CN101685533A - 眼底oct图像的视神经纤维层自动分割方法 - Google Patents
眼底oct图像的视神经纤维层自动分割方法 Download PDFInfo
- Publication number
- CN101685533A CN101685533A CN200910109433A CN200910109433A CN101685533A CN 101685533 A CN101685533 A CN 101685533A CN 200910109433 A CN200910109433 A CN 200910109433A CN 200910109433 A CN200910109433 A CN 200910109433A CN 101685533 A CN101685533 A CN 101685533A
- Authority
- CN
- China
- Prior art keywords
- data
- partial structurtes
- function
- nerve fiber
- fiber layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种眼底OCT图像的视神经纤维层自动分割方法,包括以下步骤:A.确定视网膜区域的内层轮廓u(s)=[x(s),y(s)]和外层轮廓v(s)=[x(s),y(s)];B.以局部结构数据p(x,y)的方式描述出视网膜区域,并在构建水平集函数φ的基础上,建立基于局部结构数据p(x,y)的能量泛函(公式见上式);C.最小化能量泛函,求解出φ(x,y)=0时的分界曲线m={(x,y)|φ(x,y)=0},将分界曲线m(s)与外层轮廓v(s)之间的区域确定为视神经纤维层区域。本发明提供的方法能对眼底OCT图像的视神经纤维层进行可靠、精确的分割。
Description
【技术领域】
本发明涉及图像处理,特别是一种眼底OCT图像的视神经纤维层自动分割方法。
【背景技术】
光学相干层析技术(Optical Coherence Tomography,OCT)是近年来迅速发展起来的一种成像技术,它在保证一定探测深度的同时,达到了高于其他方法的分辨率和灵敏度,从而以其高分辨率,高灵敏度,非侵入,非接触等特点,在诸多成像方法中占据了一席之地,并有着很好的发展前景,也受到了人们越来越多的关注。OCT利用宽带光源的弱相干特性,通过测量样品后向散射光的干涉信号,对生物组织的内部微观结构进行高分辨率层析成像。与传统的光学显微镜相比,OCT利用宽带光的弱相干性来抑制背景能量,可获得比传统的超声成像高1~2个数量级的分辨率(μm级),以及很高的信噪比(超过100dB)。OCT影像分析方法的研究已是医学影像分析中的一个热点研究领域。OCT可用于诊断诸如青光眼、糖尿病水肿等需要定量测量视网膜变化的疾病。在青光眼的情况下,该技术可使医师能够掌握视神经纤维层的变化情形,而不必再去测量眼压及视场区域的变化。在糖尿病的情形下,眼科医生可以对视网膜的肿胀进行定量测量。眼底OCT影像分析中的视神经纤维层(retinal nerve fibre layer,RNFL)厚度计算分析在眼科疾病诊断中有着重要的作用,RNFL的厚度异常与许多眼部疾病有着直接的关系。如何精确可靠计算RNFL是OCT图像分析中的一个难点问题,主要表现在两点:1)本身RNFL的边界非常微弱而且容易与其它边界混淆,很难通过简单的方法找到RNFL;2)根据解剖学的原理RNFL应该具有双峰结构,通常针对亮度图像很难分割出具有双峰结构的RNFL。
大多数OCT系统后端分析所针对的OCT图像数据都简化为反映干涉能量的标量图像如前所述OCT图像反映的是空间光的相干能量信息,所以斑点噪声在图像重建时是无法避免的,因而降低了对生物组织描述的精度和数据处理得可靠性。一种方法从光学的角度出发,将生物组织看成大量的散射物质,最终的成像数据y(n)可以看作是散射信号x(n)与点扩散函数h(n)卷积而成,如式(1)所示。
这里点扩散函数h(n)同时可以描述为一高斯序列g(n)和一复正弦信号的乘积,如式(2)所示。
h(n)=g(n)exp(j2πn/τ) (2)
其中τ为光源的波长。
另一种方法将OCT图像噪声近似为乘性和加性噪声的共同作用,可以描述为式(3)。
f(x,y)=s(x,y)n1(x,y)+n2(x,y) (3)
这里s(x,y)为理想的OCT数据,f(x,y)为观测值,n1(x,y),n2(x,y)分别是乘性和加性噪声,(x,y)为空间坐标。
OCT数据分析如分割、轮廓提取等,如果采用模型(2)和(3)会很复杂,实际应用时并不现实。现大多数OCT图像分析都是针对反映干涉能量的标量图像,同时利用传统的灰度图像处理技术。使用这种简化了的灰度图像在处理、分析时会降低对生物组织固有特征的描述能力,同时不能很好解决数据的噪声问题。
【发明内容】
本发明的主要目的就是解决现有技术中的问题,提供一种能对眼底OCT图像的RNFL进行可靠、精确分割的自动分割方法。
为实现上述目的,本发明采用以下技术方案:
一种眼底OCT图像的视神经纤维层自动分割方法,包括以下步骤:
A、确定视网膜区域的内层轮廓u(s)=[x(s),y(s)]和外层轮廓v(s)=[x(s),y(s)];
B、以局部结构数据p(x,y)的方式描述出视网膜区域,并在构建水平集函数φ的基础上,建立基于局部结构数据p(x,y)的能量泛函:
其中,d(·)为描述不同局部结构数据之间的差异的距离函数,为视神经纤维层区域Ω1内的局部结构数据的均值,为内外层轮廓之间的非视神经纤维层区域Ω2内的局部结构数据的均值,φ为定义在图像大小范围内的连续函数,H为指示性函数,H(x)=1,x≥0and H(x)=0,x<0;
优选地,所述步骤C中,通过以下扩散方程来求解能量泛函:
其中δ为Dirac函数。
优选地,所述局部结构数据为2维图像局部结构基于二阶张量来描述的张量数据:
其中I为原始OCT数据,G为高斯核函数,张量T为一个对称2×2半正定矩阵。
本发明的有益效果是:
由于OCT图像任意坐标下像素亮度难以精确反映该位置下生物组织特性,同时,OCT图像数据其局部结构特性相对于单个像素亮度对于分析、计算则更加可靠,而信息更丰富,因此,本发明使用数据局部结构信息作为OCT图像分析和处理的对象,并引入水平集(level set)的策略,将概率函数作为新的OCT数据描述手段,结合水平集策略对RNFL进行分割,能够达到从视网膜OCT图像中可靠、精确地分割和提取视神经纤维层轮廓的效果。
【附图说明】
图1为视神经纤维层在视网膜中的分布示意图;
图2为本发明一种实施例的视神经纤维层自动分割方法的流程图;
图3为本发明一种实施例中采用的张量数据的几何意义示意图;
图4为利用张量数据描述OCT图像的分析示意图;
图5a-图5b展示了使用本发明自动分割方法得到视神经层厚度的三例结果。
【具体实施方式】
本发明的特征及优点将通过实施例结合附图进行详细说明。
请参考图2,一种实施例的视神经纤维层自动分割方法的流程如下。
假设已经知道视网膜区域内外层轮廓,分别表示为:u(s)=[x(s),y(s)], v(s)=[x(s),y(s)],RNFL的分界曲线为m(s)=[x(s),y(s)],u,v之间的区域用Ω表示,RNFL的区域用Ω1表示,非RNFL的区域用Ω2表示。用p(x,y)来表示OCT图像局部结构数据。
根据水平集理论建立基于非欧数据p(x,y)能量范函:
其中,d(·)为距离函数,描述不同局部结构数据之间的差异,为Ω1内局部结构数据的均值,为Ω2内局部结构数据的均值,φ为水平集函数,为定义在图像大小范围内的连续函数,H为指示性函数,H(x)=1,x≥0and H(x)=0,x<0。
根据Euler-Lagrange方程,方程(4)的解可以通过以下扩散方程(5)实现。
δ为Dirac函数。
在不同是实施例中,可采用多种描述图像局部结构的方法:如基于局部方向特性、基于局部轮廓分布特性、以及基于局部图像blob拓扑性质、基于纹理特性、基于二阶张量等描述手段。其中,基于二阶张量的描述方法由于其可以采用线性数据量化描述,相对其它特征描述更便于计算和分析,因此,在优选的实例中,将OCT图像描述为张量场,这样,式(4)中的p(x,y)为局部张量数据,d(·)为描述不同局部张量数据之间差异的距离函数,可用矩阵的Frobenius范数来描述不同张量数据之间的差异,为Ω1内局部张量数据的均值,表示Ω2内局部张量数据的均值。
数学上,张量是由欧式空间的切矢量与协变切矢量作用产生的,对于图像结构张量的构造同样遵循上面的原则。假设2D图像点x,y)的切矢量为 按照张量的定义2D图像的局部张量为:
这里I为原始OCT数据,G为高斯核函数。张量T包含了某一空间位置的局部结构特征。
如图3和图4所示,张量T为一个对称2×2半正定矩阵,其几何含义可以描述为空间的一个椭圆,主轴长度对应T的特征值,相应的特征向量对应主轴方向。根据T的几何含义可以将T写为: λ1,λ2和e1,e2为相应的特征值和特征矢量。
利用张量描述时,OCT图像分析可以看作是在每个坐标位置下对λ1,λ2和e1,e2的计算和处理。
图5a-图5b展示了三例使用本发明自动分割方法得到的视神经层厚度的结果。其中,横坐标表示视神经层的扫描位置,纵坐标表示相应位置上的视神经层厚度,位于上方的阴影区域表示正常的视神经层厚度范围,黑色曲线表示采用本发明的方法计算出的视神经层厚度值,图中可见,黑色曲线的纵坐标值即得到的厚度值大体精确地落入正常的视神经层厚度范围。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (3)
1.一种眼底OCT图像的视神经纤维层自动分割方法,其特征在于,包括以下步骤:
A、确定视网膜区域的内层轮廓u(s)=[x(s),y(s)]和外层轮廓v(s)=[x(s),y(s)];
B、以局部结构数据p(x,y)的方式描述出视网膜区域,并在构建水平集函数φ的基础上,建立基于局部结构数据p(x,y)的能量泛函:
其中,d(·)为描述不同局部结构数据之间的差异的距离函数,为视神经纤维层区域Ω1内的局部结构数据的均值,为内外层轮廓之间的非视神经纤维层区域Ω2内的局部结构数据的均值,φ为定义在图像大小范围内的连续函数,H为指示性函数,H(x)=1,x≥0 and H(x)=0,x<0;
3.如权利要求1或2所述的视神经纤维层自动分割方法,其特征在于,所述局部结构数据为2维图像局部结构基于二阶张量来描述的张量数据:
其中I为原始OCT数据,G为高斯核函数,张量T为一个对称2×2半正定矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910109433XA CN101685533B (zh) | 2009-08-18 | 2009-08-18 | 眼底oct图像的视神经纤维层自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910109433XA CN101685533B (zh) | 2009-08-18 | 2009-08-18 | 眼底oct图像的视神经纤维层自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101685533A true CN101685533A (zh) | 2010-03-31 |
CN101685533B CN101685533B (zh) | 2012-05-30 |
Family
ID=42048684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910109433XA Expired - Fee Related CN101685533B (zh) | 2009-08-18 | 2009-08-18 | 眼底oct图像的视神经纤维层自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101685533B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110286A (zh) * | 2010-05-21 | 2011-06-29 | 段侪杰 | 基于弯曲度的水平集图像分割平滑方法 |
CN102436651A (zh) * | 2011-08-25 | 2012-05-02 | 清华大学 | 视网膜oct体数据三维层状边界的提取方法及系统 |
CN103514605A (zh) * | 2013-10-11 | 2014-01-15 | 南京理工大学 | 基于hd-oct视网膜图像的脉络膜层自动分割方法 |
CN105894498A (zh) * | 2016-03-25 | 2016-08-24 | 湖南省科学技术研究开发院 | 一种视网膜光学相干图像分割方法 |
CN106023172A (zh) * | 2016-05-13 | 2016-10-12 | 大连理工大学 | 一种实现大脑白质快速分割和纤维簇数据分析的方法 |
CN108492302A (zh) * | 2018-03-26 | 2018-09-04 | 北京市商汤科技开发有限公司 | 神经层分割方法和装置、电子设备、存储介质、程序 |
CN109758113A (zh) * | 2019-01-15 | 2019-05-17 | 北京端点医药研究开发有限公司 | 一种基于图像识别的视网膜病变定量分析系统 |
CN109886965A (zh) * | 2019-04-09 | 2019-06-14 | 山东师范大学 | 一种水平集和深度学习相结合的视网膜层分割方法及系统 |
CN110415252A (zh) * | 2018-04-26 | 2019-11-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
CN111696109A (zh) * | 2020-05-25 | 2020-09-22 | 深圳大学 | 面向视网膜oct三维影像的高精度层分割方法 |
CN112489048A (zh) * | 2020-12-01 | 2021-03-12 | 浙江工业大学 | 一种基于深度网络的视神经自动分割方法 |
-
2009
- 2009-08-18 CN CN200910109433XA patent/CN101685533B/zh not_active Expired - Fee Related
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110286A (zh) * | 2010-05-21 | 2011-06-29 | 段侪杰 | 基于弯曲度的水平集图像分割平滑方法 |
CN102436651A (zh) * | 2011-08-25 | 2012-05-02 | 清华大学 | 视网膜oct体数据三维层状边界的提取方法及系统 |
CN102436651B (zh) * | 2011-08-25 | 2013-06-19 | 清华大学 | 视网膜oct体数据三维层状边界的提取方法及系统 |
CN103514605A (zh) * | 2013-10-11 | 2014-01-15 | 南京理工大学 | 基于hd-oct视网膜图像的脉络膜层自动分割方法 |
CN105894498A (zh) * | 2016-03-25 | 2016-08-24 | 湖南省科学技术研究开发院 | 一种视网膜光学相干图像分割方法 |
CN106023172A (zh) * | 2016-05-13 | 2016-10-12 | 大连理工大学 | 一种实现大脑白质快速分割和纤维簇数据分析的方法 |
CN108492302B (zh) * | 2018-03-26 | 2021-04-02 | 北京市商汤科技开发有限公司 | 神经层分割方法和装置、电子设备、存储介质 |
CN108492302A (zh) * | 2018-03-26 | 2018-09-04 | 北京市商汤科技开发有限公司 | 神经层分割方法和装置、电子设备、存储介质、程序 |
CN110415252A (zh) * | 2018-04-26 | 2019-11-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
CN110415252B (zh) * | 2018-04-26 | 2022-08-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
CN109758113A (zh) * | 2019-01-15 | 2019-05-17 | 北京端点医药研究开发有限公司 | 一种基于图像识别的视网膜病变定量分析系统 |
CN109758113B (zh) * | 2019-01-15 | 2021-05-25 | 北京端点医药研究开发有限公司 | 一种基于图像识别的视网膜病变定量分析系统 |
CN109886965A (zh) * | 2019-04-09 | 2019-06-14 | 山东师范大学 | 一种水平集和深度学习相结合的视网膜层分割方法及系统 |
CN111696109A (zh) * | 2020-05-25 | 2020-09-22 | 深圳大学 | 面向视网膜oct三维影像的高精度层分割方法 |
CN112489048A (zh) * | 2020-12-01 | 2021-03-12 | 浙江工业大学 | 一种基于深度网络的视神经自动分割方法 |
CN112489048B (zh) * | 2020-12-01 | 2024-04-16 | 浙江工业大学 | 一种基于深度网络的视神经自动分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101685533B (zh) | 2012-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101685533B (zh) | 眼底oct图像的视神经纤维层自动分割方法 | |
Chang et al. | Review of methods and applications of attenuation coefficient measurements with optical coherence tomography | |
JP6240064B2 (ja) | 散乱媒質の深さ分解した物理的及び/又は光学的特性を決定する方法 | |
US7782464B2 (en) | Processes, arrangements and systems for providing a fiber layer thickness map based on optical coherence tomography images | |
Petroll et al. | In vivo confocal microscopy of the cornea: new developments in image acquisition, reconstruction, and analysis using the HRT-Rostock corneal module | |
Girard et al. | Shadow removal and contrast enhancement in optical coherence tomography images of the human optic nerve head | |
US8770753B2 (en) | Scanning and processing using optical coherence tomography | |
Forsea et al. | Clinical application of optical coherence tomography for the imaging of non–melanocytic cutaneous tumors: A pilot multi–modal study | |
US9775510B2 (en) | Methods to reduce variance in OCT analysis of the macula | |
CA2844433A1 (en) | Motion correction and normalization of features in optical coherence tomography | |
Nair et al. | Heartbeat OCE: corneal biomechanical response to simulated heartbeat pulsation measured by optical coherence elastography | |
WO2010140476A1 (en) | Image processing apparatus, control method thereof, and computer program | |
Shen et al. | Extended scan depth optical coherence tomography for evaluating ocular surface shape | |
US11445915B2 (en) | Compact briefcase OCT system for point-of-care imaging | |
Zhang et al. | A novel technique for robust and fast segmentation of corneal layer interfaces based on spectral-domain optical coherence tomography imaging | |
Raja et al. | Glaucoma detection using optical coherence tomography images: a systematic review of clinical and automated studies | |
Luo et al. | The edge detectors suitable for retinal OCT image segmentation | |
CN115443480A (zh) | 使用通道编码板坯进行oct正面病理学分割 | |
Ji et al. | Deep-learning approach for automated thickness measurement of epithelial tissue and scab using optical coherence tomography | |
Srivastava et al. | Three-dimensional graph-based skin layer segmentation in optical coherence tomography images for roughness estimation | |
Zhu et al. | Aligning scan acquisition circles in optical coherence tomography images of the retinal nerve fibre layer | |
Somfai et al. | Evaluation of potential image acquisition pitfalls during optical coherence tomography and their influence on retinal image segmentation | |
Lu et al. | Parapapillary atrophy and optic disc region assessment (PANDORA): retinal imaging tool for assessment of the optic disc and parapapillary atrophy | |
Baroni et al. | Texture classification of retinal layers in optical coherence tomography | |
Huang et al. | Quantitative characterization of mechanically indented in vivo human skin in adults and infants using optical coherence tomography |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120530 Termination date: 20150818 |
|
EXPY | Termination of patent right or utility model |