CN110060258A - 基于高斯混合模型聚类的视网膜水肿sd-oct图像分割方法和系统 - Google Patents
基于高斯混合模型聚类的视网膜水肿sd-oct图像分割方法和系统 Download PDFInfo
- Publication number
- CN110060258A CN110060258A CN201910238491.6A CN201910238491A CN110060258A CN 110060258 A CN110060258 A CN 110060258A CN 201910238491 A CN201910238491 A CN 201910238491A CN 110060258 A CN110060258 A CN 110060258A
- Authority
- CN
- China
- Prior art keywords
- target area
- retina
- segmentation
- pixel
- distance
- 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
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于高斯混合模型聚类的视网膜水肿SD‑OCT图像分割方法和系统,能够实现对低质量OCT图像进行自动分割,取得了良好的分割效果。该方法包括以下步骤:获取待分割的视网膜SD‑OCT图像;对待分割的视网膜SD‑OCT图像进行层分割,得到内界膜和视网膜内边界的位置坐标;采用高斯混合模型聚类方法待分割的视网膜SD‑OCT图像进行粗分割,得到粗略分割图;利用距离阈值从粗分割得到的粗略分割图中筛选出目标区域;利用厚度信息去除目标区域中伪影区域,并优化目标区域的边界。
Description
技术领域
本公开涉及自动定位检测及分割技术领域,具体为基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割方法和系统。
背景技术
光学相干层析成像(OCT)是近年来发展迅速的成像技术之一,尤其是光谱域光学相干层析成像(SD-OCT)。视网膜水肿的大小已成为引导治疗的主要因素,特别是根据有限的光谱域光学相干断层扫描(SD-OCT)切片的主观估计,这可能导致治疗的效果不一致。此外,人工分割是耗时的。因此,视网膜SD-OCT图像的准确分割仍是待解决的技术问题。
现有的分割方法大致分为半自动或全自动、有监督或无监督的方法实现视网膜SD-OCT图像的分割。发明人在研发过程中发现,这些方法需要人工干预,而且这些方法都是基于高质量的OCT图像的,深度学习的方法需要大量的人工标记,而且对硬件设备的性能要求较高,无法实现对低质量OCT图像进行自动分割。
发明内容
为了克服上述现有技术的不足,本公开提供了基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割方法和系统,能够实现对低质量SD-OCT图像进行自动分割,取得了良好的分割效果。
本公开所采用的技术方案是:
基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割方法,该方法包括以下步骤:
获取待分割的视网膜SD-OCT图像;
对待分割的视网膜SD-OCT图像进行层分割,得到内界膜和视网膜内边界的位置坐标;
采用高斯混合模型聚类方法对待分割的视网膜SD-OCT图像进行粗分割,并利用层分割的结果对此粗分割后的图像进行区域限制,得到粗略分割图;
利用距离阈值从粗分割得到的粗略分割图中筛选出目标区域;
利用厚度信息去除目标区域中伪影区域,并优化目标区域的边界。
作为本公开的进一步技术方案,所述利用距离阈值从粗分割得到的粗略分割图中筛选出目标区域的步骤包括:
计算粗略分割图中每个像素点到视网膜内边界的距离;
统计粗略分割图中每个像素点到视网膜内边界的距离的概率分布图;
结合视网膜外核层的成像特点和得到的距离概率分布图,分析得出的每个像素点到视网膜内边界的距离的概率在距离0~100像素点之间的峰值;
将所有峰值进行高斯函数拟合,得到高斯函数的均值;
以高斯函数的均值为基准,将高斯函数的起点到均值部分的曲线进行翻转,得到新曲线的零点,将该零点作为距离阈值;
将粗略分割图中像素点到视网膜内边界的距离小于该距离阈值的像素点剔除,得到目标区域。
作为本公开的进一步技术方案,所述利用厚度信息去除目标区域中伪影区域的步骤包括:
计算每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t,以及目标区域中每个像素点到视网膜内边界的距离d及其中值m、均值a;
将目标区域中每个像素点到视网膜内边界的距离的均值a与每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t相比,得到比值r;
比较比值r与4的大小,以及均值a与中值m的大小;
当r<4且a<m时,该像素点被剔除,得到去除伪影区域后的目标区域。
作为本公开的进一步技术方案,所述优化目标区域的边界的步骤包括:
定义能量函数;所述能量函数为:
其中,μ是大于零的固定常量,λ1和λ2是大于零的常量;N(x,y)表示以(x,y) 为中心的局部邻域,d(x,y),(i,j)是像素点(i,j)到窗口中心(x,y)的距离;
基于去除伪影区域后的目标区域图像I(x,y),利用梯度下降法求解能量函数,得到目标区域c1和非目标区域c2。
作为本公开的进一步技术方案,还包括:
将img格式的待分割的视网膜SD-OCT图像转换成转换为128张bmp格式的视网膜图像,并利用双边滤波器对bmp格式的视网膜图像进行去噪处理;
根据空间邻域信息对于第3~126张bmp格式的每一帧视网膜图像进行搜索,得到潜在目标区域。
基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割系统,该系统包括:
图像获取模块,用于获取待分割的视网膜SD-OCT图像;
预处理模块,用于对待分割的视网膜SD-OCT图像进行层分割,得到内界膜和视网膜内边界的位置坐标;
粗分割模块,用于采用高斯混合模型聚类方法对待分割的视网膜SD-OCT 图像进行粗分割,并利用层分割的结果对粗分割后的图像进行区域限制,得到粗略分割图;
目标区域筛选模块,用于利用距离阈值从粗分割得到的粗略分割图中筛选出目标区域;
伪影区域去除模块,用于利用厚度信息去除目标区域中伪影区域;
边界优化模块,用于优化目标区域的边界。
作为本公开的进一步技术方案,所述目标区域筛选模块具体用于:
计算粗略分割图中每个像素点到视网膜内边界的距离;
统计粗略分割图中每个像素点到视网膜内边界的距离的概率分布图;
结合视网膜外核层的成像特点和得到的距离概率分布图,分析得出的每个像素点到视网膜内边界的距离的概率在距离0~100像素点之间的峰值;
将所有峰值进行高斯函数拟合,得到高斯函数的均值;
以高斯函数的均值为基准,将高斯函数的起点到均值部分的曲线进行翻转,得到新曲线的零点,将该零点作为距离阈值;
当粗略分割图中像素点到视网膜内边界的距离小于该距离阈值时,像素点被剔除,得到目标区域。
作为本公开的进一步技术方案,所述伪影区域去除模块具体用于:
计算每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t,以及目标区域中每个像素点到视网膜内边界的距离d及其中值m、均值a;
将目标区域中每个像素点到视网膜内边界的距离的均值a与每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t相比,得到比值r;
比较比值r与4的大小,以及均值a与中值m的大小;
当r<4且a<m时,像素点被剔除,得到去除伪影区域后的目标区域。
作为本公开的进一步技术方案,所述边界优化模块具体用于:
定义能量函数;所述能量函数为:
其中,μ是大于零的固定常量,λ1和λ2是大于零的常量;N(x,y)表示以(x,y) 为中心的局部邻域,d(x,y),(i,j)是像素点(i,j)到窗口中心(x,y)的距离;
基于去除伪影区域后的目标区域图像I(x,y),利用梯度下降法求解能量函数,得到目标区域c1和非目标区域c2。
作为本公开的进一步技术方案,还包括潜在区域搜索模块,所述潜在区域搜索模块用于:
根据空间邻域信息对于第3~126张bmp格式的每一帧视网膜图像进行搜索,得到潜在目标区域。
通过上述技术方案,本公开的有益效果是:
本公开能够在质量较差的视网膜水肿SD-OCT图像上得到较好的分割效果,利用高斯混合模型聚类对每帧B-scan图像进行初分割,利用位置和厚度信息对初分割结果进行优化,得到精确的目标区域,不需要大量的人工标签,取得较好的分割效果。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本申请,并不构成对本公开的不当限定。
图1是根据一种或多种实施方式的基于高斯混合模型聚类的视网膜水肿 SD-OCT图像分割方法流程图;
图2是根据一种或多种实施方式的视网膜层分割图像示意图;
图3是根据一种或多种实施方式的厚度信息示意图;
图4是根据一种或多种实施方式的间域信息示意图;
图5是根据一种或多种实施方式的粗分割结果示意图;
图6是根据一种或多种实施方式的距离概率分布图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
名词解释:
(1)SD-OCT,光谱域光学相干层析成像。
(2)OCTexplorer,一个可下载的3D OCT层次分割软件。
一种或多种实施例提供一种基于高斯混合模型聚类的视网膜水肿SD-OCT 图像分割方法,利用高斯混合模型聚类对每帧图像进行初始分割,利用位置阈值和厚度信息对初始分割结果进行优化。
请参阅附图1,所述基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割方法包括以下步骤:
S101,获取待分割的视网膜SD-OCT图像,并转换其格式。
具体地,所述步骤101,获取待分割的视网膜SD-OCT图像,该待分割的视网膜SD-OCT图像的格式为img格式,将img格式的待分割的视网膜SD-OCT 图像转换成转换为128张bmp格式的视网膜图像,并利用双边滤波器对bmp格式的视网膜图像进行去噪处理。
S102,对待分割的视网膜SD-OCT图像进行预处理。
具体地,所述步骤102中,采用OCTexplorer软件对img格式的待分割的视网膜SD-OCT图像进行层分割,得到内界膜(ILM)和视网膜内边界(IB-RPE) 两层边界的位置坐标,以此作为区域约束和距离计算的前期准备。本实施例对视网膜SD-OCT图像进行层分割结构如图2所示。
本实施例对视网膜图像进行层分割,限制位于内界膜(ILM)和视网膜内边界(IB-RPE)之间的分割目标的区域,即视网膜水肿区域。
S103,对待分割的视网膜SD-OCT图像进行粗分割。
在本实施例中,所述步骤103中,采用高斯混合模型聚类方法对每帧视网膜图像进行粗分割,得到粗略的水肿分割图,包括所要分割的视网膜水肿区域和灰度与视网膜水肿类似的区域。请参阅附图5,图5中(a)表示原图像,图 5中(b)是原图所对应的灰度概率分布图,图5中(c)表示经过高斯混合模型聚类方法得到的粗略的水肿分割图,此粗略的分割结果包含所要分割的视网膜水肿区域和灰度与水肿类似的区域。
本实施例得到的粗分割结果后采用层分割得到内界膜和视网膜内边界进行区域限制,即将目标区域限制在内界膜ILM和视网膜内边界IB-RPE之间。
S104,利用距离阈值从粗分割结果中筛选出目标区域。
具体地,所述步骤104,利用距离阈值从粗分割结果中筛选出目标区域,其具体实现方式如下:
S104-1,设置距离阈值。
具体地,所述步骤104-1中,设置距离阈值,其具体实现方式如下:
(1)计算粗分割结果中每个像素点到视网膜内边界的距离。
具体地,对于粗略分割得到的粗略的水肿分割图,计算该图中每个像素点到视网膜内边界位置垂直距离。对于任一像素点(x,y)到视网膜内边界的位置距离公式如下所示:
d(x,y)=|x-ibrpe(y)|
其中,ibrpe表示视网膜内边界层位置坐标的矩阵,因为每帧SD-OCT的 B-scan大小为1024*512,对于每张OCT图像都有一个ibrpe矩阵,其大小为1*512,对于点(x,y)所对应的视网膜内边界层上点的横坐标ibrpe(y)。
(2)统计粗分割结果中每个像素点到视网膜内边界的距离的概率图。
具体地,计算粗分割结果中每个像素点到视网膜内边界的距离的概率P,其表达式为:
其中,i为像素点到视网膜边界的距离,n为距离为i的像素点的个数,N 代表目标区域中所有像素点。
基于所有像素点到视网膜内边界的距离的概率,绘制概率分布图,如图6 中(b)所示。
(3)分析每个像素点到视网膜内边界的距离的概率在距离0~100像素点之间的一个较明显的峰值。
视网膜外核层由圆锥细胞核和杆状细胞核组成。由于核内液体含量较高,反应在图像中的信号较低即灰度较低,因此易被误分为水肿区域。因此,本实施例结合视网膜外核层在OCT中的成像特点和步骤(2)得到的距离概率分布图,分析得出的每个像素点到视网膜内边界的距离的概率在距离0~100像素点之间一个较明显的峰值。
(4)将所有峰值进行高斯函数拟合,得到高斯函数的均值。
将每个峰值对应的概率作为高斯函数值,并且利用MATLAB软件进行高斯函数拟合,从而得出高斯函数的均值。
(5)以高斯函数的均值为基准,将高斯函数的起点到均值部分的曲线进行翻转,得到新曲线的零点,将该零点作为距离阈值。
S104-2,利用距离阈值进行目标区域的筛选。
具体地,当粗分割结果中像素点到内界膜层的距离小于此距离阈值时,该像素点被剔除。
S105,利用厚度信息去除目标区域中伪影区域。
请参阅附图3,所述步骤105,利用厚度信息去除目标区域中伪影区域,其具体实现方式如下:
S105-1,计算每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度 t,以及目标区域中每个像素点到视网膜内边界的距离d及其中值m、均值a。
S105-2,将目标区域中每个像素点到视网膜内边界的距离的均值a与每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t相比,得到比值r。
S105-3,比较比值r与4的大小,以及每个像素点到视网膜内边界的距离的均值a与每个像素点到视网膜内边界的距离的中值m的大小。
通过数据分析得到的,当比值r设为4时达到最好的分割效果。
S105-4,当r<4且a<m时,该像素点被剔除。
S106,优化目标区域的边界。
在本实施例中,基于局部相似因子的区域活动轮廓模型对目标区域的边界进行优化,即通过活动轮廓模型将步骤105得到的区域图像I(x,y)分为目标区域c1和非目标区域c2,得到更精确的目标区域。
具体地,所述步骤106中,利用活动轮廓模型对目标区域的边界进行优化,其具体实现方式如下:
定义能量函数,所述能量函数为:
其中,μ是大于零的固定常量,λ1和λ2是大于零的常量,控制着内部能量项in(C)即目标区域和外部能量项out(C)即非目标区域的贡献;N(x,y)表示以(x,y) 为中心的局部邻域,在本实施例中这个局部邻域为一个5×5的局部窗口,d(x,y),(i,j)是像素点(i,j)到窗口中心(x,y)的距离;Φ(x,y)为水平集函数,表示活动轮廓曲线C。
其中,Z是一个符号,既可以是数也可以是一个数学表达式;ε是个阶跃函数,当z>0时ε是1,当z<0时ε是0;R是实数集。
基于步骤105得到的分割结果,利用梯度下降法求解能量函数,得到目标区域c1和非目标区域c2,其求解过程如下:
其中,I(x,y)为步骤105得到的区域图像;Φ(x,y)为水平集函数,表示活动轮廓曲线C。
S107,利用空间邻域信息搜索潜在的目标区域。
对于第3~126张bmp格式的每一帧图像根据空间邻域信息进行搜索。假设待搜索图像序列号为n,则计算以n为中心的前后5帧图像的空间关系,空间关系表达式为:
nmask=mask(n-2)+3×mask(n-1)+5×mask(n)+3×mask(n+1)+mask(n+2)
其中,mask(i)代表第i帧图像大小相同的矩阵,对于mask(i)上的点,若该点属于水肿目标,则该位置上的mask值则为1,否则为0。
根据相邻5帧图像的加权值,得到nmask,对于nmask矩阵,元素值若小于7则被置为0。
本实施例可以搜索出之前未搜索出的潜在目标区域,如附图4所示。
一种或多种实施例还提供一种基于高斯混合模型聚类的视网膜水肿 SD-OCT图像分割系统,该系统包括:
图像获取模块,用于获取待分割的视网膜SD-OCT图像;
预处理模块,用于对待分割的视网膜SD-OCT图像进行层分割,得到内界膜和视网膜内边界的位置坐标;
粗分割模块,用于采用高斯混合模型聚类方法对待分割的视网膜SD-OCT 图像进行粗分割,并利用层分割的结果对此粗分割结果进行区域限制,即区域限制在内界膜和视网膜内边界之间,得到粗略分割图;
目标区域筛选模块,用于利用距离阈值从粗分割得到的粗略分割图中筛选出目标区域;
伪影区域去除模块,用于利用厚度信息去除目标区域中伪影区域;
边界优化模块,用于优化目标区域的边界。
在本实施例中,所述目标区域筛选模块具体用于:
计算粗略分割图中每个像素点到视网膜内边界的距离;
统计粗略分割图中每个像素点到视网膜内边界的距离的概率分布图;
结合视网膜外核层的成像特点和得到的距离概率分布图,分析得出的每个像素点到视网膜内边界的距离的概率在距离0~100像素点之间的峰值;
将所有峰值进行高斯函数拟合,得到高斯函数的均值;
以高斯函数的均值为基准,将高斯函数的起点到均值部分的曲线进行翻转,得到新曲线的零点,将该零点作为距离阈值;
当粗略分割图中像素点到视网膜内边界的距离小于该距离阈值时,像素点被剔除,得到目标区域。
在本实施例中,所述伪影区域去除模块具体用于:
计算每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t,以及目标区域中每个像素点到视网膜内边界的距离d及其中值m、均值a;
将目标区域中每个像素点到视网膜内边界的距离的均值a与每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t相比,得到比值r;
比较比值r与4的大小,以及均值a与中值m的大小;
当r<4且a<m时,像素点被剔除,得到去除伪影区域后的目标区域。
在本实施例中,所述边界优化模块具体用于:
定义能量函数;所述能量函数为:
其中,μ是大于零的固定常量,λ1和λ2是大于零的常量;N(x,y)表示以(x,y) 为中心的局部邻域,d(x,y),(i,j)是像素点(i,j)到窗口中心(x,y)的距离;
基于去除伪影区域后的目标区域图像I(x,y),利用梯度下降法求解能量函数,得到目标区域c1和非目标区域c2。
在本实施例中,还包括潜在区域搜索模块,所述潜在区域搜索模块用于:
根据空间邻域信息对于第3~126张bmp格式的每一帧视网膜图像进行搜索,得到潜在目标区域。
本实施例提出的基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割系统,能够在质量较差的视网膜水肿SD-OCT图像上得到较好的分割效果,粗分割模块利用高斯混合模型聚类对每帧B-scan图像进行初分割,利用伪影区域去除模块和边界优化模块对初分割结果进行优化,得到精确的目标区域,不需要大量的人工标签,取得较好的分割效果。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割方法,其特征是,包括以下步骤:
获取待分割的视网膜SD-OCT图像;
对待分割的视网膜SD-OCT图像进行层分割,得到内界膜和视网膜内边界的位置坐标;
采用高斯混合模型聚类方法对待分割的视网膜SD-OCT图像进行粗分割,并利用层分割的结果对粗分割后的图像进行区域限制,得到粗略分割图;
利用距离阈值从粗分割得到的粗略分割图中筛选出目标区域;
利用厚度信息去除目标区域中伪影区域,并优化目标区域的边界。
2.根据权利要求1所述的基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割方法,其特征是,所述利用距离阈值从粗分割得到的粗略分割图中筛选出目标区域的步骤包括:
计算粗略分割图中每个像素点到视网膜内边界的距离;
统计粗略分割图中每个像素点到视网膜内边界的距离的概率分布图;
结合视网膜外核层的成像特点和得到的距离概率分布图,分析得出的每个像素点到视网膜内边界的距离的概率在距离0~100像素点之间的峰值;
将所有峰值进行高斯函数拟合,得到高斯函数的均值;
以高斯函数的均值为基准,将高斯函数的起点到均值部分的曲线进行翻转,得到新曲线的零点,将该零点作为距离阈值;
将粗略分割图中像素点到视网膜内边界的距离小于该距离阈值的像素点剔除,得到目标区域。
3.根据权利要求1所述的基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割方法,其特征是,所述利用厚度信息去除目标区域中伪影区域的步骤包括:
计算每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t,以及目标区域中每个像素点到视网膜内边界的距离d及其中值m、均值a;
将目标区域中每个像素点到视网膜内边界的距离的均值a与每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t相比,得到比值r;
比较比值r与4的大小,以及均值a与中值m的大小;
当r<4且a<m时,该像素点被剔除,得到去除伪影区域后的目标区域。
4.根据权利要求1所述的基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割方法,其特征是,所述优化目标区域的边界的步骤包括:
定义能量函数;所述能量函数为:
其中,μ是大于零的固定常量,λ1和λ2是大于零的常量;N(x,y)表示以(x,y)为中心的局部邻域,d(x,y),(i,j)是像素点(i,j)到窗口中心(x,y)的距离;
基于去除伪影区域后的目标区域图像I(x,y),利用梯度下降法求解能量函数,得到目标区域c1和非目标区域c2。
5.根据权利要求1所述的基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割方法,其特征是,还包括:
将img格式的待分割的视网膜SD-OCT图像转换成转换为128张bmp格式的视网膜图像,并利用双边滤波器对bmp格式的视网膜图像进行去噪处理;
根据空间邻域信息对于第3~126张bmp格式的每一帧视网膜图像进行搜索,得到潜在目标区域。
6.一种基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割系统,其特征是,包括:
图像获取模块,用于获取待分割的视网膜SD-OCT图像;
预处理模块,用于对待分割的视网膜SD-OCT图像进行层分割,得到内界膜和视网膜内边界的位置坐标;
粗分割模块,用于采用高斯混合模型聚类方法对待分割的视网膜SD-OCT图像进行粗分割,并利用层分割的结果对粗分割后的图像进行区域限制,得到粗略分割图;
目标区域筛选模块,用于利用距离阈值从粗分割得到的粗略分割图中筛选出目标区域;
伪影区域去除模块,用于利用厚度信息去除目标区域中伪影区域;
边界优化模块,用于优化目标区域的边界。
7.根据权利要求6所述的基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割系统,其特征是,所述目标区域筛选模块具体用于:
计算粗略分割图中每个像素点到视网膜内边界的距离;
统计粗略分割图中每个像素点到视网膜内边界的距离的概率分布图;
结合视网膜外核层的成像特点和得到的距离概率分布图,分析得出的每个像素点到视网膜内边界的距离的概率在距离0~100像素点之间的峰值;
将所有峰值进行高斯函数拟合,得到高斯函数的均值;
以高斯函数的均值为基准,将高斯函数的起点到均值部分的曲线进行翻转,得到新曲线的零点,将该零点作为距离阈值;
当粗略分割图中像素点到视网膜内边界的距离小于该距离阈值时,像素点被剔除,得到目标区域。
8.根据权利要求6所述的基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割系统,其特征是,所述伪影区域去除模块具体用于:
计算每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t,以及目标区域中每个像素点到视网膜内边界的距离d及其中值m、均值a;
将目标区域中每个像素点到视网膜内边界的距离的均值a与每个目标区域所对应的内界膜和视网膜内边界之间的最小厚度t相比,得到比值r;
比较比值r与4的大小,以及均值a与中值m的大小;
当r<4且a<m时,像素点被剔除,得到去除伪影区域后的目标区域。
9.根据权利要求6所述的基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割系统,其特征是,所述边界优化模块具体用于:
定义能量函数;所述能量函数为:
其中,μ是大于零的固定常量,λ1和λ2是大于零的常量;N(x,y)表示以(x,y)为中心的局部邻域,d(x,y),(i,j)是像素点(i,j)到窗口中心(x,y)的距离;
基于去除伪影区域后的目标区域图像I(x,y),利用梯度下降法求解能量函数,得到目标区域c1和非目标区域c2。
10.根据权利要求6所述的基于高斯混合模型聚类的视网膜水肿SD-OCT图像分割系统,其特征是,还包括潜在区域搜索模块,所述潜在区域搜索模块用于:
根据空间邻域信息对于第3~126张bmp格式的每一帧视网膜图像进行搜索,得到潜在目标区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238491.6A CN110060258B (zh) | 2019-03-27 | 2019-03-27 | 基于高斯混合模型聚类的视网膜sd-oct图像分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238491.6A CN110060258B (zh) | 2019-03-27 | 2019-03-27 | 基于高斯混合模型聚类的视网膜sd-oct图像分割方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110060258A true CN110060258A (zh) | 2019-07-26 |
CN110060258B CN110060258B (zh) | 2021-05-04 |
Family
ID=67317440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910238491.6A Expired - Fee Related CN110060258B (zh) | 2019-03-27 | 2019-03-27 | 基于高斯混合模型聚类的视网膜sd-oct图像分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060258B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436099A (zh) * | 2021-06-25 | 2021-09-24 | 天津大学 | 血管内光学相干层析成像两级导管伪影去除方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778666A (zh) * | 2015-04-14 | 2015-07-15 | 哈尔滨工程大学 | 一种基于谱聚类和混合模型聚类的图像分割方法 |
CN104809480A (zh) * | 2015-05-21 | 2015-07-29 | 中南大学 | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 |
CN104835148A (zh) * | 2015-04-16 | 2015-08-12 | 苏州大学 | 一种视网膜囊状水肿的自动分割方法 |
CN106934761A (zh) * | 2017-02-15 | 2017-07-07 | 苏州大学 | 一种三维非刚性光学相干断层扫描图像的配准方法 |
CN107203758A (zh) * | 2017-06-06 | 2017-09-26 | 哈尔滨理工大学 | 糖尿病人视网膜血管图像分割方法 |
US20180182082A1 (en) * | 2016-12-23 | 2018-06-28 | Oregon Health & Science University | Systems and methods for reflectance-based projection-resolved optical coherence tomography angiography |
WO2018200840A1 (en) * | 2017-04-27 | 2018-11-01 | Retinopathy Answer Limited | System and method for automated funduscopic image analysis |
WO2019051359A1 (en) * | 2017-09-08 | 2019-03-14 | The General Hospital Corporation | SYSTEM AND METHOD FOR AUTOMATICALLY LABELING AND ANNOUNTING NON-STRUCTURED MEDICAL DATA SETS |
CN109472781A (zh) * | 2018-10-29 | 2019-03-15 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测系统 |
-
2019
- 2019-03-27 CN CN201910238491.6A patent/CN110060258B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778666A (zh) * | 2015-04-14 | 2015-07-15 | 哈尔滨工程大学 | 一种基于谱聚类和混合模型聚类的图像分割方法 |
CN104835148A (zh) * | 2015-04-16 | 2015-08-12 | 苏州大学 | 一种视网膜囊状水肿的自动分割方法 |
CN104809480A (zh) * | 2015-05-21 | 2015-07-29 | 中南大学 | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 |
US20180182082A1 (en) * | 2016-12-23 | 2018-06-28 | Oregon Health & Science University | Systems and methods for reflectance-based projection-resolved optical coherence tomography angiography |
CN106934761A (zh) * | 2017-02-15 | 2017-07-07 | 苏州大学 | 一种三维非刚性光学相干断层扫描图像的配准方法 |
WO2018200840A1 (en) * | 2017-04-27 | 2018-11-01 | Retinopathy Answer Limited | System and method for automated funduscopic image analysis |
CN107203758A (zh) * | 2017-06-06 | 2017-09-26 | 哈尔滨理工大学 | 糖尿病人视网膜血管图像分割方法 |
WO2019051359A1 (en) * | 2017-09-08 | 2019-03-14 | The General Hospital Corporation | SYSTEM AND METHOD FOR AUTOMATICALLY LABELING AND ANNOUNTING NON-STRUCTURED MEDICAL DATA SETS |
CN109472781A (zh) * | 2018-10-29 | 2019-03-15 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测系统 |
Non-Patent Citations (6)
Title |
---|
LI ZHANG 等: "Automated segmentation of intraretinal cystoid macular edema for retinal 3D OCT images with macular hole", 《2015 IEEE 12TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI)》 * |
SIJIE NIU 等: "Robust noise region-based active contour model via local similarity factor for image segmentation", 《PATTERN RECOGNITION》 * |
YEONG-MUN CHA 等: "High-Accuracy Retinal Layer Segmentation for Optical Coherence Tomography Using Tracking Kernels Based on Gaussian Mixture Model", 《IEEE JOURNAL OF SELECTED TOPICS IN QUANTUM ELECTRONICS》 * |
唐宇珠 等: "基于多分辨率三维图割的NRD分割", 《计算机辅助设计与图形学学报》 * |
唐英干 等: "基于高斯混合模型的多分辨率图像分割", 《第十二届全国图象图形学学术会议论文集》 * |
罗汉源: "基于灰度投票和高斯混合模型的眼底视网膜血管图像深度分割", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436099A (zh) * | 2021-06-25 | 2021-09-24 | 天津大学 | 血管内光学相干层析成像两级导管伪影去除方法 |
CN113436099B (zh) * | 2021-06-25 | 2022-03-22 | 天津大学 | 血管内光学相干层析成像两级导管伪影去除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110060258B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
CN103632361B (zh) | 一种图像分割方法和系统 | |
CN101794434B (zh) | 图像处理装置及图像处理方法 | |
CN109325942A (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
CN109685831B (zh) | 基于残差分层注意力和相关性滤波器的目标跟踪方法及系统 | |
CN110363719A (zh) | 一种细胞分层图像处理方法及系统 | |
CN109087327A (zh) | 一种级联全卷积神经网络的甲状腺结节超声图像分割方法 | |
CN109767440A (zh) | 一种面向深度学习模型训练和学习的影像图像数据扩充方法 | |
CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN110503630A (zh) | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 | |
CN110472616A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN102034247B (zh) | 一种基于背景建模对双目视觉图像的运动捕捉方法 | |
CN109389062B (zh) | 利用高分辨率星载sar图像提取湖泊水陆分割线的方法 | |
CN110288582A (zh) | 一种细胞核的准确分割方法 | |
CN109377480A (zh) | 基于深度学习的耕地变化检测方法 | |
CN110415255A (zh) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 | |
CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
CN109902682A (zh) | 一种基于残差卷积神经网络的乳腺x线图像检测方法 | |
CN108648256A (zh) | 一种基于超维的灰度岩心三维重建方法 | |
CN112417233A (zh) | 一种顾及空间密度差异的热力图生成方法及系统 | |
CN110349170A (zh) | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 | |
CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 | |
Cao et al. | An efficient lens structures segmentation method on as-oct images | |
CN116403121A (zh) | 水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备 | |
CN110060258A (zh) | 基于高斯混合模型聚类的视网膜水肿sd-oct图像分割方法和系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210504 |