沈 超，王 斌，孫繼成，惠鐸鐸，林 杉

(1.長安大學(xué) 電子與控制工程學(xué)院，陜西 西安 710064；2.第四軍醫(yī)大學(xué) 航空航天醫(yī)學(xué)系臨床教研室，陜西 西安 710032；3.第四軍醫(yī)大學(xué) 航空航天醫(yī)學(xué)教育部重點實驗室，陜西 西安 710032)

一種青光眼快速檢測系統(tǒng)的開發(fā)及應(yīng)用

沈 超1，王 斌2，孫繼成3，惠鐸鐸3，林 杉1

(1.長安大學(xué) 電子與控制工程學(xué)院，陜西 西安 710064；2.第四軍醫(yī)大學(xué) 航空航天醫(yī)學(xué)系臨床教研室，陜西 西安 710032；3.第四軍醫(yī)大學(xué) 航空航天醫(yī)學(xué)教育部重點實驗室，陜西 西安 710032)

青光眼是一種常見疑難眼病，是導(dǎo)致人類失明的三大致盲眼病之一。青光眼治療的關(guān)鍵在于早期發(fā)現(xiàn)。但是，醫(yī)學(xué)上檢測青光眼步驟復(fù)雜繁瑣，不適于普通人在日常生活中進(jìn)行自我檢查。因此，文中開發(fā)了一種適于普通人自我檢查的青光眼快速檢測系統(tǒng)。系統(tǒng)首先采用閉運算對瞳孔圖像進(jìn)行預(yù)處理；其次，使用基于K均值聚類的Canny邊緣檢測算法提取瞳孔邊緣并獲得瞳孔橫徑；接著，通過光刺激下瞳孔橫徑變化間接得到被檢測者瞳孔的運動狀況；最后，結(jié)合青光眼臨床表現(xiàn)判定被檢測者是否患有青光眼。實驗結(jié)果表明，文中檢測系統(tǒng)準(zhǔn)確、高效且無創(chuàng)。

青光眼；閉運算；K均值聚類；Canny邊緣檢測

0 引 言

青光眼是指眼內(nèi)壓間斷或持續(xù)升高的一種常見疑難眼病[1]，該病是引起人類失明的三大眼病之一，占總?cè)巳?%，45歲以后為2%。此外，該眼病發(fā)病迅速、危害性大,隨時可導(dǎo)致失明。長時間的高眼壓[2]可以給眼球各部分組織和視覺功能造成損害，導(dǎo)致視神經(jīng)萎縮、視野縮小、視力減退。如不及時治療，視野將全部喪失而至失明。

青光眼防治的關(guān)鍵在于早期診斷，然而多數(shù)青光眼患者早期無任何特異性癥狀。據(jù)Sommer等對美國巴爾地摩的人群普查,有半數(shù)以上的青光眼是在普查中發(fā)現(xiàn)，所以在人群中進(jìn)行有效的青光眼篩查是青光眼早期診斷的關(guān)鍵。但是，醫(yī)學(xué)上檢測青光眼需要通過眼壓、前房、視野及眼底視神經(jīng)4個方面的檢查才能得知病人是否患有青光眼，步驟復(fù)雜繁瑣，需要在專業(yè)的眼科機構(gòu)完成，不利于普通人在日常生活中進(jìn)行自我檢查。此外，醫(yī)學(xué)青光眼檢測中前房檢查主要是檢查前房的結(jié)構(gòu)、大小等，不能作為判定青光眼損害的指標(biāo)；視野檢查只是一個半客觀檢查方式，容易受到主觀影響，需要受檢者的主觀配合，而一些患者難以保持固視，因此常常出現(xiàn)假陰性和假陽性的檢查結(jié)果；眼底檢查受檢查者的主觀影響較大，具有一定的主觀性偏倚，且評價標(biāo)準(zhǔn)較為粗糙；眼壓檢查雖然重要，但是僅能由專業(yè)的眼科醫(yī)生才能完成該檢查。

關(guān)于青光眼的檢查仍然在探索和研究當(dāng)中，近些年來關(guān)于光反射輔助診斷青光眼的方法和理論得到廣泛關(guān)注。文中系統(tǒng)運用此理論，通過使用圖像處理技術(shù)，并結(jié)合正常人與青光眼患者瞳孔對光反射的收縮恢復(fù)狀況的差異來檢測青光眼。該檢查方法準(zhǔn)確、客觀、無創(chuàng)，適用于個人日常的自我檢查，以便及早發(fā)現(xiàn)并治療。

1 系統(tǒng)概況

文中主要運用了數(shù)字圖像處理技術(shù)，結(jié)合光反射輔助診斷的理論開發(fā)了一種青光眼快速檢測系統(tǒng)。即利用青光眼早期患者的瞳孔在受到光刺激時，收縮后恢復(fù)運動與正常瞳孔表現(xiàn)不一致的特點，通過攝像頭采集瞳孔圖像并分析瞳孔的運動狀況，從而判斷被測者是否患有青光眼。系統(tǒng)框圖如圖1所示。

圖1 系統(tǒng)框圖

2 圖像預(yù)處理

通過攝像頭采集到的瞳孔圖像，會受到睫毛對瞳孔的干擾，如圖2(a)所示。這種干擾主要會對瞳孔邊緣產(chǎn)生凹陷，影響對瞳孔的提取。采用形態(tài)學(xué)[3]的方法能夠有效填補凹陷，使瞳孔圖像恢復(fù)完整，以減少該種干擾對提取瞳孔精度的影響。

形態(tài)學(xué)運算是一種非線性圖像處理方法和分析理論，它是從集合的角度來刻畫和分析圖像，它的運算由(如并、交、補等)集合運算來定義。形態(tài)學(xué)運算主要定義了兩種基本的運算：膨脹(Dilation)和腐蝕(Erosion)。

對于一幅灰度圖像F=f(x,y)而言，其膨脹和腐蝕的定義如下：

其中，(x,y)∈R2，(x,y)為圖像上任意一點坐標(biāo)，f(x,y)為(x,y)處的灰度值。

在實際運用中，需要通過膨脹和腐蝕的復(fù)合運算才能達(dá)到預(yù)期效果。文中采用先膨脹后腐蝕的方法(閉運算)，如圖2所示。該方法有效地填充了由睫毛干擾產(chǎn)生的小凹陷，平滑地連接了瞳孔的邊緣，并且未改變瞳孔的大小和形狀。

圖2 灰度圖像閉運算結(jié)果對比

3 瞳孔檢測

系統(tǒng)通過瞳孔在光刺激下的運動變化狀況來判斷被測試者是否有患青光眼的潛在危害。瞳孔邊緣的提取對整個系統(tǒng)檢測準(zhǔn)確度至關(guān)重要。文中主要使用Canny邊緣檢測算法[4]，由K均值聚類對Canny算法的輸入?yún)?shù)進(jìn)行自動提取，從而有效地提取出瞳孔。

3.1 Canny邊緣檢測

Canny邊緣檢測實際上是求信號函數(shù)的極大值問題[5]來判定圖像中物體的邊緣像素點。該檢測算法具有檢測性好、定位性好和響應(yīng)次數(shù)少的特點。Canny算法的基本過程如圖3所示。

圖3 Canny邊緣檢測基本過程

Canny算法在計算梯度時需要對圖像進(jìn)行導(dǎo)數(shù)運算，但導(dǎo)數(shù)對噪聲很敏感，因此必須采用濾波器來改善圖像的質(zhì)量，降低噪聲的影響。文中的Canny算法采用高斯濾波器[5-6]進(jìn)行濾波。高斯濾波是一種線性平滑濾波，適用于濾除高斯白噪聲，已廣泛應(yīng)用于圖像處理。對圖像進(jìn)行高斯濾波就是對高斯函數(shù)進(jìn)行離散化，以離散點上的高斯函數(shù)值為權(quán)值，對圖像每個像素點的灰度值做一定范圍鄰域內(nèi)的加權(quán)平均。高斯濾波器用像素鄰域的加權(quán)均值來代替該點的像素值，而每一鄰域像素點的權(quán)值隨著該點與中心點距離單調(diào)遞減。高斯濾波函數(shù)的一般式如下：

(1)

針對數(shù)字圖像而言，采用高斯濾波即采用高斯濾波模板對圖像進(jìn)行卷積。文中采用的高斯模板如圖4所示。

0.07510.12380.07510.12380.20420.12380.07510.12380.0751

圖4 3×3高斯濾波模板

任何邊緣檢測算法的最終目的都是通過一種計算方式將邊緣像素凸顯出來。Canny算法采用一階差分卷積模板計算梯度，用梯度幅值作為邊緣凸顯的量化值。Canny算法的梯度模板如圖5所示。通過卷積后(見式(2)、(3))，能夠進(jìn)一步得到圖像的梯度幅值(見式(4))。

(a)水平方向 (b)垂直方向

圖5 一階差分卷積模板

φ1(x,y)=f(x,y)*H1(x,y)

(2)

φ2(x,y)=f(x,y)*H2(x,y)

(3)

(4)

通過一階差分卷積能夠得到圖像的全局梯度信息，但是用全局梯度值不能準(zhǔn)確定位圖像的邊緣。因此，Canny算法通過非極大值抑制確定局部最大值，從而得到圖像的邊緣?？墒牵ㄟ^極大值抑制處理后的圖像，仍然存在許多虛假邊緣[7]。傳統(tǒng)的Canny算法通過固定閾值[8]濾除虛假邊緣，并且閾值參數(shù)需經(jīng)大量圖片驗證[9]后得到，這種方法顯然不能靈活地應(yīng)用于視頻圖像。對于連續(xù)變化的瞳孔視頻圖像，固定閾值的Canny算法不能有效地去除瞳孔周圍受到眼皮、虹膜等影響產(chǎn)生的虛假邊緣。因此，文中算法在雙閾值檢測時，采用由圖像梯度值經(jīng)K均值聚類后得到的參數(shù)作為閾值，通過這種方法不僅能夠有效去除假邊緣，連接真實邊緣，而且能夠針對瞳孔視頻圖像在不同時段的不同特征自適應(yīng)選取閾值參數(shù)。

3.2K均值聚類

由MacQeen提出的K均值算法是劃分聚類中使用最廣泛的一種聚類算法。該算法認(rèn)為：兩個樣本之間的距離值較小相似性就越大[10]，因此越有可能屬于同一類。

文中K均值算法采用歐氏距離[12](見式(5))作為相似度的度量指標(biāo)，對目標(biāo)函數(shù)[13](見式(6))不斷優(yōu)化，直到其值最小，進(jìn)而得到各個類的聚類中心(見式(7))。

(5)

(6)

(7)

3.3 基于K均值聚類的雙閾值邊緣檢測

使用K均值聚類算法將圖像梯度值只分為A、B兩類。由K均值聚類的特點可知，A、B兩類梯度的類內(nèi)差異較小，類間差異較大,能夠自適應(yīng)地將強弱邊緣分割開。假設(shè)A類中心為CA，B類中心為CB，CA>CB。選用A類的中心CA作為Canny算法粗劃分參數(shù)，將梯度大于CA的強邊緣選取出來，確定瞳孔的大致邊界，最大可能地濾除干擾邊緣。在連接邊緣時，用B類中最大梯度值(max{B}

如圖6所示，其中圖6(b)使用固定閾值(大量實驗的經(jīng)驗值)進(jìn)行分割。由圖可見，使用該方法雖然能夠去除眼部周圍皮膚的干擾，但是不能有效去除眼皮和虹膜的干擾。圖6(c)采用文中基于K均值聚類的雙閾值Canny邊緣檢測算法，該算法可以在不用人為指定輸入?yún)?shù)的情況下，對瞳孔圖像進(jìn)行有效的分割。算法對抑制假邊緣的能力較強，并且通過高閾值有效地去除了瞳孔周圍由眼皮和虹膜產(chǎn)生的弱邊緣，同時在連接邊緣階段，有效地保全了整個瞳孔邊緣。

圖6 算法對比

4 系統(tǒng)應(yīng)用

4.1 數(shù)據(jù)顯示

由3.3節(jié)得到瞳孔邊界后，選用橫向最大直徑作為瞳孔的橫徑，用瞳孔直徑變化比(直徑變化比=(實時瞳孔直徑÷瞳孔直徑基值)×100%)作為瞳孔運動過程的描述指標(biāo)。瞳孔直徑基值指開始采集前瞳孔較為穩(wěn)定的一段時間內(nèi)，瞳孔直徑的平均值。

4.2 數(shù)據(jù)分析

系統(tǒng)采用二維曲線對瞳孔運動進(jìn)行描述。橫軸為時間軸(單位為s)，縱軸為瞳孔直徑變化比。

青光眼在一定運動負(fù)荷下，眼壓明顯下降[15]，使瞳孔在收縮后很難在短時間內(nèi)(5 s)恢復(fù)到原大小。因此，系統(tǒng)采用點光源對瞳孔進(jìn)行刺激，強迫其運動收縮，觀察在恢復(fù)階段瞳孔的運動表現(xiàn)，從而判斷被檢測者是否患有青光眼。青光眼患者瞳孔在恢復(fù)階段會呈現(xiàn)一段持續(xù)收縮狀態(tài)，而正常瞳孔會較快(5 s內(nèi))地恢復(fù)到基值的93%左右。

采用文中系統(tǒng)對25名青光眼患者(某醫(yī)院提供)和25名無青光眼病癥者進(jìn)行檢測(判斷無青光眼病癥的標(biāo)準(zhǔn)為：瞳孔在開始恢復(fù)后5 s內(nèi)，其橫徑大小能夠達(dá)到基值的93%及以上)。實驗數(shù)據(jù)統(tǒng)計如表1所示(其中誤檢表示無青光眼病癥者被檢為青光眼患者，漏檢表示青光眼早期患者未被系統(tǒng)檢出)。

表1 系統(tǒng)檢測實驗數(shù)據(jù)

注：- 代表無此定義。

實驗數(shù)據(jù)表明，系統(tǒng)檢出率高，誤檢率低。

5 結(jié)束語

文中根據(jù)近些年來眾多學(xué)者提到的使用光反射輔助診斷青光眼的方法和理論，使用數(shù)字圖像技術(shù)，設(shè)計開發(fā)了一種青光眼快速檢測系統(tǒng)。實驗證明，系統(tǒng)判斷準(zhǔn)確度較高，并且能夠移植到移動載體上，方便人們在日常生活進(jìn)行自檢，為青光眼患者做到早發(fā)現(xiàn)提供可能。

系統(tǒng)在應(yīng)用時，當(dāng)被檢測者在檢測過程中不配合，極易產(chǎn)生漏檢現(xiàn)象(實驗數(shù)據(jù)中存在1名漏檢患者，該名被測者在檢測過程中頻繁眨眼)。因而，青光眼的檢測技術(shù)仍需繼續(xù)研究和探索，以開發(fā)出檢出率更高的檢測設(shè)備。

[1] 李建軍.在人群中篩查青光眼的意義及實施方案[J].眼科，2014，23(1)：71-72.

[2] 陳 婷，張紹陽，韓光杰，等.可疑青光眼患者清晨起床前后的體位變化和日?；顒訉ρ蹓旱挠绊慬J].國際眼科雜志，2014，14(5)：970-972.

[3] 余龍華，王 宏，鐘洪聲.人眼檢測及瞳孔定位[J].計算機工程與應(yīng)用，2013，49(3)：186-189.

[4] 陳 蒙.基于canny算子的邊緣檢測算法應(yīng)用研究[J].電子技術(shù)與軟件工程，2013(21)：100-101.

[5] 陳若珠，薛 彪.基于MATLAB的改進(jìn)Canny算子的圖像邊緣檢測研究[J].工業(yè)儀表與自動化裝置，2014(4)：113-116.

[6] 付博研，盧振洋，白立來，等.一種改進(jìn)的Canny算法及其仿真驗證[J].現(xiàn)代電子技術(shù)，2014，37(18)：11-14.

[7] 郭慧鑫，牛竹云，郭會兵，等.一種基于Canny算子的紅外圖像邊緣檢測算法[J].火力與指揮控制，2014，39：95-97.

[8] 宗露艷，吳 陳.一種改進(jìn)的Canny算子邊緣檢測算法[J].現(xiàn)代電子技術(shù)，2011，34(4)：104-106.

[9] 焦圣喜，楊文明，王以純，等.改進(jìn)Canny邊緣檢測算法研究[J].電子制作，2015(5)：40-40.

[10] 王 千，王 成，馮振元，等.K-means聚類算法研究綜述[J].電子設(shè)計工程，2012，20(7)：21-24.

[11] 孫 卓.K-均值聚類算法及其應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2013(7)：41-44.

[12] 孔 銳，張國宣，施澤生，等.基于核的K-均值聚類[J].計算機工程，2004，30(11)：12-13.

[13] 張雪鳳，張桂珍，劉 鵬.基于聚類準(zhǔn)則函數(shù)的改進(jìn)K-means算法[J].計算機工程與應(yīng)用，2011，47(11)：123-127.

[14] 張 震，馬駟良，張忠波,等.一種改進(jìn)的基于Canny算子的圖像邊緣提取算法[J].吉林大學(xué)學(xué)報:理學(xué)版，2007，45(2)：244-248.

[15] Rüfer F,Schiller J,Klettner A,et al.Comparison of the influence of aerobic and resistance exercise of the upper and lower limb on intraocular pressure[J].Acta Ophthalmol,2013,1(7):1-4.

Development and Application of a Rapid Detection System in Glaucoma

SHEN Chao1,WANG Bin2,SUN Ji-cheng3,HUI Duo-duo3,LIN Shan1

(1.School of Electronics and Control Engineering,Chang’an University,Xi’an 710064,China； 2.Clinical Department of Aerospace Medicine of Ministry of Education,the 4th Military Medical University, Xi’an 710032,China; 3.Key Laboratory of Aerospace Medicine of Ministry of Education,the 4th Military Medical University, Xi’an 710032,China)

Glaucoma is a common stubborn eye disease,which is also one of the three diseases leading to human blindness.The key to prevention of glaucoma diagnosis is early treatment.However,complex and cumbersome step for glaucoma detection in medical is not suitable for ordinary people check in their daily lives.Therefore,a rapid detection system adapted for ordinary self-examination in glaucoma is proposed.Firstly,the system adopts closing operation in the pretreatment process of pupil image.Secondly,it takes the measure of Canny edge detection algorithm based onK-meansclusteringtoextractthepupiledgeandgetdiameterofthepupil.Then,themovementofthedetectedpupilcouldbegotindirectlythroughthechangesofpupildiameterundertheconditionoflightstimuli.Finally,ajudgmentismadewhetheritisglaucomacombiningwithclinicalmanifestationornot.Theexperimentalresultsshowthesystemisaccurate,effectiveandnoninvasiveinthedetectionofglaucoma.

glaucoma;closing operation;K-meansclustering;Cannyedgedetection

2015-05-18

2015-08-20

時間：2016-03-22

國家自然科學(xué)基金-民航總局聯(lián)合資助項目(U1333101);國家自然科學(xué)基金青年基金(81202178)

沈 超(1989-)，男，碩士研究生，研究方向為模式識別、圖像分割；林 杉，講師，通信作者，研究方向為嵌入式硬件設(shè)計。

http://www.cnki.net/kcms/detail/61.1450.TP.20160322.1518.034.html

TP

A

1673-629X(2016)04-0191-04

10.3969/j.issn.1673-629X.2016.04.042