CN108416793B - 基于三维相干断层成像图像的脉络膜血管分割方法及系统 - Google Patents
基于三维相干断层成像图像的脉络膜血管分割方法及系统 Download PDFInfo
- Publication number
- CN108416793B CN108416793B CN201810038024.4A CN201810038024A CN108416793B CN 108416793 B CN108416793 B CN 108416793B CN 201810038024 A CN201810038024 A CN 201810038024A CN 108416793 B CN108416793 B CN 108416793B
- Authority
- CN
- China
- Prior art keywords
- choroid
- image
- blood vessel
- segmentation
- value
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 95
- 238000003325 tomography Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 38
- 210000003161 choroid Anatomy 0.000 claims abstract description 94
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 92
- 230000001427 coherent effect Effects 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 16
- 210000001775 bruch membrane Anatomy 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims abstract description 11
- 210000001525 retina Anatomy 0.000 claims abstract description 10
- 239000002356 single layer Substances 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 210000004379 membrane Anatomy 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000158621 Brucea Species 0.000 description 1
- 208000008069 Geographic Atrophy Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 210000001127 pigmented epithelial cell Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
Images
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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10076—4D tomography; Time-sequential 3D tomography
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于三维相干断层成像图像的脉络膜血管分割方法及系统，其采集三维频域相干光断层图像；根据三维频域相干光断层图像中单个体素点所代表的空间大小和图像实际尺寸计算出眼底弧度模型；使用单层图搜索方法自眼底弧度模型中分割出视网膜基准层布鲁赫膜；计算每个体素点的空间张量得到该体素点在脉络膜血管内部的点概率，筛选出点概率值大于0的脉络膜血管的预选区域；自脉络膜血管的预选区域筛选出大于75％的点概率值和小于25％的点概率值分别作为预选区域生长的高低阈值，进而得到脉络膜血管前景和背景的初始分割；根据脉络膜血管的前景和背景初始分割，求解结构图的最优化模型得到脉络膜血管的精确分割。
Description
技术领域
本发明涉及一种三维医学图像定量分析技术，具体的说涉及一种基于三维相干断层成像图像的脉络膜血管分割方法及系统。
背景技术
频域相干断层扫描图像(Spectral-Domain Optical Coherence Tomography，简称SD-OCT)是一种可产生三维微米级精度图像的成像技术。相比传统高能射线(X光，CT等)，OCT用低能量近红外光提供非侵入式、无伤害的扫描成像。它是现阶段唯一能实现活体三维人眼图像重建的技术。由于在成像过程中，检测光线在抵达脉络膜之前要经过具有高散射性的视神经纤维层和视网膜色素上皮细胞层，所以导致了OCT对脉络膜的成像有一定的困难。近几年，仅有少量对于脉络膜边界的研究，主要是在二维OCT截面上分割脉络膜下边界(choroid-sclera interface，简称CSI)，但是由于CSI在OCT图像，特别是在临床应用的OCT图像上的对比度较低，此前提出的分割方法容易将脉络膜血管壁认作CSI边界从而导致误分割。
基于近年来的临床研究，脉络膜血管的病理学特征也逐渐成为眼科疾病研究者所关心的对象：如脉络膜血管体积减小与青光眼患病程度的关系；脉络膜血管内体积与血管间质体积比与干性黄斑退化的关系；脉络膜血管体积和层厚与近视眼的关系等等。这些问题使得，脉络膜血管成为对于眼科疾病的一个重要临床指标，而定量分析和分割三维脉络膜血管也成为精确衡量这个指标的重要途径。
现有的定量分析方法要么不能分析脉络膜结构，要么只能在二维OCT界面上进行非全面的分析，他们都无法准确分割三维脉络膜血管，从而计算基于脉络膜血管体积的各种临床医学指标。
发明内容
鉴于以上原因，有必要提供一种脉络膜血管分割精度高，可重复率优于医生手动分割的基于三维相干断层成像图像的脉络膜血管分割方法及系统。
本发明提供一种基于三维相干断层成像图像的脉络膜血管分割方法，所述基于三维相干断层成像图像的脉络膜血管分割方法包括如下步骤：
S1、采集三维频域相干光断层图像，使用递归高斯滤波和中值滤波消除三维相干断层图像中的噪声信息；
S2、根据三维频域相干光断层图像中单个体素点所代表的空间大小和图像实际尺寸计算出眼底弧度模型；
S3、通过定义眼底弧度的先验模型，使用单层图搜索方法自眼底弧度模型中分割出视网膜基准层布鲁赫膜；
S4、定义脉络膜厚度最大可能值，并基于最大可能值设定分割算法的搜索空间；
S5、计算每个体素点的空间张量得到该体素点在脉络膜血管内部的点概率，筛选出点概率值大于0的脉络膜血管的预选区域；
S6、自脉络膜血管的预选区域筛选出大于75％的点概率值和小于25％的点概率值分别作为预选区域生长的高低阈值，进而得到脉络膜血管前景和背景的初始分割；
S7、根据脉络膜血管的前景和背景初始分割，求解结构图的最优化模型得到脉络膜血管的精确分割。
一种基于三维相干断层成像图像的脉络膜血管分割系统，所述基于三维相干断层成像图像的脉络膜血管分割系统包括如下功能模块：
预处理模块，用于采集三维频域相干光断层图像，使用递归高斯滤波和中值滤波消除三维相干断层图像中的噪声信息；
模型构建模块，用于根据三维频域相干光断层图像中单个体素点所代表的空间大小和图像实际尺寸计算出眼底弧度模型；
布鲁赫膜分割模块，用于通过定义眼底弧度的先验模型，使用单层图搜索方法自眼底弧度模型中分割出视网膜基准层布鲁赫膜；
范围设定模块，用于定义脉络膜厚度最大可能值，并基于最大可能值设定分割算法的搜索空间；
区域选取模块，用于计算每个体素点的空间张量得到该体素点在脉络膜血管内部的点概率，筛选出点概率值大于0的脉络膜血管的预选区域；
初级分割模块，用于自脉络膜血管的预选区域筛选出大于75％的点概率值和小于25％的点概率值分别作为预选区域生长的高低阈值，进而得到脉络膜血管前景和背景的初始分割；
精确分割模块，用于根据脉络膜血管的前景和背景初始分割，求解结构图的最优化模型得到脉络膜血管的精确分割。
采用本发明所述基于三维相干断层成像图像的脉络膜血管分割方法及系统自动分割得到的脉络膜血管分割精度高，可重复率优于医生手动分割，同时由于人眼脉络膜有极大的复杂度，所以在3D图像的分割效率上，自动分割技术效率是等同工作量手动分割的100倍以上，有效提高了医生工作准确率和效率，并适用于所有临床应用型或研究型OCT成像设备。
附图说明
图1为本发明提供一种基于三维相干断层成像图像的脉络膜血管分割方法的整体流程框图；
图2为本发明所述使用单层图搜索方法分割视网膜基准层—布鲁赫膜的具体步骤流程框图；
图3为本发明所述计算每个体素点的空间张量得到该体素点在脉络膜血管内部的概率的具体步骤流程框图；
图4为本发明所述利用图割图搜索方法找出脉络膜血管的内部点的具体步骤流程框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供一种基于三维相干断层成像图像的脉络膜血管分割方法，具体的，所述基于三维相干断层成像图像的脉络膜血管分割方法包括如下步骤：
S1、采集三维频域相干光断层图像，使用递归高斯滤波和中值滤波消除三维相干断层图像中的噪声信息。
首先采集三维频域相干光断层图像(3D SD-OCT)，使用递归高斯滤波和中值滤波消除三维相干断层图像中的噪声信息，递归高斯滤波的一众参数都是根据OCT图像体素点所代表的实际大小而决定，也即本发明使用的是在三个维度上各向异性的递归高斯滤波，所述递归高斯滤波的具体公式为：
式中I(x0,y0,z0)是目标体素点，I(x,y,z)为I(x0,y0,z0)的邻域N当中的任意体素点，而vx、vy、vz是图像中单个体素点代表的分别在x、y和z轴上的大小，σ是一个标准差参数用以控制递归高斯滤波的集中程度；再递归高斯滤波之后，我们使用各向异性的中值滤波去除成像过程中可能出现的脉冲噪声，而中值滤波的滤波窗口设定为所求脉络膜血管最小直径即30微米。
S2、根据三维频域相干光断层图像中单个体素点所代表的空间大小和图像实际尺寸计算出眼底弧度模型。
再根据三维频域相干光断层图像中单个体素点所代表的空间大小和图像实际尺寸根据以下公式计算出眼底弧度模型：
式中l是检测光源到眼底的距离，a是患者眼轴半径的长度，d是OCT图像的宽度也等于检测光对于眼底的有效弧长，c检测光对于眼底的有效弦长；b是OCT图像中布鲁赫膜模型的长度，r则代表布鲁赫膜模型的曲率半径；θ是检测光的有效展角，α是被测眼底的实际展角，β是OCT图像中布鲁核膜对于曲率半径的展角。通过这一系列方程解出布鲁赫膜模型的曲率半径r。
此步骤中可以利用患者实际的眼轴半径，从而使得模型更加精确，如果此半径无法得到，可用眼轴半径的平均值加以近似计算。
S3、通过定义眼底弧度的先验模型，使用单层图搜索方法自眼底弧度模型中分割出视网膜基准层布鲁赫膜。
如图2所示，所述步骤S3还包括如下分步骤：
S31、通过三维频域相干光断层图像的原始3D灰度图像计算自上而下且由亮转暗的垂直灰度梯度图像；
S32、将原始3D灰度图像中体素点建模成节点，而利用垂直灰度梯度图像将体素点与眼轴方向相邻远端体素点之间的灰度梯度差建模为节点之间的连接，构建结构图；
S33、将纵列之间的连接跨度加入至眼底弧度模型中，解决最优化问题得到视网膜基准层—布鲁赫膜(Bruch’s membrane，简称Bruch膜)的位置。
S4、定义脉络膜厚度最大可能值，并基于最大可能值设定分割算法的搜索空间；由于正常人眼脉络膜的厚度在150微米至350微米之间，所以我们将本方法中脉络膜厚度最大可能值定义为600微米。
S5、计算每个体素点的空间张量得到该体素点在脉络膜血管内部的点概率，筛选出点概率值大于0的脉络膜血管的预选区域。
所述步骤S5还包括如下分步骤：
如图3所示，S51、计算原始灰度3D图像中每个体素点在邻域内的二阶灰度变化趋势，组成一个如下3乘以3的张量矩阵特征方程：
式中，H(x,y,z)是体素(x,y,z)在邻域内的张量矩阵,
代表原始3D灰度图像I在体素(x,y,z)上的二阶偏导，可以表示图像在体素(x,y,z)周围的变化趋势。
S52、通过所述张量矩阵特征方程计算得到该张量矩阵的三个特征值，通过所述特征值判断该体素点是否满足血管内点的张量特征；当这些特征值满足其中一个近似等于0，另两个均远小于零且范数近似相等时，该体素满足血管内点的张量特征；
S53、利用以下公式可得到满足张量特征的体素点在脉络膜血管内部的点概率，筛选出点概率大于0的区域为脉络膜血管的预选区域：
式中
代表该体素点在脉络膜血管内部的点概率，λ1、λ2和λ3分别是该体素点灰度二阶导数张量矩阵的三个特征值，而s是脉络膜血管的半径，并配合参数r做归一化处理。
S6、自脉络膜血管的预选区域筛选出大于75％的点概率值和小于25％的点概率值分别作为预选区域生长的高低阈值，进而得到脉络膜血管前景和背景的初始分割。
具体的，利用改进的启发式区域生长算法得到脉络膜血管的初始分割：根据步骤S5中得到的体素点在脉络膜血管内部的概率，画出脉络膜可能性内点的概率直方分布图，从而大于75％的点概率值和小于25％的点概率值分别作为预选区域生长的高低阈值，其中，大于75％的高阈值将决定脉络膜血管内部(前景)的初始分割，而小于25％的低阈值预选区域将得到脉络膜血管外部(背景)的初始分割。
所述改进的启发式区域生长算法的具体公式如下：
式中，
分别表示在第t和t+1次迭代时当前启发式区域生长算法中的第i个预选区域，
表示在第t次迭代时的某一个非预选区域j，且j和i是相邻的。
S7、根据脉络膜血管的前景和背景初始分割，求解结构图的最优化模型得到脉络膜血管的精确分割。
所述步骤S7还包括如下分步骤：
如图4所示，S71、提取脉络膜血管内点概率大于75％的体素点，计算这些体素点的平均灰度值；
S72、计算整个搜索空间中每个体素点灰度值与所述平均灰度值之间的差值，将所述差值形成的3D灰度图像将作为最优化模型的价值图像；
S73、通过原始3D灰度图像计算自上而下且由暗转亮的垂直灰度梯度图像，所述垂直灰度梯度图像亦作为最优化模型的价值图像；
S74、将原始3D灰度图像中体素点建模成节点，利用步骤S72和S73中得到的价值图像将相邻体素点之间的价值差建模为节点之间的连接，构建图割图搜索的结构图模型；
S75、通过最优化模型的价值方程来确定脉络膜血管内以及脉络膜边界的候选点，并得到脉络膜全血管网和脉络膜下边界的分割；
所述最优化模型的价值方程的具体公式如下：
式中∑p∈N,q∈N,p≠qf(p,q)(H(p)-H(q)-Δ)表示在脉络膜边界面上体素点p和q的变化惩罚函数，其中Δ是最大可能的变化值；∑p∈N(λ·Ob(p)+(1-λ)·Bg(p))表示体素点p在脉络膜血管内部与否的惩罚函数；
1distp,q表示脉络膜血管内体素点p和q在灰度值和距离上的差异作为惩罚函数；
表示脉络膜血管和边界位置约束的惩罚函数。
所述基于三维相干断层成像图像的脉络膜血管分割方法还包括步骤S8：
S8、采用引入插值的移动立方体算法(Marching cube)拟合出最终的脉络膜血管边界,利用移动立方体算法中的插值运算能够消除步骤S7中可能产生的毛刺，使最终脉络膜血管分割结果更加平滑。
所述移动立方体算法的具体公式如下：
式中，dx，dy，dz分别为针对体素(x,y,z)在x,y,z三个方向上的微分小量，Δx,Δy,Δz为移动立方体在x,y,z三个方向上的边长，综合以上三式利用小量插值即可计算体素(x,y,z)附近图像的近似梯度，对分割结果加以平滑。
根据上述基于三维相干断层成像图像的脉络膜血管分割方法，本发明还提供一种基于三维相干断层成像图像的脉络膜血管分割系统，所述基于三维相干断层成像图像的脉络膜血管分割系统包括如下功能模块：
预处理模块，用于采集三维频域相干光断层图像，使用递归高斯滤波和中值滤波消除三维相干断层图像中的噪声信息；
模型构建模块，用于根据三维频域相干光断层图像中单个体素点所代表的空间大小和图像实际尺寸计算出眼底弧度模型；
布鲁赫膜分割模块，用于通过定义眼底弧度的先验模型，使用单层图搜索方法自眼底弧度模型中分割出视网膜基准层布鲁赫膜；
范围设定模块，用于定义脉络膜厚度最大可能值，并基于最大可能值设定分割算法的搜索空间；
区域选取模块，用于计算每个体素点的空间张量得到该体素点在脉络膜血管内部的点概率，筛选出点概率值大于0的脉络膜血管的预选区域；
初级分割模块，用于自脉络膜血管的预选区域筛选出大于75％的点概率值和小于25％的点概率值分别作为预选区域生长的高低阈值，进而得到脉络膜血管前景和背景的初始分割；
精确分割模块，用于根据脉络膜血管的前景和背景初始分割，求解结构图的最优化模型得到脉络膜血管的精确分割。
进一步的，所述基于三维相干断层成像图像的脉络膜血管分割系统还包括优化处理模块，所述优化处理模块用于采用引入差值的移动立方体算法拟合出最终的脉络膜血管边界。
采用本发明所述基于三维相干断层成像图像的脉络膜血管分割方法及系统自动分割得到的脉络膜血管分割精度高，可重复率优于医生手动分割，同时由于人眼脉络膜有极大的复杂度，所以在3D图像的分割效率上，自动分割技术效率是等同工作量手动分割的100倍以上，有效提高了医生工作准确率和效率，并适用于所有临床应用型或研究型OCT成像设备。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于三维相干断层成像图像的脉络膜血管分割方法，其特征在于，所述基于三维相干断层成像图像的脉络膜血管分割方法包括如下步骤：
S1、采集三维频域相干光断层图像，使用递归高斯滤波和中值滤波消除三维相干断层图像中的噪声信息；
S2、根据三维频域相干光断层图像中单个体素点所代表的空间大小和图像实际尺寸计算出眼底弧度模型；
S3、通过定义眼底弧度的先验模型，使用单层图搜索方法自眼底弧度模型中分割出视网膜基准层布鲁赫膜；
S4、定义脉络膜厚度最大可能值，并基于最大可能值设定分割算法的搜索空间；
S5、计算每个体素点的空间张量得到该体素点在脉络膜血管内部的点概率，筛选出点概率值大于0的脉络膜血管的预选区域；
S6、自脉络膜血管的预选区域筛选出大于75％的点概率值和小于25％的点概率值分别作为预选区域生长的高低阈值，进而得到脉络膜血管前景和背景的初始分割；
S7、根据脉络膜血管的前景和背景初始分割，求解结构图的最优化模型得到脉络膜血管的精确分割；
所述步骤S7还包括如下分步骤：
S71、提取脉络膜血管内点概率大于75％的体素点，计算这些体素点的平均灰度值；
S72、计算整个搜索空间中每个体素点灰度值与所述平均灰度值之间的差值，将所述差值形成的3D灰度图像将作为最优化模型的价值图像；
S73、通过原始3D灰度图像计算自上而下且由暗转亮的垂直灰度梯度图像，所述垂直灰度梯度图像亦作为最优化模型的价值图像；
S74、将原始3D灰度图像中体素点建模成节点，利用步骤S72和S73中得到的价值图像将相邻体素点之间的价值差建模为节点之间的连接，构建图割图搜索的结构图模型；
S75、通过最优化模型的价值方程来确定脉络膜血管内以及脉络膜边界的候选点，并得到脉络膜全血管网和脉络膜下边界的分割；
步骤S75中所述最优化模型的价值方程的具体公式如下：
式中∑p∈N，q∈N,p≠qf(p,q)(H(p)-H(q)-Δ)表示在脉络膜边界面上体素点p和q的变化惩罚函数，其中Δ是最大可能的变化值；∑p∈N(λ·Ob(p)+(1-λ)·Bg(p))表示体素点p在脉络膜血管内部与否的惩罚函数；
表示脉络膜血管内体素点p和q在灰度值和距离上的差异作为惩罚函数；
表示脉络膜血管和边界位置约束的惩罚函数。
2.根据权利要求1所述基于三维相干断层成像图像的脉络膜血管分割方法，其特征在于，步骤S1中所述递归高斯滤波的具体公式为：
式中I(x0,y0,z0)是目标体素点，I(x,y,z)为I(x0,y0,z0)的邻域N当中的任意体素点，而vx、vy、vz是图像中单个体素点代表的分别在x、y和z轴上的大小，σ是一个标准差参数用以控制递归高斯滤波的集中程度。
3.根据权利要求1所述基于三维相干断层成像图像的脉络膜血管分割方法，其特征在于，所述步骤S3还包括如下分步骤：
S31、通过三维频域相干光断层图像的原始3D灰度图像计算自上而下且由亮转暗的垂直灰度梯度图像；
S32、将原始3D灰度图像中体素点建模成节点，而利用垂直灰度梯度图像将体素点与眼轴方向相邻远端体素点之间的灰度梯度差建模为节点之间的连接，构建结构图；
S33、将纵列之间的连接跨度加入至眼底弧度模型中，解决最优化问题得到视网膜基准层—布鲁赫膜的位置。
4.根据权利要求1所述基于三维相干断层成像图像的脉络膜血管分割方法，其特征在于，所述步骤S5还包括如下分步骤：
S51、计算原始灰度3D图像中每个体素点在邻域内的二阶灰度变化趋势，组成一个3乘以3的张量矩阵特征方程；
S52、通过所述张量矩阵特征方程计算得到该张量矩阵的三个特征值，通过所述特征值判断该体素点是否满足血管内点的张量特征；
S53、利用以下公式可得到满足张量特征的体素点在脉络膜血管内部的点概率，筛选出点概率大于0的区域为脉络膜血管的预选区域：
式中
代表该体素点在脉络膜血管内部的点概率，λ1、λ2和λ3分别是该体素点灰度二阶导数张量矩阵的三个特征值，而s是脉络膜血管的半径，并配合参数r做归一化处理。
5.根据权利要求1所述基于三维相干断层成像图像的脉络膜血管分割方法，其特征在于，所述基于三维相干断层成像图像的脉络膜血管分割方法还包括步骤S8：
S8、采用引入插值的移动立方体算法拟合出最终的脉络膜血管边界。
6.一种基于三维相干断层成像图像的脉络膜血管分割系统，其特征在于，所述基于三维相干断层成像图像的脉络膜血管分割系统包括如下功能模块：
预处理模块，用于采集三维频域相干光断层图像，使用递归高斯滤波和中值滤波消除三维相干断层图像中的噪声信息；
模型构建模块，用于根据三维频域相干光断层图像中单个体素点所代表的空间大小和图像实际尺寸计算出眼底弧度模型；
布鲁赫膜分割模块，用于通过定义眼底弧度的先验模型，使用单层图搜索方法自眼底弧度模型中分割出视网膜基准层布鲁赫膜；
范围设定模块，用于定义脉络膜厚度最大可能值，并基于最大可能值设定分割算法的搜索空间；
区域选取模块，用于计算每个体素点的空间张量得到该体素点在脉络膜血管内部的点概率，筛选出点概率值大于0的脉络膜血管的预选区域；
初级分割模块，用于自脉络膜血管的预选区域筛选出大于75％的点概率值和小于25％的点概率值分别作为预选区域生长的高低阈值，进而得到脉络膜血管前景和背景的初始分割；
精确分割模块，用于根据脉络膜血管的前景和背景初始分割，求解结构图的最优化模型得到脉络膜血管的精确分割；
所述精确分割模块具体用于：
提取脉络膜血管内点概率大于75％的体素点，计算这些体素点的平均灰度值；
计算整个搜索空间中每个体素点灰度值与所述平均灰度值之间的差值，将所述差值形成的3D灰度图像将作为最优化模型的价值图像；
通过原始3D灰度图像计算自上而下且由暗转亮的垂直灰度梯度图像，所述垂直灰度梯度图像亦作为最优化模型的价值图像；
将原始3D灰度图像中体素点建模成节点，利用步骤S72和S73中得到的价值图像将相邻体素点之间的价值差建模为节点之间的连接，构建图割图搜索的结构图模型；
通过最优化模型的价值方程来确定脉络膜血管内以及脉络膜边界的候选点，并得到脉络膜全血管网和脉络膜下边界的分割；
所述最优化模型的价值方程的具体公式如下：
式中∑p∈N,q∈N,p≠qf(p,q)(H(p)-H(q)-Δ)表示在脉络膜边界面上体素点p和q的变化惩罚函数，其中Δ是最大可能的变化值；∑p∈N(λ·Ob(p)+(1-λ)·Bg(p))表示体素点p在脉络膜血管内部与否的惩罚函数；
表示脉络膜血管内体素点p和q在灰度值和距离上的差异作为惩罚函数；
表示脉络膜血管和边界位置约束的惩罚函数。
7.根据权利要求6所述基于三维相干断层成像图像的脉络膜血管分割系统，其特征在于，所述基于三维相干断层成像图像的脉络膜血管分割系统还包括优化处理模块，所述优化处理模块用于采用引入插值的移动立方体算法拟合出最终的脉络膜血管边界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810038024.4A CN108416793B (zh) | 2018-01-16 | 2018-01-16 | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810038024.4A CN108416793B (zh) | 2018-01-16 | 2018-01-16 | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108416793A CN108416793A (zh) | 2018-08-17 |
| CN108416793B true CN108416793B (zh) | 2022-06-21 |
Family
ID=63125634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810038024.4A Active CN108416793B (zh) | 2018-01-16 | 2018-01-16 | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108416793B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410191B (zh) * | 2018-10-18 | 2022-03-25 | 中南大学 | 基于oct图像的眼底血管定位方法及其贫血筛查方法 |
| US20210319551A1 (en) * | 2020-04-10 | 2021-10-14 | Topcon Corporation | 3d analysis with optical coherence tomography images |
| CN111862114A (zh) * | 2020-07-10 | 2020-10-30 | 温州医科大学 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
| CN112116704B (zh) * | 2020-09-11 | 2024-04-26 | 同济大学 | 基于光学相干层析成像的皮下微血管分割与三维重建方法 |
| JPWO2022177028A1 (zh) * | 2021-02-22 | 2022-08-25 | ||
| CN113598703B (zh) * | 2021-07-06 | 2024-02-20 | 温州医科大学附属眼视光医院 | 一种基于边界模糊程度的脉络膜新生血管活动性量化方法 |
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 |
| CN106600614A (zh) * | 2016-12-19 | 2017-04-26 | 南京理工大学 | 基于凹凸性的sd‑oct视网膜图像cnv分割方法 |
| WO2017173478A1 (en) * | 2016-04-06 | 2017-10-12 | Mupharma Pty Ltd | Acoustic wave mediated non-invasive drug delivery |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070179512A1 (en) * | 2006-01-31 | 2007-08-02 | Olsen Timothy W | Surgical support structure |
| CN104050672B (zh) * | 2014-06-26 | 2016-09-21 | 南京理工大学 | 基于sd-oct视网膜图像的地图状萎缩投影图像生成方法 |
-
2018
- 2018-01-16 CN CN201810038024.4A patent/CN108416793B/zh active Active
Patent 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 |
| WO2017173478A1 (en) * | 2016-04-06 | 2017-10-12 | Mupharma Pty Ltd | Acoustic wave mediated non-invasive drug delivery |
| CN106600614A (zh) * | 2016-12-19 | 2017-04-26 | 南京理工大学 | 基于凹凸性的sd‑oct视网膜图像cnv分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108416793A (zh) | 2018-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416793B (zh) | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 | |
| CN110010219B (zh) | 光学相干层析图像视网膜病变智能检测系统及检测方法 | |
| Li et al. | Deep learning based early stage diabetic retinopathy detection using optical coherence tomography | |
| US10094649B2 (en) | Evaluation of optical coherence tomographic data prior to segmentation | |
| EP2285266B1 (en) | Automatic cup-to-disc ratio measurement system | |
| Ghorbel et al. | Automated segmentation of macular layers in OCT images and quantitative evaluation of performances | |
| Li et al. | DeepRetina: layer segmentation of retina in OCT images using deep learning | |
| CN108618749B (zh) | 基于便携式数字化眼底照相机的视网膜血管三维重建方法 | |
| CN102136135A (zh) | 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 | |
| Belghith et al. | Automated segmentation of anterior lamina cribrosa surface: How the lamina cribrosa responds to intraocular pressure change in glaucoma eyes? | |
| US20210272291A1 (en) | Method and computer program for segmentation of optical coherence tomography images of the retina | |
| Rabbani et al. | Obtaining thickness maps of corneal layers using the optimal algorithm for intracorneal layer segmentation | |
| CN109744996B (zh) | Oct图像的bmo位置定位方法 | |
| Medhi et al. | Improved detection and analysis of Macular Edema using modified guided image filtering with modified level set spatial fuzzy clustering on Optical Coherence Tomography images | |
| Liu et al. | Automated retinal boundary segmentation of optical coherence tomography images using an improved Canny operator | |
| Zhu et al. | Automated framework for intraretinal cystoid macular edema segmentation in three-dimensional optical coherence tomography images with macular hole | |
| Masood et al. | Automatic choroid layer segmentation using normalized graph cut | |
| Kaur et al. | Review on: blood vessel extraction and eye retinopathy detection | |
| CN115147273A (zh) | 一种基于域适应的眼科oct术后轮廓图生成方法及系统 | |
| Arvind et al. | Deep learning regression-based retinal layer segmentation process for early diagnosis of retinal anamolies and secure data transmission through thingspeak | |
| Ong et al. | Automatic Glaucoma Detection from Stereo Fundus Images | |
| George et al. | Oct segmentation using convolutional neural network | |
| Shahalinejad et al. | Macular hole detection using a new hybrid method: using multilevel thresholding and derivation on optical coherence tomographic images | |
| Gholami | Developing algorithms for the analysis of retinal Optical Coherence Tomography images | |
| George et al. | Convolutional Neural Network for automatic segmentation of EDI OCT images |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220803 Address after: Floor 1-4, Building C and D, No. 11 Dongxin Road, Guandong Industrial Park, Donghu Development Zone, Wuhan City, Hubei Province 430070 Patentee after: Wuhan Huayue Liyuan Technology Co., Ltd. Address before: 430073 6th floor, block B, Modern Optics Valley World Trade Center, Guanggu Avenue, Hongshan District, Wuhan City, Hubei Province Patentee before: WUHAN NUOYINGYUN TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |