CN111862114A - 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 - Google Patents
一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 Download PDFInfo
- Publication number
- CN111862114A CN111862114A CN202010660715.5A CN202010660715A CN111862114A CN 111862114 A CN111862114 A CN 111862114A CN 202010660715 A CN202010660715 A CN 202010660715A CN 111862114 A CN111862114 A CN 111862114A
- Authority
- CN
- China
- Prior art keywords
- image
- choroidal
- choroid
- oct
- dimensional
- 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.)
- Pending
Links
- 238000012014 optical coherence tomography Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003384 imaging method Methods 0.000 title claims abstract description 37
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 35
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 16
- 210000003161 choroid Anatomy 0.000 claims abstract description 99
- 238000013135 deep learning Methods 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 210000001519 tissue Anatomy 0.000 claims abstract description 18
- 230000002792 vascular Effects 0.000 claims abstract description 15
- 208000028867 ischemia Diseases 0.000 claims abstract description 11
- 210000003786 sclera Anatomy 0.000 claims abstract description 8
- 230000002207 retinal effect Effects 0.000 claims abstract description 5
- 210000005081 epithelial layer Anatomy 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 210000000873 fovea centralis Anatomy 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000002238 attenuated effect Effects 0.000 claims description 10
- 238000011002 quantification Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 206010025421 Macule Diseases 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 210000003583 retinal pigment epithelium Anatomy 0.000 description 9
- 239000000049 pigment Substances 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000000981 epithelium Anatomy 0.000 description 2
- 230000004402 high myopia Effects 0.000 description 2
- 208000002780 macular degeneration Diseases 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 230000006496 vascular abnormality Effects 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001775 bruch membrane Anatomy 0.000 description 1
- 210000003986 cell retinal photoreceptor Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000036040 emmetropia Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
- A61B3/1225—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes using coherent radiation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Ophthalmology & Optometry (AREA)
- Heart & Thoracic Surgery (AREA)
- Computing Systems (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Eye Examination Apparatus (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置,基于OCT后向散射信号逆向补偿的思想,将OCT获取的深部脉络膜血管及基质因后向散射衰减信号进行逆向补偿,增强脉络膜血管的信噪比;在获取增强的OCT脉络膜图像信号后,进一步采用基于深度学习的分割方法,对脉络膜与视网膜上皮层以及脉络膜与巩膜之间的边界进行智能化分割,克服传统算法在三维脉络膜边界分割的耗时、准确性低的缺点;在边界分割基础上,进一步采用改进的自适应阈值分割方法,自动分离出三维脉络膜血管与非血管组织,并根据图像中血管在三维体空间的分布及占比,计算出能够表征脉络膜缺血的全局和各区域定量化指标。
Description
技术领域
本发明涉及OCT技术领域,具体涉及一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置。
背景技术
脉络膜是位于视网膜和巩膜之间高度血管化且富含色素的组织。主要功能是向RPE和视网膜外层提供氧气和营养物质,其输送的氧气大约占视网膜氧耗的90%,是维持视网膜外层感光细胞高代谢活动所必须的;尤其在黄斑中心凹无血管区,脉络膜是其物质交换的唯一途径。很多疾病与脉络膜的血管结构异常密切相关,如年龄相关性黄斑病变、高度近视黄斑病变、糖尿病视网膜病变等。因此,实现脉络膜血管的定量分析具有重要的意义。
频域光学相干断层成像技术可实现眼底三维成像,经过平均化的图像增强技术或采用高穿透性的扫频光源,能够显示完整的脉络膜血管组织和基质组织,为脉络膜血管分析提供了很有利的影像技术。但目前的系统并没有解决后向散射衰减而导致的脉络膜深部血管信噪比差的问题,从而导致血管边界分割的困难。基于此原因,目前针对OCT图像中定量化脉络膜血管分析算法大部分也只是采用传统图像处理方法,但由于脉络膜位RPE下方,光经RPE之后因色素吸收衰减,同时脉络膜自身富含色素,光经脉络膜深度上发生了光信号的衰减,导致脉络膜与色素上皮层的边界及脉络膜与巩膜边界较模糊。此外,由于脉络膜内存在血管(低信号)与非血管(高信号)成分,与内外边界的对比度低、边界连续性差,导致传统的分割方法入最短路径图论算法较难实现边界的自动分割。因此,自动分化准确性低,需要大量的边界探测后手动校正,较耗时。由于脉络膜信号在OCT图像中的亮度受RPE层、OCT仪器种类和操作过程中聚焦情况等相关因素的影响,因此既往基于固定阈值法来分离脉络膜血管和基质在理论上存在较大局限性,普适性差。
发明内容
为了现有技术存在的问题,本发明提供了一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置,适用于对组织具有较高穿透的能够获取脉络膜的所有OCT系统及其图像,具有自动、普适性强、且能高精度反映脉络膜三维血管异常。
本发明采用的技术解决方案是:一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法,包括以下步骤:
(1)获得图像信号预处理后的脉络膜的OCT图像;
(2)基于深度学习智能化分割脉络膜内外边界;
(3)自适应阈值分离出脉络膜血管与非血管;
(4)三维全局和各区域定量化指标。
所述的步骤(2)基于深度学习智能化分割脉络膜内外边界,包括以下步骤:
a、基于传统的最短路径图论算法和对数千张OCT影像脉络膜的内外边界进行半自动标注,准确描绘出图像中脉络膜的上下边界;将已标注的脉络膜图像集按8:2随机分为训练集、测试集两个部分;
b、将训练图像输入开源的深度学习神经网络模型中,训练优化算法设为随机梯度下降法(SGD),算法学习比率为1.0e-5,迭代动量为0.9,迭代代价函数为Dice系数,迭代遍历数为150,批样本量为8,此外,对输入图像进行必要的增强处理,改善模型的鲁棒性,其中,Dice系数计算公式为:
其中X表示的是脉络膜边界预测集,Y表示的是脉络膜边界标注集,|X∩Y|表示两个集合之间的相交部分或重叠部分,|X|+|Y|表示两者的总量。Dice系数越大,表明两个集合相似度越高,模型越准确;当预测集与标注集完全相同时,Dice系数为1;当预测集与标注集不相关时,Dice系数为0。在模型训练过程中,设置Dice系数大于0.95作为目标函数;
c、将测试集图像输入深度学习神经网络模型中,计算脉络膜边界的输出结果和标注集之间的Dice系数、边界误差来评估深度学习神经网络模型的分割性能。
所述的步骤(3)自适应阈值分离出脉络膜血管与非血管,包括以下步骤:
A、在OCT图像中,以长度和宽度都为2*w+1个像素块的正方形框作为局部窗口。w为最大不超过图像的长度和宽度的一半的正整数,坐标(x,y)为这个正方形框的几何中心,统计框内所有像素块的亮度信息,求得其均值m(x,y)和方差s(x,y)。根据参数k,可求得框内阈值T(x,y),计算公式如下:
T(x,y)=m(x,y)+k*s(x,y);
B、根据框内阈值T(x,y),可对框内所有像素块进行二值化处理,如下所示:
其中i和j是表征像素块相对几何中心(x,y)的相对坐标,Ax+i,y+j表示坐标(x+i,y+j)像素块的亮度,Ax+i,y+j表示坐标(x+i,y+j)像素块的的二值化数据;
C、依次移动局部窗口,可以实现OCT图像中所有像素块亮度矩阵A的二值化处理,获得二值化矩阵B。
所述的步骤(4)三维全局和各区域定量化指标,包括以下步骤:
i、图像获取:以眼底黄斑中心凹为中心,通过放射状扫描模式进行成像,获取m张脉络膜二维横断面数据;
ii、特征点标记:由于所有OCT图像都包含黄斑中心凹这一特征结构,因此本发明以黄斑中心凹作为OCT图像的特征点进行标记,用于后续图像配准;
iii、图像配准:通过水平平移黄斑中心凹的位置,使所有OCT图像中黄斑中心凹在空间坐标中横坐标相同,实现图像的配准;
iiii、脉络膜三维空间重建:基于深度学习神经网络模型所获得的脉络膜上下界,提取配准后的图像中脉络膜区域模板M(x,y,z),并结合自适应阈值方法自动分离血管和基质,得到二值化后的三维空间脉络膜结构矩阵V(x,y,z);
iiiii、指标建立及测试:我们建立脉络膜血管体积CVV、脉络膜非血管体积SV、脉络膜血管指数CVI和脉络膜缺血指数CII等指标进行量化。各指标的计算公式如下所示:
其中Px,Py,Pz分别表征在三维空间中体像素沿x,y和z轴的物理几何长度。n,m和k分别表示三维空间矩阵中沿x,y和z轴的像素数目。
所述的步骤(1)获得图像信号预处理后的脉络膜的OCT图像,包括以下步骤:
(一)数据的获取:利用OCT获取眼底图像,对图片进行预处理包括适当裁剪,保留OCT脉络膜强度图;
(二)逆向衰减补偿脉络膜信号:通过提取脉络膜散射光衰减原理和规律,构建信号补偿和增强算法,可提高脉络膜图像的可视化和对比度,OCT信号的衰减校正处理算法包含两个步骤,分别对光的衰减补偿和图像增强对比,在OCT系统中,参考臂和样品臂间干涉的光电信号可以用如下公式表示:
式中k为波数,采集信号被分割成m个等间距的波数,ρ是OCT探测器的光电转化效能,S[km]指所对应波段光源的辐射能量,Δx是参考臂和样本臂间光程差,RR和RS分别为参考臂和样品臂的反射率;
参考臂和样品臂间的交互项H[km]可由上式(1)得到:
通过对上式(2)进行离散傅里叶逆变换可以得到沿深度方向的反射率剖面函数S(z):
对公式进行离散化处理,可以对每个像素点的OCT信号进行衰减校正补偿:
其中N是A扫描的像素点数,α可以根据组织进行调整,上述公式(3)成立的前提是假设大部分光束能量是在成像深度范围内衰减的,成像深度范围外的衰减可以忽略不计。
将对衰减校正补偿后的原始信号进行取幂运算增强图像对比度,此时每个像素信号强度为:
式(5)中Sac(z)是衰减校正后的信号。
一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析装置,包括以下模块:
脉络膜OCT图像获取及图像信号预处理模块:OCT获取的深部脉络膜血管及基质因后向散射衰减信号进行逆向补偿,增强脉络膜血管的信噪比;在获取增强的OCT脉络膜图像信号;
基于深度学习的脉络膜内外边界智能化分割模块:采用基于深度学习的分割方法,对脉络膜与视网膜上皮层以及脉络膜与巩膜之间的边界进行智能化分割;
脉络膜血管与非血管自适应阈值分割模块:采用自适应阈值分割方法,自动分离出三维脉络膜血管与非血管组织;
三维全局和各区域定量化指标模块:根据图像中血管在三维体空间的分布及占比,计算出能够表征脉络膜缺血的全局和各区域定量化指标。
所述的脉络膜OCT图像获取及图像信号预处理模块包括以下算法模型:
(一)数据的获取:利用OCT获取眼底图像,对图片进行适当裁剪,保留OCT脉络膜强度图;
(二)逆向衰减补偿脉络膜信号:通过提取脉络膜散射光衰减原理和规律,构建OCT信号的衰减校正处理算法,可提高脉络膜图像的可视化和对比度,OCT信号的衰减校正处理算法包含两个步骤,分别对光的衰减补偿和图像增强对比,在OCT系统中,参考臂和样品臂间干涉的光电信号可以用如下公式表示:
式中k为波数,采集信号被分割成m个等间距的波数,ρ是OCT探测器的光电转化效能,S[km]指所对应波段光源的辐射能量,Δx是参考臂和样本臂间光程差,RR和RS分别为参考臂和样品臂的反射率;
参考臂和样品臂间的交互项H[km]可由上式(1)得到:
通过对上式(2)进行离散傅里叶逆变换可以得到沿深度方向的反射率剖面函数S(z):
对公式进行离散化处理,可以对每个像素点的OCT信号进行衰减校正补偿:
其中N是A扫描的像素点数,α可以根据组织进行调整,上述公式(3)成立的前提是假设大部分光束能量是在成像深度范围内衰减的,成像深度范围外的衰减可以忽略不计。
将对衰减校正补偿后的原始信号进行取幂运算增强图像对比度,此时每个像素信号强度为:
式(5)中Sac(z)是衰减校正后的信号。
所述的基于深度学习的脉络膜内外边界智能化分割模块包括以下算法模型:a、基于最短路径图论算法和对OCT影像脉络膜的内外边界进行半自动标注,准确描绘出图像中脉络膜的上下边界;将已标注的脉络膜图像集按8:2随机分为训练集、测试集两个部分;
b、将训练图像输入开源的深度学习神经网络模型中,训练优化算法设为随机梯度下降法(SGD),算法学习比率为1.0e-5,迭代动量为0.9,迭代代价函数为Dice系数,迭代遍历数为150,批样本量为8,此外,对输入图像进行必要的增强处理,改善模型的鲁棒性,其中,Dice系数计算公式为:
其中X表示的是脉络膜边界预测集,Y表示的是脉络膜边界标注集,|X∩Y|表示两个集合之间的相交部分或重叠部分,|X|+|Y|表示两者的总量。Dice系数越大,表明两个集合相似度越高,模型越准确;当预测集与标注集完全相同时,Dice系数为1;当预测集与标注集不相关时,Dice系数为0。在模型训练过程中,设置Dice系数大于0.95作为目标函数;
c、将测试集图像输入深度学习神经网络模型中,计算脉络膜边界的输出结果和标注集之间的Dice系数、边界误差来评估深度学习神经网络模型的分割性能。
所述的脉络膜血管与非血管自适应阈值分割模块包括以下算法模型:
A、在OCT图像中,以长度和宽度都为2*w+1个像素块的正方形框作为局部窗口,w为最大不超过图像的长度和宽度的一半的正整数,坐标(x,y)为这个正方形框的几何中心,统计框内所有像素块的亮度信息,求得其均值m(x,y)和方差s(x,y),根据参数k,求得框内阈值T(x,y),计算公式如下:
T(x,y)=m(x,y)+k*s(x,y);
B、根据框内阈值T(x,y),对框内所有像素块进行二值化处理,如下所示:
其中i和j是表征像素块相对几何中心(x,y)的相对坐标,Ax+i,y+j表示坐标(x+i,y+j)像素块的亮度,Ax+i,y+j表示坐标(x+i,y+j)像素块的的二值化数据;
C、依次移动局部窗口,实现OCT图像中所有像素块亮度矩阵A的二值化处理,获得二值化矩阵B。
所述的三维全局和各区域定量化指标模块包括以下算法模型:
i、图像获取:以眼底黄斑中心凹为中心,通过放射状扫描模式进行成像,获取m张脉络膜二维横断面数据;
ii、特征点标记:以黄斑中心凹作为OCT图像的特征点进行标记,用于后续图像配准;
iii、图像配准:通过水平平移黄斑中心凹的位置,使所有OCT图像中黄斑中心凹在空间坐标中横坐标相同,实现图像的配准;
iiii、脉络膜三维空间重建:基于深度学习神经网络模型所获得的脉络膜上下界,提取配准后的图像中脉络膜区域模板M(x,y,z),并结合自适应阈值方法自动分离血管和基质,得到二值化后的三维空间脉络膜结构矩阵V(x,y,z);
iiiii、指标建立及测试:我们建立脉络膜血管体积CVV、脉络膜非血管体积SV、脉络膜血管指数CVI和脉络膜缺血指数CII等指标进行量化,各指标的计算公式如下所示:
其中Px,Py,Pz分别表征在三维空间中体像素沿x,y和z轴的物理几何长度,n,m和k分别表示三维空间矩阵中沿x,y和z轴的像素数目。
本发明的有益效果是:本发明提供了一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置,在获取增强的OCT脉络膜图像信号后,进一步采用基于深度学习的分割方法,对脉络膜与视网膜上皮层以及脉络膜与巩膜之间的边界进行智能化分割,克服传统算法在三维脉络膜边界分割的耗时、准确性低的缺点;在边界分割基础上,进一步采用改进的自适应阈值分割方法,自动分离出三维脉络膜血管与非血管组织,并根据图像中血管在三维体空间的分布及占比,计算出能够表征脉络膜缺血的全局和各区域定量化指标。该方法适用于对组织具有较高穿透的能够获取脉络膜血管和非血管信号的所有OCT成像系统。
附图说明
图1为本发明技术方案流程图。
图2为OCT眼底图像获取及预处理。
图3为脉络膜信号衰减校正及图像对比去增强示意图;其中左图为原图,右图为衰减校正去除伪影后的图。
图4为传统动态规划算法和深度学习自动分割脉络膜内外边界对比;其中左图为传统算法结果,右图为深度学习算法结果。
图5为自适应阈值分离出脉络膜血管与非血管;其中上图为高度近视,下图为正视眼。
图6为三维重建后的脉络膜血管图。
具体实施方式
下面结合附图以及一些具体实施例,可更好的说明本发明。
(1)数据的获取和预处理:
利用目前商业仪器或自行搭建的OCT获取眼底图像,对图片进行预处理包括适当裁剪,保留OCT脉络膜强度图,如附图2所示。
(2)逆向衰减补偿脉络膜信号:
OCT探测器接收的信号为后向散射和反射的信号。由于RPE和脉络膜自身色素对光吸收的影响导致一定波长的光散射出现损耗,通过提取脉络膜散射光衰减原理和规律,构建信号补偿和增强算法,可提高脉络膜图像的可视化和对比度。
OCT信号的衰减校正处理算法包含两个步骤,分别对光的衰减补偿和图像增强对比。在OCT系统中,参考臂和样品臂间干涉的光电信号可以用如下公式表示:
式中k为波数,采集信号被分割成m个等间距的波数,ρ是OCT探测器的光电转化效能,S[km]指所对应波段光源的辐射能量,Δx是参考臂和样本臂间光程差,RR和RS分别为参考臂和样品臂的反射率。参考臂和样品臂间的交互项H[km]可由式(1)得到:
通过对式(2)进行离散傅里叶逆变换可以得到沿深度方向的反射率剖面函数S(z):
而公式(1)-(3)成立的条件是假设光束在传播过程中没有发生能量衰减。但是光束在传播过程中会发生能量衰减,因此我们需要改进上述公式。当光束穿透组织样本时,一小部分转化为热量而其余部分散射,此时光束是以吸收的形式衰减。假设光束的局部衰减仅与光的散射相关,并以固定比例背向散射,因此可以计算在深度Z时光束的局部衰减正比于该位置的反射率R和背向散射常数α。
实际情况下,OCT直接数据处理后获得的是衰减后的信号DA,而不是原始信号S(z)。这就是暗影出现在血管和色素等强衰减组织的主要原因,即伪影出现的原因。为了矫正衰减信号,衰减项需要被消除,同时也去除了伪影。对公式进行离散化处理,可以对每个像素点的OCT信号进行衰减校正补偿:
其中N是A扫描的像素点数,α可以根据组织进行调整。上述公式成立的前提是假设大部分光束能量是在成像深度范围内衰减的,成像深度范围外的衰减可以忽略不计。
后期,本发明将对衰减校正补偿后的原始信号进行取幂运算增强图像对比度,此时每个像素信号强度为:
式中Sac(z)是衰减校正后的信号,如附图3所示。
(3)深度学习智能化分割:
脉络膜内外边界准确识别是准确量化脉络膜三维血管指标的重要步骤。
脉络膜上边界定义为Bruch’s膜和视网膜色素上皮层(retinal pigmentepithelium,RPE)间的分界线,脉络膜下边界定义为脉络膜和巩膜之间的分界线。由于RPE层在OCT图像中表现为一条高信号带,基于传统的最短路径图论算法,可以很好地实现脉络膜上边界的自动分割;但是OCT图像上脉络膜和巩膜之间的分界线对比度差,通过最短路径图论算法较难实现下边界的自动分割。深度学习作为人工智能领域最重要的突破,在计算机视觉领域中取得了很大突破,基于深度学习的算法效率明显好于传统算法。本发明将建立深度学习分割模型来实现脉络膜上下边界的自动分割,具体步骤如下:
①基于传统的最短路径图论算法和对数千张OCT影像脉络膜的内外边界进行半自动标注,准确描绘出图像中脉络膜的上下边界;将已标注的脉络膜图像集按8:2随机分为训练集、测试集两个部分。
②将训练图像输入开源的深度学习神经网络模型中,训练优化算法设为随机梯度下降法(SGD),算法学习比率为1.0e-5,迭代动量为0.9,迭代代价函数为Dice系数(dicecoefficient),迭代遍历数(epoch)为150,批样本量(batch size)为8。此外,对输入图像进行必要的增强处理(如平移、旋转和翻转等),改善模型的鲁棒性。其中,Dice系数计算公式为:
X表示的是脉络膜边界预测集,Y表示的是脉络膜边界标注集,|X∩Y|表示两个集合之间的相交部分或重叠部分,|X|+|Y|表示两者的总量。Dice系数越大,表明两个集合相似度越高,模型越准确;当预测集与标注集完全相同时,Dice系数为1;当预测集与标注集不相关时,Dice系数为0。在模型训练过程中,设置Dice系数大于0.95作为目标函数。
②将测试集图像输入深度学习神经网络模型中,计算脉络膜边界的输出结果和标注集之间的Dice系数、边界误差来评估深度学习神经网络模型的分割性能。结果如附图4和表1所示。
③表1深度学习分割OCT图像脉络膜边界的效能
(4)自适应阈值分离出脉络膜血管与非血管:脉络膜血管和基质在OCT图像中表现出不同的特征,其中血管以低亮度信号为主,而基质以高亮度信号为主。由于脉络膜信号在OCT图像中的亮度受RPE层、仪器种类和操作过程中聚焦情况等相关因素的影响,因此基于固定阈值法来分离脉络膜血管和基质在理论上存在较大局限性,普适性差。相对地,基于自适应阈值可以较好地避免脉络膜信号亮度整体的偏移所带来的干扰作用,可以较好地实现脉络膜血管和基质的自动分离,该方法流程如下:
①在OCT图像中,以长度和宽度都为2*w+1个像素块的正方形框作为局部窗口。w为最大不超过图像的长度和宽度的一半的正整数,坐标(x,y)为这个正方形框的几何中心,统计框内所有像素块的亮度信息,求得其均值m(x,y)和方差s(x,y)。根据参数k,可求得框内阈值T(x,y),计算公式如下:
T(x,y)=m(x,y)+k*s(x,y) (7)
②根据框内阈值T(x,y),可对框内所有像素块进行二值化处理,如下所示:
其中i和j是表征像素块相对几何中心(x,y)的相对坐标,Ax+i,y+j表示坐标(x+i,y+j)像素块的亮度,Ax+i,y+j表示坐标(x+i,y+j)像素块的的二值化数据。
③依次移动局部窗口,可以实现OCT图像中所有像素块亮度矩阵A的二值化处理,获得二值化矩阵B。结果如图5所示。
(5)三维全局和各区域定量化指标:
基于单张OCT图像仅能获取脉络膜某个横断面上的特征信息,但是由于某些脉络膜病变空间分布不均匀,因此通过单张OCT图像分析模式难以精确评估疾病的病情进展。本发明将通过放射状扫描模式对眼底进行成像,获取脉络膜三维空间数据,并对图像进行配准及重建,实现脉络膜三维空间重建。OCT图像中,以黄斑中心凹作为参考点,通过水平平移黄斑中心凹的位置,使所有OCT图像中黄斑中心凹在空间坐标中横坐标相同,实现图像三维重建,根据图像中血管在三维体空间的分布及占比,计算出能够表征脉络膜缺血的全局和各区域定量化指标。具体步骤如下:
①图像获取:以眼底黄斑中心凹为中心,通过放射状扫描模式进行成像,获取m张脉络膜二维横断面数据。
②特征点标记:由于所有OCT图像都包含黄斑中心凹这一特征结构,因此本发明以黄斑中心凹作为OCT图像的特征点进行标记,用于后续图像配准。
③图像配准:通过水平平移黄斑中心凹的位置,使所有OCT图像中黄斑中心凹在空间坐标中横坐标相同,实现图像的配准。
④脉络膜三维空间重建:基于深度学习神经网络模型所获得的脉络膜上下界,提取配准后的图像中脉络膜区域模板M(x,y,z),并结合自适应阈值方法自动分离血管和基质,得到二值化后的三维空间脉络膜结构矩阵V(x,y,z)。
⑤指标建立及测试:我们建立脉络膜血管体积CVV、脉络膜非血管体积SV、脉络膜血管指数CVI和脉络膜缺血指数CII等指标进行量化。各指标的计算公式如下所示:
其中Px,Py,Pz分别表征在三维空间中体像素沿x,y和z轴的物理几何长度。n,m和k分别表示三维空间矩阵中沿x,y和z轴的像素数目。
本发明通过同一操作者重复对同一受试者进行2次OCT成像,来测试指标的重复性,并和二维相应的指标进行比较,测试结果如下表所示。
0-6mm | 左侧3-6mm | 左侧1-3mm | 0-1mm | 右侧1-3mm | 右侧3-6mm | ||
CVV | 垂直 | 0.995 | 0.989 | 0.987 | 0.985 | 0.963 | 0.964 |
水平 | 0.994 | 0.981 | 0.98 | 0.99 | 0.96 | 0.989 | |
三维 | 0.998 | 0.997 | 0.998 | 0.997 | 0.998 | 0.999 | |
CVI | 垂直 | 0.883 | 0.736 | 0.815 | 0.814 | 0.714 | 0.731 |
水平 | 0.865 | 0.664 | 0.798 | 0.864 | 0.786 | 0.541 | |
三维 | 0.991 | 0.986 | 0.965 | 0.975 | 0.983 | 0.982 | |
CII | 垂直 | 0.883 | 0.736 | 0.815 | 0.814 | 0.714 | 0.731 |
水平 | 0.865 | 0.664 | 0.798 | 0.864 | 0.786 | 0.541 | |
三维 | 0.991 | 0.986 | 0.965 | 0.975 | 0.983 | 0.982 | |
SV | 垂直 | 0.968 | 0.86 | 0.962 | 0.871 | 0.927 | 0.934 |
水平 | 0.935 | 0.694 | 0.964 | 0.939 | 0.91 | 0.768 | |
三维 | 0.994 | 0.977 | 0.989 | 0.990 | 0.994 | 0.992 |
可见,三维指标的重复性要显著优于二维指标。其中二维指标中,垂直二维指标的重复性优于水平二维指标。
本发明对系统获取的脉络膜图像信号进行预处理后,基于OCT后向散射信号逆向补偿的思想,建立逆向信号衰减补偿模型,逆向补偿脉络膜信号,增强血管与非血管组织之间的信噪比,并进一步采用基于深度学习的分割方法,对脉络膜内外边界进行智能化分割;在边界分割基础上,进一步采用改进的自适应阈值方法,自动分离出三维脉络膜血管与非血管组织,并根据图像中血管在三维体空间的分布及占比,计算出能够表征脉络膜缺血的全局和各区域定量化指标。该方法适用于对组织具有较高穿透的能够获取脉络膜的所有OCT系统及其图像,具有自动、普适性强、且能高精度反映脉络膜三维血管异常。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法,其特征在于,包括以下步骤:
(1)获得图像信号预处理后的脉络膜的OCT图像;
(2)基于深度学习智能化分割脉络膜内外边界;
(3)自适应阈值分离出脉络膜血管与非血管;
(4)三维全局和各区域定量化指标。
2.根据权利要求1所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法,其特征在于,所述的步骤(2)基于深度学习智能化分割脉络膜内外边界,包括以下步骤:
a、基于最短路径图论算法和对OCT影像脉络膜的内外边界进行半自动标注,准确描绘出图像中脉络膜的上下边界;将已标注的脉络膜图像集按8:2随机分为训练集、测试集两个部分;
b、将训练图像输入开源的深度学习神经网络模型中,训练优化算法设为随机梯度下降法(SGD),算法学习比率为1.0e-5,迭代动量为0.9,迭代代价函数为Dice系数,迭代遍历数为150,批样本量为8,此外,对输入图像进行必要的增强处理,改善模型的鲁棒性,其中,Dice系数计算公式为:
其中X表示的是脉络膜边界预测集,Y表示的是脉络膜边界标注集,|X∩Y|表示两个集合之间的相交部分或重叠部分,|X|+|Y|表示两者的总量,Dice系数越大,表明两个集合相似度越高,模型越准确;当预测集与标注集完全相同时,Dice系数为1;当预测集与标注集不相关时,Dice系数为0,在模型训练过程中,设置Dice系数大于0.95作为目标函数;
c、将测试集图像输入深度学习神经网络模型中,计算脉络膜边界的输出结果和标注集之间的Dice系数、边界误差来评估深度学习神经网络模型的分割性能。
3.根据权利要求1所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法,其特征在于,所述的步骤(3)自适应阈值分离出脉络膜血管与非血管,包括以下步骤:
A、在OCT图像中,以长度和宽度都为2*w+1个像素块的正方形框作为局部窗口,w为最大不超过图像的长度和宽度的一半的正整数,坐标(x,y)为这个正方形框的几何中心,统计框内所有像素块的亮度信息,求得其均值m(x,y)和方差s(x,y),根据参数k,求得框内阈值T(x,y),计算公式如下:
T(x,y)=m(x,y)+k*s(x,y);
B、根据框内阈值T(x,y),对框内所有像素块进行二值化处理,如下所示:
其中i和j是表征像素块相对几何中心(x,y)的相对坐标,Ax+i,y+j表示坐标(x+i,y+j)像素块的亮度,Ax+i,y+j表示坐标(x+i,y+j)像素块的的二值化数据;
C、依次移动局部窗口,实现OCT图像中所有像素块亮度矩阵A的二值化处理,获得二值化矩阵B。
4.根据权利要求1所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法,其特征在于,所述的步骤(4)三维全局和各区域定量化指标,包括以下步骤:
i、图像获取:以眼底黄斑中心凹为中心,通过放射状扫描模式进行成像,获取m张脉络膜二维横断面数据;
ii、特征点标记:以黄斑中心凹作为OCT图像的特征点进行标记,用于后续图像配准;
iii、图像配准:通过水平平移黄斑中心凹的位置,使所有OCT图像中黄斑中心凹在空间坐标中横坐标相同,实现图像的配准;
iiii、脉络膜三维空间重建:基于深度学习神经网络模型所获得的脉络膜上下界,提取配准后的图像中脉络膜区域模板M(x,y,z),并结合自适应阈值方法自动分离血管和基质,得到二值化后的三维空间脉络膜结构矩阵V(x,y,z);
iiiii、指标建立及测试:我们建立脉络膜血管体积CVV、脉络膜非血管体积SV、脉络膜血管指数CVI和脉络膜缺血指数CII等指标进行量化,各指标的计算公式如下所示:
其中Px,Py,Pz分别表征在三维空间中体像素沿x,y和z轴的物理几何长度,n,m和k分别表示三维空间矩阵中沿x,y和z轴的像素数目。
5.根据权利要求1所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法,其特征在于,所述的步骤(1)获得图像信号预处理后的脉络膜的OCT图像,包括以下步骤:
(一)数据的获取:利用OCT获取眼底图像,对图片进行适当裁剪,保留OCT脉络膜强度图;
(二)逆向衰减补偿脉络膜信号:通过提取脉络膜散射光衰减原理和规律,构建OCT信号的衰减校正处理算法,提高脉络膜图像的可视化和对比度,OCT信号的衰减校正处理算法包含两个步骤,分别对光的衰减补偿和图像增强对比,在OCT系统中,参考臂和样品臂间干涉的光电信号用如下公式表示:
式中k为波数,采集信号被分割成m个等间距的波数,ρ是OCT探测器的光电转化效能,S[km]指所对应波段光源的辐射能量,Δx是参考臂和样本臂间光程差,RR和RS分别为参考臂和样品臂的反射率;
参考臂和样品臂间的交互项H[km]由上式(1)得到:
通过对上式(2)进行离散傅里叶逆变换得到沿深度方向的反射率剖面函数S(z):
对公式进行离散化处理,对每个像素点的OCT信号进行衰减校正补偿:
其中N是A扫描的像素点数,α根据组织进行调整,上述公式(3)成立的前提是假设大部分光束能量是在成像深度范围内衰减的,成像深度范围外的衰减忽略不计;
将对衰减校正补偿后的原始信号进行取幂运算增强图像对比度,此时每个像素信号强度为:
式(5)中Sac(z)是衰减校正后的信号。
6.一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析装置,其特征在于,包括以下模块:
脉络膜OCT图像获取及图像信号预处理模块:通过OCT获取的深部脉络膜血管及基质因后向散射衰减信号进行逆向补偿,增强脉络膜血管的信噪比;用于获取增强的OCT脉络膜图像信号;
基于深度学习的脉络膜内外边界智能化分割模块:通过采用基于深度学习的分割方法,用于对脉络膜与视网膜上皮层以及脉络膜与巩膜之间的边界进行智能化分割;
脉络膜血管与非血管自适应阈值分割模块:通过采用自适应阈值分割方法,用于自动分离出三维脉络膜血管与非血管组织;
三维全局和各区域定量化指标模块:通过根据图像中血管在三维体空间的分布及占比,用于计算出能够表征脉络膜缺血的全局和各区域定量化指标。
7.根据权利要求6所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析装置,其特征在于,所述的脉络膜OCT图像获取及图像信号预处理模块包括以下算法模型:
(一)数据的获取单元:利用OCT获取眼底图像,对图片进行适当裁剪,保留OCT脉络膜强度图;
(二)逆向衰减补偿脉络膜信号单元:通过提取脉络膜散射光衰减原理和规律,构建OCT信号的衰减校正处理算法,可提高脉络膜图像的可视化和对比度,OCT信号的衰减校正处理算法包含两个步骤,分别对光的衰减补偿和图像增强对比,在OCT系统中,参考臂和样品臂间干涉的光电信号用如下公式表示:
式中k为波数,采集信号被分割成m个等间距的波数,ρ是OCT探测器的光电转化效能,S[km]指所对应波段光源的辐射能量,Δx是参考臂和样本臂间光程差,RR和RS分别为参考臂和样品臂的反射率;
参考臂和样品臂间的交互项H[km]由上式(1)得到:
通过对上式(2)进行离散傅里叶逆变换得到沿深度方向的反射率剖面函数S(z):
对公式进行离散化处理,对每个像素点的OCT信号进行衰减校正补偿:
其中N是A扫描的像素点数,α根据组织进行调整,上述公式(3)成立的前提是假设大部分光束能量是在成像深度范围内衰减的,成像深度范围外的衰减可以忽略不计;
将对衰减校正补偿后的原始信号进行取幂运算增强图像对比度,此时每个像素信号强度为:
式(5)中Sac(z)是衰减校正后的信号。
8.根据权利要求6所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析装置,其特征在于,所述的基于深度学习的脉络膜内外边界智能化分割模块包括以下算法模型:
a、基于最短路径图论算法和对OCT影像脉络膜的内外边界进行半自动标注,准确描绘出图像中脉络膜的上下边界的运算单元;将已标注的脉络膜图像集按8:2随机分为训练集、测试集两个部分;
b、将训练图像输入开源的深度学习神经网络模型中,训练优化算法设为随机梯度下降法(SGD),算法学习比率为1.0e-5,迭代动量为0.9,迭代代价函数为Dice系数,迭代遍历数为150,批样本量为8,此外,对输入图像进行必要的增强处理,改善模型的鲁棒性,其中,Dice系数计算公式为:
其中X表示的是脉络膜边界预测集,Y表示的是脉络膜边界标注集,|X∩Y|表示两个集合之间的相交部分或重叠部分,|X|+|Y|表示两者的总量,Dice系数越大,表明两个集合相似度越高,模型越准确;当预测集与标注集完全相同时,Dice系数为1;当预测集与标注集不相关时,Dice系数为0,在模型训练过程中,设置Dice系数大于0.95作为目标函数;
c、将测试集图像输入深度学习神经网络模型中,计算脉络膜边界的输出结果和标注集之间的Dice系数、边界误差来评估深度学习神经网络模型的分割性能的运算单元。
9.根据权利要求6所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析装置,其特征在于,所述的脉络膜血管与非血管自适应阈值分割模块包括以下算法模型:
A、在OCT图像中,以长度和宽度都为2*w+1个像素块的正方形框作为局部窗口,w为最大不超过图像的长度和宽度的一半的正整数,坐标(x,y)为这个正方形框的几何中心,统计框内所有像素块的亮度信息,求得其均值m(x,y)和方差s(x,y),根据参数k,求得框内阈值T(x,y),计算公式如下:
T(x,y)=m(x,y)+k*s(x,y);
B、根据框内阈值T(x,y),对框内所有像素块进行二值化处理单元,如下所示:
其中i和j是表征像素块相对几何中心(x,y)的相对坐标,Ax+i,y+j表示坐标(x+i,y+j)像素块的亮度,Ax+i,y+j表示坐标(x+i,y+j)像素块的的二值化数据;
C、依次移动局部窗口,实现OCT图像中所有像素块亮度矩阵A的二值化处理,获得二值化矩阵B的运算单元。
10.根据权利要求6所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析装置,其特征在于,所述的三维全局和各区域定量化指标模块包括以下算法模型:
i、图像获取单元:以眼底黄斑中心凹为中心,通过放射状扫描模式进行成像,获取m张脉络膜二维横断面数据;
ii、特征点标记单元:以黄斑中心凹作为OCT图像的特征点进行标记,用于后续图像配准;
iii、图像配准单元:通过水平平移黄斑中心凹的位置,使所有OCT图像中黄斑中心凹在空间坐标中横坐标相同,实现图像的配准;
iiii、脉络膜三维空间重建单元:基于深度学习神经网络模型所获得的脉络膜上下界,提取配准后的图像中脉络膜区域模板M(x,y,z),并结合自适应阈值方法自动分离血管和基质,得到二值化后的三维空间脉络膜结构矩阵V(x,y,z);iiiii、指标建立及测试:我们建立脉络膜血管体积CVV、脉络膜非血管体积SV、脉络膜血管指数CVI和脉络膜缺血指数CII等指标进行量化,各指标的计算公式如下所示:
其中Px,Py,Pz分别表征在三维空间中体像素沿x,y和z轴的物理几何长度,n,m和k分别表示三维空间矩阵中沿x,y和z轴的像素数目。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010660715.5A CN111862114A (zh) | 2020-07-10 | 2020-07-10 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
PCT/CN2020/139962 WO2022007352A1 (zh) | 2020-07-10 | 2020-12-28 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
AU2020458040A AU2020458040B2 (en) | 2020-07-10 | 2020-12-28 | Three-dimensional choroidal blood vessel imaging and quantitative analysis method and device based on optical coherence tomography system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010660715.5A CN111862114A (zh) | 2020-07-10 | 2020-07-10 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111862114A true CN111862114A (zh) | 2020-10-30 |
Family
ID=73152635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010660715.5A Pending CN111862114A (zh) | 2020-07-10 | 2020-07-10 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN111862114A (zh) |
AU (1) | AU2020458040B2 (zh) |
WO (1) | WO2022007352A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160160A (zh) * | 2021-04-12 | 2021-07-23 | 哈尔滨医科大学 | 一种基于oct光衰图像的钙化识别方法 |
CN113598703A (zh) * | 2021-07-06 | 2021-11-05 | 温州医科大学附属眼视光医院 | 一种基于边界模糊程度的脉络膜新生血管活动性量化方法 |
CN113723505A (zh) * | 2021-08-30 | 2021-11-30 | 上海大学 | 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器 |
WO2022007352A1 (zh) * | 2020-07-10 | 2022-01-13 | 温州医科大学 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
WO2022007353A1 (zh) * | 2020-07-10 | 2022-01-13 | 温州医科大学 | 一种基于信号逆向补偿的脉络膜oct图像增强方法及装置 |
CN114022524A (zh) * | 2021-11-04 | 2022-02-08 | 上海体素信息科技有限公司 | 基于图谱配准的ct颈肋定位方法及系统 |
CN115456962A (zh) * | 2022-08-24 | 2022-12-09 | 中山大学中山眼科中心 | 一种基于卷积神经网络的脉络膜血管指数预测方法和装置 |
WO2024037358A1 (zh) * | 2022-08-15 | 2024-02-22 | 上海交通大学医学院附属第九人民医院 | 一种穿支血管自动识别和定位方法、设备及存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879188B (zh) * | 2022-04-20 | 2024-06-18 | 北京理工大学 | 模型自适应的深度学习sar三维成像方法 |
CN116485820B (zh) * | 2023-06-21 | 2023-09-22 | 杭州堃博生物科技有限公司 | 动静脉图像提取方法、装置及非易失性存储介质 |
CN116563414B (zh) * | 2023-07-11 | 2023-09-12 | 天津博霆光电技术有限公司 | 基于oct的心血管成像颤影消除方法及设备 |
CN116703948B (zh) * | 2023-08-03 | 2023-11-14 | 杭州脉流科技有限公司 | 基于深度神经网络的颅内血管树分割方法和分割装置 |
CN117291920B (zh) * | 2023-11-27 | 2024-03-12 | 天津恒宇医疗科技有限公司 | 基于oct成像的脂质斑块检测分析方法及系统 |
CN117593469A (zh) * | 2024-01-17 | 2024-02-23 | 厦门大学 | 一种3d内容创建方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104755908A (zh) * | 2012-07-27 | 2015-07-01 | 统雷有限公司 | 敏捷成像系统 |
CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
US20170164825A1 (en) * | 2015-06-22 | 2017-06-15 | The Regents Of The University Of California | Automatic three-dimensional segmentation method for oct and doppler oct 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 |
CN108257126A (zh) * | 2018-01-25 | 2018-07-06 | 苏州大学 | 三维视网膜oct图像的血管检测和配准方法、设备及应用 |
CN108416793A (zh) * | 2018-01-16 | 2018-08-17 | 武汉诺影云科技有限公司 | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 |
CN109509178A (zh) * | 2018-10-24 | 2019-03-22 | 苏州大学 | 一种基于改进的U-net网络的OCT图像脉络膜分割方法 |
CN109730633A (zh) * | 2018-12-28 | 2019-05-10 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 基于光学相干断层成像体扫描的脉络膜血管造影方法及设备 |
CN110517235A (zh) * | 2019-08-19 | 2019-11-29 | 苏州大学 | 一种基于GCS-Net进行OCT图像脉络膜自动分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110222752A1 (en) * | 2008-04-08 | 2011-09-15 | Three Palm Software | Microcalcification enhancement from digital mammograms |
CN108836257B (zh) * | 2018-06-15 | 2020-09-15 | 杭州富扬科技有限公司 | 一种眼底oct图像中视网膜分层方法 |
CN109003284A (zh) * | 2018-07-11 | 2018-12-14 | 武汉科技大学 | 基于层厚统计信息模型的相干光断层扫描图像的层分割方法 |
CN111862114A (zh) * | 2020-07-10 | 2020-10-30 | 温州医科大学 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
-
2020
- 2020-07-10 CN CN202010660715.5A patent/CN111862114A/zh active Pending
- 2020-12-28 WO PCT/CN2020/139962 patent/WO2022007352A1/zh active Application Filing
- 2020-12-28 AU AU2020458040A patent/AU2020458040B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104755908A (zh) * | 2012-07-27 | 2015-07-01 | 统雷有限公司 | 敏捷成像系统 |
US20170164825A1 (en) * | 2015-06-22 | 2017-06-15 | The Regents Of The University Of California | Automatic three-dimensional segmentation method for oct and doppler oct angiography |
CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
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 |
CN108416793A (zh) * | 2018-01-16 | 2018-08-17 | 武汉诺影云科技有限公司 | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 |
CN108257126A (zh) * | 2018-01-25 | 2018-07-06 | 苏州大学 | 三维视网膜oct图像的血管检测和配准方法、设备及应用 |
CN109509178A (zh) * | 2018-10-24 | 2019-03-22 | 苏州大学 | 一种基于改进的U-net网络的OCT图像脉络膜分割方法 |
CN109730633A (zh) * | 2018-12-28 | 2019-05-10 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 基于光学相干断层成像体扫描的脉络膜血管造影方法及设备 |
CN110517235A (zh) * | 2019-08-19 | 2019-11-29 | 苏州大学 | 一种基于GCS-Net进行OCT图像脉络膜自动分割方法 |
Non-Patent Citations (1)
Title |
---|
贺向前: "Python语言程序设计及医学应用", 西安电子科技大学出版社, pages: 169 - 82 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022007352A1 (zh) * | 2020-07-10 | 2022-01-13 | 温州医科大学 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
WO2022007353A1 (zh) * | 2020-07-10 | 2022-01-13 | 温州医科大学 | 一种基于信号逆向补偿的脉络膜oct图像增强方法及装置 |
CN113160160A (zh) * | 2021-04-12 | 2021-07-23 | 哈尔滨医科大学 | 一种基于oct光衰图像的钙化识别方法 |
CN113160160B (zh) * | 2021-04-12 | 2022-07-08 | 哈尔滨医科大学 | 一种基于oct光衰图像的钙化识别方法 |
CN113598703A (zh) * | 2021-07-06 | 2021-11-05 | 温州医科大学附属眼视光医院 | 一种基于边界模糊程度的脉络膜新生血管活动性量化方法 |
CN113598703B (zh) * | 2021-07-06 | 2024-02-20 | 温州医科大学附属眼视光医院 | 一种基于边界模糊程度的脉络膜新生血管活动性量化方法 |
CN113723505A (zh) * | 2021-08-30 | 2021-11-30 | 上海大学 | 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器 |
CN113723505B (zh) * | 2021-08-30 | 2024-04-23 | 上海大学 | 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器 |
CN114022524A (zh) * | 2021-11-04 | 2022-02-08 | 上海体素信息科技有限公司 | 基于图谱配准的ct颈肋定位方法及系统 |
WO2024037358A1 (zh) * | 2022-08-15 | 2024-02-22 | 上海交通大学医学院附属第九人民医院 | 一种穿支血管自动识别和定位方法、设备及存储介质 |
CN115456962A (zh) * | 2022-08-24 | 2022-12-09 | 中山大学中山眼科中心 | 一种基于卷积神经网络的脉络膜血管指数预测方法和装置 |
CN115456962B (zh) * | 2022-08-24 | 2023-09-29 | 中山大学中山眼科中心 | 一种基于卷积神经网络的脉络膜血管指数预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
AU2020458040B2 (en) | 2023-04-13 |
WO2022007352A1 (zh) | 2022-01-13 |
AU2020458040A1 (en) | 2023-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862114A (zh) | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 | |
Hormel et al. | Artificial intelligence in OCT angiography | |
US9418423B2 (en) | Motion correction and normalization of features in optical coherence tomography | |
US9430825B2 (en) | Image processing apparatus, control method, and computer readable storage medium for analyzing retina layers of an eye | |
US10194866B2 (en) | Methods and apparatus for reducing artifacts in OCT angiography using machine learning techniques | |
Chen et al. | Automated drusen segmentation and quantification in SD-OCT images | |
Hassan et al. | Deep learning based joint segmentation and characterization of multi-class retinal fluid lesions on OCT scans for clinical use in anti-VEGF therapy | |
US11854199B2 (en) | Methods and systems for ocular imaging, diagnosis and prognosis | |
CN103348359A (zh) | 使用光学相干断层照相的3d视网膜破裂检测 | |
WO2022007353A1 (zh) | 一种基于信号逆向补偿的脉络膜oct图像增强方法及装置 | |
Wu et al. | Geographic atrophy segmentation in SD-OCT images using synthesized fundus autofluorescence imaging | |
CN114092405A (zh) | 一种针对黄斑水肿oct图像的视网膜层自动分割方法 | |
CN110033496B (zh) | 时间序列三维视网膜sd-oct图像的运动伪差校正方法 | |
Tan et al. | Three-dimensional choroidal vessel network quantification using swept source optical coherence tomography | |
JP7514344B2 (ja) | Oct血管造影のためのoct-bスキャンの前処理 | |
Stankiewicz et al. | Volumetric segmentation of human eye blood vessels based on OCT images | |
Katona et al. | An approach to the quantitative assessment of retinal layer distortions and subretinal fluid in SD-OCT images | |
EP4235569A1 (en) | Pre-processing of oct b-scans for oct angiography | |
Roy | Automated segmentation of retinal optical coherence tomography images | |
Chen et al. | Segmentation and Visualization of Drusen and Geographic Atrophy in SD-OCT Images | |
Cao et al. | A novel method of detecting and locating the macula based on morphological features fitting | |
CN117611738A (zh) | 一种裂隙灯眼前节三维重建方法、系统、设备及终端 | |
Muramatsu et al. | Detection of Eye Diseases | |
Moitinho et al. | IMAGE SEGMENTATION FOR DRUSEN SPOTS DETECTION AND MODELLING | |
Jorgensen et al. | Dynamic contour model for aligning and segmenting OCT B-scans |
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 |