CN108885687A - 用于使用机器学习技术来减少oct血管造影中的伪像的方法和装置 - Google Patents
用于使用机器学习技术来减少oct血管造影中的伪像的方法和装置 Download PDFInfo
- Publication number
- CN108885687A CN108885687A CN201780013438.5A CN201780013438A CN108885687A CN 108885687 A CN108885687 A CN 108885687A CN 201780013438 A CN201780013438 A CN 201780013438A CN 108885687 A CN108885687 A CN 108885687A
- Authority
- CN
- China
- Prior art keywords
- octa
- data
- oct
- pseudomorphism
- probability
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000002583 angiography Methods 0.000 title description 11
- 238000010801 machine learning Methods 0.000 title description 3
- 230000004044 response Effects 0.000 claims abstract description 3
- FCKYPQBAHLOOJQ-UHFFFAOYSA-N Cyclohexane-1,2-diaminetetraacetic acid Chemical compound OC(=O)CN(CC(O)=O)C1CCCCC1N(CC(O)=O)CC(O)=O FCKYPQBAHLOOJQ-UHFFFAOYSA-N 0.000 claims abstract 17
- 238000012549 training Methods 0.000 claims description 20
- 239000012530 fluid Substances 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 239000011159 matrix material Substances 0.000 claims 1
- 238000012014 optical coherence tomography Methods 0.000 description 51
- 230000002792 vascular Effects 0.000 description 30
- 210000001525 retina Anatomy 0.000 description 17
- 238000003384 imaging method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000017531 blood circulation Effects 0.000 description 5
- 210000003583 retinal pigment epithelium Anatomy 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 238000013534 fluorescein angiography Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000005590 Choroidal Neovascularization Diseases 0.000 description 2
- 206010060823 Choroidal neovascularisation Diseases 0.000 description 2
- 208000017442 Retinal disease Diseases 0.000 description 2
- 206010038923 Retinopathy Diseases 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- MOFVSTNWEDAEEK-UHFFFAOYSA-M indocyanine green Chemical compound [Na+].[O-]S(=O)(=O)CCCCN1C2=CC=C3C=CC=CC3=C2C(C)(C)C1=CC=CC=CC=CC1=[N+](CCCCS([O-])(=O)=O)C2=CC=C(C=CC=C3)C3=C2C1(C)C MOFVSTNWEDAEEK-UHFFFAOYSA-M 0.000 description 2
- 229960004657 indocyanine green Drugs 0.000 description 2
- 208000002780 macular degeneration Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000002177 Cataract Diseases 0.000 description 1
- 208000001351 Epiretinal Membrane Diseases 0.000 description 1
- 208000031471 Macular fibrosis Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000003161 choroid Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 108091008695 photoreceptors Proteins 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000004232 retinal microvasculature Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000004218 vascular function Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
- A61B5/0066—Optical coherence imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06V10/30—Noise filtering
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Ophthalmology & Optometry (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Multimedia (AREA)
- Eye Examination Apparatus (AREA)
Abstract
在本发明的一些实施例中，减少伪像的方法包括从OCT/OCTA成像仪获得OCT/OCTA数据；对OCTA/OCT体数据进行预处理；从经预处理的OCTA/OCT体数据中提取特征；对OCTA/OCT体数据进行分类以提供概率确定数据；根据概率数据确定来确定百分比数据；以及响应于百分比数据来减少伪像。
Description
萧以欣、本·K·张、乌特卡什·夏尔马、周茜渊、托尼·H·科、魏励志
相关申请
本公开要求于2016年2月19日提交的美国临时申请No.62,297,649的优先权，该申请以全文引用的方式并入本文。
技术领域
本发明的实施例大体上涉及光学相干断层扫描(OCT)血管造影及其应用的领域，具体地，涉及用于对OCT血管造影(OCTA)数据进行改进处理并减少由例如投影伪像、低OCT信号和噪声引起的各种误差的影响的方法和装置。
背景技术
光学相干断层扫描血管造影(OCTA)是一种非侵入性脉管成像模式，以通过在相同位置处使用重复的OCT测量检测运动对比度，来可视化流体。参见例如Talisa E.de Carlo等人的“光学相干断层扫描血管造影(OCTA)的综述”，Int J Ret Vit，2015年4月。与荧光素血管造影(FA)和吲哚菁绿(ICG)血管造影不同，OCTA成像是无注射的并提供例如眼睛的组织中血流或脉管系统的深度分辨型三维(3D)脉管信息。虽然FA仍然保持为用于诊断导致异常脉管功能的眼病的黄金标准，但是OCTA是一种非常有前景的技术，其可以提供关于脉管系统异常的类似信息或有时可以提供关于脉管系统异常的的补充信息，而无需与FA相关联的侵入性。
然而，OCTA的临床效用可能受各种误差源的影响严重，这可能导致成像伪像和错误分析。参见例如Richard F.Spaide等人的“光学相干断层扫描血管造影中的图像伪像”，Retina，2015年11月。这些伪像包括但不限于投影伪像、由低OCT信号引起的阴影和噪声。
因此，需要减少误差以增加OCTA的临床效用的方法和装置。
发明内容
在本发明的一些实施例中，减少伪像的方法包括：从OCT/OCTA成像仪获得OCT/OCTA数据；对OCTA/OCT体数据进行预处理；从经预处理的OCTA/OCT体数据中提取特征；对OCTA/OCT体数据进行分类以提供概率确定数据；根据概率确定数据来确定百分比数据；以及响应于百分比数据来减少伪像。
以下参考附图进一步描述这些及其他实施例。
附图说明
图1示出了具有投影伪像的OCTA B扫描的示例性图像。
图2A至图2D示出了正常主体的OCTA成像的示例性图像。
图3示出了说明用于减少OCTA 3D体中的投影伪像的步骤的框图。
图4示出了在减少投影伪像之后在与图1相同的位置处的OCTA B扫描的示例性图像。
图5A至图5D示出了在减少投影伪像之后图2中所示的相同正常主体的OCTA成像的示例性图像。
图6A和图6B示出了在OCTA体中减少投影伪像之前和之后的具有脉络膜新生血管形成(CNV)的年龄相关的黄斑变性(AMD)患者的外视网膜的示例性图像。
图7示出了说明训练用于投影伪像减少的分类器的步骤的框图。
具体实施方式
在下面的描述中，阐述了描述本发明的一些实施例的具体细节。然而，对于本领域技术人员而言显而易见的是，可以在没有这些具体细节中的一些或全部的情况下实践一些实施例。本文公开的具体实施例意在说明而不是限制性的。本领域技术人员可以实现本公开的范围和精神内的其它元件，尽管这里没有具体描述。
说明本发明方案和实施例的描述和附图不应被理解为进行限制——由权利要求限定所保护的发明。在不脱离本描述和权利要求的精神和范围的情况下，可以进行各种改变。在一些实例中，为了不使本发明变得模糊，没有详细地示出或描述已知的结构和技术。
参考一个实施例详细描述的元件及其相关联的方面可以在实际可行的情况下被包括在未对其进行具体示出或描述的其它实施例中。例如，如果一个元件是参考一个实施例详细描述的，而没有参考第二实施例进行描述，则该元件可以被声明为被包含在第二实施例中。
OCTA成像检测具有血流的脉管。因此，术语“流”和“脉管”在以下描述中可互换使用。OCTA采用运动对比度成像，以生成显示流(特别是血流)的图像。具体地，OCTA成像仪比较在样本的相同横截面处进行的连续OCT B扫描之间的反向散射OCT信号强度的差异，以便构建血流图。如别处所讨论的，可以针对顺序图像之间的眼睛移动来校正OCT扫描。在一些系统中，可以提供OCT图像和衍生的OCTA图像二者。
投影伪像或尾部去相关伪像是可能限制OCTA结果的临床效用和准确性的最重要伪像之一。当前OCTA处理技术可以在落入血流区域下方的组织中产生虚假的运动对比度信号，即使在所述下方组织是静态的情况下。OCTA技术基于获得运动对比度的原理，即，识别和量化组织中不同深度处的OCT信号的变化。当光通过血管或流体区域时，诸如前向散射、折射、吸收和路径长度变化的各种因素导致对后续深度处的光场(和信号)的不可预测的改变。来自流体区域下方的反向散射光(以及因此信号)继承了来自上方的光场和信号的变化，因此可以示出虚假运动对比度信号，这取决于反向散射光的级别和由以上干扰赋予的变化。因为这些变化在性质上是可变的，并且在每次测量中都会发生变化，所以很难量化或校正这些变化。
图1示出了说明投影伪像的OCTA B扫描的示例性图像。在图1中，一些投影伪像用箭头表示。图1还示出了内界膜(ILM)和视网膜色素上皮(RPE)。图1示出了人视网膜层中的OCTA信号。箭头指示不同视网膜级别处的投影伪像，而血管的真实位置在上述视网膜中。因此，在不去除投影伪像的情况下发生的任何定量分析将是误导的、是不准确的或最多是次优的。
已经公开了用于减少投影伪像的先前方法，并且先前方法是基于二维(2D)图像处理的。参见例如Yali Jia等人的“年龄相关的黄斑变性中脉络膜新生血管形成的定量光学相干断层扫描血管造影”，Ophthalmology，2014年7月；以及Anqi Zhang等人的“在OCT微血管造影中最小化投影伪像以准确呈现脉络膜新生血管形成”，Biomed Opt Exp，2015年9月。在这些方法中，在减少投影伪像之前需要视网膜层分割，这由于病理组织中的分割可能是不准确的而造成很大的限制。此外，对于这些方法，仍然不可能进行3D可视化和分析。提出了一种以3D方式减少投影伪像的方法(Miao Zhang等人的“投影分辨型光学相干断层扫描血管造影”，Biomed Opt Exp，2016年3月)，然而该方法使用一种简单的观察标准，并完全去除可疑伪像，从而导致在内视网膜和脉络膜层二者中脉管断裂和较大阴影。因此，需要用于减少OCTA体中的伪像(特别是以3D方式)同时保持脉管网络的完整性的方法和装置，以便更好地可视化和定量测量。
当OCT信号在散射不透明或阻碍的吸收之后衰减时，会发生阴影伪像。没有OCT信号或低OCT信号导致没有OCTA信号或低OCTA信号。这些伪像可能归因于患者的病理，例如，视网膜外膜(漂浮物)和白内障。伪像也可能归因于上部组织层中的强光吸收。可以应用一些成像和处理技术来减轻阴影效应。可以相应地调整针对OCTA的后续图像处理和分析以抵消阴影效应。
另一伪像是噪音。即使在没有流体的静态组织的位置处，系统噪声和OCT入射光强度的波动也可能导致较高的OCTA信号。可以通过OCTA噪声或假阳性流的短段和与相邻结构化脉管的隔离来可视地识别OCTA噪声或假阳性流。然而，噪声的存在会影响小毛细脉管的后续量化和可视化。
因此，这些伪像或这些伪像的不同组合会显著降低OCTA结果的临床效用，并导致错误的结论。本发明的一些实施例提供了减轻这些问题并减少所得到的OCTA图像中的伪像数量的解决方案。
OCTA体数据可以包含与流无关的虚假信号。可以通过根据一些实施例和本公开中讨论的若干方法和技术来检测并减少由包括投影伪像、阴影和噪声的因素引起的OCTA数据的误差。这种伪像的减少可以导致改善视网膜微脉管系统可视化的图像质量和随后对血流的定量测量的准确性。
用于减少OCTA伪像的方法可以推广到处理OCT和OCTA 3D体、2D平面(B扫描)和1D线(A线)数据。在应用一种或多种处理方法来减少OCTA 3D体中的伪像之后，减少伪像的体可以用于真实的3D可视化。在其他实施例中，伪像减少的体可以用于生成2D正面投影图像。在先前的申请中已经公开了生成正面图像的方法。参见，例如2014年7月John Davis等人的美国专利US 8781214 B2“用于光学相干断层扫描的增强成像”，其全部内容通过引用并入本文。
在一些实施例中，可以通过针对经预处理的原始信号和伪像信号使用不同颜色方案来在3D和/或2D下可视化OCTA数据。例如，具有真实信号的体素/像素可以用灰度级进行颜色编码，而投影伪像用红色进行颜色编码，且阴影伪像用蓝色进行颜色编码。
此外，脉管参数可以根据伪像减少的OCTA体来计算。在一些实施例中，可以使用基于3D体的参数和/或基于2D正面(en face)图像的参数来计算定量测量。所述参数包括但不限于流体体积/面积、非流体体积/面积、流密度(体积/面积/长度密度)、脉管口径、脉管分支和曲折度。
投影伪像
图1和图2A至图2D示出了基于临床评估的没有视网膜病变的正常主体中的投影伪像，如B扫描(图1)和正面(图2A至图2D)图像所示。图2A至图2D示出了正常主体的OCTA成像的示例图像，其中图2A示出了四个视网膜层、浅毛细脉管丛的正面图像，图2B示出了深毛细脉管丛，图2C示出了外视网膜，并且图2D示出了脉络膜毛细脉管。在投影伪像减少之前，已经根据预处理的OCTA体生成了图2A到图2D。
投影伪像出现在不同的视网膜层，如图1中的箭头所示。来自浅毛细脉管丛(图2A)的投影伪像最明显，从而导致在实际上不存在毛细脉管的深毛细脉管丛(图2B)、外视网膜(图2C)和脉络膜毛细脉管(图2D)层中出现具有相似脉管图案的虚假OCTA信号。
图3示出了阐述减少OCTA 3D体中的伪像的步骤的示例流程图。OCTA成像仪(框301)使用在先前提交的申请中描述的方法来根据OCT数据生成OCTA体。参见例如Yali Jia等人的“具有光学相干断层扫描的分光谱幅度-去相关血管造影”，Optics Express，2012年2月，其全部内容通过引用并入本文。在另一个实施例中，OCT成像仪还可以用于提供结构OCT体以得到附加信息。OCTA和OCT成像仪也可以组合成单个OCT/OCTA成像仪301，如图3所示。
首先将OCTA体和OCT体数据302传递给可选的预处理处理器303。预处理处理器303首先检测具有高于背景噪声的OCT或OCTA信号的区域。可以在后面的处理步骤中排除背景区域以加速处理时间。然后，沿着每个OCT/OCTA A线(深度方向)来检测界标。这些界标可以包括沿着1D A线信号轮廓的峰和谷，并且通常与视网膜层边界相关联。例如，内界膜(ILM)、内部和外部光感受器区段(IS/OS)的接合点和视网膜色素上皮(RPE)通常具有更强的OCT强度并且表现为沿着OCT A线的峰值点。可以通过对相邻界标(跨越A线和跨越B扫描)求平均值来对这些界标的位置或深度进行进一步改进。接下来，执行展平以将所有A扫描与所选界标在深度上对准。这是针对视网膜分割执行的常见步骤，并且先前已经公开了。参见例如Mona K.Garvin等人的“黄斑光谱域光学相干断层扫描图像的自动3-D内视网膜层分割”，IEEE Trans Med Imaging，2009年9月。
如果未应用可选的预处理处理器303，则OCTA和OCT体302被传递到特征提取处理器304。如果应用了可选的预处理处理器303，则经预处理的OCTA和OCT体以及来自预处理处理器303的输出(例如，检测到的界标)被传递到特征提取处理器304。特征提取处理器304提取每个基本单元的特征。基本单元可以是单个体素或由少量体素形成的局部区域。这些特征包括但不限于：当前基本单元的空间位置或深度；经预处理的OCT和OCTA强度；基于投影伪像的用于考虑前部真实流体投影到后部组织层上的性质的特征；以及与脉管口径相关的信息。
涉及当前基本单元的空间位置或深度的特征提取可以包括例如到界标的距离(以像素或以微米为单位测量的)。这样的提取还可以包括到界标的相对距离(RD)，例如，从当前基本单元(z当前)到界标A(zA)的相对距离可以是通过用界标A和B之间的距离(zB)进行归一化来计算的。这可以通过以下关系来表示的：
RDA(z)＝|z当前-zA|/|zA-zB|。
涉及经预处理的OCT和OCTA强度的特征提取可以包括当前基本单元的OCT强度和当前基本单元的OCTA强度。此外，可以包括来自当前基本单元的每个x-、y-、z-方向的OCT强度的导数(1阶、2阶、……)以及来自当前基本单元的每个x-、y-、z-方向的OCTA强度的导数(1阶、2阶、……)。此外，可以使用与基本单元相邻的强度和导数。可以固定要作为特征包括的相邻基本单元的内核大小。例如，对于单个体素的基本单元，可以将3×3×3内核中的周围26个体素定义为邻居。也可以动态地确定内核大小。例如，可以将更大的内核大小指派给具有更高OCTA强度的体素。
基于投影伪像的用于考虑前部真实流体投影到后部组织层的性质的特征提取可以包括沿A线的深度累积OCTA强度：其中在前部和后部之间从0开始对深度编索引。这些特征还可以包括沿A线的最大OCTA强度：OCTAmax(z)＝argmax[OCTA(z)，z∈{0，z}]。这些特征还可以包括在检测到沿A线的最大OCTA强度的相同深度位置处的相应OCT强度。这些特征的另一示例包括OCTAmax(z)的一维(1D)导数。
特征提取还可以包括与脉管口径相关的信息。这些特征包括在x方向上到具有当前基本单元的OCTA强度的一半的最近基本单元的距离，在y方向上到具有当前基本单元的OCTA强度的一半的最近基本单元的距离、在+z方向上到具有当前基本单元的OCTA强度的一半的最近基本单元的距离，或在-z方向上到具有当前基本单元的OCTA强度的一半的最近基本单元的距离。在提取特征之后，可以进一步组合某些特征以成为单个特征。
在已提取特征之后，将提取的特征传递给分类器(框305)。使用足够大的数据集训练分类器，其中由人类专家对数据集中的每个OCTA体素进行手动标记以指示存在不同类型的伪像，包括投影伪像。在“训练分类器”部分和图7中描述了如何训练分类器的细节。在一些实施例中，分类器也可以设计有观察标准。然后，分类器返回每个基本单元属于分类类别之一的概率或分数。例如，可以使用三个类别：纯真实流体信号、纯伪像信号以及真实流体和伪像的混合。在一些实施例中，分类器可以返回硬分类，其预测基本单元属于哪些类别，而不提供概率。
接下来，由分类器提供的概率量或分类结果被传递到变换处理器(框306)。由于投影伪像的复杂性(其中经常出现真假信号的混合)，因此需要确定每个基本单元中的真实信号的百分比以成功减少伪像。因此，处理器将概率或分类结果变换为每个基本单元中的真实信号的百分比。变换函数可以是通过体模研究凭经验确定的线性变换，或者通过优化人类视网膜扫描数据以满足临床理解而确定的线性变换。例如，
Percen tagetrue＝w1·Probtrue+w2·Probmixed+w0，
其中Percen tagetrue是基本单位中真实信号的百分比，Probtrue和Probmixed分别是属于纯真实流体信号组的概率和属于混合信号组的概率。参数w0、w1和w2是线性加权因子，其可以凭经验确定。
一旦针对每个基本单位计算出百分比，百分比值就被指派给基本单位中的每个体素。最后，通过针对每个体素将百分比乘以经预处理的OCTA数据(OCTApre)来减少伪像(框307)。
OCTApost(x，y，z)＝OCTApre(x，y，z)·Percen tagetrue(x，y，z)，
并且获得经后处理的伪像减少的OCTA体(OCTApost)。然后，可以将伪像减少的OCTA数据用于显示(框308)，包括但不限于具有体渲染的3D可视化、正面投影图像的2D可视化和B扫描。伪像减少的OCTA数据还可以用于进一步分析(框309)以计算流体或脉管系统相关的定量参数。
图4示出了在减少投影伪像之后在与图1相同的位置处的OCTA B扫描的示例性图像。箭头指示在处理之后投影伪像减少的几个位置。缩短了在经预处理的B扫描(图1)中出现的细长的内视网膜脉管。这种圆形脉管与其物理尺寸更加一致。还显著减少了IS/OS和RPE层处的投影伪像。
图5A至图5D示出了在减少投影伪像之后图2A到图2D中所示的相同正常主体的OCTA成像的示例性图像。四个正面图像包括浅毛细脉管丛(图5A)、深毛细脉管丛(图5B)、外视网膜(图5C)和脉络膜毛细脉管(图5D)。与图2A至图2D中的经预处理的正面图像相比，图5A至图5D示出了经后处理的正面图像。从底层去除了重复的脉管网络，同时其余网络得到保留并且连接良好。
图6A和图6B示出了在OCTA体中减少投影假象之前(图6A)和之后(图6B)的具有CNV的AMD患者的外视网膜的示例性图像。在处理之后，投影伪像减少并且CNV网络被更好地可视化(图6B)。CNV边界也更容易勾画，这允许更可靠的患者跟进以评估治疗结果。
训练分类器
图7示出了说明训练用于投影伪像减少的分类器的步骤的框图。如框305所示，可以用足够大量的数据对在投影伪像减少过程中使用的分类器进行预训练。图7是阐述用于训练分类器的步骤的示例性流程图。首先，在框701中，通过OCT/OCTA成像仪从具有不同年龄、性别和视网膜病变的主体收集具有共同获得的OCT和OCTA体数据的训练数据集。A线是从正常主体的OCT/OCTA体中随机选择的，并且是从病理性患者的扫描中的病理区域内随机选择的。然后，在框702中，人类专家对这些A线的每个基本单元进行分级。每个基本单元都标记有类别。例如，类别可以包括纯流体信号、纯投影伪像信号、混合信号、噪声和未知信号。在框707中将数据集的子集用作测试数据集，并且在训练过程期间不使用数据集的子集。
在框703中，OCT和OCTA体数据经过预处理和特征提取步骤，如前面部分所述。然后，在框704中，将体数据、特征和人类分级标签传递给分类器。例如，机器学习模型可以基于逻辑回归；诸如随机森林、朴素贝叶斯、支持向量机的集成模型或不同模型的组合。在框705中，在训练过程期间计算训练误差。在训练分类器之后，在框706中，将测试数据集(框707)输入到分类器，并且计算测试误差。然后在框708中，使用训练误差(框705)和测试误差(框706)来对分类器进行改进。在此步骤中，分类器中的参数和特征被改进以最小化同时平衡来自训练数据集和测试数据集的误差。
本文描述的方法用于减少OCTA体中的投影伪像，但是也可以通过相同的处理来减少诸如噪声和阴影伪像之类的其他伪像。该方法还可以用于检测OCT体中的伪像，例如阴影伪像。
虽然本文已经公开了各种方面和实施例，但是其他方面和实施例对于本领域普通技术人员将是显而易见的。本文公开的各个方面和实施例是出于说明的目的而不是限制性的，真实的范围和精神由所附权利要求指示。本领域技术人员将认识到或能够使用不超过常规实验来确定本文所述的方法和组成的具体实施例的许多等同物。这些等同物旨在由权利要求涵盖。
Claims (10)
1.一种减少伪像的方法，包括：
从OCT/OCTA成像仪获得OCT/OCTA数据；
对OCTA/OCT体数据进行预处理；
从经预处理的OCTA/OCT体数据中提取特征；
对所述OCTA/OCT体数据进行分类以提供概率确定数据；
根据所述概率确定数据来确定百分比数据；以及
响应于所述百分比数据来减少伪像。
2.根据权利要求1所述的方法，其中对OCTA/OCT体数据进行预处理包括：
检测具有高于背景噪声的OCTA/OCT信号的区域；
排除具有不高于背景噪声的OCTA/OCT信号的区域；
沿着每个OCTA/OCT A线检测界标；以及
展平以将所有A扫描与选定界标对准。
3.根据权利要求1所述的方法，其中提取特征包括：提取所述OCTA/OCT数据的每个基本单元中的特征。
4.根据权利要求3所述的方法，其中所述基本单元能够是单个体素。
5.根据权利要求3所述的方法，其中所述基本单元是多个体素。
6.根据权利要求1所述的方法，其中对所述OCTA/OCT数据进行分类包括：返回概率确定数据，所述概率确定数据表示每个基本单元中的关于所述基本单元属于分类类别集中的一个分类类别的概率。
7.根据权利要求6所述的方法，其中所述分类类别集包括纯真实流体信号、纯伪像信号或真实流体信号和伪像信号的混合。
8.根据权利要求6所述的方法，其中对所述OCTA/OCT数据进行分类包括：使用经训练的分类器来确定所述概率确定数据。
9.根据权利要求8所述的方法，还包括：训练所述经训练的分类器，其中训练所述经训练的分类器包括：
提供训练数据集；
对所述训练数据集进行预处理；
在所述训练数据集中提取特征；
对所述训练数据集进行分类以获得概率确定数据；
将所述概率确定数据与人类标记的概率数据进行比较；
对所述经训练的分类器进行改进，使得所述概率确定数据与所述人类标记的概率数据相匹配。
10.根据权利要求1所述的方法，其中根据所述概率确定数据来确定百分比数据包括：变换等式或矩阵，以便将所述基本单元属于每个类别的概率变换为所述基本单元中的单个真实流体信号百分比值。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662297649P | 2016-02-19 | 2016-02-19 | |
| US62/297,649 | 2016-02-19 | ||
| PCT/US2017/018521 WO2017143300A1 (en) | 2016-02-19 | 2017-02-17 | Methods and apparatus for reducing artifacts in oct angiography using machine learning techniques |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108885687A true CN108885687A (zh) | 2018-11-23 |
Family
ID=64325909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780013438.5A Pending CN108885687A (zh) | 2016-02-19 | 2017-02-17 | 用于使用机器学习技术来减少oct血管造影中的伪像的方法和装置 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP3417401B1 (zh) |
| CN (1) | CN108885687A (zh) |
| ES (1) | ES2908188T3 (zh) |
| PL (1) | PL3417401T3 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033861A (zh) * | 2019-03-26 | 2019-07-19 | 西安交通大学 | 适用于octa图像的血管及黄斑无血管区定量分析方法及系统 |
| WO2022037517A1 (en) * | 2020-08-17 | 2022-02-24 | The University Of Hong Kong | Methods and system for automated cloud-based quantitative assessment of retinal microvasculature using optical coherence tomography angiography images |
| CN115919362A (zh) * | 2023-03-15 | 2023-04-07 | 深圳英美达医疗技术有限公司 | 超声成像系统的伪像去除方法、装置、设备及存储介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7362403B2 (ja) * | 2019-03-11 | 2023-10-17 | キヤノン株式会社 | 画像処理装置および画像処理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5785042A (en) * | 1995-02-14 | 1998-07-28 | Duke University | Magnetic resonance imaging method providing for correction of striation artifacts |
| CN103858134A (zh) * | 2011-08-09 | 2014-06-11 | 光视有限公司 | 光学相干断层摄影术中对特征的运动校正和标准化 |
| EP2779095A2 (en) * | 2013-03-15 | 2014-09-17 | Kabushiki Kaisha TOPCON | Optic disc image segmentation method |
| US20140268046A1 (en) * | 2013-03-14 | 2014-09-18 | Carl Zeiss Meditec, Inc. | Systems and methods for improved acquisition of ophthalmic optical coherence tomography data |
| CN104143087A (zh) * | 2014-07-24 | 2014-11-12 | 苏州大学 | 基于sd-oct的挫伤性视网膜内外节缺失检测方法 |
| US20150062590A1 (en) * | 2013-08-29 | 2015-03-05 | Carl Zeiss Meditec, Inc. | Evaluation of optical coherence tomographic data prior to segmentation |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8879813B1 (en) * | 2013-10-22 | 2014-11-04 | Eyenuk, Inc. | Systems and methods for automated interest region detection in retinal images |
-
2017
- 2017-02-17 EP EP17754001.0A patent/EP3417401B1/en active Active
- 2017-02-17 PL PL17754001T patent/PL3417401T3/pl unknown
- 2017-02-17 CN CN201780013438.5A patent/CN108885687A/zh active Pending
- 2017-02-17 ES ES17754001T patent/ES2908188T3/es active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5785042A (en) * | 1995-02-14 | 1998-07-28 | Duke University | Magnetic resonance imaging method providing for correction of striation artifacts |
| CN103858134A (zh) * | 2011-08-09 | 2014-06-11 | 光视有限公司 | 光学相干断层摄影术中对特征的运动校正和标准化 |
| US20140268046A1 (en) * | 2013-03-14 | 2014-09-18 | Carl Zeiss Meditec, Inc. | Systems and methods for improved acquisition of ophthalmic optical coherence tomography data |
| EP2779095A2 (en) * | 2013-03-15 | 2014-09-17 | Kabushiki Kaisha TOPCON | Optic disc image segmentation method |
| US20150062590A1 (en) * | 2013-08-29 | 2015-03-05 | Carl Zeiss Meditec, Inc. | Evaluation of optical coherence tomographic data prior to segmentation |
| CN104143087A (zh) * | 2014-07-24 | 2014-11-12 | 苏州大学 | 基于sd-oct的挫伤性视网膜内外节缺失检测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033861A (zh) * | 2019-03-26 | 2019-07-19 | 西安交通大学 | 适用于octa图像的血管及黄斑无血管区定量分析方法及系统 |
| CN110033861B (zh) * | 2019-03-26 | 2021-03-23 | 西安交通大学 | 适用于octa图像的血管及黄斑无血管区定量分析方法及系统 |
| WO2022037517A1 (en) * | 2020-08-17 | 2022-02-24 | The University Of Hong Kong | Methods and system for automated cloud-based quantitative assessment of retinal microvasculature using optical coherence tomography angiography images |
| CN115919362A (zh) * | 2023-03-15 | 2023-04-07 | 深圳英美达医疗技术有限公司 | 超声成像系统的伪像去除方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| PL3417401T3 (pl) | 2022-05-16 |
| ES2908188T3 (es) | 2022-04-28 |
| EP3417401A1 (en) | 2018-12-26 |
| EP3417401B1 (en) | 2022-01-19 |
| EP3417401A4 (en) | 2019-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7193343B2 (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 | |
| US12040079B2 (en) | Medical image processing apparatus, medical image processing method and computer-readable medium | |
| Tavakoli et al. | A complementary method for automated detection of microaneurysms in fluorescein angiography fundus images to assess diabetic retinopathy | |
| Feeny et al. | Automated segmentation of geographic atrophy of the retinal epithelium via random forests in AREDS color fundus images | |
| US11922601B2 (en) | Medical image processing apparatus, medical image processing method and computer-readable medium | |
| WO2020036182A1 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
| CN112601487A (zh) | 医学图像处理装置、医学图像处理方法和程序 | |
| JP2022520708A (ja) | 広角自発蛍光画像における加齢黄斑変性症患者の地図状委縮パターンのセグメントテーションおよび分類 | |
| Hassan et al. | Automated retinal edema detection from fundus and optical coherence tomography scans | |
| CN113543695B (zh) | 图像处理装置和图像处理方法 | |
| Wu et al. | Multivendor spectral‐domain optical coherence tomography dataset, observer annotation performance evaluation, and standardized evaluation framework for intraretinal cystoid fluid segmentation | |
| CN108885687A (zh) | 用于使用机器学习技术来减少oct血管造影中的伪像的方法和装置 | |
| JP2023523245A (ja) | チャネル符号化スラブを用いたｏｃｔ ｅｎ ｆａｃｅ病変セグメンテーション | |
| Lazaridis et al. | Improving statistical power of glaucoma clinical trials using an ensemble of cyclical generative adversarial networks | |
| Wu et al. | Geographic atrophy segmentation in SD-OCT images using synthesized fundus autofluorescence imaging | |
| Abràmoff | Image processing | |
| Garcia-Marin et al. | Patch-based CNN for corneal segmentation of AS-OCT images: Effect of the number of classes and image quality upon performance | |
| AU2015245909C1 (en) | Method for the analysis of image data representing a three-dimensional volume of biological tissue | |
| US20240321435A1 (en) | Medical image processing apparatus, medical image processing method and computer-readable medium | |
| Ibragimova et al. | Algorithm of segmentation of OCT macular images to analyze the results in patients with age-related macular degeneration | |
| Wang | Estimation of papilledema severity using spectral-domain optical coherence tomography | |
| Bogunović et al. | Predicting drusen regression from OCT in patients with age-related macular degeneration | |
| Chang et al. | Adaptive Segmentation Method for Evaluating of Choroidal Thickness on Optical Coherence Tomography | |
| Lindberg | Enhanced Depth Imaging OCT and OCT Angiography for Quantifying Optic Disc Drusen and Related Complications | |
| Muramatsu et al. | Detection of Eye Diseases |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181123 |
|
| WD01 | Invention patent application deemed withdrawn after publication |