寧波材料所慈溪醫(yī)工所在基于深度學習系統(tǒng)的視網(wǎng)膜圖像視盤與視杯區(qū)域提取方面取得進展
青光眼（Glaucoma）是一系列會導致視神經(jīng)受損，進而造成視力喪失的眼疾，是全球第二大致盲原因（僅次于白內障），也是導致不可逆性失明的首要原因。由于青光眼造成的視神經(jīng)損傷和視力損失無法逆轉，青光眼的早期篩查和診斷對于保持視力和生活質量至關重要。
臨床上，除視野檢測和眼壓測量外，另一種主要青光眼篩查技術是基于眼底照相的視盤（Optic Disc，簡稱OD，舊稱視神經(jīng)乳頭ONH）評估。如圖1所示，它利用一些青光眼危險因素，例如垂直杯盤比（CDR）、盤直徑（ODD）以及盤沿（RIM），在青光眼患者和健康對象之間進行二元分類，適用于群體篩查。但對于大規(guī)模篩查，人工評估不僅不能保證客觀，并且耗時昂貴，亟需自動評估方法提高效率和質量。
圖1 眼底圖（左），2D眼底圖中的視杯、視盤、盤沿和杯盤比（中）和3D視盤（右）
遵循臨床實踐設計具有醫(yī)學解釋的自動評估方法，最關鍵的就是視盤（OD）和視杯（OC）的準確分割。之前iMED團隊對此做過大量研究，也取得了優(yōu)秀的學術成果，連續(xù)7年刷新行業(yè)內視杯視盤分割的準確率和基于眼底圖像的青光眼診斷準確率的紀錄，在包括CVPR、TMI、JAMIA、MICCAI等計算機視覺及醫(yī)療圖像和信息處理方面的國際權威雜志和期刊上發(fā)表論文30余篇。
寧波材料所所屬二級慈溪醫(yī)工所智能醫(yī)學圖像處理課題組（iMED中國）與新加坡科技研究局（A*STAR）通訊研究院的付華柱研究員合作完成的論文（Joint Optic Disc and Cup Segmentation Based on Multi-label Deep Network and Polar Transformation）已成功被醫(yī)學圖像頂級期刊IEEE Transactions on Medical Imaging接收。此工作由程駿研究員、許言午研究員、劉江高級研究員與新加坡科研局付華住博士共同合作完成。文章提出了一種基于深度學習系統(tǒng)的視網(wǎng)膜圖像視盤與視杯區(qū)域的提取算法。此方法基于U型深度學習分割結構，增加了多尺度輸入、多標簽輸出等模塊，適用于多類別區(qū)域分割任務。此外，文章還基于視杯與視盤的結構特殊性，引入了極坐標展開操作，極大提高了分割算法的性能。在多個青光眼監(jiān)測數(shù)據(jù)庫上，該算法都獲得了當前最佳性能。
圖2 所提出方法的框架圖
我們用極坐標變換（PT）來替代原始眼底圖像表達，將橢圓型分割轉化為通用的層級分割，增強了位置關系約束，并且將OD和OC分割作為多標簽任務。通過使用包含多尺度U形卷積網(wǎng)絡的新型端到端深度網(wǎng)絡（稱為M-Net，框架如圖2所示），解決不平衡數(shù)據(jù)訓練的問題，產(chǎn)生多標簽概率分布圖。在深層模型中，多標簽損失函數(shù)被用來共同約束OD和OC的協(xié)同分割。采用M-Net結合PT的方法，我們在公開數(shù)據(jù)集ORIGA（包含650張由專業(yè)醫(yī)生標注了OD和OC的眼底圖）上達到了目前最高的分割準確率，OD和OC分割的平均重疊率（IOU）分別為92.9%和77.0%。 此外，僅根據(jù)分割結果計算的CDR直接用于青光眼分類，新方法在公開數(shù)據(jù)集ORIGA（650張）和SCES（1676張）上分別獲得了0.85和0.90的AUC（ROC曲線下面積），也刷新了這兩個數(shù)據(jù)集上的青光眼分類性能。M-Net結合PT方法，在視盤視杯分割和青光眼篩查任務方面已優(yōu)于當前最先進的方法。
圖3 算法結果對比圖
IEEE Transactions on Medical Imaging由電氣電子工程師學會（IEEE）出版，每年接收文章200篇左右，是國際醫(yī)學影像研究領域的權威期刊。論文預印版下載地址： https://arxiv.org/abs/1801.00926
（慈溪醫(yī)工所 程駿 付華柱 許言午 閻岐峰）