医学影像中的视网膜血管特征表现及建模方法分析
0 引言
作为人体血脉网络的一部分，视网膜血管的长度、宽度、弯曲度及分支角度等形态参数是否有变化，以及是否有增生、渗出，均可反映全身血管的病变[1]。实现对眼底血管网络的特征信息分析，对于辅助诊断眼部疾病和一些全局性病变都有价值。
由于视网膜血管网络呈复杂的树状结构，拥有丰富的分枝，多样，同时细小血管与背景之间的对比度较弱，使得视网膜血管分割成为一个充满挑战的课题。彩色眼底照相（CFP）、眼底荧光素血管造影（FFA）等眼底影像受到广泛关注，已经产生大量血管分割算法，综述[2]按照不同角度对视网膜血管的分割算法做了很好的回顾。根据所用的图像处理理论和算法，将视网膜血管分割算法分为六类：（1）模式识别技术；（2）匹配滤波；（3）血管追踪；（4）数学形态学；（5）多尺度方法；（6）基于模型的方法。分析各种血管分割算法，其实质离不开对医学影像中的血管形态信息进行特征建模。模式识别技术通常是对血管的灰度、梯度等局部特征的建模和分类；匹配滤波利用了血管的横断面近似高斯模型或混合高斯模型；追踪算法离不开对局部血管的尺寸、方向、曲率、线性度、对比度的渐变性来实现血管的逐步递推和跟踪检测；多尺度方法通常利用了血管网络的分段线性尺度特性；基于模型的分割算法更是利用血管的局部灰度、梯度等特征信息进行能量函数建模。
基于此，本文从视网膜血管在各种医学影像中特征表现展开分析，对常规的视网膜血管建模方法做了性能比对，让读者能够从另一种角度理解把握目前的视网膜血管分割算法，从而提出更加合适的视网膜血管分割算法。
1 视网膜血管在常用医学影像中的特征表现
利用眼底照相机对眼球内壁进行不同角度的拍摄，能够获取二维的视网膜影像。眼底照相机一般有三种操作模式：在白色光源下，能够获取真彩色眼底图像；滤除红色图像光后，能够获取血管对比度高的眼底图像；注射荧光剂后，可以获取眼底荧光素血管影像。血管注射荧光素钠后，利用490纳米的蓝色光源能够激发血管中的荧光，从而获取血管高亮的视网膜血管影像，如图1所示。
图 1 眼底荧光素血管影像[3]
由图1看出视网膜血管的形态信息：（1）视网膜血管是分段线性的网状结构；（2）血管的灰度值与背景存在灰度差，但是在细小血管处，灰度差很小；（3）血管的宽度差别很大，从视盘出发，血管宽度从十几个像素减少到一两个像素；（4）血管横断剖面近似于高斯分布或混合高斯分布。
目前有许多视网膜医学影像的公用数据库[2]。其中DRIVE和STARE两大眼底图像数据库分别提供了不同眼底照相机从不同角度获取的彩色眼底图像，两者都有两套眼科专家手工分割的视网膜血管网络作为金标准，便于视网膜血管分割算法的性能比较。
2 视网膜血管特征建模及分析
表1总结了视网膜血管网络的特征表现，并给出常见的特征模型及其存在的主要问题。由表1看出，仅对血管的一个属性进行建模无法有效分割目标。管状器官的局部特征便于提取和建模，广泛应用于视网膜的血管分割，包括对图像的滤波和增强。管状器官的全局特征为分割算法提供全局空间一致性信息，便于处理图像的局部噪声和分割不连续的管状器官。但是由于全局特征的获取复杂度高，该类算法值得进一步研究。
表1 视网膜血管的特征表现及常见特征模型
Hessian矩阵的本征值分析是血管增强的最常用工具[4]。基于Hessian矩阵的管状检测器通常选用不同的测量尺度来检测目标，并且将所有尺度下的最大尺寸合并为一个多尺度响应。但是Hessian匹配滤波存在三个问题：（1）采用Gaussian函数与图像进行卷积计算梯度向量场，会导致边界模糊；（2）由Hessian矩阵特征值定义的管状结构度量函数难以分割分叉点；（3）需要在多尺度空间下，获取不同尺度下的管状结构最大响应，计算量大。
Xu和Prince提出的梯度向量场（GVF）[5]能够实现图像的边界梯度信息向目标中心的扩散。由于来自管状器官边界的梯度向量在中心处相互抵消，导致GVF向量场在管状器官的中心处几乎为零，恰好对应多尺度检测的最大尺度响应，因此可以采用Jacobian矩阵代替传统多尺度下的Hessain矩阵进行血管检测[2]。根据Jacobian矩阵的特征值和特征向量信息可以进行三个方面的应用：（1）进行管状结构检测，增强管状器官；（2）管腔脊线生成，经过细化可以作为血管中心线；（3）提供细小血管的方向信息，从而为视网膜血管的交叉、分支在3维空间的走向提供信息。（下转第99页）
（上接第67页）3 结论
由于视网膜血管网络形态复杂、位置特殊，准确提取视网膜血管网络，为心血管和眼科疾病的诊断提供帮助，成为许多计算机辅助治疗系统的研究核心。由此产生了大量分割提取视网膜血管的算法和成果，但是依然存在许多问题有待解决。比如，有关分割已经病变或存有噪音的视网膜血管的算法很少；算法复杂度高，对高分辨率的医学影像进行血管分割依然具有很大的挑战。许多算法局限于对DRIVE和STARE数据库的图像进行分析，性能测量仅限局部的特定形态特征。两大公用数据库的图像数据缺少图片之间的相关信息，比如，片内或片间的灰度变换，相邻图片之间的对比度和不均匀的背景灰度不断漂移等信息。充分利用这些全局性的血管特征信息是进行视网膜血管分割及分析的方向。
