CN109325955B - 一种基于oct图像的视网膜分层方法 - Google Patents
一种基于oct图像的视网膜分层方法 Download PDFInfo
- Publication number
- CN109325955B CN109325955B CN201811037997.2A CN201811037997A CN109325955B CN 109325955 B CN109325955 B CN 109325955B CN 201811037997 A CN201811037997 A CN 201811037997A CN 109325955 B CN109325955 B CN 109325955B
- Authority
- CN
- China
- Prior art keywords
- boundary
- pixel point
- layer
- image
- gradient
- 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
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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于OCT图像的视网膜分层方法。本发明采集眼底的OCT图像作为样本图像,对采集到的样本图像作灰度归一化处理,再对样本图像进行展平,进行均值滤波,求解纵向梯度后通过比对确定视网膜上下边界,将计算的得到的多种特征输入训练分类器,得到像素点位于不同层边界的概率,最后使用图论算法通过概率来优化训练分类器输出的最优边界及其位置。本发明能够利用普通配置的计算机实现多个层结构的自动分割,并且使用了多级概率分类决策和优化,同时采用进行了系列化的分层,对图像原有处理步骤少,检测精度提升具有一定的优势。
Description
技术领域
本发明属于医学图像处理领域,尤其是涉及了一种基于OCT图像的视网膜分层方法。
背景技术
OCT干涉成像是基于生物组织对近红外光的光学散射特性捕获二维或者三维图像,可以达到微米(μm)级分辨率。OCT具有分辨率高、易用性强、电离辐射少、对患者舒适度高、低成本等优点,使其在黄斑立方体周围视网成像中广泛应用,并可作为多种疾病的辅助诊断依据,如多发性硬化症(MS),1型糖尿病,阿尔茨海默病,帕金森病和青光眼等。上述疾病已经被证明在不同视网膜层中能发现对应的定量异常。更好的了解这些疾病对视网膜中特定类型细胞的影响,精确分割视网膜OCT图像的不同组织层具有深远的意义。在实际临床应用中,每个被测试者将会获取大量的OCT图像,因此必须使得分割分层的自动化。但是OCT图像的成像质量极易受散斑噪声、设备对焦的影响,都会降低图像的低图像对比度以及图像中的血管和其他结构都给算法实现自动分层制造层层障碍。正是由于上述问题的存在,分层算法仍然是研究的关注点。
目前关于视网膜层分割的工作已经有多种方法,可自动实现视网膜OCT图像的自动化分层,主要包括强度变化及其自适应阈值分析,基于强度的马尔科夫边界模型以及纹理和形状分析。近年来已经有复杂图像成像的分割工具出现,特别是基于图论的方法越来越多地应用。图论方法采用动态分析计算最短路径算法,可以实现多曲面同步分割。本发明为图论方法增加了基于纹理特征和限定约束,是现有基于图形分割方法的有效补充。本发明还结合主动轮廓分割模型思想,并利用并行机器学习的方法,将图像强度和梯度的特性用于分类。
随着研究的深入,灰度、梯度信息在应用过程中,对视网膜层边界位置的估计有一定的偏差,而且单一分类器容易造成过拟合,分类效果并不稳定;同时灰度和梯度的信息对噪声的污染非常敏感。
发明内容
为了解决背景技术中存在的问题,本发明提供了一种基于OCT图像的视网膜分层方法,其主要思想是基于图论方法采用动态分析计算最短决策概率路径算法。
图论方法同时进行多曲面分割。有些方案结合了基于纹理的功能和软约束,也有一些则采用主动轮廓分割模型。这些工作是机器学习方法的发展,可同时充分挖掘图像强度和梯度的特性。
本发明提出了一种使用整合上述两种分割工具的视网膜分割算法。在第一步中,使用分类器估计视网膜层边界的位置,同时在边界生成概率映射。第二步使用这些概率映射作为边界识别算法的输入,使用基于图论方法找到了将OCT图像中的视网膜层分开的轮廓。
本发明包括以下步骤:
1)采集眼底的OCT图像作为样本图像;
2)将步骤1)的样本图像作灰度归一化处理,将处理后的样本图像进行均值滤波;
3)将步骤2)经过均值滤波的样本图像进行高斯滤波,然后使用sobel算子求取高斯滤波后的样本图像中每个像素点的纵向梯度;设定正负阈值,将纵向梯度和正、负阈值进行比较,将纵向梯度大于正阈值的上边界作为内界膜(ILM)层上界,将梯度小于负阈值的上边界作为布鲁赫膜(BrM)层;再使用边界修正方法修正内界膜(ILM)层上界和布鲁赫膜(BrM)层;
4)将样本图像进行展平;
5)计算样本图像中每个像素所在位置的多种特征;
6)获得样本图像的已分层眼底OCT图像,按照步骤2)-5)获得已分层眼底OCT图像的多种特征,将已分层眼底OCT图像的多种特征作为训练集输入训练分类器;
7)将待分层眼底OCT图像作为待测图像,按照步骤2)-5)进行处理获得待测图像的多种特征,将待测图像的多种特征输入至已经完成训练的训练分类器,训练分类器输出待测图像中每个像素点位于视网膜层各个界线的概率;
8)根据每个像素点位于各个界线的概率构建连通图,使用图论算法寻找训练分类器输出的最优边界点,最优边界点为组成界线上的各个像素点,最终确定边界位置。
所述步骤5)中,多种特征为以下特征:
5-1)对每个像素点进行高斯混合滤波并设每个像素点为待测像素点,获得每个待测像素点所在的图像列中从内界膜(ILM)层界线到待测像素点的所有像素点,计算所有像素点从内界膜(ILM)层界线起高斯一阶纵向梯度的累计和,以累计和作为特征,每个像素点获得一个特征;
5-2)取三个像素大小不同的矩阵模板Ⅰ、Ⅱ、Ⅲ,计算每个像素点在三个矩阵模板范围内的平均梯度,以平均梯度作为特征,每个像素点获得一个特征;
5-3)建立矩阵模板Ⅳ,矩阵模板Ⅳ的上面1/3行元素值为-1且下面1/3行元素值为-1且中间1/3行元素值为1,对矩阵模板Ⅰ进行归零化处理,使用归零化后的矩阵模板Ⅳ遍历每个像素点进行滤波,以滤波后像素点的灰度值作为特征,每个像素点获得一个特征;
5-4)建立矩阵模板Ⅴ,矩阵模板Ⅴ的上面1/2行元素值为-1且下面1/2行元素值为1,对矩阵模板Ⅴ进行归零化处理,使用归零化后的矩阵模板Ⅴ遍历每个像素点进行滤波,以滤波后像素点的灰度值作为特征,每个像素点获得一个特征;
5-5)使用Sobel算子求解每个像素的X方向梯度和Y方向梯度,进而计算由X方向梯度和Y方向梯度组成的复合梯度向量的梯度模和梯度方向,从而得到每个像素的X方向梯度、Y方向梯度、复合梯度向量的梯度模和梯度方向四个特征;
5-6)使用Laplacian算子求解每个像素的梯度,以梯度作为特征,每个像素点获得一个特征;
5-7)计算每个像素点与其相邻的上方像素点的灰度差值,以灰度差值作为特征,每个像素点获得一个特征;
5-8)计算每个像素点与其相邻的下方像素点的灰度差值,以灰度差值作为特征,每个像素点获得一个特征;
5-9)取5-2)中的三个矩阵模板Ⅰ、Ⅱ、Ⅲ,计算每个像素点和位于其相邻的上方像素点分别在三个矩阵模板范围内的平均灰度,计算两个平均灰度的差值,以平均灰度的差值作为特征,每个像素点获得一个特征;
5-10)对每个像素点进行gabor滤波,设定波长为10,相位偏移量为0,空间纵横比为0.5,带宽为1,方向分别为:0,45,90,以滤波后像素点的灰度值作为特征,每个像素点获得一个特征。
所述步骤6)中的已分层的眼底OCT图像按照从上至下依次分为十条界线:内界膜(ILM)层上界,视网膜神经纤维层(RNFL)-神经节细胞层(GCL)边界,神经节细胞层(GCL)-内丛状层(IPL)边界,内丛状层(IPL)-内核层(INL)边界,内核层(INL)-外丛状层(OPL)边界,外丛状层(OPL)-外核层(ONL)边界,外核层(ONL)-感光细胞层内节(IS)边界,感光细胞层内节(IS)-感光细胞层外节(OS)边界,感光细胞层外节(OS)边界-视网膜色素上皮层(RPE)边界,布鲁赫膜(BrM)层。
本发明具有的有益效果是:
本发明结合了各种方法的优势,分多步对视网膜图像进行分层,可以在特征提取步骤中综合考虑了图像的灰度、梯度、纹理特征、梯度路径等多种特征,从而达到实现视网膜快速分层的目的;对像素点进行了软分类,挖掘了概率统计特征,在内部细节上,利用图论和基于动态规划的最短路算法,自动寻找出准确的视网膜二层结构,优化了分层结果。
本发明的视网膜分层方法,根据不同应用情况,搜索多个特征,能够利用普通配置的计算机实现多个层结构的自动分割,对视网膜复杂病症层状结构实现有效的自动探测,比人工分层具有一定的优势。
本发明具有较好的重复性与自适应性,分割的精确度也达到领先水平,结果令人满意,具有较强的可比性,适合多种临床诊断应用,为国产OCT装置在眼科应用的性能提升奠定技术基础。
更重要的是,本发明方法能再在视频速率上部署应用,通过现代计算机GPU的并行计算能力,本发明的插入计算量较少,信号处理和图像渲染所需资源也较少。
附图说明
图1是本发明方法的流程图。
图2是采集的视网膜样本图像。
图3是视网膜样本图像的分层结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示,本发明具体实施例包括以下步骤:
1)采集40幅小鼠眼底OCT图像作为样本图像,样本图像分辨率为1024*1000,如图2所示为其中一幅典型的样本图像,图中可见黄斑凹陷区,上部有虚影。建立图像坐标系,以图像的左上角为原点,以图像横向向右为X正方向,以图像纵向向下为Y正方向。
2)对采集到的样本图像作灰度归一化处理:
设置门限值1.05*A,将灰度值在(0-1.05*A)范围内的图像按照最大最小归一化处理,最大最小归一化处理中将灰度值大于1.05*A的像素点置为1,然后对图像进行均值滤波。
3)将步骤2)经过均值滤波的图像进行高斯滤波(X和Y方向标准差均为3像素),然后使用Sobel算子求取高斯滤波后的图像中每个像素点的纵向梯度,设定正负阈值,将纵向梯度和正、负阈值进行比较;找到纵向梯度大于正阈值的界线,在具体实施过程中会出现两条大于正阈值的界线,将相对位于图像位置上方的界线作为内界膜(ILM)层上界,相对位于图像位置下方的界线为感光细胞层内节(IS)-感光细胞层外节(OS)边界,两条界线距离大于50μm;在感光细胞层内节(IS)-感光细胞层外节(OS)边界向下继续搜索,搜索纵向梯度小于负阈值的界线作为布鲁赫膜(BrM)层。
接着,使用边界修正方法修正内界膜(ILM)层上界和布鲁赫膜(BrM)层,所述的边界修正方法为使用宽度为10像素的中值滤波器修正内界膜(ILM)层界线和布鲁赫膜(BrM)层,通过去除两个界线的突出点使曲线平滑,再次使用X和Y方向标准差分别为10像素和1像素的高斯模糊滤波器对内界膜(ILM)层上界和布鲁赫膜(BrM)层均进行滤波,得到相对理想的内界膜(ILM)层边界和布鲁赫膜(BrM)层。
4)将样本图像进行展平;
以布鲁赫膜(BrM)层中纵坐标最大(即位置最低,Y方向值最大)的像素点为基准像素点,对于除基准像素点所在图像列以外的每一图像列,向下平移每个图像列中布鲁赫膜(BrM)层的像素点使得与基准像素点的纵坐标对齐,平移后图像中缺失的像素点补零。
5)以像素为单位,计算内界膜(ILM)层界线到鲁赫膜(BrM)层区间内每个像素所在位置的如下多种特征:
5-1)对每个像素点按照X和Y方向标准差均为3像素进行高斯混合滤波并设每个像素点为待测像素点,获得每个待测像素点所在的图像列中从内界膜(ILM)层界线到待测像素点的所有像素点,计算所有像素点从内界膜(ILM)层界线起高斯一阶纵向梯度的累计和,以累计和作为特征,每个像素点获得一个特征;
5-2)取3*3、4*4和5*5像素大小的矩阵模板,计算每个像素点在三个矩阵模板范围内的平均梯度,以平均梯度作为特征,每个像素点获得一个模板特征,小计三个特征;
5-3)建立32*32像素大小的矩阵模板Ⅰ,矩阵模板Ⅰ的上面1/3行元素值为-1且下面1/3行元素值为-1且中间1/3行元素值为1,对矩阵模板Ⅰ进行归零化处理,归零化处理是使得矩阵模板中的所有元素值之和为零,使用归零化后的矩阵模板Ⅰ遍历每个像素点进行滤波,以滤波后像素点的灰度值作为特征,每个像素点获得一个特征;
5-4)建立32*32像素大小的矩阵模板Ⅱ,矩阵模板Ⅱ的上面1/2行元素值为-1且下面1/2行元素值为1,对矩阵模板Ⅱ进行归零化处理,归零化处理是使得矩阵模板中的所有元素值之和为零,使用归零化后的矩阵模板Ⅱ遍历每个像素点进行滤波,滤波后像素灰度为每个像素点获得一个特征;
5-5)使用sobel算子求解每个像素的X方向梯度和Y方向梯度,进而计算由X方向梯度和Y方向梯度组成的复合梯度向量的梯度模和梯度方向,从而得到每个像素的X方向梯度、Y方向梯度、复合梯度向量的梯度模和梯度方向四个特征;
5-6)使用Laplacian算子求解每个像素的梯度,以梯度作为特征,每个像素点获得一个特征;
5-7)计算每个像素点与其相邻的上方像素点的灰度差值,以灰度差值作为特征,每个像素点获得一个特征;
5-8)计算每个像素点与其相邻的下方像素点的灰度差值,以灰度差值作为特征,每个像素点获得一个特征;
5-9)取3*3、4*4和5*5像素大小的矩阵模板,计算每个像素点和位于其相邻的上方像素点分别在三个矩阵模板范围内的平均灰度,计算两个平均灰度的差值,以平均灰度的差值作为特征,每个像素点获得一个特征作为特征,每个像素点获得一个特征;
5-10)对每个像素点进行gabor滤波,设定波长为10,相位偏移量为0,空间纵横比为0.5,带宽为1,方向分别为:0,45,90,以滤波后像素点的灰度值作为特征,每个像素点获得一个特征。
6)取40幅已分层的眼底OCT图像(作为样本图像),每幅已分层的眼底OCT图像按照从上至下依次分为十条界线:内界膜(ILM)层上界,视网膜神经纤维层(RNFL)-神经节细胞层(GCL)边界,神经节细胞层(GCL)-内丛状层(IPL)边界,内丛状层(IPL)-内核层(INL)边界,内核层(INL)-外丛状层(OPL)边界,外丛状层(OPL)-外核层(ONL)边界,外核层(ONL)-感光细胞层内节(IS)边界,感光细胞层内节(IS)-感光细胞层外节(OS)边界,感光细胞层外节(OS)边界-视网膜色素上皮层(RPE)边界,布鲁赫膜(BrM)层。
将40幅已分层的眼底OCT图像按照步骤2)-5)进行处理获得40幅已分层的眼底OCT图像各自的多种特征;将40幅已分层的眼底OCT图像的所有特征构建成训练集输入决策树系列分类器中训练,训练中用弱分类算法将训练集分为96个训练子集,用96个训练子集分别训练生成96个基决策树分类器,将96个基决策树分类器通过Boosting框架进行训练得到决策树系列分类器的输出,决策树系列分类器的输出为像素点位于各个界线的概率。
7)对于待分层眼底OCT图像(作为待测图像),按照步骤2)~5)进行处理获得待分层眼底OCT图像的多种特征;将多种特征输入至已经完成训练的决策树系列分类器,决策树系列分类器输出待分层眼底OCT图像中每个像素点位于各个界线的概率。
8)根据每个像素点位于各个界线的概率构建连通图,使用图论算法寻找决策树系列分类器输出的最优边界点,其中除了概率本身约束,引入了边界内部相邻像素之间的距离和边界之间的距离约束,其中边界内部相邻像素之间的距离约束为X方向为1像素,Y方向为5像素,界线之间的最小和最大距离分别为1和120像素,由于图论算法计算了最小非负成本解,所以损失函数指定为1减去边界概率,最终确定边界位置。
图2所示的视网膜样本图像的分层结果如图3所示。
如图3所示,获得的各条界线从上到下依次为:从上至下依次为:内界膜(ILM)层上界,视网膜神经纤维层(RNFL)-神经节细胞层(GCL)边界,神经节细胞层(GCL)-内丛状层(IPL)边界,内丛状层(IPL)-内核层(INL)边界,内核层(INL)-外丛状层(OPL)边界,外丛状层(OPL)-外核层(ONL)边界,外核层(ONL)-感光细胞层内节(IS)边界,感光细胞层内节(IS)-感光细胞层外节(OS)边界,感光细胞层外节(OS)边界-视网膜色素上皮层(RPE)边界,布鲁赫膜(BrM)层;
在本实施例中,按照医学标准获得的眼底视网膜分层和本发明算法实施例获得的结果进行比较,两者差异边界/界线取平局偏差和标准差见表1,以像素为单位。
表1视网膜分层结果
层 | 平均误差/像素 | 标准差/像素 |
ILM | 0.62 | 0.17 |
RNFL/GCL | 1.11 | 0.05 |
GCL/IPL | 1.28 | 0.39 |
IPL/INL | 0.92 | 0.24 |
INL/OPL | 1.24 | 0.20 |
OPL/ONL | 0.96 | 0.32 |
ONL/IS | 1.05 | 0.23 |
IS/OS | 1.32 | 0.20 |
BrM | 0.68 | 0.11 |
实验结果表明,本发明对于眼底OCT图像的均有较好的分割效果,体现了多特征融合结合分类的优势,能实现相对准确的眼底视网膜分层。对比现有报道的单一图论、灰度等方案,显著提高了分割精度和稳定性,显示了本发明方法的优势。
综合来说,本发明能够利用普通配置的计算机实现多个层结构的自动分割,对视网膜复杂病症层状结构实现有效的自动探测,采用进行了系列化的分层,对图像原有处理步骤少,检测效率具有一定的优势。
在本发明实施例中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,本领域普通技术人员较易理解和操作,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质包括ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于OCT图像的视网膜分层方法,其特征在于包括以下步骤:
1)采集眼底的OCT图像作为样本图像;
2)将步骤1)的样本图像作灰度归一化处理,将处理后的样本图像进行均值滤波;
3)将步骤2)经过均值滤波的样本图像进行高斯滤波,然后使用sobel算子求取高斯滤波后的样本图像中每个像素点的纵向梯度;设定正负阈值,将纵向梯度和正、负阈值进行比较,将纵向梯度大于正阈值的上边界作为内界膜层上界,将梯度小于负阈值的上边界作为布鲁赫膜层;再使用边界修正方法修正内界膜层上界和布鲁赫膜层;
4)根据步骤3)的结果将样本图像进行展平;
以布鲁赫膜层中纵坐标最大的像素点为基准像素点,对于除基准像素点所在图像列以外的每一图像列,向下平移每个图像列中布鲁赫膜层的像素点使得与基准像素点的纵坐标对齐,平移后图像中缺失的像素点补零;
5)计算样本图像中每个像素所在位置的多种特征;
所述步骤5)中,所述的多种特征为以下特征:
5-1)对每个像素点进行高斯混合滤波并设每个像素点为待测像素点,获得每个待测像素点所在的图像列中从内界膜层界线到待测像素点的所有像素点,计算所有像素从内界膜层界线起的高斯一阶纵向梯度的累计和;
5-2)取三个像素大小不同的矩阵模板Ⅰ、Ⅱ、Ⅲ,计算每个像素点在三个矩阵模板范围内的平均梯度;
5-3)建立矩阵模板Ⅳ,矩阵模板Ⅳ的上面1/3行元素值为-1且下面1/3行元素值为-1且中间1/3行元素值为1,对矩阵模板Ⅰ进行归零化处理,使用归零化后的矩阵模板Ⅳ遍历每个像素点进行滤波;
5-4)建立矩阵模板Ⅴ,矩阵模板Ⅴ的上面1/2行元素值为-1且下面1/2行元素值为1,对矩阵模板Ⅴ进行归零化处理,使用归零化后的矩阵模板Ⅴ遍历每个像素点进行滤波;
5-5)使用sobel算子求解每个像素的X方向梯度和Y方向梯度,进而计算由X方向梯度和Y方向梯度组成的复合梯度向量的梯度模和梯度方向,从而得到每个像素的X方向梯度、Y方向梯度、复合梯度向量的梯度模和梯度方向;
5-6)使用Laplacian算子求解每个像素的梯度;
5-7)计算每个像素点与其相邻的上方像素点的灰度差值;
5-8)计算每个像素点与其相邻的下方像素点的灰度差值;
5-9)取5-2)中的三个矩阵模板Ⅰ、Ⅱ、Ⅲ,计算每个像素点和位于其相邻的上方像素点分别在三个矩阵模板范围内的平均灰度,计算两个平均灰度的差值;
5-10)对每个像素点进行Gabor滤波;
6)获得样本图像的已分层眼底OCT图像,按照步骤2)-5)获得已分层眼底OCT图像的多种特征,将已分层眼底OCT图像的多种特征作为训练集输入训练分类器;
7)将待分层眼底OCT图像作为待测图像,按照步骤2)-5)进行处理获得待测图像的多种特征,将待测图像的多种特征输入至已经完成训练的训练分类器,训练分类器输出待测图像中每个像素点位于视网膜层各个界线的概率;
8)根据每个像素点位于各个界线的概率构建连通图,使用图论算法寻找训练分类器输出的最优边界点,最终确定界线位置。
2.根据权利要求1所述的一种基于OCT图像的视网膜分层方法,其特征在于:所述步骤6)中的已分层的眼底OCT图像按照从上至下依次分为十条界线:内界膜层上界、视网膜神经纤维层-神经节细胞层边界、神经节细胞层-内丛状层边界、内丛状层-内核层边界、内核层-外丛状层边界、外丛状层-外核层边界、外核层-感光细胞层内节边界、感光细胞层内节-感光细胞层外节边界、感光细胞层外节边界-视网膜色素上皮层边界、布鲁赫膜层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811037997.2A CN109325955B (zh) | 2018-09-06 | 2018-09-06 | 一种基于oct图像的视网膜分层方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811037997.2A CN109325955B (zh) | 2018-09-06 | 2018-09-06 | 一种基于oct图像的视网膜分层方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325955A CN109325955A (zh) | 2019-02-12 |
CN109325955B true CN109325955B (zh) | 2021-10-19 |
Family
ID=65263676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811037997.2A Active CN109325955B (zh) | 2018-09-06 | 2018-09-06 | 一种基于oct图像的视网膜分层方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325955B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163838B (zh) * | 2019-04-01 | 2023-04-18 | 江西比格威医疗科技有限公司 | 一种视网膜oct图像分层算法 |
CN112884794B (zh) * | 2019-11-29 | 2022-12-02 | 北京航空航天大学 | 生成图像方法、装置、电子设备和计算机可读介质 |
CN112669378A (zh) * | 2020-12-07 | 2021-04-16 | 山东省科学院海洋仪器仪表研究所 | 一种快速检测海水水下图像角点的方法 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810709A (zh) * | 2014-02-25 | 2014-05-21 | 南京理工大学 | 基于血管的眼底图像与sd-oct投影图像配准方法 |
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 |
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 |
WO2017178059A1 (en) * | 2016-04-14 | 2017-10-19 | Universität Bern | Automatic assessment of time-resolved oct images for selective retina therapy |
-
2018
- 2018-09-06 CN CN201811037997.2A patent/CN109325955B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810709A (zh) * | 2014-02-25 | 2014-05-21 | 南京理工大学 | 基于血管的眼底图像与sd-oct投影图像配准方法 |
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 |
WO2017178059A1 (en) * | 2016-04-14 | 2017-10-19 | Universität Bern | Automatic assessment of time-resolved oct images for selective retina therapy |
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 |
---|---|
CN109325955A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325955B (zh) | 一种基于oct图像的视网膜分层方法 | |
Li et al. | Residual u-net for retinal vessel segmentation | |
CN107369160B (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
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 | |
Li et al. | DeepRetina: layer segmentation of retina in OCT images using deep learning | |
EP2285266B1 (en) | Automatic cup-to-disc ratio measurement system | |
Gao et al. | A deep learning based approach to classification of CT brain images | |
CN104268873B (zh) | 基于核磁共振图像的乳腺肿瘤分割方法 | |
US10878574B2 (en) | 3D quantitative analysis of retinal layers with deep learning | |
WO2017036231A1 (zh) | 从光学相干断层图像获取视网膜结构的方法及其系统 | |
CN108257126B (zh) | 三维视网膜oct图像的血管检测和配准方法、设备及应用 | |
EP3591614A1 (en) | Method and computer program for segmentation of optical coherence tomography images of the retina | |
Cha et al. | High-accuracy retinal layer segmentation for optical coherence tomography using tracking kernels based on Gaussian mixture model | |
CN117058676B (zh) | 一种基于眼底检查影像的血管分割方法、装置和系统 | |
Al-Bander et al. | A novel choroid segmentation method for retinal diagnosis using deep learning | |
CN109410191B (zh) | 基于oct图像的眼底血管定位方法及其贫血筛查方法 | |
Qu et al. | Segmentation of corpus callosum based on tensor fuzzy clustering algorithm | |
CN115393239A (zh) | 一种多模态眼底图像配准和融合方法及系统 | |
Pelapur et al. | Multi-focus image fusion using epifluorescence microscopy for robust vascular segmentation | |
CN110378333B (zh) | 一种sd-oct图像黄斑中央凹中心定位方法 | |
CN109919098B (zh) | 目标对象的识别方法和装置 | |
CN114612484B (zh) | 基于无监督学习的视网膜oct图像分割方法 | |
CN116407080A (zh) | 近视患者眼底结构的演变识别及3d可视化系统和方法 | |
Ghorui et al. | Deployment of CNN on colour fundus images for the automatic detection of glaucoma | |
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 |