CN107578413B - 视网膜图像分层的方法、装置、设备及可读存储介质 - Google Patents
视网膜图像分层的方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN107578413B CN107578413B CN201710942273.1A CN201710942273A CN107578413B CN 107578413 B CN107578413 B CN 107578413B CN 201710942273 A CN201710942273 A CN 201710942273A CN 107578413 B CN107578413 B CN 107578413B
- Authority
- CN
- China
- Prior art keywords
- super
- retina
- segmentation
- interest
- area
- 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
Links
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于OCT图像视网膜分层的方法、装置、设备以及计算机可读存储介质,包括:通过平直化处理,获取视网膜分层工作的感兴趣区域;根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素过分割的尺度,以便依据预设聚类规则对所述感兴趣区域内的视网膜图像进行初始过分割;利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果。本发明所提供的方法、装置、设备及计算机可读存储介质可以有效避免由于视网膜层间对比度弱造成的错误分层,提高视网膜图像分层结果的准确性。
Description
技术领域
本发明涉及医学图像处理技术领域,特别是涉及一种基于眼底OCT图像视网膜分层的方法、装置、设备以及计算机可读存储介质。
背景技术
当前社会老龄化进程加快和青少年眼底疾病高发,眼底图像自动处理技术对眼底疾病研究和提高全民眼健康水平等多方面都具有重要的现实意义。眼底视网膜图像是眼底疾病和一些全身性疾病诊断的重要依据,光学相干层析成像(Optical coherencetomography,简称为OCT)技术是当前眼底图像技术的前沿领域,是一种非侵入的高分辨率生物医学光学成像技术,可在体检测生物组织内部的微结构。对视网膜层总厚度和其中一些特定层诸如视网膜神经纤维层(RNFL)厚度的定量测量可应用于青光眼、糖尿病视网膜病变等高致盲眼科疾病的诊断。较之耗时且精度有限的人工视网膜分层,自动的视网膜分层方法可以同时提升分层效率和精度。OCT眼底扫描仪可以对视网膜层断面进行直观成像,与常规眼底检查方法相比具有独特优势。
现有视网膜图像分层方法,如复合扩散滤波减少散斑噪声然后基于A-scan(A型扫描)上的强度峰来进行视网膜分层以及用修改过的中值滤波减少散斑噪声,然后使用基于A-scan直方图的自适应阈值方法进行视网膜分层等基于图像灰度和灰度梯度的视网膜分层方法,对弱对比度的视网膜图像的视网膜分层效果不理想。另一方面,现有技术对有血管等复杂结构存在的视网膜图像分层效果也不理想。
综上所述可以看出,如何对弱对比度的视网膜图像进行视网膜分层是目前有待解决的问题。
发明内容
本发明的目的是提供一种基于OCT图像视网膜分层的方法、装置、设备以及计算机可读存储介质,已解决现有技术中对弱对比度的视网膜图像的视网膜分层效果不理想的问题。
为解决上述技术问题,本发明提供一种基于OCT图像视网膜分层的方法,包括:通过平直化处理,获取视网膜分层工作的感兴趣区域;根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素过分割的尺度,以便依据预设聚类规则对所述感兴趣区域内的视网膜图像进行初始过分割;利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果。
优选地,所述通过平直化处理,获取视网膜分层工作的感兴趣区域后还包括:根据血管边缘与血管周围区域的梯度差值以及形态学操作,对所述感兴趣区域内的视网膜图像内的血管宽度大于预设阈值的血管进行去除,以便对去除干扰血管后的视网膜图像进行后续初始过分割的操作。
优选地,所述根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素过分割的尺度,以便依据预设聚类规则对所述感兴趣区域内的视网膜图像进行初始过分割包括:根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素个数;根据所述超像素个数以及所述感兴趣区域尺寸,获取相邻聚类中心分布的步长;为所述聚类中心邻域内每个像素点分配聚类标签,以便对所述感兴趣区域内的视网膜图像进行初始过分割。
优选地,所述利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果包括:依据初始过分割得到的超像素块的聚类标签及位置信息的相似度,对所述超像素块进行动态区域合并;根据视网膜层边缘处超像素的邻域一致性,去除初始过分割的误分割块。
优选地,所述利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果后还包括:对没有进行合并的孤立超像素块,根据聚类标签对孤立超像素块面积进行排序,按照从小到大的顺序将所述孤立超像素块合并至相邻的最大相似区域内,以便所述视网膜分层结果达到预设层数。
本发明还提供了一种基于OCT图像视网膜分层的装置,包括:
平直化模块,用于通过平直化处理,获取视网膜分层工作的感兴趣区域;
过分割模块,用于根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素过分割的尺度,以便对所述感兴趣区域内的视网膜图像进行初始过分割;
合并模块,利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果。
优选地,还包括血管提取模块,用于根据血管边缘与血管周围区域的梯度差值以及形态学操作,对所述感兴趣区域内的视网膜图像内的血管宽度大于预设阈值的血管进行去除,以便对去除干扰血管后的视网膜图像进行后续初始过分割的操作。
优选地,所述过分割模块具体用于:根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素个数;根据所述超像素个数以及所述感兴趣区域尺寸,获取相邻聚类中心分布的步长;为所述聚类中心邻域内每个像素点分配聚类标签,以便对所述感兴趣区域内的视网膜图像进行初始过分割。
本发明还提供了一种基于OCT图像视网膜分层的设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述基于OCT图像视网膜分层的方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于OCT图像视网膜分层的方法的步骤。
本发明所提供的方法、装置、设备以及计算机可读存储介质,基于眼底OCT图像对视网膜进行分层,首先利用平直化处理,确定视网膜分层工作的感兴趣区域,根据所述感兴趣区域内的视网膜各层的厚度,自适应选择超像素个数,从而对所述感兴趣区域内的视网膜图像进行初始过分割后,在进行超像素块合并,合并为所述感兴趣区域内的各层视网膜。由于超像素个数是自适应选择得到,对于不同的视网膜图像的分层工作时可以合理选择超像素个数,避免了随机选择超像素个数导致对视网膜分层出现较大误差;对所述感兴趣区域内的视网膜图像进行过分割,可以区分对比度弱的视网膜各层的超像素块,避免由于视网膜层间对比度弱造成的视网膜分层错误。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,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。
图1为本发明所提供的基于OCT图像视网膜分层的方法的第一种具体实施例的流程图;
图2为本发明所提供的基于OCT图像视网膜分层的方法的第二种具体实施例的流程图;
图3为四种层间误分割情况示意图;
图4为本发明实施例提供的一种基于OCT图像视网膜分层的装置的结构框图。
具体实施方式
本发明的核心是提供一种基于OCT图像视网膜分层的方法、装置、设备以及计算机可读存储介质,可以有效避免由于视网膜层间对比度弱造成的视网膜分层错误。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明所提供的基于OCT图像视网膜分层的方法的第一种具体实施例的流程图;本实施例具体操作步骤如下:
步骤S101:通过平直化处理,获取视网膜分层工作的感兴趣区域;
需要说明的是,在本具体实施例中,对平直化处理的次数没有作限定,可以为一次也可以为多次,平直化处理的次数并不影响本发明的实现。优选地,在本具体实施例中采用两次平直化处理,找到视网膜层的两个边界;本具体实施例利用RPE(视网膜色素皮层)层与ONL(外核层)层边缘和NFL(神经纤维层)层与ILM(internal limiting membrane,视网膜内界膜)层边缘灰度值变化最为明显这一特征,根据每个像素点处的梯度值搜索基准线位置。分别以RPE-ONL边缘和NFL-ILM边缘为上下基准线,对视网膜进行两次平直化,包括上层平直化和下层平直化两个步骤,上层平直化对每列像素进行竖直方向移动,下层平直化在上层平直化的基础上对上基准线以下的像素进行伸缩变换。
所述两次平直化的具体步骤为,首先利用Sobel算子(索贝尔算子)计算图像梯度大小和方向,在梯度图中选择每一列梯度最大且不相邻的两个峰值点分别作为该列中上下两个基准线位置;以上基准线端点为基准对每一列进行竖直方向上的整体移动完成上层平直化,然后以下基准线端点为基准,在上层平直化结果上对上下基准线之间的所有像素点进行拉伸变换。上下基准线之间的点在两次线性变化过程中的纵坐标变换可以由方程表示,其中,对应于上层平直化中每一列竖直方向移动的大小,对应于下层平直化中每一列拉伸或压缩的比例。两次平直化是线性可逆变换,将每一列的变换关系组成变换矩阵,在分层结束后可以通过变换矩阵根据边界点的位置进行逆变换找到原图中的边缘位置。
经过两次平直化操作,RPE-ONL边界和NFL-ILM边界被确定,两条分界线在平直化结果中保持平行,两层间的视网膜各层被移动到水平位置,同一层中像素的水平分布特征得到加强。两次平直化处理对接下来的感兴趣区域进行了限制,减少了视网膜以外区域的干扰。
步骤S102:根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素过分割的尺度,以便依据预设聚类规则对所述感兴趣区域内的视网膜图像进行初始过分割;
在本具体实施例中,在超像素分割时,为了避免随机选择的种子点落在邻域内梯度极大值点导致分类误差增大的现象,在进行超像素分割之前采用简单线性迭代聚类方法(SLIC)对种子点进行随机扰动。
SLIC方法通过所述感兴趣区域内的视网膜图像的尺寸以及超像素个数得到初始种子点分布的步长;不同的视网膜图像需要分割的尺度各不相同,过过多的种子点个数虽然可以保证不同像素点被分在同一区域的概率降低,但是种子点个数的增加带来计算负担的增大,对所有图片设置同一个分割尺度缺乏对各种情况的适用性。预处理后的视网膜图像呈平直状,容易得到待分割区域每一层的平均厚度。为了保证厚度最小的层分割正确,超像素块的尺度不能大于最小层厚度。
本具体实施例采用自适应尺度的方法确定超像素个数,不需要对每一幅图像的具体情况单独设置参数,使这一方法更好的适用于OCT图像自动处理这一实际要求。超像素个数为K,经过平直化处理后的视网膜图像Ii的宽度和高度分别为wi和hi,根据Ii、wi和hi计算超像素个数为K的公式如下:
其中,ε是低于平均厚度的视网膜层与厚度平均值之间的比例系数,ε值越大表明最小层厚度越大,需要的超像素尺寸越大,反之,需要更小的超像素块拟合最小厚度层边缘。
确定超像素个数后,采用SLIC方法确定种子点分布的步长,利用SLIC超像素分割的结果对图像中的每一个像素点进行遍历,当像素点的八邻域内存在与当前像素点聚类标签不同的像素点时,将两个不同的聚类标签加入邻接关系中,按照这种方法通过一次遍历可以得到所有邻接关系,从而实现对所述感兴趣区域内的视网膜图像的过分割。
步骤S103:利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果。
对感兴趣区域内的视网膜图像进行过分割之后,根据视网膜图像内超像素块的邻接关系和相似度进行超像素块合并,以便找到视网膜图像中的各层。本实施例中,除了基于灰度值,还考虑了视网膜层状分布的位置关系,使合并顺序按照期望的方向进行。根据视网膜平直化的特性,横向平直度越高的两个超像素属于同一层的概率大于横向平直度低的两个超像素;因此在相似度计算中,根据位置信息的相似度加权,可以使高度分布相近的相邻超像素获得比邻域内其他方向更大的相似度,促使横向平直度越高的相似情况在合并过程中越早形成最优相似关系,横向平直度越低的相邻超像素越晚形成最优相似关系。
设超像素块vi和vj的中心点坐标为(xi,yi)和(xj,yj),超像素块vi和vj为相邻超像素块,vi和vj归一化后的相似度L(vi,vj)则可以表示为:
其中,σd、σr、σh为预定义方差,I(v)代表超像素块v在中心点处的平均灰度值,||·||2是2范数算子。
本具体实施例基于超像素的方法对视网膜图像进行初始过分割,提出根据平直化后的层厚度自适应选择分割尺度得到视网膜图像过分割结果;在过分割区域的合并过程中,使用基于局部最优相似关系和区域一致性的动态区域合并方法,利用区域间相似度计算方法进行合并;从而可以区分对比度弱的视网膜各层的超像素块,避免由于视网膜层间对比度弱造成的视网膜分层错误。
请参考图2,图2为本发明所提供的基于OCT图像视网膜分层的方法的第二种具体实施例的流程图。
本具体实施例,在上述实施例的基础上,增加了对视网膜图像进行血管提取处理,减少了血管对视网膜分层工作的干扰;还增加了对初始过分割时产生的误分割块进行去除的操作;并且在初始合并完成后,对合并结果进行了优化。本实施例具体操作步骤如下:
步骤S201:对眼底OCT图像进行两次平直化处理,获得视网膜分层工作的感兴趣区域;
步骤S202:对所述感兴趣区域内的视网膜图像中血管宽度大于预设阈值的血管进行去除;
根据血管边缘与血管周围区域的梯度差值以及形态学操作,对所述感兴趣区域内的视网膜图像内的血管宽度大于预设阈值的血管进行去除,以便对去除干扰血管后的视网膜图像进行后续初始过分割的操作。
血管在OCT图像上表现为深色棒状区域,平直化程度较好的RPE、OS两层灰度值较大且均被血管穿过,二者之间对比较为明显。根据血管边缘水平方向梯度变化明显而竖直方向梯度变化不大的特征,在RPE、OS两层中对血管进行提取。由于在不同位置的B-scan扫描图像中,血管宽度变化范围较大,若以厚度稳定的RPE、OS两层厚度和为参照厚度,血管粗细与参照厚度的比值在区间(0,2.5]内。由于超过一定宽度的血管对视网膜分层有较大影响,而较细的血管对分层的影响并不大。只对与参照厚度的比值在0.3以上的血管进行去除,小于这一比值的血管对分层影响较小,所以不作血管提取处理。
首先对血管进行形态学操作,计算像素点在水平和竖直两个方向梯度的绝对值,得到所述感兴趣区域内视网膜的梯度图像。在梯度图像中,血管边缘处的像素值明显大于周围区域,表现为白色条状区域。为了突出血管区域在竖直方向上独特的连通性并加强血管轮廓,对平直化的梯度图像采用2×2尺寸的形态学算子进行腐蚀膨胀操作。在形态学操作后的图像中黑色区域的空洞被闭合,血管边缘的白色区域在纵向上的连通性仍然被较好的保留。
其次根据血管在RPE、OS两层最为明显的特性,把RPE、OS两层称为血管提取的采样区间,利用水平采样结果在竖直方向上投影得到的峰值点确定血管壁的位置。在采样区间内进行多次水平方向扫描,扫描初始位置为下边缘层分界线,以固定步长进行多次横向采样,将多次采样结果在竖直方向上累加,以避免单次采样中误差的干扰。在投影后的统计图中灰度值大于固定阈值的点即是血管边缘位置,将宽度小于设定阈值的血管舍弃,保留剩下的边缘点。最后,对图像中的血管进行分割去除。
步骤S203:根据平直化后感兴趣区域内的视网膜的层厚度,采用自适应尺度的方法确定超像素个数,以便采用SLIC方法对所述感兴趣区域内的视网膜图像进行初始过分割;
步骤S204:根据初始过分割后的超像素块的邻接关系和相似度进行动态区域合并以找到视网膜各层;
步骤S205:对初始过分割产生的误分割块进行去除;
需要说明的是,所述步骤S205可以在步骤S204之前进行操作,即在进行初始过分割完成后进行误分割块去除的操作;也可以与步骤S204同时执行,即在动态区域合并的同时进误分割块去除的操作。在本具体实施例中,为了减少时间复杂度,选用在进行步骤S204的同时执行步骤S205。
当不相邻且相似的两层之间存在连通区域时,动态区域合并方法会将连通区域与上下两层合并,导致中间层因为连通区域的合并无法找到全部相似区域直到合并停止,最终造成中间层被分割成几段的结果,这种情况被称为“隔断”现象。
从满足相似性角度来看,“隔断”处超像素与竖直方向上的相邻层相似,但是与横向相邻层不相似。此时,虽然两个区域满足最相似关系和一致性,但这种合并对接下来的合并会造成不可逆的影响。这种超像素块称为误分割块。这种误分割块满足合并条件的时间点无法通过提前判断得到,只能通过在区域合并之前对图像进行处理将其去除,使同一层在横向上的一致性最大。
误分割块处具有横向相邻层不相似而与纵向相邻层相似的特点,这一特点区别于图像其他位置,特别是位于层边缘处的超像素的邻域一致性情况。为了减少方法的时间复杂度,在实现中,去除误分割块与第一次合并前的相似度矩阵计算同时进行。在对点vt的所有邻接点的相似度计算过程中,当邻域内相似度满足巴氏距离小而水平相似距离大这种关系时,将当前邻域点设为vs,对vs的邻域一致性进行分析,如果vs的邻域分别满足纵向一致性和横向一致性,且横纵方向不满足一致性时,将vs的特征用两侧横向邻域的特征均值代替。
若vs和vt满足合并准则,那么这两点一定满足纵向一致性CV。横向一致性CH是vs左右两侧的超像素之间的一致性,在图中通过超像素中心点之间的连线与水平方向的夹角来衡量水平关系,在vs的左右两部分邻域中分别选取水平夹角最小的超像素vs-left和vs-right,判断vs-left和vs-right的一致性CH。若CH成立,进一步判断vs横向邻域vs-left∪vs-right和纵向邻域vs∪vt的一致性:CH-V。当横向一致性CH成立且横向与纵向一致性CH-V不成立时,vs是层间误分割块,将vs特征用横向邻域特征的均值代替。
超像素的层间误分割情况可以分为四类,具体情况如图3所示。图中每个数字代表超像素块所属的类,层间误分割情况影响最大的是图中a和b所示的情况,往往导致“隔断”现象的发生。通过邻域一致性分析,图中c和d对应的情况中层间误分割超像素也被消除,得到的最终边缘更加平滑。
步骤S206:对动态区域合并后的分层结果进行优化,将孤立超像素块进行合并直至所述感兴趣区域内的视网膜的分层结果达到预期层数;
通过水平方向优先合并和层间误分割块的去除,在合并结束后,同一层内的区域大部分被合并。但是,受OCT图像中随机噪声和视网膜层本身特征的共同作用,在同一层内存在不满足一致性的相邻关系,这些不满足合并关系的层内区域没有与所在层其他区域合并,在最终结果中表现为在已经合并形成的层中或两层边界位置有孤立区域存在。视网膜一层的区域面积大小远大于这些未合并的孤立区域面积,在合并结果优化中,通过区域标签对区域大小进行排序,按照从小到大的顺序对把孤立区域合并到相邻的最大相似区域中,合并达到预期层数时停止合并,得到完整的层合并结果。
步骤S207:对所述感兴趣区域视网膜图像中的边缘点位置进行逆变换找到原始图像中的边缘位置,完成视网膜分层。
在本具体实施例中利用梯度极大值点确定上下边缘层分界线,从而进行视网膜二次平直化,在完成视网膜上下边缘层分割的同时,获得平直化结果。为了避免眼底图像中的血管对视网膜分层结果的干扰,在平直化的采样区间内利用梯度差值图像进行血管提取;得到去除血管的平直化视网膜图像后,采用自适应尺度的超像素分割方法,对视网膜图像进行初始过分割;合并过程中,利用邻域一致性条件去除层间误分割块,在确定合并顺序中提出基于统计信息和方向信息的相似度计算方法,通过邻域最优相似关系和区域一致性检验确定合并顺序;最后,对合并结果进行优化,避免合并结果中孤立区域的存在。
请参考图4,图4为本发明实施例提供的一种基于OCT图像视网膜分层的装置的结构框图;具体装置可以包括:
平直化模块100,用于通过平直化处理,获取视网膜分层工作的感兴趣区域;
过分割模块200,用于根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素过分割的尺度,以便对所述感兴趣区域内的视网膜图像进行初始过分割;
合并模块300,利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果。
本实施例还包括血管提取模块300,用于根据血管边缘与血管周围区域的梯度差值以及形态学操作,对所述感兴趣区域内的视网膜图像内的血管宽度大于预设阈值的血管进行去除,以便对去除干扰血管后的视网膜图像进行后续初始过分割的操作。
本实施例的基于OCT图像视网膜分层的装置用于实现前述的基于OCT图像视网膜分层的方法,因此基于OCT图像视网膜分层的装置中的具体实施方式可见前文中的基于OCT图像视网膜分层的方法的实施例部分,例如,平直化模块100,过分割模块200,合并模块300,分别用于实现上述基于OCT图像视网膜分层的方法中步骤S101,S102和S103,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明具体实施例还提供了一种基于OCT图像视网膜分层的设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述基于OCT图像视网膜分层的方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于OCT图像视网膜分层的方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的基于OCT图像视网膜分层的方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种基于OCT图像视网膜分层的方法,其特征在于,包括:
通过平直化处理,获取视网膜分层工作的感兴趣区域;
根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素过分割的尺度,以便依据预设聚类规则对所述感兴趣区域内的视网膜图像进行初始过分割;
利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果;
所述利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果包括:
依据初始过分割得到的超像素块的聚类标签及位置信息的相似度,对所述超像素块进行动态区域合并;根据视网膜层边缘处超像素的邻域一致性,去除初始过分割的误分割块;
其中,设超像素块vi和vj的中心点坐标为(xi,yi)和(xj,yj),超像素块vi和vj为相邻超像素块,vi和vj归一化后的相似度L(vi,vj)表示为:
其中,σd、σr、σh为预定义方差,I(v)代表超像素块v在中心点处的平均灰度值,||·||2是2范数算子。
2.如权利要求1所述的方法,其特征在于,所述通过平直化处理,获取视网膜分层工作的感兴趣区域后还包括:
根据血管边缘与血管周围区域的梯度差值以及形态学操作,对所述感兴趣区域内的视网膜图像内的血管宽度大于预设阈值的血管进行去除。
3.如权利要求1所述的方法,其特征在于,所述根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素过分割的尺度,以便依据预设聚类规则对所述感兴趣区域内的视网膜图像进行初始过分割包括:
根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素个数;
根据所述超像素个数以及所述感兴趣区域尺寸,获取相邻聚类中心分布的步长;
为所述聚类中心邻域内每个像素点分配聚类标签,以便对所述感兴趣区域内的视网膜图像进行初始过分割。
4.如权利要求3所述的方法,其特征在于,所述利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果后还包括:
对没有进行合并的孤立超像素块,根据聚类标签对孤立超像素块面积进行排序,按照从小到大的顺序将所述孤立超像素块合并至相邻的最大相似区域内,以便所述视网膜分层结果达到预设层数。
5.一种基于OCT图像视网膜分层的装置,其特征在于,包括:
平直化模块,用于通过平直化处理,获取视网膜分层工作的感兴趣区域;
过分割模块,用于根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素过分割的尺度,以便依据预设聚类规则对所述感兴趣区域内的视网膜图像进行初始过分割;
合并模块,利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果;
所述利用预设合并规则,合并所述初始过分割得到的超像素块,以便获取视网膜分层结果包括:
依据初始过分割得到的超像素块的聚类标签及位置信息的相似度,对所述超像素块进行动态区域合并;根据视网膜层边缘处超像素的邻域一致性,去除初始过分割的误分割块;
其中,设超像素块vi和vj的中心点坐标为(xi,yi)和(xj,yj),超像素块vi和vj为相邻超像素块,vi和vj归一化后的相似度L(vi,vj)表示为:
其中,σd、σr、σh为预定义方差,I(v)代表超像素块v在中心点处的平均灰度值,||·||2是2范数算子。
6.如权利要求5所述的装置,其特征在于,还包括:血管提取模块,用于根据血管边缘与血管周围区域的梯度差值以及形态学操作,对所述感兴趣区域内的视网膜图像内的血管宽度大于预设阈值的血管进行去除。
7.如权利要求5所述的装置,其特征在于,所述过分割模块具体用于:根据所述平直化处理后所述感兴趣区域内的视网膜的各层厚度,自适应选择超像素个数;根据所述超像素个数以及所述感兴趣区域尺寸,获取相邻聚类中心分布的步长;为所述聚类中心邻域内每个像素点分配聚类标签,以便对所述感兴趣区域内的视网膜图像进行初始过分割。
8.一种基于OCT图像视网膜分层的设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述基于OCT图像视网膜分层的方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于OCT图像视网膜分层的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710942273.1A CN107578413B (zh) | 2017-10-11 | 2017-10-11 | 视网膜图像分层的方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710942273.1A CN107578413B (zh) | 2017-10-11 | 2017-10-11 | 视网膜图像分层的方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107578413A CN107578413A (zh) | 2018-01-12 |
CN107578413B true CN107578413B (zh) | 2018-08-21 |
Family
ID=61036642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710942273.1A Active CN107578413B (zh) | 2017-10-11 | 2017-10-11 | 视网膜图像分层的方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578413B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345835B (zh) * | 2018-01-15 | 2022-07-12 | 上海大学 | 一种基于仿复眼感知的目标识别方法 |
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 |
CN108961280B (zh) * | 2018-06-29 | 2021-11-02 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
CN109447964A (zh) * | 2018-10-23 | 2019-03-08 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
CN111868783B (zh) * | 2019-02-14 | 2021-03-23 | 中国水利水电科学研究院 | 基于边界提取的区域合并图像分割算法 |
CN109886965B (zh) * | 2019-04-09 | 2021-01-08 | 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 |
CN110084814B (zh) * | 2019-05-13 | 2021-11-02 | 苏州微创关节医疗科技有限公司 | 表面涂层测量方法、装置、计算机设备和存储介质 |
CN112508919A (zh) * | 2020-12-11 | 2021-03-16 | 北京大恒普信医疗技术有限公司 | 图像处理方法及装置、电子设备、可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7347548B2 (en) * | 2003-05-01 | 2008-03-25 | The Cleveland Clinic Foundation | Method and apparatus for measuring a retinal sublayer characteristic |
-
2017
- 2017-10-11 CN CN201710942273.1A patent/CN107578413B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107578413A (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578413B (zh) | 视网膜图像分层的方法、装置、设备及可读存储介质 | |
CN109493954B (zh) | 一种基于类别判别定位的sd-oct图像视网膜病变检测系统 | |
Garvin et al. | Automated 3-D intraretinal layer segmentation of macular spectral-domain optical coherence tomography images | |
Yin et al. | User-guided segmentation for volumetric retinal optical coherence tomography images | |
CN104599270B (zh) | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 | |
CN110390650B (zh) | 基于密集连接和生成对抗网络的oct图像去噪方法 | |
Anantrasirichai et al. | Adaptive-weighted bilateral filtering and other pre-processing techniques for optical coherence tomography | |
Chen et al. | Automated segmentation of the choroid in EDI-OCT images with retinal pathology using convolution neural networks | |
CN108961261B (zh) | 一种基于空间连续性约束的视盘区域oct图像层次分割方法 | |
CN108836257B (zh) | 一种眼底oct图像中视网膜分层方法 | |
CN106056596B (zh) | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 | |
JP2014527434A (ja) | 光干渉断層法におけるフィーチャの動き補正及び正規化 | |
CN106558030A (zh) | 三维大视野扫频光学相干断层成像中脉络膜的分割方法 | |
Kafieh et al. | Curvature correction of retinal OCTs using graph-based geometry detection | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
Gao et al. | Automated layer segmentation of macular OCT images via graph-based SLIC superpixels and manifold ranking approach | |
Lockwood et al. | Lamina cribrosa microarchitecture in normal monkey eyes part 1: methods and initial results | |
CN109671049A (zh) | 一种医学图像处理方法、系统、设备、存储介质 | |
JP2018530414A (ja) | 光干渉断層撮影スライスの選択のためのシステムおよび方法 | |
CN110874597B (zh) | 一种眼底图像血管特征提取方法、设备、系统和存储介质 | |
Masood et al. | Automatic choroid layer segmentation using normalized graph cut | |
CN112950611A (zh) | 一种基于ct图像的肝脏血管分割方法 | |
CN111242850A (zh) | 一种广域眼底光学相干血流成像分辨率提升方法 | |
CN115762787A (zh) | 基于眼睑拓扑形态分析的眼睑疾病手术疗效评估方法和系统 | |
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 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |