CN108830856A - 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 - Google Patents

一种基于时间序列sd-oct视网膜图像的ga自动分割方法 Download PDF

Info

Publication number
CN108830856A
CN108830856A CN201810513590.6A CN201810513590A CN108830856A CN 108830856 A CN108830856 A CN 108830856A CN 201810513590 A CN201810513590 A CN 201810513590A CN 108830856 A CN108830856 A CN 108830856A
Authority
CN
China
Prior art keywords
frame
retinal images
oct retinal
image
scan 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
CN201810513590.6A
Other languages
English (en)
Other versions
CN108830856B (zh
Inventor
陈强
李玉春
李鸣超
周则明
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201810513590.6A priority Critical patent/CN108830856B/zh
Publication of CN108830856A publication Critical patent/CN108830856A/zh
Application granted granted Critical
Publication of CN108830856B publication Critical patent/CN108830856B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral 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
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于时间序列SD‑OCT视网膜图像的GA自动分割方法，包括以下步骤：首先采集对象I的初始三维SD‑OCT视网膜图像A，并对三维SD‑OCT视网膜图像A进行图像处理，建立GA分割模型；然后采集某一时刻对象I的待分割GA的三维SD‑OCT视网膜图像B，并对三维SD‑OCT视网膜图像B进行上一步所述的图像处理，然后通过上一步建立的GA分割模型对三维SD‑OCT视网膜图像B进行GA分割。本发明能够在短时间内训练少量样本的情况下自动分割出GA，GA分割效率高、稳定性和鲁棒性好，对后续GA定量分析具有重要意义。

Description

一种基于时间序列SD-OCT视网膜图像的GA自动分割方法
技术领域
本发明属于目标分割领域，特别涉及一种基于时间序列SD-OCT视网膜图像的GA自动分割方法。
背景技术
SD-OCT视网膜图像是一种频域光学相干断层成像图像，它可以有效地呈现视网膜组织层的灰度和结构等变化，临床实验表明SD-OCT图像能够用于测量地图状萎缩(GA)的范围。由于在SD-OCT图像中GA的范围需要大量的人工手动标注，非常耗时，因此需要一种自动分割GA的方法来快速有效的判断GA的范围。现有的GA分割方法主要是基于二维限制投影图像，通过迭代阈值分割方法和强度分布集来估计GA区域；或者在三维SD-OCT图像中通过构建具有深度神经网络的投票系统来自动分割GA。近几年主要出现了如下两种GA自动分割方法：
(1)基于二维限制投影图像分割的方法。该方法通过将三维SD-OCT图像限制投影生成二维图像，通过迭代阈值分割方法和强度分布集来估计GA区域，该方法没有排除在三维图像中所限制区域内与GA亮度相似的区域，因此在二维投影图像中对GA的分割造成了影响。
(2)基于深度神经网络的分割的方法。该方法使用具有投票决策策略的VGG16卷积神经网络作为用于GA分割的深度学习模型，但该方法需要大量的训练样本，而且在投票之前需要训练10个深度神经网络模型，非常耗时，不利于医生在少量数据及短时间内判断GA的范围。
综上，现有的GA自动分割方法没有考虑与GA相似区域的影响以及需要在少量数据和短时间内完成GA分割的情况，导致GA的自动分割准确率和效率不高。
发明内容
本发明的目的在于提供一种基于时间序列SD-OCT视网膜图像的GA自动分割方法。
实现本发明目的的技术解决方案为：一种基于时间序列SD-OCT视网膜图像的GA自动分割方法，包括以下步骤：
步骤1、采集对象I的初始三维SD-OCT视网膜图像A，并对三维SD-OCT视网膜图像A进行图像处理，建立GA分割模型；
步骤2、采集某一时刻对象I的待分割GA的三维SD-OCT视网膜图像B，然后对三维SD-OCT视网膜图像B进行步骤1所述的图像处理，并通过步骤1建立的GA分割模型对待分割GA的三维SD-OCT视网膜图像B进行GA分割。
本发明与现有技术相比，其显著优点：1)本发明的方法充分利用了不同时间三维SD-OCT视网膜图像的GA的相关性，依据目标跟踪的思想提高了GA自动分割的准确率和效率；2)本发明的方法考虑了与GA相似区域的影响，重新获取训练样本的过程使得GA特征在图像中更加显著，避免了三维SD-OCT视网膜图像在采集过程中位置偏移对分割结果产生影响，分割结果更加准确；3)本发明的方法只需少量训练数据即可以在短时间内准确分割出GA，分割速度快，效率高。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于时间序列SD-OCT视网膜图像的GA自动分割方法的流程图。
图2为本发明中图像处理的流程图。
图3为本发明中获取B-SCAN图像感兴趣区域的流程图。
图4为本发明中获取训练样本的流程图。
图5为本发明中提取训练样本的方向梯度直方图特征的流程图。
图6为本发明实施例中采集的对象I的初始三维SD-OCT视网膜图像A'的示意图。
图7为本发明实施例中三维SD-OCT视网膜图像A'的内部组织示意图。
图8为本发明实施例中三维SD-OCT视网膜图像A'的B-SCAN图像的ILM层和ILM层向下平移之后形成上下边界的示意图。
图9为本发明实施例中三维SD-OCT视网膜图像A'的B-SCAN图像的感兴趣区域拉平后感兴趣区域图像示意图。
图10为本发明实施例中建立的GA分割模型示意图。
图11为本发明实施例中采集的5月份对象I的三维SD-OCT视网膜图像B'的示意图。
图12为本发明实施例中三维SD-OCT视网膜图像B'的内部组织示意图。
图13为本发明实施例中三维SD-OCT视网膜图像B'的B-SCAN图像的ILM层和ILM层向下平移之后形成上下边界的示意图。
图14为本发明实施例中三维SD-OCT视网膜图像B'的B-SCAN图像的感兴趣区域拉平后感兴趣区域图像示意图。
图15为本发明实施例中三维SD-OCT视网膜图像B'在其B-SCAN图像上GA自动分割结果与金标准对比示意图。
图16为本发明实施例中三维SD-OCT视网膜图像B'在投影图像上GA自动分割结果与金标准对比示意图。
具体实施方式
结合图1，本发明的基于时间序列SD-OCT视网膜图像的GA自动分割方法包括以下步骤：
步骤1、采集对象I的初始三维SD-OCT视网膜图像A，并对三维SD-OCT视网膜图像A进行图像处理，建立GA分割模型。
其中，图像处理具体为：
步骤1-1、对三维SD-OCT视网膜图像进行横向扫描，获取n帧B-SCAN图像。
步骤1-2、对步骤1-1获得的n帧B-SCAN图像均进行双边滤波去噪，并通过最优三维图搜索方法分割每一帧B-SCAN图像各自的ILM层和BM层。
步骤1-3、获取步骤1-2中每一帧B-SCAN图像的感兴趣区域。具体为：
步骤1-3-1、将每一帧B-SCAN图像的BM层向下平移100个像素，获得新的BM’边界；
步骤1-3-2、将每一帧B-SCAN图像的ILM层作为上边界，求取上边界与步骤1-3-1获得的BM’边界之间的平均距离l；
步骤1-3-3、将每一帧B-SCAN图像的ILM层向下平移步骤1-3-2获得的平均距离l，获得新的ILM’边界，将其作为下边界；
步骤1-3-4、将步骤1-3-2的上边界与步骤1-3-3的下边界之间的区域作为每一帧B-SCAN图像的感兴趣区域。
步骤1-4、将步骤1-3获得的每一帧B-SCAN图像的感兴趣区域拉平，并以窗口滑动的方法获取三维SD-OCT视网膜图像的M个训练样本。具体为：
步骤1-4-1、将步骤1-3-2中的上边界作为第一行，步骤1-3-3中的下边界作为最后一行，由此将每一帧B-SCAN图像的感兴趣区域拉平，获得每一帧B-SCAN图像的感兴趣区域图像；
步骤1-4-2、通过w×h的滑动窗口以步长l'遍历步骤1-4-1获得的每一帧B-SCAN图像的感兴趣区域图像，将每一帧B-SCAN图像的感兴趣区域图像分为m个训练样本，由此获得三维SD-OCT视网膜图像的M个训练样本；其中w为滑动窗口的宽度，h为每一帧B-SCAN图像感兴趣区域图像的高度。
其中，m的计算公式为：
m＝(W/l')-(w/l'-1)
式中，W为每一帧B-SCAN的感兴趣区域图像的宽度。
其中，M的计算公式为：
M＝m×n
式中，n为n帧B-SCAN图像。
步骤1-5、对步骤1-4得到的M个训练样本的方向梯度直方图特征进行提取。具体为：
步骤1-5-1、对步骤1-4得到的M个训练样本进行gamma标准化，获得M个训练样本标准化图像；
步骤1-5-2、求取步骤1-5-1获得的M个训练样本标准化图像中每个像素梯度的幅值和方向；
每个像素梯度的幅值：
每个像素梯度的方向：
式中，f(x,y)为训练样本标准化图像在(x,y)处的像素值；
步骤1-5-3、将步骤1-5-1中的每一个训练样本标准化图像分成N个s×s单元格；其中，所述N与s的关系为：
式中，h'为训练样本标准化图像的高度，w'为训练样本标准化图像的宽度，N为单元格的个数，s为单元格的边长；
步骤1-5-4、为步骤1-5-3的每个单元格构建方向梯度直方图，统计每个单元格的梯度信息；
步骤1-5-5、将p×p个单元格组成一个block块，根据步骤1-5-4统计的每个单元格的梯度信息求取每一个block块的方向梯度直方图向量，并通过L2范数对其进行归一化，由此获得训练样本的方向梯度直方图特征。其中，所述p的计算公式为:
p＝a×s
式中，a为偶数且p为block块的边长。
其中，建立GA分割模型具体为：通过随机森林算法对步骤1-5提取的方向梯度直方图特征进行训练，获取随机森林模型，将其作为GA分割模型。
步骤2、采集某一时刻对象I的待分割GA的三维SD-OCT视网膜图像B，然后对三维SD-OCT视网膜图像B进行步骤1所述的图像处理，并通过步骤1建立的GA分割模型对待分割GA的三维SD-OCT视网膜图像B进行GA分割。
下面结合实施例对本发明做进一步详细的说明。
实施例
本系统发明以SD-OCT视网膜图像作为输入，采用图像处理与机器学习手段自动分割GA区域。结合图1，本发明一种基于时间序列SD-OCT视网膜图像的GA自动分割方法，包括以下步骤：
步骤1、采集对象I的初始三维SD-OCT视网膜图像A'如图6所示，并对三维SD-OCT视网膜图像A'进行图像处理，结合图2具体为：
步骤1-1、对三维SD-OCT视网膜图像A'进行横向扫描，获取n帧B-SCAN图像。本实施例中，n＝128，如图6所示。
步骤1-2、对步骤1-1获得的128帧B-SCAN图像均进行双边滤波去噪，并通过最优三维图搜索方法分割每一帧B-SCAN图像各自的ILM层和BM层，如图7所示。
步骤1-3、结合图3，获取步骤1-2中每一帧B-SCAN图像的感兴趣区域。具体为：
步骤1-3-1、将每一帧B-SCAN图像的BM层向下平移100个像素，获得新的BM’边界；
步骤1-3-2、将每一帧B-SCAN图像的ILM层作为上边界，求取上边界与步骤1-3-1获得的BM’边界之间的平均距离l；
步骤1-3-3、将每一帧B-SCAN图像的ILM层向下平移步骤1-3-2获得的平均距离l，获得新的ILM’边界，将其作为下边界；
步骤1-3-4、将步骤1-3-2的上边界与步骤1-3-3的下边界之间的区域作为每一帧B-SCAN图像的感兴趣区域。
本实施例中获取三维SD-OCT视网膜图像A'的第70帧B-SCAN图像的感兴趣区域如图8所示。
步骤1-4、结合图4，将步骤1-3获得的每一帧B-SCAN图像的感兴趣区域拉平，并以窗口滑动的方法获取三维SD-OCT视网膜图像的M个训练样本。具体为：
步骤1-4-1、将步骤1-3-2中的上边界作为第一行，步骤1-3-3中的下边界作为最后一行，由此将每一帧B-SCAN图像的感兴趣区域拉平，获得每一帧B-SCAN图像的感兴趣区域图像。本实施例中获取三维SD-OCT视网膜图像A'的第70帧B-SCAN图像的感兴趣区域图像如图9所示。
步骤1-4-2、通过w×h的滑动窗口以步长l'遍历步骤1-4-1获得的每一帧B-SCAN图像的感兴趣区域图像，将每一帧B-SCAN图像的感兴趣区域图像分为m个训练样本，由此获得三维SD-OCT视网膜图像的M个训练样本；其中w为滑动窗口的宽度，h为每一帧B-SCAN图像感兴趣区域图像的高度。
其中，m的计算公式为：
m＝(W/l')-(w/l'-1)
式中，W为每一帧B-SCAN的感兴趣区域图像的宽度。本实施例中，W＝512，w＝64，l'＝8，因此可得m＝57。
其中，M的计算公式具体为：
M＝m×n
式中，n为n帧B-SCAN图像。本实施例中，M＝57×128＝7296。
步骤1-5、结合图5，对步骤1-4得到的M个训练样本的方向梯度直方图特征进行提取。具体为：
步骤1-5-1、对步骤1-4得到的M个训练样本进行gamma标准化，获得M个训练样本标准化图像；
步骤1-5-2、求取步骤1-5-1获得的M个训练样本标准化图像中每个像素梯度的幅值和方向；
每个像素梯度的幅值：
每个像素梯度的方向：
式中，f(x,y)为训练样本标准化图像在(x,y)处的像素值；
步骤1-5-3、将步骤1-5-1中的每一个训练样本标准化图像分成N个s×s单元格；其中，N与s的关系为：
式中，h'为训练样本标准化图像的高度，w'为训练样本标准化图像的宽度，N为单元格的个数，s为单元格的边长。本实施例中取s＝8，为方便特征提取，将样本高度调整为统一高度h'＝128，而w'＝64，因此N＝128。
步骤1-5-4、为步骤1-5-3的每个单元格构建方向梯度直方图，统计每个单元格的梯度信息；
步骤1-5-5、将p×p个单元格组成一个block块，根据步骤1-5-4统计的每个单元格的梯度信息求取每一个block块的方向梯度直方图向量，并通过L2范数对其进行归一化，由此获得训练样本的方向梯度直方图特征。其中，p的计算公式为:
p＝a×s
式中，a为偶数且p为block块的边长。本实施例中令a＝2，则p＝2。
建立的GA分割模型如图10所示，包含了分割模型的相关参数。
步骤2、采集某一时刻对象I的待分割GA的三维SD-OCT视网膜图像B'如图11所示，本实例中选取的某一时刻为5月份。然后对三维SD-OCT视网膜图像B'进行步骤1所述的图像处理，结合图2具体为：
步骤1-1、对三维SD-OCT视网膜图像B'进行横向扫描，获取n帧B-SCAN图像。本实施例中，n＝128，如图11所示。
步骤1-2、对步骤1-1获得的128帧B-SCAN图像均进行双边滤波去噪，并通过最优三维图搜索方法分割每一帧B-SCAN图像各自的ILM层和BM层，如图12所示。
步骤1-3、结合图3，获取步骤1-2中每一帧B-SCAN图像的感兴趣区域。具体为：
步骤1-3-1、将每一帧B-SCAN图像的BM层向下平移100个像素，获得新的BM’边界；
步骤1-3-2、将每一帧B-SCAN图像的ILM层作为上边界，求取上边界与步骤1-3-1获得的BM’边界之间的平均距离l；
步骤1-3-3、将每一帧B-SCAN图像的ILM层向下平移步骤1-3-2获得的平均距离l，获得新的ILM’边界，将其作为下边界；
步骤1-3-4、将步骤1-3-2的上边界与步骤1-3-3的下边界之间的区域作为每一帧B-SCAN图像的感兴趣区域。
本实施例中获取三维SD-OCT视网膜图像B'的第70帧B-SCAN图像的感兴趣区域如图13所示。
步骤1-4、结合图4，将步骤1-3获得的每一帧B-SCAN图像的感兴趣区域拉平，并以窗口滑动的方法获取三维SD-OCT视网膜图像的M个训练样本。具体为：
步骤1-4-1、将步骤1-3-2中的上边界作为第一行，步骤1-3-3中的下边界作为最后一行，由此将每一帧B-SCAN图像的感兴趣区域拉平，获得每一帧B-SCAN图像的感兴趣区域图像。本实施例中获取三维SD-OCT视网膜图像B'的第70帧B-SCAN图像的感兴趣区域图像如图14所示。
步骤1-4-2、通过w×h的滑动窗口以步长l'遍历步骤1-4-1获得的每一帧B-SCAN图像的感兴趣区域图像，将每一帧B-SCAN图像的感兴趣区域图像分为m个训练样本，由此获得三维SD-OCT视网膜图像的M个训练样本；其中w为滑动窗口的宽度，h为每一帧B-SCAN图像感兴趣区域图像的高度。
其中，m的计算公式为：
m＝(W/l')-(w/l'-1)
式中，W为每一帧B-SCAN的感兴趣区域图像的宽度。本实施例中，W＝512，w＝64，l'＝8，因此可得m＝57。
其中，M的计算公式具体为：
M＝m×n
式中，n为n帧B-SCAN图像。本实施例中，M＝57×128＝7296。
步骤1-5、结合图5，对步骤1-4得到的M个训练样本的方向梯度直方图特征进行提取。具体为：
步骤1-5-1、对步骤1-4得到的M个训练样本进行gamma标准化，获得M个训练样本标准化图像；
步骤1-5-2、求取步骤1-5-1获得的M个训练样本标准化图像中每个像素梯度的幅值和方向；
每个像素梯度的幅值：
每个像素梯度的方向：
式中，f(x,y)为训练样本标准化图像在(x,y)处的像素值；
步骤1-5-3、将步骤1-5-1中的每一个训练样本标准化图像分成N个s×s单元格；其中，N与s的关系为：
式中，h'为训练样本标准化图像的高度，w'为训练样本标准化图像的宽度，N为单元格的个数，s为单元格的边长。本实施例中取s＝8，为方便特征提取，将样本高度调整为统一高度h'＝128，而w'＝64，因此N＝128。
步骤1-5-4、为步骤1-5-3的每个单元格构建方向梯度直方图，统计每个单元格的梯度信息；
步骤1-5-5、将p×p个单元格组成一个block块，根据步骤1-5-4统计的每个单元格的梯度信息求取每一个block块的方向梯度直方图向量，并通过L2范数对其进行归一化，由此获得训练样本的方向梯度直方图特征。其中，p的计算公式为:
p＝a×s
式中，a为偶数且p为block块的边长。本实施例中令a＝2，则p＝2。
通过上述建立的GA分割模型如图10对待分割GA的三维SD-OCT视网膜图像B'进行GA分割，得到三维SD-OCT视网膜图像B'在其B-SCAN图像上GA自动分割结果与金标准对比如图15所示，得到三维SD-OCT视网膜图像B'在投影图像上GA自动分割结果与金标准对比如图16所示。由图15、16可知，本发明GA自动分割结果与金标准具有高度的一致性、稳定性和鲁棒性。
本发明能够在短时间内训练少量样本的情况下自动的分割出GA，GA分割效率高、稳定性和鲁棒性好，对后续GA定量分析具有重要意义。

Claims (10)

1.一种基于时间序列SD-OCT视网膜图像的GA自动分割方法，其特征在于，包括以下步骤：
步骤1、采集对象I的初始三维SD-OCT视网膜图像A，并对三维SD-OCT视网膜图像A进行图像处理，建立GA分割模型；
步骤2、采集某一时刻对象I的待分割GA的三维SD-OCT视网膜图像B，然后对三维SD-OCT视网膜图像B进行步骤1所述的图像处理，并通过步骤1建立的GA分割模型对待分割GA的三维SD-OCT视网膜图像B进行GA分割。
2.根据权利要求1所述的基于时间序列SD-OCT视网膜图像的GA自动分割方法，其特征在于，步骤1所述图像处理具体为：
步骤1-1、对三维SD-OCT视网膜图像进行横向扫描，获取n帧B-SCAN图像；
步骤1-2、对步骤1-1获得的n帧B-SCAN图像均进行滤波去噪，并分割每一帧B-SCAN图像各自的ILM层和BM层；
步骤1-3、获取步骤1-2中每一帧B-SCAN图像的感兴趣区域；
步骤1-4、将步骤1-3获得的每一帧B-SCAN图像的感兴趣区域拉平，并以窗口滑动的方法获取三维SD-OCT视网膜图像的M个训练样本；
步骤1-5、对步骤1-4得到的M个训练样本的方向梯度直方图特征进行提取。
3.根据权利要求2所述的基于时间序列SD-OCT视网膜图像的GA自动分割方法，其特征在于，所述滤波去噪具体采用双边滤波去噪方法。
4.根据权利要求1或2所述的基于时间序列SD-OCT视网膜图像的GA自动分割方法，其特征在于，步骤1中所述建立GA分割模型具体为：通过随机森林算法对步骤1-5提取的方向梯度直方图特征进行训练，获取随机森林模型，将其作为GA分割模型。
5.根据权利要求2所述的基于时间序列SD-OCT视网膜图像的GA自动分割方法，其特征在于，步骤1-2所述分割每一帧B-SCAN图像各自的ILM层和BM层具体为：通过最优三维图搜索方法分割每一帧B-SCAN图像各自的ILM层和BM层。
6.根据权利要求2所述的基于时间序列SD-OCT视网膜图像的GA自动分割方法，其特征在于，步骤1-3所述获取步骤1-2中每一帧B-SCAN图像的感兴趣区域具体为：
步骤1-3-1、将每一帧B-SCAN图像的BM层向下平移100个像素，获得新的BM’边界；
步骤1-3-2、将每一帧B-SCAN图像的ILM层作为上边界，求取上边界与步骤1-3-1获得的BM’边界之间的平均距离l；
步骤1-3-3、将每一帧B-SCAN图像的ILM层向下平移步骤1-3-2获得的平均距离l，获得新的ILM’边界，将其作为下边界；
步骤1-3-4、将步骤1-3-2的上边界与步骤1-3-3的下边界之间的区域作为每一帧B-SCAN图像的感兴趣区域。
7.根据权利要求2所述的基于时间序列SD-OCT视网膜图像的GA自动分割方法，其特征在于，步骤1-4具体为：
步骤1-4-1、将步骤1-3-2中的上边界作为第一行，步骤1-3-3中的下边界作为最后一行，由此将每一帧B-SCAN图像的感兴趣区域拉平，获得每一帧B-SCAN图像的感兴趣区域图像；
步骤1-4-2、通过w×h的滑动窗口以步长l'遍历步骤1-4-1获得的每一帧B-SCAN图像的感兴趣区域图像，将每一帧B-SCAN图像的感兴趣区域图像分为m个训练样本，由此获得三维SD-OCT视网膜图像的M个训练样本；其中w为滑动窗口的宽度，h为每一帧B-SCAN图像感兴趣区域图像的高度。
8.根据权利要求7所述的基于时间序列SD-OCT视网膜图像的GA自动分割方法，其特征在于，所述m的计算公式具体为：
m＝(W/l')-(w/l'-1)
式中，W为每一帧B-SCAN的感兴趣区域图像的宽度；
所述M的计算公式具体为：
M＝m×n
式中，n为n帧B-SCAN图像。
9.根据权利要求2所述的基于时间序列SD-OCT视网膜图像的GA自动分割方法，其特征在于，步骤1-5所述对步骤1-4得到的M个训练样本的方向梯度直方图特征进行提取具体为：
步骤1-5-1、对步骤1-4得到的M个训练样本进行gamma标准化，获得M个训练样本标准化图像；
步骤1-5-2、求取步骤1-5-1获得的M个训练样本标准化图像中每个像素梯度的幅值和方向；
每个像素梯度的幅值：
每个像素梯度的方向：
式中，f(x,y)为训练样本标准化图像在(x,y)处的像素值；
步骤1-5-3、将步骤1-5-1中的每一个训练样本标准化图像分成N个s×s单元格；
步骤1-5-4、为步骤1-5-3的每个单元格构建方向梯度直方图，统计每个单元格的梯度信息；
步骤1-5-5、将p×p个单元格组成一个block块，根据步骤1-5-4统计的每个单元格的梯度信息求取每一个block块的方向梯度直方图向量，并通过L2范数对其进行归一化，由此获得训练样本的方向梯度直方图特征。
10.根据权利要求9所述的基于时间序列SD-OCT视网膜图像的GA自动分割方法，其特征在于，
所述N与s的关系为：
式中，h'为训练样本标准化图像的高度，w'为训练样本标准化图像的宽度，N为单元格的个数，s为单元格的边长；
所述p的计算公式为:
p＝a×s
式中，a为偶数且p为block块的边长。
CN201810513590.6A 2018-05-25 2018-05-25 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 Active CN108830856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810513590.6A CN108830856B (zh) 2018-05-25 2018-05-25 一种基于时间序列sd-oct视网膜图像的ga自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810513590.6A CN108830856B (zh) 2018-05-25 2018-05-25 一种基于时间序列sd-oct视网膜图像的ga自动分割方法

Publications (2)

Publication Number Publication Date
CN108830856A true CN108830856A (zh) 2018-11-16
CN108830856B CN108830856B (zh) 2021-09-10

Family

ID=64145988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810513590.6A Active CN108830856B (zh) 2018-05-25 2018-05-25 一种基于时间序列sd-oct视网膜图像的ga自动分割方法

Country Status (1)

Country Link
CN (1) CN108830856B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583297A (zh) * 2018-10-25 2019-04-05 清华大学 视网膜oct体数据识别方法及装置
CN111829458A (zh) * 2020-07-20 2020-10-27 南京理工大学智能计算成像研究院有限公司 基于深度学习的伽马非线性误差矫正方法
CN112365437A (zh) * 2019-07-26 2021-02-12 奥普托斯股份有限公司 功能性oct数据处理
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
CN114792303A (zh) * 2022-03-21 2022-07-26 视微影像(河南)科技有限公司 频域或扫频光学相干断层扫描的全范围分析方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
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
CN104050672A (zh) * 2014-06-26 2014-09-17 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
CN104050672A (zh) * 2014-06-26 2014-09-17 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZEXUAN JI等: "Beyond Retinal Layers: A Deep Voting Model for Automated Geographic Atrophy Segmentation in SD-OCT Images", 《TRANSLATIONAL VISION SCIENCE & TECHNOLOGY》 *
徐军 等: "青光眼视神经头参数与视网膜神经纤维层的相关性分析", 《计算机辅助设计与图形学学报》 *
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》 *
陈强 等: "基于随机森林的频谱域光学相干层析技术的图像视网膜神经纤维层分割", 《电子与信息学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583297A (zh) * 2018-10-25 2019-04-05 清华大学 视网膜oct体数据识别方法及装置
CN109583297B (zh) * 2018-10-25 2020-10-02 清华大学 视网膜oct体数据识别方法及装置
CN112365437A (zh) * 2019-07-26 2021-02-12 奥普托斯股份有限公司 功能性oct数据处理
CN112365437B (zh) * 2019-07-26 2024-04-26 奥普托斯股份有限公司 功能性oct数据处理
CN111829458A (zh) * 2020-07-20 2020-10-27 南京理工大学智能计算成像研究院有限公司 基于深度学习的伽马非线性误差矫正方法
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
CN114792303A (zh) * 2022-03-21 2022-07-26 视微影像(河南)科技有限公司 频域或扫频光学相干断层扫描的全范围分析方法与系统
CN114792303B (zh) * 2022-03-21 2023-05-16 视微影像(河南)科技有限公司 频域或扫频光学相干断层扫描的全范围分析方法与系统

Also Published As

Publication number Publication date
CN108830856B (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN108830856A (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
CN104809723B (zh) 基于超体素和图割算法的三维肝脏ct图像自动分割方法
CN107665492B (zh) 基于深度网络的结直肠全景数字病理图像组织分割方法
CN108090894B (zh) 基于距离匹配函数和感知哈希算法的织物疵点检测方法
CN106462771A (zh) 一种3d图像的显著性检测方法
CN110110646A (zh) 一种基于深度学习的手势图像关键帧提取方法
CN109978037A (zh) 图像处理方法、模型训练方法、装置、和存储介质
CN108288271A (zh) 基于三维残差网络的图像检测系统及方法
CN106228528B (zh) 一种基于决策图与稀疏表示的多聚焦图像融合方法
CN106296638A (zh) 显著性信息取得装置以及显著性信息取得方法
CN110348263A (zh) 一种基于图像识别的二维随机码图像识别与提取方法
CN110866905B (zh) 一种肋骨识别与标注方法
CN110544233B (zh) 基于人脸识别应用的深度图像质量评价方法
CN104508704A (zh) 人体测量
CN108122221A (zh) 弥散加权成像图像中脑缺血区域的分割方法及装置
CN105261006B (zh) 基于傅里叶变换的医学图像分割算法
CN107767362A (zh) 一种基于深度学习的肺癌早筛装置
CN105701805A (zh) 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法
CN110334727A (zh) 一种隧道裂缝智能匹配检测方法
CN110309713A (zh) 表情识别模型训练方法、装置、设备和存储介质
CN106778793A (zh) 一种影像特征的可重复性测量方法及装置
CN106780718A (zh) 一种古生物化石的三维重建方法
CN104637060B (zh) 一种基于邻域主成分分析-拉普拉斯的图像分割方法
CN106529441A (zh) 基于模糊边界分片的深度动作图人体行为识别方法
CN109165605A (zh) 数据中心巡检机器人对于控制柜压板设备状态识别的方法

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