CN115294152A - 视网膜oct图像自动分层方法及系统 - Google Patents
视网膜oct图像自动分层方法及系统 Download PDFInfo
- Publication number
- CN115294152A CN115294152A CN202210813892.1A CN202210813892A CN115294152A CN 115294152 A CN115294152 A CN 115294152A CN 202210813892 A CN202210813892 A CN 202210813892A CN 115294152 A CN115294152 A CN 115294152A
- Authority
- CN
- China
- Prior art keywords
- layer
- boundary
- layer boundary
- nfl
- path
- 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
- 210000001525 retina Anatomy 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012014 optical coherence tomography Methods 0.000 title description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 60
- 239000010410 layer Substances 0.000 claims description 243
- 238000002310 reflectometry Methods 0.000 claims description 29
- 210000004027 cell Anatomy 0.000 claims description 26
- 230000002207 retinal effect Effects 0.000 claims description 16
- 239000011521 glass Substances 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 10
- 208000003098 Ganglion Cysts Diseases 0.000 claims description 9
- 208000005400 Synovial Cyst Diseases 0.000 claims description 9
- 239000000835 fiber Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 8
- 239000012792 core layer Substances 0.000 claims description 6
- 210000000873 fovea centralis Anatomy 0.000 claims description 6
- 239000000790 retinal pigment Substances 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 210000004126 nerve fiber Anatomy 0.000 claims description 3
- 210000003583 retinal pigment epithelium Anatomy 0.000 claims description 3
- 210000004127 vitreous body Anatomy 0.000 claims description 2
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 208000017442 Retinal disease Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004393 visual impairment Effects 0.000 description 3
- 206010012689 Diabetic retinopathy Diseases 0.000 description 2
- 230000032798 delamination Effects 0.000 description 2
- 208000030533 eye disease Diseases 0.000 description 2
- 210000004220 fundus oculi Anatomy 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000004256 retinal image Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000003569 Central serous chorioretinopathy Diseases 0.000 description 1
- 208000033379 Chorioretinopathy Diseases 0.000 description 1
- 206010012667 Diabetic glaucoma Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 208000001344 Macular Edema Diseases 0.000 description 1
- 206010025415 Macular oedema Diseases 0.000 description 1
- 208000022873 Ocular disease Diseases 0.000 description 1
- 206010073286 Pathologic myopia Diseases 0.000 description 1
- 208000002367 Retinal Perforations Diseases 0.000 description 1
- 201000007737 Retinal degeneration Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 208000029233 macular holes Diseases 0.000 description 1
- 201000010230 macular retinal edema Diseases 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000000608 photoreceptor cell Anatomy 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004258 retinal degeneration Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 238000012800 visualization 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]
-
- 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
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Ophthalmology & Optometry (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种视网膜OCT图像自动分层方法及系统，该方法为：首先根据视网膜OCT图像建立无向节点图，然后按照像素强度对视网膜各层进行权值分配，再利用Dijkstra算法在限定区域内动态搜索最小加权路径，即分割出第一层边界后，通过分割结果限定新的搜索空间，从而进行对下一层边界的分割，最终按照视网膜各层边界的突出顺序，分割出各层边界。本发明的方法能够精准地分割出视网膜七层边界，分层时间为3秒左右，分层偏差小于2个像素，本发明在视网膜OCT图像分层中具备一定的优势。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种视网膜OCT图像自动分层方法及系统。
背景技术
视网膜是位于眼睛后部的一层极薄的细胞层，由感光细胞(视细胞)和色素上皮细胞所组成，受到光刺激后视网膜将光信号转变为神经信号，并传输至大脑从而获取视觉信息。糖尿病视网膜病变、青光眼、病理性近视是目前三大主要的眼底疾病，均可以通过对视网膜组织结构的监测进行早期预防与及时治疗，此外视网膜的状态也与老年黄斑变性、黄斑水肿、黄斑裂孔、中心浆液性视网膜病变等各种眼底疾病息息相关。眼底疾病所导致的视力损伤与视力丧失是不可逆转的，且目前眼底疾病越来越区域低龄化，因此对易患病人群进行快速筛查，尽早对视网膜疾病进行诊断和治疗是防止视力进一步损失甚至致盲的重要手段。对视网膜组织进行精确成像是视网膜疾病诊断和治疗的必要前提。
自1823年捷克科学家Jan将检眼镜用于直接观察视网膜开始，研究人员相继提出了多种非侵入的视网膜成像模式来观察视网膜的组织结构。经过多年的探索与发展，彩色眼底相机、无赤光眼底相机、扫描激光检眼镜、血管荧光造影等眼底照相方式被广泛用于视网膜退化、青光眼、糖尿病性视网膜病等多种致盲性眼病的临床筛查。但是眼底照相的主要缺点在于其只能进行视网膜二维平面成像，无法获取深度方向上的信息，阻碍了对视网膜内部的微小病变的观测。层析成像可以解决上述问题。光学相干层析成像技术(OpticalCoherence Tomography,OCT)就是三维层析技术在视网膜成像领域的典型应用，其可对视网膜内部的组织结构进行成像，目前技术已经可以实现十余层视网膜组织观测，正成为临床上视网膜疾病诊断的重要依据。
在早期对眼底疾病的诊治中，通常由医生对采集到的眼底图像进行人工分割以获取视网膜各层的病理信息，效率极低。且视网膜各层间距仅有几个微米，人为的主观分割会受到各种噪声和血管造影的干扰，大大降低了分割结果的精度。此外，受限于庞大的眼部疾病患者数量、经济落后地区的医疗资源匮乏、读片医生稀缺等问题，大量眼底疾病患者无法得到及时的诊断和治疗，导致疾病恶化，造成不可逆转的视力损伤。因此，能辅助医生进行客观、精确的眼部疾病诊断的自动视网膜分层技术是十分重要和必需的。目前常见的视网膜分层方法有五种，分别为基于概率统计的分层，基于活动轮廓的分层，基于模式识别的分层，基于动态规划的分层，以及基于图论的分层。其中基于图论的分层方法所获取的分割信息最为全面，而且具有误差小、精度高的优势，能基本满足实时分层的需求。Defour等人在文章(Graph-Based Multi-Surface Segmentation of OCT Data Using Trained Hardand Soft Constraints,IEEE Trans Med Imaging,32(3),531-543,(2013).)中提出了一种基于图论的多表面自动分割算法，利用硬约束和软约束提取学习模型中的先验信息，采用纯图像梯度信息计算代价函数，实现了在数秒内完成视网膜OCT体数据的六层自动分割，分割误差约为3.05μm。Tian等人在文章(Real-Time Automatic Segmentation of OpticalCoherence Tomography Volume Data of the Macular Region,PLoS ONE,10(8),e0133908,(2015).)中提出了一种基于最短路径图搜的视网膜边界分割算法，同时引入帧间扁平化、掩膜和阈值等方法减少处理时间，仅需26.15s便可完成对视网膜OCT体数据的八层自动分割，相较其他类似算法速度提高了五倍，分割误差约为4μm。基于图论的分割技术结合了图论算法处理数据局部域特征和目标函数易于优化处理全局信息的优点，兼顾了局部域特征与全局域特征的平衡。其主要思想是把每一幅OCT图像构建一个完全加权图，然后通过利用加权图顶点的梯度信息和空间关系计算关联矩阵，最后利用图最小割算法和图搜索算法等全局最优化算法求解目标函数，得到最优解。然而传统的基于图论的分层方法过于依赖事先确定的表面平滑约束参数，当面对不同形态的视网膜目标层表面分割任务时，各层分割精度无法统一，甚至会出现误分割的情况。此外，基于图论的分层方法在对存在病灶的视网膜图像进行分割时，还会出现曲率过大所导致的分割失败，为医生的诊断和治疗增添了额外的负担。
所以，现在有必要对现有技术进行改进，以提供一种更可靠的方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种视网膜OCT图像自动分层方法及系统。
为解决上述技术问题，本发明采用的技术方案是：一种视网膜OCT图像自动分层方法，该方法为：首先根据视网膜OCT图像建立无向节点图，然后按照像素强度对视网膜各层进行权值分配，再利用Dijkstra算法在限定区域内动态搜索最小加权路径，即分割出第一层边界后，通过分割结果限定新的搜索空间，从而进行对下一层边界的分割，最终按照视网膜各层边界的突出顺序，分割出以下层边界：玻璃体-神经纤维层边界、神经纤维-神经节细胞层边界、内网状-内核层边界、内核-外网状层边界、外网状-外核层边界、视细胞的内外段层边界、视网膜色素上皮-脉络膜层边界，完成对视网膜多层结构的分层。
优选的是，各层边界的分割方法具体为：
S1、分割玻璃体-神经纤维层边界和视细胞的内外段层边界，玻璃体-神经纤维层边界记为玻璃体-NFL层边界，视细胞的内外段层边界记为IS/OS层边界；
S2、分割其他层边界：
S2-1、先将完成玻璃体-NFL边界和IS/OS边界分割后的图像分为三个搜索区域：上层搜索区域为神经纤维层NFL和神经节细胞层GCL，中间层搜索区域为内网状层IPL、内核层INL、外网状层OPL和外核层ONL，下层搜索区域为视细胞的内段层IS、视细胞的外段层OS和视网膜色素上皮层RPE，然后由上至下依次在三个搜索区域内进行各层边界分割；
S2-2、于上层搜索区域内分割出神经纤维-神经节细胞层边界，记为NFL-GCL层边界；
S2-3、于中间层搜索区域内分割出内网状-内核层边界、内核-外网状层边界和外网状-外核层边界，依次记为IPL-INL层边界、INL-OPL层边界、OPL-ONL层边界；
S2-4、于下层搜索区域内分割出视网膜色素上皮-脉络膜层边界，记为RPE-Choroid层边界。
优选的是，所述步骤S1具体包括：
S1-1、利用Dijkstra算法从得到的无向节点图从左上角起点至右下角终点搜寻最低权值分割路径，获得的分割路径即为玻璃体-NFL层边界或IS/OS层边界；
S2-1、判断分割路径上方是否存在高反射率结构：
若存在高反射率结构，则说明该分割路径为IS/OS层边界，然后将新的搜索空间限定于该分割路径上方的区域，再分割出玻璃体-NFL层边界；
若不存在高反射率结构，则说明该分割路径为玻璃体-NFL层边界，然后将新的搜索空间限定于该分割路径下方的区域，再分割出IS/OS层边界。
优选的是，其中，判断分割路径上方是否存在高反射率结构的方法为：对得到的无向节点图进行高斯滤波和二值化后，计算分割路径上方区域亮像素的像素数目占比η，若η＞ηT，则说明存在高反射率结构，否则，说明不存在高反射率结构；其中，ηT为设定的阈值，且ηT＜1。
优选的是，所述S2-1具体为：
判断分割路径上方是否存在高反射率结构：
若存在高反射率结构，则说明该分割路径为IS/OS层边界，然后将新的搜索空间限定于该分割路径上方20像素的区域，再分割出玻璃体-NFL层边界；
若不存在高反射率结构，则说明该分割路径为玻璃体-NFL层边界，然后将新的搜索空间限定于该分割路径下方40像素的区域，再分割出IS/OS层边界；
其中，判断分割路径上方是否存在高反射率结构的方法为：对得到的无向节点图进行高斯滤波和二值化后，计算分割路径上方区域亮像素的像素数目占比η，若η＞0.025，则说明存在高反射率结构，否则，说明不存在高反射率结构。
优选的是，所述步骤S2-1中将图像分为三个搜索区域的方法为：将完成玻璃体-NFL边界和IS/OS边界分割后的图像进行双边滤波、直方图均衡化、canny边缘检测及开闭运算，然后通过先验知识将图像分为三个搜索区域：上层搜索区域、中层搜索区域和下层搜索区域。
优选的是，所述步骤S2-2具体为：在上层搜索区域中对NFL-GCL层边界进行分割。基于扫描方向与被测眼确定颞侧位置，根据NFL层不同厚度确定分割路径在上层搜索区域中的搜索区域，当NFL层厚度小于设定的阈值DT时，将搜索区域限制为玻璃体-NFL层边界下方10个像素内，当NFL层厚度不小于设定的阈值DT时，将搜索区域限制为玻璃体-NFL层边界下方9个像素内；利用Dijkstra算法在搜索区域内搜寻所得到的最低权值路径即为NFL-GCL层边界。
优选的是，所述步骤S2-3具体为：先在中层搜索区域中，利用Dijkstra算法对IPL-INL层边界、INL-OPL层边界、OPL-ONL层边界进行初步分割，然后利用中央凹区域进一步细分搜索区域进行精确分割：
将玻璃体-NFL层边界到IS/OS层边界最小厚度列所在位置两侧扩展30个像素，该区域中平均层厚度小于10像素的列判定为中央凹区域；定位中央凹后合并中央凹附近的分割路径，在保持搜索区域下边界位置不变的前提下，重新搜索最低权值路径，获得精确的IPL-INL层边界、INL-OPL层边界和OPL-ONL层边界。
优选的是，所述步骤S2-4具体为：基于步骤S1得到的IS/OS层边界，利用Dijkstra算法对下层搜索区域搜索最低权值路径，即得到RPE-Choroid层边界。
本发明还提供一种视网膜OCT图像自动分层系统，其采用如上所述的方法对视网膜OCT图像进行自动分层。
本发明的有益效果是：
本发明提供的视网膜OCT图像自动分层方法，首先对视网膜OCT图像进行权值分配，然后对视网膜端点进行自动初始化，最后基于经典的Dijkstra最短路算法，在三个限定区域内搜索最低权值路径以获取视网膜各层结构边界；该方法能够精准地分割出视网膜七层边界，分层时间为3秒左右，分层偏差小于2个像素，本发明在视网膜OCT图像分层中具备一定的优势。
附图说明
图1为本发明的视网膜OCT图像自动分层方法的流程图；
图2为本发明的实施例中的视网膜OCT图像的分层结果。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
参照图1，本实施例提供一种视网膜OCT图像自动分层方法，该方法为：首先根据视网膜OCT图像建立无向节点图，然后按照OCT图像垂直方向上像素强度对视网膜各层进行权值分配；考虑到梯度的方向性，这些权值需要不断调整。在为OCT图像各路径分配合适的权值后，对各路径的起始点和中止点进行初始化；最后再利用Dijkstra算法在限定区域内动态搜索最小加权路径，即分割出第一层边界后，通过分割结果限定新的搜索空间，从而进行对下一层边界的分割，最终按照视网膜各层边界的突出顺序，分割出以下层边界：玻璃体-神经纤维层边界(玻璃体-NFL)、神经纤维-神经节细胞层边界(NFL-GCL)、内网状-内核层边界(IPL-INL)、内核-外网状层边界(INL-OPL)、外网状-外核层边界(OPL-ONL)、视细胞的内外段层边界(IS/OS)、视网膜色素上皮-脉络膜层边界(RPE-Choroid)，完成对视网膜多层结构的分层。其中，上一层的分割结果并不会影响后续层分割的精度，各层之间的分割结果是相互独立的。
其中，各层边界的分割方法具体为：
S1、分割玻璃体-神经纤维层边界和视细胞的内外段层边界，玻璃体-神经纤维层边界记为玻璃体-NFL层边界，视细胞的内外段层边界记为IS/OS层边界。玻璃体-NFL层边界和IS/OS层边界像素对比度高，是视网膜图像中两个最突出的边界层。与IS/OS边界不同，玻璃体-NFL层边界是视网膜的最顶层，上方没有高反射率结构的存在，因此可以通过检测高反射率结构是否存在分辨玻璃体-NFL层边界和IS/OS层边界。具体的，步骤S1包括：
S1-1、利用Dijkstra算法从得到的无向节点图从左上角起点至右下角终点搜寻最低权值分割路径，获得的分割路径即为玻璃体-NFL层边界或IS/OS层边界；
S2-1、判断分割路径上方是否存在高反射率结构：
若存在高反射率结构，则说明该分割路径为IS/OS层边界，然后将新的搜索空间限定于该分割路径上方20像素的区域，再分割出玻璃体-NFL层边界；
若不存在高反射率结构，则说明该分割路径为玻璃体-NFL层边界，然后将新的搜索空间限定于该分割路径下方40像素的区域，再分割出IS/OS层边界。
其中，判断分割路径上方是否存在高反射率结构的方法为：对得到的无向节点图进行高斯滤波和二值化后，计算分割路径上方区域亮像素的像素数目占比η，若η＞ηT，则说明存在高反射率结构，否则，说明不存在高反射率结构；其中，ηT为设定的阈值，且ηT＜1。在本实施例中，ηT＝0.025。
S2、分割其他层边界：
S2-1、将完成玻璃体-NFL边界和IS/OS边界分割后的图像进行双边滤波、直方图均衡化、canny边缘检测及开闭运算，然后通过先验知识将图像分为三个搜索区域：上层搜索区域、中层搜索区域和下层搜索区域：上层搜索区域为神经纤维层NFL和神经节细胞层GCL，中间层搜索区域为内网状层IPL、内核层INL、外网状层OPL和外核层ONL，下层搜索区域为视细胞的内段层IS、视细胞的外段层OS和视网膜色素上皮层RPE，然后由上至下依次在三个搜索区域内进行各层边界分割。
S2-2、于上层搜索区域内分割出神经纤维-神经节细胞层边界，记为NFL-GCL层边界：
在上层搜索区域中对NFL-GCL层边界进行分割，基于扫描方向与被测眼确定颞侧位置，根据NFL层不同厚度确定分割路径在上层搜索区域中的搜索区域，当NFL层厚度小于设定的阈值DT时(较薄层)，将搜索区域限制为玻璃体-NFL层边界下方10个像素内，当NFL层厚度不小于设定的阈值DT时(较厚层)，将搜索区域限制为玻璃体-NFL层边界下方9个像素内；利用Dijkstra算法在搜索区域内搜寻所得到的最低权值路径即为NFL-GCL层边界。
S2-3、于中间层搜索区域内分割出内网状-内核层边界、内核-外网状层边界和外网状-外核层边界，依次记为IPL-INL层边界、INL-OPL层边界、OPL-ONL层边界。
在中层搜索区域中，利用Dijkstra算法对IPL-INL层边界、INL-OPL层边界、OPL-ONL层边界进行初步分割，然后利用中央凹区域进一步细分搜索区域进行精确分割：
将玻璃体-NFL层边界到IS/OS层边界最小厚度列所在位置两侧扩展30个像素，该区域中平均层厚度小于10像素的列判定为中央凹区域；定位中央凹后合并中央凹附近的分割路径，在保持搜索区域下边界位置不变的前提下，重新搜索最低权值路径，获得精确的IPL-INL层边界、INL-OPL层边界和OPL-ONL层边界。
S2-4、于下层搜索区域内分割出视网膜色素上皮-脉络膜层边界，记为RPE-Choroid层边界。
具体为：基于步骤S1得到的IS/OS层边界，利用Dijkstra算法对下层搜索区域搜索最低权值路径，即得到RPE-Choroid层边界。
参照图2，为一种实施例中，采用实施例1的方法获得的视网膜OCT图像的分层结果，分层时间为3秒左右，可以看出该方法能够精准地分割出视网膜七层边界(从上至下依次为：玻璃体-NFL、NFL-GCL、GCL-IPL、IPL-INL、INL-OPL、OPL-ONL、IS/OS、RPE-Choroid层边界。
进一步的，本实施例中，还将实施例1的方法获得的视网膜OCT图像的分层结果与手动分层的结果进行了对比，对比结果如下表1所示。
表1自动分层与人工分层的偏差分布
从结果对比可以看出，与手动分层对比，本实施例的方法的分层误差约为4μm，具有较高的精度。
实施例2
本实施例提供一种视网膜OCT图像自动分层系统，其采用实施例1的方法对视网膜OCT图像进行自动分层。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。
Claims (10)
1.一种视网膜OCT图像自动分层方法，其特征在于，该方法为：首先根据视网膜OCT图像建立无向节点图，然后按照像素强度对视网膜各层进行权值分配，再利用Dijkstra算法在限定区域内动态搜索最小加权路径，即分割出第一层边界后，通过分割结果限定新的搜索空间，从而进行对下一层边界的分割，最终按照视网膜各层边界的突出顺序，分割出以下层边界：玻璃体-神经纤维层边界、神经纤维-神经节细胞层边界、内网状-内核层边界、内核-外网状层边界、外网状-外核层边界、视细胞的内外段层边界、视网膜色素上皮-脉络膜层边界，完成对视网膜多层结构的分层。
2.根据权利要求1所述的视网膜OCT图像自动分层方法，其特征在于，各层边界的分割方法具体为：
S1、分割玻璃体-神经纤维层边界和视细胞的内外段层边界，玻璃体-神经纤维层边界记为玻璃体-NFL层边界，视细胞的内外段层边界记为IS/OS层边界；
S2、分割其他层边界：
S2-1、先将完成玻璃体-NFL边界和IS/OS边界分割后的图像分为三个搜索区域：上层搜索区域为神经纤维层NFL和神经节细胞层GCL，中间层搜索区域为内网状层IPL、内核层INL、外网状层OPL和外核层ONL，下层搜索区域为视细胞的内段层IS、视细胞的外段层OS和视网膜色素上皮层RPE，然后由上至下依次在三个搜索区域内进行各层边界分割；
S2-2、于上层搜索区域内分割出神经纤维-神经节细胞层边界，记为NFL-GCL层边界；
S2-3、于中间层搜索区域内分割出内网状-内核层边界、内核-外网状层边界和外网状-外核层边界，依次记为IPL-INL层边界、INL-OPL层边界、OPL-ONL层边界；
S2-4、于下层搜索区域内分割出视网膜色素上皮-脉络膜层边界，记为RPE-Choroid层边界。
3.根据权利要求2所述的视网膜OCT图像自动分层方法，其特征在于，所述步骤S1具体包括：
S1-1、利用Dijkstra算法从得到的无向节点图从左上角起点至右下角终点搜寻最低权值分割路径，获得的分割路径即为玻璃体-NFL层边界或IS/OS层边界；
S2-1、判断分割路径上方是否存在高反射率结构：
若存在高反射率结构，则说明该分割路径为IS/OS层边界，然后将新的搜索空间限定于该分割路径上方的区域，再分割出玻璃体-NFL层边界；
若不存在高反射率结构，则说明该分割路径为玻璃体-NFL层边界，然后将新的搜索空间限定于该分割路径下方的区域，再分割出IS/OS层边界。
4.根据权利要求3所述的视网膜OCT图像自动分层方法，其特征在于，其中，判断分割路径上方是否存在高反射率结构的方法为：对得到的无向节点图进行高斯滤波和二值化后，计算分割路径上方区域亮像素的像素数目占比η，若η＞ηT，则说明存在高反射率结构，否则，说明不存在高反射率结构；其中，ηT为设定的阈值，且ηT＜1。
5.根据权利要求4所述的视网膜OCT图像自动分层方法，其特征在于，所述S2-1具体为：
判断分割路径上方是否存在高反射率结构：
若存在高反射率结构，则说明该分割路径为IS/OS层边界，然后将新的搜索空间限定于该分割路径上方20像素的区域，再分割出玻璃体-NFL层边界；
若不存在高反射率结构，则说明该分割路径为玻璃体-NFL层边界，然后将新的搜索空间限定于该分割路径下方40像素的区域，再分割出IS/OS层边界；
其中，判断分割路径上方是否存在高反射率结构的方法为：对得到的无向节点图进行高斯滤波和二值化后，计算分割路径上方区域亮像素的像素数目占比η，若η＞0.025，则说明存在高反射率结构，否则，说明不存在高反射率结构。
6.根据权利要求3所述的视网膜OCT图像自动分层方法，其特征在于，所述步骤S2-1中将图像分为三个搜索区域的方法为：将完成玻璃体-NFL边界和IS/OS边界分割后的图像进行双边滤波、直方图均衡化、canny边缘检测及开闭运算，然后通过先验知识将图像分为三个搜索区域：上层搜索区域、中层搜索区域和下层搜索区域。
7.根据权利要求6所述的视网膜OCT图像自动分层方法，其特征在于，所述步骤S2-2具体为：在上层搜索区域中对NFL-GCL层边界进行分割。基于扫描方向与被测眼确定颞侧位置，根据NFL层不同厚度确定分割路径在上层搜索区域中的搜索区域，当NFL层厚度小于设定的阈值DT时，将搜索区域限制为玻璃体-NFL层边界下方10个像素内，当NFL层厚度不小于设定的阈值DT时，将搜索区域限制为玻璃体-NFL层边界下方9个像素内；利用Dijkstra算法在搜索区域内搜寻所得到的最低权值路径即为NFL-GCL层边界。
8.根据权利要求7所述的视网膜OCT图像自动分层方法，其特征在于，所述步骤S2-3具体为：先在中层搜索区域中，利用Dijkstra算法对IPL-INL层边界、INL-OPL层边界、OPL-ONL层边界进行初步分割，然后利用中央凹区域进一步细分搜索区域进行精确分割：
将玻璃体-NFL层边界到IS/OS层边界最小厚度列所在位置两侧扩展30个像素，该区域中平均层厚度小于10像素的列判定为中央凹区域；定位中央凹后合并中央凹附近的分割路径，在保持搜索区域下边界位置不变的前提下，重新搜索最低权值路径，获得精确的IPL-INL层边界、INL-OPL层边界和OPL-ONL层边界。
9.根据权利要求8所述的视网膜OCT图像自动分层方法，其特征在于，所述步骤S2-4具体为：基于步骤S1得到的IS/OS层边界，利用Dijkstra算法对下层搜索区域搜索最低权值路径，即得到RPE-Choroid层边界。
10.一种视网膜OCT图像自动分层系统，其特征在于，其采用如权利要求1-10中任意一项所述的方法对视网膜OCT图像进行自动分层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210813892.1A CN115294152A (zh) | 2022-07-11 | 2022-07-11 | 视网膜oct图像自动分层方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210813892.1A CN115294152A (zh) | 2022-07-11 | 2022-07-11 | 视网膜oct图像自动分层方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115294152A true CN115294152A (zh) | 2022-11-04 |
Family
ID=83821852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210813892.1A Pending CN115294152A (zh) | 2022-07-11 | 2022-07-11 | 视网膜oct图像自动分层方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115294152A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116091451A (zh) * | 2023-01-09 | 2023-05-09 | 中国科学院苏州生物医学工程技术研究所 | 视网膜色素上皮细胞图像分割方法及系统 |
-
2022
- 2022-07-11 CN CN202210813892.1A patent/CN115294152A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 唐宁等: "基于图论的视网膜自动分层方法", 生物医学工程研究 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116091451A (zh) * | 2023-01-09 | 2023-05-09 | 中国科学院苏州生物医学工程技术研究所 | 视网膜色素上皮细胞图像分割方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ho et al. | An atomatic fundus image analysis system for clinical diagnosis of glaucoma | |
| CN108961261B (zh) | 一种基于空间连续性约束的视盘区域oct图像层次分割方法 | |
| AU2021202217B2 (en) | Methods and systems for ocular imaging, diagnosis and prognosis | |
| JP2011120656A (ja) | 画像処理装置及び画像処理方法 | |
| CN108836257B (zh) | 一种眼底oct图像中视网膜分层方法 | |
| EP3937753A1 (en) | Supervised machine learning based multi-task artificial intelligence classification of retinopathies | |
| Zhu et al. | Digital image processing for ophthalmology: Detection of the optic nerve head | |
| Khandouzi et al. | Retinal vessel segmentation, a review of classic and deep methods | |
| Guo et al. | A framework for classification and segmentation of branch retinal artery occlusion in SD-OCT | |
| Praveena et al. | Determination of cup to disc ratio using unsupervised machine learning techniques for glaucoma detection | |
| CN115294152A (zh) | 视网膜oct图像自动分层方法及系统 | |
| Liu et al. | Automated retinal boundary segmentation of optical coherence tomography images using an improved Canny operator | |
| Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
| Surendiran et al. | Analysis and detection of glaucoma from fundus eye image by cup to disc ratio by unsupervised machine learning | |
| CN116407080A (zh) | 近视患者眼底结构的演变识别及3d可视化系统和方法 | |
| Thanh et al. | A real-time classification of glaucoma from retinal fundus images using AI technology | |
| US11302006B2 (en) | 3D quantitative analysis with deep learning | |
| CN109003284A (zh) | 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 | |
| JP2024504321A (ja) | 血管系を検出するための方法およびシステム | |
| Garvin | Automated 3-D segmentation and analysis of retinal optical coherence tomography images | |
| Ong et al. | Automatic Glaucoma Detection from Stereo Fundus Images | |
| Pathan et al. | A methodological review on computer aided diagnosis of glaucoma in fundus images | |
| Hu et al. | Image analysis tools for assessment of atrophic macular diseases | |
| Almazroa | A novel automatic optic disc and cup image segmentation system for diagnosing glaucoma using riga dataset | |
| Srividya et al. | A Survey on Detection of Diabetic Retinopathy Lesions Using Deep Learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221104 |