CN103544680B - 泪河l层oct检测中的假信号处理方法 - Google Patents
泪河l层oct检测中的假信号处理方法 Download PDFInfo
- Publication number
- CN103544680B CN103544680B CN201310372611.4A CN201310372611A CN103544680B CN 103544680 B CN103544680 B CN 103544680B CN 201310372611 A CN201310372611 A CN 201310372611A CN 103544680 B CN103544680 B CN 103544680B
- Authority
- CN
- China
- Prior art keywords
- layer
- glitch
- signal
- region
- image
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000008439 repair process Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000003556 assay Methods 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000012014 optical coherence tomography Methods 0.000 description 24
- 150000002632 lipids Chemical class 0.000 description 6
- 238000012952 Resampling Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 241000150100 Margo Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000000795 conjunctiva Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 208000005494 xerophthalmia Diseases 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及OCT检测数据处理技术领域，特别是一种泪河L层检测中的假信号处理方法，包括以下步骤：步骤1：对泪河表层的OCT扫描信号数据或生成图像进行转化，得到数字矩阵，然后对假信号区域进行识别；步骤2：对识别的假信号区域进行修复，输出修复图像；步骤3：计算并输出因假信号修复造成的置信度下降参数。该方法有利于提高泪河L层OCT检测结果的准确性。
Description
技术领域
本发明涉及OCT（光学相干断层扫描技术或称光学相干层析技术，OpticalCoherenceTomography）检测数据处理技术领域，特别是一种泪河L层检测中的假信号处理方法。
背景技术
泪河是位于下睑缘内与角结膜交界处，由于泪液的汇集而行成的呈新月形的一个结构。泪河的表层存在着一种结构，这个结构以往文献没有报道过，为方便，将其命名泪河林氏层（tearmeniscuslin’slayer）或泪河L层。泪河L层几乎无法被肉眼观察，但可以被OCT等检测技术所探知，通过OCT的扫描可以得到其形态特征。泪河L层在正常情况下具有近似扁纺锤形/椭圆形的形态，两侧可发生延伸，它构成了OCT泪河断面图像的上边缘，呈中高信号。这层结构与具有一定表面活性的脂质层有关，在干眼症，睑缘疾病等眼表疾病中，这层结构会发生改变。通过分析泪河L层，有望对眼表的脂质状态及相关疾病作出判断。但在OCT等检测中，由于泪河表面的弧度不均，常常会使泪河的部分水液表面与OCT探测装置呈特定角度，从而对OCT的发射信号发生直接镜面反射，形成过强的假信号；这使得OCT检测到的泪河表面，在非L层存在的部位或L层中应呈现中弱反射的部位，形成局部的强反射信号，干扰了的这层结构的分析。
这就要求在对泪河L层进行分析的过程中，需考虑到这种假信号的存在并对其进行鉴别、处理，以免形成较大的误差，从而干扰检测分析结果在眼表脂质状态判别及相关疾病诊断中的应用。
发明内容
本发明的目的在于提供一种泪河L层OCT检测中的假信号处理方法，该方法有利于提高泪河L层OCT检测结果的准确性。
为实现上述目的，本发明的技术方案是：一种泪河L层OCT检测中的假信号处理方法，包括以下步骤：
步骤1：对泪河表层的OCT扫描信号数据或生成图像进行转化，得到数字矩阵，然后对假信号区域进行识别；
步骤2：对识别的假信号区域进行修复，输出修复图像；
步骤3：计算并输出因假信号修复造成的置信度下降参数。
进一步的，在步骤1中，按如下方法对泪河表层的OCT扫描信号数据或生成图像进行转化分析：
如果可以直接由相应接口得到扫描信号数据时，将直接获取的扫描信号数据列为三维矩阵进行下一步计算；如果不能直接获得扫描信号数据，但可以得到经过处理的图像信号时，将图像信号转化为由其灰度值构成的三维矩阵进行下一步计算；如果得到的是二维图像，也将图像信号转化为由其灰度值构成的二维数字矩阵。
进一步的，在步骤1中，按如下方法对L层区域及假信号区域进行识别：
假信号区域识别：当扫描信号数据为二维扫描信号数据时，逐点计算相邻两像素点的扫描信号信号强度差值Xn+1-Xn，式中Xn为更接近图像边缘的像素点的扫描信号信号强度值，当Xn+1>(2/3)Xmax且Xn+1-Xn>[(2/3)Xmax-Xn]/2时，将扫描信号信号强度值Xn+1所代表的扫描信号点判断为假图像信号边缘点，式中Xmax为信号监测阈区间的最大信号值，将相连的假图像信号边缘点连接起来，所构成的区域即为假图像区域，位于假图像区域中的信号为假图像信号；当扫描信号数据为三维扫描信号数据时，对扫描信号中与人眼正面平行的各截面分别逐点计算相邻两像素点的扫描信号信号强度差值Xn+1-Xn，式中Xn为更接近图像边缘的像素点的扫描信号信号强度值，当Xn+1>(2/3)Xmax且Xn+1-Xn>[(2/3)Xmax-Xn]/2时，将扫描信号信号强度值Xn+1所代表的扫描信号点判断为假图像信号边缘点，式中Xmax为信号监测阈区间的最大信号值，将相连的假图像信号边缘点连接起来，所构成的区域即为假图像区域，位于假图像区域中的信号为假图像信号；
L层区域识别：L层周围的信号为接近0的反射信号，同样采用周围差值法，将相邻两像素点的扫描信号信号强度差值Xn+1-Xn，Xn为接近0或周围背景噪声的数值，将扫描信号信号强度值Xn+1所代表的扫描信号点判定为L层图像信号边缘点，将相连的L层图像信号边缘点连接起来，所构成的区域即为L层区域。
进一步的，所述步骤2具体包括：
步骤2.1：如果获取了二次扫描权限，发出二次扫描范围平移1-3mm的机器指令信号，或发出更改相干光发射接收器角度5-10°的机器指令信号，取得二次扫描信号数据或图像；将二次扫描信号数据或图像转化为二次数字矩阵然后进行假信号区域识别，得到二次扫描图像的L层区域及假信号区域；将原始扫描图像与二次扫描图像进行叠加，对正常L层区域将原始扫描图像与二次扫描图像二者相加取均值，对假信号区域进行截取剔除并由另一次扫描图像的相应区域互补；输出处理后的图像及相应数据矩阵；
步骤2.2：如果未获取二次扫描权限，或者采用步骤2.1发现仍存在不可避免的假信号互补盲区时，采用假信号区域周边4-16个数据点的值进行分层填充，二维数据中的填充值参考周边4-16个数据点的均值得出，三维数据中的填充值参考水平及垂直方向各2-8个数据点的均值得出；当假信号区域处于L层轮廓边缘时，使用外缘计算法填充：其外缘轮廓由周边L层轮廓按弧度延长得出，其填充值按两侧边缘连线各2-8个数据点的均值计算；外缘填充层为假信号区域内侧点至虚拟外缘轮廓连线的1/4，为1-20个数据点；输出处理后的图像及相应数据矩阵，如有使用外缘计算法，同时输出外缘修正系数（BM）=填充的外缘长度/虚拟处理后L层外缘总长度，如未使用外缘计算法，外缘修正系数（BM）=0。
步骤2.3：如果步骤2.1、2.2均不能使用，或者采用步骤2.1、2.2处理后置信度下降太多，采用人工模型数据库模拟修正法进行处理：制作模拟的具有各种形态的人工泪河L层模型，并存入人工泪河L层模型数据库；将待处理对象的泪河L层与数据库中的人工泪河L层模型进行比较，找到最为接近的模型，对步骤1中识别的假信号区域进行匹配交换填充，实现修复；
步骤2.4：采用步骤2.3的同时，可以同时采用人体泪河L层数据库模拟修正法进行处理：采集大量志愿者或临床研究对象中不存在假信号的良好采样结果，存入人体泪河L层数据库；将待处理对象的泪河L层与数据库中的人体泪河L层进行比较，找到最为接近的模型，对步骤1中识别的假信号区域进行匹配交换填充，实现修复。
进一步的，所述步骤3具体包括：
当仅采用步骤2.1方法时，置信下降值（Rd）=M1×（假信号区域/L层总区域）；
当仅采用步骤2.2方法时，置信下降值（Rd）=M2×（假信号区域/L层总区域+外缘修正系数×M3）；
当同时采用步骤2.1及2.2方法时，置信下降值（Rd）=M2×（盲区假信号区域/L层总区域+外缘修正系数×M3）+M1×（经步骤2.1处理的假信号区域/L层总区域）；
其中，M1、M2、M3为校正系数，M3>M2>M1；如果是三维数据矩阵，按各层总和计算。
如果采用步骤2.3，置信下降值（Rd）=SDmodel×（假信号区域/L层总区域）；采用固定值SDmodel，SDmodel值的估算依据：1.根据在人工模拟的多批次泪河L层模型（>30次）进行标准采样后，并与正常良好采样后的多批次（>30次）人体真实泪河L层对比后，经过比较其各模型总体及局部数值差异，并计算两组的总体方差得出。由于这组值在不同人种及不同地域中因为温湿度变化可能存在明显差异，在结果输出时需提出来样本来源及环境参数。并根据需要在使用地域进行实地测试，提供在本地使用环境下的Rdmodel值，以提高准确性。
如果采用步骤2.4，置信下降值（Rd）=SDhuman×（假信号区域/L层总区域），SDhuman值的估算依据：对于数据库中的各样本进行随机放置来源不同的各假信号图形，使用步骤2.4的方法进行检索替换，最终计算修复后的泪河L层与原泪河L层进行比较，计算总方差值。
本发明的有益效果是提出了对泪河L层OCT检测中假信号区域的鉴别和处理方法，根据是否获取二次扫描权限等情况对假信号区域进行修复，并输出修复图像及相应的置信下降值，由于修复了假信号带来的影响，使得利用OCT进行泪河L层检测的结果更加客观、准确。
下面结合附图及具体实施例对本发明作进一步的详细说明。
附图说明
图1是本发明实施例的流程图。
具体实施方式
本发明的泪河L层OCT检测中的假信号处理方法，如图1所示，包括以下步骤：
步骤1：对泪河表层的OCT扫描信号数据或生成图像进行转化，得到数字矩阵，然后对假信号区域进行识别；
步骤2：对识别的假信号区域进行修复，输出修复图像；
步骤3：计算并输出因假信号修复造成的置信度下降参数。
在步骤1中，按如下方法对泪河表层的OCT扫描信号数据或生成图像进行转化分析：
根据泪河L层的信号存在形式不同，予以相应的转化。如果可以直接由相应接口得到扫描信号数据时，将直接获取的扫描信号数据列为三维矩阵进行下一步计算；如果不能直接获得扫描信号数据，但可以得到经过处理的图像信号时，将图像信号转化为由其灰度值构成的三维矩阵进行下一步计算；如果得到的是二维图像，也将图像信号转化为由其灰度值构成的二维数字矩阵。
在步骤1中，按如下方法对L层区域及假信号区域进行识别：
假信号区域识别：当扫描信号数据为二维扫描信号数据时，逐点计算相邻两像素点的扫描信号信号强度差值Xn+1-Xn，式中Xn为更接近图像边缘的像素点的扫描信号信号强度值，当Xn+1>(2/3)Xmax且Xn+1-Xn>[(2/3)Xmax-Xn]/2时，将扫描信号信号强度值Xn+1所代表的扫描信号点判断为假图像信号边缘点，式中Xmax为信号监测阈区间的最大信号值，将相连的假图像信号边缘点连接起来，所构成的区域即为假图像区域，位于假图像区域中的信号为假图像信号；当扫描信号数据为三维扫描信号数据时，对扫描信号中与人眼正面平行的各截面分别逐点计算相邻两像素点的扫描信号信号强度差值Xn+1-Xn，式中Xn为更接近图像边缘的像素点的扫描信号信号强度值，当Xn+1>(2/3)Xmax且Xn+1-Xn>[(2/3)Xmax-Xn]/2时，将扫描信号信号强度值Xn+1所代表的扫描信号点判断为假图像信号边缘点，式中Xmax为信号监测阈区间的最大信号值（即设备理论上所能监测到的最大值），将相连的假图像信号边缘点连接起来，所构成的区域即为假图像区域，位于假图像区域中的信号为假图像信号；
L层区域识别：由于L层周围一般为泪液中的水液层，故L层周围的信号一般为接近0的反射信号，同样采用周围差值法，将相邻两像素点的扫描信号信号强度差值Xn+1-Xn，Xn为接近0或周围背景噪声的数值，而图像信号边缘点明显高于周围背景噪声，将扫描信号信号强度值Xn+1所代表的扫描信号点判定为L层图像信号边缘点，将相连的L层图像信号边缘点连接起来，所构成的区域即为L层区域。
所述步骤2具体包括：
步骤2.1：如果获取了二次扫描权限，发出二次扫描范围平移1-3mm的机器指令信号，或发出更改相干光发射接收器角度5-10°的机器指令信号，取得二次扫描信号数据或图像；将二次扫描信号数据或图像转化为二次数字矩阵然后进行假信号区域识别，得到二次扫描图像的L层区域及假信号区域；将原始扫描图像与二次扫描图像进行叠加，对正常L层区域将原始扫描图像与二次扫描图像二者相加取均值，对假信号区域进行截取剔除并由另一次扫描图像的相应区域互补；输出处理后的图像及相应数据矩阵；
步骤2.2：如果未获取二次扫描权限，或者采用步骤2.1发现仍存在不可避免的假信号互补盲区时，采用假信号区域周边4-16个数据点的值进行分层填充，二维数据中的填充值参考周边4-16个数据点的均值得出，三维数据中的填充值参考水平及垂直方向各2-8个数据点的均值得出；当假信号区域处于L层轮廓边缘时，使用外缘计算法填充：其外缘轮廓由周边L层轮廓按弧度延长得出，其填充值按两侧边缘连线各2-8个数据点的均值计算；外缘填充层为假信号区域内侧点至虚拟外缘轮廓连线的1/4，为1-20个数据点；输出处理后的图像及相应数据矩阵，如有使用外缘计算法，同时输出外缘修正系数（BM）=填充的外缘长度/虚拟处理后L层外缘总长度，如未使用外缘计算法，外缘修正系数（BM）=0。
步骤2.3：如果步骤2.1、2.2均不能使用，或者采用步骤2.1、2.2处理后置信度下降太多，采用人工模型数据库模拟修正法进行处理：
原理如下：泪河L层的形成主要是由于人体泪液中的脂质和一些表面活性物质结合，由于其与水液的表面张力，所以形成特殊的形态，这种形态由于脂质、表面活性的不同，而形成一种与其形状相关的具有相对稳定变化的规律。也就是说，在某两个具有高度类似形态的泪河L层中，其对应位置的信号值具有较高的相似度。找到具有与目标泪河L层有高度相似形态的标准参考L层，就可以将其相应位置的信号差别进行互换填充，从而修正假信号。
由于泪河L层可以利用人工方法进行模拟，所以利于人工模型得出的结果，可以用于假信号的修正填充。
实现技术方法如下：制作模拟的具有各种形态的人工泪河L层模型，并存入人工泪河L层模型数据库：采用不同比例的表面活性剂（如TritonX100）和脂质(如轻质植物油等)，在人工制作的类V型槽中按不同用量进行涂布，并最终使其浮于表面，经过一定时间静置后，使用OCT进行扫描，得到人工泪河L层模型；
将待处理对象的泪河L层与数据库中的人工泪河L层模型进行比较，主要比较参数：边缘形态、信号峰值、矫正信号峰值等，找到最为接近的模型，对步骤1中识别的假信号区域进行匹配交换填充，实现修复；
在与人工泪河L层模型比较替换的时候，存在人工泪河L层模型往往明显大于真实的人眼泪河，所以需要进行缩放，主要参数是根据人工制作的类V型槽与人眼泪河形态中下睑缘及角结膜位置中形成的类V形两边长度进行缩放。
在与人工泪河L层模型比较替换的时候，还由于受试者配合程度、环境干扰等影响，采样的总体信号强度有所不同，会产生一定的衰减，所以会对除了边缘形态等诸如信号峰值其它参数产生影响，所以采用参数比较的时候，先对具有相对稳定，受因为OCT采样的环境影响而导致的总体信号衰减较小的参数进行比较，例如边缘形态、矫正信号峰值、总体信号值方差，再进行整体的信号数值人工增益或者减弱，再匹配信号峰值等受采样较明显的参数。交换填充时，将经过上述方法经人工增益或者减弱的结果作为参考值，进行交换修复填充。
步骤2.4：采用步骤2.3的同时，可以同时采用人体泪河L层数据库模拟修正法进行处理：其使用原理相同，不同之处在于，匹配交换的泪河L层数据库是使用经过标准采样的人体泪河L层数据库。
原理：同步骤2.3。
实现技术方法如下：采集并记录大量志愿者或者临床研究对象中取得的不存在假信号的良好采样结果，而制作形成人体泪河L层数据库。分析计算各样本中的泪河类V形泪河槽形态、L层边缘形态、信号峰值、矫正信号峰值等匹配用参数，以利于操作中检索调用。
将测试对象的泪河L层与数据库中的人体泪河L层进行比较，主要比较参数：泪河类V形泪河槽形态，L层边缘形态、信号峰值、矫正信号峰值等。找到最为接近的模型，在步骤1中识别的假信号位置中进行交换填充，从而修复。
本方法中，由于数据库采样较为容易，可以制作海量数据库（>2000）。可以直接进行对比互换，而不必采用步骤2.3中所述的缩放及信号数据人工增益或者减弱步骤，具有更好的可靠性。
所述步骤3具体包括：
当仅采用步骤2.1方法时，置信下降值（Rd）=M1×（假信号区域/L层总区域）。
当仅采用步骤2.2方法时，置信下降值（Rd）=M2×（假信号区域/L层总区域+外缘修正系数×M3）。
当同时采用步骤2.1及2.2方法时，置信下降值（Rd）=M2×（盲区假信号区域/L层总区域+外缘修正系数×M3）+M1×（经步骤2.1处理的假信号区域/L层总区域）。
其中，M1、M2、M3为校正系数，M3>M2>M1；如果是三维数据矩阵，按各层总和计算。
采用步骤2.3，置信下降值（Rd）=SDmodel×（假信号区域/L层总区域）；采用固定值SDmodel，SDmodel值的估算依据：1.根据在人工模拟的多批次泪河L层模型（>30次）进行标准采样后，并与正常良好采样后的多批次（>30次）人体真实泪河L层对比后，经过比较其各模型总体及局部数值差异，并计算两组的总体方差得出。由于这组值在不同人种及不同地域中因为温湿度变化可能存在明显差异，在结果输出时需提出来样本来源及环境参数。并根据需要在使用地域进行实地测试，提供在本地使用环境下的Rdmodel值，以提高准确性。
如果采用步骤2.4，置信下降值（Rd）=SDhuman×（假信号区域/L层总区域），SDhuman值的估算依据：对于数据库中的各样本进行随机放置来源不同的各假信号图形，使用步骤2.4的方法进行检索替换，最终计算修复后的泪河L层与原泪河L层进行比较，计算总方差值。
此外，通过大量的实验证实假信号区域具有高亮、集中分布的特性，还可以通过以下两种方法进行处理，作为步骤2.2所述方法的补充。
方法A：在时域内进行处理
1.1统计图像的灰度分布，生成直方图；
直方图中的数值都是统计而来，描述了该图像中关于颜色的数量特征，可以反映图像颜色的统计分布和基本色调图像颜色的统计分布和基本色调；直方图只包含了该图像中某一颜色值出现的频数，而丢失了某象素所在的空间位置信息；任一幅图像都能唯一的给出一幅与它对应的直方图。
1.2使用OTSU方法，生成自适应的阈值，对图像进行分割，大于阈值的保留下来，形成多个区域；该方法搜索合适的阈值，使得类内方差最小，定义成为两类方差的加权和。
其中，
1.3然后计算各个区域的面积，长宽比信息。
1.4若1）区域长宽比；2）面积落在假信号的区间内，即；
则需要对图像进行重新采样。
方法B：在频域内进行处理
2.1根据实验获得的假信号的特征，制作模板，模板的核满足高斯分布。
2.2按照从上到下从左到右的顺序，拖动模板和图像进行卷积运算，保留卷积运算的结果（等同于一个信号系统，输入是图像，输出是相似度评价）。
（为卷积运算符号）
2.3如果卷积运算的结果：1）最大值超过设定阈值；
2）最大值周围近似呈现高斯分布；
则判定存在假信号，需要对图像进行重新采样。
3.重采样的图片与原图片的融合方法
3.1对两张图片进行离散傅里叶变换（DFT）；
3.2求解它们的频谱相关函数,找到最相似点，保留移相的相位角和幅值缩放比例z，即融合所需旋转角度和缩放尺度；
3.3将重采样图像中对应原图像假信号的部分，通过旋转和缩放变换，替代原图像中的假信号成分，完成图像更新。
使用这两种方法的置信下降值根据两种算法的不同进一步估算得出，其中需显示出使用的是频域或者时域的计算法。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (4)
1.一种泪河L层OCT检测中的假信号处理方法，其特征在于，包括以下步骤：
步骤1：对泪河表层的OCT扫描信号数据或生成图像进行转化，得到数字矩阵，然后对假信号区域进行识别；
步骤2：对识别的假信号区域进行修复，输出修复图像；
步骤3：计算并输出因假信号修复造成的置信度下降参数；
所述步骤2具体包括：
步骤2.1：如果获取了二次扫描权限，发出二次扫描范围平移1-3mm的机器指令信号，或发出更改相干光发射接收器角度5-10°的机器指令信号，取得二次扫描信号数据或图像；将二次扫描信号数据或图像转化为二次数字矩阵然后进行假信号区域识别，得到二次扫描图像的L层区域及假信号区域；将原始扫描图像与二次扫描图像进行叠加，对正常L层区域将原始扫描图像与二次扫描图像二者相加取均值，对假信号区域进行截取剔除并由另一次扫描图像的相应区域互补；输出处理后的图像及相应数据矩阵；
步骤2.2：如果未获取二次扫描权限，或者采用步骤2.1发现仍存在不可避免的假信号互补盲区时，采用假信号区域周边4-16个数据点的值进行分层填充，二维数据中的填充值参考周边4-16个数据点的均值得出，三维数据中的填充值参考水平及垂直方向各2-8个数据点的均值得出；当假信号区域处于L层轮廓边缘时，使用外缘计算法填充：其外缘轮廓由周边L层轮廓按弧度延长得出，其填充值按两侧边缘连线各2-8个数据点的均值计算；外缘填充层为假信号区域内侧点至虚拟外缘轮廓连线的1/4，为1-20个数据点；输出处理后的图像及相应数据矩阵，如有使用外缘计算法，同时输出外缘修正系数=填充的外缘长度/虚拟处理后L层外缘总长度，如未使用外缘计算法，外缘修正系数=0；
步骤2.3：如果步骤2.1、2.2均不能使用，或者采用步骤2.1、2.2处理后置信度下降太多，采用人工模型数据库模拟修正法进行处理：制作模拟的具有各种形态的人工泪河L层模型，并存入人工泪河L层模型数据库；将待处理对象的泪河L层与数据库中的人工泪河L层模型进行比较，找到最为接近的模型，对步骤1中识别的假信号区域进行匹配交换填充，实现修复；
步骤2.4：采用步骤2.3的同时，可以同时采用人体泪河L层数据库模拟修正法进行处理：采集大量志愿者或临床研究对象中不存在假信号的良好采样结果，存入人体泪河L层数据库；将待处理对象的泪河L层与数据库中的人体泪河L层进行比较，找到最为接近的模型，对步骤1中识别的假信号区域进行匹配交换填充，实现修复。
2.根据权利要求1所述的泪河L层OCT检测中的假信号处理方法，其特征在于，在步骤1中，按如下方法对泪河表层的OCT扫描信号数据或生成图像进行转化分析：
如果可以直接由相应接口得到扫描信号数据时，将直接获取的扫描信号数据列为三维矩阵进行下一步计算；如果不能直接获得扫描信号数据，但可以得到经过处理的图像信号时，将图像信号转化为由其灰度值构成的三维矩阵进行下一步计算；如果得到的是二维图像，也将图像信号转化为由其灰度值构成的二维数字矩阵。
3.根据权利要求1所述的泪河L层OCT检测中的假信号处理方法，其特征在于，在步骤1中，按如下方法对L层区域及假信号区域进行识别：
假信号区域识别：当扫描信号数据为二维扫描信号数据时，逐点计算相邻两像素点的扫描信号信号强度差值Xn+1-Xn，式中Xn为更接近图像边缘的像素点的扫描信号信号强度值，当Xn+1>(2/3)Xmax且Xn+1-Xn>[(2/3)Xmax-Xn]/2时，将扫描信号信号强度值Xn+1所代表的扫描信号点判断为假图像信号边缘点，式中Xmax为信号监测阈区间的最大信号值，将相连的假图像信号边缘点连接起来，所构成的区域即为假图像区域，位于假图像区域中的信号为假图像信号；当扫描信号数据为三维扫描信号数据时，对扫描信号中与人眼正面平行的各截面分别逐点计算相邻两像素点的扫描信号信号强度差值Xn+1-Xn，式中Xn为更接近图像边缘的像素点的扫描信号信号强度值，当Xn+1>(2/3)Xmax且Xn+1-Xn>[(2/3)Xmax-Xn]/2时，将扫描信号信号强度值Xn+1所代表的扫描信号点判断为假图像信号边缘点，式中Xmax为信号监测阈区间的最大信号值，将相连的假图像信号边缘点连接起来，所构成的区域即为假图像区域，位于假图像区域中的信号为假图像信号；
L层区域识别：L层周围的信号为接近0的反射信号，同样采用周围差值法，将相邻两像素点的扫描信号信号强度差值Xn+1-Xn，Xn为接近0或周围背景噪声的数值，将扫描信号信号强度值Xn+1所代表的扫描信号点判定为L层图像信号边缘点，将相连的L层图像信号边缘点连接起来，所构成的区域即为L层区域。
4.根据权利要求1所述的泪河L层OCT检测中的假信号处理方法，其特征在于，所述步骤3具体包括：
当仅采用步骤2.1方法时，置信下降值Rd=M1×（假信号区域/L层总区域）；
当仅采用步骤2.2方法时，置信下降值Rd=M2×（假信号区域/L层总区域+外缘修正系数×M3）；
当同时采用步骤2.1及2.2方法时，置信下降值Rd=M2×（盲区假信号区域/L层总区域+外缘修正系数×M3）+M1×（经步骤2.1处理的假信号区域/L层总区域）；
其中，M1、M2、M3为校正系数，M3>M2>M1；如果是三维数据矩阵，按各层总和计算；
如果采用步骤2.3，置信下降值Rd=SDmodel×（假信号区域/L层总区域）；SDmodel值的估算依据：在人工模拟的多批次泪河L层模型进行标准采样，并与正常良好采样后的多批次人体真实泪河L层对比，比较其各模型总体及局部数值差异，并计算两组的总体方差得出；由于这组值在不同人种及不同地域中因为温湿度变化可能存在明显差异，在结果输出时需提出样本来源及环境参数，并根据需要在使用地域进行实地测试，提供在本地使用环境下的Rd值；
如果采用步骤2.4，置信下降值Rd=SDhuman×（假信号区域/L层总区域）；SDhuman值的估算依据：对于数据库中的各样本进行随机放置来源不同的各假信号图形，使用步骤2.4的方法进行检索替换，最终计算修复后的泪河L层与原泪河L层进行比较，计算总方差值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310372611.4A CN103544680B (zh) | 2013-08-24 | 2013-08-24 | 泪河l层oct检测中的假信号处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310372611.4A CN103544680B (zh) | 2013-08-24 | 2013-08-24 | 泪河l层oct检测中的假信号处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103544680A CN103544680A (zh) | 2014-01-29 |
| CN103544680B true CN103544680B (zh) | 2016-04-06 |
Family
ID=49968103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310372611.4A Expired - Fee Related CN103544680B (zh) | 2013-08-24 | 2013-08-24 | 泪河l层oct检测中的假信号处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103544680B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101530317A (zh) * | 2009-04-14 | 2009-09-16 | 翁景宁 | 泪河检测方法及其设备、数据处理装置 |
| CN102743152A (zh) * | 2012-06-01 | 2012-10-24 | 林晨 | 泪河l层oct检测数据分析方法与装置 |
-
2013
- 2013-08-24 CN CN201310372611.4A patent/CN103544680B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101530317A (zh) * | 2009-04-14 | 2009-09-16 | 翁景宁 | 泪河检测方法及其设备、数据处理装置 |
| CN102743152A (zh) * | 2012-06-01 | 2012-10-24 | 林晨 | 泪河l层oct检测数据分析方法与装置 |
Non-Patent Citations (1)
| Title |
|---|
| 利用模型探讨泪河的光学相干断层图像特征;林晨 等;《眼科研究》;20080831;第26卷(第8期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103544680A (zh) | 2014-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100462054C (zh) | 胎儿图像性别部位识别屏蔽方法 | |
| CN104751187B (zh) | 抄表图像自动识别方法 | |
| CN104008553B (zh) | 融合影像梯度信息和分水岭方法的裂缝检测方法 | |
| CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
| WO2019104767A1 (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
| CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
| CN105787937B (zh) | 一种基于osm的高分辨遥感影像道路变化检测方法 | |
| CN109389062B (zh) | 利用高分辨率星载sar图像提取湖泊水陆分割线的方法 | |
| CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
| CN109993094A (zh) | 基于机器视觉的材料缺陷智能检测系统及方法 | |
| CN109190473A (zh) | 一种“机器视觉理解”在电力远程监控中的应用 | |
| CN107633516A (zh) | 一种识别路面变形类病害的方法和装置 | |
| CN109580630A (zh) | 一种机械零部件缺陷的视觉检测方法 | |
| CN107507170A (zh) | 一种基于多尺度图像信息融合的机场跑道裂缝检测方法 | |
| CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
| CN104680524A (zh) | 一种叶类蔬菜病害诊断方法 | |
| CN103927758B (zh) | 一种基于对比度与角点最小凸包的显著性检测方法 | |
| CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
| CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
| CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
| CN109145846A (zh) | 材料微观结构智能识别分析系统及分析方法 | |
| CN115063579B (zh) | 基于二维图像和三维点云投影的列车定位销松动检测方法 | |
| CN109948683A (zh) | 点云数据的难易度划分方法、装置及其相关设备 | |
| CN112085675A (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
| CN104573662B (zh) | 一种云判方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20170508 Address after: 518000 Guangdong city of Shenzhen province Futian District Nanyuan Street Huaqiang Road No. 2048 mechanical building 1-12 layer Patentee after: Shenzhen Ireland Eye Hospital Co., Ltd. Address before: 604, room 4, ginkgo garden, No. 296, cross road, Cangshan District, Fujian, Fuzhou, 350007 Patentee before: Lin Chen |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160406 Termination date: 20170824 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |