CN110415197A - 基于sd-oct的cnv病变图像增强方法 - Google Patents

基于sd-oct的cnv病变图像增强方法 Download PDF

Info

Publication number
CN110415197A
CN110415197A CN201910584135.XA CN201910584135A CN110415197A CN 110415197 A CN110415197 A CN 110415197A CN 201910584135 A CN201910584135 A CN 201910584135A CN 110415197 A CN110415197 A CN 110415197A
Authority
CN
China
Prior art keywords
cnv
octa
oct
perspective
view
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
CN201910584135.XA
Other languages
English (en)
Other versions
CN110415197B (zh
Inventor
陈强
黄晨
张语涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201910584135.XA priority Critical patent/CN110415197B/zh
Publication of CN110415197A publication Critical patent/CN110415197A/zh
Application granted granted Critical
Publication of CN110415197B publication Critical patent/CN110415197B/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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种基于SD‑OCT的CNV病变图像增强方法，属于视网膜图像处理技术领域。该方法包括以下内容：采集含有脉络膜新生血管CNV病变的SD‑OCT视网膜图像、OCTA视网膜图像；利用层分割算法分割ILM、OPL和BM层；将三维SD‑OCT体数据以均值投影方式生成均值投影图；将三维OCTA体数据以最大值投影方式生成OCTA投影图；结合OCTA投影图对均值投影图进行血管增强，得到血管增强图像；根据CNV的特性生成CNV显著图；结合CNV显著图对血管增强图像进行CNV区域对比度增强。相比于以往只根据单模态图像进行图像增强的方法，本发明同时利用了SD‑OCT和OCTA双模态图像的信息，显著增强了SD‑OCT投影图像中血管和CNV区域对比度，增强效果更佳。

Description

基于SD-OCT的CNV病变图像增强方法
技术领域
本发明涉及图像增强处理领域，特别是一种基于频域光学相干断层(SD-OCT)的脉络膜新生血管(CNV)病变图像增强方法。
背景技术
CNV多见于年龄相关性黄斑变性、中心性渗出性脉络膜视网膜病变、新生血管性青光眼等眼底疾病，是导致视力下降甚至丧失的主要原因。对病变图像中的血管以及病变区域进行增强显示可帮助临床医生进行快速的CNV病情诊断和疗效评估。
现有的视网膜血管增强算法增强的对象主要为彩色眼底图像或SD-OCT视网膜图像，这些算法均是基于单模态的，包括基于反射特性的方法和基于滤波增强的算法，这些算法受限于成像设备显示血管的能力，对低对比度的细小血管增强能力有限。而传统的SD-OCT视网膜图像投影方式未针对性地考虑CNV的病理特征与成像特性，导致CNV区域与背景区域对比度较低，边缘难以分辨。
发明内容
本发明的目的在于提供一种基于SD-OCT的CNV病变图像增强方法。
实现本发明的目的的技术解决方案为：基于SD-OCT的CNV病变图像增强方法，包括以下步骤：
步骤1、采集含有脉络膜新生血管CNV病变的SD-OCT视网膜图像、OCTA视网膜图像；
步骤2、利用层分割算法分割SD-OCT视网膜图像的ILM、OPL和BM层；
步骤3、将三维SD-OCT体数据以均值投影方式生成均值投影图Imean；
步骤4、将三维OCTA体数据以最大值投影方式生成OCTA投影图IoCTA；
步骤5、结合OCTA投影图对均值投影图进行血管增强，获得血管增强图像；
步骤6、基于三维SD-OCT体数据，根据CNV的特性生成CNV显著图；
步骤7、结合CNV显著图对血管增强图像进行CNV区域对比度增强。
本发明与现有技术相比，其显著优点为：1)本发明首次给出了一种结合OCTA图像来对SD-OCT投影图进行血管增强的方法，较传统的基于单模态图像的方法对细小血管增强能力更佳；2)本发明充分考虑CNV的特性，给出了一种针对CNV的SD-OCT图像投影方式，构建的显著图能够准确地定位CNV区域；3)本发明的方法同时增强视网膜血管与CNV区域，能够显著提高血管与CNV区域对比度。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于SD-OCT的CNV病变图像增强方法的流程图。
图2为本发明实施例中SD-OCT视网膜图像层结构示意图。
图3为本发明实施例中均值投影图。
图4为本发明实施例中OCTA视网膜图像层结构示意图。
图5为本发明实施例中OCTA投影图。
图6为本发明实施例中血管增强结果图。
图7为本发明实施例中CNV显著图。
图8为本发明实施例中CNV区域增强结果图。
具体实施方式
结合图1，本发明基于SD-OCT的CNV病变图像增强方法包括以下步骤：
步骤1、采集含有脉络膜新生血管CNV病变的SD-OCT视网膜图像、OCTA视网膜图像；
步骤2、利用层分割算法分割SD-OCT视网膜图像的ILM、OPL和BM层；
步骤3、将三维SD-OCT体数据以均值投影方式生成均值投影图Imean；
步骤4、将三维OCTA体数据以最大值投影方式生成OCTA投影图IOCTA；
步骤5、结合OCTA投影图对均值投影图进行血管增强，获得血管增强图像；
步骤6、基于三维SD-OCT体数据，根据CNV的特性生成CNV显著图；
步骤7、结合CNV显著图对血管增强图像进行CNV区域对比度增强。
进一步地，步骤3中将三维SD-OCT体数据以均值投影方式生成均值投影图Imean，具体为：
将三维SD-OCT体数据中OPL外边界到BM之间的像素逐列计算均值，投影得到均值投影图Imean。
进一步地，步骤4中将三维OCTA体数据以最大值投影方式生成OCTA投影图IoCTA，具体为：
将三维OCTA体数据中ILM到OPL外边界之间的像素逐列求取最大值，投影得到OCTA投影图IOCTA。
进一步地，步骤5中结合OCTA投影图对均值投影图进行血管增强，获得血管增强图像具体为：
步骤5-1、根据OCTA投影图IOCTA生成血管权重矩阵Wvessel：
式中，和分别代表OCTA投影图IOCTA中最大、最小的灰度值，k为调节权重矩阵Wvessel范围的参数；
步骤5-2、将均值投影图Imean与步骤5-1中的权重矩阵Wvessel进行矩阵乘法获得Ivessel-enhanced，对其归一化后获得血管增强图像Ivessel-enhanced ′，具体公式为：
Ivessel-enhanced＝Imean·Wvessel
式中，‘·’表示矩阵乘法，即矩阵对应位置的值相乘，和分别为Ivessel-enhanced中最大、最小的灰度值。
示例性优选地，上述步骤5-1中参数k＝1，则Wvessel的范围为[0.5,1]。
进一步地，步骤6中基于三维SD-OCT体数据，根据CNV的特性生成CNV显著图，具体为：
步骤6-1、提取三维SD-OCT体数据中OPL外边界到BM层之间的像素，并逐列计算均值；
步骤6-2、根据CNV组织与非血管组织相比反射性较高的特性，针对步骤6-1中提取的每一个像素，判断其灰度值是否大于步骤6-1计算得到的该像素所在列的均值，若大于，则该像素属于CNV的可能性高，将该像素保留，否则，将其筛去；
步骤6-3、对步骤6-2中保留下来的像素逐列求和投影得到CNV显著图Isaliency。
进一步地，步骤7所述结合CNV显著图对血管增强图像进行CNV区域对比度增强，具体为：
步骤7-1、将CNV显著图归一化，获得Isaliency′：
式中，和分别代表CNV显著图Isaliency中最大、最小的灰度值。
步骤7-2、将血管增强图像Ivessel-enhancea′与CNV显著图Isaliency′进行矩阵乘法获得Iresult，对其归一化后获得最终结果图Iresult′，具体公式为：
Iresult＝Ivessel-enhanced′·Isaliency′)μ
式中，‘·’表示矩阵乘法，即矩阵对应位置的值相乘，和分别为Iresult中最大、最小的灰度值，μ为控制最终结果图像亮度的参数。
示例性优选地，上述步骤7-2中参数μ＝2。
下面结合实施例对本发明作进一步详细的说明。
实施例
本发明以含有CNV病变的SD-OCT和OCTA视网膜图像作为输入，采用图像处理手段对SD-OCT投影图进行增强。
本实施例的流程如图1所示，通过OCTA成像设备采集SD-OCT和OCTA视网膜体数据，三维SD-OC体数据的像素尺寸大小均为640像素×400像素×400像素，对应的OCTA体数据像素尺寸为160像素×400像素×400像素，采用双线性插值法可使二者视网膜层结构严格匹配。
利用层分割算法对SD-OCT图像进行层分割，具体分割出ILM，OPL和BM层。由于采集到的双模态图像来自于同一个对象的同一次扫描，因此对SD-OCT图像进行层分割就同时分割了OCTA图像的层结构。
图2为SD-OCT视网膜图像层结构示意图。图中标注了分割出的ILM，OPL和BM层。临床实验表明CNV位于OPL外边界与BM层之间，故将三维SD-OCT体数据中OPL外边界到BM之间的像素逐列计算均值，投影得到如图3所示的均值投影图Imean，虚线圈出的部分属于CNV区域，从图3中观察可知CNV区域的边界模糊，箭头处指示的血管对比度较弱。
图4为OCTA视网膜图像层结构示意图。图中标注了分割出的ILM，OPL和BM层，将ILM与OPL外边界之间的像素逐列取最大值投影得到了如图5所示的OCTA投影图IOCTA。与图3所示的均值投影图相比，图5中包含更加丰富的血流信息，箭头所处位置与图3中箭头位置一致，可以发现OCTA投影图可以清楚地显示在均值投影图中可辨识度较低的血管。
结合OCTA投影图来对均值投影图中的血管进行增强，具体为：
先根据OCTA投影图IOCTA生成血管权重矩阵Wvessel，具体公式为：
式中，和分别代表OCTA投影图IOCTA中最大、最小的灰度值，k为调节权重矩阵Wvessel范围的参数，本实施例中所述参数为1，于是Wvessel的范围属于[0.5,1]。
再将均值投影图Imean与权重矩阵Wvessel进行矩阵乘法得到Ivessel-enhanced，将其归一化后获得血管增强图像具体公式为：
Ivessel-enhanced＝Imean·Wvessel
式中，‘·’表示矩阵乘法，即矩阵对应位置的值相乘，和分别为Ivessel-enhanced中最大、最小的灰度值。
血管增强结果图像Ivessel-enhanced′如图6所示，相比均值投影图，血管增强图像中血管对比度显著增强，箭头指示的弱血管也变得清晰可见。
图7为CNV显著图，具体生成方式为：首先提取出三维SD-OCT体数据中OPL外边界到BM层之间的像素，并逐列计算均值；然后根据CNV组织与非血管组织相比反射性较高的特性，针对OPL外边界与BM层之间的每一个像素，判断其灰度值是否大于该像素所在列的均值，若大于，则该像素属于CNV的可能性较高，将该像素保留，若不大于，则将其筛去；最后对保留下来的像素逐列求和投影得到CNV显著图Isaliency。图7中虚线圈出的部分是CNV区域，与图3所示的均值投影图相比，CNV区域的对比度更高，且边缘更清晰。
图8为CNV对比度增强结果图，具体的生成过程为：
先将CNV显著图归一化，获得Isaliency′：
式中，和分别代表CNV显著图Isaliency中最大、最小的灰度值。
再将血管增强图像Ivessel-enhanced′与归一化的CNV显著图Isaliency′进行矩阵乘法得到Iresult，将其归一化后得到最终结果图Iresult′，具体公式为：
Iresult＝Ivessel-enhanced′·Isaliency′)μ
式中，‘·’表示矩阵乘法，即矩阵对应位置的值相乘，和分别为Iresult中最大、最小的灰度值，μ是控制最终结果图像亮度的参数，本实施例中设置参数为2。与图3所示的均值投影图相比，图8中虚线圈出的CNV区域对比度得到了显著的提高。
对比图3和图8可知，本发明方法可显著地增强SD-OCT投影图像中CNV病变图像中血管与CNV区域对比度，相比于以往只根据单模态图像进行图像增强的方法，本发明同时利用了SD-OCT和OCTA双模态图像的信息，使得该方法的增强效果更佳。

Claims (8)

1.一种基于SD-OCT的CNV病变图像增强方法，其特征在于，包括以下步骤：
步骤1、采集含有脉络膜新生血管CNV病变的SD-OCT视网膜图像、OCTA视网膜图像；
步骤2、利用层分割算法分割SD-OCT视网膜图像的ILM、OPL和BM层；
步骤3、将三维SD-OCT体数据以均值投影方式生成均值投影图Imean；
步骤4、将三维OCTA体数据以最大值投影方式生成OCTA投影图IOCTA；
步骤5、结合OCTA投影图对均值投影图进行血管增强，获得血管增强图像；
步骤6、基于三维SD-OCT体数据，根据CNV的特性生成CNV显著图；
步骤7、结合CNV显著图对血管增强图像进行CNV区域对比度增强。
2.根据权利要求1所述的基于SD-OCT的CNV病变图像增强方法，其特征在于，步骤3所述将三维SD-OCT体数据以均值投影方式生成均值投影图Imean，具体为：
将三维SD-OCT体数据中OPL外边界到BM之间的像素逐列计算均值，投影得到均值投影图Imean。
3.根据权利要求1所述的基于SD-OCT的CNV病变图像增强方法，其特征在于，步骤4所述将三维OCTA体数据以最大值投影方式生成OCTA投影图IOCTA，具体为：
将三维OCTA体数据中ILM到OPL外边界之间的像素逐列求取最大值，投影得到OCTA投影图IOCTA。
4.根据权利要求1所述的基于SD-OCT的CNV病变图像增强方法，其特征在于，步骤5所述结合OCTA投影图对均值投影图进行血管增强，获得血管增强图像具体为：
步骤5-1、根据OCTA投影图IOCTA生成血管权重矩阵Wvessel：
式中，和分别代表OCTA投影图IOCTA中最大、最小的灰度值，k为调节权重矩阵Wvessel范围的参数；
步骤5-2、将均值投影图Imean与步骤5-1中的权重矩阵Wvessel进行矩阵乘法获得Ivessel-enhanced，对其归一化后获得血管增强图像Ivessel-enhanced′，具体公式为：
Ivessel-enhanced＝Imean·Wvessel
式中，‘·’表示矩阵乘法，即矩阵对应位置的值相乘，和分别为Ivessel-enhanced中最大、最小的灰度值。
5.根据权利要求4所述的基于SD-OCT的CNV病变图像增强方法，其特征在于，步骤5-1中参数k＝1，则Wvessel的范围为[0.5，1]。
6.根据权利要求1所述的基于SD-OCT的CNV病变图像增强方法，其特征在于，步骤6所述基于三维SD-OCT体数据，根据CNV的特性生成CNV显著图，具体为：
步骤6-1、提取三维SD-OCT体数据中OPL外边界到BM层之间的像素，并逐列计算均值；
步骤6-2、根据CNV组织与非血管组织相比反射性较高的特性，针对步骤6-1中提取的每一个像素，判断其灰度值是否大于步骤6-1计算得到的该像素所在列的均值，若大于，则该像素属于CNV的可能性高，将该像素保留，否则，将其筛去；
步骤6-3、对步骤6-2中保留下来的像素逐列求和投影得到CNV显著图Isaliencv。
7.根据权利要求1或6所述的基于SD-OCT的CNV病变图像增强方法，其特征在于，步骤7所述结合CNV显著图对血管增强图像进行CNV区域对比度增强，具体为：
步骤7-1、将CNV显著图归一化，获得Isaliency′：
式中，和分别代表CNV显著图Isaliency中最大、最小的灰度值。
步骤7-2、将血管增强图像Ivessel-enhanced′与CNV显著图Isaliency′进行矩阵乘法获得Iresult，对其归一化后获得最终结果图Iresult′，具体公式为：
Iresult＝Ivessel-enhanced′·(Isaliency′)μ
式中，‘·’表示矩阵乘法，即矩阵对应位置的值相乘，和分别为Iresult中最大、最小的灰度值，μ为控制最终结果图像亮度的参数。
8.根据权利要求7所述的基于SD-OCT的CNV病变图像增强方法，其特征在于，步骤7-2中参数μ＝2。
CN201910584135.XA 2019-07-01 2019-07-01 基于sd-oct的cnv病变图像增强方法 Active CN110415197B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910584135.XA CN110415197B (zh) 2019-07-01 2019-07-01 基于sd-oct的cnv病变图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910584135.XA CN110415197B (zh) 2019-07-01 2019-07-01 基于sd-oct的cnv病变图像增强方法

Publications (2)

Publication Number Publication Date
CN110415197A true CN110415197A (zh) 2019-11-05
CN110415197B CN110415197B (zh) 2022-08-12

Family

ID=68358600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910584135.XA Active CN110415197B (zh) 2019-07-01 2019-07-01 基于sd-oct的cnv病变图像增强方法

Country Status (1)

Country Link
CN (1) CN110415197B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20180182082A1 (en) * 2016-12-23 2018-06-28 Oregon Health & Science University Systems and methods for reflectance-based projection-resolved optical coherence tomography angiography

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20180182082A1 (en) * 2016-12-23 2018-06-28 Oregon Health & Science University Systems and methods for reflectance-based projection-resolved optical coherence tomography angiography

Also Published As

Publication number Publication date
CN110415197B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
US12040079B2 (en) Medical image processing apparatus, medical image processing method and computer-readable medium
JP6695478B2 (ja) 血管セグメント化
Abràmoff et al. Retinal imaging and image analysis
JP7434447B2 (ja) 医用画像処理装置、医用画像処理方法及びプログラム
Yin et al. User-guided segmentation for volumetric retinal optical coherence tomography images
Rosenfeld et al. ZEISS Angioplex™ spectral domain optical coherence tomography angiography: technical aspects
CN106600614B (zh) 基于凹凸性的sd-oct视网膜图像cnv分割方法
AU2021202217B2 (en) Methods and systems for ocular imaging, diagnosis and prognosis
US11922601B2 (en) Medical image processing apparatus, medical image processing method and computer-readable medium
WO2020183799A1 (ja) 医用画像処理装置、医用画像処理方法及びプログラム
JP7297628B2 (ja) 医用画像処理装置、医用画像処理方法及びプログラム
US9299139B2 (en) Volumetric analysis of pathologies
US10937170B2 (en) Apparatus for adaptive contouring of a body part
JP5935146B2 (ja) 眼科疾患の画像解析装置、眼科用画像解析方法及び眼科用画像解析プログラム
JP2023017051A (ja) 医用画像処理装置、医用画像処理方法及びプログラム
KR101988531B1 (ko) 증강현실 기술을 이용한 간병변 수술 내비게이션 시스템 및 장기 영상 디스플레이 방법
CN110415197A (zh) 基于sd-oct的cnv病变图像增强方法
Mouravliansky et al. Automatic retinal registration using global optimization techniques
US11302006B2 (en) 3D quantitative analysis with deep learning
Xu et al. Retinal vessel segmentation on SLO image
Zhang et al. Choroidal Neovascularization Segmentation Based on 3D CNN with Cross Convolution Module
Faria et al. 3D Mapping of choroidal thickness from OCT B-scans
Konno et al. Retinal Layer Segmentation Using 1D+ 2D U-Net from OCT Images
Capps Visualization and Analysis of Microstructure in Images of the Living Human Retina
Prokopetc Precise Mapping for Retinal Photocoagulation in SLIM (Slit-Lamp Image Mosaicing)

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