临床研究表明，医学影像中的曲线结构的形态变化，如血管、神经纤维等，与许多疾病的发展密切相关。其中，曲线结构的弯曲度指标可作为疾病诊断、分型与分期的重要生物标记之一。因此，角膜神经纤维弯曲度的精确表征、量化分析，对糖尿病并发症、干眼等众多眼科疾病的筛查和诊断具有重要意义。已有的弯曲度评估方法通常先使用分割算法将医学影像中的曲线结构进行提取，然后针对提取的曲线结构进行弯曲度计算，故弯曲度度量通常受曲线结构提取精度的限制。

　　中国科学院宁波材料技术与工程研究所智能医学影像团队（iMED）提出了一种新的角膜神经弯曲度评估方法。该方法无须对原始图像进行曲线结构提取，直接通过图像增强、指数曲率估计和弯曲度分级三个步骤对图像中的曲线结构弯曲度进行评估。首先，基于噪声约束的Retinex模型，实现了共聚焦显微镜图像采集过程中由于对焦和光源所致的神经结构成像模糊、图像亮度不均衡问题，以此提高图像的对比度增强角膜神经的呈现（如图1）。其次，为了避免已有弯曲度评估方法深受分割结果影响，提出了基于三维空间中位置和方向的指数曲率（Exponential Curvature）直接测量曲率（如图2）。最后通过分类器结合其他指标，对图像的弯曲度进行疾病分级评估。该方法的有效性和鲁棒性在多个数据集上进行了验证，结果显示图像增强方法不仅可以提供图像的信噪比（SNR），也可提升角膜神经分割性能。重要的是，本方法提出的基于指数曲率的弯曲度评估，显著提升了疾病的诊断和分级准确率。相关研究成果以“Automated Tortuosity Analysis of Nerve Fibers in Corneal Confocal Microscopy共聚焦显微镜下的角膜神经纤维弯曲度的自动分析”为题在线发表于IEEE Transactions on Medical Imaging（DOI: 10.1109/TMI.2020.2974499）。论文中还公开了包含430幅角膜神经显微图像弯曲度手动分级的数据集，用于推动其他机构开展相关的研究工作。

　　此外，本算法也可应用于糖尿病最常见的慢性并发症之一，糖尿病神经病变（diabetic neuropathy）的临床诊断和评估当中，进一步推进了人工智能方法在临床医学中的应用。本项目的临床研究与利物浦大学Yalin Zheng教授，北京大学第三医院齐虹教授等团队合作，相关成果发表在内分泌学顶级期刊Diabetologia (63: 419-430, 2020)。

　　该研究得到了国家自然科学基金项目（61906181）、浙江省自然科学基金重点项目（LZ19F010001）、浙江省重点研发计划项目（2020C030360）、中国博士后科学基金（2019M652156）的资助。

图1 增强方法在角膜神经图像的实验结果：（a）和（c）：增强前图像；（b）和（d）：增强后图像

图2 基于指数曲率的角膜神经弯曲度计算

　　(慈溪医工所 岳星宇)