1.2 睑板腺图像分析系统

睑板腺图像量化分析分析系统是基于LabVIEW 2016(National Instruments Corporation，US)和NI视觉模块开发，操作系统为Windows 7及更高版本。系统分为图像识别，图像预处理和生物参数分析3 大模块。图1 所示为一例完整的睑板腺图像量化分析系统界面图。

1.2.1 睑板腺图像识别

由于Oculus Keratograph 5M(以下简称为K5) 所导出图像的方式是通过截取屏幕，每个设备使用的分辨率，软件版本并非统一，因此增强对比模式的睑板腺图像在导出的图像上位置不是固定的。针对K5所导出的图像(图2)，系统需要自动识别增强对比模式的睑板腺图像。根据导出图像的灰度差和图片位置，可以发现所需要识别的增强对比模式的睑板腺图像相对边框较暗(灰度值较低)且位置在图像中心点的左上方。因此第1步需要对图像进行分块处理；第2步根据位置的选择需要识别的区域，通过Graham算法[9]截取有效图像(图2D)。

1.2.2 睑板腺图像预处理

使用K5 的增强对比模式来摄取图像，自动把采集的睑板腺图像增强了睑板腺和眼睑的对比度，通过识别得到分辨率为1 088 × 512 像素的高清睑板腺图像。但K5 设备虽把睑板腺和眼睑的对比度增强，更容易观测，但仍然无法实现自动分割，有效提取睑板腺腺体。因此，需要对睑板腺图像进行图像预处理，自动提取出腺体轮廓。图像预处理核心算法部分是基于图像算法Convolution和Morphology算法改写，结合形态滤波及Convex Hull算法，其实现步骤如下。

步骤一：由于睑板腺和眼睑的平均灰度为190 和140 ，而眼睫毛和高亮发光点平均灰度为20 和250，因此利用灰度差，通过控制二值化的阈值和边缘检测，快速识别睑板腺的眼睫毛，高亮反光点和睑板腺的轮廓，再使用形态学滤波，可以去除这两部分的图像信息。

其中形态滤波方式如下：A为原图矩阵，B为结构矩阵，R为处理后矩阵。

步骤二：去除眼睑毛和高反光点后，容易精准识别出睑板腺的轮廓，通过对Convolution 和Morphology改写算法，结合形态学滤波和Convex Hull算法[10]，去除无效边缘信息，得到仅剩睑板腺的图像。

改写算法核心如下，f为原图矩阵，b为结构矩阵，h为核矩阵，G为处理后矩阵：

其中公式[2]、公式[3] 中， Df和Db分别表示图像输入矩阵f(x,y)和结构矩阵b(x,y)的定义域。公式[4]中，Dh表示核矩阵h(x,y)的定义域。

步骤三：得到睑板腺图像后，进行图像处理重建，增强腺体的对比度，分割腺体与眼睑，自动提取腺体形态。其中f为原图矩阵， k为结构矩阵，M为处理后矩阵；

步骤效果图如图3所示。

通过上述的方法可以在图像预处理的步骤中实现睑板腺区域与腺体的自动提取。但考虑到实验中仍有部分图片无法自动提取，软件同时也开放了手动勾画的模式，操作者可以使用手动勾画的方式把睑板腺的区域勾画出来，系统再根据所勾画的区域提取出睑板腺区域和腺体。

1.2.3 睑板腺的生物参数

睑板腺形态与其功能相关，炎症、堵塞、激素水平变化、环境因素等多种原因均可以影响睑板腺的数量和形态，进而改变睑板腺油脂分泌功能，导致泪膜稳定性下降，发生MGD。因此睑板腺腺体扭曲、膨大、萎缩乃至缺失是MGD诊断的重要特异性体征。

根据腺体的形态，可以计算腺体的长度、直径、面积、形变系数(deformation coefficient， DC)、显影值和中央腺体的腺体百分比6个生物参数。通过检测腺体的边缘，从上到下，每4个像素1个步进计算扫描腺体，计算腺体两边界点A，B的坐标。通过对点A，B的计算，计算出生物参数。计算公式如下：

其中，x， y分别表示像素矩阵的横纵坐标，i为二值化像素值。

睑板腺异常轻中度患者，腺体普遍存在扭曲和变形，形变系数是腺体的形体参数。根据临床上腺体的病理性改变，基于弧弦比模型，建立形变系数生物参数。腺体的变异程度量化分析可进一步指导患者病情分级，同时可为进行个体精准化治疗提供评价标准。

其中P为腺体单边周长：

通过对形变系数的比较(图4)，越趋于正常的腺体，形变系数越小，腺体的扭曲和堵塞都会影响形变系数。

从解剖结构上看，睑板腺由腺体导管和腺泡组短，可导致蒸发过强型干眼症。因此，通过显影值来表示睑板腺中腺泡的含量。

在同一的照明条件下，不同组织吸收光线的数值叫做光密度(optical density， OD)。利用摄像机采集光信号通过光电转换原理，在图像中以灰度值来表示，测量目标吸收的光线越多，光密度数值越大[12]。当光线照射一个密度均匀的物质时，被吸收光能量的多少与该物质的含量成正比， 而与照射光的强度无关[13]。因此，光密度可以用来衡量睑板腺中脂质的含量。以光密度为模型，定义睑板腺的显影值，表示腺体的脂质含量。

显影值公示如下：

其中 Greyi 为被测腺体的平均灰度值(透射光强度)， Grey0 为腺体周边眼睑区域的平均灰度值(入射光强度)。通过对显影值的比较(图5)，显影值越高，脂质含量越高；显影值越低，脂质含量越低。

在临床工作中，评估患者的腺体情况以中央5~8条腺体为主，且睑板腺检查中以中央分腺体最为清晰，中央腺体百分比及长度评估结果可代表患者主要腺体的功能情况，直径可部分反映腺体的阻塞程度。

1.3 统计学处理

采用SPSS 13.0 统计软件包进行数据统计分析。计量资料以均数± 标准差( x± s) 表示。重复性评估为同一图像来源不同操作者的2次测量值，采用重复观察平均差异( x± s)、变异系数(coefficient of variation ， CV%) 及组内相关系数( intracl ass correlation coefficient， ICC) 表示， CV%<10% 时重复性较好，统计学上认为ICC>0.75时具有良好的复测可信度。两次分析结果差异用配对样本t检验。 P <0.05为差异有统计学意义。

2 结果

2.1 临床实验设计

由中山眼科中心招募正常受试者 24人( 42眼) ，年龄( 34 ± 8 ) 岁，其中，男性受试者10人，女性受试者14人。采用Oculus Keratograph 5M进行睑板腺红外摄影。其中选取受试者中的10 人(20 眼) 在同型号的设备上由两名已接受培训的操作员分别行睑板腺红外摄影，所拍摄的图像数据通过睑板腺分析系统( Meibomian Gland Bioimage Analyzer V3) 进行生物参数分析。本实验设计手动选择上睑结膜中央5 条腺体进行形态学参数的定量分析，对有2 名操作员所拍摄的数据进行重复性测试，分析其数据在眼表疾病中的诊断价值。

2.2 实验结果

通过对24位受试者(42眼)的睑板腺图像进行分析，睑板腺生物参数测量均值：腺体平均直径为(0.48±0.09) mm，腺体平均长度为(5.25±0.68) mm，腺体平均面积为(2.12± 0.53) mm， 腺体形变系数分别为10.01±3.85，显影值为6.32±1.23，中央5条腺体占中央区域面积百分比为(10.94±2.20)%，腺体占上睑结膜面积百分比为(58.07±8.13)%。

选取受试者中的10 人(20 眼) 在同型号的设备上由第2 名操作员进行第2 次睑板腺红外摄影进行重复性的校验评估，通过配对样本t 检验的方法得出结果。所有指标的P 值均大于0.05 ， CV 均小于5%， ICC均大于0.95 。两次分析的各生物参数差异均无统计学意义，重复性较好，可信度高。

本文介绍了一种高效的、客观的量化分析软件及睑板腺综合分析系统，可用于快速识别睑板腺的区域并自动提取睑板腺的红外成像中的腺体，自动计算中央每条腺体的长度、直径、面积、形变系数和显影值，并提供中央区域腺体的百分比。还可以手动勾选特定腺体区域进行定位随访追踪，为临床提供了多个生物参数，更客观、更高效、更精准地展现睑板腺形态学的变化以及睑板腺缺失的情况。本研究表明：随着腺体的迂曲和堵塞的变化，变异系数有明显差异，腺体越趋于正常，变异系数越小。在同一光源照射下，显影值高为脂质含量高，分泌脂质功能好；而显影值低为脂质含量低，分泌脂质功能差。显影值不受睑板腺图像的整体光亮度影响，但会受到局部反光的影响。

在实验过程中，由于部分测试者对翻眼睑的不适用，睑板腺图像位置不对，反光不均匀和眼睑暴露不完整，这会导致睑板腺图像导入系统后会提取不精准，小部分的干扰信息无法去除。另外当测试者睑板腺严重缺失的，由于缺失的大区域在光源照射下，偶尔会有不同程度的高反光， 这会导致睑板腺图像导入后，系统会判断为腺体，属于无法去除的干扰项。以上两点还需要通过对图像算法的优化和提高，进一步提高系统对干扰项的处理能力，增加系统的精确度。

目前中国有近3亿干眼患者，临床检查需求量巨大，将睑板腺综合分析系统植入到干眼筛查检查项目中，有望为临床上对睑板腺腺体功能评估提供新的非侵入性参考指标，进一步帮助医生进行标准化的诊断及疗效评估。

参考文献

资讯

j.01.2021.02.10.03

点击

查看杂志官网返回搜狐，查看更多