通过复杂性分析, 本研究获取到大量的眼底自发荧光图像的特征, 并进一步通过交叉检验来鉴别及筛选能有效地表达图像特性的特征。经过软件运算分析后, 25个特征被筛选出在糖尿病组和正常组中存在差异, 25个特征如下：①年纪, ②性别, ③原始图像的临界细粒化指数r1, ④原始图像细粒化指数取42时的格子复杂度LC1, ⑤原始图像细粒化指数取75时的格子复杂性LC2, ⑥第一阶IMF的临界细粒化指数, ⑦第二阶IMF临界细粒化指数, ⑧第二阶IMF细粒化指数取23时的格子复杂度LC3, ⑨第二阶IMF细粒化指数取139时的格子复杂度LC4, ⑩第三阶IMF临界细粒化指数, ⑪第三阶IMF细粒化指数取76时的格子复杂度LC5, ⑫第三阶IMF细粒化指数取105时的格子复杂度LC6, ⑬第四阶IMF临界细粒化指数, ⑭第四阶IMF细粒化指数取20时的格子复杂度LC7, ⑮第四阶IMF细粒化指数取56时的格子复杂度LC8, ⑯方形邻域LBP旋转不变后临界细粒化指数, ⑰方形邻域LBP旋转不变后细粒化指数为11的格子复杂度LC9, ⑱圆形邻域LBP旋转变化后通过细粒化指数为32的格子复杂度LC10, ⑲圆形邻域LBP旋转变化后通过细粒化指数为78的格子复杂度LC11, ⑳圆形邻域LBP旋转不变后临界细粒化指数, ㉑圆形邻域LBP旋转不变后细粒化指数为28的格子复杂度LC12, ㉒灰度共生矩阵4个方向上的能量, ㉓灰度共生矩阵4个方向上的熵, ㉔灰度共生矩阵4个方向上的对比度, ㉕灰度共生矩阵的4个方向上的相关性。

研究中首先通过10折交叉验证以及5折交叉验证将单独一个特征中效果较好的特征选取出来, 再将这些效果较好的特征组合, 具体实验数据如下：

表1示单个特征通过交叉检验识别效果较好的实验结果, 其中寻优步长为0.6, C和G的搜索范围在-7~5之间。V表示交叉检验的折数分别采用了10折交叉检验以及5折交叉检验进行了验证。AUC表示交叉检验得到的准确率。从表中可以看出通过方形邻域LBP处理后的图像的临界细粒化指数对图像具有较好的识别效果。

表1

Table 1

表1(Table 1)

表1 单个特征通过交叉检验识别效果分析 Table 1 The recognition effect of single feature is analyzed by cross test Feature numbers V C, G AUC (%) 16 10 10.5, 32.0 80.44 5 8.7, 28.0 80.44 17 10 15.0, 15.8 74.22 5 1.4, 27.8 73.20 23 10 8.2, 20.2 74.22 5 8.0, 14.0 74.22 24 10 1.3, 0.2 71.13 5 1.0, 0.2 76.29 25 10 6.5, 9.7 76.28 5 8.1, 12.5 76.28 V represents the fold number of cross test, which is verified by 10 fold cross test and 5 fold cross test; AUC represents the accuracy rate of cross check. C, G are support vector machine parameters.

表1 单个特征通过交叉检验识别效果分析 Table 1 The recognition effect of single feature is analyzed by cross test

表2示特征组合效果较好的几组实验结果, 从结果中可知, 通过方形领域LBP处理后的图像的临界化细粒指数和细粒化为11时的复杂度对图像具有很好的识别效果。在交叉检验的情况下, 最好的识别效果达到了82.47%。

表2

Table 2

表2(Table 2)

表2 多个特征通过交叉检验识别效果分析 Table 2 Analysis of recognition effect of multiple features through cross test Feature numbers V C, G AUC (%) 19, 24 10 7.8, 19.7 77.32 5 8.0, 14.0 74.22 16, 25 10 5.9, 7.6 80.44 5 8.6, 10.2 80.44 16, 17 10 4.3, 25.0 82.47 5 5.2, 12.1 82.47 V represents the fold number of cross test, which is verified by 10 fold cross test and 5 fold cross test; AUC represents the accuracy rate of cross check. C, G are support vector machine parameters.

表2 多个特征通过交叉检验识别效果分析 Table 2 Analysis of recognition effect of multiple features through cross test

由此, 通过25个特征交叉验证, 最终选择最佳识别效果达到82.47%的图像特征组合方式对眼底自发荧光图像进行人工智能分析。将测试样本（40眼剩余样本）输入软件进行验证, 符合验证结果。

计算机辅助诊断^[9]的医学影像处理技术是一门交叉的学科, 在医学影像处理技术过程中主要包括前期的图像预处理和后期图像特征值提取与分析^[13]。既往研究显示, 早期^[10]采用普通图像分析软件处理图像时, 无图像预处理, 且手动进行划分区域, 误差较大^[10]。或者采用自带软件分区^[11], 取后极部近黄斑区范围, 无法处理后极部全部图像。而本研究通过对图像的形状、纹理以及其他的复杂性特征来获取图像的信息, 并通过分类精准而快速地分离出不同属性的图像, 对图像进行准确的描述^[14]。

本研究采用的“ 基于二维格子复杂性度量的医学图像特征提取和识别系统” 作为人工智能计算方式的一种, 在医学图像方面已有研究应用^{[15, 16, 17, 18]}, 通过对图像的影响因子排除, 并转化计算机序列进行对比, 具有人眼及普通图像处理不具备的灵敏度及准确性, 可客观地分析比较图像间的区别。系统采用的格子复杂性是一种通用的时间序列分析算法^[14], 作为广义信息度量, 特别适用于人体这类复杂系统所产生的数据。本研究将眼底荧光原始图像通过二维图像经验模分解法（Bemd算法）以及局部二值模式算法（LBP算法）对图像进行了处理, 分别将相应图像均值二值化后通过空间填充曲线扫描得到计算格子复杂性所需的序列, 即将二维的图像转化为一维的序列, 将一维序列在不同细粒化指数下进行格子复杂性求取。将计算得到的格子复杂性作为图像特征。提取大量的图像特征, 使用支持向量机（SVM）进行图像分析。通过计算机软件进行大量计算比对, 提取出具有比较意义的25个特征。针对25个特征进行单个特征及多个特征的10折交叉检验以及5折交叉检验, 交叉检验作为计算机处理中建模常用的验证统计方式, 可以提高数据检验的精确性。通过交叉检验进行模型检验, 得到82.47%准确图片识别效果。

糖尿病对RPE细胞中脂褐素的分布存在影响, 在人眼无法识别视网膜改变及视网膜自发荧光改变时, DR的临床前期已经悄悄地影响了患者视功能。研究结果提示以临床前期的DR为例, 人工智能可分辨肉眼未见的图像改变, 且复杂性分析软件具有较高的准确率。通过“ 基于二维格子复杂性度量的医学图像特征提取和识别系统” , 建立临床前期DR眼底自发荧光图像特征数据库, 可用于临床前期DR自发荧光图像筛查, 下一步, 我们将进一步扩大数据量, 并且结合患者临床指标, 细化更多图像特征, 进行更具体的识别和细化, 从而为临床工作提供有利的参考。

利益冲突申明 本研究不存在利益冲突

作者贡献声明 徐晓茹：收集数据, 参与选题、设计及资料的分析和解释, 撰写论文, 根据编辑部的修改意见进行修改及核修。陈嘉玮：收集数据, 参与选题、设计及资料的分析和解释, 撰写论文, 根据编辑部的修改意见进行修改。张元勋：收集数据, 数据处理, 撰写论文。冯义侠：收集数据, 参与选题、设计及资料的分析。柯大观：修改论文中关键性结果、结论