1. 資訊管理系統
MIS_HW1
2011/04/08
資管三 4098029021 蘇揚中
資管三 4098029023 李佳威
資管三 4098029045 楊馥安

2. 本組專題介紹：
我們希望能利用「電腦自動化技術」協助醫療人員辨識及判斷糖尿病視網膜
病變的嚴重程度，藉以加快治療的速度。
由於治療糖尿病的醫師通常對眼部疾病的判別沒有眼科醫師了解，故經常需
要眼科醫師的協助，公文的傳遞、眼科醫師的時間調度等等，在種種外部因素的
考量下便會延長病人的治療時間，可能導致病情惡化，甚至失明。
本專題是利用影像處理技術，切割出視網膜的血管、亮點以及暗點，再依眼
科醫師的說明，來判定糖尿病患者的視網膜病變是屬於第幾期。
糖尿病視網膜病可能出現的症狀及判定方法：
可能的症狀：
1. 視網膜血栓
2. 血管末端是否有棉花狀斑（cotton-wool spots）出血的現象
3. 是否有新生血管
4. 血管是否有發炎、微小動脈瘤的產生
5. 黃斑部病變
判斷方法：
1. 先將圖檔轉為二元黑白圖檔，「０」是白，「１」是黑。
2. 針對一個顏色相近的區域，算出其最常長度，將此長度當作圓的直徑算出圓
2

3. 面積。
3. 比較圓面積和實際面積的大小是否有顯著差異。
4. 若有顯著差異則為血管，若無明顯差別則為亮點或暗點。
專題屬於哪一型?為什麼?
我們的專題是為了協助糖尿病醫師判斷病人的視網膜病變程度，這件事情其實不
一定需要透過電腦化，眼科醫師其實可以做得又快又好，但若此系統得以成功建
置，則可大量減輕眼科醫師的工作量。
但從長期來看，此系統若不慎停擺，則有可能導致眼科醫師工作量突然增加無法
負荷，因而造成視網膜病變患者病情上的延誤。
判斷方法一：使用策略方格
其實現有的其他醫療系統已經發展得相當成熟，在技術上也是較為複雜、精
確，在判定上也更為精準，所以就「目前資訊科技對策落的影響」來看屬「高」；
而我們的專題由於時間上的限制，技術也比較簡單、粗糙，在「規劃中資訊科技
對策略的影響」屬於「低」，故推斷我們的專題屬於「工廠型」。
判斷方法二：使用定義
由於我們的系統並不會直接影響到整個企業的營運，他並不是屬於決策型的
3

4. 系統，故排除「轉換型」和「策略型」的可能性，又「支援型」從定義上來看只
能做建檔、加快處理、簡單運算、資料探勘、資料倉儲等等，故推斷我們的專題
屬於「工廠型」。
介紹現有的一個系統，比較與其之差別
論文名稱：使用影像處理技術於糖尿病視網膜病變之自動化辨識
一、研究背景
糖尿病視網膜病變依病變的嚴重程度，主要可分為非增殖性糖尿病視網膜病
變及增殖性糖尿病視網膜病變二階段（Acharya et al., 2008；Yun et al., 2008）：
(一) 非增殖性糖尿病視網膜病變（nonproliferative diabetic retinopathy, NPDR）
由於視網膜微血管外皮細胞（pericyte）壞死，使得微血管產生細小的微血管瘤，
而這些微血管瘤具有滲漏性，因而導致出血及血管滲出物，導致患者視力缺損。
其病變嚴重程度又可細分為輕度、中度、重度。主要病徵包括：微血管瘤
（microaneurysm）、出血（haemorrhages）、硬滲出物（hard exudates）、
棉花絮斑（cotton wool spot）、視網膜內小血管異常（intraretinalmicrovascular
abnormalities, IRMA）、靜脈串珠型變化（venousbeading）及黃斑部水腫
（macular edema）。
(二) 增殖性糖尿病視網膜病變（proliferative diabetic retinopathy, PDR）
4

5. 糖尿病視網膜病變末期 由於眼球缺血造成視網膜增生許多易破裂的新生微血管，
，
此時當有外力衝擊時 即有可能造成微血管破裂出血 導致病患視覺喪失 此外，
， ， 。
還可能引起玻璃體腔收縮 造成視網膜受到拉扯而脫落 產生牽引性視網膜剝離
， ， ，
將導致病患失明。主要病徵除了原先非增殖性糖尿病視網膜病變的病徵外，另外
還產生新的病徵，包括：異常微血管增生（neovascularization）、玻璃體出血
及纖維狀瘢痕（fibrousscarring）。
現階段糖尿病視網膜病變的診斷方式以影像分析為主，來源主要為散瞳眼底
檢查及螢光眼底血管攝影（fluorescein angiography, FA）二種技術，前者是滴
入散瞳劑使其瞳孔放大，接著拍攝其視網膜影像；後者則是於病患手臂靜脈注射
螢光藥物，使視網膜血管產生螢光反應，並利用攝影儀器獲取視網膜影像。所取
得之視網膜影像將由眼科醫生判斷有無上述所言之病徵，藉以診斷糖尿病患者是
否罹患糖尿病視網膜病變及其病變嚴重程度，眼科醫生即能根據此資訊給予適當
的建議及治療方法，並依據病患狀況進行定期追踨復檢。
二、研究動機及目的
本研究將發展一套完整的自動化診斷流程，運用影像處理技術於偵測硬滲出
5

6. 物及血管二病徵並提供其病變資訊，藉由分類器自動化辨識糖尿病視網膜影像，
希冀藉由此自動化流程能降低眼科醫生進行診斷所須花費大量的時間及工作量，
也能減少眼科醫生的訓練成本及接受訓練的時間，所節省的大量時間能使眼科醫
生更有精力於視網膜病變之治療及手術，且自動化流程診斷結果較人工方更為客
觀、可靠。
此外，透過二病徵資訊顯示，能輔助眼科醫生針對病變的情況給予適當的治
療方式，除了能大幅降低糖尿病視網膜病變患者視覺缺損的程度，更能有效減少
患者失明的發生率。
三、研究流程
本流程將載入糖尿病患者之視網膜影像，藉由所提出之自動化診斷流程進行分類，
其流程分為：（1）影像前處理；（2）影像分割；（3）特徵萃取；（4）分類
四、實驗結果
6

7. (一) 影像前處理
實驗首先載入糖尿病患者之彩色視網膜影像，為計算影像中之灰階特徵值，
將原本RGB 影像透過red、green、blue 三元件轉換為灰階影像，本研究將取
green channel 之灰階影像進行影像增強及明亮均化，其增強方式採適應性直方
圖等化。
影像前處理結果（a）原彩色影像（b）green channel 灰階影像（c）增強影像。
(二) 影像分割
1. 血管分割：
本階段輸入為影像前處理後之增強影像，採形態學之分水嶺演算法切割影像
之血管區域，其標記影像採形態學方式侵蝕，經實驗重覆測試結果証實結構元素
採圓盤型結構元素及半徑設定為5 有最佳之分割效果 其影像結果顯示如圖4-2a
，
所示。
然而 分割之血管影像視野邊緣乃呈現白色部分會導致特徵萃取時發生錯誤，
，
本研究將運用門檻值（thresholding）方式於原灰階影像偵測其影像視野遮罩部
分，所偵測之視野遮罩與原血管分割影像重疊，去除邊緣白色遮罩區域，僅剩下
7

8. 白色血管及黑色背景二部分以進行白色血管特徵萃取，由於每位病患血管大小不
一，若僅考慮血管區域可能影響分類結果，故將加入血管邊緣周長特徵值進行衡
量。因此，本研究於血管分割影像所萃取之特徵值為血管區域及血管周長二特
徵。
血管分割結果（a）分割之血管（b）視野遮罩（c）血管區域（d）血管周長。
2. 硬滲出物分割：
此部分採用Frei-chen分割方式以求得影像物件邊緣，並將其像素映射於三
維空間中找出高明亮強度之物件，即為候選硬滲出物部分，然而視神經盤及視野
遮罩邊緣於視網膜影像亦為明亮區域，因此需將其偵測並移除，視神經盤偵測方
式於侯選硬滲出物區域採形態學方式重覆斷開、閉合以求出大範圍區域；視野遮
罩邊緣偵測則同於血管分割之視野遮罩偵測方式，於候選硬滲出物像素將視神經
盤及視野遮罩邊緣像素移除 剩下即為本研究所萃取之白色硬滲出物區域像素。
，
8

9. 硬滲出物分割結果（a）Frei-chen邊緣分割（b）候選硬滲出物區域（c）視神
經盤（d）硬滲出物區域
(三) 特徵萃取
由上述血管及硬滲出物分割方法所獲得之視網膜影像，為二值化影像(binary
image)，即區分為白色特徵及黑色背景二部分，萃取其白色特徵值分別為：（1）
血管周長、（2）血管區域、（3）硬滲出物區域及（4）紋理分析之對比度特徵
值。
(四) 分類
本研究分類方法採用倒傳遞類神經網路方法，其分類結果以混亂矩陣顯示如表
4-1所示，並以目前醫學臨床診斷方法常見之四種指標進行評估，評估本研究自
動化流程之效能，其分類正確率為92.5%，敏感性為97%，特異性為71.4%，ROC
曲線下面積為93.07%。
9

10. 五、分類結果評估
就硬滲出物而言，正常視網膜影像並未有硬滲出物（圖1b）；非增殖型糖
尿病視網膜病變其硬滲出物逐漸增多（圖2b）；增殖型糖尿病視網膜病變由於
硬滲出物滋養血管導致血管大量增生硬滲出物減少，嚴重時並無明顯硬滲出物病
徵（圖3b）。若偵測單一硬滲出物於糖尿病視網膜病變辨識，將導致增殖型糖
尿病視網膜病變影像無法明確辨識，造成分類錯誤影響其分類正確率。
就血管分割而言，正常視網膜影像並未有微血管瘤、出血及血管增生等徵狀
（圖1c）；非增殖型糖尿病視網膜病變可能產生微血管瘤、出血情況；增殖型糖
尿病視網膜病變影像其血管大量增生（圖3c）。
然而，非增殖型糖尿病視網膜病變其病徵可能為其他之異常情況，若視網膜
影像呈現硬滲出物病徵但並未有微血管瘤及出血之異常情況時（圖2c），僅單一
偵測血管將導致錯誤分類影像分類結果。
因此本研究提出偵測二個病徵可提供更多之病變資訊，以解決上述影像無法
辨識之問題，藉以提升糖尿病視網膜病變之辨識率，且更多相關資訊能輔助眼科
醫生瞭解病變情況，並給予適當之治療方法，以預防或延緩病患之視覺缺損並降
10

11. 低失明的發生率。
視網膜影像範例（a）視網膜影像（b）硬滲出物分割影像（c）血管區域分割影
像。（1）正常視網膜影像（2）輕微之非增殖型糖尿病視網膜病變（3）末期之
增殖型糖尿病視網膜病變
六、結論及貢獻
11

12. 本研究流程與過去研究之差異：
1. 技術整合：
本流程中每一階段所採用之影像處理技術，仍整理過去文獻所提出之各種影
像處理技術，找出目前最佳影像處理技術進行整合，以建構一套完整的自動化辨
識流程，以提升其分類正確率，實驗結果顯示本流程之分類正確率超過90%。
2. 病徵資訊：
有別於過去學者僅偵測單一病徵只能提供單一資訊，本研究仍運用影像處理
技術於偵測硬滲出物及血管二病徵，以提供更多病徵相關資訊解決單一資訊之不
完整，以提升糖尿病視網膜病變之辨識率，且相關資訊能輔助眼科醫生瞭解病變
情況。
本研究所提出之自動化流程能避免眼科醫生個人主觀判斷影響辨識結果之
公信力及可靠度，並降低傳統人工方式所須花費大量的時間及成本，減少眼科醫
生的訓練成本及接受訓練的時間，所節省的大量時間能使眼科醫生更有精力於視
網膜病變之治療及手術。而偵測硬滲出物及血管二病徵之相關資訊，能有效提高
糖尿病視網膜病變之分類正確率，並協助眼科醫生清楚其病變情況並給予適當之
治療方法，以防止或延緩此病變所引發之視覺缺損，降低失明發生率。
12

13. 13