CN103886592A - 基于3d-oct的视网膜层间灰度分析方法 - Google Patents

Abstract

本发明公开了一种基于3D-OCT的视网膜层间灰度分析方法，首先对输入的3D-OCT图像进行预处理，之后利用图搜索技术将视网膜的多层结构分割出来，再利用纹理分类方法将RAO区域检测出来，最后进行视网膜层的灰度分析。本发明提供的基于3D-OCT的视网膜层间灰度分析方法，通过对RAO患者内视网膜层灰度的定量分析，使得“患有RAO疾病”这一定性判断，得到了定量的表达，给出定量的指标，来对RAO的严重程度进行独立客观的判断。通过证明此种定量化方法的可行性，为今后向医生提供RAO患者病情的客观依据打下基础。

Description

基于3D-OCT的视网膜层间灰度分析方法

技术领域

本发明涉及一种基于3D-OCT的视网膜层间灰度分析方法，属于生物医学影像处理领域。

背景技术

视网膜是大脑组织的重要延伸，负责光信号到视觉信号的转变。人体通过动脉末梢将血液输送给视网膜，因此视网膜动脉的阻塞会导致严重的局部出血问题及视网膜功能紊乱问题。传统方法对于RAO（Retinal arteryocclusion，视网膜动脉阻塞）的诊断和评估，主要依赖于血管荧光造影技术，该技术存在的不足主要表现在该技术对视网膜组织存在侵害性，且耗时长，操作过程较为复杂。

OCT（optical coherence tomography，光学相干摄影术）技术具有无侵害，高速，高分辨率等优点，并且可以发现在视网膜局部出血部位在OCT图像中具有较高的反射率，即具有较高的灰度值。所以OCT图像能很好地应用实际临床中。但是在临床诊断中对视网膜内部反射率的评价存在一定的主观性，且主要是一个定性的过程，并不能对RAO的具体情况给出一个定量的指标。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于3D-OCT的视网膜层间灰度分析方法，通过对RAO患者的内视网膜反射率的定量分析，来对视网膜内部出血的严重性进行评估，来帮助眼科专家进行定量的诊断。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于3D-OCT的视网膜层间灰度分析方法，包括以下步骤：

1）利用双线性滤波器对输入的3D-OCT图像进行预处理，提高图像质量；

2）利用图搜索技术，对视网膜进行层分割；

3）利用纹理分类方法将RAO区域检测出来；

4）最后进行视网膜层的灰度分析。

所述的基于3D-OCT的视网膜层间灰度分析方法，其特征在于：所述步骤2）具体是指：基于图搜索技术的视网膜层分割，采用图搜索方法，对层之间的边界进行建模作为所需要的层表面，并把这个表面当作一个闭集；分割出类似地形表面（即terrain-like表面）；针对多层分割，为每一个类似地形表面构建一个相应的子图；给图之间的连接弧赋予权重，对子图之间加以几何的约束；利用最大流算法把最优多表面问题当成一个s/t cut问题加以解决；

其中的关键的开销（Cost）函数公式如下：

$E\left(S\right)=\underset{v\∈S}{\mathrm{\Σ}}{c}_v+\underset{(p,q)\∈N}{\mathrm{\Σ}}{h}_{p,q}(S\left(p\right)-S\left(q\right))$

式中，S是所希望得到的表面；c_v为基于边缘的cost函数，并且它与S是否包含像素v反相关；(p,q)是一组相邻像素列；h_p,q是对表面S从p到q形状变化的惩罚，是一个凸函数。

所述的基于3D-OCT的视网膜层间灰度分析方法，其特征在于：所述步骤3）具体是指：基于纹理分类方法的RAO区域检测，使用有监督的纹理分类方法，计算每个像素的纹理、结构、位置特征，来检测RAO区域，包括：海森矩阵的特征值、高斯滤波器组的输出、灰度均值、灰度共生矩阵的熵和惯量、小波分析标准差；具体如下：

a、训练部分：对经过预处理的图像进行随机采样获取训练样本；由于RAO区域和RAO之外区域的像素数目相差较大，两者分开采样，以保证RAO区域样本足够多；同时采样K近邻分类器，对RAO区域像素和RAO之外正常区域的像素进行分类；

b、测试部分：利用纹理分类方法对图像进行检测；在预处理和特征提取之后，第一层到最后一层里面的每一个RAO区域内的像素都被赋予一个0-1的概率值。

有益效果：本发明提供的基于3D-OCT的视网膜层间灰度分析方法，通过对RAO患者内视网膜层灰度的定量分析，使得“患有RAO疾病”这一定性判断，得到了定量的表达，给出定量的指标，来对RAO的严重程度进行独立客观的判断。通过证明此种定量化方法的可行性，为今后向医生提供RAO患者病情的客观依据打下基础。

附图说明

图1为本发明的方法流程图；

图2为正常人和RAO患者的视网膜形态对比图；

图3和图4为RAO患者的视网膜层分割处理前后图；

图5为正常数据与RAO数据灰度平均值和标准偏差的比较图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种基于3D-OCT的视网膜层间灰度分析方法，包括以下步骤：

1）利用双线性滤波器对输入的3D-OCT图像进行预处理，提高图像质量；

2）利用图搜索技术，对视网膜进行层分割；

3）利用纹理分类方法将RAO区域检测出来；

4）最后进行视网膜层的灰度分析。

所述步骤2）具体是指：基于图搜索技术的视网膜层分割，采用图搜索方法，对层之间的边界进行建模作为所需要的层表面，并把这个表面当作一个闭集；分割出类似地形表面（即terrain-like表面）；针对多层分割，为每一个类似地形表面构建一个相应的子图；给图之间的连接弧赋予权重，对子图之间加以几何的约束；利用最大流算法把最优多表面问题当成一个s/t cut问题加以解决；

其中的关键的开销（Cost）函数公式如下：

$E\left(S\right)=\underset{v\∈S}{\mathrm{\Σ}}{c}_v+\underset{(p,q)\∈N}{\mathrm{\Σ}}{h}_{p,q}(S\left(p\right)-S\left(q\right))$

式中，S是所希望得到的表面；c_v为基于边缘的cost函数，并且它与S是否包含像素v反相关；(p,q)是一组相邻像素列；h_p,q是对表面S从p到q形状变化的惩罚，是一个凸函数。

所述步骤3）具体是指：基于纹理分类方法的RAO区域检测，使用有监督的纹理分类方法，计算每个像素的纹理、结构、位置特征，来检测RAO区域，包括：海森矩阵的特征值、高斯滤波器组的输出、灰度均值、灰度共生矩阵的熵和惯量、小波分析标准差；具体如下：

a、训练部分：对经过预处理的图像进行随机采样获取训练样本；由于RAO区域和RAO之外区域的像素数目相差较大，两者分开采样，以保证RAO区域样本足够多；同时采样K近邻分类器，对RAO区域像素和RAO之外正常区域的像素进行分类；

b、测试部分：利用纹理分类方法对图像进行检测；在预处理和特征提取之后，第一层到最后一层里面的每一个RAO区域内的像素都被赋予一个0-1的概率值。

图2为正常人和RAO患者的视网膜形态对比图。

图3和图4显示了两张OCT切片的视网膜分层结果。从视觉的角度，我们可以发现，分层效果相当不错。图5显示了灰度的均值和标准差，我们可以发现，相比于正常数据，每一层上RAO数据的方差更为显著。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于3D-OCT的视网膜层间灰度分析方法，包括以下步骤：

1）利用双线性滤波器对输入的3D-OCT图像进行预处理，提高3D-OCT视网膜图像质量；

2）利用图搜索技术，对视网膜进行层分割；

3）利用纹理分类方法将RAO区域检测出来；

4）最后进行视网膜层的灰度分析。

2.根据权利要求1所述的基于3D-OCT的视网膜层间灰度分析方法，其特征在于：所述步骤2）具体是指：基于图搜索技术的视网膜层分割，采用图搜索方法，对层之间的边界进行建模作为所需要的层表面，并把这个表面当作一个闭集；分割出类似地形表面；针对多层分割，为每一个类似地形表面构建一个相应的子图；给图之间的连接弧赋予权重，对子图之间加以几何的约束；利用最大流算法把最优多表面问题当成一个s/t cut问题加以解决；

其中的关键的开销函数公式如下：

$E\left(S\right)=\underset{v\∈S}{\mathrm{\Σ}}{c}_v+\underset{(p,q)\∈N}{\mathrm{\Σ}}{h}_{p,q}(S\left(p\right)-S\left(q\right))$

式中，S是所希望得到的表面；c_v为基于边缘的cost函数，并且它与S是否包含像素v反相关；(p,q)是一组相邻像素列；h_p,q是对表面S从p到q形状变化的惩罚，是一个凸函数。

3.根据权利要求1所述的基于3D-OCT的视网膜层间灰度分析方法，其特征在于：所述步骤3）具体是指：基于纹理分类方法的RAO区域检测，使用有监督的纹理分类方法，计算每个像素的纹理、结构、位置特征，来检测RAO区域，包括：海森矩阵的特征值、高斯滤波器组的输出、灰度均值、灰度共生矩阵的熵和惯量、小波分析标准差；具体如下：

a、训练部分：对经过预处理的图像进行随机采样获取训练样本；由于RAO区域和RAO之外区域的像素数目相差较大，两者分开采样，以保证RAO区域样本足够多；同时采样K近邻分类器，对RAO区域像素和RAO之外正常区域的像素进行分类；

b、测试部分：利用纹理分类方法对图像进行检测；在预处理和特征提取之后，第一层到最后一层里面的每一个RAO区域内的像素都被赋予一个0-1的概率值。

Images