眼底照片讀取的研究方法

㈠ 【眼底圖像項目經驗】眼底圖像疾病的分類，病灶區域的分割

       在臨床醫學上，眼科醫生依據眼底疾病患者的眼底彩照圖像進行詳細的篩查與診斷並給出具體的治療方案。然而，由於每位眼科醫生的臨床診斷經驗存在差異，這將會嚴重影響人工診斷的效率與效果。甚至，有些地域受限於當地醫療資源，病理性高度近視患者無法得到及時的診療，容易造成不可挽回的人眼視力損傷和失明。因此，本文通過運用數字圖像處理、計算機視覺以及深度學習等領域的方法，致力於對患者的眼底彩照圖像進行精確的處理和實現疾病的自動診斷。 本文研究內容可概括為以下三個方面內容：

     （1）高度近視病變程度的分級。該部分提出了基於「重組通道網路基本單元」的「多重組通道基本單元網路」方法。首先，對「重組通道網路」和「重組通道網路」的重組通道基本單元進行實驗並分析其性能；其次，借鑒了機器學習Bagging演算法的思想（類似隨機森林，Random Forest,簡稱RF)，組合了「重組通道網路」三個基本單元作為「多重組通道基本單元網路」，其中每個基本單元作為獨立的網路分支；最後，根據的每個網路分支的預測結果進行投票，票數多的類別即為「多重組通道基本單元網路」的預測類別。

     （2）眼底圖像優化演算法的開發。該部分提出了基於數字圖像BGR信息來優化眼底圖像相關影響因素的演算法。在該演算法中，首先，通過分析多組質量較好和質量較差的病理性高度近視眼底圖像的灰度亮度直方圖，分析不同顏色通道圖像的亮度、對比度、顏色均衡等參數的差別；接著，提出了亮度空間變換公式，運用該公式改變不同顏色通道圖像的亮度、對比度、顏色均衡等參數以達圖像優化的效果。

     （3）病理性高度近視病灶區域的分割。考慮到僅僅預測得到高度近視病變的嚴重程度的類別往往是不夠的，能夠准確的分割相關病變區域更加重要，為此該部分提出了Vnet-FPN網路的分割方法。首先，研究Vnet網路和FPN網路的構架。接著，設計Vnet-FPN網路；最後，在原始和圖像優化演算法優化後的數兩個據集上進行實驗，綜合分析網路對眼底病灶區域的分割性能。

      本文的研究內容能夠輔助眼科醫生對高度近視病變的診斷與治療，對於深度學習與醫療技術結合的工程落地具有十分重要的意義。

       目前，眼底檢查主要通過醫生利用檢眼鏡、眼底熒光造影、眼底相機成像以及光學相干層成像等方式來進行人工檢查。利用眼底相機採集到的眼底彩照圖像會呈現視網膜上主要組織結構，如圖1-1所示。由圖1-1可知在眼底彩照圖像中，血管（Vessel）在視網膜上分布最廣且呈現為暗紅色的網狀結構，其和視覺神經纖維從視神經盤（Optic Disc）區域進入視網膜（Retina）。從圖中可見，視神經盤通常呈現為邊界較為清晰、亮度較高的圓盤狀結構。此外，眼底圖像中部顏色較深的區域稱為黃斑區（Macula Lutea），黃斑區呈橢圓形凹陷，其凹陷的中心稱為中央凹（Fovea）。中央凹是人眼視力最為敏感的區域，一旦該區域發生病變，視力將受到嚴重影響。

       鑒於目前在此高度近視分類問題的研究工作非常匱乏，為此主要借鑒糖尿病視網膜病變（Diabetic Retinopathy，DR）嚴重程度的分類的研究方法。在DR的分類研究中，主要有兩種分類標准，分別為二分類標准和三分類標准。

       在二分類問題中，研究者把彩色眼底圖像分為非DR和 DR 兩類。Gardner 等人[4]使用圖像的像素強度值作為特徵，通過訓練神經網路進行分類。Roychowdhury[5]等人提出了一種包含兩步的層次分類的方法，該方法綜合利用了高斯混合模型（Gaussian Mixture Model，GMM）、k 近鄰分類器（k-Nearest Neighbor，kNN）、支持向量機（Support Vector Machine，SVM）以及AdaBoost 四種機器學習演算法來訓練分類器。Priya[6]等人首先提取了血管、眼底出血和滲出物等幾個生物損傷的特徵，然後把這些特徵分別輸入三個分類模型進行訓練，即概率神經網路 （Probabilistic Neural Network，PNN）、貝葉斯分類器（Bayesian Classifier）和支持向量機（Support vector machine，SVM）。在三分類問題中，研究者通常把彩色眼底圖像分類為非 DR、非增生性 DR 和增生性DR 三類。Nayak[7]等人通過提取滲出物的面積以及血管的面積和紋理特徵，然後使用這些特徵訓練神經網路的方法。

       從上述研究方法可知目前國內外關於眼底彩照圖像的疾病分類的研究方法大多數是通過提取圖像低層的視覺特徵（如圖像的像素值、紋理、對比度等），或者眼底出血、滲出物等與糖尿病視網膜病變相關的生物損傷或者血管等局部的特徵，然後利用不同的機器學習演算法對圖片進行分類。這些方法的性能很大程度上決定於手工設計的特徵的有效性。相對於二分類，多分類問題的分類標准更加精細，對某些類別的視網膜病變分類往往需要考慮非常細微的特徵，因此多分類問題更加復雜。

（1）高度近視的豹紋狀眼底

      一般情況下，患有高度近視的眼底圖像具有相對明顯的豹紋狀眼底（tessellated funs）。豹紋狀眼底主要是由於高度近視疾病導致人眼眼軸延長，視網膜血管離開視盤後即變細、變直，加之脈絡毛細血管的改變，造成了視網膜色素上皮層的營養障礙，致使淺層色素減少或消失。這樣暴露的脈絡膜紅色血管與血管網之間的褐色色素就交錯形成了所謂的豹紋狀眼底，圖清晰展現了高度近視的豹紋狀眼底。石一寧[20]等對154人41歲以上高度近視眼人群進行研究，發現非病理學性改變占 45.5%,其中豹紋狀眼底佔33.8%。而當眼軸明顯延長、屈光度更高時，可增至90%-100%。尤以後極部較為顯著，豹紋狀眼底隨近視的屈光度逐漸加深而更加明顯。

      由於豹紋狀眼底與年齡有一定關系，即年齡愈大豹紋狀眼底愈顯著。為此本章定義高度近視性的豹紋狀眼底須同時滿足如下兩個條件：

      1）黃斑附近可見明顯的豹紋狀改變（黃斑區豹紋狀眼底面積>1/2）

      2）血管弓處可見明顯的豹紋狀改變（血管弓豹紋狀眼底面積>1/2）

（2） 病理性高度近視的病變特徵

       高度近視是眼底病變種較為常見並且高發的，高度近視導致了很多病灶，比如近視性黃斑病變、豹紋狀眼底、彌漫性視網膜脈絡膜萎縮、斑塊狀視網膜脈絡膜萎縮、黃斑萎縮、漆裂樣紋、脈絡膜新生血管、Fuch's 斑、後鞏膜葡萄腫等病理性病變。本文主要研究較為常見的斑塊狀視網膜脈絡膜萎縮、黃斑萎縮，其他病灶未進行研究。我們主要對這兩類病灶進行簡要介紹，如下所示：

[if !supportLists](1)  [endif]斑片狀脈絡膜視網膜萎縮。黃斑或視盤周圍邊界清晰的灰白色病灶，僅有近視狐沒有豹紋狀眼底的不算做此類病變。如下圖2-3所示：

     （2）黃斑萎縮。黃斑萎縮是一種邊界清楚的圓形脈絡膜視網膜萎縮病灶，呈灰白色或白色，周圍出現退化的纖維血管膜，並隨時間增大。黃斑萎縮必須與斑片狀視網膜萎縮區分開來，但是患者一般又同時具有患有這兩種病灶。通常，黃斑萎縮以中心凹為中心（並非萎縮區域的幾何中心，事實上只要萎縮涉及中心凹區域既認定為此萎縮區域），呈圓形，而斑片狀視網膜萎縮不以中央凹為中心，邊緣不規則。圖2-4所示為黃斑萎縮又存在斑片狀脈絡膜視網膜萎縮的眼底圖像。

       我們使用網路競賽方提供的高度近視病變類別標簽的數據集對本章所提出的多重組通道基本單元網路進行分類性能評估，並且同「重組通道網路」、「重組通道網路」的重組通道基本單元兩個網路進行了分類性能的比較。該數據集共含有超過1009張彩色眼底圖像。我們使用按類別分層抽樣的方法把數據集劃分成了我們在實驗中使用的800張訓練集、100張驗證集和109張測試集。

       在本節接下來的部分，我們將分別從眼底圖像數據預處理和數據增廣、網路實現及參數設置和實驗結果與分析四個方面依次展開論述。

（1）數據預處理與數據增廣

1）數據預處理

       基於深度卷積神經網路的訓練特性，如果不處理數據集中存在的一些問題，將嚴重影響所訓練網路的性能，為此我們對數據集進行了如圖所示的預處理。

        (1)截取眼底圖像感興趣區域。由於該數據集是在不同醫院在不同環境下和不同設備的情況下眼科醫務人員所採集的，存在圖像大小不一致並且含有一大塊的黑色邊界背景區域如圖a）所示，並且這些區域對於圖片的分類沒有任何幫助，甚至會嚴重降低網路的分類性能，因此我們對多餘的背景區域進行了去除的操作並保留眼底區域部分，結果如圖b）所示。由於圖像不是呈矩形像素分布，根據分類網路輸入結構要求，防止圖像經過網路輸入改變圖像大小的Resize操作後發生變形，我們對非矩形眼底圖像擴黑邊，以解決圖像信息丟失的問題。

     （2）眼底圖像尺寸調整。原始數據集的圖像大小在1444*1444左右，該尺寸對於網路來說太大，由此根據現階段深度學習演算法對圖像大小對分類網路的性能影響的經驗，我們最終在網路的訓練過程中把圖像的尺寸大小調整為256*256，主要原因有以下兩點：第一，圖像尺寸過小容易導致圖像不同類別之間的特徵信息的損失，從而不利於網路對具有分類特徵的區域進行特徵學習；第二，考慮到本文研究所採用的GPU顯存及處理能力，如果圖像尺寸太大則不利於深度卷積神經網路的訓練。

2）數據擴增

相對於自然場景圖像的分類問題，本章所使用到的高度近視病變分類的數據集明顯規模較小，為了避免訓練網路出現過擬合（Over-fitting）現象，在訓練的過程中我們採用了以下幾個方面的在線數據增廣（Online Data Augmentation）方法：

      （1）翻轉（Flipping）。隨機地對眼底彩照圖像進行水平翻轉、垂直翻轉，水平垂直翻轉。

      （2）對比度和亮度的調整（Contrast Adjustment）。本文主要採用按像素的方改變圖像對比度和亮度，公式如下:

                           g(x)=αf(x)+β

      其中α調節對比度， β調節亮度。本文分類設置α和β為隨機0.8-1.0區間內

選取的隨機數。

（3）旋轉（Rotation）。在 0°至15°之間隨機地選擇一個偏移角度對圖像進行旋轉操作。

（4）剪切（Cropping）。隨機地選擇一個偏移量（Offset），例如，原始圖像大小1024*1024，偏移量的取值范圍為[0, 128]，則把1444*]1444的圖片剪切為1316*1316。

       實踐經典的分類網路Resnet、Densenet、ShuffleNetV2等分類網路。

       在前面幾章中，對高度近視病變嚴重程度的自動分類和眼底彩照圖像的優化演算法進行了詳細的敘述。在高度近視病變分類中，我們使用了一種基於Bagging思想的多重組網路的方法；在眼底圖像優化演算法中，我們則提出了基於圖像空間變換方法的眼底圖像優化演算法。

       在實際的高度近視疾病的計算機輔助診斷(Computer-Aided Diagnosis)系統中，只預測到高度近視病變嚴重程度，對眼科醫生提供的輔助診斷信息顯然還不夠。為此，在獲取病理性高度近視的眼底圖像後，需要再對病變區域進行分割，供醫生進一步確認患者病情，這將很大程度上增加高度近視診斷的效率和精確度，為大規模的高度近視病變篩查提供可行的措施。因此，本章進行了多尺度融合條件下的高度近視病變區域的分割工作，具體來說，在知道眼底圖像高度近視病變嚴重程度的情況下，用優化演算法處理病理性高度近視的眼底圖像，再用本章的方法對其中的病變區域進行自動的分割。

         如前文所述，高度近視病變區域的精確分割對高度近視患者的診斷與治療具有重要的意義。如果按目前眼底彩照圖像病灶分割的主流方法，其幾個步驟如下：眼底圖像預處理，高度近視病灶區域候選集的提取，病灶特徵提取與分類以及眼底圖像後處理。這些方法通過人工預先構造的特徵再結合幾種較為常見的機器學習演算法（Machine-Learning Algorithms），比如支持向量機（Support Vector Machine ，SVM），k均值聚類演算法（k-means clustering algorithm，K-Means）等方法，進行病灶區域的分割。本章採用了深度學習的分割方法，降低了數據預處理的難度，但由於深度卷積神經網路需要較多的圖像數據，我們對進行了一定程度上的數據增廣，以此來擴增數據集。

      經過第二章的高度近視病變嚴重程度的分類後，我們需要針對病理性高度近視進行圖像質量評測並篩選，即人工人工篩選過濾了質量較差的圖像，最終一共得到350左右張質量正常的病理性高度近視眼底彩照圖像作為數據集。進行該步驟主要是由於眼底彩照圖像採集時可能出現聚焦失敗導致曝光不足、環境光照變化導致過度曝光等一系列問題，這些圖像大部分達不到正常的臨床要求，如圖 所示。

        對於上述的Vnet網路和Vnet-FPN網路是在相同的初始化方法的基礎上從頭開始訓練的。本章數據集含有400張圖像，其中訓練集、測試集各300張，驗證集100張，測試集100張。本章選擇了評測醫學圖像處理演算法的性能時經常使用的評測指標Dice、TPR、PPV作為網路的評測指標，其實都是算它分割方法預測的區域跟金標准（ground truth）區域重合的部分的比例。

       Dice是一個相似性指數，就是分割演算法結果與金標準的結果之間的重疊區域（Overlap Area）除以他們兩個區域的一個平均：

      本文所使用到的病理性高度近視病變的數據集，數據規模比較小。因此，在網路訓練時，為了避免過擬合（Over-fitting），我們主要對數據集進行預處理，即在網路訓練過程中實時實踐以下一些數據增廣的方法：

      （1）翻轉（Flipping）。實驗經驗表明，眼底彩照圖像水平翻轉相對於垂直翻轉更為有效，為此本文採用水平翻轉的數據擴增方法。

      （2）圖像亮度的調整（Contrast Adjustment）。本文主要採用按像素的方改變圖像亮度，根據隨機生成的亮度值疊加到原眼底圖像中。

      （3）旋轉（Rotation）和尺度變換（Scale）。在5°至15°之間隨機地選擇一個角度對圖像進行旋轉操作和對眼底彩照圖像坐標做scale，相當於對圖像做縮放。

      （4）高斯濾波（Gaussian filter）。高斯濾波是一種線性平滑濾波，適用於消除高斯雜訊，廣泛應用於圖像處理的減噪過程。通俗的講，高斯濾波就是對整幅圖像進行加權平均的過程，每一個像素點的值，都由其本身和鄰域內的其他像素值經過加權平均後得到。

    左中右分別為標簽可視化，Vnet分割結果和Vnet-FPN分割結果。

㈡ 清晰眼世界眼底照相機檢查是什麼怎麼樣

挺好，檢查的很仔細，清晰眼世界的眼底照相機是對眼底大范圍的視網膜放大成像及視網膜熒光素血管照相。

㈢ 眼底照片怎麼看

正常情況下，對眼底的視網膜都會反射出紅光。多以對眼底拍照都是紅色的主要看視網膜的表面情況如果沒有紅光，可能是沒對准視網膜（這個應該是最常見的原因），還有可能就是視網膜完全壞死不會反光了

㈣ 眼底造影檢查是怎樣的

眼底熒光造影檢查是一種用來檢查患者的眼底變化的檢查。這是糖尿病性視網膜病變診斷分期及指導治療的最重要的標准。
檢查時需要在患者的肘部靜脈注射熒光素鈉，熒光素鈉是一種血管顯影劑，可以明確顯示血管的擴張、滲漏、微血管瘤、無灌注區、新生血管、黃斑水腫等病理變化，應用眼底照相機將血管的這些變化記錄下來。

㈤ 眼底血管分割dice參數

Dice系數是一種集合相似度度量函數，通常用於計算兩個樣本的相似度，取值為[0,1]。

首先將預測的圖片轉換為二值圖如下：to_binary.py。

在預測腦腫瘤或者皮膚病變的mask模型中，我們一般將mask圖像中的像素分類成1或0，即如果像素中有mask，我們聲明為1，如果像素中沒有mask，我們聲明為0，這種對圖像進行逐像素二進制分類稱為「語義分割」。

如果我們試圖去識別圖像中的許多對象，則稱為「實例分割」，實例分割是一種多分類分割。例如，在自動駕駛汽車視野中，物體被分類為汽車、道路、樹木、房屋、天空、行人等。

在語義（二進制）分割和實例（多類）分割中，我們需要一個損失函數來計算梯度。

拓展知識。

研究表明，各類眼科疾病以及心腦血管疾病會對視網膜血管造成形變、出血等不同程度的影響。隨著生活水平的提高，這類疾病的發病率呈現逐年增長的趨勢。

臨床上，醫療人員能夠從檢眼鏡採集的彩色眼底圖像中提取視網膜血管，然後通過對血管形態狀況的分析達到診斷這類疾病的目的。但是，由於受眼底圖像採集技術的限制，圖像中往往存在大量雜訊，再加之視網膜血管自身結構復雜多變，使得視網膜血管的分割變得困難重重。

傳統方法中依靠人工手動分割視網膜血管，不僅工作量巨大極為耗時，而且受主觀因素影響嚴重。因此，利用計算機技術，找到一種能夠快速、准確分割視網膜血管的演算法，實現對眼底圖像血管特徵的實時提取，對輔助醫療人員診斷眼科疾病、心腦血管疾病等具有重要作用。

㈥ 眼底照相需要散瞳嗎

散瞳可以得到范圍較大的眼底照片。大多數眼底病變在後極30度左右范圍內，如果瞳孔大小正常，醫生認為不必散瞳也可以照相。尤其是一些不宜散瞳的人是可以不散通的。

㈦ 做眼底照相檢查要先散瞳嗎

一般是做眼底檢查是需要進行散瞳的。散瞳後能更為全面的檢查到眼底情況，為以後病的判斷和治療提供更正准確的依據。如果不存在青光眼的情況，散瞳不會對眼睛或身體產生任何不良影響的。如果懷疑為視神經炎等眼底疾病引起，最好是到醫院眼科進行散瞳眼底檢查，

㈧ 眼底熒光血管造影方法有什麼臨床意義

眼底有豐富的血管，由於某些原因會使眼底血管產生病變，從而造成視力的下降。為了觀察眼底血管的狀況，眼科醫生經常採用眼底熒光血管造影的方法。將被檢眼充分散瞳，從肘前靜脈快速注入熒光素後，用裝有特定濾光片組合的眼底照相機，專門拍攝眼底血管中熒光素循行時吸收激發光線後所發射出的熒光。眼底熒光素經過的地方能使膠片感光而顯影，從而了解眼底微循環結構及各種生理病理變化，為多種眼底疾病的診斷、治療、療效觀察和機制研究提供有價值的資料。

近期還有人研製出了一些新型造影方法，如靶染料釋放系統眼底血管造影、脂質體空泡系統眼底血管造影、吖啶橙眼底血管造影等，但還未普遍用於臨床。

㈨ 眼睛不舒服，為什麼要做眼底眼底篩查

眼睛是心靈的窗戶，人類信息的90％依靠視覺獲得。全身活體血管，唯有眼底可見。

眼科醫生是用眼底鏡通過瞳孔來觀察眼底，正常的瞳孔大小隻有3mm，所見范圍很小，全憑醫生的經驗。點散瞳眼葯水(只要眼壓正常)可以使瞳孔散大，擴大眼底觀察的范圍。然而，病人只能從醫生的描述中，了解自身眼底的情況。

如果用眼底照相機給眼底照相，照片可同時列印出來，我們就可以看到自己眼底的全貌。眼底有非常重要的結構，包括視神經、視網膜、視網膜動靜脈血管、黃斑(視物的中心)。

眼底圖像只是平面圖像，也有局限性。我們還可以做眼底熒光血管造影，通過肘靜脈注射熒光素，同時連續拍片，它能清晰地表現出微循環的細微結構，直到毛細血管水平，在拍照的不同時間，獲得動態的影像，完整系統的表述循環的正常或異常狀態，以及出血、滲出、熒光素滲漏、毛細血管無灌注區等。

從眼底圖像我們可以診斷各種眼病以及內科病和腦系科的疾病。如視神經病變、視網膜病變、視網膜血管病變、黃斑病變、高血壓動脈硬化、糖尿病視網膜病變、腎病、血液病、顱腦疾病等等。

㈩ 什麼是眼部造影

最關鍵是要肝腎功能健全的患者才能做，而且做完後要拚命喝水以排出造影劑，個人認為最大的副作用就是人全身皮膚都變黃了，其他真沒看到更大的危險。假設心血管系統、肝腎功能不好的病人做了，或許就有很大的問題，至少搶救的難度比較大。