等原因引起的眼轴延长可导致视网膜血管系统分支复杂性下降,血管稀疏,血管走行变平直,管径变细;这一结果与Song等[28]、Tai等[29]和Li等[30]的研究结果一致。

本研究通过计算机智能辅助测量血管特征,基于获得的数字指标探究人群中的血管分布特征,相对于以往计算机辅助检测视网膜血管,最大的突破在于实现血管检测之后自动计算血管的特征参数,从而实现血管参数测量的全流程化和自动化,避免人工测量或者机器辅助人工测量的主观误差。但本研究也存在一定的局限性。首先,在全自动化视网膜血管参数测量过程中,未对视网膜小动脉和小静脉进行分别标记和测量,且未对视网膜血管分支夹角、血管平均管径等参数进行分区测量,因此难以具体分析视网膜小动脉和小静脉以及各分区视网膜血管与眼部和全身因素的相关性。其次,本研究为横断面研究,仅纳入单次就诊的彩色眼底照相进行测量分析,无法分析视网膜血管参数对疾病预后的影响。另外,这一全新的全自动定量分析方法未与已有的测量方法进行一致性比较。

综上所述,本研究基于人工智能技术成功实现了对视网膜血管形态学参数全自动定量测量分析。人群视网膜血管参数分析显示,随年龄增大,视网膜血管分支夹角减小,血管分形维数降低,血管平均管径增大;心血管疾病人群血管平均管径增加,高血压人群血管平均弯曲度增加。视网膜血管分支夹角减小、血管分形维数下降和血管平均管径增加与最佳矫正视力下降相关;血管分形维数、血管平均弯曲度和血管平均管径减小与眼轴延长相关。视网膜血管参数与高血压、心血管疾病等系统性疾病存在明确关联,这些观察结果进一步加深了对视网膜微血管和全身疾病之间相互作用的理解。

利益冲突所有作者均声明不存在利益冲突

作者贡献声明史绪晗:酝酿和设计试验、实施研究、采集数据、分析/解释数据、统计分析、起草文章;董力、邵蕾、凌赛广、董洲、牛莹、张瑞恒、周文达:实施研究、采集数据、统计分析;魏文斌:酝酿和设计试验、指导试验、统计分析、对文章的知识性内容作批评性审阅及定稿