[论文理解]Diabetic peripheral neuropathy assessment through texture based analysis of corneal nerve images

通过角膜神经图像纹理分析评估糖尿病周围神经病变，2015

目录

• Intro
• Method
• Experiments
• Result
• Discussion

Intro

从基底下神经丛的角膜共焦显微镜图像中提取的形态学信息已被提议用于糖尿病周围神经病变的诊断和分期（Diabetic Peripheral Neuropathy, DPN）。已有研究表明，糖尿病患者的神经密度较低，即使糖尿病持续时间较短，CCM可以使用纤维密度和分支测量准确报告角膜神经损伤和修复的程度，并且神经弯曲与神经病变严重程度相关。角膜神经纤维丢失与表皮内神经纤维丢失相关，角膜神经纤维长度参数对诊断DPN具有较高的鉴别能力。

最近的工作主要集中在开发在CCM图像上自动分割和分析角膜神经的精确方法，以及在使用手动、半自动和自动方法评估角膜神经形态学时CCM的再现性。最近发表了一篇关于这一研究领域的综述。

贡献：该研究旨在评估角膜共焦显微镜获得的角膜神经图像纹理分析在DPN检测中的应用。基于纹理的分析使用从灰度共生矩阵（GLCM）和灰度游程矩阵（GLRLM）获得的图像统计信息。

Method

实验设计

这项研究包括12名糖尿病患者（2型，胰岛素治疗，平均年龄58±10岁），随后在科英布拉医院大学中心（CHUC）内分泌、糖尿病和代谢科进行随访，以及8名年龄匹配的非糖尿病对照个体（平均年龄：54±7岁）。

CCM图像由CHUC眼科部使用海德堡视网膜断层摄影仪（海德堡工程公司，德国海德堡）获得，该视网膜断层摄影仪配备角膜罗斯托克模块。384x384像素的图像对应于400μm x 400μm的区域，并以JPEG格式保存。所有患者均由眼科医生进行双侧检查。我们记录了275张来自健康人的神经图像和356张来自糖尿病患者的图像。

图像纹理特征

图像按采集时使用，无需任何预处理。纹理分析基于一阶图像统计（方差）、基于灰度共生矩阵（GLCM）的二阶统计和基于灰度游程矩阵（GLRLM）的高阶统计。提取的二阶特征为能量、熵、相关性、同质性、相异性、聚类阴影和聚类显著性。获得了0、45、90和135°方向的相关性、能量和均匀性参数。提取的高阶特征为短期强调（SRE）、长期强调（LRE）、灰度不均匀性（GLN）、游程长度不均匀性
均匀性（RLN）、运行百分比（RP）、低灰度运行强调（LGRE）、高灰度运行强调（HGRE）、短期低灰度强调（SRLGE）、短期高灰度强调（SRHGE）、长期低灰度强调（LRLGE）和长期高灰度强调（LRHGE）。这些高阶特征也针对0、45、90和135°的方向进行了计算。从每张图像中提取的特征总数为61个。所有特征都是使用为此目的编写的Matlab程序提取的。

Experiments

使用支持向量机（SVM）系统对DPN组和无DPN组的每幅图像进行监督分类，并将无DPN组的每幅图像分类为轻度或中度DPN。使用Weka数据挖掘软件和Weka LibSVM，使用径向基函数核进行训练和分类。根据SVM分类器分配的权重平方给出的等级自动选择最佳特征，然后在特征空间中进行主成分分析（PCA）变换。使用10倍交叉验证和漏掉一个验证来评估SVM分类性能。

Result

 

从提取的图像纹理特征集中，自动选择7个用于SVM分类器。SVM用于建立监督分类方法，对“有DPN”或“无DPN”组中的每幅图像进行分类。进行了两种不同的评估：在第一次评估中，对照组和无DPN糖尿病患者均被视为“无DPN”，而轻度和中度DPN患者被标记为“有DPN”。在第二次评估中，没有DPN糖尿病患者的图像不包括在内。为了评估分类器的再现性，“带有DPN”中包含的图像，或

“无DPN”组随机分为两个亚组。通过这种方式，获得了两组“带DPN”和“不带DPN”的图像。第一组有来自DPN患者的124张图像和来自健康对照组的138张图像。第二组包括来自DPN患者的126张图像和来自健康对照组的137张图像。无DPN的糖尿病患者不包括在该重复性评估中。结果如表5所示。

Discussion

在这项工作中，我们考虑了一种不同的方法，将神经图像作为一个整体进行分析，而不执行神经分割步骤。我们选择使用基于角膜神经图像纹理分析获得的特征的分类技术。尽管据我们所知，这种方法从未用于分析CCM图像，但纹理分析已广泛用于医学图像处理，主要用于放射和核医学，也用于基于光辐射的医学成像。近年来，基于纹理的分类技术得到了广泛的应用。

基于角膜神经形态计量学的DPN评估具有基于具有明确临床意义的参数的重要优势。角膜神经形态计量学参数可直接量化小纤维疾病。神经纤维长度和神经纤维密度参数与增强的神经变性有关，而神经分支密度与神经再生能力有关。基于这些参数的方法能够量化角膜神经纤维变性和再生，并可用于评估治疗的疗效。使用基于纹理的方法分析角膜神经图像很难获得如此多的信息。然而，正如我们的结果所表明的，这些方法可能适合于筛查目的。