CN106485721A - 从光学相干断层图像获取视网膜结构的方法及其系统 - Google Patents

从光学相干断层图像获取视网膜结构的方法及其系统 Download PDF

Info

Publication number
CN106485721A
CN106485721A CN201510546478.9A CN201510546478A CN106485721A CN 106485721 A CN106485721 A CN 106485721A CN 201510546478 A CN201510546478 A CN 201510546478A CN 106485721 A CN106485721 A CN 106485721A
Authority
CN
China
Prior art keywords
layer
border
split position
split
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.)
Granted
Application number
CN201510546478.9A
Other languages
English (en)
Other versions
CN106485721B (zh
Inventor
胡庆茂
张天桥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201510546478.9A priority Critical patent/CN106485721B/zh
Priority to PCT/CN2016/085975 priority patent/WO2017036231A1/zh
Priority to US15/412,838 priority patent/US10134143B2/en
Publication of CN106485721A publication Critical patent/CN106485721A/zh
Application granted granted Critical
Publication of CN106485721B publication Critical patent/CN106485721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Eye Examination Apparatus (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种从光学相干断层图像获取视网膜结构的方法及其系统，所述方法包括：计算源图像的感兴趣区图像；对感兴趣区图像进行高斯滤波；利用多分辨率法计算第一层边界的第一估计边界位置和第二层边界的第二估计边界位置；利用简化处理后的主动轮廓模型，根据第一估计边界位置和第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到第一层边界的第一初始轮廓位置和第二层边界的第二初始轮廓位置；利用滤波方法对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理。根据第一层边界的分割位置和第二层边界的分割位置，获取所述感兴趣区图像中剩余的层边界的分割位置。本发明可以显著提高计算速度及降低计算复杂度。

Description

从光学相干断层图像获取视网膜结构的方法及其系统
技术领域
本发明涉及光学成像技术领域，尤其涉及一种从光学相干断层图像获取视网膜结构的方法及其系统。
背景技术
光学相干断层成像(Optical Coherence Tomography,OCT)是一种对成像表面组织结构无损的光学信号获取和处理方法。近些年来，OCT已经成为一种主要的视网膜疾病诊断技术。
对于视网膜的病变诊断来说，医生们需要实时的对正常和病变视网膜图像进行分割，识别和诊断。OCT能获得比其他成像手段比如超声，X光，磁共振成像更高的空间分辨率(几微米)，因此近年来获得广泛关注。
由于对视网膜的不同层进行量化分析可以帮助诊断视功能改变并帮助医生对青光眼、老年性黄斑变性、I型糖尿病、多发性硬化症、阿尔茨海默症及帕金森病进行诊断，因此，在保证速度和精度的前提下，对视网膜的不同层的厚度进行量化分析具有重要的意义。有人利用图割方法分割视网膜，对10个正常人的100幅视网膜数据进行分析得到的误差为0.94±0.82微米，其平均速度为9740毫秒每幅。
然而，现有的分割方法速度普遍较慢，无法同时满足医生的实时性和精确性需求。
发明内容
本发明所要解决的技术问题是，采用新的策略，在满足精度要求的同时，提高正常和异常人眼的图像分割速度。
本发明提供了一种从光学相干断层图像获取视网膜结构的方法，所述方法包括：计算单幅视网膜光学相干断层源图像的感兴趣区图像；对所述感兴趣区图像进行高斯滤波；利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置；对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置。根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取所述感兴趣区图像中剩余的层边界的分割位置，以得到所述感兴趣区图像中的所有层边界的分割位置。
一个实施例中，计算单幅视网膜光学相干断层源图像的感兴趣区图像，包括：将所述单幅视网膜光学相干断层源图像沿其横向进行像素投影，得到纵向-灰阶曲线；从所述纵向-灰阶曲线获取像素灰阶最高值和像素灰阶第二高值；根据所述像素灰阶最高值所在纵向位置到所述视网膜光学相干断层源图像的顶端的距离或所述像素灰阶第二高值所在纵向位置到所述视网膜光学相干断层源图像的底端的距离，以及一设定常数，确定所述感兴趣区图像的高度、顶端边界和底端边界；根据所述感兴趣区图像的高度、顶端边界和底端边界，截取得到所述感兴趣区图像。
一个实施例中，利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置，包括：根据纵向上的设定尺度因子，对高斯滤波后的所述感兴趣区图像进行下采样；计算下采样后的所述感兴趣区图像的纵向灰度梯度模；将所述感兴趣区图像的纵向灰度梯度模的初步最大值和初步第二大值分别作为所述第一层边界的纵向位置和所述第二层边界的纵向位置；确定所述初步最大值和初步第二大值后，将下采样后的所述感兴趣区图像的横向位置乘以一设定横向值，纵向位置乘以一设定纵向值，计算得到所述第一估计边界位置和所述第二估计边界的位置。
一个实施例中，根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取所述感兴趣区图像中剩余的层边界的分割位置，以得到所述感兴趣区图像中的所有层边界的分割位置，包括：以所述第一层边界的分割位置作为参考位置，对所述感兴趣区图像进行扁平化处理；根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置；根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置；根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置；根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置；对获得所有层边界的分割位置后的所述感兴趣区图像进行扁平化处理逆操作，得到所述感兴趣区图像中的所有层边界的分割位置；其中，所述第一层边界和所述第二边界层分别为所述内节-外节的边界和所述玻璃体-视神经纤维层的边界；所述内节-外节的边界、所述玻璃体-视神经纤维层的边界、所述外节-色素上皮层的边界、所述外网状层-外核层的边界、所述色素上皮层-脉络膜的边界、所述内核层-外网状层的边界、所述内网层-内核层的边界及所述神经纤维层-神经节细胞层的边界构成所述所有层边界的分割位置。
一个实施例中，根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置，包括：根据所述第一层边界的分割位置，对所述外节-色素上皮层的边界进行初始化；利用简化处理后的主动轮廓模型，对初始化后的所述外节-色素上皮层的边界进行初分割，得到第四初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第四初始轮廓位置进行光滑处理，并将光滑处理后的所述第四初始轮廓位置作为所述外节-色素上皮层的边界的分割位置。
一个实施例中，根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置，包括：根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别对色素上皮层-脉络膜的边界和所述内核层-外网状层的边界进行初始化；利用简化处理后的主动轮廓模型，对初始化后的所述色素上皮层-脉络膜的边界和初始化后的所述内核层-外网状层的边界进行初分割，分别得到第五初始轮廓位置和第六初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第五初始轮廓位置和所述第六初始轮廓位置进行光滑处理，并将光滑处理后的所述第五初始轮廓位置和所述第六初始轮廓位置分别作为所述色素上皮层-脉络膜的边界的分割位置和所述内核层-外网状层的边界的分割位置。
一个实施例中，根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置，包括：根据所述内核层-外网状层的分割位置，对所述内网层-内核层的边界进行初始化；利用简化处理后的主动轮廓模型，对初始化后的所述内网层-内核层的边界进行初分割，得到第七初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第七初始轮廓位置进行光滑处理，并将光滑处理后的所述第七初始轮廓位置作为所述内网层-内核层的边界的分割位置。
一个实施例中，根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置，包括：根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，对神经纤维层-神经节细胞层的边界进行初始化；利用简化处理后的主动轮廓模型，对初始化后的所述神经纤维层-神经节细胞层的边界进行初分割，得到第八初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第八初始轮廓位置进行光滑处理，并将光滑处理后的所述第八初始轮廓位置作为所述神经纤维层-神经节细胞层的边界的分割位置。
一个实施例中，简化处理后的主动轮廓模型只包含图像能项，所述图像能项为：其中，Eimage为图像能项，f(xi,yj)是像素(xi,yj)的灰度值，i和j分别是像素(xi,yj)在横向x和纵向y上的位置，k是第一层边界到第八层边界中的任一边界的当前像素位置，n是像素位置k的纵向邻域半径。
本发明另提供一种从光学相干断层图像获取视网膜结构的方法，所述方法包括：计算三维图像体数据的第一帧的视网膜光学相干断层源图像的感兴趣区图像；对第一帧的所述感兴趣区图像进行高斯滤波；根据多分辨率法和简化处理后的主动轮廓模型，获取第一帧的所述感兴趣区图像中第一层边界和第二层边界的分割位置；根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取第一帧的所述感兴趣区图像中剩余的层边界的分割位置，以得到第一帧的所述感兴趣区图像中的所有层边界的分割位置；根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，确定所述第二帧图像中的层边界的分割位置，根据第二帧图像中的层边界的分割位置，确定第三帧图像中的层边界的分割位置，依次迭代得到剩余所有帧图像中的层边界的分割位置，其中，第一帧、第二帧及第三帧是依次相邻的帧。
一个实施例中，计算三维图像体数据的第一帧的视网膜光学相干断层源图像的感兴趣区图像，包括：将所述第一帧的视网膜光学相干断层源图像沿其横向进行像素投影，得到纵向-灰阶曲线；从所述纵向-灰阶曲线获取像素灰阶最高值和像素灰阶第二高值；根据所述像素灰阶最高值所在纵向位置到所述视网膜光学相干断层源图像的顶端的距离或所述像素灰阶第二高值所在纵向位置到所述视网膜光学相干断层源图像的底端的距离，以及一设定常数，确定第一帧的所述感兴趣区图像的高度、顶端边界和底端边界；根据第一帧的所述感兴趣区图像的高度、顶端边界和底端边界，截取得到第一帧的所述感兴趣区图像。
一个实施例中，根据多分辨率法和简化处理后的主动轮廓模型，获取第一帧的所述感兴趣区图像中第一层边界和第二层边界的分割位置，包括：利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置；对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置。
一个实施例中，根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取第一帧的所述感兴趣区图像中剩余的层边界的分割位置，以得到第一帧的所述感兴趣区图像中的所有层边界的分割位置，包括：以所述第一层边界的分割位置作为参考位置，对第一帧的所述感兴趣区图像进行扁平化处理；根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置；根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置；根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置；根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置；对获得所有层边界的分割位置后的所述感兴趣区图像进行扁平化处理逆操作，得到第一帧的所述感兴趣区图像中的所有层边界的分割位置；其中，所述第一层边界和所述第二边界层分别为所述内节-外节的边界和所述玻璃体-视神经纤维层的边界；所述内节-外节的边界、所述玻璃体-视神经纤维层的边界、所述外节-色素上皮层的边界、所述外网状层-外核层的边界、所述色素上皮层-脉络膜的边界、所述内核层-外网状层的边界、所述内网层-内核层的边界及所述神经纤维层-神经节细胞层的边界构成所述所有层边界的分割位置。
一个实施例中，根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，确定所述第二帧图像中的层边界的分割位置，根据第二帧图像中的层边界的分割位置，确定第三帧图像中的层边界的分割位置，依次迭代得到剩余所有帧图像中的层边界的分割位置，包括：对所述第二帧图像进行高斯滤波；根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，利用设定的Kalman滤波模型对高斯滤波后的所述第二帧图像中的层边界进行初始化；利用简化处理后的主动轮廓模型，估计初始化后的所述第二帧图像中的层边界的第三初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第三初始轮廓位置进行光滑处理，并将光滑处理后的所述第三初始轮廓位置作为所述第二帧图像中的层边界的分割位置。
一个实施例中，根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置，包括：根据所述第一层边界的分割位置，对所述外节-色素上皮层的边界进行初始化；利用简化处理后的主动轮廓模型，对初始化后的所述外节-色素上皮层的边界进行初分割，得到第四初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第四初始轮廓位置进行光滑处理，并将光滑处理后的所述第四初始轮廓位置作为所述外节-色素上皮层的边界的分割位置。
一个实施例中，根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置，包括：根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别对色素上皮层-脉络膜的边界和所述内核层-外网状层的边界进行初始化；利用简化处理后的主动轮廓模型，对初始化后的所述色素上皮层-脉络膜的边界和初始化后的所述内核层-外网状层的边界进行初分割，分别得到第五初始轮廓位置和第六初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第五初始轮廓位置和所述第六初始轮廓位置进行光滑处理，并将光滑处理后的所述第五初始轮廓位置和所述第六初始轮廓位置分别作为所述色素上皮层-脉络膜的边界的分割位置和所述内核层-外网状层的边界的分割位置。
一个实施例中，根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置，包括：根据所述内核层-外网状层的分割位置，对所述内网层-内核层的边界进行初始化；利用简化处理后的主动轮廓模型，对初始化后的所述内网层-内核层的边界进行初分割，得到第七初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第七初始轮廓位置进行光滑处理，并将光滑处理后的所述第七初始轮廓位置作为所述内网层-内核层的边界的分割位置。
一个实施例中，根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置，包括：根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，对神经纤维层-神经节细胞层的边界进行初始化；利用简化处理后的主动轮廓模型，对初始化后的所述神经纤维层-神经节细胞层的边界进行初分割，得到第八初始轮廓位置；利用Savitzky-Golay滤波方法，对所述第八初始轮廓位置进行光滑处理，并将光滑处理后的所述第八初始轮廓位置作为所述神经纤维层-神经节细胞层的边界的分割位置。
一个实施例中，利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置，包括：根据纵向上的设定尺度因子，对高斯滤波后的所述感兴趣区图像进行下采样；计算下采样后的所述感兴趣区图像的纵向灰度梯度模；将所述感兴趣区图像的纵向灰度梯度模的初步最大值和初步第二大值分别作为所述第一层边界的纵向位置和所述第二层边界的纵向位置；确定所述初步最大值和初步第二大值后，将下采样后的所述感兴趣区图像的横向位置乘以一设定横向值，纵向位置乘以一设定纵向值，计算得到所述第一估计边界位置和所述第二估计边界的位置。
一个实施例中，所述简化处理后的主动轮廓模型只包含图像能项，所述图像能项为：其中，Eimage为图像能项，f(xi,yj)是像素(xi,yj)的灰度值，i和j分别是像素(xi,yj)在横向x和纵向y上的位置，k是层边界中的当前像素位置，n是像素位置k的纵向邻域半径。
一个实施例中，所述设定的Kalman滤波模型为：yk+1＝yk+vk+1×dt+Kk+1(zk+1-yk)，vk+1＝vk+rand(vk+1)，σk+1＝(1-Kk)σk，其中，yk+1和yk分别为第k+1帧和第k帧图像中同一层边界上同一纵向位置坐标，vk+1和vk分别为第k+1帧和第k帧图像中层边界上质点的运动速率，dt是第k帧至第k+1帧的时间间隔，Kk+1和Kk分别是第k+1帧和第k帧中层边界上点的增益，zk+1是第k+1帧中层边界上点的测量值，rand(vk+1)是运动速率vk+1的随机变量，σk+1和σk是模型在第k+1帧和第k帧中的激励噪声方差，Rk是第k帧中层边界上点的测量值和数据光顺值的差值，其中，k为帧的序号，k为大于或等于1的整数，当k＝1时，帧的序号为所述第一帧，当k＝2时，帧的序号为所述第二帧。
本发明还提供一种从光学相干断层图像获取视网膜结构的系统，所述系统包括：感兴趣区图像生成单元，用于计算单幅视网膜光学相干断层源图像的感兴趣区图像；高斯滤波单元，用于对所述感兴趣区图像进行高斯滤波；前两层边界估计单元，用于利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置；
初始轮廓生成单元，用于对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置；光滑处理单元，用于利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置。剩余层边界分割单元，用于根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取所述感兴趣区图像中剩余的层边界的分割位置，以得到所述感兴趣区图像中的所有层边界的分割位置。
本发明还提供另一种从光学相干断层图像获取视网膜结构的系统，所述系统包括：感兴趣区图像生成单元，用于计算三维图像体数据的第一帧的视网膜光学相干断层源图像的感兴趣区图像；高斯滤波单元，用于对第一帧的所述感兴趣区图像进行高斯滤波；前两个层边界分割单元，用于根据多分辨率法和简化处理后的主动轮廓模型，获取第一帧的所述感兴趣区图像中第一层边界和第二层边界的分割位置；剩余层边界分割单元，用于根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取第一帧的所述感兴趣区图像中剩余的层边界的分割位置，以得到第一帧的所述感兴趣区图像中的所有层边界的分割位置；相邻帧层边界分割单元，用于根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，确定所述第二帧图像中的层边界的分割位置，根据第二帧图像中的层边界的分割位置，确定第三帧图像中的层边界的分割位置，依次迭代得到剩余所有帧图像中的层边界的分割位置，其中，第一帧、第二帧及第三帧是依次相邻的帧。
本发明利用了视网膜图像具有层状结构的特征，将二维的图像分割转化为一维的定位问题，简化计算过程。本发明提出了一种定制化的主动轮廓模型进行初定位，可降低计算复杂度，结合后续的基于Savitzky-Golay算法进行边缘曲线平滑，有利于得到平滑的边界。本发明利用OCT相邻图像间的相关性，采用Kalman滤波对相邻帧进行建模，在避免了从第二帧开始的重复性初始化的同时，对于图像出现血管阴影和由于运动或者不均匀光照时造成的图像失真情况，该滤波算法可以提高鲁棒性。通过本发明实施例的方法，可以在保证分割准确度的同时，快速获得视网膜图像各层的边界。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本发明实施例的从光学相干断层图像获取视网膜结构的方法的流程示意图；
图2是本发明一实施例中获取感兴趣区图像的方法的流程示意图；
图3是本发明一实施例中第一帧视网膜光学相干断层源图像；
图4是本发明一实施例中的纵向-灰度曲线；
图5和图6分别是本发明一实施例中第一帧图像一维高斯滤波之前和之后的图像；
图7是本发明一实施例中获取前两个层边界的方法的流程示意图；
图8是本发明一实施例中多分辨率法估计层边界的方法的流程示意图；
图9是本发明一实施例的经多分辨率法估计层边界后的图像；
图10至图13分别是本发明一实施例中三个邻接点水平、折返、V型及对角排列的示意图；
图14是图9中的图像经过本发明实施例中的主动轮廓模型处理后的结果示意图；
图15是图14中的图像经本发明一实施例的Savitzky-Golay曲线光顺方法处理后的图像；
图16是本发明一实施例中根据前两个层边界获取剩余层边界的方法的流程示意图；
图17是图16所对应层边界处理顺序的示意图；
图18是图15中的图像经过本发明一实施例的扁平化处理后的图像；
图19是本发明一实施例中分割外节-色素上皮层的边界的方法的流程示意图；
图20是本发明一实施例中分割色素上皮层-脉络膜的边界和内核层-外网状层的边界的方法的流程示意图；
图21是本发明一实施例中分割内网层-内核层的边界的方法的流程示意图；
图22是本发明一实施例中分割神经纤维层-神经节细胞层的边界的方法的流程示意图；
图23是本发明一实施例中分割非第一帧图像中层边界的方法的流程示意图；
图24是本发明另一实施例的从光学相干断层图像获取视网膜结构的方法的流程示意图；
图25是本发明一实施例中计算单幅源图像的感兴趣区图像的方法的流程示意图；
图26是本发明实施例的从光学相干断层图像获取视网膜结构的系统的结构示意图；
图27是本发明一实施例中的感兴趣区图像生成单元的结构示意图；
图28是本发明一实施例中的前两个层边界分割单元的结构示意图；
图29是本发明一实施例中的剩余层边界分割单元的结构示意图；
图30是本发明一实施例中的相邻帧层边界分割单元的结构示意图；
图31是本发明一实施例中的第一边界分割模块的结构示意图；
图32是本发明一实施例中的第二边界分割模块的结构示意图；
图33是本发明一实施例中的第三边界分割模块的结构示意图；
图34是本发明一实施例中的第四边界分割模块的结构示意图；
图35是本发明一实施例中的前两层边界估计单元的结构示意图；
图36是本发明另一实施例的从光学相干断层图像获取视网膜结构的系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本发明提供了一种从光学相干断层图像获取视网膜结构的方法，该方法利用OCT相邻图像间的相关性，采用Kalman滤波对相邻帧进行建模，依次计算得到所有帧中视网膜的层边界位置，最终得到视网膜的结构。其中，视网膜的层边界包括内节-外节(IS-OS)、玻璃体-视神经纤维层(Vitreous-NFL)、外节-色素上皮层(OS-RPE)、色素上皮层-脉络膜(RPE-Choroid)、外网状层-外核层(OPL-ONL)、内核层-外网状层(INL-OPL)、内网层-内核层(IPL-INL)、神经纤维层-神经节细胞层(NFL-GCL)。
本发明将三维体数据的第一帧和其他帧分别处理，单幅图像的处理方法与三维体数据的第一帧相同。对于三维体数据的第一帧或者单幅图像，具体可包括预处理、主动轮廓模型初分割，边界细化等步骤；对于三维体数据的非第一帧，可包括预处理，Kalman滤波初始化，主动轮廓模型初分割，边界细化等步骤。
图1是本发明实施例的从光学相干断层图像获取视网膜结构的方法的流程示意图。如图1所示，从光学相干断层图像获取视网膜结构的方法，包括步骤：
S110：计算三维图像体数据的第一帧的视网膜光学相干断层源图像的感兴趣区图像；
S120：对第一帧的所述感兴趣区图像进行高斯滤波；
S130：根据多分辨率法和简化处理后的主动轮廓模型，获取第一帧的所述感兴趣区图像中第一层边界和第二层边界的分割位置；
S140：根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取第一帧的所述感兴趣区图像中剩余的层边界的分割位置，以得到第一帧的所述感兴趣区图像中的所有层边界的分割位置；
S150：根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，确定所述第二帧图像中的层边界的分割位置，根据第二帧图像中的层边界的分割位置，确定第三帧图像中的层边界的分割位置，依次迭代得到剩余所有帧图像中的层边界的分割位置，其中，第一帧、第二帧及第三帧是依次相邻的帧。
本发明实施例的从光学相干断层图像获取视网膜结构的方法，先确定第一帧图像的视网膜层边界位置，再利用OCT相邻图像间的相关性，依次获得其他所有帧图像中的视网膜层边界位置，可以避免从第二帧开始重复初始化其他帧，显著提高了三维视网膜结构的获取速度。且该方法通过滤波算法，可对于图像出现血管阴影和由于运动或者不均匀光照时造成的图像失真情况，提高鲁棒性。
在上述步骤S110中，“第一帧”是指开始处理的第一幅图像，可以是三维图像开始扫描的第一帧或其他帧，本发明实施例对此不作限定。该感兴趣区图像包含视网膜轴向图像，可以包括整个视网膜或部分视网膜。
在上述步骤S130中，利用多分辨率法可以估计上述第一层边界和第二层边界的位置，利用简化处理后的主动轮廓模型可以得到上述第一层边界和第二层边界的初始轮廓。值得说明的是，较佳地，上述第一层边界和第二层边界是源图像中最明显或最清楚的两个层边界。
在上述步骤S150中，在三维图像扫描过程中，第一帧和第二帧相邻，第二帧和第三帧相邻，根据先验知识可知，相邻帧的图像，其视网膜的层边界具有相关性。
其中的“迭代”是指根据第一帧图像中层边界的分割位置确定第二帧图像中层边界的分割位置，根据第二帧图像中层边界的分割位置确定第三帧图像中层边界的分割位置，……，根据第t帧图像中层边界的分割位置确定第t+1帧图像中层边界的分割位置，……，根据第T-1帧图像中层边界的分割位置确定最后一帧即第T帧图像中层边界的分割位置，T和t为正整数。简单而言，根据前一帧图像中层边界的分割位置确定后一帧图像中层边界的分割位置。
图2是本发明一实施例中获取感兴趣区图像的方法的流程示意图。如图2所示，上述步骤S110中，计算三维图像体数据的第一帧的视网膜光学相干断层源图像的感兴趣区图像的方法，可包括步骤：
S111：将所述第一帧的视网膜光学相干断层源图像沿其横向进行像素投影，得到纵向-灰阶曲线；
S112：从所述纵向-灰阶曲线获取像素灰阶最高值和像素灰阶第二高值；
S113：根据所述像素灰阶最高值所在纵向位置到所述视网膜光学相干断层源图像的顶端的距离或所述像素灰阶第二高值所在纵向位置到所述视网膜光学相干断层源图像的底端的距离，以及一设定常数，确定第一帧的所述感兴趣区图像的高度、顶端边界和底端边界；
S114：根据第一帧的所述感兴趣区图像的高度、顶端边界和底端边界，截取得到第一帧的所述感兴趣区图像。
本发明实施例中，在对OCT图像进行后续处理之前，通过截取得到感兴趣区(Region of Interest,ROI)图像，可减少在轴向上存在的显著冗余，后续处理均可针对ROI图像进行，从而能够在定位更准确的同时，减少计算成本。
在上述步骤S111中，将第一帧的源图像沿其横向进行像素投影得到纵向-灰阶曲线，具体地可采用如下投影公式实现：
在公式(1)中，f(xi,yj)是像素(xi,yj)的灰度值，i和j分别是图像的水平方向(横向)和竖直方向(轴向)的位置，M是图像的宽度。
图3是本发明一实施例的第一帧视网膜光学相干断层源图像，其中，水平方向由左向右为横向x方向，竖直方向由上到下为纵向y方向。图4是本发明一实施例中的纵向-灰度曲线。如图4所示，根据公式(1)沿横向投影后得到的纵向-灰度曲线，其中，横坐标为与图3中纵向y方向对应的像素距离(即视网膜深度，Retinal Depth)，纵坐标纵向y方向上的灰度或灰阶(Grayscale)。结合图3和图4，投影后，在纵向y方向上，像素灰阶最高值G1和灰阶第二高值G2分别对应视网膜的色素上皮层-内节/外节复合层(RPE-IS/OS)中心线ROIR-I/O和视神经纤维层(NFL)的中心线ROIN。
接下来，依据先验知识，RPE-IS/OS的中心线ROIR-I/O(或者NFL的中心线ROIN)距离ROI图像的顶端(或者底端)的距离是一定的，该距离与图像的高度有关。也就是说，该距离可以设为h＝ρHROI，其中，ρ是一个预先设定的常量，例如可设ρ为0.1，HROI是所截取ROI图像的高度，距离h可通过测量得到。
如图3所示，通过上述方法可获得ROI图像的上边界ROIT、下边界ROIB及高度HROI，再去除冗余部分的图像，即可获得最终的ROI图像。
在上述步骤S120中，对第一帧的感兴趣区图像进行高斯滤波的方法，例如，可以是沿第一帧图像纵向y方向的一维高斯滤波。
图5和图6分别是本发明一实施例中第一帧图像一维高斯滤波之前和之后的图像。对图5所示图像进行标准差为5，均值为0的一维高斯滤波后，得到图6所示的图像，图像的像素变得更加均匀。在其他实施例中，标准差可采用[4,6]内的任意值，可取得相似的滤波效果。
本发明实施例中，由于OCT视网膜图像的边缘几乎水平，采用沿着纵向对图像进行一维高斯滤波，可以在抑制噪声的同时保留边缘。
图7是本发明一实施例中获取前两个层边界的方法的流程示意图。如图7所示，在上述步骤S130中，根据多分辨率法和简化处理后的主动轮廓模型，获取第一帧的感兴趣区图像中第一层边界和第二层边界的分割位置的方法，可包括步骤：
S131：利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置；
S132：对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置；
S133：利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置。
本发明实施例中，先将第一层边界和第二层边界，例如，OCT图像中最明显的两层边界Vitreous-NFL和IS/OS提取出来，第一层边界和第二层边界越明显越有助于提高层边界分割的准确性。采用多分别率法估计第一层边界和第二层边界的位置，有利于降低计算复杂度和减少噪声的影响。利用简化处理后的主动轮廓模型确定层边界的初始轮廓位置有助于提高计算速度。利用Savitzky-Golay滤波对图像进行处理，有利于增强层边界的均匀连续平滑性。
图8是本发明一实施例中多分辨率法估计层边界的方法的流程示意图。如图8所示，在上述步骤S131中，利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置的方法，可包括步骤：
S1311：根据纵向上的设定尺度因子，对高斯滤波后的所述感兴趣区图像进行下采样；
S1312：计算下采样后的所述感兴趣区图像的纵向灰度梯度模；
S1313：将所述感兴趣区图像的纵向灰度梯度模的初步最大值和初步第二大值分别作为所述第一层边界的纵向位置和所述第二层边界的纵向位置；
S1314：确定所述初步最大值和初步第二大值后，将下采样后的所述感兴趣区图像的横向位置乘以一设定横向值，纵向位置乘以一设定纵向值，计算得到所述第一估计边界位置和所述第二估计边界的位置。
本发明实施例中，通过求取纵向灰度梯度模的初步最大值和初步第二大值可以先将最明显的两个层边界的位置估计出来，可以显著降低计算复杂度和减少噪声的影响。
一个具体实施例中，在上述步骤S1311中，将源图像表示为可在竖直方向上采用尺度因子为2对源图像进行下采样，公式可如下所示：
沿着竖直方向(纵向)和水平方向(横向)对图像进行下采样，公式如下：
其中，f下标H和W分别表示图像中像素点(x，y)的纵向和横向，纵向H的下标数字表示以尺度因子2下采样后在纵向上像素点的序号，例如H的下标为4，则下采样后的像素点在图像中的纵向像素点位置为24＝16；横向W的下标数字表示以尺度因子2下采样后在横向上像素点的序号，例如W的下标为1，则下采样后的像素点在图像中的横向像素点位置为21＝2。
在上述步骤S1312中，在粗尺度上计算图像的梯度模g(x,y)，其公式可为：
gx(x,y)＝2f42(x,y)+f42(x,y-1)+f42(x,y+1)， (8)
-2f42(x-1,y)-f42(x-1,y-1)-f42(x-1,y+1)
gy(x,y)＝2f42(x,y)+f42(x-1,y)+f42(x+1,y)， (9)
-2f42(x,y-1)-f42(x-1,y-1)-f42(x+1,y-1)
其中，g(x,y)为灰度梯度模，x表示横向坐标，y表示纵向坐标。
在上述步骤S1314中，将下采样后的所述感兴趣区图像的横向位置乘以一设定横向值，例如乘以4；纵向位置乘以一设定纵向值，例如乘以16，将乘以设定横向值和设定纵向值后的位置，作为源图像的边界位置，如图9所示，估计得到两条明显的层边界Vitreous-NFL和层边界IS/OS。
在上述步骤S132中，对经典主动轮廓模型进行简化处理，可以得到上述简化处理后的主动轮廓模型，其中，经典的主动轮廓模型为：
E＝∫[α(s)Econtinuity+β(s)Ecurvature+γ(s)Eimage]ds， (11)
其中，α(s)，β(s)，γ(s)是权重系数；Econtinuity是连续能量项，该项的作用是让蛇模型中各轮廓点之间的距离更均匀，Econtinuity的离散化形式可以写为vi-vi-1(vi表示第i个点的坐标向量)；Ecurvature是弯曲能项，该项的作用是使得蛇模型更光滑，Ecurvature可以表示为|vi-1-2vi+vi+1|；Eimage是图像能项，该项的作用是使蛇模型逼近图像中的边缘，可以表示为(gcur-gmin)/(gmax-gmin)，式中gcur，gmax，gmin分别表示当前点的灰度梯度模，邻域内点的灰度梯度模的最大值和最小值。
发明人考虑到，对每层边界的主动轮廓模型做如下合理的限制：
1)每一列只有一个轮廓点。
2)在利用主动轮廓模型进行的每一次迭代中，每一列的轮廓点只能竖直地向上或者向下移动一个像素/体素。
3)每一列中的轮廓点应与它的前一个点及后一个点在8邻域内邻接。
通过上述限制之后，如图10至图13所示，本发明实施例中主动轮廓模型的三个邻接点只可能存在水平(Horizontal)、折返(Inflectional)、V型(V-shaped)及对角(Diagonal)的四种情况。
由此，可以得到如下的结果：
1)对于两个相邻的轮廓点，Econtinuity只可能是1或者21/2。
2)对于水平的情况和对角的情况，Ecurvature为0；对于折反情况,Ecurvature为1,对于V型情况,Ecurvature为2。
由于经过限制之后，连续能量和弯曲能量变化不大，所以发明人将经典主动轮廓模型公式(11)简化，只有第三项图像能量项，以此可降低计算的复杂度。
一个实施例中可以将第三项图像能项定义为如下形式：
其中，Eimage为图像能项，f(xi,yj)是像素(xi,yj)的灰度值，i和j分别是像素(xi,yj)在横向x和纵向y上的位置，k是层边界(例如，第一层边界～第八层边界中的任一边界)中的像素位置，n是像素位置k的纵向邻域半径。
图14是图9中的图像经过本发明实施例中的主动轮廓模型处理后的结果示意图。如图14所示，利用如公式(12)所示的简化后的主动轮廓模型处理后，得到了层边界Vitreous-NFL和层边界IS/OS的初始轮廓位置。
在上述步骤S133中，可采用Savitzky-Golay曲线光顺方法对主动轮廓处理后的图像继续处理，其阶数可为4，对不同的层边界，邻域半径可为[20,30]像素范围内的任一个值。通过Savitzky-Golay曲线光顺方法可消除图像中，由于简化处理后的主动轮廓线模型没有考虑连续能量和弯曲能量可能产生的轮廓锯齿，使层边界变得光滑。图15是图14中的图像经本发明一实施例的Savitzky-Golay曲线光顺方法处理后的图像，结合图15和图14可知，曲线光顺处理后，层边界Vitreous-NFL和层边界IS/OS变得更光滑了。
当OCT视网膜图像中两层边界(例如最显著的两层边界)得到之后，它们就可以作为分割其他层边界的约束项，通过这些约束可以更方便地分割其他层边界。
图16是本发明一实施例中根据前两个层边界获取剩余层边界的方法的流程示意图。图17是图16所对应层边界处理顺序的示意图。结合图17，如图16所示，在上述步骤S140中，根据第一层边界的分割位置和第二层边界的分割位置，获取第一帧的感兴趣区图像中剩余的层边界的分割位置，以得到第一帧的感兴趣区图像中的所有层边界的分割位置的方法，可包括步骤：
S141：以所述第一层边界的分割位置作为参考位置，对第一帧的所述感兴趣区图像进行扁平化处理；
S142：根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置；
S143：根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置；
S144：根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置；
S145：根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置；
S146：对获得所有层边界的分割位置后的所述感兴趣区图像进行扁平化处理逆操作，得到第一帧的所述感兴趣区图像中的所有层边界的分割位置；
其中，所述第一层边界和所述第二边界层分别为所述内节-外节IS-OS的边界和所述玻璃体-视神经纤维层Vitreous-NFL的边界；所述内节-外节IS-OS的边界、所述玻璃体-视神经纤维层Vitreous-NFL的边界、所述外节-色素上皮层OS-RPE的边界、所述外网状层-外核层OPL-ONL的边界、所述色素上皮层-脉络膜RPE-Choroid的边界、所述内核层-外网状层INL-OPL的边界、所述内网层-内核层IPL-INL的边界及所述神经纤维层-神经节细胞层NFL-GCL的边界构成第一帧图像中所有层边界的分割位置。
在上述步骤S141中，本发明实施例中，采用了图像扁平化的操作。特别的，可以以上述第一层边界(例如IS/OS的边界)为参照物。通过如下方式进行图像扁平化操作：
首先，找到IS/OS层边界y坐标的最大值，可表示为maxy；
然后，将每一列(例如第j列)图像中的像素向下移动maxy-yj个像素位置，其中，yj表示IS/OS边缘像素的y坐标。
一个实施例中，采用上述方法对图15所示的图像扁平化处理之后，如图18所示，获得的层边界IS/OS是一条直线。接下来，基于扁平化后的图像，分割其他层，有利于处理由于病变造成的层边界变形的视网膜图像。
在所有剩余层边界分割完成后，在通过上述步骤S146，对图像进行扁平化逆操作，得到第一帧图像的真实图像的视网膜结构。
一个实施例中，对图像进行扁平化逆操作，具体地，可以是基于扁平化操作，将每一列(例如第j列)图像中的像素向上移动maxy-yj个像素位置。
分割其它层边界可包括与前述实施例相同的三步：初始化，采用简化后的主动轮廓线/模型进行初分割，通过Savitzky-Golay滤波进行曲线光顺。
图19是本发明一实施例中分割外节-色素上皮层的边界的方法的流程示意图。如图19所示，上述步骤S142，根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置的方法，可包括步骤：
S1421：根据所述第一层边界的分割位置，对所述外节-色素上皮层的边界进行初始化；
S1422：利用简化处理后的主动轮廓模型，对初始化后的所述外节-色素上皮层的边界进行初分割，得到第四初始轮廓位置；
S1423：利用Savitzky-Golay滤波方法，对所述第四初始轮廓位置进行光滑处理，并将光滑处理后的所述第四初始轮廓位置作为所述外节-色素上皮层的边界的分割位置。
本发明实施例中，利用简化处理后的主动轮廓模型对初始化后的外节-色素上皮层的边界进行初分割，可降低外节-色素上皮层的边界的计算复杂度。利用Savitzky-Golay滤波方法，对外节-色素上皮层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
图20是本发明一实施例中分割色素上皮层-脉络膜的边界和内核层-外网状层的边界的方法的流程示意图。如图20所示，上述步骤S143，根据外节-色素上皮层的分割位置和外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置的方法，可包括步骤：
S1431：根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别对色素上皮层-脉络膜的边界和所述内核层-外网状层的边界进行初始化；
S1432：利用简化处理后的主动轮廓模型，对初始化后的所述色素上皮层-脉络膜的边界和初始化后的所述内核层-外网状层的边界进行初分割，分别得到第五初始轮廓位置和第六初始轮廓位置；
S1433：利用Savitzky-Golay滤波方法，对所述第五初始轮廓位置和所述第六初始轮廓位置进行光滑处理，并将光滑处理后的所述第五初始轮廓位置和所述第六初始轮廓位置分别作为所述色素上皮层-脉络膜的边界的分割位置和所述内核层-外网状层的边界的分割位置。
色素上皮层-脉络膜和内核层-外网状层可只有其中之一，利用上述分割方法进行分割，另一个边界可通过其他方法进行分割。
本发明实施例中，利用简化处理后的主动轮廓模型对初始化后的色素上皮层-脉络膜的边界和内核层-外网状层的边界进行初分割，可降低色素上皮层-脉络膜的边界和内核层-外网状层的边界的计算复杂度。利用Savitzky-Golay滤波方法，对色素上皮层-脉络膜和内核层-外网状层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
图21是本发明一实施例中分割内网层-内核层的边界的方法的流程示意图。如图21所示，上述步骤S144，根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置的方法，可包括步骤：
S1441：根据所述内核层-外网状层的分割位置，对所述内网层-内核层的边界进行初始化；
S1442：利用简化处理后的主动轮廓模型，对初始化后的所述内网层-内核层的边界进行初分割，得到第七初始轮廓位置；
S1443：利用Savitzky-Golay滤波方法，对所述第七初始轮廓位置进行光滑处理，并将光滑处理后的所述第七初始轮廓位置作为所述内网层-内核层的边界的分割位置。
本发明实施例中，利用简化处理后的主动轮廓模型对初始化后的内网层-内核层的边界进行初分割，可降低内网层-内核层的边界的计算复杂度。利用Savitzky-Golay滤波方法，对内网层-内核层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
图22是本发明一实施例中分割神经纤维层-神经节细胞层的边界的方法的流程示意图。如图22所示，上述步骤S145，根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置的方法，可包括步骤：
S1451：根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，对神经纤维层-神经节细胞层的边界进行初始化；
S1452：利用简化处理后的主动轮廓模型，对初始化后的所述神经纤维层-神经节细胞层的边界进行初分割，得到第八初始轮廓位置；
S1453：利用Savitzky-Golay滤波方法，对所述第八初始轮廓位置进行光滑处理，并将光滑处理后的所述第八初始轮廓位置作为所述神经纤维层-神经节细胞层的边界的分割位置。
上述步骤S1451中，根据内网层-内核层的分割位置和第二层边界的分割位置，对神经纤维层-神经节细胞层的边界进行初始化，在其他实施例中，可只根据内网层-内核层的分割位置和第二层边界的分割位置之一，对神经纤维层-神经节细胞层的边界进行初始化，即可根据内网层-内核层的分割位置和第二层边界的分割位置之一，确定神经纤维层-神经节细胞层的分割位置。
本发明实施例中，利用简化处理后的主动轮廓模型对初始化后的神经纤维层-神经节细胞层的边界进行初分割，可降低神经纤维层-神经节细胞层的边界的计算复杂度。利用Savitzky-Golay滤波方法，对神经纤维层-神经节细胞层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
采用上述两种方法进行初始化和初分割。对于单幅图或者三维体数据中的第一帧，本发明采用先验知识进行初始化。一个实施例中，OS/RPE的初始位置为IS/OS之下70μm，RPE-Choroid的初始位置为OS-RPE之下105μm，OPL-ONL位于IS/OS之上105μm，INL-OPL在OPL-ONL之上105μm，IPL-INL在INL-OPL之上105μm，NFL-GCL的初始位置是Vitreous-NFL和IPL-INL在竖直方向的平均值。
图23是本发明一实施例中分割非第一帧图像中层边界的方法的流程示意图。如图23所示，在上述步骤S150中，根据第一帧的感兴趣区图像中的所有层边界的分割位置，确定第二帧图像中的层边界的分割位置，根据第二帧图像中的层边界的分割位置，确定第三帧图像中的层边界的分割位置，依次迭代得到剩余所有帧图像中的层边界的分割位置的方法，可包括步骤：
S151：对所述第二帧图像进行高斯滤波；
S152：根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，利用设定的Kalman滤波模型对高斯滤波后的所述第二帧图像中的层边界进行初始化；
S153：利用简化处理后的主动轮廓模型，估计初始化后的所述第二帧图像中的层边界的第三初始轮廓位置；
S154：利用Savitzky-Golay滤波方法，对所述第三初始轮廓位置进行光滑处理，并将光滑处理后的所述第三初始轮廓位置作为所述第二帧图像中的层边界的分割位置。
在上述步骤S151～S153中，高斯滤波、Kalman滤波及主动轮廓对非第一帧图像进行处理，具体方法的形式可与上述各实施例中的方法相同，且具有相同的功效，在此不再赘述。
一个实施例中，在上述步骤S154中，按照先验知识，对于三维图像体数据，相邻的图像帧中，对应层边界是相似且相邻的。当前帧中的边界的初始位置可以从上一帧的对应边界估计出来。本发明实施例采用设定的Kalman滤波来对每帧的层边界进行初始化，有利于对非第一帧图像中的层边界进行估计。
发明人考虑到，若直接采用为匀速率运动方程的质点运动方程，通过前一帧层边界上点的质点运动速率求取当前帧层边界点的质点运动速率，所得质点运动速率会有误差，所以，增加一个随机量对当前帧层边界点的质点运动速率进行修正，得到如下公式：
vk+1＝vk+rand(vk+1)， (13)
其中，vk+1和vk分别为第k+1帧和第k帧图像中层边界上质点的运动速率，vk+1/vk表示第k+1帧图像中层边界上质点的y坐标的变化率，k为帧的序号，k为大于或等于1的整数，当k＝1是，帧的序号为上述第一帧，当k＝2是帧的序号为上述第二帧，当k＝3时，帧的序号为上述第三帧，依次类推……。可设运动速率v1＝1.0左右，rand(vk+1)是运动速率vk+1的随机变量，随机量rand(vk+1)可以是均值为0，标准差为1.0的随机数。
获得当前帧每一层边界上质点的y坐标的变化率vk/vk-1后，可以得知当前层边界上质点的y坐标：
yk+1＝yk+vk+1×dt+Kk+1(zk+1-yk)， (14)
其中，yk+1和yk分别为第k+1帧和第k帧图像中同一层边界上同一纵向位置坐标，运动速率vk+1可由公式(13)计算得到，dt是第k帧至第k+1帧的时间间隔，时间间隔dt可为1.0左右，Kk+1表示第k+1帧中层边界上点的增益，可由下面公式(15)计算得到，zk+1表示第k+1帧中层边界上点的测量值。
z1即为上述第一帧得到的测量值，可由定制型简化后的主动轮廓模型获得计算，对于非第一帧(k≥2)的测量值，可首先标记上一帧边缘点的y坐标为m,然后在以m为中心，向上向下例如10个像素的范围内寻找灰度梯度的极大值，令极大值所对应位置的y坐标为zk。
上述增益公式，可表示如下：
式中Rk表示第k帧中层边界上点的测量值(可由简化后的主动轮廓线模型获得)与数据光顺值(可由Savitzky-Golay算法获得，可假定该数据光顺值为真实值)的差，可设定R1＝1.0左右，σk+1和σk是模型在第k+1帧和第k帧中的激励噪声方差，可初始设定σ1＝1.0左右，其余值激励噪声方差σk+1可由如下公式获得：
σk+1＝(1-Kk)σk， (16)
Kk是第k帧中层边界上点的增益，K1可为0.5左右。
本发明实施例中，上述层边界上点也可称为边缘点，上述层边界也可称为层边缘。其中，当k＝1时的帧为开始计算的第一帧，可通过上述获取第一帧图像或单幅图像中层边界的方法获取视网膜结构，例如图1中步骤S110～S140或图24的方法；当k≥2时采用上述非第一帧的情况获取视网膜结构，例如图1中的方法(尤其是步骤S150)。
现有全自动视网膜分割方法的最大局限是速度不快，影响了医生后续的实时诊断。近来，基于偏微分方程，控制理论和机器学习理论的分割方法得到了飞速的发展，为提高视网膜病变图像分割精度奠定了良好的基础。
本发明利用OCT相邻图像间的相关性，采用Kalman滤波对相邻帧进行建模，在避免了从第二帧开始的重复性初始化的同时，对于图像出现血管阴影和由于运动或者不均匀光照时造成的图像失真情况，该滤波算法可以提高鲁棒性。本发明利用了视网膜图像具有层状结构的特征，将二维的图像分割转化为一维的定位问题，简化计算过程。本发明提出了一种定制化的主动轮廓模型进行初定位，可降低计算复杂度，结合后续的基于Savitzky-Golay算法进行边缘曲线平滑，有利于得到平滑的边界。通过本发明实施例的方法，可以在保证分割准确度的同时，快速获得视网膜图像各层的边界。
本发明还提供一种对仅通过单幅图像获取视网膜结构的方法。具体实现方式，与上述第一帧图像的处理方法类似，下面将说明单幅图像获取视网膜结构的实施方式，重复之处不再赘述。
图24是本发明另一实施例的从光学相干断层图像获取视网膜结构的方法的流程示意图。如图24所示，从光学相干断层图像获取视网膜结构的方法，可包括步骤：
S210：计算单幅视网膜光学相干断层源图像的感兴趣区图像；
S220：对所述感兴趣区图像进行高斯滤波；
S230：利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置；
S240：对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置；
S250：利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置。
S260：根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取所述感兴趣区图像中剩余的层边界的分割位置，以得到所述感兴趣区图像中的所有层边界的分割位置。
本发明实施例中，寻找感兴趣区图像，有助于减少轴向/纵向计算冗余；高斯滤波，例如一维高斯滤波，可使图像均匀；多分辨率法利于降低计算复杂度和减少噪声的影响；利用简化处理后的主动轮廓模型确定层边界的初始轮廓位置有助于提高计算速度；利用Savitzky-Golay滤波对图像进行处理，有利于增强层边界的均匀连续平滑性。
图25是本发明一实施例中计算单幅源图像的感兴趣区图像的方法的流程示意图。如图25所示，上述步骤S210，计算单幅视网膜光学相干断层源图像的感兴趣区图像的方法，可包括步骤：
S211：将所述单幅视网膜光学相干断层源图像沿其横向进行像素投影，得到纵向-灰阶曲线；
S212：从所述纵向-灰阶曲线获取像素灰阶最高值和像素灰阶第二高值；
S213：根据所述像素灰阶最高值所在纵向位置到所述视网膜光学相干断层源图像的顶端的距离或所述像素灰阶第二高值所在纵向位置到所述视网膜光学相干断层源图像的底端的距离，以及一设定常数，确定所述感兴趣区图像的高度、顶端边界和底端边界；
S214：根据所述感兴趣区图像的高度、顶端边界和底端边界，截取得到所述感兴趣区图像。
本发明实施例中，寻找感兴趣区图像，有助于减少轴向/纵向计算冗余。其中的投影方法有助于找到最明显的两个层边界，首先进行分割。
一个实施例中，采用与图8所示的多分辨率法估计层边界相同的方法，估计担负图像中的层边界。多分辨率法利于降低计算单幅图像的复杂度和减少噪声的影响。
一个实施例中，采用与图16和图17相同的方法，根据单幅图像中前两个层边界获取剩余层边界。基于扁平化后的图像，分割其他层，有利于处理由于病变造成的层边界变形的单幅视网膜图像。
一个实施例中，采用与图19相同的方法，分割单幅图像中外节-色素上皮层的边界。利用简化处理后的主动轮廓模型对初始化后的外节-色素上皮层的边界进行初分割，可降低外节-色素上皮层的边界的计算复杂度。利用Savitzky-Golay滤波方法，对外节-色素上皮层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
一个实施例中，采用与图20相同的方法，分割单幅图像中色素上皮层-脉络膜的边界和内核层-外网状层的边界。色素上皮层-脉络膜和内核层-外网状层可只有其中之一，利用上述分割方法进行分割，另一个边界可通过其他方法进行分割。本发明实施例中，利用简化处理后的主动轮廓模型对初始化后的色素上皮层-脉络膜的边界和内核层-外网状层的边界进行初分割，可降低色素上皮层-脉络膜的边界和内核层-外网状层的边界的计算复杂度。利用Savitzky-Golay滤波方法，对色素上皮层-脉络膜和内核层-外网状层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
一个实施例中，采用与图21相同的方法，分割单幅图像中内网层-内核层的边界。本发明实施例中，利用简化处理后的主动轮廓模型对初始化后的内网层-内核层的边界进行初分割，可降低内网层-内核层的边界的计算复杂度。利用Savitzky-Golay滤波方法，对内网层-内核层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
一个实施例中，采用与图22相同的方法，分割单幅图像中神经纤维层-神经节细胞层的边界。本发明实施例中，利用简化处理后的主动轮廓模型对初始化后的神经纤维层-神经节细胞层的边界进行初分割，可降低神经纤维层-神经节细胞层的边界的计算复杂度。利用Savitzky-Golay滤波方法，对神经纤维层-神经节细胞层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
上述各实施例中，简化处理后的主动轮廓模型可只包含图像能项，该图像能项可为：
其中，Eimage为图像能项，f(xi,yj)是像素(xi,yj)的灰度值，i和j分别是像素(xi,yj)在横向x和纵向y上的位置，k是层边界(例如，第一层边界～第八层边界中的任一边界)中的像素位置，n是像素位置k的纵向邻域半径。
本发明的方法，通过引入Kalman滤波，针对视网膜层状结构进行改进的主动轮廓模型及曲线滤波技术，平均速度提高到60毫秒每幅。本发明采用新的策略，在满足精度要求的同时，能够提高正常和异常人眼的图像分割速度。
基于与图1所示的从光学相干断层图像获取视网膜结构的方法相同的发明构思，本发明实施例还提供了一种从光学相干断层图像获取视网膜结构的系统，如下面实施例所述。由于该从光学相干断层图像获取视网膜结构的系统解决问题的原理与从光学相干断层图像获取视网膜结构的方法相似，因此该从光学相干断层图像获取视网膜结构的系统的实施可以参见从光学相干断层图像获取视网膜结构的方法的实施，重复之处不再赘述。
图26是本发明实施例的从光学相干断层图像获取视网膜结构的系统的结构示意图。如图26所示，从光学相干断层图像获取视网膜结构的系统，包括：感兴趣区图像生成单元310、高斯滤波单元320、前两个层边界分割单元330、剩余层边界分割单元340及相邻帧层边界分割单元350，上述多个单元顺序连接。
感兴趣区图像生成单元310用于计算三维图像体数据的第一帧的视网膜光学相干断层源图像的感兴趣区图像。
高斯滤波单元320用于对第一帧的所述感兴趣区图像进行高斯滤波。
前两个层边界分割单元330用于根据多分辨率法和简化处理后的主动轮廓模型，获取第一帧的所述感兴趣区图像中第一层边界和第二层边界的分割位置。
剩余层边界分割单元340用于根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取第一帧的所述感兴趣区图像中剩余的层边界的分割位置，以得到第一帧的所述感兴趣区图像中的所有层边界的分割位置。
相邻帧层边界分割单元350用于根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，确定所述第二帧图像中的层边界的分割位置，根据第二帧图像中的层边界的分割位置，确定第三帧图像中的层边界的分割位置，依次迭代得到剩余所有帧图像中的层边界的分割位置，其中，第一帧、第二帧及第三帧是依次相邻的帧。
本发明实施例的从光学相干断层图像获取视网膜结构的系统，先确定第一帧图像的视网膜层边界位置，再通过相邻帧层边界分割单元，利用OCT相邻图像间的相关性，依次获得其他所有帧图像中的视网膜层边界位置，可以避免从第二帧开始重复初始化其他帧，显著提高了三维视网膜结构的获取速度。且该系统的高斯滤波单元通过滤波算法，可对于图像出现血管阴影和由于运动或者不均匀光照时造成的图像失真情况，提高鲁棒性。
图27是本发明一实施例中的感兴趣区图像生成单元的结构示意图。如图27所示，图26中的感兴趣区图像生成单元310，可包括：像素投影模块311、像素值读取模块312、感兴趣区参数生成模块313及感兴趣区图像生成模块314，上述各模块顺序连接。
像素投影模块311用于将所述第一帧的视网膜光学相干断层源图像沿其横向进行像素投影，得到纵向-灰阶曲线。
像素值读取模块312用于从所述纵向-灰阶曲线获取像素灰阶最高值和像素灰阶第二高值。
感兴趣区参数生成模块313用于根据所述像素灰阶最高值所在纵向位置到所述视网膜光学相干断层源图像的顶端的距离或所述像素灰阶第二高值所在纵向位置到所述视网膜光学相干断层源图像的底端的距离，以及一设定常数，确定第一帧的所述感兴趣区图像的高度、顶端边界和底端边界。
感兴趣区图像生成模块314用于根据第一帧的所述感兴趣区图像的高度、顶端边界和底端边界，截取得到第一帧的所述感兴趣区图像。
本发明实施例中，在对OCT图像进行后续处理之前，通过感兴趣区参数生成模块截取得到感兴趣区(Region of Interest,ROI)图像，可减少在轴向上存在的显著冗余，后续模块或单元处理均可针对ROI图像进行，从而能够在定位更准确的同时，减少计算成本。
图28是本发明一实施例中的前两个层边界分割单元的结构示意图。如图28所示，图26中的前两个层边界分割单元330，可包括：前两层边界估计单元331、初始轮廓生成单元332及光滑处理单元333，上述各单元(331、332及333)顺序连接。
前两层边界估计单元331用于利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置。
初始轮廓生成单元332用于对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置。
光滑处理单元333用于利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置。
本发明实施例中，先通过前两层边界估计单元将第一层边界和第二层边界，例如，OCT图像中最明显的两层边界Vitreous-NFL和IS/OS提取出来，第一层边界和第二层边界越明显越有助于提高层边界分割的准确性。采用多分别率法估计第一层边界和第二层边界的位置，有利于降低计算复杂度和减少噪声的影响。初始轮廓生成单元利用简化处理后的主动轮廓模型确定层边界的初始轮廓位置有助于提高计算速度。光滑处理单元利用Savitzky-Golay滤波对图像进行处理，有利于增强层边界的均匀连续平滑性。
图29是本发明一实施例中的剩余层边界分割单元的结构示意图。如图29所示，图26中的剩余层边界分割单元340，可包括：扁平化处理模块341、第一边界分割模块342、第二边界分割模块343、第三边界分割模块344、第四边界分割模块345及扁平化逆操作模块346，上述各模块顺序连接。
扁平化处理模块341用于以所述第一层边界的分割位置作为参考位置，对第一帧的所述感兴趣区图像进行扁平化处理。
第一边界分割模块342用于根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置。
第二边界分割模块343用于根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置。
第三边界分割模块344用于根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置。
第四边界分割模块345用于根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置。
扁平化逆操作模块346用于对获得所有层边界的分割位置后的所述感兴趣区图像进行扁平化处理逆操作，得到第一帧的所述感兴趣区图像中的所有层边界的分割位置。
其中，所述第一层边界和所述第二边界层分别为所述内节-外节的边界和所述玻璃体-视神经纤维层的边界；所述内节-外节的边界、所述玻璃体-视神经纤维层的边界、所述外节-色素上皮层的边界、所述外网状层-外核层的边界、所述色素上皮层-脉络膜的边界、所述内核层-外网状层的边界、所述内网层-内核层的边界及所述神经纤维层-神经节细胞层的边界构成所述所有层边界的分割位置。
本发明实施例中，利用扁平化逆操作模块进行图像扁平化的操作。特别的，可以以上述第一层边界(例如IS/OS的边界)为参照物。
图30是本发明一实施例中的相邻帧层边界分割单元的结构示意图。如图30所示，图26中的相邻帧层边界分割单元350，可包括：相邻帧高斯滤波模块351、相邻帧初始化模块352、相邻帧初始轮廓生成模块353及相邻帧光滑处理模块354，上述各模块顺序连接。
相邻帧高斯滤波模块351用于对所述第二帧图像进行高斯滤波。
相邻帧初始化模块352用于根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，利用设定的Kalman滤波模型对高斯滤波后的所述第二帧图像中的层边界进行初始化。
相邻帧初始轮廓生成模块353用于利用简化处理后的主动轮廓模型，估计初始化后的所述第二帧图像中的层边界的第三初始轮廓位置。
相邻帧光滑处理模块354用于利用Savitzky-Golay滤波方法，对所述第三初始轮廓位置进行光滑处理，并将光滑处理后的所述第三初始轮廓位置作为所述第二帧图像中的层边界的分割位置。
在各模块(相邻帧高斯滤波模块351、相邻帧初始化模块352、相邻帧初始轮廓生成模块353及相邻帧光滑处理模块354)，对非第一帧图像进行处理，具体处理方法可与上述各实施例中的模块的处理方法相同，且具有相同的功效，在此不再赘述。
图31是本发明一实施例中的第一边界分割模块的结构示意图。如图31所示，图29中的第一边界分割模块342，可包括：第一边界初始化模块3421、第一初始轮廓生成模块3422及第一光滑处理模块3423，上述多个模块顺序连接。
第一边界初始化模块3421用于根据所述第一层边界的分割位置，对所述外节-色素上皮层的边界进行初始化。
第一初始轮廓生成模块3422用于利用简化处理后的主动轮廓模型，对初始化后的所述外节-色素上皮层的边界进行初分割，得到第四初始轮廓位置。
第一光滑处理模块3423用于利用Savitzky-Golay滤波方法，对所述第四初始轮廓位置进行光滑处理，并将光滑处理后的所述第四初始轮廓位置作为所述外节-色素上皮层的边界的分割位置。
本发明实施例中，第一初始轮廓生成模块利用简化处理后的主动轮廓模型对初始化后的外节-色素上皮层的边界进行初分割，可降低外节-色素上皮层的边界的计算复杂度。利用Savitzky-Golay滤波方法，第一光滑处理模块对外节-色素上皮层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
图32是本发明一实施例中的第二边界分割模块的结构示意图。如图32所示，图29中的第二边界分割模块343，可包括：第二边界初始化模块3431、第二初始轮廓生成模块3432及第二光滑处理模块3433，上述多个模块顺序连接。
第二边界初始化模块3431用于根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别对色素上皮层-脉络膜的边界和所述内核层-外网状层的边界进行初始化。
第二初始轮廓生成模块3432用于利用简化处理后的主动轮廓模型，对初始化后的所述色素上皮层-脉络膜的边界和初始化后的所述内核层-外网状层的边界进行初分割，分别得到第五初始轮廓位置和第六初始轮廓位置。
第二光滑处理模块3433用于利用Savitzky-Golay滤波方法，对所述第五初始轮廓位置和所述第六初始轮廓位置进行光滑处理，并将光滑处理后的所述第五初始轮廓位置和所述第六初始轮廓位置分别作为所述色素上皮层-脉络膜的边界的分割位置和所述内核层-外网状层的边界的分割位置。
色素上皮层-脉络膜和内核层-外网状层可只有其中之一，利用上述分割方法进行分割，另一个边界可通过其他方法进行分割。
本发明实施例中，第二初始轮廓生成模块利用简化处理后的主动轮廓模型对初始化后的色素上皮层-脉络膜的边界和内核层-外网状层的边界进行初分割，可降低色素上皮层-脉络膜的边界和内核层-外网状层的边界的计算复杂度。第二光滑处理模块利用Savitzky-Golay滤波方法，对色素上皮层-脉络膜和内核层-外网状层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
图33是本发明一实施例中的第三边界分割模块的结构示意图。如图33所示，图29中的第三边界分割模块344，可包括：第三边界初始化模块3441、第三初始轮廓生成模块3442及第三光滑处理模块3443，上述多个模块顺序连接。
第三边界初始化模块3441用于根据所述内核层-外网状层的分割位置，对所述内网层-内核层的边界进行初始化。
第三初始轮廓生成模块3442用于利用简化处理后的主动轮廓模型，对初始化后的所述内网层-内核层的边界进行初分割，得到第七初始轮廓位置。
第三光滑处理模块3443用于利用Savitzky-Golay滤波方法，对所述第七初始轮廓位置进行光滑处理，并将光滑处理后的所述第七初始轮廓位置作为所述内网层-内核层的边界的分割位置。
本发明实施例中，第三初始轮廓生成模块利用简化处理后的主动轮廓模型对初始化后的内网层-内核层的边界进行初分割，可降低内网层-内核层的边界的计算复杂度。第三光滑处理模块利用Savitzky-Golay滤波方法，对内网层-内核层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
图34是本发明一实施例中的第四边界分割模块的结构示意图。如图34所示，图29中的第四边界分割模块345，可包括：第四边界初始化模块3451、第四初始轮廓生成模块3452及第四光滑处理模块3453，上述多个模块顺序连接。
第四边界初始化模块3451用于根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，对神经纤维层-神经节细胞层的边界进行初始化。
第四初始轮廓生成模块3452用于利用简化处理后的主动轮廓模型，对初始化后的所述神经纤维层-神经节细胞层的边界进行初分割，得到第八初始轮廓位置。
第四光滑处理模块3453用于利用Savitzky-Golay滤波方法，对所述第八初始轮廓位置进行光滑处理，并将光滑处理后的所述第八初始轮廓位置作为所述神经纤维层-神经节细胞层的边界的分割位置。
上述第四边界初始化模块，根据内网层-内核层的分割位置和第二层边界的分割位置，对神经纤维层-神经节细胞层的边界进行初始化，在其他实施例中，可只根据内网层-内核层的分割位置和第二层边界的分割位置之一，对神经纤维层-神经节细胞层的边界进行初始化，即可根据内网层-内核层的分割位置和第二层边界的分割位置之一，确定神经纤维层-神经节细胞层的分割位置。
本发明实施例中，第四初始轮廓生成模块利用简化处理后的主动轮廓模型对初始化后的神经纤维层-神经节细胞层的边界进行初分割，可降低神经纤维层-神经节细胞层的边界的计算复杂度。第四光滑处理模块利用Savitzky-Golay滤波方法，对神经纤维层-神经节细胞层的初始轮廓位置进行光滑处理，可消除其轮廓锯齿。
图35是本发明一实施例中的前两层边界估计单元的结构示意图。如图35所示，图28中的前两层边界估计单元331，可包括：下采样模块3311、梯度模计算模块3312、梯度模最大值生成模块3313及估计边界生成模块3314，上述多个模块顺序连接。
下采样模块3311用于根据纵向上的设定尺度因子，对高斯滤波后的所述感兴趣区图像进行下采样。
梯度模计算模块3312用于计算下采样后的所述感兴趣区图像的纵向灰度梯度模。
梯度模最大值生成模块3313用于将所述感兴趣区图像的纵向灰度梯度模的初步最大值和初步第二大值分别作为所述第一层边界的纵向位置和所述第二层边界的纵向位置。
估计边界生成模块3314用于确定所述初步最大值和初步第二大值后，将下采样后的所述感兴趣区图像的横向位置乘以一设定横向值，纵向位置乘以一设定纵向值，计算得到所述第一估计边界位置和所述第二估计边界的位置。
本发明实施例中，通过求取纵向灰度梯度模的初步最大值和初步第二大值可以先将最明显的两个层边界的位置估计出来，可以显著降低计算复杂度和减少噪声的影响。
一个实施例中，所述初始轮廓生成单元332，还可包括：主动轮廓模型简化模块，用于使所述简化处理后的主动轮廓模型只包含图像能项，所述图像能项为：
其中，Eimage为图像能项，f(xi,yj)是像素(xi,yj)的灰度值，i和j分别是像素(xi,yj)在横向x和纵向y上的位置，k是所述第一层边界或所述第二层边界中的像素位置，n是像素位置k的纵向邻域半径。
一个实施例中，所述相邻帧初始化模块352，可还包括：Kalman滤波模型设定模块，用于获取所述设定的Kalman滤波模型为：
yk+1＝yk+vk+1×dt+Kk+1(zk+1-yk)，
vk+1＝vk+rand(vk+1)，
σk+1＝(1-Kk)σk，
其中，yk+1和yk分别为第k+1帧和第k帧图像中同一层边界上同一纵向位置坐标，vk+1和vk分别为第k+1帧和第k帧图像中层边界上质点的运动速率，dt是第k帧至第k+1帧的时间间隔，Kk+1和Kk分别是第k+1帧和第k帧中层边界上点的增益，zk+1是第k+1帧中层边界上点的测量值，rand(vk+1)是运动速率vk+1的随机变量，σk+1和σk是模型在第k+1帧和第k帧中的激励噪声方差，Rk是第k帧中层边界上点的测量值和数据光顺值的差值，其中，k为帧的序号，k为大于或等于1的整数，当k＝1时，帧的序号为所述第一帧，当k＝2时，帧的序号为所述第二帧。
基于与图24所示的从光学相干断层图像获取视网膜结构的方法相同的发明构思，本发明实施例还提供了一种从光学相干断层图像获取视网膜结构的系统，如下面实施例所述。由于该从光学相干断层图像获取视网膜结构的系统解决问题的原理与从光学相干断层图像获取视网膜结构的方法相似，因此该从光学相干断层图像获取视网膜结构的系统的实施可以参见从光学相干断层图像获取视网膜结构的方法的实施，重复之处不再赘述。
图36是本发明另一实施例的从光学相干断层图像获取视网膜结构的系统的结构示意图。如图36所示，从光学相干断层图像获取视网膜结构的系统，可包括：感兴趣区图像生成单元410、高斯滤波单元420、前两层边界估计单元430、初始轮廓生成单元440、光滑处理单元450及剩余层边界分割单元460，上述各单元顺序连接。
感兴趣区图像生成单元410用于计算单幅视网膜光学相干断层源图像的感兴趣区图像。
高斯滤波单元420用于对所述感兴趣区图像进行高斯滤波。
前两层边界估计单元430用于利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置。
初始轮廓生成单元440用于对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置。
光滑处理单元450用于利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置。
剩余层边界分割单元460用于根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取所述感兴趣区图像中剩余的层边界的分割位置，以得到所述感兴趣区图像中的所有层边界的分割位置。
本发明实施例中，通过感兴趣区图像生成单元寻找感兴趣区图像，有助于减少轴向/纵向计算冗余；高斯滤波，例如一维高斯滤波，可使图像均匀；通过前两层边界估计单元多分辨率法利于降低计算复杂度和减少噪声的影响；通过初始轮廓生成单元利用简化处理后的主动轮廓模型确定层边界的初始轮廓位置有助于提高计算速度；通过光滑处理单元利用Savitzky-Golay滤波对图像进行处理，有利于增强层边界的均匀连续平滑性。
本发明具体地具有如下优点：
1)在保证精度的同时，本发明实施例的算法具有快速性，平均速度比现有技术的计算速度快了37倍。
2)提出的定制化主动轮廓线模型，不仅仅适用于OCT视网膜图像，还可以通过扩展用于所有层状结构图像的分割。
3)提出了Kalman滤波对相邻图像帧的边缘进行跟踪，不仅仅适用于OCT视网膜图像，还适用于形状及大小改变有限的序列图像的分割。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (32)

1.一种从光学相干断层图像获取视网膜结构的方法，其特征在于，所述方法包括：
计算单幅视网膜光学相干断层源图像的感兴趣区图像；
对所述感兴趣区图像进行高斯滤波；
利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置；
对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置；
根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取所述感兴趣区图像中剩余的层边界的分割位置，以得到所述感兴趣区图像中的所有层边界的分割位置。
2.如权利要求1所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，计算单幅视网膜光学相干断层源图像的感兴趣区图像，包括：
将所述单幅视网膜光学相干断层源图像沿其横向进行像素投影，得到纵向-灰阶曲线；
从所述纵向-灰阶曲线获取像素灰阶最高值和像素灰阶第二高值；
根据所述像素灰阶最高值所在纵向位置到所述视网膜光学相干断层源图像的顶端的距离或所述像素灰阶第二高值所在纵向位置到所述视网膜光学相干断层源图像的底端的距离，以及一设定常数，确定所述感兴趣区图像的高度、顶端边界和底端边界；
根据所述感兴趣区图像的高度、顶端边界和底端边界，截取得到所述感兴趣区图像。
3.如权利要求1所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置，包括：
根据纵向上的设定尺度因子，对高斯滤波后的所述感兴趣区图像进行下采样；
计算下采样后的所述感兴趣区图像的纵向灰度梯度模；
将所述感兴趣区图像的纵向灰度梯度模的初步最大值和初步第二大值分别作为所述第一层边界的纵向位置和所述第二层边界的纵向位置；
确定所述初步最大值和初步第二大值后，将下采样后的所述感兴趣区图像的横向位置乘以一设定横向值，纵向位置乘以一设定纵向值，计算得到所述第一估计边界位置和所述第二估计边界的位置。
4.如权利要求1所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取所述感兴趣区图像中剩余的层边界的分割位置，以得到所述感兴趣区图像中的所有层边界的分割位置，包括：
以所述第一层边界的分割位置作为参考位置，对所述感兴趣区图像进行扁平化处理；
根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置；
根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置；
根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置；
根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置；
对获得所有层边界的分割位置后的所述感兴趣区图像进行扁平化处理逆操作，得到所述感兴趣区图像中的所有层边界的分割位置；
其中，所述第一层边界和所述第二边界层分别为所述内节-外节的边界和所述玻璃体-视神经纤维层的边界；所述内节-外节的边界、所述玻璃体-视神经纤维层的边界、所述外节-色素上皮层的边界、所述外网状层-外核层的边界、所述色素上皮层-脉络膜的边界、所述内核层-外网状层的边界、所述内网层-内核层的边界及所述神经纤维层-神经节细胞层的边界构成所述所有层边界的分割位置。
5.如权利要求4所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置，包括：
根据所述第一层边界的分割位置，对所述外节-色素上皮层的边界进行初始化；
利用简化处理后的主动轮廓模型，对初始化后的所述外节-色素上皮层的边界进行初分割，得到第四初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第四初始轮廓位置进行光滑处理，并将光滑处理后的所述第四初始轮廓位置作为所述外节-色素上皮层的边界的分割位置。
6.如权利要求4所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置，包括：
根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别对色素上皮层-脉络膜的边界和所述内核层-外网状层的边界进行初始化；
利用简化处理后的主动轮廓模型，对初始化后的所述色素上皮层-脉络膜的边界和初始化后的所述内核层-外网状层的边界进行初分割，分别得到第五初始轮廓位置和第六初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第五初始轮廓位置和所述第六初始轮廓位置进行光滑处理，并将光滑处理后的所述第五初始轮廓位置和所述第六初始轮廓位置分别作为所述色素上皮层-脉络膜的边界的分割位置和所述内核层-外网状层的边界的分割位置。
7.如权利要求4所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置，包括：
根据所述内核层-外网状层的分割位置，对所述内网层-内核层的边界进行初始化；
利用简化处理后的主动轮廓模型，对初始化后的所述内网层-内核层的边界进行初分割，得到第七初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第七初始轮廓位置进行光滑处理，并将光滑处理后的所述第七初始轮廓位置作为所述内网层-内核层的边界的分割位置。
8.如权利要求4所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置，包括：
根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，对神经纤维层-神经节细胞层的边界进行初始化；
利用简化处理后的主动轮廓模型，对初始化后的所述神经纤维层-神经节细胞层的边界进行初分割，得到第八初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第八初始轮廓位置进行光滑处理，并将光滑处理后的所述第八初始轮廓位置作为所述神经纤维层-神经节细胞层的边界的分割位置。
9.如权利要求1-8中任一权利要求所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，简化处理后的主动轮廓模型只包含图像能项，所述图像能项为：
E i m a g e = Σ j = k + 1 j = k + n f ( x i , y j ) - Σ j = k - 1 j = k - n f ( x i , y j ) ,
其中，Eimage为图像能项，f(xi,yj)是像素(xi,yj)的灰度值，i和j分别是像素(xi,yj)在横向x和纵向y上的位置，k是层边界中的当前像素位置，n是像素位置k的纵向邻域半径。
10.一种从光学相干断层图像获取视网膜结构的方法，其特征在于，所述方法包括：
计算三维图像体数据的第一帧的视网膜光学相干断层源图像的感兴趣区图像；
对第一帧的所述感兴趣区图像进行高斯滤波；
根据多分辨率法和简化处理后的主动轮廓模型，获取第一帧的所述感兴趣区图像中第一层边界和第二层边界的分割位置；
根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取第一帧的所述感兴趣区图像中剩余的层边界的分割位置，以得到第一帧的所述感兴趣区图像中的所有层边界的分割位置；
根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，确定所述第二帧图像中的层边界的分割位置，根据第二帧图像中的层边界的分割位置，确定第三帧图像中的层边界的分割位置，依次迭代得到剩余所有帧图像中的层边界的分割位置，其中，第一帧、第二帧及第三帧是依次相邻的帧。
11.如权利要求10所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，计算三维图像体数据的第一帧的视网膜光学相干断层源图像的感兴趣区图像，包括：
将所述第一帧的视网膜光学相干断层源图像沿其横向进行像素投影，得到纵向-灰阶曲线；
从所述纵向-灰阶曲线获取像素灰阶最高值和像素灰阶第二高值；
根据所述像素灰阶最高值所在纵向位置到所述视网膜光学相干断层源图像的顶端的距离或所述像素灰阶第二高值所在纵向位置到所述视网膜光学相干断层源图像的底端的距离，以及一设定常数，确定第一帧的所述感兴趣区图像的高度、顶端边界和底端边界；
根据第一帧的所述感兴趣区图像的高度、顶端边界和底端边界，截取得到第一帧的所述感兴趣区图像。
12.如权利要求10所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据多分辨率法和简化处理后的主动轮廓模型，获取第一帧的所述感兴趣区图像中第一层边界和第二层边界的分割位置，包括：
利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置；
对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置。
13.如权利要求10所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取第一帧的所述感兴趣区图像中剩余的层边界的分割位置，以得到第一帧的所述感兴趣区图像中的所有层边界的分割位置，包括：
以所述第一层边界的分割位置作为参考位置，对第一帧的所述感兴趣区图像进行扁平化处理；
根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置；
根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置；
根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置；
根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置；
对获得所有层边界的分割位置后的所述感兴趣区图像进行扁平化处理逆操作，得到第一帧的所述感兴趣区图像中的所有层边界的分割位置；
其中，所述第一层边界和所述第二边界层分别为所述内节-外节的边界和所述玻璃体-视神经纤维层的边界；所述内节-外节的边界、所述玻璃体-视神经纤维层的边界、所述外节-色素上皮层的边界、所述外网状层-外核层的边界、所述色素上皮层-脉络膜的边界、所述内核层-外网状层的边界、所述内网层-内核层的边界及所述神经纤维层-神经节细胞层的边界构成所述所有层边界的分割位置。
14.如权利要求10所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，确定所述第二帧图像中的层边界的分割位置，根据第二帧图像中的层边界的分割位置，确定第三帧图像中的层边界的分割位置，依次迭代得到剩余所有帧图像中的层边界的分割位置，包括：
对所述第二帧图像进行高斯滤波；
根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，利用设定的Kalman滤波模型对高斯滤波后的所述第二帧图像中的层边界进行初始化；
利用简化处理后的主动轮廓模型，估计初始化后的所述第二帧图像中的层边界的第三初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第三初始轮廓位置进行光滑处理，并将光滑处理后的所述第三初始轮廓位置作为所述第二帧图像中的层边界的分割位置。
15.如权利要求13所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置，包括：
根据所述第一层边界的分割位置，对所述外节-色素上皮层的边界进行初始化；
利用简化处理后的主动轮廓模型，对初始化后的所述外节-色素上皮层的边界进行初分割，得到第四初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第四初始轮廓位置进行光滑处理，并将光滑处理后的所述第四初始轮廓位置作为所述外节-色素上皮层的边界的分割位置。
16.如权利要求13所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置，包括：
根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别对色素上皮层-脉络膜的边界和所述内核层-外网状层的边界进行初始化；
利用简化处理后的主动轮廓模型，对初始化后的所述色素上皮层-脉络膜的边界和初始化后的所述内核层-外网状层的边界进行初分割，分别得到第五初始轮廓位置和第六初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第五初始轮廓位置和所述第六初始轮廓位置进行光滑处理，并将光滑处理后的所述第五初始轮廓位置和所述第六初始轮廓位置分别作为所述色素上皮层-脉络膜的边界的分割位置和所述内核层-外网状层的边界的分割位置。
17.如权利要求13所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置，包括：
根据所述内核层-外网状层的分割位置，对所述内网层-内核层的边界进行初始化；
利用简化处理后的主动轮廓模型，对初始化后的所述内网层-内核层的边界进行初分割，得到第七初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第七初始轮廓位置进行光滑处理，并将光滑处理后的所述第七初始轮廓位置作为所述内网层-内核层的边界的分割位置。
18.如权利要求13所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置，包括：
根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，对神经纤维层-神经节细胞层的边界进行初始化；
利用简化处理后的主动轮廓模型，对初始化后的所述神经纤维层-神经节细胞层的边界进行初分割，得到第八初始轮廓位置；
利用Savitzky-Golay滤波方法，对所述第八初始轮廓位置进行光滑处理，并将光滑处理后的所述第八初始轮廓位置作为所述神经纤维层-神经节细胞层的边界的分割位置。
19.如权利要求12所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置，包括：
根据纵向上的设定尺度因子，对高斯滤波后的所述感兴趣区图像进行下采样；
计算下采样后的所述感兴趣区图像的纵向灰度梯度模；
将所述感兴趣区图像的纵向灰度梯度模的初步最大值和初步第二大值分别作为所述第一层边界的纵向位置和所述第二层边界的纵向位置；
确定所述初步最大值和初步第二大值后，将下采样后的所述感兴趣区图像的横向位置乘以一设定横向值，纵向位置乘以一设定纵向值，计算得到所述第一估计边界位置和所述第二估计边界的位置。
20.如权利要求12所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，所述简化处理后的主动轮廓模型只包含图像能项，所述图像能项为：
E i m a g e = Σ j = k + 1 j = k + n f ( x i , y j ) - Σ j = k - 1 j = k - n f ( x i , y j ) ,
其中，Eimage为图像能项，f(xi,yj)是像素(xi,yj)的灰度值，i和j分别是像素(xi,yj)在横向x和纵向y上的位置，k是层边界中的当前像素位置，n是像素位置k的纵向邻域半径。
21.如权利要求14所述的从光学相干断层图像获取视网膜结构的方法，其特征在于，所述设定的Kalman滤波模型为：
yk+1＝yk+vk+1×dt+Kk+1(zk+1-yk)，
vk+1＝vk+rand(vk+1)，
K k + 1 = σ k σ k + R k ,
σk+1＝(1-Kk)σk，
其中，yk+1和yk分别为第k+1帧和第k帧图像中同一层边界上同一纵向位置坐标，vk+1和vk分别为第k+1帧和第k帧图像中层边界上质点的运动速率，dt是第k帧至第k+1帧的时间间隔，Kk+1和Kk分别是第k+1帧和第k帧中层边界上点的增益，zk+1是第k+1帧中层边界上点的测量值，rand(vk+1)是运动速率vk+1的随机变量，σk+1和σk是模型在第k+1帧和第k帧中的激励噪声方差，Rk是第k帧中层边界上点的测量值和数据光顺值的差值，其中，k为帧的序号，k为大于或等于1的整数，当k＝1时，帧的序号为所述第一帧，当k＝2时，帧的序号为所述第二帧。
22.一种从光学相干断层图像获取视网膜结构的系统，其特征在于，所述系统包括：
感兴趣区图像生成单元，用于计算单幅视网膜光学相干断层源图像的感兴趣区图像；
高斯滤波单元，用于对所述感兴趣区图像进行高斯滤波；
前两层边界估计单元，用于利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置；
初始轮廓生成单元，用于对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置；
光滑处理单元，用于利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置；
剩余层边界分割单元，用于根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取所述感兴趣区图像中剩余的层边界的分割位置，以得到所述感兴趣区图像中的所有层边界的分割位置。
23.一种从光学相干断层图像获取视网膜结构的系统，其特征在于，所述系统包括：
感兴趣区图像生成单元，用于计算三维图像体数据的第一帧的视网膜光学相干断层源图像的感兴趣区图像；
高斯滤波单元，用于对第一帧的所述感兴趣区图像进行高斯滤波；
前两个层边界分割单元，用于根据多分辨率法和简化处理后的主动轮廓模型，获取第一帧的所述感兴趣区图像中第一层边界和第二层边界的分割位置；
剩余层边界分割单元，用于根据所述第一层边界的分割位置和所述第二层边界的分割位置，获取第一帧的所述感兴趣区图像中剩余的层边界的分割位置，以得到第一帧的所述感兴趣区图像中的所有层边界的分割位置；
相邻帧层边界分割单元，用于根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，确定所述第二帧图像中的层边界的分割位置，根据第二帧图像中的层边界的分割位置，确定第三帧图像中的层边界的分割位置，依次迭代得到剩余所有帧图像中的层边界的分割位置，其中，第一帧、第二帧及第三帧是依次相邻的帧。
24.如权利要求23所述的从光学相干断层图像获取视网膜结构的系统，其特征在于，所述感兴趣区图像生成单元，包括：
像素投影模块，用于将所述第一帧的视网膜光学相干断层源图像沿其横向进行像素投影，得到纵向-灰阶曲线；
像素值读取模块，用于从所述纵向-灰阶曲线获取像素灰阶最高值和像素灰阶第二高值；
感兴趣区参数生成模块，用于根据所述像素灰阶最高值所在纵向位置到所述视网膜光学相干断层源图像的顶端的距离或所述像素灰阶第二高值所在纵向位置到所述视网膜光学相干断层源图像的底端的距离，以及一设定常数，确定第一帧的所述感兴趣区图像的高度、顶端边界和底端边界；
感兴趣区图像生成模块，用于根据第一帧的所述感兴趣区图像的高度、顶端边界和底端边界，截取得到第一帧的所述感兴趣区图像。
25.如权利要求23所述的从光学相干断层图像获取视网膜结构的系统，其特征在于，所述前两个层边界分割单元，包括：
前两层边界估计单元，用于利用多分辨率法计算高斯滤波后的所述第一层边界的第一估计边界位置和所述第二层边界的第二估计边界位置；
初始轮廓生成单元，用于对主动轮廓模型进行简化处理，利用简化处理后的主动轮廓模型，根据所述第一估计边界位置和所述第二估计边界位置，分别对所述第一层边界和所述第二层边界进行初分割，得到所述第一层边界的第一初始轮廓位置和所述第二层边界的第二初始轮廓位置；
光滑处理单元，用于利用Savitzky-Golay滤波方法，对所述第一初始轮廓位置和所述第二初始轮廓位置进行光滑处理，并将光滑处理后的所述第一初始轮廓位置和所述第二初始轮廓位置分别作为所述第一层边界的分割位置和所述第二层边界的分割位置。
26.如权利要求23所述的从光学相干断层图像获取视网膜结构的系统，其特征在于，所述剩余层边界分割单元，包括：
扁平化处理模块，用于以所述第一层边界的分割位置作为参考位置，对第一帧的所述感兴趣区图像进行扁平化处理；
第一边界分割模块，用于根据所述第一层边界的分割位置，确定外节-色素上皮层的分割位置和外网状层-外核层的分割位置；
第二边界分割模块，用于根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别确定色素上皮层-脉络膜的分割位置和内核层-外网状层的分割位置；
第三边界分割模块，用于根据所述内核层-外网状层的分割位置，确定内网层-内核层的分割位置；
第四边界分割模块，用于根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，确定神经纤维层-神经节细胞层的分割位置；
扁平化逆操作模块，用于对获得所有层边界的分割位置后的所述感兴趣区图像进行扁平化处理逆操作，得到第一帧的所述感兴趣区图像中的所有层边界的分割位置；
其中，所述第一层边界和所述第二边界层分别为所述内节-外节的边界和所述玻璃体-视神经纤维层的边界；所述内节-外节的边界、所述玻璃体-视神经纤维层的边界、所述外节-色素上皮层的边界、所述外网状层-外核层的边界、所述色素上皮层-脉络膜的边界、所述内核层-外网状层的边界、所述内网层-内核层的边界及所述神经纤维层-神经节细胞层的边界构成所述所有层边界的分割位置。
27.如权利要求23所述的从光学相干断层图像获取视网膜结构的系统，其特征在于，所述相邻帧层边界分割单元，包括：
相邻帧高斯滤波模块，用于对所述第二帧图像进行高斯滤波；
相邻帧初始化模块，用于根据第一帧的所述感兴趣区图像中的所有层边界的分割位置，利用设定的Kalman滤波模型对高斯滤波后的所述第二帧图像中的层边界进行初始化；
相邻帧初始轮廓生成模块，用于利用简化处理后的主动轮廓模型，估计初始化后的所述第二帧图像中的层边界的第三初始轮廓位置；
相邻帧光滑处理模块，用于利用Savitzky-Golay滤波方法，对所述第三初始轮廓位置进行光滑处理，并将光滑处理后的所述第三初始轮廓位置作为所述第二帧图像中的层边界的分割位置。
28.如权利要求26所述的从光学相干断层图像获取视网膜结构的系统，其特征在于，所述第一边界分割模块，包括：
第一边界初始化模块，用于根据所述第一层边界的分割位置，对所述外节-色素上皮层的边界进行初始化；
第一初始轮廓生成模块，用于利用简化处理后的主动轮廓模型，对初始化后的所述外节-色素上皮层的边界进行初分割，得到第四初始轮廓位置；
第一光滑处理模块，用于利用Savitzky-Golay滤波方法，对所述第四初始轮廓位置进行光滑处理，并将光滑处理后的所述第四初始轮廓位置作为所述外节-色素上皮层的边界的分割位置。
29.如权利要求26所述的从光学相干断层图像获取视网膜结构的系统，其特征在于，所述第二边界分割模块，包括：
第二边界初始化模块，用于根据所述外节-色素上皮层的分割位置和所述外网状层-外核层的分割位置，分别对色素上皮层-脉络膜的边界和所述内核层-外网状层的边界进行初始化；
第二初始轮廓生成模块，用于利用简化处理后的主动轮廓模型，对初始化后的所述色素上皮层-脉络膜的边界和初始化后的所述内核层-外网状层的边界进行初分割，分别得到第五初始轮廓位置和第六初始轮廓位置；
第二光滑处理模块，用于利用Savitzky-Golay滤波方法，对所述第五初始轮廓位置和所述第六初始轮廓位置进行光滑处理，并将光滑处理后的所述第五初始轮廓位置和所述第六初始轮廓位置分别作为所述色素上皮层-脉络膜的边界的分割位置和所述内核层-外网状层的边界的分割位置。
30.如权利要求26所述的从光学相干断层图像获取视网膜结构的系统，其特征在于，所述第三边界分割模块，包括：
第三边界初始化模块，用于根据所述内核层-外网状层的分割位置，对所述内网层-内核层的边界进行初始化；
第三初始轮廓生成模块，用于利用简化处理后的主动轮廓模型，对初始化后的所述内网层-内核层的边界进行初分割，得到第七初始轮廓位置；
第三光滑处理模块，用于利用Savitzky-Golay滤波方法，对所述第七初始轮廓位置进行光滑处理，并将光滑处理后的所述第七初始轮廓位置作为所述内网层-内核层的边界的分割位置。
31.如权利要求26所述的从光学相干断层图像获取视网膜结构的系统，其特征在于，所述第四边界分割模块，包括：
第四边界初始化模块，用于根据所述内网层-内核层的分割位置和所述第二层边界的分割位置，对神经纤维层-神经节细胞层的边界进行初始化；
第四初始轮廓生成模块，用于利用简化处理后的主动轮廓模型，对初始化后的所述神经纤维层-神经节细胞层的边界进行初分割，得到第八初始轮廓位置；
第四光滑处理模块，用于利用Savitzky-Golay滤波方法，对所述第八初始轮廓位置进行光滑处理，并将光滑处理后的所述第八初始轮廓位置作为所述神经纤维层-神经节细胞层的边界的分割位置。
32.如权利要求25所述的从光学相干断层图像获取视网膜结构的系统，其特征在于，所述前两层边界估计单元，包括：
下采样模块，用于根据纵向上的设定尺度因子，对高斯滤波后的所述感兴趣区图像进行下采样；
梯度模计算模块，用于计算下采样后的所述感兴趣区图像的纵向灰度梯度模；
梯度模最大值生成模块，用于将所述感兴趣区图像的纵向灰度梯度模的初步最大值和初步第二大值分别作为所述第一层边界的纵向位置和所述第二层边界的纵向位置；
估计边界生成模块，用于确定所述初步最大值和初步第二大值后，将下采样后的所述感兴趣区图像的横向位置乘以一设定横向值，纵向位置乘以一设定纵向值，计算得到所述第一估计边界位置和所述第二估计边界的位置。
CN201510546478.9A 2015-08-31 2015-08-31 从光学相干断层图像获取视网膜结构的方法及其系统 Active CN106485721B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201510546478.9A CN106485721B (zh) 2015-08-31 2015-08-31 从光学相干断层图像获取视网膜结构的方法及其系统
PCT/CN2016/085975 WO2017036231A1 (zh) 2015-08-31 2016-06-16 从光学相干断层图像获取视网膜结构的方法及其系统
US15/412,838 US10134143B2 (en) 2015-08-31 2017-01-23 Method for acquiring retina structure from optical coherence tomographic image and system thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510546478.9A CN106485721B (zh) 2015-08-31 2015-08-31 从光学相干断层图像获取视网膜结构的方法及其系统

Publications (2)

Publication Number Publication Date
CN106485721A true CN106485721A (zh) 2017-03-08
CN106485721B CN106485721B (zh) 2019-11-05

Family

ID=58186542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510546478.9A Active CN106485721B (zh) 2015-08-31 2015-08-31 从光学相干断层图像获取视网膜结构的方法及其系统

Country Status (3)

Country Link
US (1) US10134143B2 (zh)
CN (1) CN106485721B (zh)
WO (1) WO2017036231A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108836257A (zh) * 2018-06-15 2018-11-20 杭州富扬科技有限公司 一种眼底oct图像中视网膜分层方法
CN113627230A (zh) * 2021-06-16 2021-11-09 温州医科大学 一种基于机器视觉的视网膜oct图像自动分割方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201407873D0 (en) * 2014-05-02 2014-06-18 Optos Plc Improvements in and relating to imaging of the eye
US20180315185A1 (en) * 2015-10-28 2018-11-01 Loma Linda University System and method to analyze various retinal layers
US10123689B2 (en) 2015-10-28 2018-11-13 Oregon Health & Science University Systems and methods for retinal layer segmentation in OCT imaging and OCT angiography
US10896490B2 (en) * 2016-12-23 2021-01-19 Oregon Health & Science University Systems and methods for reflectance-based projection-resolved optical coherence tomography angiography
US11481905B2 (en) * 2018-04-26 2022-10-25 University Of Louisville Research Foundation, Inc. Atlas for automatic segmentation of retina layers from OCT images
EP3591614A1 (en) * 2018-07-06 2020-01-08 Charité - Universitätsmedizin Berlin Method and computer program for segmentation of optical coherence tomography images of the retina
US11037030B1 (en) * 2018-10-29 2021-06-15 Hrl Laboratories, Llc System and method for direct learning from raw tomographic data
CN109978887B (zh) * 2018-12-10 2022-11-11 深圳市旭东数字医学影像技术有限公司 基于医学图像的脊髓自动分割方法及其系统
CN109685816B (zh) * 2018-12-27 2022-05-13 上海联影医疗科技股份有限公司 一种图像分割方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070263227A1 (en) * 2006-05-12 2007-11-15 The General Hospital Corporation Processes, arrangements and systems for providing a fiber layer thickness map based on optical coherence tomography images
CN101203170A (zh) * 2005-06-02 2008-06-18 美的派特恩公司 计算机辅助检测系统和方法
US20110141259A1 (en) * 2009-12-15 2011-06-16 Canon Kabushiki Kaisha Image processing apparatus, method for image processing,image pickup system, and computer-readable storage medium
CN102599882A (zh) * 2011-01-20 2012-07-25 佳能株式会社 光学相干断层图像摄像方法和设备
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5523174B2 (ja) * 2010-04-05 2014-06-18 キヤノン株式会社 画像処理装置及び方法
US8355544B2 (en) * 2011-02-01 2013-01-15 Universidade Da Coruna-Otri Method, apparatus, and system for automatic retinal image analysis
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101203170A (zh) * 2005-06-02 2008-06-18 美的派特恩公司 计算机辅助检测系统和方法
US20070263227A1 (en) * 2006-05-12 2007-11-15 The General Hospital Corporation Processes, arrangements and systems for providing a fiber layer thickness map based on optical coherence tomography images
US20110141259A1 (en) * 2009-12-15 2011-06-16 Canon Kabushiki Kaisha Image processing apparatus, method for image processing,image pickup system, and computer-readable storage medium
CN102599882A (zh) * 2011-01-20 2012-07-25 佳能株式会社 光学相干断层图像摄像方法和设备
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108836257A (zh) * 2018-06-15 2018-11-20 杭州富扬科技有限公司 一种眼底oct图像中视网膜分层方法
CN113627230A (zh) * 2021-06-16 2021-11-09 温州医科大学 一种基于机器视觉的视网膜oct图像自动分割方法
CN113627230B (zh) * 2021-06-16 2023-10-31 温州医科大学 一种基于机器视觉的视网膜oct图像自动分割方法

Also Published As

Publication number Publication date
US10134143B2 (en) 2018-11-20
CN106485721B (zh) 2019-11-05
US20170132793A1 (en) 2017-05-11
WO2017036231A1 (zh) 2017-03-09

Similar Documents

Publication Publication Date Title
CN106485721B (zh) 从光学相干断层图像获取视网膜结构的方法及其系统
Mou et al. CS2-Net: Deep learning segmentation of curvilinear structures in medical imaging
CN111046717B (zh) 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
CN105160660B (zh) 基于多特征高斯拟合的活动轮廓血管提取方法及系统
CN111105424A (zh) 淋巴结自动勾画方法及装置
CN108932536A (zh) 基于深度神经网络的人脸姿态重建方法
CN110414546A (zh) 使用中间损失函数训练图像信号处理器
CN109033945A (zh) 一种基于深度学习的人体轮廓提取方法
JP2019192215A (ja) 深層学習を用いた網膜層の３ｄ定量解析
WO2018049598A1 (zh) 一种眼底图像增强方法及系统
CN113160226A (zh) 基于双向引导网络的amd病变oct图像的分类分割方法及系统
CN112489048B (zh) 一种基于深度网络的视神经自动分割方法
CA3104562A1 (en) Method and computer program for segmentation of optical coherence tomography images of the retina
CN114708263B (zh) 个体化脑功能区定位方法、装置、设备和存储介质
CN114816060A (zh) 基于视觉追踪的用户注视点估计和精度评估方法
CN113313728B (zh) 一种颅内动脉分割方法及系统
US20210307610A1 (en) Methods and systems for precise quantification of human sensory cortical areas
CN110598652B (zh) 眼底数据预测方法和设备
Deshmukh et al. Synthesis of optical nerve head region of fundus image
Kop et al. Kidney segmentation from ultrasound images using gradient vector force
CN115409857A (zh) 一种基于深度学习的三维脑积水ct图像分割方法
CN109003284A (zh) 基于层厚统计信息模型的相干光断层扫描图像的层分割方法
CN115908451A (zh) 一种结合多视图几何及迁移学习的心脏ct影像分割方法
CN112712507A (zh) 一种确定冠状动脉的钙化区域的方法及装置
CN108269258B (zh) 从oct角膜图像分割角膜结构的方法和系统

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
GR01 Patent grant
GR01 Patent grant