数字图像分析对角膜染色的客观评价外文翻译资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

数字图像分析对角膜染色的客观评价

Yeoun Sook Chun,1 Woong Bae Yoon,2 Kwang Gi Kim,2 and In Ki Park3

目的：验证一种新的客观数字图像分析技术来评估角膜染色。

方法：100名患者的100张不同眼表疾病的角膜染色照片通过一种新的策略进行了量化:结合了用于角膜侵蚀形态学特性的Gaussians ( DoG )边缘检测和用于颜色检测的红绿蓝( RGB )系统和色调饱和度值( HSV )颜色模型。为了增强图像，我们采用了中值滤波、Otsu阈值化和对比度受限的自适应直方图均衡化( CLAHE )。为了验证这一新策略的诊断价值，两位独立的临床医生使用牛津方案和国家眼科协会/行业( NEI )推荐的指南对相同的照片进行了评分。平均主观评分和客观图像分析测量之间的相关性使用皮尔逊相关系数进行评估。

结果：新算法显示与牛津方案中的临床评分标准和NEI推荐的指南有很强的相关性(分别为R 1/4 0.850和0.903，P lt; 0.001 )。客观测量的重复性很好( R 1/4 0.994 )。

结论：新算法与传统的主观临床评分标准显示出良好的相关性。它可能有助于客观评估角膜染色，与疾病状况无关。

关键词:临床分级，角膜染色，相关性，客观测量

荧光素染色是检测眼表疾病的重要诊断工具。角膜染色模式和范围为表征疾病、评估严重程度和监测临床治疗反应提供了重要信息。目前用于眼表面疾病的临床分级系统有一些局限性，例如观察者之间和观察者内部的可变性、不相等的步长、对严重性的有偏见的参考描述，或者对特定情况的限制。国际干眼症研讨会( DEWS )对角膜染色的分类甚至是模糊的和主观的。这些含糊不清的地方将成为多中心研究的障碍。

数字图像分析的优势在于，它可以提供准确客观的结果和永久记录，可以提供比主观评分更灵敏可靠的评估，可以检测眼部病理的细微异常，并且由于其自动分析程序，可以独立于检查者的竞争水平来应用。以前关于前段数字图像分析的报道主要集中在结膜充血。很少有尝试通过使用计算机软件的客观测量来量化角膜染色的严重程度，甚至这些都是结膜充血研究的衍生物。

角膜荧光素染色的客观分析非常挑剔。不仅角膜侵蚀，而且用荧光素染色的眼前泪膜也必须通过图像分析加以考虑和区分，即使它们都是绿色的颜色。角膜染色的客观测量必须考虑复杂的多维主观解释，包括范围、类型和深度。图像质量也是客观分析成功的重要因素。质量受到多种因素的影响，例如与眨眼相关的快照时间、滴注荧光素的浓度以及荧光素滴注后经过的时间。

角膜染色图像的主观分级可以通过两种策略来判断。一个是荧光素钠发出的亮绿色的色度，另一个是角膜染色形态，例如染色所占的面积、染色点的数量或染色的分布模式。以前的研究使用数字分析，应用了一种颜色提取算法，使用红-绿-蓝( RGB )系统、边缘检测或操作者相关的阈值技术来检测结膜充血和角膜染色。然而，在这些研究中存在着相互矛盾的结果。

在本研究中，我们应用了一种新的策略: RGB系统和色调饱和度值( HSV )颜色模型相结合来检测颜色，Gaussians ( DoG )边缘检测的差异来建立角膜糜烂的形态学特性。为了增强图像处理，我们应用了对比度受限的自适应直方图均衡化( CLAHE )。CLAHE是一种广泛用于低密度图像对比度增强的技术。它分割了原始的

角膜染色的客观评价

参照亮度水平将直方图分成子直方图，并对每个子直方图应用直方图均衡化。因此，照明变化的影响被限制在局部区域，从而消除过度放大，并且低密度直方图区域的特征被清楚地定义。为了消除信号噪声，我们在背景图像中采用了中值滤波和Otsu阈值二值化。除了RGB系统，其他算法都是首次用于角膜染色检测的策略。

本研究的目的是提出一种新的客观数字图像分析技术，并将其与传统的角膜染色主观分级技术进行比较，以确定其对角膜染色客观分级的实用性。

材料和方法

这项研究比较了从角膜染色图像的数字分析中获得的客观评分和两个临床评分员使用相同图像和两种不同评分方案确定的主观评分。

图像采集

我们从中山大学医院眼科数据库中选择了100张高质量的100只眼睛前段照片。每个角膜的照片都是在荧光素滴注后拍摄的，眼睛处于主要位置，并且是在令人满意的照明、聚焦和高分辨率的基础上选择的。没有与角膜染色的严重程度和原因相关的选择标准。照片是使用Haag-Streit BM 900裂隙灯显微镜( Haag Streit AG，伯尔尼，瑞士)和佳能EOS 20D数码相机(佳能，东京，日本)拍摄的。图片被连接到个人电脑，并保存为JPG文件( 3008 3 1960像素，24位，RGB )。

通常，用一滴无菌盐水润湿荧光素浸渍的条带，当该滴饱和浸渍的尖端时，任何多余的流体都被抖落。下眼睑被拉下，带轻轻接触下睑板结膜一次。病人被要求轻轻眨眼，将染料分布在眼表面。轻轻眨眼后，整个角膜的照片立即被拍摄下来。我们使用狭缝光束照明，最大宽度( 30 mm )为白色光源、蓝色激发滤光器、103倍放大倍数和10至30°斜角的扩散透镜(光源位于瞳孔边缘和角膜缘之间的中点)。自动数码相机系统根据检查室的亮度设置光圈、曝光时间和快门速度。忠昂大学医院机构审查委员会( IRB )批准了这项研究，并且根据《赫尔辛基宣言》的原则进行了图像采集、处理和分析。

角膜染色图像的主观分级

为了验证这一新策略的诊断准确性，两名独立、有经验的眼科医生用两个广泛使用的标准评分标准对照片进行了评分:牛津评分标准和国家眼科协会/行业( NEI )推荐的指南。每个临床医生使用他们的诊室照明，不受任何时间限制，对他们自己显示器上显示的照片进行独立评分。他们没有接受任何特殊训练。

图1角膜染色数字成像分析的多步骤流程图

关于研究中使用的评分技术或分数。先前报告的两个分级系统的标准化分级标准已经提供，观察者根据这些标准评估图像。基于每个评分标准的两个摄影评分员的平均评分被定义为照片的标准分数。

简而言之，牛津分级表根据严重程度将角膜染色分为六组，从0 (缺失)到5 (严重)。检查者将患者角膜染色的整体外观与参考图进行比较，模拟干眼症中遇到的染色模式。没有尝试对点进行计数或评估点的位置或汇合。检查者选择最直观地代表角膜染色状态的适当等级。NEI推荐的分级系统将角膜分为五个区(中央区、上区、颞区、鼻区和下区)，对于每个区，角膜荧光素染色的严重程度根据参考数字按0到3的等级进行分级。因此，最高得分是15分。

软件程序的开发和图像分析是使用英特尔酷睿i7 3、20 GHz、16 GB的个人计算机进行

的。该软件的主要编程语言是微软可视C语言。NET (2010年，微软，雷德蒙德，华盛顿州，美国)和优化算法是从开源计算机视觉( Open CV )软件库中获得的。角膜染色数字成像分析的多个步骤的流程图如图1所示。在用户界面中加载图片后，使用自动Daugman方法进行角膜分割，并且根据该算法进行成像过程，最后，被识别为角膜腐蚀的像素数量与角膜中像素总数的比率以所得图像的百分比表示。

角膜分割。为了客观评估角膜侵蚀，我们集中在除眼睑、纤毛和结膜以外的角膜区域。为了检测角膜的圆形边缘和面积，我们使用了Daugman方法。最初，Daugman的积分微分方程是为虹膜分割和识别而开发的，但我们将其应用于角膜分割，它认为角膜是一个圆。通常，可以基于像素分辨率值信息容易地检测瞳孔的位置。使用瞳孔作为标准，瞳孔内半径中点位置和长度的持续变化可以使用等式1确定，如图2所示。然后，

图2达格曼检测角膜圆形边缘的方法

变化率最大的时刻的圆被检测为角膜面积。

应用高斯模糊函数( Gr(r ) )来寻找具有最大图像变化率的圆，并且将圆的中心在( x0，y0 )且半径在r的圆周的所有像素值除以2pr并归一化。当这些值表示为半径变化率时，它们变成圆周变化率。使用圆形边缘检测器，Max (r，x0，y0 )返回变化率最大的圆的中点。当周长变化率最大时，中心和半径代表一个模拟角膜面积的圆。

使用RGB颜色模型的区域检测。在RGB系统中，图像中的每个像素与对应于颜色强度的三个值相关联:红色、绿色和蓝色。为了检测角膜染色，从原始图像(图3A )中提取绿色通道图像(图3B )。为了减少图像噪声，应用了中值滤波(图3C )。预处理步骤对于在去除噪声的同时保持角膜侵蚀边缘非常重要。

为了最佳的自动阈值选择，选择了Otsu阈值保持(图3D )。该算法假设要阈值化的图像包含两类像素或双峰直方图(侵蚀和背景)，然后计算分离这两类的最佳阈值，使得它们的类内方差最小。该过程仅利用零阶和一阶累积力矩；因此，它非常简单和稳定，并且可以最大化灰度直方图中结果类的可分离性。在分析期间，大多数图像具有双峰直方图。在特殊情况下，使用DoG方法来克服基于强度的方法的局限性。

使用HSV颜色模型和CLAHE进行区域检测。首先，对原始图像应用中值滤波器，主要用于消除图像中的噪声。所提出的方法使用了99plusmn;3 99的内核，而不是最常见的3plusmn;3和5plusmn;3plusmn;5的内核。这不仅可以消除噪声，还可以通过将每个区域的中值应用于整个图像来创建背景图像。

接下来，应用CLAHE滤波器突出显示与侵蚀对应的像素强度区域，如图3E所示，并提取与侵蚀对应的像素强度区域。

对比度受限的自适应直方图均衡化将图像分割成小的上下文区域，并对每个区域应用直方图均衡化。通过限制单个切片上均衡操作的最大和最小范围，并通过与多个高斯变换函数匹配，最终图像的过定性被消除。增强后的图像被阈值化，并被分为侵蚀和背景。

最后，这些图像被转换成HSV图像并检测侵蚀。现有的RGB颜色模型被构建成适合物理设备，而不是人类视觉。在HSV颜色模型中，H通道对应于颜色值，S通道对应于色度，V通道对应于亮度，与RGB颜色模型相比，HSV颜色模型更具认知性，更类似于人的视觉。应用了CLAHE滤波器的图像被转换成HSV颜色模型(图3F )，并且通过绿色区域划分在H通道中检测到侵蚀(图3G )。

使用狗进行边缘检测。当使用颜色模型检测侵蚀时，为了补充甚至微弱撕裂区域的错误检测，而不是依赖于图像的侵蚀，通过DoG在RGB颜色模型的G通道中检测角膜侵蚀区域。

通过使用等式2 (通常用于平滑的高斯运算)，分配了不同的方差，并使用它们之间的差异来检测边缘。对于腐蚀检测，用DoG提取的边缘图像通过Otsu阈值法进行二值化，对噪声消除过程进行打开和关闭操作，并突出腐蚀的边缘。图3H显示了通过对原始图像应用DoG边缘检测获得的图像，该图像由RGB图像组成。

最后，在组合了所有处理步骤之后，产生了最终的图像(图3I )。

统计分析

客观角膜染色分数被定义为被识别为角膜侵蚀的像素数量与角膜中像素总数的比率。

使用皮尔森相关性来评估主观评分尺度和新策略的客观得分之间的关系。为了确定该程序的可靠性，使用普通最小二乘线性回归将相隔3周进行的两次客观测量进行了比较。

统计分析使用SPSS软件19.0版( PASW，19.0版；SPSS公司，美国伊利诺伊州芝加哥)。alpha;水平( I型误差)设定为0.05。

结果

合格的100张眼前节照片涵盖了各种眼部疾病状况，如干眼综合征、隐形眼镜佩戴、过敏性角膜结膜炎和滴眼液的不良影响。

从在其界面中加载图片文件到输入最终的客观图像分析分数，处理单个图像的平均时间为6.25秒。该单个图像主观分级的平均时间为牛津评分的5秒和NEI推荐的指南的10秒。

图3 RGB颜色模型、带有CLAHE的HSV颜色模型和狗边缘检测的图像分析的代表性结果。( A )原始图像，( B )从RGB图像中提取绿色通道图像，( C )应用中值滤波，( D )通过RGB颜色模型提取的最终结果图像用Otsu阈值法创建。( E )将CLAHE应用于图像后，( F )将其转换为HSV颜色模型，( G ) H通道提取最终侵蚀图像。( H )使用DoG进行边缘检测。( I )角膜侵蚀的最终图像是在所有步骤结合后产生的。

数字图像分析可以非常成功和精细地检测角膜侵蚀(图4A、4B )。使用这种新策略，睫毛(图4C、4D )或荧光素池(图4E、4F )等障碍得到了很好的区分。数字图像分析可增强角膜糜烂；因此，它可以比临床医生更灵敏地检测侵蚀并检测侵蚀(图4G，4H )。在大多数图像中，荧光素染色的角膜腐蚀被成功地从上覆荧光素染色的泪膜的不太清晰的区域分离出来(图4B、4D、4F、4H )。

然而，在少数情况下，图像质量低可能是一个问题。新战略过于敏感；它错误地将眼睑反射或瞳孔边缘识别为角膜糜烂(图5A、5B )。此外，它没有充分认识到以下情况浓密的汇合污渍。它很容易检测到线性侵蚀，但是只检测到汇合的污渍的边界，而不是逐个检测污渍(图5C、5D )。

该程序在第一次和第二次测量之间的可靠性非常好，相隔3周(通过线性回归，Y 0.978times;0.071，R 0.994，R 0.988，P lt; 0.001 )；图6A )。

牛津分级量表与客观测量值之间存在显著相关性( R 0.850，P lt; 0.001图6B )。NEI推荐系统和客观测量之间也有很强的相关性( R 0.903，P lt; 0.001图6C )。NEI推荐的系统显示出比牛津评分表更强的与自动化技术的相关性。

图4代表性照片及其处理过的图像。( A，B )角膜侵蚀被非常成功和精细地检测到。睫毛或阴影( C，D )或荧光素聚集( E，F )等障碍有很好的区分。( G，H )数字图像分析比临床医生的检测更灵敏地检测到侵蚀。在大多数图像中，荧光素染色的角膜糜烂被成功地从泪膜中分离出来。

讨论

这种客观数字图像分析的可靠性也非常出色

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[608840]，资料为PDF文档或Word文档，PDF文档可免费转换为Word