CN111369510B - 一种自动估计脉络膜厚度的方法 - Google Patents

一种自动估计脉络膜厚度的方法 Download PDF

Info

Publication number
CN111369510B
CN111369510B CN202010127306.9A CN202010127306A CN111369510B CN 111369510 B CN111369510 B CN 111369510B CN 202010127306 A CN202010127306 A CN 202010127306A CN 111369510 B CN111369510 B CN 111369510B
Authority
CN
China
Prior art keywords
image
boundary
suprachoroidal
layer image
choroid
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
Application number
CN202010127306.9A
Other languages
English (en)
Other versions
CN111369510A (zh
Inventor
王将栏
刘陇黔
边思予
何霄
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.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan 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 West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202010127306.9A priority Critical patent/CN111369510B/zh
Publication of CN111369510A publication Critical patent/CN111369510A/zh
Application granted granted Critical
Publication of CN111369510B publication Critical patent/CN111369510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General 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)
  • Geometry (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开一种自动估计脉络膜厚度的方法，应用于医学图像处理技术，为针对现有的自动脉络膜厚度估计算法复杂度高，人工估计误差大、估计效率低的问题；本发明首先通过对眼底OCT图像进行图像分解，获得结构层图像与细节层图像；然后从结构层图像估计脉络膜上边界；其次从细节层图像估计脉络膜下边界；最后根据估计的脉络膜上边界与估计的脉络膜下边界，计算脉络膜厚度；本发明的方法具有计算简单，效果好等特点，非常适合于对临床上对眼底OCT图像脉络膜进行自动的厚度估算。

Description

一种自动估计脉络膜厚度的方法
技术领域
本发明属于医学图像处理技术，特别涉及一种从眼底光学相干断层成像(OCT)图像中分割脉络膜并估算脉络膜厚度的技术。
背景技术
在眼底OCT图像中，脉络膜厚度变化能够为眼底病变(如：脉络膜疾病)，以及近视的发生发展和防控等情况提供非常重要的参考信息。然而，由于眼底结构复杂且OCT技术的成像质量有限，从机器设备获取到的OCT图像往往出现对比度低、噪声大等特点。因此，在实际临床应用中，往往需要医生手动标注并测量脉络膜厚度。手动测量脉络膜厚度不仅费时费力，而且不同医生之间也存在误差，这给基于脉络膜厚度的后续诊疗带来了诸多不便。因此，开发能够自动从眼底OCT图像中准确估算脉络厚度的计算方法具有重要意义。一种典型的脉络膜自动分割方法为基于纹理和形状的两阶段统计学模型的分割方法，参见文献：Vedran
Figure BDA0002394790120000011
Marieh Esmaeelpour,Boris
Figure BDA0002394790120000012
David Marshall,Paul L.Rosin,andWolfgang Drexler.Automated choroidal segmentation of 1060nm OCT in healthyand pathologic eyes using a statistical model.Biomedical Optics Express,Vol.3,Issue.1,pp.86-103,2012。但该方法需要收集大量准确标注的样本来进行训练，实际使用中灵活性差。
发明内容
为解决上述技术问题，本发明提出一种自动脉络膜厚度估计方法，实现高效、准确地对脉络膜厚度的计算。
本发明采用的技术方案为：一种自动脉络膜厚度估计方法，包括：
A、对眼底OCT图像进行图像分解，获得结构层图像与细节层图像；
B、从结构层图像估计脉络膜上边界；
C、从细节层图像估计脉络膜下边界；
D、根据估计的脉络膜上边界与估计的脉络膜下边界，计算脉络膜厚度。
所述步骤B包括以下分步骤：
B1、对结构层图像每一列数查找到该列数据中像素值大于其设定阈值的像素；
B2、以步骤B1中该列查找出的像素中离图像底部最近的像素作为该列对应的脉络膜上边界的初始位置估计值；
B3、对经步骤B2得到的所有列对应的脉络膜上边界的初始位置估计值进行曲线拟合，获得最终的脉络膜的上边界。
步骤B1所述阈值取值范围为每一列像素中最大像素值的50％-95％。
步骤B3所述曲线拟合为平滑样条拟合方法。
所述步骤C包括以下分步骤：
C1、提取细节层图像每一列像素中脉络膜上边界位置到图像底部之间的所有像素，并按照从上到下的顺序依次排列成一维信号；
C2、对经步骤C1得到的每一列对应的一维信号，随机选择一维信号中的位置将该一维信号分为两段，以所划分两段信号对应的功率谱直方图的卡方距离最大的这一位置对应的像素作为该列对应的脉络膜下边界的初始位置估计值；
C3、对经步骤C2得到的所有列对应的脉络膜下边界的初始位置估计值进行曲线拟合，获得最终的脉络膜的下边界。
步骤C3中所述的曲线拟合为平滑样条拟合方法。
步骤A具体为：设定正则化参数，基于全变分模型对输入的灰度图像进行分解，获得经过分解后的结构层图像和细节层图像。
具体为：求解以下优化问题，获得分解后的结构层图像(Ilow(x,y))，以及对应的细节层图像为Ihigh(x,y)＝I(x,y)-Ilow(x,y)：
Figure BDA0002394790120000021
其中，λ为正则化参数，I(x,y)表示输入图像。
λ取值范围为(0,1)。
本发明的有益效果：本发明的方法首先对眼底OCT图像进行图像分解，获得结构层图像和细节层图像，并从结构层图像估计脉络膜上边界，从细节层图像估计脉络膜下边界；通过图像分解，结构层图像中基本不包括噪声，因此通过选取阈值的简单计算就可获得脉络膜上边界位置估计值；而由于细节层图像中包括斑点噪声，因此使用基于频谱分析的统计特征来估计下边界位置，具有较好的抗噪能力；然后通过分别对估计得到的脉络膜上边界估计值和脉络膜下边界估计值进行曲线拟合，提高估计的脉络膜边界的连续性和光滑性，同时抵制噪声干扰，提高脉络膜上下边界估计的准确性；最后通过上边界和下边界之间的距离来计算脉络膜厚度。本发明所展示的方法具有计算简单，效果好等特点，非常适合于对临床上对眼底OCT图像脉络膜进行自动的厚度估算。
附图说明
图1是本发明一种从眼底OCT图像自动估算脉络膜厚度的方法的流程示意图。
图2是实施例中采用本发明方法对眼底OCT图像进行脉络膜厚度估算的结果图组。
具体实施方式
以来自四川大学华西医院的一幅真实OCT图像作为实施对象，图像大小为400×765，格式为8位jpg格式灰度图像，比例尺关系为4微米/像素。具体计算方法的流程如图1所示，具体过程如下：
S1.将输入图像分解为结构层图像和细节层图像：设定正则化参数为0.2，基于全变分模型对输入的灰度图像进行分解，获得经过分解后的结构层图像和细节层图像；
S2.估计脉络膜上边界初始位置：针对步骤S1中图像分解得到结构层图像，以图像第100列数据为例，图像第100列中像素最大值为0.7031，因此设定阈值为0.6328(即0.7031乘以0.9)；然后查找到图像第100列中像素值大于0.6328的像素，这些像素在图像第100列中的对应位置分别为第232、233、234、235、236、237、238、239、240、296、297、298、299、300、301、302行，其中离图像底部最近的位置为第302行，因此我们将第302行作为第100列中脉络膜上边界位置的初始估计值。依次对结构层图像的每一列像素进行同样计算，得到每一列中脉络膜上边界位置的初始估计值；
本领域的技术人员应注意，不在S2中的阈值取值范围为每一列像素中最大像素值的50％-95％；本实施例中取值为每一列像素中最大像素值的90％。
S3.拟合脉络膜上边界初始估计值：对步骤S2中获得的每一列的脉络膜上边界像素位置的初始估计值进行基于平滑样条方法的曲线拟合，获得最终的脉络膜的上边界。例如，经曲线拟合后图像第100列中的脉络膜上边界位置为第302行。
S4.估计脉络膜下边界初始位置：针对步骤S1中图像分解得到细节层图像，依次提取每一列像素中脉络膜上边界位置至图像底部之间的所有像素，并按从上到下的顺序依次排列成一维信号；以第100列像素为例，由步骤S3获得该列中脉络膜上边界位置为第302行，因此取得的一维信号为图像第100列中第302行至第400行(图像底部)之间的像素值，并依次排列组成的一维信号，信号长度为99。针对该一维信号，依次选择信号中的任意位置将信号分为两段，并对两段信号分别做傅里叶变换获得功率谱直方图，计算两段信号对应功率谱直方图的卡方距离，作为两段信号的功率谱差异值；针对第100列所获得的一维信号，当以信号的第25个数据位置将信号分为两段时，两段信号的功率谱直方图差异(卡方距离)最大，为0.0395；因此，图像第100列中脉络膜下边界像素初始估计值为第327行，即25加上上边界位置302(该一维信号的起始位置)；按照同样计算方式，依次计算图像中每一列中脉络膜下边界的位置初始估计值。
S5.拟合脉络膜下边界初始估计值：对步骤S4中获得的脉络膜下边界位置初始估计值进行基于平滑样条方法的曲线拟合；获得最终的脉络膜的下边界位置；例如，经曲线拟合后图像第100列中的脉络膜下边界位置为第350行。
S6.计算脉络膜厚度：针对于输入图像每一列，计算脉络膜上边界和下边界之间的距离即为该列中脉络膜厚度。例如，第100列中脉络膜厚度为上下边界之间的距离，即350减去302为48像素。因为从成像设备获知的成像尺度关系为4微米/像素，因此经换算后图像第100列出的脉络膜厚度为192微米，即48像素乘以4微米/像素。
测试结果如图2所示，其中：图2(a)为原始眼底OCT图像，图2(b)为医生手工标注的脉络膜上、下边界位置，图2(c)为由本发明的自动估算方法计算得到的脉络膜上、下边界位置。从图2中可以清楚看出，采用本发明方法对眼底OCT图像进行脉络膜上下边界，能够得到与医生手工标注相当的结果，即采用本发明的方法能够实现自动地从眼底OCT图像中估算脉络膜厚度。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种自动脉络膜厚度估计方法，其特征在于，包括：
A、对眼底OCT图像进行图像分解，获得结构层图像与细节层图像；
B、从结构层图像估计脉络膜上边界；
C、从细节层图像估计脉络膜下边界；所述步骤C包括以下分步骤：
C1、提取细节层图像每一列像素中脉络膜上边界位置到图像底部之间的所有像素，并按照从上到下的顺序依次排列成一维信号；
C2、对经步骤C1得到的每一列对应的一维信号，随机选择一维信号中的位置将该一维信号分为两段，以所划分两段信号对应的功率谱直方图的卡方距离最大的这一位置对应的像素作为该列对应的脉络膜下边界的初始位置估计值；
C3、对经步骤C2得到的所有列对应的脉络膜下边界的初始位置估计值进行曲线拟合，获得最终的脉络膜的下边界；
D、根据估计的脉络膜上边界与估计的脉络膜下边界，计算脉络膜厚度。
2.根据权利要求1所述的一种自动脉络膜厚度估计方法，其特征在于，所述步骤B包括以下分步骤：
B1、对结构层图像每一列数查找到该列数据中像素值大于其设定阈值的像素；
B2、以步骤B1中该列查找出的像素中离图像底部最近的像素作为该列对应的脉络膜上边界的初始位置估计值；
B3、对经步骤B2得到的所有列对应的脉络膜上边界的初始位置估计值进行曲线拟合，获得最终的脉络膜的上边界。
3.根据权利要求2所述的一种自动脉络膜厚度估计方法，其特征在于，步骤B1所述阈值的取值范围为该列像素中最大像素值的50％-95％。
4.根据权利要求2或3所述的一种自动脉络膜厚度估计方法，其特征在于，步骤B3所述曲线拟合为平滑样条拟合方法。
5.根据权利要求1所述的一种自动脉络膜厚度估计方法，其特征在于，步骤C3中所述的曲线拟合为平滑样条拟合方法。
6.根据权利要求1所述的一种自动脉络膜厚度估计方法，其特征在于，步骤A具体为：设定正则化参数，基于全变分模型对输入的灰度图像进行分解，获得经过分解后的结构层图像和细节层图像。
7.根据权利要求6所述的一种自动脉络膜厚度估计方法，其特征在于，具体为：求解以下优化问题：
Figure FDA0003593229550000021
获得分解后的结构层图像Ilow(x,y)，以及对应的细节层图像为Ihigh(x,y)＝I(x,y)-Ilow(x,y)；
其中，λ为正则化参数，I(x,y)表示输入图像。
8.根据权利要求7所述的一种自动脉络膜厚度估计方法，其特征在于，λ取值范围为(0,1)。
CN202010127306.9A 2020-02-28 2020-02-28 一种自动估计脉络膜厚度的方法 Active CN111369510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010127306.9A CN111369510B (zh) 2020-02-28 2020-02-28 一种自动估计脉络膜厚度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010127306.9A CN111369510B (zh) 2020-02-28 2020-02-28 一种自动估计脉络膜厚度的方法

Publications (2)

Publication Number Publication Date
CN111369510A CN111369510A (zh) 2020-07-03
CN111369510B true CN111369510B (zh) 2022-07-01

Family

ID=71212032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010127306.9A Active CN111369510B (zh) 2020-02-28 2020-02-28 一种自动估计脉络膜厚度的方法

Country Status (1)

Country Link
CN (1) CN111369510B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514605A (zh) * 2013-10-11 2014-01-15 南京理工大学 基于hd-oct视网膜图像的脉络膜层自动分割方法
CN106558030A (zh) * 2016-11-15 2017-04-05 苏州大学 三维大视野扫频光学相干断层成像中脉络膜的分割方法
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
RU2016124757A (ru) * 2016-06-22 2017-12-27 Рашид Адыгамович Ибатулин Устройство для профилактики и/или лечения рефракционных нарушений зрения
CN109272539A (zh) * 2018-09-13 2019-01-25 云南大学 基于引导图全变分模型的图像纹理和结构的分解方法
CN109414162A (zh) * 2016-05-13 2019-03-01 洛桑联邦理工学院 用于倾斜照明下视网膜吸收相以及暗场成像的系统、方法和装置
CN109598680A (zh) * 2018-10-19 2019-04-09 浙江工业大学 基于快速非局部均值和tv-l1模型的剪切波变换医学ct图像去噪方法
CN110517205A (zh) * 2019-09-02 2019-11-29 长沙理工大学 一种图像修复方法、系统及相关装置
CN110675318A (zh) * 2019-09-10 2020-01-10 中国人民解放军国防科技大学 一种基于主结构分离的稀疏表示图像超分辨率重建方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514605A (zh) * 2013-10-11 2014-01-15 南京理工大学 基于hd-oct视网膜图像的脉络膜层自动分割方法
CN109414162A (zh) * 2016-05-13 2019-03-01 洛桑联邦理工学院 用于倾斜照明下视网膜吸收相以及暗场成像的系统、方法和装置
RU2016124757A (ru) * 2016-06-22 2017-12-27 Рашид Адыгамович Ибатулин Устройство для профилактики и/или лечения рефракционных нарушений зрения
CN106558030A (zh) * 2016-11-15 2017-04-05 苏州大学 三维大视野扫频光学相干断层成像中脉络膜的分割方法
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
CN109272539A (zh) * 2018-09-13 2019-01-25 云南大学 基于引导图全变分模型的图像纹理和结构的分解方法
CN109598680A (zh) * 2018-10-19 2019-04-09 浙江工业大学 基于快速非局部均值和tv-l1模型的剪切波变换医学ct图像去噪方法
CN110517205A (zh) * 2019-09-02 2019-11-29 长沙理工大学 一种图像修复方法、系统及相关装置
CN110675318A (zh) * 2019-09-10 2020-01-10 中国人民解放军国防科技大学 一种基于主结构分离的稀疏表示图像超分辨率重建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Automated choroidal segmentation of 1060 nm OCT in healthy and pathologic eyes using a statistical model;Vedran Kajić等;《BIOMEDICAL OPTICS EXPRESS》;20111212;第3卷(第1期);摘要、正文第2节 *
Automatic Measurements of Choroidal Thickness in EDI-OCT Images;Jing Tian等;《34th Annual International Conference of the IEEE EMBS》;20121112;摘要、正文第II部分、图2、图4 *
Choroid segmentation from Optical Coherence Tomography with graph-edge weights learned from deep convolutional neural networks;Xiaodan Sui等;《Neurocomputing》;20170510;第237卷;332-341 *
Quantifying Variability in Longitudinal Peripapillary RNFL and Choroidal Layer Thickness Using Surface Based Registration of OCT Images;Sieun Lee等;《Transl Vis Sci Technol》;20170228;第6卷(第1期);1-20 *
基于偏微分方程的医学图像处理理论与实验研究;陈冠楠;《中国博士学位论文全文数据库_信息科技辑》;20091115;I138-47 *

Also Published As

Publication number Publication date
CN111369510A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
Li et al. Digital hair removal by deep learning for skin lesion segmentation
CN111325739B (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
CN110772286B (zh) 一种基于超声造影识别肝脏局灶性病变的系统
Saad et al. Automated region growing for segmentation of brain lesion in diffusion-weighted MRI
JP6265588B2 (ja) 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
Garnavi et al. Automatic segmentation of dermoscopy images using histogram thresholding on optimal color channels
CN108186051B (zh) 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统
CN108378869B (zh) 一种从超声图像中自动测量胎儿头围长度的图像处理方法及处理系统
US20040264749A1 (en) Boundary finding in dermatological examination
CN110930427B (zh) 一种基于语义轮廓信息的图像分割方法、设备和存储介质
CN112263217B (zh) 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法
Barbosa et al. Towards automatic quantification of the epicardial fat in non-contrasted CT images
CN117132510B (zh) 一种基于图像处理的监控图像增强方法及系统
CN106780492B (zh) 一种ct骨盆图像的关键帧提取方法
Dikkala et al. A comprehensive analysis of morphological process dependent retinal blood vessel segmentation
JP2019028887A (ja) 画像処理方法
CN114092405A (zh) 一种针对黄斑水肿oct图像的视网膜层自动分割方法
CN111401102A (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN111369510B (zh) 一种自动估计脉络膜厚度的方法
CN111091578B (zh) 一种针对血管医学影像的分割方法
Kang et al. Dental plaque quantification using mean-shift-based image segmentation
Hernández et al. Automatic segmentation based on deep learning techniques for diabetic foot monitoring through multimodal images
WO2020140380A1 (zh) 一种光学相干断层扫描图像的快速分割方法及装置
Arnold et al. Indistinct frame detection in colonoscopy videos
Irshad et al. Automatic optic disk segmentation in presence of disk blurring

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