CN107644424A - 通过合并edi‑oct图像来分割sd‑oct图像脉络膜的方法 - Google Patents
通过合并edi‑oct图像来分割sd‑oct图像脉络膜的方法 Download PDFInfo
- Publication number
- CN107644424A CN107644424A CN201710929680.9A CN201710929680A CN107644424A CN 107644424 A CN107644424 A CN 107644424A CN 201710929680 A CN201710929680 A CN 201710929680A CN 107644424 A CN107644424 A CN 107644424A
- Authority
- CN
- China
- Prior art keywords
- mrow
- oct images
- choroid
- edi
- oct
- 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
Links
Landscapes
- Prostheses (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
Abstract
本发明提供了一种通过合并EDI‑OCT图像来分割SD‑OCT图像脉络膜的方法,步骤包括:分割EDI‑OCT图像的内界膜、脉络膜以及脉络膜巩膜交界,分割SD‑OCT图像的内界膜和脉络膜;基于视网膜厚度和脉络膜的位置来配准EDI‑OCT和SD‑OCT图像,使EDI‑OCT图像的脉络膜巩膜交界分割结果嵌入到SD‑OCT图像中,视网膜厚度为内界膜与脉络膜之间的轴向距离;通过嵌入基于图像配准的EDI‑OCT图像的脉络膜分割,生成SD‑OCT图像的脉络膜巩膜交界特征空间;通过使用三维图搜索,在生成的SD‑OCT图像的脉络膜巩膜交界特征空间中分割SD‑OCT图像的脉络膜巩膜交界面,实现SD‑OCT图像脉络膜的分割。该方法通过自动分割高分辨率OCT图像的方法来测量脉络膜的厚度,分割更准确和稳定,在OCT图像中分割脉络膜更加高效。
Description
技术领域
本发明涉及一种图像分割方法,尤其是一种通过合并EDI-OCT图像来分割SD-OCT图像脉络膜的方法。
背景技术
目前,通过自动分割高分辨率OCT图像的方法可以来测量脉络膜的厚度。在EDI-OCT图像中分割脉络膜多基于图像分割、图像搜索和结构相似性指引等方法来建模的基础上。有人提出了一种图像分割图形搜索的方法来从SD-OCT图像中获取脉络膜表面。也有人使用两阶段的统计模型从1060nm的OCT系统中分割出脉络膜。还有人用5个B扫描的均值EDI-OCT图像来进行脉络膜分割成像。然而随着OCT图像质量的不断提高,5个B扫描的EDI-OCT不足以来计算脉络膜的体积。SD-OCT图像有着较好的扫描线密度,但是对脉络膜的成像效果却不佳,尤其是对脉络膜下界的成像效果差,从而使得单纯通过SD-OCT获得脉络膜分割图像产生困难。目前脉络膜的体积测量主要通过人工分割或者依赖37个B扫描的SD-OCT图像半自动脉络膜分割方法。然而由于在SD-OCT图像中脉络膜下界的对比度很低,使得在SD-OCT图像中自动检测脉络膜的厚度和体积相当困难。因此高分辨率的EDI-OCT图像比低分辨率的SD-OCT图像更能适合用于脉络膜的分割。
发明内容
本发明要解决的技术问题是现有的在SD-OCT图像中脉络膜下界的对比度很低,使得在SD-OCT图像中自动检测脉络膜的厚度和体积相当困难。
为了解决上述技术问题,本发明提供了一种通过合并EDI-OCT图像来分割SD-OCT图像脉络膜的方法,包括如下步骤:
步骤1,分割EDI-OCT图像的内界膜、脉络膜以及脉络膜巩膜交界,分割SD-OCT图像的内界膜和脉络膜;
步骤2,基于视网膜厚度和脉络膜的位置来配准EDI-OCT和SD-OCT图像,使EDI-OCT图像的脉络膜巩膜交界分割结果嵌入到SD-OCT图像中,视网膜厚度为内界膜与脉络膜之间的轴向距离;
步骤3,通过嵌入基于图像配准的EDI-OCT图像的脉络膜分割,生成SD-OCT图像的脉络膜巩膜交界特征空间;
步骤4,通过使用三维图搜索,在生成的SD-OCT图像的脉络膜巩膜交界特征空间中分割SD-OCT图像的脉络膜巩膜交界面,实现SD-OCT图像脉络膜的分割。
作为本发明的进一步限定方案,步骤1中,EDI-OCT图像和SD-OCT图像中的内界膜层分割均是基于玻璃体边界估计,EDI-OCT图像和SD-OCT图像中的脉络膜分割均是基于视网膜结构的RPE估计,EDI-OCT图像中的脉络膜巩膜交界边界是通过分析脉络膜脉管系统特征获得的。
作为本发明的进一步限定方案,步骤2中,视网膜厚度的计算过程为:
令Ti E(i=1,2,…,5)为EDI-OCT图像中第i帧的视网膜厚度,令Ti S(1,2,…,128)为SD-OCT图像中第i帧的视网膜厚度,将Ti E被调整到与Ti S相同的宽度,再通过优化以下等式来估计x和y方向上的位移:
式中,cx是每个B扫描的中间列,cy是SD-OCT图像中B扫描的中间数,常数△x和△y分别是x和y方向的cx和cy的B扫描的位移数,函数DT表示视网膜厚度差的和,w表示SD-OCT图像中B扫描的宽度,常数sx是x方向的开始位置,通过排除两端将配准区域限制在中心列中,由于EDI-OCT和SD-OCT图像之间的结尾可能不重叠,因此可以通过在DT中找到最小值的位置来确定x和y方向上的位移dx和dy;
在x与y方向的位移估计后,再对基于脉络膜分割的z方向的位移估计,令dEBM和dSBM为在EDI-OCT和SD-OCT图像中的五个相应B扫描的平均脉络膜深度,则z方向的位移为:
dz=dEBM-dSBM (3)
z方向的位移为内界膜与脉络膜之间的轴向距离,即视网膜厚度。
作为本发明的进一步限定方案,步骤3中,生成SD-OCT图像的脉络膜巩膜交界特征空间的具体过程为:
利用脉络膜巩膜交界附近的血管产生灰度上升距离图像,灰度上升距离图像用于表示轴向上的反射率上升距离,由于在脉络膜层下脉络膜巩膜交界搜索区域被限制在窄带内,再利用双边滤波来降低噪声,利用如下方程式获得最大灰度图像:
MI(z,x)=max{I(zd,x)|zd∈[z+Dd(z,x),Nr]}
式中,I是平滑的脉络膜窄带图像,Dd是灰度下降距离,z∈[1,Nr]和x∈[1,Nc]分别是图像I的行和列坐标,Nr和Nc是图像I的高度和宽度,根据最大灰度度图像MI和平滑图像I之间的强度差生成脉络膜血管图像CV=MI-I;由于在OCT图像中,从脉络膜到巩膜反射率降低,利用相应的EDI-OCT图像的平均脉络膜厚度来确定脉络膜区域的全局阈值t;
再利用形态学算子去除脉络膜血管图像CV中的假血管,获得二值化脉络膜血管图像,再将二值化脉络膜血管图像的每列中的最低亮度像素作为脉络膜巩膜交界邻域的上界面,根据上界面的灰度值,得到脉络膜巩膜交界邻域的下方区域BCVd:
式中,BCVup(x)表示列x中脉络膜巩膜交界邻域的上界面的行坐标,脉络膜巩膜交界的特征图像CSJf通过约束脉络膜巩膜交界邻域内的灰度上升距离Da的轴向差Da z来产生:
式中,CSJn表示由脉络膜巩膜交界邻域的上下界面确定的CSJ特征空间,○表示元素乘法运算符,即Da z和CSJn的对应元素的乘法;
最后将EDI-OCT图像的脉络膜巩膜交界嵌入上面生成的CSJ特征空间中,令CSJb E为EDI-OCT图像中脉络膜巩膜交界分割结果的二值化图像,即CSJ边界为1,其余为0,再利用高斯滤波器平滑CSJb E生成一个窄带,窄带的宽度值随着到脉络膜巩膜交界的距离的增加而减小,通过添加原始特征图像CSJf和归一化的CSJb E来更新具有相应EDI-OCT图像的SD-OCT图像中的最终CSJ特征图像。
本发明的有益效果在于:通过自动分割高分辨率OCT图像的方法来测量脉络膜的厚度。由于使用三维图像搜索,所以本方法获得的脉络膜表面比人工生成的更加光滑。因为本方法的分割更准确和稳定,因此和人工分割相比,本方法在OCT图像中分割脉络膜更加高效。
附图说明
图1为本发明的方法流程示意图;
图2为本发明的基于视网膜厚度差异的配准平面示意图;
图3为本发明的EDI-OCT和SD-OCT图像配准示例图;
图4为本发明的EDI-OCT图像的脉络膜巩膜交界边界嵌入到相应SD-OCT图像的脉络膜巩膜交界特征空间的过程示意图。
具体实施方式
如图1所示,给出了所提出的方法的流程图,其中增强深部成像的光相干断层扫描(EDI-OCT)和频域光相干断层扫描(SD-OCT)图像对应于相同的眼睛。本发明的方法过程分为以下四步:
步骤1,分割EDI-OCT图像的内界膜、脉络膜以及脉络膜巩膜交界,分割SD-OCT图像的内界膜和脉络膜;
步骤2,基于视网膜厚度和脉络膜的位置来配准EDI-OCT和SD-OCT图像,使EDI-OCT图像的脉络膜巩膜交界分割结果嵌入到SD-OCT图像中,视网膜厚度为内界膜与脉络膜之间的轴向距离;
步骤3,通过嵌入基于图像配准的EDI-OCT图像的脉络膜分割,生成SD-OCT图像的脉络膜巩膜交界特征空间;
步骤4,通过使用三维图搜索,在生成的SD-OCT图像的脉络膜巩膜交界特征空间中分割SD-OCT图像的脉络膜巩膜交界面,实现SD-OCT图像脉络膜的分割。
具体执行步骤如下:
步骤1,分割EDI-OCT图像的内界膜,脉络膜和脉络膜巩膜交界,分割SD-OCT图像的内界膜和脉络膜。EDI-OCT和SD-OCT图像的内界膜层分割是基于玻璃体边界估计。通过使用基于视网膜结构的RPE估计来分割EDI-OCT和SD-OCT图像的脉络膜层。EDI-OCT图像中的脉络膜巩膜交界边界是通过分析脉络膜脉管系统特征获得的,例如脉络膜巩膜交界边界附近的轴向灰度渐变。由于低可见度,SD-OCT图像中脉络丛分割的难点是脉络膜巩膜交界分割。
步骤2,基于视网膜厚度(即内界膜和脉络膜之间的距离)和脉络膜的位置,配准EDI-OCT和SD-OCT图像。因为EDI-OCT和SD-OCT图像的B扫描之间的空间距离分别是固定的0.047毫米(6毫米/127)和0.25毫米(1毫米/4),本实施例将EDI-OCT图像的五个B扫描和SD-OCT图像同时对齐,从而改善图像配准的鲁棒性。尽管EDI-OCT图像的五帧的空间距离不完全是SD-OCT图像的五倍,但还是在接下来的EDI-OCT和SD-OCT图像的配准中用以近似(等式(2))。实验结果表明,近似值是可以接受的,因为五个EDI-OCT图像的配准结果仅用于促进SD-OCT图像的脉络膜巩膜交界特征空间的构建。此外,用于配准的SD-OCT图像可以被限制在立方体的中心,因为EDI-OCT图像位于黄斑的中心。根据内界膜和脉络膜分割,本实施例计算EDI-OCT和SD-OCT图像的视网膜厚度,即内界膜和脉络膜的轴向距离。令Ti E(i=1,2,…,5)为EDI-OCT图像中第i帧的视网膜厚度,令为SD-OCT图像中第i帧的视网膜厚度。首先,Ti E被调整到与Ti S相同的宽度,即横向宽度(512)。然后,本实施例通过优化以下等式来估计x和y方向上的位移:
其中,cx(512/2=256)是每个B扫描的中间列,cy(128/2=64)是SD-OCT图像中B扫描的中间数。常数△x和△y分别是x和y方向的cx和cy的B扫描的位移数,这限制了到黄斑中心的配准。函数DT表示视网膜厚度差的和,w表示SD-OCT图像中B扫描的宽度(即512)。常数sx是x方向的开始位置,通过排除两端将配准区域限制在中心列中,因为EDI-OCT和SD-OCT图像之间的结尾可能不重叠。在本实施例中,△x,△y和sx分别设置为100,20和100。可以通过在DT中找到最小值的位置来确定x和y方向上的位移dx和dy。图2给出了基于视网膜厚度差的配准表面。从图2可以看出,靠近最小值处的视网膜厚度差异也小于远离最小值处的那些。因此,5个EDI-OCT图像和128个SD-OCT图像之间的组合配准是鲁棒和可行的。在x与y方向的位移估计后,本实施例进行基于脉络膜分割的z方向的位移估计。令dEBM和dSBM为在EDI-OCT和SD-OCT图像中的五个相应B扫描的平均脉络膜深度。那么z方向的位移为:
dz=dEBM-dSEM (3)
图3显示了EDI-OCT和SD-OCT图像间的配准,其中EDI-OCT图像的第二帧对应于SD-OCT图像的第60帧。
步骤3,通过嵌入基于图像配准的EDI-OCT图像的脉络膜分割,生成SD-OCT图像的脉络膜巩膜交界特征空间。配准后,EDI-OCT图像的脉络膜巩膜交界分割结果被嵌入到SD-OCT图像中。根据脉络膜分割结果及图像配准,本实施例能估计平均厚度及五个SD-OCT图像的脉络膜巩膜交界位置,有利于促进接下来的SD-OCT图像的脉络膜巩膜交界特征空间的构造。本实施例主要利用脉络膜血管特征来估计脉络膜巩膜交界表面。脉络膜由脉络膜到脉络膜巩膜交界的三个血管部分组成:绒毛膜上皮,萨特勒层和哈勒层。脉络膜巩膜交界附近的哈勒层具有较大的外部血管分布,可用于产生灰度上升距离图像。灰度上升距离表示轴向上的反射率上升距离。在脉络膜层下,脉络膜巩膜交界搜索区域被限制在窄带(窄带的高度约为0.6mm),然后使用双边滤波来降低噪声。使用如下方程式产生最大灰度图像:
MI(z,x)=max{I(zd,x)|zd∈[z+Dd(z,x),Nr]} (4)
其中,I是平滑的脉络膜窄带图像,Dd是灰度下降距离。z∈[1,Nr]及x∈[1,Nc]分别是图像I的行和列坐标。Nr和Nc是I的高度和宽度。根据最大灰度度图像MI和平滑图像I之间的强度差,本实施例生成脉络膜血管图像CV=MI-I。由于在OCT图像中,从脉络膜到巩膜反射率降低,本实施例用相应的EDI-OCT图像的平均脉络膜厚度来确定脉络膜区域的全局阈值t。在用形态学算子去除假血管后可以获得最终的二值化脉络膜血管图像,然后将二值化脉络膜血管图像的每列中的最低亮度像素作为脉络膜巩膜交界邻域的上界面。根据上界面的灰度值,得到脉络膜巩膜交界邻域的下方区域BCVd:
其中,BCVup(x)表示列x中脉络膜巩膜交界邻域的上界面的行坐标。脉络膜巩膜交界(CSJ)特征图像脉络膜巩膜交界(CSJf)通过约束脉络膜巩膜交界邻域内的灰度上升距离Da的轴向差Da z来产生:
其中,CSJn表示由脉络膜巩膜交界邻域的上下界面确定的CSJ搜索区域,○表示元素乘法运算符,即Da z和CSJn的对应元素的乘法。然后本实施例将EDI-OCT图像的CSJ边界嵌入上面生成的CSJ特征空间。令CSJb E是EDI-OCT图像中脉络膜巩膜交界分割结果的二值化图像,即CSJ边界为1,其余为0。通过用高斯滤波器平滑CSJb E,我们生成一个窄带,其值随着到CSJ边界的距离的增加而减小。通过添加原始CSJf和归一化的CSJb E来更新具有相应EDI-OCT图像的SD-OCT图像中的最终CSJ特征图像。
步骤4,通过使用三维图搜索,在生成的脉络膜巩膜交界特征空间中分割SD-OCT图像的脉络膜巩膜交界面。图4给出了一个示例来演示嵌入过程。图4下面是脉络膜巩膜交界的窄带,在图中用虚线矩形标记的局部脉络膜的主要和最终脉络膜巩膜交界特征图像。图4中的灰度值表示根据EDI-OCT的平均脉络膜厚度和脉络膜脉管系统特征产生的脉络膜巩膜交界的概率。在图4中,灰度值与损失值成比例,表明由于脉络膜巩膜交界边界的部分缺失,原脉络膜巩膜交界特征图像中的成本分布不太令人满意,而最终的脉络膜巩膜交界特征图像的成本分布得到满足。因此,五个EDI-OCT图像的分割的脉络膜巩膜交界边界可以嵌入到相应的SD-OCT图像的脉络膜巩膜交界特征空间中,这可以提高3D图搜索定位SD-OCT图像正确脉络膜巩膜交界边界的可能性。EDI-OCT图像的脉络膜巩膜交界分割结果对于约束脉络膜巩膜交界搜索区域和改善脉络膜巩膜交界特征图像是重要的,影响了SD-OCT图像的脉络膜巩膜交界分割。
本发明提供的通过合并EDI-OCT图像来分割SD-OCT图像脉络膜的方法的用途为:脉络膜是眼内的一个血管组织层,与许多疾病,比如青光眼、老年黄斑变性和小柳原田综合症等相关;随着高分辨率3维光学相关断层扫描技术(OCT)的发展,增强深部成像的光相干断层扫描(EDI-OCT)对脉络膜的成像效果更好;为了自动测量脉络膜的参数,本发明通过合并EDI-OCT图像和三维128个B扫描的SD-OCT图像来进行自动脉络膜分割。EDI-OCT图像和SD-OCT图像均是同一时间同一台仪器对同一只眼扫描获得的。本发明基本理念是用基于EDI-OCT图像的脉络膜分割来对SD-OCT图像中的脉络膜分割进行指导。通过EDI-OCT图像的脉络膜分割,可以测得脉络膜的平均厚度、体积和SD-OCT图像中黄斑中心附近脉络膜的位置。脉络膜的厚度与体积的测量是诊断脉络膜疾病中一个重要的指标。本发明可以更加精确和方便的对脉络膜的厚度和体积等参数进行测量,从而辅助脉络膜疾病的诊断。
本发明提供的通过合并EDI-OCT图像来分割SD-OCT图像脉络膜的方法的优点在于:通过自动分割高分辨率OCT图像的方法可以来测量脉络膜的厚度和体积。在脉络膜边界分割和脉络膜厚度的测量方面,本发明和专家人工测量的方法准确性是一致的,但是本发明的稳定性优于人工测量,并且更加节省人力和时间。由于使用三维图像搜索,所以本发明获得的脉络膜表面比人工生成的更加光滑。因为本发明的分割更准确和稳定,因此和人工分割相比,本发明在OCT图像中分割脉络膜更加高效。
Claims (4)
1.一种通过合并EDI-OCT图像来分割SD-OCT图像脉络膜的方法,其特征在于,包括如下步骤:
步骤1,分割EDI-OCT图像的内界膜、脉络膜以及脉络膜巩膜交界,分割SD-OCT图像的内界膜和脉络膜;
步骤2,基于视网膜厚度和脉络膜的位置来配准EDI-OCT和SD-OCT图像,使EDI-OCT图像的脉络膜巩膜交界分割结果嵌入到SD-OCT图像中,视网膜厚度为内界膜与脉络膜之间的轴向距离;
步骤3,通过嵌入基于图像配准的EDI-OCT图像的脉络膜分割,生成SD-OCT图像的脉络膜巩膜交界特征空间;
步骤4,通过使用三维图搜索,在生成的SD-OCT图像的脉络膜巩膜交界特征空间中分割SD-OCT图像的脉络膜巩膜交界面,实现SD-OCT图像脉络膜的分割。
2.根据权利要求1所述的通过合并EDI-OCT图像来分割SD-OCT图像脉络膜的方法,其特征在于,步骤1中,EDI-OCT图像和SD-OCT图像中的内界膜层分割均是基于玻璃体边界估计,EDI-OCT图像和SD-OCT图像中的脉络膜分割均是基于视网膜结构的RPE估计,EDI-OCT图像中的脉络膜巩膜交界边界是通过分析脉络膜脉管系统特征获得的。
3.根据权利要求2所述的通过合并EDI-OCT图像来分割SD-OCT图像脉络膜的方法,其特征在于,步骤2中,视网膜厚度的计算过程为:
令Ti E(i=1,2,…,5)为EDI-OCT图像中第i帧的视网膜厚度,令Ti S(i 1,2,…,128)为SD-OCT图像中第i帧的视网膜厚度,将Ti E被调整到与Ti S相同的宽度,再通过优化以下等式来估计x和y方向上的位移:
<mrow>
<mo>(</mo>
<mi>d</mi>
<mi>x</mi>
<mo>,</mo>
<mi>d</mi>
<mi>y</mi>
<mo>)</mo>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi> </mi>
<mi>min</mi>
</mrow>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mi>c</mi>
<mi>x</mi>
<mo>-</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>,</mo>
<mi>c</mi>
<mi>x</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>x</mi>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>y</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mi>c</mi>
<mi>y</mi>
<mo>-</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>,</mo>
<mi>c</mi>
<mi>y</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>&rsqb;</mo>
</mrow>
</munder>
<mi>D</mi>
<mi>T</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>D</mi>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>5</mn>
</munderover>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>s</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>w</mi>
<mo>-</mo>
<mi>s</mi>
<mi>x</mi>
</mrow>
</munderover>
<mo>|</mo>
<msubsup>
<mi>T</mi>
<mrow>
<mi>y</mi>
<mo>+</mo>
<mn>5</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mi>S</mi>
</msubsup>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mi>j</mi>
<mi>E</mi>
</msubsup>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mi>x</mi>
<mo>+</mo>
<mi>c</mi>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,cx是每个B扫描的中间列,cy是SD-OCT图像中B扫描的中间数,常数△x和△y分别是x和y方向的cx和cy的B扫描的位移数,函数DT表示视网膜厚度差的和,w表示SD-OCT图像中B扫描的宽度,常数sx是x方向的开始位置,通过排除两端将配准区域限制在中心列中,由于EDI-OCT和SD-OCT图像之间的结尾可能不重叠,因此可以通过在DT中找到最小值的位置来确定x和y方向上的位移dx和dy;
在x与y方向的位移估计后,再对基于脉络膜分割的z方向的位移估计,令dEBM和dSBM为在EDI-OCT和SD-OCT图像中的五个相应B扫描的平均脉络膜深度,则z方向的位移为:
dz=dEBM-dSBM (3)
z方向的位移为内界膜与脉络膜之间的轴向距离,即视网膜厚度。
4.根据权利要求3所述的通过合并EDI-OCT图像来分割SD-OCT图像脉络膜的方法,其特征在于,步骤3中,生成SD-OCT图像的脉络膜巩膜交界特征空间的具体过程为:
利用脉络膜巩膜交界附近的血管产生灰度上升距离图像,灰度上升距离图像用于表示轴向上的反射率上升距离,由于在脉络膜层下脉络膜巩膜交界搜索区域被限制在窄带内,再利用双边滤波来降低噪声,利用如下方程式获得最大灰度图像:
MI(z,x)=max{I(zd,x)|zd∈[z+Dd(z,x),Nr]} (4)
式中,I是平滑的脉络膜窄带图像,Dd是灰度下降距离,z∈[1,Nr]和x∈[1,Nc]分别是图像I的行和列坐标,Nr和Nc是图像I的高度和宽度,根据最大灰度度图像MI和平滑图像I之间的强度差生成脉络膜血管图像CV=MI-I;由于在OCT图像中,从脉络膜到巩膜反射率降低,利用相应的EDI-OCT图像的平均脉络膜厚度来确定脉络膜区域的全局阈值t;
再利用形态学算子去除脉络膜血管图像CV中的假血管,获得二值化脉络膜血管图像,再将二值化脉络膜血管图像的每列中的最低亮度像素作为脉络膜巩膜交界邻域的上界面,根据上界面的灰度值,得到脉络膜巩膜交界邻域的下方区域BCVd:
<mrow>
<msub>
<mi>BCV</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>M</mi>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mi>I</mi>
<mo>(</mo>
<mrow>
<msup>
<mi>BCV</mi>
<mrow>
<mi>u</mi>
<mi>p</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>x</mi>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mi>M</mi>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>N</mi>
<mi>r</mi>
<mo>,</mo>
<mi>x</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,BCVup(x)表示列x中脉络膜巩膜交界邻域的上界面的行坐标,脉络膜巩膜交界的特征图像CSJ f通过约束脉络膜巩膜交界邻域内的灰度上升距离Da的轴向差Da z来产生:
式中,CSJn表示由脉络膜巩膜交界邻域的上下界面确定的CSJ特征空间,○表示元素乘法运算符,即Da z和CSJn的对应元素的乘法;
最后将EDI-OCT图像的脉络膜巩膜交界嵌入上面生成的CSJ特征空间中,令CSJb E为EDI-OCT图像中脉络膜巩膜交界分割结果的二值化图像,即CSJ边界为1,其余为0,再利用高斯滤波器平滑CSJb E生成一个窄带,窄带的宽度值随着到脉络膜巩膜交界的距离的增加而减小,通过添加原始特征图像CSJf和归一化的CSJb E来更新具有相应EDI-OCT图像的SD-OCT图像中的最终CSJ特征图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710929680.9A CN107644424B (zh) | 2017-10-09 | 2017-10-09 | 通过合并edi-oct图像来分割sd-oct图像脉络膜的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710929680.9A CN107644424B (zh) | 2017-10-09 | 2017-10-09 | 通过合并edi-oct图像来分割sd-oct图像脉络膜的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107644424A true CN107644424A (zh) | 2018-01-30 |
CN107644424B CN107644424B (zh) | 2020-10-13 |
Family
ID=61122687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710929680.9A Active CN107644424B (zh) | 2017-10-09 | 2017-10-09 | 通过合并edi-oct图像来分割sd-oct图像脉络膜的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107644424B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986127A (zh) * | 2018-06-27 | 2018-12-11 | 北京市商汤科技开发有限公司 | 图像分割神经网络的训练方法及图像分割方法、装置 |
CN109389568A (zh) * | 2018-10-25 | 2019-02-26 | 中国科学院上海光学精密机械研究所 | 自动测量皮肤光学相干层析图像中表皮厚度的方法 |
CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
CN110428385A (zh) * | 2019-08-09 | 2019-11-08 | 南京工业大学 | 一种基于无监督对抗神经网络的sd-oct去噪方法 |
CN112704470A (zh) * | 2020-12-22 | 2021-04-27 | 电子科技大学 | 分光谱频域相干断层成像系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20140073917A1 (en) * | 2012-09-10 | 2014-03-13 | Oregon Health & Science University | Quantification of local circulation with oct angiography |
CN106558030A (zh) * | 2016-11-15 | 2017-04-05 | 苏州大学 | 三维大视野扫频光学相干断层成像中脉络膜的分割方法 |
-
2017
- 2017-10-09 CN CN201710929680.9A patent/CN107644424B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140073917A1 (en) * | 2012-09-10 | 2014-03-13 | Oregon Health & Science University | Quantification of local circulation with oct angiography |
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 |
CN106558030A (zh) * | 2016-11-15 | 2017-04-05 | 苏州大学 | 三维大视野扫频光学相干断层成像中脉络膜的分割方法 |
Non-Patent Citations (4)
Title |
---|
LI ZHANG ET.AL: "Automated Segmentation of the Choroid from Clinical SD-OCT", 《INVESTIGATIVE OPHTHALMOLOGY & VISUAL SCIENCE》 * |
PREETI GUPTA ET.AL: "Relationship of ocular and systemic factors to the visibility of choroidal–scleral interface using spectral domain optical coherence tomography", 《ACTA OPHTHALMOLOGICA》 * |
QIANG CHEN ET.AL: "Automated choroid segmentation of three-dimensional SD-OCT images by incorporating EDI-OCT images", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
牛四杰 等: "应用多尺度三维图搜索的SD-OCT图像层分割方法", 《计算机科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986127A (zh) * | 2018-06-27 | 2018-12-11 | 北京市商汤科技开发有限公司 | 图像分割神经网络的训练方法及图像分割方法、装置 |
CN109389568A (zh) * | 2018-10-25 | 2019-02-26 | 中国科学院上海光学精密机械研究所 | 自动测量皮肤光学相干层析图像中表皮厚度的方法 |
CN109389568B (zh) * | 2018-10-25 | 2022-04-01 | 中国科学院上海光学精密机械研究所 | 自动测量皮肤光学相干层析图像中表皮厚度的方法 |
CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
CN110428385A (zh) * | 2019-08-09 | 2019-11-08 | 南京工业大学 | 一种基于无监督对抗神经网络的sd-oct去噪方法 |
CN112704470A (zh) * | 2020-12-22 | 2021-04-27 | 电子科技大学 | 分光谱频域相干断层成像系统 |
CN112704470B (zh) * | 2020-12-22 | 2022-03-15 | 电子科技大学 | 分光谱频域相干断层成像系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107644424B (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107644424A (zh) | 通过合并edi‑oct图像来分割sd‑oct图像脉络膜的方法 | |
Yin et al. | User-guided segmentation for volumetric retinal optical coherence tomography images | |
CN104271031B (zh) | Oct血管造影数据的分析和可视化 | |
Orlando et al. | U2-net: A bayesian u-net model with epistemic uncertainty feedback for photoreceptor layer segmentation in pathological oct scans | |
US7593559B2 (en) | Method and system of coregistrating optical coherence tomography (OCT) with other clinical tests | |
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 | |
JP2020093076A (ja) | 医用画像処理装置、学習済モデル、医用画像処理方法及びプログラム | |
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 | |
US7782464B2 (en) | Processes, arrangements and systems for providing a fiber layer thickness map based on optical coherence tomography images | |
US10973406B2 (en) | Image processing apparatus, image processing method, and non-transitory computer readable medium | |
JP2019511940A (ja) | 機械学習技法を用いたoctアンギオグラフィにおけるアーチファクトを減少させるための方法及び装置 | |
US11887288B2 (en) | Image processing apparatus, image processing method, and storage medium | |
JP6526145B2 (ja) | 画像処理システム、処理方法及びプログラム | |
Lee et al. | 3-D segmentation of retinal blood vessels in spectral-domain OCT volumes of the optic nerve head | |
JP2018079208A (ja) | 画像処理装置、画像処理方法及びプログラム | |
Salafian et al. | Automatic segmentation of choroid layer in edi oct images using graph theory in neutrosophic space | |
CN103854284A (zh) | 基于三维图搜索浆液性色素上皮层脱离的视网膜分割方法 | |
JP2017127397A (ja) | 画像処理装置、推定方法、システム及びプログラム | |
CN103093474A (zh) | 基于同质体和局部能量的三维乳腺超声图像分割方法 | |
Marin et al. | Segmentation of anterior segment boundaries in swept source OCT images | |
CN109744996B (zh) | Oct图像的bmo位置定位方法 | |
CN111242850A (zh) | 一种广域眼底光学相干血流成像分辨率提升方法 | |
Tan et al. | Three-dimensional choroidal vessel network quantification using swept source optical coherence tomography | |
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 | |
US20210082116A1 (en) | 3d quantitative analysis with deep learning |
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 |