CN106846314B - 一种基于术后角膜oct影像数据的图像分割方法 - Google Patents

一种基于术后角膜oct影像数据的图像分割方法 Download PDF

Info

Publication number
CN106846314B
CN106846314B CN201710064457.2A CN201710064457A CN106846314B CN 106846314 B CN106846314 B CN 106846314B CN 201710064457 A CN201710064457 A CN 201710064457A CN 106846314 B CN106846314 B CN 106846314B
Authority
CN
China
Prior art keywords
image
cornea
canny
image data
method based
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.)
Active
Application number
CN201710064457.2A
Other languages
English (en)
Other versions
CN106846314A (zh
Inventor
陈新建
石霏
王霏
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.)
Suzhou were Medical Technology Co. Ltd.
Original Assignee
Suzhou Were Medical Technology Co Ltd
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 Suzhou Were Medical Technology Co Ltd filed Critical Suzhou Were Medical Technology Co Ltd
Priority to CN201710064457.2A priority Critical patent/CN106846314B/zh
Publication of CN106846314A publication Critical patent/CN106846314A/zh
Application granted granted Critical
Publication of CN106846314B publication Critical patent/CN106846314B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于术后角膜OCT影像数据的图像分割方法，包括以下步骤：图像预处理、坎尼（Canny）边缘检测、中央竖直噪声定位和角膜上下边界分割，最终获得角膜结构的分割结果，将角膜图像从背景图像中分割出来。本发明首次提供了一种具有可行性、有效性和创新性的术后角膜OCT影像数据的自动化图像分割方法，不仅能够分割存在伤口的角膜图像，而且对存在中央噪声的角膜图像也一样适用。该方法不仅改善了手动分割图像耗时耗力，主观性强等缺点，而且通过计算机的智能化处理使得分割结果更加精确，有效提高了医学影像数据的后期利用率。

Description

一种基于术后角膜OCT影像数据的图像分割方法
技术领域
本发明属于数字图像处理技术领域，利用采集到的术后角膜OCT（光学相干断层扫描技术）影像数据，提出了一种全自动的图像分割方法。
背景技术
现如今，随着大数据时代的到来和医学仪器设备的发展，影像数据逐日递增，为了能够更加充分的利用和分析影像数据，计算机辅助智能医学影像处理技术应运而生，并得到了广泛应用：如视网膜分层、肾脏器官分割、光密度分析等。目前现有的基于角膜OCT影像的图像分割处理技术有：1、通过建立两个不同分布高斯模型来分割角膜和背景图像；2、应用图论和动态规划的方法寻找角膜边界，并且从背景图像中分割出角膜图像，此方法也能作用于存在中央噪声的角膜图像；3、利用增强型的智能剪刀与人工交互的方法获得角膜边界，从而分割角膜图像；4、利用普鲁伊特（Prewitt）边缘检测算子与手动分割相结合，得到角膜边界的拟合曲线，从而分割角膜图像。
以上提到的这些角膜图像分割技术还存在以下缺陷和不足：（1）大多数方法都针对正常的角膜进行设计，并不能处理不正常的角膜数据，例如存在中央竖直噪声的、经历角膜手术后的图像；（2）部分角膜分割方法还依赖于半自动的人工分割，不能达到全自动、智能化图像处理的要求。
发明内容
本发明提出了一种基于术后角膜OCT影像数据的图像分割方法，首次提供了针对纵向角膜图像的全自动边界分割，对包括有伤口的角膜图像和存在中央噪声的角膜图像均可以从背景图像中分割出来。
本方法的实施过程主要包括了以下4个方面：图像预处理，坎尼边缘检测、中央竖直噪声定位和角膜上下边界分割：
步骤1.图像预处理：首先裁切原始OCT图像去除无关的眼前节结构图像；然后利用大津阈值法得到角膜二值图像；最后在二值图像上进行数学形态学操作处理；
步骤2.坎尼边缘检测：将坎尼边缘检测器作用于预处理后的角膜图像，得到坎尼映射图像；
步骤3.中央竖直噪声定位：对于存在中央竖直噪声的角膜图像，利用坎尼映射图像定位中央竖直噪声；
步骤4.角膜上下边界分割：从坎尼映射图像上，以扫描的方式直接获得上边界，通过拉平坎尼映射图像后扫描的方式获得下边界；对于存在中央噪声的图像再以插值的方法校正已获得的上下边界检测结果；最终将角膜图像从背景图像中分割出来。
步骤1中，裁切原始OCT图像时，去除掉与角膜无关的眼前节结构图像。
步骤1中，将裁切后得到的图像与一设定的常系数1.5相乘，增强图像的对比度，再利用大津阈值法将图像转为二值图像。
步骤1中，数学形态学操作时，连续地顺序进行膨胀、闭操作和孔洞填充处理，用以增强角膜边界。
步骤3中，当角膜图像上存在中央竖直噪声时，首先在图像的中央区域检测每列边缘点的数目，当检测到的边缘点数量超过2时就定位为存在中央噪声的列。
图像的中央区域设定为200~400列之间。
步骤4中，首先从上往下扫描坎尼映射图像，将扫描到的第一个边缘点作为角膜的上边界；然后以上边界为基准拉平坎尼映射图像，在拉平后的坎尼映射图像上，从上边界下方10个像素的位置起往下扫描，将扫描到的第一个边缘点作为角膜的下边界，并返回原坎尼映射图像中的位置，最终得到上、下边界的边缘点。
本发明所达到的有益效果：
本发明首次提供了一种具有可行性、有效性和创新性的术后角膜OCT影像数据的自动化图像分割方法，不仅能够分割存在伤口的角膜图像，而且对存在中央噪声的角膜图像也一样适用。
该发明共采集了100个病人的术后角膜数据，通过坎尼边缘检测器、中央竖直噪声定位、坎尼映射图拉平等手段自动分割角膜图像，提高了角膜图像分割的精确性，避免了手动分割主观性强、效率低等缺点，有效提高了医学影像数据的后期利用率。
附图说明
图1（a）术后角膜OCT图像，椭圆部分标注了角膜的伤口位置；
图1（b）存在中央竖直噪声的术后角膜OCT图像；
图2（a）二值化图像；
图2（b）形态学操作后的图像；
图3（a）坎尼映射图像；
图3（b）坎尼映射图像为错误的边缘检测结果；
图4是拉平后的坎尼映射图像；
图5是角膜边缘检测结果图。
具体实施方式
下面对本发明的具体实施步骤作进一步详细的描述。
本发明公开的一种基于术后角膜OCT影像数据的图像分割方法，其中用于分割的角膜结构分别是角膜的上边界和角膜的下边界，实验中用到的角膜影像数据仅存在一处伤口。
本全自动角膜图像分割方法由以下步骤组成：
1、角膜图像预处理，主要包含了下面两个步骤：
（1）角膜图像裁剪
对每张输入的角膜图像进行适当裁剪以去除图像上与角膜无关的眼前节结构，如房角和虹膜等，同时也保证了实验图像数据大小统一，为318*617像素，横向分辨率为1.2厘米/像素。实验使用的原始图像如图1（a）、（b）所示，且（b）图为存在中央竖直噪声的图像。
（2）角膜图像预处理
将步骤（1）得到的图像与常系数1.5相乘，增强图像的对比度，利用大津阈值法将图像转为二值图像，如图2（a）所示，接着连续地顺序操作数学形态学膨胀、闭操作和孔洞填充运算，用来增强角膜边界，结果如图2（b）所示。
2、坎尼边缘检测
基于坎尼算子的边缘检测器，由于内置了高斯滤波函数对于噪声图像具有很好的性能，并且减少了图像去噪的预处理步骤，利用坎尼边缘检测器能够尽可能多的检测出图像中的实际边缘，避免错误边界，并且可以通过参数设置确定保留边缘细节的多寡，本实验中设置坎尼边缘检测器的高低阈值分别为0.96和0.384，高斯平滑窗口大小为5.6。最终得到的坎尼映射图像如图3（a）所示。
3、中央竖直伪影定位
当角膜图像上存在中央竖直噪声时，如图1（b）所示的角膜图像直接使用坎尼边缘检测器会得到错误的结果，如图3（b）所示，因此在实验过程中需要确定中央竖直伪影的位置：首先在图像的中央区域（本实验设定为200~400列之间）检测每列边缘点的数目，由于正确的角膜只存在上下两个边缘点，因此当检测到的边缘点数量超过2时就定位为存在中央噪声的列。
4、角膜上下边界分割
由于角膜伤口的存在，将同样存在边缘点数目大于3的结果。
因此在该步骤中：首先从上往下扫描坎尼映射图像，将扫描到的第一个边缘点作为角膜的上边界；然后以上边界为基准拉平坎尼映射图像，结果如图4所示，在拉平后的坎尼映射图像上，从上边界下方10个像素的位置起往下扫描，将扫描到的第一个边缘点作为角膜的下边界，并返回原坎尼图像中的位置，最终得到上、下边界的边缘点。当角膜存在中央竖直噪声时，由于已经事先得到了噪声的位置，只要以插值的方法校正上下边界检测结果即可。最终的角膜分割结果如图5所示，成功将角膜图像从背景图像中分割出来。
5、实验结果
本发明提出的方法在100个角膜OCT影像数据上进行了验证，该方法自动分割上下边界的结果与手动分割上下边界的结果如表1所示，可以发现其分割的性能能够达到手动分割的效果。此外，发现下边界存在的误差较大，主要由于部分角膜图像下边界两侧缺失，图像分辨率降低。
表1：自动分割与手动分割的结果对比（像素）
边界 自动VS手动1 自动VS手动2 手动1 VS 手动2
上边界 0.75 ±0.78 0.86±0.78 0.83±0.85
下边界 1.13±1.76 1.20±1.78 0.96±1.15
至此，一种基于术后角膜OCT影像数据的图像分割方法已经实现并进行了验证。本发明融合了坎尼边缘检测器、中央竖直噪声定位、图像拉平、角膜边界提取等步骤，使自动分割可以取代手动分割，提高了角膜图像分割的效率和正确率。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于术后角膜OCT影像数据的图像分割方法，其特征是，包括以下步骤：
步骤1.图像预处理：首先裁切原始OCT图像去除无关的眼前节结构图像；然后利用大津阈值法得到角膜二值图像；最后在二值图像上进行数学形态学操作处理；
步骤2.坎尼边缘检测：将坎尼边缘检测器作用于预处理后的角膜图像，得到坎尼映射图像；
步骤3.中央竖直噪声定位：对于存在中央竖直噪声的角膜图像，利用坎尼映射图像定位中央竖直噪声；
步骤4.角膜上下边界分割：从坎尼映射图像上，以扫描的方式直接获得上边界，通过拉平坎尼映射图像后扫描的方式获得下边界；对于存在中央噪声的图像再以插值的方法校正已获得的上下边界检测结果；最终将角膜图像从背景图像中分割出来；
步骤4中，首先从上往下扫描坎尼映射图像，将扫描到的第一个边缘点作为角膜的上边界；然后以上边界为基准拉平坎尼映射图像，在拉平后的坎尼映射图像上，从上边界下方10个像素的位置起往下扫描，将扫描到的第一个边缘点作为角膜的下边界，并返回原坎尼映射图像中的位置，最终得到上、下边界的边缘点。
2.根据权利要求1所述的基于术后角膜OCT影像数据的图像分割方法，其特征是，步骤1中，裁切原始OCT图像时，去除掉与角膜无关的眼前节图像。
3.根据权利要求1所述的基于术后角膜OCT影像数据的图像分割方法，其特征是，步骤1中，将裁切后得到的图像与一设定的常系数1.5相乘，增强图像的对比度，再利用大津阈值法将图像转为二值图像。
4.根据权利要求1所述的基于术后角膜OCT影像数据的图像分割方法，其特征是，步骤1中，数学形态学操作时，连续地顺序进行膨胀、闭操作和孔洞填充处理，用以增强角膜边界。
5.根据权利要求1所述的基于术后角膜OCT影像数据的图像分割方法，其特征是，步骤3中，当角膜图像上存在中央竖直噪声时，首先在图像的中央区域检测每列边缘点的数目，当检测到的边缘点数量超过2时就定位为存在中央噪声的列。
6.根据权利要求5所述的基于术后角膜OCT影像数据的图像分割方法，其特征是，图像的中央区域设定为200~400列之间。
CN201710064457.2A 2017-02-04 2017-02-04 一种基于术后角膜oct影像数据的图像分割方法 Active CN106846314B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710064457.2A CN106846314B (zh) 2017-02-04 2017-02-04 一种基于术后角膜oct影像数据的图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710064457.2A CN106846314B (zh) 2017-02-04 2017-02-04 一种基于术后角膜oct影像数据的图像分割方法

Publications (2)

Publication Number Publication Date
CN106846314A CN106846314A (zh) 2017-06-13
CN106846314B true CN106846314B (zh) 2020-02-07

Family

ID=59122393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710064457.2A Active CN106846314B (zh) 2017-02-04 2017-02-04 一种基于术后角膜oct影像数据的图像分割方法

Country Status (1)

Country Link
CN (1) CN106846314B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510493A (zh) * 2018-04-09 2018-09-07 深圳大学 医学图像内目标对象的边界定位方法、存储介质及终端
CN108765388B (zh) * 2018-05-17 2020-10-27 苏州大学 食道内窥oct图像层次结构的自动分割方法和系统
US20210330182A1 (en) * 2018-08-07 2021-10-28 Wenzhou Medical University Optical coherence tomography image processing method
CN115082500B (zh) * 2022-05-31 2023-07-11 苏州大学 基于多尺度与局部特征引导网络的角膜神经纤维分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1794262A (zh) * 2005-12-29 2006-06-28 上海交通大学 快速有效的活体虹膜分割方法
CN102136135A (zh) * 2011-03-16 2011-07-27 清华大学 眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1794262A (zh) * 2005-12-29 2006-06-28 上海交通大学 快速有效的活体虹膜分割方法
CN102136135A (zh) * 2011-03-16 2011-07-27 清华大学 眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automatic segmentation of anterior segment optical coherence tomography images;Dominic Williams et al.;《Journal of Biomedical Optics》;20130502;第18卷(第5期);第056003-2-056003-3页 *
Robust automatic segmentation of corneal layer boundaries in SDOCT images using graph theory and dynamic programming;Francesco LaRocca et al.;《Biomed Opt Expressv》;20110512;第2卷(第6期);全文 *

Also Published As

Publication number Publication date
CN106846314A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
CN106846314B (zh) 一种基于术后角膜oct影像数据的图像分割方法
CN109636808B (zh) 一种基于全卷积神经网络的肺叶分割方法
CN106709917B (zh) 神经网络模型训练方法、装置及系统
CN104992445B (zh) 一种ct图像肺实质的自动分割方法
CN107194919B (zh) 基于规律纹理背景重建的手机屏幕缺陷检测方法
JP6564018B2 (ja) 放射線画像の肺野セグメンテーション技術及び骨減弱技術
US8542794B2 (en) Image processing apparatus for a moving image of an object irradiated with radiation, method thereof, and storage medium
CN109102506B (zh) 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法
US20160117797A1 (en) Image Processing Apparatus and Image Processing Method
CN106846346B (zh) 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法
CN112785591B (zh) 一种ct影像中肋骨骨折的检测与分割方法及装置
CN110033458A (zh) 一种基于像素梯度分布的图像阈值确定方法
CN108830856B (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
CN105844625A (zh) 一种融合边缘和区域的活动轮廓图像分割方法
CN105389793B (zh) 一种自动识别物体表面裂缝走向及宽度的方法
CN103700085A (zh) 乳腺x光图像中胸肌区域的分割方法
CN110246150A (zh) 金属检测方法、装置、设备及存储介质
CN108280833B (zh) 一种植物根系分叉特征的骨架提取方法
CN113658165A (zh) 杯盘比确定方法、装置、设备及存储介质
CN106780492B (zh) 一种ct骨盆图像的关键帧提取方法
CN112712521B (zh) 基于全局梯度搜索的眼底视盘自动定位方法及其存储介质
CN110796654A (zh) 一种引导线检测方法、装置、设备、轮胎吊及介质
KR101908785B1 (ko) 혀 영역 추출 방법 및 그 방법을 수행하는 영상 처리 장치
CN108074229A (zh) 一种气管树提取方法及装置
CN109035272B (zh) 基于ct图像的肺分割方法、装置及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20190605

Address after: 215011 Bamboo Garden Road, Suzhou high tech Zone, Jiangsu Province, No. 209

Applicant after: Suzhou were Medical Technology Co. Ltd.

Address before: 215123 No. 199 Renai Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Applicant before: Soochow University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant