CN110415216B - 基于sd-oct和octa视网膜图像的cnv自动检测方法 - Google Patents
基于sd-oct和octa视网膜图像的cnv自动检测方法 Download PDFInfo
- Publication number
- CN110415216B CN110415216B CN201910584151.9A CN201910584151A CN110415216B CN 110415216 B CN110415216 B CN 110415216B CN 201910584151 A CN201910584151 A CN 201910584151A CN 110415216 B CN110415216 B CN 110415216B
- Authority
- CN
- China
- Prior art keywords
- cnv
- image
- octa
- oct
- target candidate
- 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
- 210000001525 retina Anatomy 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 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 title claims 14
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000004256 retinal image Effects 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000002207 retinal effect Effects 0.000 claims description 8
- 230000017531 blood circulation Effects 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000036285 pathological change Effects 0.000 claims description 4
- 231100000915 pathological change Toxicity 0.000 claims description 4
- 238000006471 dimerization reaction Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000004270 retinal projection Effects 0.000 claims 1
- 208000005590 Choroidal Neovascularization Diseases 0.000 abstract description 70
- 206010060823 Choroidal neovascularisation Diseases 0.000 abstract description 70
- 238000012014 optical coherence tomography Methods 0.000 abstract description 31
- 230000002902 bimodal effect Effects 0.000 abstract description 5
- 238000002583 angiography Methods 0.000 abstract description 2
- 230000003902 lesion Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 5
- 201000004569 Blindness Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 206010064930 age-related macular degeneration Diseases 0.000 description 2
- 208000002780 macular degeneration Diseases 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000004393 visual impairment Effects 0.000 description 2
- 206010025421 Macule Diseases 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/80—
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明公开了一种基于频域光学相干断层(SD‑OCT)和光学相干断层成像血管造影(OCTA)图像的脉络膜新生血管(CNV)自动检测方法，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CNV病变的SD‑OCT视网膜图像和OCTA视网膜图像；对视网膜图像进行层分割，并将三维体数据投影得到二维投影图；通过自适应阈值法分别将双模态的投影图二值化，并将双模态中的目标候选区域合并；根据包含种子点数量去除虚假目标候选区域，获得粗略CNV区域；对粗略CNV区域内部的像素进行聚类以细化边界。本发明与传统的基于单模态图像的检测方法相比，具有更高的检测精度和鲁棒性。
Description
技术领域
本发明涉及图像检测处理领域，特别是一种基于频域光学相干断层 (SD-OCT)和光学相干断层成像血管造影(OCTA)图像的脉络膜新生血管(CNV) 自动检测方法。
背景技术
CNV是年龄相关性黄斑变性(AMD)的基本病理改变，因其常累及黄斑，是引起视力下降甚至视力丧失的主要原因。SD-OCT和OCTA作为两种快速、无创的成像技术，可以从三维层面显示视网膜结构，从而帮助临床医生进行CNV 病情诊断以及疗效评估。现有的OCTA设备在单次扫描检查后，可同时提供 SD-OCT和OCTA两种模态的视网膜图像，且无须配准，这给结合多模态数据进行图像处理提供了便利。CNV检测可极大地帮助临床医生对CNV进行快速评估和量化分析，是一项基础且重要的工作。
现有的算法均是基于单模态图像来进行CNV检测，主要包括基于结构增强滤波的算法和基于视觉显著性的算法，这些算法对噪声的敏感性较低，尤其是 CNV区域较小且CNV与噪声有相似反射率时会错误地将噪声检测为CNV区域，因此，这些算法的检测精度和鲁棒性有待提高。
发明内容
本发明的目的在于提供一种检测精度高、抗干扰能力强、鲁棒性好的CNV 自动检测方法。
实现本发明的目的的技术解决方案为：一种基于SD-OCT和OCTA视网膜图像的CNV自动检测方法，包括以下步骤：
步骤1、采集含有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体数据投影生成CNV显著图；
步骤4、将三维OCTA体数据投影生成视网膜内、外层投影图；
步骤5、基于视网膜内、外层投影图，去除血流投射伪影获得伪影去除图像；
步骤6、通过自适应阈值法将CNV显著图和伪影去除图像二值化；
步骤7、对步骤6获得的两个二值图像进行数学形态学处理，获得目标候选区域；
步骤8、将步骤7获得的所有目标候选区域合并；
步骤9、根据包含种子点数量去除虚假目标候选区域，获得粗略CNV区域；
步骤10、对视网膜外层投影图中粗略CNV区域边界内部的像素进行二聚类处理，获得二值图像；
步骤11、对步骤10的二值图像进行数学形态学处理获得细化的CNV边界。
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基于 SD-OCT和OCTA视网膜图像的CNV自动检测方法，充分考虑了CNV区域在双模态图像中的成像特性，与传统的基于单模态的方法相比，检测精度和鲁棒性均有所提升；2)本发明CNV检测方法基于先粗检测后细化的思想，能够更准确检测出完整的CNV边界；3)本发明基于双模态图像构建的种子点集合能够克服噪声的干扰，且根据所含种子点数量对虚假目标候选区域进行去除，定位 CNV区域的准确性和鲁棒性高。
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和OCTA视网膜图像的CNV自动检测方法的流程图。
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CNV显著图。
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视网膜内层投影图。
图6为本发明实施例中OCTA视网膜外层投影图。
图7为本发明实施例中伪影去除图。
图8为本发明实施例中通过自适应阈值法获得的二值图。其中，(a)为 CNV显著图对应的二值图，(b)为伪影去除图像对应的二值图。
图9为本发明实施例中对图8的二值化图像进行数学形态学处理的结果图。其中，(a)为CNV显著图对应数学形态学处理结果图像，(b)为伪影去除图像对应的数学形态学处理结果图像。
图10为本发明实施例中目标候选区域合并的结果图。
图11为本发明实施例中种子点集合示意图。
图12为本发明实施例中去除虚假目标候选区域示意图。
图13为本发明实施例中聚类示意图。其中，(a)为视网膜外层投影图中粗略CNV区域范围内的图像，(b)为聚类结果的二值图像。
图14为本发明实施例中CNV区域检测结果图。
具体实施方式
结合图1，本发明的基于SD-OCT和OCTA视网膜图像的CNV自动检测方法包括以下步骤：
步骤1、采集含有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体数据投影生成CNV显著图；
步骤4、将三维OCTA体数据投影生成视网膜内、外层投影图；
步骤5、基于视网膜内、外层投影图，去除血流投射伪影获得伪影去除图像；
步骤6、通过自适应阈值法将CNV显著图和伪影去除图像二值化；
步骤7、对步骤6获得的两个二值图像进行数学形态学处理，获得目标候选区域；
步骤8、将步骤7获得的所有目标候选区域合并；
步骤9、根据包含种子点数量去除虚假目标候选区域，获得粗略CNV区域；
步骤10、对视网膜外层投影图中粗略CNV区域边界内部的像素进行二聚类处理，获得二值图像；
步骤11、对步骤10的二值图像进行数学形态学处理获得细化的CNV边界。
进一步地，步骤3中将三维SD-OCT体数据投影生成CNV显著图，具体为：
步骤3-1、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3-2、针对步骤3-1中提取的每一个像素，比较其灰度值是否大于该像素所在列的均值，若大于，则保留，否则筛去；
步骤3-3、对步骤3-2中保留的像素逐列求和投影得到CNV显著图Isaliency。
进一步地，步骤4中将三维OCTA体数据投影生成视网膜内、外层投影图，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，投影得到视网膜内层投影图Iinner；
将三维OCTA体数据中OPL外边界到BM之间的像素逐列求取最大值，投影得到视网膜外层投影图Iouter。
进一步地，步骤5中基于视网膜内、外层投影图，去除血流投射伪影，具体为：
将视网膜外层投影图Iouter减去视网膜内层投影图Iinner，之后进行归一化处理获得伪影去除图像Iremove。
进一步地，步骤7所述对步骤6获得的两个二值图像进行数学形态学处理，获得目标候选区域，具体为：
步骤7-1、对CNV显著图Isaliency的二值图像M1进行数学形态学闭操作获得Mclose，所用公式为：
式中，
表示膨胀算子，
表示腐蚀算子，S1为半径为r1个像素的圆盘形结构元；
步骤7-2、对步骤7-1得到的Mclose进行孔洞填充获得二值图像M2，该图像中的所有连通区域均为目标候选区域；
步骤7-3、对伪影去除图像Iremove的二值图像M3进行数学形态学膨胀操作获得Mdilate，所用公式为：
式中
表示膨胀算子，S1为半径为r1个像素的圆盘形结构元；
步骤7-4、对步骤7-3得到的Mdilate进行孔洞填充获得二值图像M4，该图像中的所有连通区域均为目标候选区域。
示例性优选地，上述r1＝5。
进一步地，步骤8中将步骤7获得的所有目标候选区域合并，具体为：
步骤8-1、将步骤7得到的M2和M4取交集，获得二值图像M5；
步骤8-2、针对M5中的单个目标候选区域Ri，将其扩大至M2和M4中与Ri相交的所有目标候选区域中面积最大的目标候选区域Rmax；
步骤8-3、重复执行步骤8-2直至M5中所有的目标候选区域均被遍历，获得二值图像M6，该图像中的所有连通区域均为合并后的目标候选区域。
进一步地，步骤9中根据包含种子点数量去除虚假目标候选区域，获得粗略CNV区域，具体为：
步骤9-1、分别取出CNV显著图Isaliency和伪影去除图像Iremove中灰度值最大的n个点作为种子点，构建各自的种子点集合，并将两个种子点集合取并集得到最终的种子点集合；
步骤9-2、统计步骤8获得的M6中的每一个目标候选区域中包含种子点的数量，选取包含种子点最多的目标候选区域作为粗略CNV区域。
示例性优选地，上述n＝10。
进一步地，步骤10中对视网膜外层投影图中粗略CNV区域边界内部的像素进行二聚类处理，获得二值图像，具体为：
取粗略CNV区域的外接矩形，选取视网膜外层图像Iouter中外接矩形对应范围内的像素进行K-means二聚类，获得二值图像Mcluster。
进一步地，步骤11中对步骤10的二值图像进行数学形态学处理获得细化的CNV边界，具体为：
步骤11-1、对步骤10获得的二值图像Mcluster进行数学形态学闭操作获得 Mclose1，所用公式为：
式中，
表示膨胀算子，
表示腐蚀算子，S2为半径为r2个像素的圆盘形结构元；
步骤11-2、从Mclose1中挑选出面积最大的连通域，并进行孔洞填充，获得细化的CNV边界。
示例性优选地，上述r2＝2。
下面结合实施例对本发明做进一步详细的说明。
实施例
本系统发明以含有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输入图像中的CNV进行自动检测。
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，SD-OCT和OCTA体数据的像素尺寸大小分别为640像素×400 像素×400像素和160像素×400像素×400像素，对OCTA体数据进行双线性插值可使二者的尺寸达到一致。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SD-OCT和OCTA图像来自于同一次扫描，二者的层结构完全匹配，因此无须对OCTA图像再进行层分割。
图2为SD-OCT视网膜层结构示意图。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，故投影范围约束在上述两条线之间。本发明根据CNV组织具有较高反射性的特点，挑选出灰度值大于该列均值的像素，这些点有更大可能性属于CNV组织，将这些像素逐列求和投影生成如图3所示的CNV显著图。图3中用虚线圈出的部分为CNV区域。
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所示的视网膜内层投影图，将OPL外边界与BM之间的像素逐列取最大值投影得到如图6所示的视网膜外层投影图。根据临床经验视网膜外层范围内除去CNV 应该是无血管区，但在OCTA实际成像过程中会产生与内层血管结构相似的血流投射伪影，利用外层投影图像减去内层投影图像可去除伪影的影响，获得伪影去除图像如图7所示。
采用自适应阈值法分别对CNV显著图和伪影去除图像进行二值化，获得如图8中的(a)和图8中的(b)所示的二值图像。对图8中的(a)进行数学形态学闭操作，采用的是半径5个像素的圆盘形结构元，再进行孔洞填充获得的结果如图9中的(a)所示，其中的白色区域即为目标候选区域。对图8中的(b) 进行数学形态学膨胀操作，采用的是半径5个像素的圆盘形结构元，再进行孔洞填充获得的结果如图9中的(b)所示，其中的白色区域即为目标候选区域。
将图9中的(a)和图9中的(b)取交集，然后对交集图像中的单个目标候选区域Ri，将其扩大至图9中的(a)和图9中的(b)中与Ri相交的所有目标候选区域中面积最大的目标候选区域Rmax。对所有目标候选区域进行上述相同处理后获得如图10所示的合并结果图。
若此时目标候选区域合并结果图中仍然包含多个目标候选区域，则需要去除虚假目标候选区域。分别提取如图3所示的CNV显著图和如图7所示的伪影去除图像中灰度值最大的10个点作为种子点，并将两个种子点集合取并集得到最终的种子点集合，如图11所示；统计合并结果图中的每一个目标候选区域中包含种子点的数量，选取包含最多种子点的目标候选区域作为粗略CNV区域。图 12中统计发现区域B包含最多的种子点，故将其确立为粗略CNV区域。
由于之前进行了数学形态学处理，获得的粗略CNV区域会比实际区域偏大。因此采用聚类方法来细化边界，具体为：对粗略CNV区域取外接矩形，选取如图6所示的视网膜外层投影图中外接矩形对应范围内的像素进行K-means 二聚类，聚类示意图如图13中的(a)和(b)所示。对聚类结果图图像进行数学形态学处理闭操作，采用的是半径2个像素的圆盘形结构元，之后挑选出其中面积最大的连通域，并进行孔洞填充，获得如图14所示的CNV区域检测结果图。
综上，本发明方法首先考虑CNV区域在双模态图像中的成像特性对目标区域进行粗检测，而后通过聚类对CNV边界进行细化。本发明方法可克服噪声干扰，准确地定位CNV区域，并完整的检测出CNV边界。与传统基于单模态的方法相比，本发明方法的检测精度和鲁棒性均有所提升。
Claims (8)
1.一种基于SD-OCT和OCTA视网膜图像的CNV自动检测方法，其特征在于，包括以下步骤：
步骤1、采集含有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体数据投影生成CNV显著图；
步骤4、将三维OCTA体数据投影生成视网膜内、外层投影图；
步骤5、基于视网膜内、外层投影图，去除血流投射伪影获得伪影去除图像；
步骤6、通过自适应阈值法将CNV显著图和伪影去除图像二值化；
步骤7、对步骤6获得的两个二值图像分别进行数学形态学处理，获得目标候选区域；具体为：
步骤7-1、对CNV显著图Isaliency的二值图像M1进行数学形态学闭操作获得Mclose，所用公式为：
式中，
表示膨胀算子，
表示腐蚀算子，S1为半径为r1个像素的圆盘形结构元；
步骤7-2、对步骤7-1得到的Mclose进行孔洞填充获得二值图像M2，该图像中的所有连通区域均为目标候选区域；
步骤7-3、对伪影去除图像Iremove的二值图像M3进行数学形态学膨胀操作获得Mdilate，所用公式为：
式中
表示膨胀算子，S1为半径为r1个像素的圆盘形结构元；
步骤7-4、对步骤7-3得到的Mdilate进行孔洞填充获得二值图像M4，该图像中的所有连通区域均为目标候选区域；
步骤8、将步骤7获得的所有目标候选区域合并；具体为：
步骤8-1、将步骤7得到的M2和M4取交集，获得二值图像M5；
步骤8-2、针对M5中的单个目标候选区域Ri，将其扩大至M2和M4中与Ri相交的所有目标候选区域中面积最大的目标候选区域Rmax；
步骤8-3、重复执行步骤8-2直至M5中所有的目标候选区域均被遍历，获得二值图像M6，该图像中的所有连通区域均为合并后的目标候选区域；
步骤9、根据包含种子点数量去除虚假目标候选区域，获得粗略CNV区域；
步骤10、对视网膜外层投影图中粗略CNV区域边界内部的像素进行二聚类处理，获得二值图像；
步骤11、对步骤10的二值图像进行数学形态学处理获得细化的CNV边界。
2.根据权利要求1所述的基于SD-OCT和OCTA视网膜图像的CNV自动检测方法，其特征在于，步骤3所述将三维SD-OCT体数据投影生成CNV显著图，具体为：
步骤3-1、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3-2、针对步骤3-1中提取的每一个像素，比较其灰度值是否大于该像素所在列的均值，若大于，则保留，否则筛去；
步骤3-3、对步骤3-2中保留的像素逐列求和投影得到CNV显著图Isaliency。
3.根据权利要求1所述的基于SD-OCT和OCTA视网膜图像的CNV自动检测方法，其特征在于，步骤4所述将三维OCTA体数据投影生成视网膜内、外层投影图，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，投影得到视网膜内层投影图Iinner；
将三维OCTA体数据中OPL外边界到BM之间的像素逐列求取最大值，投影得到视网膜外层投影图Iouter。
4.根据权利要求1或3所述的基于SD-OCT和OCTA视网膜图像的CNV自动检测方法，其特征在于，步骤5所述基于视网膜内、外层投影图，去除血流投射伪影，具体为：
将视网膜外层投影图Iouter减去视网膜内层投影图Iinner，之后进行归一化处理获得伪影去除图像Iremove。
5.根据权利要求1所述的基于SD-OCT和OCTA视网膜图像的CNV自动检测方法，其特征在于，步骤9所述根据包含种子点数量去除虚假目标候选区域，获得粗略CNV区域，具体为：
步骤9-1、分别提取CNV显著图Isaliency和伪影去除图像Iremove中灰度值最大的n个点作为种子点，构建各自的种子点集合，并将两个种子点集合取并集得到最终的种子点集合；
步骤9-2、统计步骤8获得的M6中的每一个目标候选区域中包含种子点的数量，选取包含种子点最多的目标候选区域作为粗略CNV区域。
6.根据权利要求1所述的基于SD-OCT和OCTA视网膜图像的CNV自动检测方法，其特征在于，步骤10所述对视网膜外层投影图中粗略CNV区域边界内部的像素进行二聚类处理，获得二值图像，具体为：
取粗略CNV区域的外接矩形，选取视网膜外层图像Iouter中外接矩形对应范围内的像素进行K-means二聚类，获得二值图像Mcluster。
7.根据权利要求1所述的基于SD-OCT和OCTA视网膜图像的CNV自动检测方法，其特征在于，步骤11所述对步骤10的二值图像进行数学形态学处理获得细化的CNV边界，具体为：
步骤11-1、对步骤10获得的二值图像Meluster进行数学形态学闭操作获得Mclose1，所用公式为：
式中，
表示膨胀算子，
表示腐蚀算子，S2为半径为r2个像素的圆盘形结构元；
步骤11-2、从Mclose1中挑选出面积最大的连通域，并进行孔洞填充，获得细化的CNV边界。
8.根据权利要求1或5或7所述的基于SD-OCT和OCTA视网膜图像的CNV自动检测方法，其特征在于，步骤7-1和步骤7-2中的r1＝5，步骤9-1中n＝10，步骤11-1中r2＝2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910584151.9A CN110415216B (zh) | 2019-07-01 | 2019-07-01 | 基于sd-oct和octa视网膜图像的cnv自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910584151.9A CN110415216B (zh) | 2019-07-01 | 2019-07-01 | 基于sd-oct和octa视网膜图像的cnv自动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110415216A CN110415216A (zh) | 2019-11-05 |
| CN110415216B true CN110415216B (zh) | 2022-08-12 |
Family
ID=68358630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910584151.9A Active CN110415216B (zh) | 2019-07-01 | 2019-07-01 | 基于sd-oct和octa视网膜图像的cnv自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110415216B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112057049B (zh) * | 2020-09-14 | 2021-08-10 | 浙江大学 | 一种基于多维度特征空间的光学相干血流造影方法与系统 |
| CN115409689B (zh) * | 2021-05-28 | 2023-09-29 | 南京博视医疗科技有限公司 | 一种多模态视网膜眼底图像的配准方法及装置 |
| CN113762266B (zh) * | 2021-09-01 | 2024-04-26 | 北京中星天视科技有限公司 | 目标检测方法、装置、电子设备和计算机可读介质 |
| CN114271791B (zh) * | 2022-01-12 | 2023-03-24 | 广州永士达医疗科技有限责任公司 | 一种oct成像系统的伪影检测方法及装置 |
| CN115984212B (zh) * | 2022-12-29 | 2024-02-27 | 视微影像(河南)科技有限公司 | 在眼底图中观察光凝的方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016154495A2 (en) * | 2015-03-25 | 2016-09-29 | Oregon Health & Science University | Systems and methods of choroidal neovascularization detection using optical coherence tomography angiography |
| CN106600614B (zh) * | 2016-12-19 | 2019-10-18 | 南京理工大学 | 基于凹凸性的sd-oct视网膜图像cnv分割方法 |
-
2019
- 2019-07-01 CN CN201910584151.9A patent/CN110415216B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110415216A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415216B (zh) | 基于sd-oct和octa视网膜图像的cnv自动检测方法 | |
| Cheng et al. | Superpixel classification based optic disc and optic cup segmentation for glaucoma screening | |
| CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| Haloi et al. | A Gaussian scale space approach for exudates detection, classification and severity prediction | |
| CN106846293B (zh) | 图像处理方法和装置 | |
| EP3207522A1 (en) | Automatic region-of-interest segmentation and registration of dynamic contrast-enhanced images of colorectal tumors | |
| Stapor et al. | Segmentation of fundus eye images using methods of mathematical morphology for glaucoma diagnosis | |
| Hajeb Mohammad Alipour et al. | A new combined method based on curvelet transform and morphological operators for automatic detection of foveal avascular zone | |
| Almazroa et al. | An automatic image processing system for glaucoma screening | |
| Sarwar et al. | Segmentation of cervical cells for automated screening of cervical cancer: a review | |
| Joshi et al. | Detection of hard exudates based on morphological feature extraction | |
| Wu et al. | Geographic atrophy segmentation in SD-OCT images using synthesized fundus autofluorescence imaging | |
| Chen et al. | Automatic segmentation of fluid-associated abnormalities and pigment epithelial detachment in retinal SD-OCT images | |
| Escorcia-Gutierrez et al. | Convexity shape constraints for retinal blood vessel segmentation and foveal avascular zone detection | |
| Kishore et al. | Automatic stenosis grading system for diagnosing coronary artery disease using coronary angiogram | |
| Zhang et al. | Retinal spot lesion detection using adaptive multiscale morphological processing | |
| Tsai et al. | Adaptive segmentation of vessels from coronary angiograms using multi-scale filtering | |
| Jodas et al. | Lumen segmentation in magnetic resonance images of the carotid artery | |
| CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
| WO2020240455A1 (en) | A computer based method for classifying a mass of an organ as a cyst | |
| CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
| Bharkad | Automatic segmentation of optic disk in retinal images using dwt | |
| Shang et al. | Adaptive directional region growing segmentation of the hepatic vasculature | |
| Almi'ani et al. | A modified region growing based algorithm to vessel segmentation in magnetic resonance angiography |
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 |