CN110390667A - 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 - Google Patents

基于眼底oct影像的病灶提取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110390667A
CN110390667A CN201910524302.1A CN201910524302A CN110390667A CN 110390667 A CN110390667 A CN 110390667A CN 201910524302 A CN201910524302 A CN 201910524302A CN 110390667 A CN110390667 A CN 110390667A
Authority
CN
China
Prior art keywords
curve
lesion
eyeground
function
target
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
CN201910524302.1A
Other languages
English (en)
Other versions
CN110390667B (zh
Inventor
王俊
高鹏
吕彬
谢国彤
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910524302.1A priority Critical patent/CN110390667B/zh
Priority to PCT/CN2019/102545 priority patent/WO2020252900A1/zh
Publication of CN110390667A publication Critical patent/CN110390667A/zh
Application granted granted Critical
Publication of CN110390667B publication Critical patent/CN110390667B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，公开了基于眼底OCT影像的病灶提取方法、装置、设备及存储介质，用于对眼底OCT影像的病灶区域进行分割处理，避免了病灶区域凹槽填补不全和假阳性的问题。本发明方法包括：获取原始眼底光学相干断层扫描技术OCT影像；对原始眼底OCT影像进行分割预处理，得到预处理的眼底OCT图像；在预处理的眼底OCT图像中生成一个初始闭合曲线，初始闭合曲线的内部包括目标眼底病灶；通过预置的形态学蛇形曲线演化算法确定初始闭合曲线的初始曲线函数；根据初始曲线函数对初始闭合曲线进行演化，得到目标闭合曲线，目标闭合曲线的目标曲线函数表示目标眼底病灶的轮廓；对目标闭合曲线的内部进行凹槽填充，得到目标眼底病灶的病灶图像。

Description

基于眼底OCT影像的病灶提取方法、装置、设备及存储介质
技术领域
本发明涉及区域提取领域，尤其涉及基于眼底OCT影像的病灶提取方法、装置、设备及存储介质。
背景技术
随着人工智能的快速发展，人工智能的应用领域也越来越多，人工智能在医疗领域也得到了广泛应用。人工智能在医疗领域的应用经常面临医疗影像数据少，各类医疗影像数据不均衡的问题。
由于光学相干断层扫描技术(optical coherence tomography，OCT)具有无创性、成像安全快速等特点，在临床上被广泛用于眼科疾病的诊断。但因为OCT影像成像条件和缺乏颜色特征信息等因素的限制，导致大量噪声的存在，使得目前多数对OCT影像的眼底病灶分割方法无法获得理想结果。
现有方案中，即使在分割算法优化基础上，仍然存在部分难以准确分割识别出完整形态的病灶，影像中部分病灶的渐变边界导致分割出的病灶区域多数存在不规则孔洞或者凹槽，此时通常采用形态学闭合运算或Convex Hull凸包等方法进行后处理，而这些技术手段都会带来明显的假阳性或者对病灶凹槽填补不全的问题，无法有效获得预期的准确病变区域，此类缺陷对医生的临床诊断带来了困难和歧义性。
发明内容
本发明提供了基于眼底OCT影像的病灶提取方法、装置、设备及存储介质，用于对眼底OCT影像的病灶区域进行分割处理，得到更准确的眼底OCT影像的病灶区域信息，避免了病灶区域凹槽填补不全和假阳性的问题，提高了处理效率。
本发明实施例的第一方面提供一种基于眼底OCT影像的病灶提取方法，包括：获取原始眼底光学相干断层扫描技术OCT影像；对所述原始眼底OCT影像进行分割预处理，得到预处理的眼底OCT图像；在所述预处理的眼底OCT图像中生成一个初始闭合曲线，所述初始闭合曲线的内部包括目标眼底病灶；通过预置的形态学蛇形曲线演化算法确定所述初始闭合曲线的初始曲线函数；根据所述初始曲线函数对所述初始闭合曲线进行演化，得到目标闭合曲线，所述目标闭合曲线的目标曲线函数表示所述目标眼底病灶的轮廓；对所述目标闭合曲线的内部进行凹槽填充，得到所述目标眼底病灶的病灶图像。
可选的，在本发明实施例第一方面的第一种实现方式中，所述根据所述初始曲线函数对所述初始闭合曲线进行演化，得到目标闭合曲线，所述目标闭合曲线的目标曲线函数表示所述目标眼底病灶的轮廓，包括：根据所述初始曲线函数构建能量函数，所述能量函数包括内能量项和外能量项，所述内能量项用于使得目标闭合曲线不断向内部紧缩且保持平滑，所述外能量项用于保证目标闭合曲线紧缩到目标眼底病灶边缘时停止；根据所述能量方程计算出边缘停止函数，所述边缘停止函数用于表示初始闭合曲线的受力情况；根据所述边缘停止函数对所述初始闭合曲线进行变形；当所述边缘停止函数为零时，生成目标闭合曲线。
可选的，在本发明实施例第一方面的第二种实现方式中，所述根据所述初始曲线函数构建能量函数，所述能量函数包括内能量项和外能量项，包括：获取所述初始曲线函数上的控制点v；确定所述控制点的弹性能量项和弯曲能量项，所述弹性能量项为所述v的一阶导数的模，所述弯曲能量项为所述v的二阶导数的模；确定所述控制点的外能量项，所述外部能量项为所述控制点所在位置的图像局部特征；根据所述弹性能量项、所述弯曲能量项和所述外能量项构建能量函数，能量函数的表达式为：
其中，v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)和y(s)分别表示每个控制点在图像中的坐标位置，s是以傅里叶变换形式描述边界的自变量，v表示初始曲线函数上的控制点，α、β为常数。
可选的，在本发明实施例第一方面的第三种实现方式中，所述确定所述控制点的外能量项，所述外部能量项为所述控制点所在位置的图像局部特征，包括：将所述控制点的梯度算子作为所述图像局部特征；根据所述梯度算子确定所述外部能量项的表达式：▽I(v)为所述梯度算子。
可选的，在本发明实施例第一方面的第四种实现方式中，所述通过预置的形态学蛇形曲线演化算法确定所述初始闭合曲线的初始曲线函数，包括：生成初始化水平集函数u(x,y)，所述初始化水平集函数的表达式如下：其中，d[(x,y),C]是点(x,y)到曲线C的最短有向距离；根据所述初始化水平集函数生成初始闭合曲线方程：其中，u为目标水平集函数，为梯度算子，div为散度算子，v为常数，g(I)为边缘停止函数；根据所述初始闭合曲线方程计算得到所述预置的形态学蛇形曲线演化算法的零水平集函数判断所述零水平集函数是否收敛；若所述零水平集函数收敛，则确定所述零水平集函数为所述初始曲线函数。
可选的，在本发明实施例第一方面的第五种实现方式中，在所述对所述目标闭合曲线的内部进行凹槽填充，得到所述目标眼底病灶的病灶图像之后，所述方法还包括：获取医生标注标准图像；将所述目标眼底病灶的病灶图像与所述医生标注标准图像进行对比，判断所述目标眼底病灶的病灶图像是否符合要求；若所述目标眼底病灶的病灶图像符合要求，则将所述目标眼底病灶的病灶图像作为输出图像并输出。
可选的，在本发明实施例第一方面的第六种实现方式中，所述方法还包括：若所述目标眼底病灶的病灶图像不符合要求，则重新对所述目标眼底病灶的病灶图像的轮廓曲线进行演化。
本发明实施例的第二方面提供了一种基于眼底OCT影像的病灶提取装置，包括：第一获取单元，用于获取原始眼底光学相干断层扫描技术OCT影像；分割单元，用于对所述原始眼底OCT影像进行分割预处理，得到预处理的眼底OCT图像；生成单元，用于在所述预处理的眼底OCT图像中生成一个初始闭合曲线，所述初始闭合曲线的内部包括目标眼底病灶；确定单元，用于通过预置的形态学蛇形曲线演化算法确定所述初始闭合曲线的初始曲线函数；第一演化单元，用于根据所述初始曲线函数对所述初始闭合曲线进行演化，得到目标闭合曲线，所述目标闭合曲线的目标曲线函数表示所述目标眼底病灶的轮廓；填充单元，用于对所述目标闭合曲线的内部进行凹槽填充，得到所述目标眼底病灶的病灶图像。
可选的，在本发明实施例第二方面的第一种实现方式中，第一演化单元包括：构建模块，用于根据所述初始曲线函数构建能量函数，所述能量函数包括内能量项和外能量项，所述内能量项用于使得目标闭合曲线不断向内部紧缩且保持平滑，所述外能量项用于保证目标闭合曲线紧缩到目标眼底病灶边缘时停止；计算模块，用于根据所述能量方程计算出边缘停止函数，所述边缘停止函数用于表示初始闭合曲线的受力情况；变形模块，用于根据所述边缘停止函数对所述初始闭合曲线进行变形；生成模块，当所述边缘停止函数为零时，用于生成目标闭合曲线。
可选的，在本发明实施例第二方面的第二种实现方式中，构建模块具体用于：获取所述初始曲线函数上的控制点v；确定所述控制点的弹性能量项和弯曲能量项，所述弹性能量项为所述v的一阶导数的模，所述弯曲能量项为所述v的二阶导数的模；确定所述控制点的外能量项，所述外部能量项为所述控制点所在位置的图像局部特征；根据所述弹性能量项、所述弯曲能量项和所述外能量项构建能量函数，能量函数的表达式为：其中，v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)和y(s)分别表示每个控制点在图像中的坐标位置，s是以傅里叶变换形式描述边界的自变量，v表示初始曲线函数上的控制点，α、β为常数。
可选的，在本发明实施例第二方面的第三种实现方式中，构建模块还具体用于：将所述控制点的梯度算子作为所述图像局部特征；根据所述梯度算子确定所述外部能量项的表达式：▽I(v)为所述梯度算子。
可选的，在本发明实施例第二方面的第四种实现方式中，确定单元具体用于：生成初始化水平集函数u(x,y)，所述初始化水平集函数的表达式如下：其中，d[(x,y),C]是点(x,y)到曲线C的最短有向距离；根据所述初始化水平集函数生成初始闭合曲线方程：其中，u为目标水平集函数，为梯度算子，div为散度算子，v为常数，g(I)为边缘停止函数；根据所述初始闭合曲线方程计算得到所述预置的形态学蛇形曲线演化算法的零水平集函数判断所述零水平集函数是否收敛；若所述零水平集函数收敛，则确定所述零水平集函数为所述初始曲线函数。
可选的，在本发明实施例第二方面的第五种实现方式中，基于眼底OCT影像的病灶提取装置还包括：第二获取单元，用于获取医生标注标准图像；判断单元，用于将所述目标眼底病灶的病灶图像与所述医生标注标准图像进行对比，判断所述目标眼底病灶的病灶图像是否符合要求；输出单元，若所述目标眼底病灶的病灶图像符合要求，则用于将所述目标眼底病灶的病灶图像作为输出图像并输出。
可选的，在本发明实施例第二方面的第六种实现方式中，基于眼底OCT影像的病灶提取装置还包括：第二演化单元，若所述目标眼底病灶的病灶图像不符合要求，则用于重新对所述目标眼底病灶的病灶图像的轮廓曲线进行演化。
本发明实施例的第三方面提供了一种基于眼底OCT影像的病灶提取设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施方式所述的基于眼底OCT影像的病灶提取方法。
本发明实施例的第四方面提供了一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行上述任一实施方式所述的基于眼底OCT影像的病灶提取方法的步骤。
本发明实施例提供的技术方案中，获取原始眼底光学相干断层扫描技术OCT影像；对原始眼底OCT影像进行分割预处理，得到预处理的眼底OCT图像；在预处理的眼底OCT图像中生成一个初始闭合曲线，初始闭合曲线的内部包括目标眼底病灶；通过预置的形态学蛇形曲线演化算法确定初始闭合曲线的初始曲线函数；根据初始曲线函数对初始闭合曲线进行演化，得到目标闭合曲线，目标闭合曲线的目标曲线函数表示目标眼底病灶的轮廓；对目标闭合曲线的内部进行凹槽填充，得到目标眼底病灶的病灶图像。本发明实施例，对眼底OCT影像的病灶区域进行分割处理，得到更准确的眼底OCT影像的病灶区域信息，避免了病灶区域凹槽填补不全和假阳性的问题，提高了处理效率。
附图说明
图1为本发明实施例中基于眼底OCT影像的病灶提取方法的一个实施例示意图；
图2为本发明实施例中基于眼底OCT影像的病灶提取方法的另一个实施例示意图；
图3为本发明实施例中基于眼底OCT影像的病灶提取装置的一个实施例示意图；
图4为本发明实施例中基于眼底OCT影像的病灶提取装置的另一个实施例示意图；
图5为本发明实施例中基于眼底OCT影像的病灶提取设备的一个实施例示意图。
具体实施方式
本发明提供了一种基于眼底OCT影像的病灶提取方法、装置、设备及存储介质，用于对眼底OCT影像的病灶区域进行分割处理，得到更准确的眼底OCT影像的病灶区域信息，避免了病灶区域凹槽填补不全和假阳性的问题，提高了处理效率。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例进行描述。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，本发明实施例提供的基于眼底OCT影像的病灶提取方法的流程图，具体包括：
101、获取原始眼底光学相干断层扫描技术OCT影像。
基于眼底OCT影像的病灶提取装置获取原始眼底光学相干断层扫描技术(opticalcoherence tomography，OCT)影像。其中，该原始眼底OCT影像由OCT设备直接得到，未经过任何处理。
目前OCT分为两大类：时域OCT(time domain optical coherence tomography，TD-OCT)和频域OCT(frequency domain optical coherence tomography，FD-OCT)。时域OCT是把在同一时间从组织中反射回来的光信号与参照反光镜反射回来的光信号叠加、干涉，然后成像。频域OCT是参考臂的参照反光镜固定不动，通过改变光源光波的频率来实现信号的干涉。本发明实施例可以通过多种方式获取原始眼底OCT影像，可以通过TD-OCT方式获取，还可以通过FD-OCT方式获取，具体采用何种获取方式此处不做限定。
可以理解的是，本发明的执行主体可以为基于眼底OCT影像的病灶提取装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以基于眼底OCT影像的病灶提取装置为执行主体为例进行说明。
102、对原始眼底OCT影像进行分割预处理，得到预处理的眼底OCT图像。
基于眼底OCT影像的病灶提取装置对原始眼底OCT图像进行分割预处理，得到预处理的眼底OCT图像。具体的，基于眼底OCT影像的病灶提取装置对原始眼底OCT图像上分割出包含病灶区域的方形图像，得到的预处理的眼底OCT图像。
需要说明的是，预处理的眼底OCT图像中，会根据原始眼底OCT图像中的病灶范围，用不同的颜色进行区分，例如，将病灶区域显示为白色，将非病灶区域显示为黑色，还可以是其他组合，只要能将病灶区域和非病灶区域区分开即可，例如，病灶区域用白色显示，非病灶区域用灰色显示，具体此处不做限定。
103、在预处理的眼底OCT图像中生成一个初始闭合曲线，初始闭合曲线的内部包括目标眼底病灶。
基于眼底OCT影像的病灶提取装置在预处理的眼底OCT图像中生成一个初始闭合曲线，该初始闭合曲线的内部包括目标眼底病灶。具体的，基于眼底OCT影像的病灶提取装置在预处理的眼底OCT图像中生成初始闭合曲线，该初始闭合曲线可以是预置的闭合曲线中的任意一种，预置的闭合曲线可以是圆形、椭圆形、三角形等几何图形，或者是不规则的闭合形状，具体此处不做限定。
需要说明的是，该初始闭合曲线可以是形状任意，只要保证将目标眼底病灶完全包含在曲线内部即可。
104、通过预置的形态学蛇形曲线演化算法确定初始闭合曲线的初始曲线函数。
基于眼底OCT影像的病灶提取装置通过预置的形态学蛇形曲线演化算法确定初始闭合曲线的初始曲线函数。具体的，生成初始化水平集函数u(x,y)，初始化水平集函数的表达式如下：
其中，d[(x,y),C]是点(x,y)到曲线C的最短有向距离；根据初始化水平集函数生成初始闭合曲线方程：其中，u为目标水平集函数，为梯度算子，div为散度算子，v为常数，g(I)为边缘停止函数；根据初始闭合曲线方程计算得到预置的形态学蛇形曲线演化算法的零水平集函数判断零水平集函数是否收敛；若零水平集函数收敛，则确定零水平集函数为初始曲线函数。
需要说明的是，在二维平面内，显性表示的函数曲线在演化过程中无法随着目标的合并或者分裂进行拓扑变化，因此在表示目标拓扑变化方面，显性表示的二维函数曲线就无能为力。为了解决这个问题，Osher和Sethian用隐式参数函数表示演化曲线，进而提出了水平集方法。由于水平集函数能够灵活地表示目标的拓扑变化，可以有效地应用到轮廓提取领域。
水平集函数用的是一种隐式函数，跟传统的snake算法相比在思想上差异很大，snake算法曲线演化的时候，是曲线上离散点显示坐标的位置更新移动，只要懂得能量最小化的曲线演化规则即可；然而水平集函数，更新的不是曲线离散点的坐标，而是更新整张图片像素点到曲线的有向距离场。因此水平集函数算法最关键的是理解这个距离场的更新规则。例如，生成一条初始封闭轮廓曲线C，进行水平集图像分割，需要些的第一个函数就是计算图像的每个像素点p(x,y)到曲线的最短距离d，如果该像素点p位于曲线C的内部，那么有向距离为-d，反之为d。这样遍历图像每个像素点，每个像素点都可以求得对应的有向距离u(x,y)。
水平集函数算法的基本原理是把目标曲线或者曲面作为零水平集嵌入到更高一维的水平集函数中，也即用零平面截取水平集函数得到的封闭曲线或者曲面来代替演化曲线或者曲面，随着水平集函数的变化，演化曲线或者曲面也随之改变，并能适应拓扑的变化。在二维平面，如果隐式表示的闭合曲线为：C(x,y)＝0，根据水平集原理，把此闭合曲线嵌入到三维水平集函数z＝φ(x,y)中，则用z＝0平面截此水平集函数的曲面，即可得到闭合曲线C(x,y)＝0。当三维水平集曲面z＝φ(x,y)在驱动力的作用下发生变化时，其零水平集平面截得的闭合曲线C(x,y)＝0也随之变化。
105、根据初始曲线函数对初始闭合曲线进行演化，得到目标闭合曲线，目标闭合曲线的目标曲线函数表示目标眼底病灶的轮廓。
基于眼底OCT影像的病灶提取装置根据初始曲线函数对初始闭合曲线进行演化，得到目标闭合曲线，目标闭合曲线的目标曲线函数表示目标眼底病灶的轮廓。具体的，基于眼底OCT影像的病灶提取装置根据初始曲线函数构建能量函数，能量函数包括内能量项和外能量项，内能量项用于使得目标闭合曲线不断向内部紧缩且保持平滑，外能量项用于保证目标闭合曲线紧缩到目标眼底病灶边缘时停止；根据能量方程计算出边缘停止函数，边缘停止函数用于表示初始闭合曲线的受力情况；根据边缘停止函数对初始闭合曲线进行变形；当边缘停止函数为零时，生成目标闭合曲线。
例如，设初始闭合曲线为C，初始闭合曲线在驱动力的作用下，随着时间的推移进行演化，可得到演化曲线集C(t)。根据水平集原理，把初始闭合曲线嵌入到三维水平集函数其零水平集可以表示为具体的，初始闭合曲线随水平集函数的变化而进行演化。C(t)表示初始闭合曲线，表示三维水平集函数，C(t0)表示在t0时刻获得的轮廓曲线，此时的轮廓曲线是一个单连通区域。随着时间的推移，在t1时刻获得的轮廓曲线变为C(t1)，此时轮廓曲线分裂为两个单联通区域，也即随着轮廓曲线的演化，可以检测出两个Mura曲线区域。其中，三维水平集函数的零水平为：对上式零水平集方程两端分别对t求导整理得到演化方程:其中，F为轮廓曲线C(t)的边缘停止函数(也即速度函数)。当边缘停止函数不为零的时候，轮廓曲线演化不停止，当边缘停止函数为零时，轮廓曲线停止演化，表示能量函数达到了目标的最小值。因此，可以把水平集解法转化为求解的过程。具体求解过程如下：
通过水平集方法推导，可以得到轮廓曲线内部的平均灰度C0和轮廓曲线外部的平均灰度Cb的计算公式如下：
分析可知，水平集函数算法的求解过程可以转换为偏微分方程的求解过程。在利用欧拉-拉格朗日求解式，并根据梯度下降流，得到最终的偏微分方程如下式：其中，H(z)为Heaviside函数：
δ(z)为Dirac delta函数：
上述Heaviside函数与Dirac delta函数是一种理论上的表示形式，在实际计算时，一般取其近似值分别如下：
106、对目标闭合曲线的内部进行凹槽填充，得到目标眼底病灶的病灶图像。
基于眼底OCT影像的病灶提取装置对目标闭合曲线的内部进行凹槽填充，得到目标眼底病灶的病灶图像。具体的，目标闭合曲线最终会自动收敛到目标眼底病灶区域的外轮廓，所以病灶内部封闭的孔洞可以直接被填充修复。实际上，内部封闭孔洞的填充可以通过漫水填充(flood fill)算法实现，以实现对封闭孔洞和开放的凹槽缺陷同时进行修补，修复效果更准确。
本发明实施例，对眼底OCT影像的病灶区域进行分割处理，得到更准确的眼底OCT影像的病灶区域信息，避免了病灶区域凹槽填补不全和假阳性的问题，提高了处理效率。
请参阅图2，本发明实施例提供的基于眼底OCT影像的病灶提取方法的另一个流程图，具体包括：
201、获取原始眼底光学相干断层扫描技术OCT影像。
基于眼底OCT影像的病灶提取装置获取原始眼底光学相干断层扫描技术(opticalcoherence tomography，OCT)影像。其中，该原始眼底OCT影像由OCT设备直接得到，未经过任何处理。
目前OCT分为两大类：时域OCT(time domain optical coherence tomography，TD-OCT)和频域OCT(frequency domain optical coherence tomography，FD-OCT)。时域OCT是把在同一时间从组织中反射回来的光信号与参照反光镜反射回来的光信号叠加、干涉，然后成像。频域OCT是参考臂的参照反光镜固定不动，通过改变光源光波的频率来实现信号的干涉。本发明实施例可以通过多种方式获取原始眼底OCT影像，可以通过TD-OCT方式获取，还可以通过FD-OCT方式获取，具体采用何种获取方式此处不做限定。
可以理解的是，本发明的执行主体可以为基于眼底OCT影像的病灶提取装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以基于眼底OCT影像的病灶提取装置为执行主体为例进行说明。
202、对原始眼底OCT影像进行分割预处理，得到预处理的眼底OCT图像。
基于眼底OCT影像的病灶提取装置对原始眼底OCT图像进行分割预处理，得到预处理的眼底OCT图像。具体的，基于眼底OCT影像的病灶提取装置对原始眼底OCT图像上分割出包含病灶区域的方形图像，得到的预处理的眼底OCT图像。
需要说明的是，预处理的眼底OCT图像中，会根据原始眼底OCT图像中的病灶范围，用不同的颜色进行区分，例如，将病灶区域显示为白色，将非病灶区域显示为黑色，还可以是其他组合，只要能将病灶区域和非病灶区域区分开即可，例如，病灶区域用白色显示，非病灶区域用灰色显示，具体此处不做限定。
203、在预处理的眼底OCT图像中生成一个初始闭合曲线，初始闭合曲线的内部包括目标眼底病灶。
基于眼底OCT影像的病灶提取装置在预处理的眼底OCT图像中生成一个初始闭合曲线，该初始闭合曲线的内部包括目标眼底病灶。具体的，基于眼底OCT影像的病灶提取装置在预处理的眼底OCT图像中生成初始闭合曲线，该初始闭合曲线可以是预置的闭合曲线中的任意一种，预置的闭合曲线可以是圆形、椭圆形、三角形等几何图形，或者是不规则的闭合形状，具体此处不做限定。
需要说明的是，该初始闭合曲线可以是形状任意，只要保证将目标眼底病灶完全包含在曲线内部即可。
204、通过预置的形态学蛇形曲线演化算法确定初始闭合曲线的初始曲线函数。
基于眼底OCT影像的病灶提取装置通过预置的形态学蛇形曲线演化算法确定初始闭合曲线的初始曲线函数。具体的，生成初始化水平集函数u(x,y)，初始化水平集函数的表达式如下：
其中，d[(x,y),C]是点(x,y)到曲线C的最短有向距离；根据初始化水平集函数生成初始闭合曲线方程：其中，u为目标水平集函数，为梯度算子，div为散度算子，v为常数，g(I)为边缘停止函数；根据初始闭合曲线方程计算得到预置的形态学蛇形曲线演化算法的零水平集函数判断零水平集函数是否收敛；若零水平集函数收敛，则确定零水平集函数为初始曲线函数。
需要说明的是，在二维平面内，显性表示的函数曲线在演化过程中无法随着目标的合并或者分裂进行拓扑变化，因此在表示目标拓扑变化方面，显性表示的二维函数曲线就无能为力。为了解决这个问题，Osher和Sethian用隐式参数函数表示演化曲线，进而提出了水平集方法。由于水平集函数能够灵活地表示目标的拓扑变化，可以有效地应用到轮廓提取领域。
水平集函数用的是一种隐式函数，跟传统的snake算法相比在思想上差异很大，snake算法曲线演化的时候，是曲线上离散点显示坐标的位置更新移动，只要懂得能量最小化的曲线演化规则即可；然而水平集函数，更新的不是曲线离散点的坐标，而是更新整张图片像素点到曲线的有向距离场。因此水平集函数算法最关键的是理解这个距离场的更新规则。例如，生成一条初始封闭轮廓曲线C，进行水平集图像分割，需要些的第一个函数就是计算图像的每个像素点p(x,y)到曲线的最短距离d，如果该像素点p位于曲线C的内部，那么有向距离为-d，反之为d。这样遍历图像每个像素点，每个像素点都可以求得对应的有向距离u(x,y)。
水平集函数算法的基本原理是把目标曲线或者曲面作为零水平集嵌入到更高一维的水平集函数中，也即用零平面截取水平集函数得到的封闭曲线或者曲面来代替演化曲线或者曲面，随着水平集函数的变化，演化曲线或者曲面也随之改变，并能适应拓扑的变化。在二维平面，如果隐式表示的闭合曲线为：C(x,y)＝0，根据水平集原理，把此闭合曲线嵌入到三维水平集函数z＝φ(x,y)中，则用z＝0平面截此水平集函数的曲面，即可得到闭合曲线C(x,y)＝0。当三维水平集曲面z＝φ(x,y)在驱动力的作用下发生变化时，其零水平集平面截得的闭合曲线C(x,y)＝0也随之变化。
205、根据初始曲线函数构建能量函数。
基于眼底OCT影像的病灶提取装置根据初始曲线函数构建能量函数，能量函数包括内能量项和外能量项，内能量项用于使得目标闭合曲线不断向内部紧缩且保持平滑，外能量项用于保证目标闭合曲线紧缩到目标眼底病灶边缘时停止。具体的，获取所述初始曲线函数上的控制点v；确定所述控制点的弹性能量项和弯曲能量项，所述弹性能量项为所述v的一阶导数的模，所述弯曲能量项为所述v的二阶导数的模；确定所述控制点的外能量项，所述外部能量项为所述控制点所在位置的图像局部特征；根据所述弹性能量项、所述弯曲能量项和所述外能量项构建能量函数，能量函数的表达式为：
其中，v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)和y(s)分别表示每个控制点在图像中的坐标位置，s是以傅里叶变换形式描述边界的自变量，v表示初始曲线函数上的控制点，α、β为常数。
206、根据能量方程计算出边缘停止函数，边缘停止函数用于表示初始闭合曲线的受力情况。
基于眼底OCT影像的病灶提取装置根据能量方程计算出边缘停止函数，边缘停止函数用于表示初始闭合曲线的受力情况。
例如，设初始闭合曲线为C，初始闭合曲线在驱动力的作用下，随着时间的推移进行演化，可得到演化曲线集C(t)。根据水平集原理，把初始闭合曲线嵌入到三维水平集函数其零水平集可以表示为具体的，初始闭合曲线随水平集函数的变化而进行演化。C(t)表示初始闭合曲线，表示三维水平集函数，C(t0)表示在t0时刻获得的轮廓曲线，此时的轮廓曲线是一个单连通区域。随着时间的推移，在t1时刻获得的轮廓曲线变为C(t1)，此时轮廓曲线分裂为两个单联通区域，也即随着轮廓曲线的演化，可以检测出两个Mura曲线区域。其中，三维水平集函数的零水平为：对上式零水平集方程两端分别对t求导整理得到演化方程:其中，F为轮廓曲线C(t)的边缘停止函数(也即速度函数)。当边缘停止函数不为零的时候，轮廓曲线演化不停止，当边缘停止函数为零时，轮廓曲线停止演化，表示能量函数达到了目标的最小值。
207、根据边缘停止函数对初始闭合曲线进行变形。
基于眼底OCT影像的病灶提取装置根据边缘停止函数对初始闭合曲线进行变形。具体的，改变初始闭合曲线的受力情况，直至受力为0，即改变边缘停止函数的大小，使能量函数趋于最小值，即对初始闭合曲线进行变形。
208、当边缘停止函数为零时，生成目标闭合曲线。
当边缘停止函数为零时，能量函数为最小值，基于眼底OCT影像的病灶提取装置生成目标闭合曲线。具体的，能量函数的水平集解法可以转化为求解的过程。具体求解过程如下：
通过水平集方法推导，可以得到轮廓曲线内部的平均灰度C0和轮廓曲线外部的平均灰度Cb的计算公式如下：
分析可知，水平集函数算法的求解过程可以转换为偏微分方程的求解过程。在利用欧拉-拉格朗日求解式，并根据梯度下降流，得到最终的偏微分方程如下式：其中，H(z)为Heaviside函数：
δ(z)为Dirac delta函数：
上述Heaviside函数与Dirac delta函数是一种理论上的表示形式，在实际计算时，一般取其近似值分别如下：
209、对目标闭合曲线的内部进行凹槽填充，得到目标眼底病灶的病灶图像。
基于眼底OCT影像的病灶提取装置对目标闭合曲线的内部进行凹槽填充，得到目标眼底病灶的病灶图像。具体的，目标闭合曲线最终会自动收敛到目标眼底病灶区域的外轮廓，所以病灶内部封闭的孔洞可以直接被填充修复。实际上，内部封闭孔洞的填充可以通过漫水填充(flood fill)算法实现，以实现对封闭孔洞和开放的凹槽缺陷同时进行修补，修复效果更准确。
210、获取医生标注标准图像。
基于眼底OCT影像的病灶提取装置获取医生标注标准图像。例如，在实际操作中，医生会对病灶区域进行医生标注标准，与在原始眼底OCT影像基础上进行病灶区域的划分，其中，医生标注标准(或称医生标注金标准)，指把眼底OCT影像给到专业的医生，让医生把病灶(病变区域)勾勒(或者称为标注)出来，以此作为最终参考标准(医生标注金标准)，以使得目标眼底病灶的病灶图像接近医生标注的真实病变区域结果。
211、将目标眼底病灶的病灶图像与医生标注标准图像进行对比，判断目标眼底病灶的病灶图像是否符合要求。
基于眼底OCT影像的病灶提取装置将目标眼底病灶的病灶图像与医生标注标准图像进行对比，判断目标眼底病灶的病灶图像是否符合要求。
212、若目标眼底病灶的病灶图像符合要求，则将目标眼底病灶的病灶图像作为输出图像并输出。
若目标眼底病灶的病灶图像符合要求，则基于眼底OCT影像的病灶提取装置将目标眼底病灶的病灶图像作为输出图像并输出。
213、若目标眼底病灶的病灶图像不符合要求，则重新对目标眼底病灶的病灶图像的轮廓曲线进行演化。
若目标眼底病灶的病灶图像不符合要求，则基于眼底OCT影像的病灶提取装置重新对目标眼底病灶的病灶图像的轮廓曲线进行演化。
本发明实施例，对眼底OCT影像的病灶区域进行分割处理，得到更准确的眼底OCT影像的病灶区域信息，填补病灶区域凹槽，提高了处理效率；自动提取出有价值的眼底病灶区域轮廓，避免了人工后处理勾勒病灶边界的繁杂工作，有效地为医生后续的临床疾病诊断提供了整洁准确的病灶形态信息。
上面对本发明实施例中基于眼底OCT影像的病灶提取方法进行了描述，下面对本发明实施例中基于眼底OCT影像的病灶提取装置进行描述，请参阅图3，本发明实施例中基于眼底OCT影像的病灶提取装置的一个实施例包括：
第一获取单元301，用于获取原始眼底光学相干断层扫描技术OCT影像；
分割单元302，用于对所述原始眼底OCT影像进行分割预处理，得到预处理的眼底OCT图像；
生成单元303，用于在所述预处理的眼底OCT图像中生成一个初始闭合曲线，所述初始闭合曲线的内部包括目标眼底病灶；
确定单元304，用于通过预置的形态学蛇形曲线演化算法零所述初始闭合曲线的初始曲线函数；
第一演化单元305，用于根据所述初始曲线函数对所述初始闭合曲线进行演化，得到目标闭合曲线，所述目标闭合曲线的目标曲线函数表示所述目标眼底病灶的轮廓；
填充单元306，用于对所述目标闭合曲线的内部进行凹槽填充，得到所述目标眼底病灶的病灶图像。
本发明实施例，对眼底OCT影像的病灶区域进行分割处理，得到更准确的眼底OCT影像的病灶区域信息，避免了病灶区域凹槽填补不全和假阳性的问题，提高了处理效率。
请参阅图4，本发明实施例中基于眼底OCT影像的病灶提取装置的另一个实施例包括：
第一获取单元301，用于获取原始眼底光学相干断层扫描技术OCT影像；
分割单元302，用于对所述原始眼底OCT影像进行分割预处理，得到预处理的眼底OCT图像；
生成单元303，用于在所述预处理的眼底OCT图像中生成一个初始闭合曲线，所述初始闭合曲线的内部包括目标眼底病灶；
确定单元304，用于通过预置的形态学蛇形曲线演化算法零所述初始闭合曲线的初始曲线函数；
第一演化单元305，用于根据所述初始曲线函数对所述初始闭合曲线进行演化，得到目标闭合曲线，所述目标闭合曲线的目标曲线函数表示所述目标眼底病灶的轮廓；
填充单元306，用于对所述目标闭合曲线的内部进行凹槽填充，得到所述目标眼底病灶的病灶图像。
可选的，第一演化单元305包括：
构建模块3051，用于根据所述初始曲线函数构建能量函数，所述能量函数包括内能量项和外能量项，所述内能量项用于使得目标闭合曲线不断向内部紧缩且保持平滑，所述外能量项用于保证目标闭合曲线紧缩到目标眼底病灶边缘时停止；
计算模块3052，用于根据所述能量方程计算出边缘停止函数，所述边缘停止函数用于表示初始闭合曲线的受力情况；
变形模块3053，用于根据所述边缘停止函数对所述初始闭合曲线进行变形；
生成模块3054，当所述边缘停止函数为零时，用于生成目标闭合曲线。
可选的，构建模块3051具体用于：
获取所述初始曲线函数上的控制点v；确定所述控制点的弹性能量项和弯曲能量项，所述弹性能量项为所述v的一阶导数的模，所述弯曲能量项为所述v的二阶导数的模；确定所述控制点的外能量项，所述外部能量项为所述控制点所在位置的图像局部特征；根据所述弹性能量项、所述弯曲能量项和所述外能量项构建能量函数，能量函数的表达式为：其中，v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)和y(s)分别表示每个控制点在图像中的坐标位置，s是以傅里叶变换形式描述边界的自变量，v表示初始曲线函数上的控制点，α、β为常数。
可选的，构建模块3051具体还用于：
将所述控制点的梯度算子作为所述图像局部特征；根据所述梯度算子确定所述外部能量项的表达式：▽I(v)为所述梯度算子。
可选的，确定单元304具体用于：
生成初始化水平集函数u(x,y)，所述初始化水平集函数的表达式如下：
其中，d[(x,y),C]是点(x,y)到曲线C的最短有向距离；根据所述初始化水平集函数生成初始闭合曲线方程：其中，u为目标水平集函数，为梯度算子，div为散度算子，v为常数，g(I)为边缘停止函数；根据所述初始闭合曲线方程计算得到所述预置的形态学蛇形曲线演化算法的零水平集函数判断所述零水平集函数是否收敛；若所述零水平集函数收敛，则确定所述零水平集函数为所述初始曲线函数。
可选的，基于眼底OCT影像的病灶提取装置还包括：
第二获取单元307，用于获取医生标注标准图像；
判断单元308，用于将所述目标眼底病灶的病灶图像与所述医生标注标准图像进行对比，判断所述目标眼底病灶的病灶图像是否符合要求；
输出单元309，若所述目标眼底病灶的病灶图像符合要求，则用于将所述目标眼底病灶的病灶图像作为输出图像并输出。
可选的，基于眼底OCT影像的病灶提取装置还包括：
第二演化单元310，若所述目标眼底病灶的病灶图像不符合要求，则用于重新对所述目标眼底病灶的病灶图像的轮廓曲线进行演化。
本发明实施例，根据原始眼底OCT影像生成新眼底OCT影像，提高了新眼底OCT影像的真实性，避免和原始眼底OCT影像差异过大，解决了真实数据太少及数据不均衡问题，提高了影像处理效率。同时在样本较小且样本不均衡的情况，可以通过加入生成对抗网络生成的增强影像数据，提高了训练模型的性能及泛化效果。
上面图3至图4从模块化功能实体的角度对本发明实施例中的基于眼底OCT影像的病灶提取装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于眼底OCT影像的病灶提取设备进行详细描述。
图5是本发明实施例提供的一种基于眼底OCT影像的病灶提取设备的结构示意图，该基于眼底OCT影像的病灶提取设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)501(例如，一个或一个以上处理器)和存储器509，一个或一个以上存储应用程序507或数据506的存储介质508(例如一个或一个以上海量存储设备)。其中，存储器509和存储介质508可以是短暂存储或持久存储。存储在存储介质508的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于眼底OCT影像的病灶提取设备中的一系列指令操作。更进一步地，处理器501可以设置为与存储介质508通信，在基于眼底OCT影像的病灶提取设备500上执行存储介质508中的一系列指令操作。
基于眼底OCT影像的病灶提取设备500还可以包括一个或一个以上电源502，一个或一个以上有线或无线网络接口503，一个或一个以上输入输出接口504，和/或，一个或一个以上操作系统505，例如Windows Serve，Mac OSX，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5中示出的基于眼底OCT影像的病灶提取设备结构并不构成对基于眼底OCT影像的病灶提取设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。处理器501可以执行上述实施例中第一获取单元301、分割单元302、生成单元303、确定单元304、第一演化单元305、填充单元306、第二获取单元307、判断单元308和第二演化单元310的功能。
下面结合图5对基于眼底OCT影像的病灶提取设备的各个构成部件进行具体的介绍：
处理器501是基于眼底OCT影像的病灶提取设备的控制中心，可以按照设置的基于眼底OCT影像的病灶提取方法进行处理。处理器501利用各种接口和线路连接整个基于眼底OCT影像的病灶提取设备的各个部分，通过运行或执行存储在存储器509内的软件程序和/或模块，以及调用存储在存储器509内的数据，执行基于眼底OCT影像的病灶提取设备的各种功能和处理数据，避免病灶区域凹槽填补不全和假阳性的问题，提高处理效率。存储介质508和存储器509都是存储数据的载体，本发明实施例中，存储介质508可以是指储存容量较小，但速度快的内存储器，而存储器509可以是储存容量大，但储存速度慢的外存储器。
存储器509可用于存储软件程序以及模块，处理器501通过运行存储在存储器509的软件程序以及模块，从而执行基于眼底OCT影像的病灶提取设备500的各种功能应用以及数据处理。存储器509可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如通过预置的形态学蛇形曲线演化算法确定所述初始闭合曲线的初始曲线函数)等；存储数据区可存储根据基于眼底OCT影像的病灶提取设备的使用所创建的数据(比如初始闭合曲线)等。此外，存储器509可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。在本发明实施例中提供的基于眼底OCT影像的病灶提取方法程序和接收到的数据流存储在存储器中，当需要使用时，处理器501从存储器509中调用。
在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、双绞线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，光盘)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于眼底OCT影像的病灶提取方法，其特征在于，包括：
获取原始眼底光学相干断层扫描技术OCT影像；
对所述原始眼底OCT影像进行分割预处理，得到预处理的眼底OCT图像；
在所述预处理的眼底OCT图像中生成一个初始闭合曲线，所述初始闭合曲线的内部包括目标眼底病灶；
通过预置的形态学蛇形曲线演化算法确定所述初始闭合曲线的初始曲线函数；
根据所述初始曲线函数对所述初始闭合曲线进行演化，得到目标闭合曲线，所述目标闭合曲线的目标曲线函数表示所述目标眼底病灶的轮廓；
对所述目标闭合曲线的内部进行凹槽填充，得到所述目标眼底病灶的病灶图像。
2.根据权利要求1所述的基于眼底OCT影像的病灶提取方法，其特征在于，所述根据所述初始曲线函数对所述初始闭合曲线进行演化，得到目标闭合曲线，所述目标闭合曲线的目标曲线函数表示所述目标眼底病灶的轮廓，包括：
根据所述初始曲线函数构建能量函数，所述能量函数包括内能量项和外能量项，所述内能量项用于使得目标闭合曲线不断向内部紧缩且保持平滑，所述外能量项用于保证目标闭合曲线紧缩到目标眼底病灶边缘时停止；
根据所述能量方程计算出边缘停止函数，所述边缘停止函数用于表示初始闭合曲线的受力情况；
根据所述边缘停止函数对所述初始闭合曲线进行变形；
当所述边缘停止函数为零时，生成目标闭合曲线。
3.根据权利要求2所述的基于眼底OCT影像的病灶提取方法，其特征在于，所述根据所述初始曲线函数构建能量函数，所述能量函数包括内能量项和外能量项，包括：
获取所述初始曲线函数上的控制点v；
确定所述控制点的弹性能量项和弯曲能量项，所述弹性能量项为所述v的一阶导数的模，所述弯曲能量项为所述v的二阶导数的模；
确定所述控制点的外能量项，所述外部能量项为所述控制点所在位置的图像局部特征；
根据所述弹性能量项、所述弯曲能量项和所述外能量项构建能量函数，能量函数的表达式为：
其中，v(s)＝[x(s),y(s)]，s∈[0,1]，x(s)和y(s)分别表示每个控制点在图像中的坐标位置，s是以傅里叶变换形式描述边界的自变量，v表示初始曲线函数上的控制点，α、β为常数。
4.根据权利要求3所述的基于眼底OCT影像的病灶提取方法，其特征在于，所述确定所述控制点的外能量项，所述外部能量项为所述控制点所在位置的图像局部特征，包括：
将所述控制点的梯度算子作为所述图像局部特征；
根据所述梯度算子确定所述外部能量项的表达式： 为所述梯度算子。
5.根据权利要求1所述的基于眼底OCT影像的病灶提取方法，其特征在于，所述通过预置的形态学蛇形曲线演化算法确定所述初始闭合曲线的初始曲线函数，包括：
生成初始化水平集函数u(x,y)，所述初始化水平集函数的表达式如下：
其中，d[(x,y),C]是点(x,y)到曲线C的最短有向距离；
根据所述初始化水平集函数生成初始闭合曲线方程：
其中，u为目标水平集函数，为梯度算子，div为散度算子，v为常数，g(I)为边缘停止函数；
根据所述初始闭合曲线方程计算得到所述预置的形态学蛇形曲线演化算法的零水平集函数
判断所述零水平集函数是否收敛；
若所述零水平集函数收敛，则确定所述零水平集函数为所述初始曲线函数。
6.根据权利要求1-5中任一所述的基于眼底OCT影像的病灶提取方法，其特征在于，在所述对所述目标闭合曲线的内部进行凹槽填充，得到所述目标眼底病灶的病灶图像之后，所述方法还包括：
获取医生标注标准图像；
将所述目标眼底病灶的病灶图像与所述医生标注标准图像进行对比，判断所述目标眼底病灶的病灶图像是否符合要求；
若所述目标眼底病灶的病灶图像符合要求，则将所述目标眼底病灶的病灶图像作为输出图像并输出。
7.根据权利要求6所述的基于眼底OCT影像的病灶提取方法，其特征在于，所述方法还包括：
若所述目标眼底病灶的病灶图像不符合要求，则重新对所述目标眼底病灶的病灶图像的轮廓曲线进行演化。
8.一种基于眼底OCT影像的病灶提取装置，其特征在于，包括：
第一获取单元，用于获取原始眼底光学相干断层扫描技术OCT影像；
分割单元，用于对所述原始眼底OCT影像进行分割预处理，得到预处理的眼底OCT图像；
生成单元，用于在所述预处理的眼底OCT图像中生成一个初始闭合曲线，所述初始闭合曲线的内部包括目标眼底病灶；
确定单元，用于通过预置的形态学蛇形曲线演化算法零所述初始闭合曲线的初始曲线函数；
第一演化单元，用于根据所述初始曲线函数对所述初始闭合曲线进行演化，得到目标闭合曲线，所述目标闭合曲线的目标曲线函数表示所述目标眼底病灶的轮廓；
填充单元，用于对所述目标闭合曲线的内部进行凹槽填充，得到所述目标眼底病灶的病灶图像。
9.一种基于眼底OCT影像的病灶提取设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的基于眼底OCT影像的病灶提取方法。
10.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7中任意一项所述的基于眼底OCT影像的病灶提取方法。
CN201910524302.1A 2019-06-18 2019-06-18 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 Active CN110390667B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910524302.1A CN110390667B (zh) 2019-06-18 2019-06-18 基于眼底oct影像的病灶提取方法、装置、设备及存储介质
PCT/CN2019/102545 WO2020252900A1 (zh) 2019-06-18 2019-08-26 基于眼底oct影像的病灶提取方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910524302.1A CN110390667B (zh) 2019-06-18 2019-06-18 基于眼底oct影像的病灶提取方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110390667A true CN110390667A (zh) 2019-10-29
CN110390667B CN110390667B (zh) 2023-10-20

Family

ID=68285740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910524302.1A Active CN110390667B (zh) 2019-06-18 2019-06-18 基于眼底oct影像的病灶提取方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN110390667B (zh)
WO (1) WO2020252900A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932536A (zh) * 2020-09-29 2020-11-13 平安国际智慧城市科技股份有限公司 病灶标注的验证方法、装置、计算机设备及存储介质
CN111986194A (zh) * 2020-09-03 2020-11-24 平安国际智慧城市科技股份有限公司 医学标注图像检测方法、装置、电子设备及存储介质
WO2023179699A1 (zh) * 2022-03-23 2023-09-28 北京大学口腔医学院 基于面型参数生成颞下颌关节髁突运动包络面方法和装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972352B (zh) * 2022-08-02 2022-09-30 首都医科大学附属北京天坛医院 一种病症映射多维失连网络区域提取方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009053103A1 (en) * 2007-10-26 2009-04-30 MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. Spherical harmonics 3d active contours for membrane bilayer-bound surfaces
US20130251230A1 (en) * 2010-08-03 2013-09-26 Beng Hai Lee Corneal graft evaluation based on optical coherence tomography image
CN103839248A (zh) * 2012-11-22 2014-06-04 北京三星通信技术研究有限公司 图像分割方法和装置
CN104732213A (zh) * 2015-03-23 2015-06-24 中山大学 一种基于乳腺磁共振图像的计算机辅助肿块检测方法
CN105654450A (zh) * 2014-11-09 2016-06-08 复旦大学 基于局部和全局区域测地线模型的mr图像分割和偏移场矫正方法
WO2016101279A1 (zh) * 2014-12-26 2016-06-30 中国海洋大学 一种合成孔径雷达图像舰船目标快速检测方法
CN106056576A (zh) * 2016-03-09 2016-10-26 华侨大学 一种融合边缘和区域特征的ct图像中主动脉的分割方法
CN107330897A (zh) * 2017-06-01 2017-11-07 福建师范大学 图像分割方法及其系统
CN107392928A (zh) * 2017-07-20 2017-11-24 东北大学 基于MRF‑Snake分割的乳腺癌诊断系统及方法
CN107481252A (zh) * 2017-08-24 2017-12-15 上海术理智能科技有限公司 医学图像的分割方法、装置、介质和电子设备
CN108198185A (zh) * 2017-11-20 2018-06-22 海纳医信（北京）软件科技有限责任公司 眼底病灶图像的分割方法及、装置、存储介质、处理器
CN109741349A (zh) * 2019-01-24 2019-05-10 桂林航天工业学院 一种缺血性脑卒中图像分割的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306373A (zh) * 2011-08-17 2012-01-04 深圳市旭东数字医学影像技术有限公司 一种腹部器官的三维医学图像分割方法及系统
CN104867151B (zh) * 2015-05-26 2018-05-04 沈阳市第四人民医院 一种基于延展性主动轮廓模型的眼底图像血管分割方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009053103A1 (en) * 2007-10-26 2009-04-30 MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. Spherical harmonics 3d active contours for membrane bilayer-bound surfaces
US20130251230A1 (en) * 2010-08-03 2013-09-26 Beng Hai Lee Corneal graft evaluation based on optical coherence tomography image
CN103839248A (zh) * 2012-11-22 2014-06-04 北京三星通信技术研究有限公司 图像分割方法和装置
CN105654450A (zh) * 2014-11-09 2016-06-08 复旦大学 基于局部和全局区域测地线模型的mr图像分割和偏移场矫正方法
WO2016101279A1 (zh) * 2014-12-26 2016-06-30 中国海洋大学 一种合成孔径雷达图像舰船目标快速检测方法
CN104732213A (zh) * 2015-03-23 2015-06-24 中山大学 一种基于乳腺磁共振图像的计算机辅助肿块检测方法
CN106056576A (zh) * 2016-03-09 2016-10-26 华侨大学 一种融合边缘和区域特征的ct图像中主动脉的分割方法
CN107330897A (zh) * 2017-06-01 2017-11-07 福建师范大学 图像分割方法及其系统
CN107392928A (zh) * 2017-07-20 2017-11-24 东北大学 基于MRF‑Snake分割的乳腺癌诊断系统及方法
CN107481252A (zh) * 2017-08-24 2017-12-15 上海术理智能科技有限公司 医学图像的分割方法、装置、介质和电子设备
CN108198185A (zh) * 2017-11-20 2018-06-22 海纳医信（北京）软件科技有限责任公司 眼底病灶图像的分割方法及、装置、存储介质、处理器
CN109741349A (zh) * 2019-01-24 2019-05-10 桂林航天工业学院 一种缺血性脑卒中图像分割的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986194A (zh) * 2020-09-03 2020-11-24 平安国际智慧城市科技股份有限公司 医学标注图像检测方法、装置、电子设备及存储介质
CN111932536A (zh) * 2020-09-29 2020-11-13 平安国际智慧城市科技股份有限公司 病灶标注的验证方法、装置、计算机设备及存储介质
WO2023179699A1 (zh) * 2022-03-23 2023-09-28 北京大学口腔医学院 基于面型参数生成颞下颌关节髁突运动包络面方法和装置

Also Published As

Publication number Publication date
WO2020252900A1 (zh) 2020-12-24
CN110390667B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110390667A (zh) 基于眼底oct影像的病灶提取方法、装置、设备及存储介质
Xiang et al. Automatic segmentation of retinal layer in OCT images with choroidal neovascularization
Jolly Automatic segmentation of the left ventricle in cardiac MR and CT images
TW202044198A (zh) 一種圖像處理方法、裝置、電子設備及電腦可讀儲存媒介
Mukherjee et al. Lung nodule segmentation using deep learned prior based graph cut
JP2004529713A (ja) Ｍｒ心臓画像における左心室のセグメンテーションに対する様々なアプローチ
Farhi et al. Adaptive stochastic segmentation via energy-convergence for brain tumor in MR images
Smistad et al. Real-time tracking of the left ventricle in 3D ultrasound using Kalman filter and mean value coordinates
CN110084824A (zh) 基于对称水平集的舌体图像分割方法、系统、设备及介质
US20220245769A1 (en) System and Method for Removing Noise and/or Artifacts from an OCT Image Using a Generative Adversarial Network
Gao et al. Automatic optic disc segmentation based on modified local image fitting model with shape prior information
JP3678378B2 (ja) 異常陰影候補の検出方法および装置
Bogunović et al. Geodesic graph cut based retinal fluid segmentation in optical coherence tomography
Morais et al. Fast segmentation of the left atrial appendage in 3-D transesophageal echocardiographic images
Kepp et al. Topology-preserving shape-based regression of retinal layers in OCT image data using convolutional neural networks
Cruz-Aceves et al. Multiple active contours driven by particle swarm optimization for cardiac medical image segmentation
Morais et al. Semiautomatic estimation of device size for left atrial appendage occlusion in 3-D TEE images
Padmasini et al. State-of-the-art of level-set methods in segmentation and registration of spectral domain optical coherence tomographic retinal images
JP2006518072A (ja) 適応メッシュのプリミティブにクラスを割り当てる画像の領域分割
Cruz-Aceves et al. Multiple active contours guided by differential evolution for medical image segmentation
Tenbrinck et al. Impact of Physical Noise Modeling on Image Segmentation in Echocardiography.
Lin et al. Pupil localization for ophthalmic diagnosis using anchor ellipse regression
Barbosa et al. Coupled B-spline active geometric functions for myocardial segmentation: A localized region-based approach
Akkasaligar et al. Analysis of polycystic kidney disease in medical ultrasound images
Yao et al. 3D colonic polyp segmentation using dynamic deformable surfaces

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