CN116309661B - 眼前节oct图像轮廓提取方法 - Google Patents
眼前节oct图像轮廓提取方法 Download PDFInfo
- Publication number
- CN116309661B CN116309661B CN202310580916.8A CN202310580916A CN116309661B CN 116309661 B CN116309661 B CN 116309661B CN 202310580916 A CN202310580916 A CN 202310580916A CN 116309661 B CN116309661 B CN 116309661B
- Authority
- CN
- China
- Prior art keywords
- cornea
- iris
- oct image
- oct
- anterior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012014 optical coherence tomography Methods 0.000 title description 204
- 210000004087 cornea Anatomy 0.000 claims abstract description 250
- 238000000605 extraction Methods 0.000 claims abstract description 86
- 210000000695 crystalline len Anatomy 0.000 claims abstract description 85
- 210000001508 eye Anatomy 0.000 claims description 91
- 239000002775 capsule Substances 0.000 claims description 75
- 210000001747 pupil Anatomy 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 20
- 239000012528 membrane Substances 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 18
- 210000005252 bulbus oculi Anatomy 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 210000002300 anterior capsule of the len Anatomy 0.000 claims description 8
- 210000000184 posterior capsule of the len Anatomy 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 239000003550 marker Substances 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 3
- 239000013078 crystal Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 241001469893 Oxyzygonectes dovii Species 0.000 description 1
- 210000001742 aqueous humor Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06T7/12—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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Ophthalmology & Optometry (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种眼前节OCT图像轮廓提取方法,包括:制作眼前节OCT图像像素坐标系下的五个特征区域提取模板;获得五个特征区域内眼前节OCT图像的轮廓点,提取22个特征点;拟合出角膜前表面弧线、角膜后表面弧线、虹膜弧线、晶状体前囊膜弧线、晶状体后囊膜弧线;得到填充晶状体自适应模板;得到填充角膜自适应模板;通过改变弧线的粗细得到粗线条眼前节自适应模板;得到角膜OCT图像、晶状体OCT图像;得到角膜OCT图像的第一轮廓、晶状体OCT图像的第一轮廓,及眼前节OCT图像的第一轮廓;得到眼前节OCT图像的最终轮廓。本申请能够提高眼前节OCT图像的轮廓提取精度和轮廓提取速度,实现眼科疾病的临床精确性和实时性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种眼前节OCT图像轮廓提取方法。
背景技术
光学层析成像技术(optical coherence tomography,OCT)在眼科领域应用广泛。基于眼前节组织光学层析二维图像,通过提取眼组织轮廓,进一步测量深度参数,不仅有利于进行眼科疾病的临床诊断,而且极大地提高了眼科疾病临床手术治疗的精度和速度,例如基于测量的深度参数指导眼科手术(激光白内障手术等)的切削深度。其中,对眼前节OCT图像进行图像处理,即轮廓提取是必要前提。
然而,现有的眼前节OCT图像轮廓提取方法至少存在以下问题:
对眼前节OCT图像的背景噪声干扰(如房水等)和眼前节OCT图像的低信噪比区域,如远心扫描模式导致的角膜两侧信号弱、中央过饱和伪影,没有进行有效的处理。现有方法是基于多结构多尺度形态学及其改进对整张图像进行处理,以减少噪声影响,处理速度较慢。如此,影响了后续测量眼前节组织深度参数的精确性和快速性,无法同时满足临床的精确性和实时性的要求。
发明内容
有鉴于此,有必要提供一种眼前节OCT图像轮廓提取方法,其能够提高眼前节OCT图像的轮廓提取精度和轮廓提取速度。
本发明提供一种眼前节OCT图像轮廓提取方法,该方法包括如下步骤:S1,根据人眼眼球结构标记眼球的五个特征区域,基于OCT设备扫描范围制作眼前节OCT图像像素坐标系下的五个特征区域提取模板;S2,将制作的所述五个特征区域提取模板与眼前节OCT图像进行图像处理,得到五个特征区域内眼前节OCT图像;通过图像预处理获得所述五个特征区域内眼前节OCT图像的轮廓点,并提取所述五个特征区域内眼前节OCT图像轮廓点的22个特征点;S3,根据提取的所述22个特征点,提取位于角膜前表面的特征点、位于角膜后表面的特征点、位于晶状体前囊膜的特征点、位于虹膜的特征点、位于晶状体后囊膜的特征点,依次选取其中的3个特征点进行三点弧线拟合,拟合出角膜前表面弧线、角膜后表面弧线、虹膜弧线、晶状体前囊膜弧线、晶状体后囊膜弧线;S4,根据所述晶状体前囊膜弧线、所述晶状体后囊膜弧线得到填充晶状体自适应模板;根据基于所述角膜前表面弧线、所述角膜后表面弧线、所述虹膜弧线得到填充角膜自适应模板;通过改变弧线的粗细得到粗线条眼前节自适应模板;S5,将所述填充角膜自适应模板与眼前节OCT图像进行图像处理得到角膜OCT图像;通过将填充晶状体自适应模板与眼前节OCT图像进行图像处理得到晶状体OCT图像;分别对角膜OCT图像、晶状体OCT图像进行图像边缘轮廓提取得到角膜OCT图像的第一轮廓、晶状体OCT图像的第一轮廓;将角膜OCT图像的第一轮廓、晶状体OCT图像的第一轮廓进行图像处理得到眼前节OCT图像的第一轮廓;S6,将粗线条眼前节自适应模板与所述眼前节OCT图像第一轮廓进行图像处理,得到眼前节OCT图像的第二轮廓,即眼前节OCT图像的最终轮廓。
具体地,所述人眼眼球结构标记眼球的五个特征区域包括:眼白到虹膜区域、虹膜到瞳孔区域、瞳孔中心区域、瞳孔到虹膜区域、虹膜到眼白区域;所述眼白到虹膜区域既包含眼白又包含虹膜,眼白在虹膜左边、虹膜在眼白右边;所述虹膜到眼白区域既包含虹膜又包含眼白,虹膜在眼白的左边,眼白在虹膜的右边;所述虹膜到瞳孔区域既包含虹膜也包含瞳孔,虹膜在瞳孔左边,瞳孔在虹膜右边;所述瞳孔到虹膜区域既包含瞳孔又包含虹膜,瞳孔在虹膜左边,虹膜在瞳孔右边;所述瞳孔中心区域包含瞳孔中心。
具体地,所述的步骤S2包括:
步骤S201、将虹膜到瞳孔区域提取模板分成两个部分,即虹膜到瞳孔小深度区域提取模板、虹膜到瞳孔大深度区域提取模板;将瞳孔到虹膜区域提取模板分成两个部分,即瞳孔到虹膜小深度区域提取模板、瞳孔到虹膜大深度区域提取模板;将虹膜到瞳孔小深度区域提取模板与所述瞳孔到虹膜小深度区域提取模板进行图像的逻辑或运算得到五个特征区域内角膜两侧区域提取模板,将眼前节OCT图像与所述五个特征区域内角膜两侧区域提取模板进行图像的逻辑与运算得到五个特征区域内角膜两侧区域OCT图像;将所述五个特征区域提取模板与所述小深度区域提取模板进行图像的逻辑减运算得到五个特征区域内不包括角膜两侧区域提取模板,然后与眼前节OCT图像进行图像的逻辑与运算得到五个特征区域内不包括角膜两侧区域OCT图像;
步骤S202、通过图像预处理算法得到五个特征区域内眼前节OCT图像的轮廓点,包括对所述五个特征区域内角膜两侧区域OCT图像进行图像预处理、对所述五个特征区域内不包括角膜两侧区域OCT图像进行图像预处理;其中所述图像预处理算法包括图像增强、图像卷积、二值化和轮廓提取;
步骤S203、在所述五个特征区域内眼前节OCT图像轮廓点中提取出22个特征点,包括瞳孔中心区域的4个特征点、眼白到虹膜区域的4个特征点、虹膜到眼白区域的4个特征点、虹膜到瞳孔区域的5个特征点,瞳孔到虹膜区域的5个特征点。
具体地,所述的步骤S3包括:
步骤S301、基于所述22个特征点提取出位于角膜前表面的7个特征点并排序;
步骤S302、基于所述22个特征点提取出位于角膜后表面的7个特征点并排序;
步骤S303、基于所述22个特征点提取出位于晶状体前囊膜的3个特征点并排序;
步骤S304、基于所述22个特征点提取出位于晶状体后囊膜的3个特征点并排序;
步骤S305、基于所述22个特征点提取出位于虹膜的6个特征点并排序;
步骤S306、基于所述角膜前表面的7个特征点按顺序选择3个特征点进行三点弧线拟合得到角膜前表面弧线。
具体地,所述的步骤S3还包括:
步骤S307、三点弧线拟合包括:
(1)点为为三点/>、/>、/>组成的圆弧上任意一点,其中,/>为线段/>的中点/>;
(2)向量与像素坐标系下横向方向夹角为:/>;
(3)计算旋转矩阵和位移矩阵:
顺时针旋转角度的旋转矩阵方程:/>,
逆时针旋转角度的旋转矩阵方程:/>,
位移矩阵方程:,
位移矩阵方程:;
(4)计算以点为旋转中心旋转角度/>后的坐标:
点以点/>为旋转中心旋转角度/>后,得到/>,/>,
点以点/>为旋转中心旋转角度/>后,得到/>,/>,
点以点/>为旋转中心旋转角度/>后,得到/>,/>;
(5)计算经过三点、/>、/>,圆心为/>的椭圆方程参数:/>,计算得到椭圆长轴/>和短轴/>的值;
(6)计算从点到点/>的椭圆弧线上任意一点/>的方程为,其中/>;
(7)将上式椭圆弧线方程逆时针旋转角度后,得到三点/>、/>、/>组成弧线上任意一点/>方程,即/>,即实现三点弧线拟合。
具体地,所述的步骤S3还包括:
步骤S308、基于所述角膜后表面7个特征点按顺序选择3个特征点进行三点弧线拟合得到角膜后表面弧线;
步骤S309、基于所述晶状体前囊膜3个特征点进行三点弧线拟合得到晶状体前囊膜弧线;
步骤S310、基于所述晶状体后囊膜3个特征点进行三点弧线拟合得到晶状体后囊膜弧线;
步骤S311、基于所述虹膜6个特征点排序,选择前三个特征点进行三点弧线拟合,选择后三个特征点进行弧线拟合得到虹膜弧线。
具体地,所述的步骤S4包括:
步骤S401、基于所述晶状体前囊膜弧线、所述晶状体后囊膜弧线,增加线条形成闭包晶状体自适应模板,通过轮廓填充得到填充晶状体自适应模板;
步骤S402、基于所述角膜前表面弧线、所述角膜后表面弧线、所述虹膜弧线,增加线条形成闭包角膜自适应模板,通过轮廓填充得到填充角膜自适应模板;
步骤S403、合并所述闭包晶状体自适应模板和所述闭包角膜自适应模板得到眼前节自适应模板,并增加拟合弧线的弧线粗度,得到粗线条眼前节自适应模板。
具体地,所述增加拟合弧线的弧线粗度,包括:增加所述角膜前表面弧线的粗度、增加所述角膜后表面弧线的粗度、增加所述晶状体前囊膜弧线的粗度、增加所述晶状体后囊膜弧线的线条的粗度。
具体地,所述的步骤S5包括:
将所述填充角膜自适应模板与所述眼前节OCT图像进行图像的逻辑与运算,得到角膜OCT图像,考虑到OCT设备采用远心扫描方式时,角膜两侧区域信号较弱,制作角膜两侧区域提取模版,通过提取得到角膜两侧OCT图像、不包括角膜两侧的角膜OCT图像,分别进行图像增强操作得到增强的角膜OCT图像,对所述增强角膜OCT图像进行高斯差分、形态学边缘检测等操作,得到角膜OCT图像边缘轮廓。
具体地,所述的步骤S6包括:
将眼前节OCT图像第一轮廓、粗线条眼前节自适应模板进行图像的逻辑与运算,得到眼前节OCT图像的第二轮廓,即最终的眼前节OCT图像轮廓。
本发明基于自适应模板,能够提高眼前节OCT图像的轮廓提取精度和轮廓提取速度,实现了眼科疾病的临床精确性和实时性。
附图说明
图1为本发明眼前节OCT图像轮廓提取方法的流程图;
图2为本发明实施例提供的人眼眼球结构标记眼球的五个特征区域的示意图;
图3(a)为本发明实施例提供的眼前节OCT图像示意图;
图3(b)为图3(a)提供的眼前节OCT图像对应的五个特征区域提取模板示意图;
图3(c)为图3(a)提供的眼前节OCT图像对应的五个特征区域内不包括角膜两侧区域提取模板示意图;
图3(d)为图3(a)提供的眼前节OCT图像对应的五个特征区域内角膜两侧区域提取模板示意图;
图3(e)为图3(a)提供的眼前节OCT图像对应的五个特征区域内不包括角膜两侧的特征区域眼前节OCT图像示意图;
图3(f)为图3(a)提供的眼前节OCT图像对应的五个特征区域内角膜两侧OCT图像示意图;
图4为本发明实施例提供的图像预处理的流程示意图;
图5为图3(a)提供的眼前节OCT图像经过图像处理得到的轮廓点和选取的22个特征点示意图;
图6为图3(a)提供的眼前节OCT图像经过三点拟合弧线后得到的闭包眼前节自适应模板示意图;
图7(a)为基于图3(a)提供的眼前节OCT图像制作的填充角膜自适应模板示意图;
图7(b)为图3(a)提供的眼前节OCT图像对应的角膜OCT图像示意图;
图7(c)为本发明实施例提供的角膜两侧区域提取模板示意图;
图7(d)为图3(a)提供的眼前节OCT图像对应的角膜两侧OCT图像示意图;
图7(e)为图3(a)提供的眼前节OCT图像对应的不包括角膜两侧的角膜OCT图像示意图;
图7(f)为图3(a)提供的眼前节OCT图像对应的增强角膜OCT图像示意图;
图7(g)为基于图3(a)提供的眼前节OCT图像制作的填充晶状体自适应模板示意图;
图7(h)为图3(a)提供的眼前节OCT图像对应的增强晶状体OCT图像示意图;
图8为本发明实施例提供的图像边缘检测的流程示意图;
图9(a)为基于图7(f)进行边缘检测得到的角膜OCT图像的第一轮廓示意图;
图9(b)为基于图7(h)进行边缘检测得到的晶状体OCT图像的第一轮廓示意图;
图9(c)为基于图3(a)提供的眼前节OCT图像制作的粗线条眼前节自适应模板示意图;
图9(d)为图3(a)提供的眼前节OCT图像对应的眼前节OCT图像的第二轮廓示意图;
图10为将图9(d)第二轮廓显示在图3(a)提供的眼前节OCT图像上的示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
请参阅图1,是本发明眼前节OCT图像轮廓提取方法较佳实施例的作业流程图。
步骤S1,根据人眼眼球结构标记眼球的五个特征区域,基于OCT设备扫描范围制作眼前节OCT图像像素坐标系下的五个特征区域提取模板。
具体包括:
所述人眼眼球结构标记眼球的五个特征区域(如图2所示)包括:眼白到虹膜区域、虹膜到瞳孔区域、瞳孔中心区域、瞳孔到虹膜区域、虹膜到眼白区域;所述眼白到虹膜区域既包含眼白又包含虹膜,眼白在虹膜左边、虹膜在眼白右边;所述虹膜到眼白区域既包含虹膜又包含眼白,虹膜在眼白的左边,眼白在虹膜的右边;所述虹膜到瞳孔区域既包含虹膜也包含瞳孔,虹膜在瞳孔左边,瞳孔在虹膜右边;所述瞳孔到虹膜区域既包含瞳孔又包含虹膜,瞳孔在虹膜左边,虹膜在瞳孔右边;所述瞳孔中心区域包含瞳孔中心。将所述眼白到虹膜区域、虹膜到瞳孔区域、瞳孔中心区域、瞳孔到虹膜区域、虹膜到眼白区域的范围转换到眼前节OCT图像的像素坐标中,将所述像素坐标系中的值填充成白色,得到眼前节OCT图像的五个特征区域提取模板。
可以理解的是,由于不同的人人眼结构的差异,特征区域的范围略有不同;对同一个人在其眼球微小转动情况下,特征区域的范围不变。
在本实施例中,眼前节OCT图像如图3 (a)所示,首先基于OCT设备的扫描范围制作五个特征区域提取模板,在本实例中选取眼白到虹膜区域、虹膜到瞳孔区域、瞳孔到虹膜区域、虹膜到眼白区域的扫描范围是1mm,选取瞳孔中心区域的扫描范围是0.5mm,选取扫描深度为9mm,然后将所述扫描范围转换到眼前节OCT图像的像素坐标系中,得到的眼前节OCT图像五个特征区域提取模板示意图如图3 (b)所示。
步骤S2,将制作的所述五个特征区域提取模板与眼前节OCT图像进行图像处理,得到五个特征区域内眼前节OCT图像;通过图像预处理获得所述五个特征区域内眼前节OCT图像的轮廓点,并提取所述五个特征区域内眼前节OCT图像轮廓点的22个特征点。
具体包括:
步骤S201、将虹膜到瞳孔区域提取模板分成两个部分,即虹膜到瞳孔小深度区域提取模板、虹膜到瞳孔大深度区域提取模板;将瞳孔到虹膜区域提取模板分成两个部分,即瞳孔到虹膜小深度区域提取模板、瞳孔到虹膜大深度区域提取模板;将所述虹膜到瞳孔小深度区域提取模板与所述瞳孔到虹膜小深度区域提取模板进行图像的逻辑或运算得到五个特征区域内角膜两侧区域提取模板,将所述OCT图像与所述五个特征区域内角膜两侧区域提取模板进行图像的逻辑与运算得到五个特征区域内角膜两侧区域OCT图像;将所述五个特征区域提取模板与所述小深度区域提取模板进行图像的逻辑减运算得到五个特征区域内不包括角膜两侧区域提取模板,然后与眼前节OCT图像进行图像的逻辑与运算得到五个特征区域内不包括角膜两侧区域OCT图像。
步骤S202、通过图像预处理算法得到五个特征区域内眼前节OCT图像的轮廓点,包括对所述五个特征区域内角膜两侧区域OCT图像进行图像预处理、对所述五个特征区域内不包括角膜两侧区域OCT图像进行图像预处理;其中图像预处理算法包括图像增强、图像卷积、二值化和轮廓提取;由于所述五个特征区域内角膜两侧区域OCT图像中目标与背景区域的像素相差较小,在进行二值化时采用较小的阈值;而对于所述五个特征区域内不包括角膜两侧区域OCT图像进行二值化处理时采用较高的阈值;需要说明的是,在进行轮廓提取时,通过筛选该轮廓外接矩形长宽值进行轮廓提取。
步骤S203、在所述五个特征区域内眼前节OCT图像轮廓点中提取出22个特征点,包括瞳孔中心区域的4个特征点、眼白到虹膜区域的4个特征点、虹膜到眼白区域的4个特征点、虹膜到瞳孔区域的5个特征点,瞳孔到虹膜区域的5个特征点。
以下结合具体实施例及附图进行说明:
首先将图3(b)所示的特征区域分为五个特征区域内不包括角膜两侧征区域提取模板如图3(c)、五个特征区域内角膜两侧区域提取模板如图3(d)所示,原因是当OCT设备采用远心扫描方式时,角膜两侧区域信号较弱。
其次将图3(c)所示的五个特征区域内不包括角膜两侧区域提取模板与图3(a)所示的眼前节OCT图像进行图像的逻辑与运算,得到五个特征区域内不包括角膜两侧区域OCT图像如图3(e)所示;将图3(d)所示的五个特征区域内角膜两侧区域提取模板与图3(a)所示的眼前节OCT图像进行图像的逻辑与运算,得到五个特征区域内角膜两侧OCT图像如图3(f)所示。
再次将图3(e)所示的五个特征区域内不包括角膜两侧区域OCT图像、图3(f)所示的五个特征区域内角膜两侧区域OCT图像分别进行图像预处理,得到五个特征区域内不包括角膜两侧的OCT图像轮廓点、五个特征区域内角膜两侧OCT图像轮廓点;图像预处理的步骤如图4所示包括:S201图像增强、S202图像卷积、S203二值化、S204轮廓提取操作。图像增强采用分段线性变换;图像卷积的卷积核为kernel = [ 010; 1 5 1; 0 1 0];二值化采用固定阈值;在轮廓提取时过滤掉轮廓外接矩形的长、宽较小的轮廓。将所述五个特征区域内不包括角膜两侧区域OCT图像轮廓点、五个特征区域内角膜两侧区域OCT图像轮廓点进行图像的逻辑或运算得到五个特征区域眼前节OCT图像的轮廓点,如图5所示。
接下来进行轮廓点选取操作,步骤如下:
对于眼白到虹膜区域OCT图像轮廓,有四个特征点,即角膜后表面与虹膜交点1、角膜后表面端点2、角膜前表面端点1、角膜前表面端点2。将眼白到虹膜区域轮廓y像素坐标最大值和最小值之间进行填充,得到眼白虹膜区域OCT最大最小值填充图像;将眼白到虹膜区域轮廓进行填充,得到眼白到虹膜区域OCT轮廓填充图像;将眼白虹膜区域OCT最大最小值填充图像、眼白到虹膜区域OCT轮廓填充图像进行图像的逻辑减运算,得到眼白到虹膜区域OCT内部填充图像;在眼白到虹膜区域OCT内部填充图像中x像素坐标最小的轮廓点即为角膜后表面与虹膜交点1,x像素坐标最大且y像素坐标最小对应的轮廓点即为角膜后表面端点2;在眼白到虹膜区域OCT图像轮廓中,x像素坐标值最小且y像素坐标值最小的轮廓点即为角膜前表面端点1,x像素坐标最大且y像素坐标最小的轮廓点即为角膜前表面端点2。
对于虹膜到眼白区域OCT图像轮廓有四个特征点,即角膜后表面与虹膜交点7、角膜后表面端点6、角膜前表面端点7、角膜前表面端点6。在虹膜到眼白区域OCT内部填充图像中x像素坐标最大的轮廓点即为角膜后表面与虹膜交点7,x像素坐标最小且y像素坐标最小对应的轮廓点即为角膜后表面端点6;在虹膜到眼白区域OCT图像轮廓中,x像素坐标值最大且y像素坐标值最小的轮廓点即为角膜前表面端点7,x像素坐标最小且y像素坐标最小的轮廓点即为角膜前表面端点6。
对于虹膜到瞳孔区域OCT图像轮廓,有五个特征点,即角膜前表面端点3、角膜后表面端点3、虹膜端点1、虹膜与前囊膜交点1、晶状体后囊膜端点1。角膜前表面端点3是小深度区域虹膜到瞳孔区域眼前节 OCT图像轮廓中x像素坐标值最小且y像素坐标值最小的轮廓点,角膜后表面端点3是小深度区域虹膜到瞳孔区域眼前节 OCT图像轮廓中x像素坐标值最小且y像素坐标值最大的轮廓点;后囊膜端点1是大深度区域虹膜到瞳孔区域眼前节 OCT图像轮廓中x像素坐标值最小且y像素坐标值最大的轮廓点;将小深度区域虹膜到瞳孔区域OCT图像轮廓、大深度区域虹膜到瞳孔区域OCT图像轮廓分别进行轮廓填充,并进行图像的逻辑或运算,得到的图像为虹膜到瞳孔区域眼前节OCT轮廓填充图像,简称为轮廓填充图像;其次对虹膜到瞳孔区域OCT图像轮廓进行图像的逻辑或运算,并进行最大最小值填充,得到的图像为虹膜到瞳孔区域眼前节OCT最大最小值填充图像,简称为最大最小值填充图像;其次将最大最小填充值图像和轮廓填充图像进行图像的逻辑减运算,得到的图像为虹膜到瞳孔区域眼前节OCT内部填充图像,简称为内部填充图像;最后对内部填充图像进行凹凸度检测,在得到的检测点中,y像素坐标最大的检测点即为虹膜与前囊膜交点1, x像素坐标最小的检测点为虹膜端点1。
对于瞳孔到虹膜区域OCT图像轮廓,有五个特征点,即角膜前表面端点5、角膜后表面端点5、虹膜端点3、虹膜与前囊膜交点3、晶状体后囊膜端点3。角膜前表面端点5是小深度区域瞳孔到虹膜区域眼前节 OCT图像轮廓中x像素坐标值最大且y像素坐标值最小的轮廓点;角膜后表面端点5是小深度区域瞳孔到虹膜区域眼前节 OCT图像轮廓中x像素坐标值最大且y像素坐标值最大的轮廓点;后囊膜端点3是大深度区域瞳孔到虹膜区域眼前节 OCT图像轮廓中x像素坐标值最大且y像素坐标值最大的轮廓点;将小深度区域瞳孔到虹膜区域OCT图像轮廓、大深度区域瞳孔到虹膜区域OCT图像轮廓分别进行轮廓填充,并进行图像的逻辑或运算,得到的图像为瞳孔到虹膜区域眼前节OCT轮廓填充图像,简称为轮廓填充图像;其次对瞳孔到虹膜区域OCT图像轮廓进行图像的逻辑或运算,并进行最大最小值填充,得到的图像为瞳孔到虹膜区域眼前节OCT最大最小值填充图像,简称为最大最小值填充图像;其次将最大最小填充值图像和轮廓填充图像进行图像的逻辑减运算,得到的图像为瞳孔到虹膜区域眼前节OCT内部填充图像,简称为内部填充图像;最后对内部填充图像进行凹凸度检测,在得到的检测点中,y像素坐标最大的检测点即为虹膜与前囊膜交点3, x像素坐标最大的检测点为虹膜端点3。
对于瞳孔中心区域OCT图像轮廓,有四个特征点,即角膜前表面顶点、角膜后表面顶点、晶状体前囊膜顶点、晶状体后囊膜顶点。将瞳孔中心区域眼前节OCT图像轮廓进行分割为小深度区域瞳孔中心区域OCT图像轮廓、大深度区域瞳孔中心区域OCT图像轮廓;角膜前表面顶点是小深度区域瞳孔中心区域OCT图像轮廓中y像素坐标值最小的轮廓点;角膜后表面顶点是小深度区域瞳孔中心区域OCT图像轮廓中y像素坐标值最大的轮廓点;前囊膜顶点是大深度区域瞳孔中心区域OCT图像轮廓中y像素坐标值最小的轮廓点;后囊膜顶点是大深度区域瞳孔中心区域OCT图像轮廓中y像素坐标值最小的轮廓点。
得到的22个特征点如图5所示。
步骤S3,根据提取的所述22个特征点,提取位于角膜前表面的特征点、位于角膜后表面的特征点、位于晶状体前囊膜的特征点、位于虹膜的特征点、位于晶状体后囊膜的特征点,通过排序依次选取其中的3个特征点进行三点弧线拟合,拟合出角膜前表面弧线、角膜后表面弧线、虹膜弧线、晶状体前囊膜弧线、晶状体后囊膜弧线。具体包括:
步骤S301、基于所述22个特征点提取出位于角膜前表面的7个特征点并排序,包括角膜前表面端点1、角膜前表面端点2、角膜前表面端点3、角膜前表面顶点、角膜前表面端点5、角膜前表面端点6、角膜前表面端点7;
步骤S302、基于所述22个特征点提取出位于角膜后表面的7个特征点并排序,包括角膜后表面与虹膜交点1、角膜后表面端点2、角膜后表面端点3、角膜后表面顶点、角膜后表面端点5、角膜后表面端点6、角膜后表面与虹膜交点7;
步骤S303、基于所述22个特征点提取出位于晶状体前囊膜的3个特征点并排序,包括虹膜与前囊膜交点1、前囊膜顶点、虹膜与前囊膜交点3;
步骤S304、基于所述22个特征点提取出位于晶状体后囊膜的3个特征点并排序,包括后囊膜端点1、后囊膜顶点、后囊膜端点3;
步骤S305、基于所述22个特征点提取出位于虹膜的6个特征点并排序,包括角膜后表面与虹膜交点1、虹膜端点1、虹膜与前囊膜交点1、虹膜与前囊膜交点3、虹膜端点3、角膜后表面与虹膜交点7;
步骤S306、基于所述角膜前表面的7个特征点按顺序选择3个特征点进行三点弧线拟合得到角膜前表面弧线,包括选择角膜前表面端点1、角膜前表面端点2、角膜前表面端点3进行三点弧线拟合,选择角膜前表面端点3、角膜前表面顶点、角膜前表面端点5进行三点弧线拟合,选择角膜前表面端点5、角膜前表面端点6、角膜前表面端点7进行三点弧线拟合;
步骤S307、三点弧线拟合的步骤如下:
(1)点为为三点/>、/>、/>组成的圆弧上任意一点,其中,/>为线段/>的中点/>;
(2)向量与像素坐标系下横向方向夹角为:/>;
(3)计算旋转矩阵和位移矩阵:
顺时针旋转角度的旋转矩阵方程:/>,
逆时针旋转角度的旋转矩阵方程:/>,
位移矩阵方程:,
位移矩阵方程:;
(4)计算以点为旋转中心旋转角度/>后的坐标:
点以点/>为旋转中心旋转角度/>后,得到/>,/>,
点以点/>为旋转中心旋转角度/>后,得到/>,/>,
点以点/>为旋转中心旋转角度/>后,得到/>,/>;
(5)计算经过三点、/>、/>,圆心为/>的椭圆方程参数:/>,计算得到椭圆长轴/>和短轴/>的值;
(6)计算从点到点/>的椭圆弧线上任意一点/>的方程为,其中/>;
(7)将上式椭圆弧线方程逆时针旋转角度后,得到三点/>、/>、/>组成弧线上任意一点/>方程,即/>,即实现三点弧线拟合;
步骤S308、基于所述角膜后表面7个特征点按顺序选择3个特征点进行三点弧线拟合得到角膜后表面弧线,包括选择角膜后表面与虹膜交点1、角膜后表面端点2、角膜后表面端点3进行三点弧线拟合,选择角膜后表面端点3、角膜后表面顶点、角膜后表面端点5进行弧线拟合,选择角膜后表面端点5、角膜后表面端点6、角膜后表面与虹膜交点7进行三点弧线拟合;
步骤S309、基于所述晶状体前囊膜3个特征点进行三点弧线拟合得到晶状体前囊膜弧线包括,将虹膜与前囊膜交点1、前囊膜顶点、虹膜与前囊膜交点3进行三点弧线拟合;
步骤S310、基于所述晶状体后囊膜3个特征点进行三点弧线拟合得到晶状体后囊膜弧线包括,将后囊膜端点1、后囊膜顶点、后囊膜端点3进行三点弧线拟合;
步骤S311、基于所述虹膜6个特征点排序,选择前三个特征点进行三点弧线拟合,选择后三个特征点进行弧线拟合得到虹膜弧线,包括选择角膜后表面与虹膜交点1、虹膜端点1、虹膜与前囊膜交点1进行三点弧线拟合,选择虹膜与前囊膜交点3、虹膜端点3、角膜后表面与虹膜交点7进行三点弧线拟合;
以下结合具体实施例及附图进行说明:
本实施例拟合角膜前表面弧线包括将角膜前表面端点1、角膜前表面端点2、角膜前表面端点3进行三点弧线拟合,将角膜前表面端点3、角膜前表面顶点、角膜前表面端点5进行三点弧线拟合,将角膜前表面端点5、角膜前表面端点6、角膜前表面端点7进行三点弧线拟合,最终拟合出角膜上表面弧线。
本实施例拟合角膜后表面弧线包括将角膜后表面与虹膜交点1、角膜后表面端点2、角膜后表面端点3进行三点弧线拟合,将角膜后表面端点3、角膜后表面顶点、角膜后表面端点5进行三点弧线拟合,将角膜后表面端点5、角膜后表面端点6、角膜后表面与虹膜交点7进行三点弧线拟合,最终拟合出角膜下表面弧线。
本实施例拟合晶状体前囊膜弧线包括将虹膜与前囊膜交点1、前囊膜顶点、虹膜与前囊膜交点3进行三点弧线拟合,拟合出前囊膜弧线。
本实施例拟合晶状体后囊膜弧线包括将后囊膜端点1、后囊膜顶点、后囊膜端点3进行三点弧线拟合,拟合出后囊膜弧线。
本实施例拟合虹膜弧线包括;将角膜后表面与虹膜交点1、虹膜端点1、虹膜与前囊膜交点1进行三点弧线拟合,拟合出虹膜弧线1;同理将虹膜与前囊膜交点3、虹膜端点3、角膜后表面与虹膜交点7进行三点弧线拟合,拟合出虹膜弧线2。
本实施例通过三点弧线拟合,得到的角膜上表面弧线、角膜下表面弧线、虹膜弧线、晶状体前囊膜弧线、晶状体后囊膜弧线如图6所示。
步骤S4,根据所述晶状体前囊膜弧线、所述晶状体后囊膜弧线得到填充晶状体自适应模板;根据基于所述角膜前表面弧线、所述角膜后表面弧线、所述虹膜弧线得到填充角膜自适应模板;通过改变弧线的粗细得到粗线条眼前节自适应模板。具体包括:
步骤S401、基于所述晶状体前囊膜弧线、所述晶状体后囊膜弧线,增加线条形成闭包晶状体自适应模板,通过轮廓填充得到填充晶状体自适应模板,包括对所述填充晶状体自适应模板进行轮廓提取,然后进行轮廓填充得到填充晶状体自适应模板;
步骤S402、基于所述角膜前表面弧线、所述角膜后表面弧线、所述虹膜弧线,增加线条形成闭包角膜自适应模板,通过轮廓填充得到填充角膜自适应模板,包括对所述闭包角膜自适应模板进行轮廓提取,然后进行轮廓填充得到填充角膜自适应模板;
步骤S403、合并所述闭包晶状体自适应模板和所述闭包角膜自适应模板得到眼前节自适应模板,并增加所述拟合弧线的弧线粗度,得到粗线条眼前节自适应模板,包括增加所述角膜前表面弧线的粗度、增加所述角膜后表面弧线的粗度、增加所述晶状体前囊膜弧线的粗度、增加所述晶状体后囊膜弧线的线条的粗度。
以下结合具体实施例及附图进行说明:
制作闭包晶状体自适应模板包括,用直线连接虹膜与前囊膜交点1、后囊膜端点1,同理用直线连接虹膜与前囊膜交点3、后囊膜端点3,结合晶状体前囊膜弧线、晶状体后囊膜弧线,得到闭包晶状体自适应模板;在此基础上,基于角膜前表面端点1、角膜前表面端点7,设定角膜最大显示范围的像素坐标点,并用直线连接,结合角膜前表面弧线、角膜后表面弧线、虹膜弧线,形成闭包眼前节自适应模板如图6所示。在所述的闭包眼前节自适应模板中去掉前囊膜弧线、后囊膜弧线,并进行轮廓填充,得到填充角膜自适应模板,如图7(a)所示;将闭包晶状体自适应模板进行轮廓填充,得到填充晶状体自适应模板,如图7(g)。得到粗线条自适应模板的步骤如下:虹膜弧线1、角膜后表面与虹膜交点1、虹膜与前囊膜交点1的连线形成了闭包虹膜轮廓模板1,同理虹膜弧线2、角膜后表面与虹膜交点7、虹膜与前囊膜交点3的连线形成闭包虹膜轮廓模板2。将闭包虹膜轮廓模板1,闭包虹膜模板2分别填充并进行图像的逻辑或运算得到填充虹膜自适应模板,将填充虹膜自适应模板与粗线条的闭包眼前节自适应模板进行图像的逻辑或运算,得到粗线条眼前节自适应模板,如图9 (c)所示。
步骤S5,将所述填充角膜自适应模板与眼前节OCT图像进行图像处理得到角膜OCT图像;通过将填充晶状体自适应模板与眼前节OCT图像进行图像处理得到晶状体OCT图像;分别对角膜OCT图像、晶状体OCT图像进行图像边缘轮廓提取得到角膜OCT图像的第一轮廓、晶状体OCT图像的第一轮廓;将角膜OCT图像的第一轮廓、晶状体OCT图像的第一轮廓进行图像处理得到眼前节OCT图像的第一轮廓。具体包括:
为了降低背景噪声的影响,提高图像轮廓提取精度,将所述填充角膜自适应模板与所述眼前节OCT图像进行图像的逻辑与运算,得到角膜OCT图像,考虑到OCT设备采用远心扫描方式时,角膜两侧区域信号较弱,制作角膜两侧区域提取模版,通过提取得到角膜两侧OCT图像、不包括角膜两侧的角膜OCT图像,分别进行图像增强操作得到增强的角膜OCT图像,对所述增强角膜OCT图像进行高斯差分、形态学边缘检测等操作,得到角膜OCT图像边缘轮廓。
以下结合具体实施例及附图进行说明:
图像边缘检测的流程示意图如图8所示,包括:图像增强、高斯差分、形态学边缘检测等操作。
图像增强算法具体描述如下:基于所述填充角膜自适应模板,提取出角膜OCT图像,考虑到OCT设备采用远心扫描方式时,角膜两侧区域信号较弱,制作角膜两侧区域模板如图7(c)所示,基于图7(a)所示的角膜OCT图像,提取角膜两侧OCT图像如图7(d)所示;将图7(a) 所示的角膜OCT图像与图7(d)所示的角膜两侧OCT图像进行图像的逻辑减运算,得到不包括角膜两侧的角膜OCT图像如图7(e)所示,将图7(d)所示的角膜两侧OCT图像和图7(e)所示的不包括角膜两侧的OCT图像分别进行图像增强操作后,再进行图像的逻辑或运算,得到增强的角膜OCT图像如图7(f)所示;基于所述填充晶状体自适应模板,提取出晶状体OCT图像并进行图像增强,得到增强的晶状体OCT图像如图7(h) 所示。
图像高斯差分算法具体描述如下:针对图7(f)所示的增强角膜OCT图像、图7(h)所示的增强晶状体OCT图像分别进行高斯差分,得到高斯差分角膜OCT图像、高斯差分晶状体OCT图像,其中高斯差分所需的参数是不同的。
形态学边缘检测算法具体描述如下,针对所述高斯差分角膜OCT图像、高斯差分晶状体OCT图像分别进行形态学边缘检测,得到角膜OCT图像的第一轮廓、晶状体OCT图像的第一轮廓,其中边缘检测所需的参数是不同的;将角膜OCT图像的第一轮廓(如图9(a)所示)、晶状体OCT图像的第一轮廓(如图9(b)所示)进行图像的逻辑或运算,得到所述的眼前节OCT图像的第一轮廓。
步骤S6,将粗线条眼前节自适应模板与所述眼前节OCT图像第一轮廓进行图像处理,得到眼前节OCT图像的第二轮廓,即眼前节OCT图像的最终轮廓。具体包括:
将眼前节OCT图像第一轮廓、粗线条眼前节自适应模板进行图像的逻辑与运算,得到眼前节OCT图像的第二轮廓,即最终的眼前节OCT图像轮廓,如图9(d)所示。轮廓提取结果示意图如图10所示。
虽然本发明参照当前的较佳实施方式进行了描述,但本领域的技术人员应能理解,上述较佳实施方式仅用来说明本发明,并非用来限定本发明的保护范围,任何在本发明的精神和原则范围之内,所做的任何修饰、等效替换、改进等,均应包含在本发明的权利保护范围之内。
Claims (7)
1.一种眼前节OCT图像轮廓提取方法,其特征在于,该方法包括如下步骤:
S1,根据人眼眼球结构标记眼球的五个特征区域,基于OCT设备扫描范围制作眼前节OCT图像像素坐标系下的五个特征区域提取模板;
S2,将制作的所述五个特征区域提取模板与眼前节OCT图像进行图像处理,得到五个特征区域内眼前节OCT图像;通过图像预处理获得所述五个特征区域内眼前节OCT图像的轮廓点,并提取所述五个特征区域内眼前节OCT图像轮廓点的22个特征点;
S3,根据提取的所述22个特征点,提取位于角膜前表面的特征点、位于角膜后表面的特征点、位于晶状体前囊膜的特征点、位于虹膜的特征点、位于晶状体后囊膜的特征点,依次选取其中的3个特征点进行三点弧线拟合,拟合出角膜前表面弧线、角膜后表面弧线、虹膜弧线、晶状体前囊膜弧线、晶状体后囊膜弧线;
S4,根据所述晶状体前囊膜弧线、所述晶状体后囊膜弧线得到填充晶状体自适应模板;根据基于所述角膜前表面弧线、所述角膜后表面弧线、所述虹膜弧线得到填充角膜自适应模板;通过改变弧线的粗细得到粗线条眼前节自适应模板;
S5,将所述填充角膜自适应模板与眼前节OCT图像进行图像处理得到角膜OCT图像;通过将填充晶状体自适应模板与眼前节OCT图像进行图像处理得到晶状体OCT图像;分别对角膜OCT图像、晶状体OCT图像进行图像边缘轮廓提取得到角膜OCT图像的第一轮廓、晶状体OCT图像的第一轮廓;将角膜OCT图像的第一轮廓、晶状体OCT图像的第一轮廓进行图像处理得到眼前节OCT图像的第一轮廓;
S6,将粗线条眼前节自适应模板与所述眼前节OCT图像第一轮廓进行图像处理,得到眼前节OCT图像的第二轮廓,即眼前节OCT图像的最终轮廓;
所述人眼眼球结构标记眼球的五个特征区域包括:眼白到虹膜区域、虹膜到瞳孔区域、瞳孔中心区域、瞳孔到虹膜区域、虹膜到眼白区域;所述眼白到虹膜区域既包含眼白又包含虹膜,眼白在虹膜左边、虹膜在眼白右边;所述虹膜到眼白区域既包含虹膜又包含眼白,虹膜在眼白的左边,眼白在虹膜的右边;所述虹膜到瞳孔区域既包含虹膜也包含瞳孔,虹膜在瞳孔左边,瞳孔在虹膜右边;所述瞳孔到虹膜区域既包含瞳孔又包含虹膜,瞳孔在虹膜左边,虹膜在瞳孔右边;所述瞳孔中心区域包含瞳孔中心;
所述的步骤S2包括:
步骤S201、将虹膜到瞳孔区域提取模板分成两个部分,即虹膜到瞳孔小深度区域提取模板、虹膜到瞳孔大深度区域提取模板;将瞳孔到虹膜区域提取模板分成两个部分,即瞳孔到虹膜小深度区域提取模板、瞳孔到虹膜大深度区域提取模板;将虹膜到瞳孔小深度区域提取模板与所述瞳孔到虹膜小深度区域提取模板进行图像的逻辑或运算得到五个特征区域内角膜两侧区域提取模板,将眼前节OCT图像与所述五个特征区域内角膜两侧区域提取模板进行图像的逻辑与运算得到五个特征区域内角膜两侧区域OCT图像;将所述五个特征区域提取模板与所述瞳孔到虹膜小深度区域提取模板和所述虹膜到瞳孔小深度区域提取模板进行图像的逻辑减运算得到五个特征区域内不包括角膜两侧区域提取模板,然后与眼前节OCT图像进行图像的逻辑与运算得到五个特征区域内不包括角膜两侧区域OCT图像;
步骤S202、通过图像预处理算法得到五个特征区域内眼前节OCT图像的轮廓点,包括对所述五个特征区域内角膜两侧区域OCT图像进行图像预处理、对所述五个特征区域内不包括角膜两侧区域OCT图像进行图像预处理;其中所述图像预处理算法包括图像增强、图像卷积、二值化和轮廓提取;
步骤S203、在所述五个特征区域内眼前节OCT图像轮廓点中提取出22个特征点,包括瞳孔中心区域的4个特征点、眼白到虹膜区域的4个特征点、虹膜到眼白区域的4个特征点、虹膜到瞳孔区域的5个特征点,瞳孔到虹膜区域的5个特征点。
2.如权利要求1所述的方法,其特征在于,所述的步骤S3包括:
步骤S301、基于所述22个特征点提取出位于角膜前表面的7个特征点并排序;
步骤S302、基于所述22个特征点提取出位于角膜后表面的7个特征点并排序;
步骤S303、基于所述22个特征点提取出位于晶状体前囊膜的3个特征点并排序;
步骤S304、基于所述22个特征点提取出位于晶状体后囊膜的3个特征点并排序;
步骤S305、基于所述22个特征点提取出位于虹膜的6个特征点并排序;
步骤S306、基于所述角膜前表面的7个特征点按顺序选择3个特征点进行三点弧线拟合得到角膜前表面弧线。
3.如权利要求2所述的方法,其特征在于,所述的步骤S3还包括:
基于所述角膜后表面7个特征点按顺序选择3个特征点进行三点弧线拟合得到角膜后表面弧线;
基于所述晶状体前囊膜3个特征点进行三点弧线拟合得到晶状体前囊膜弧线;
基于所述晶状体后囊膜3个特征点进行三点弧线拟合得到晶状体后囊膜弧线;
基于所述虹膜6个特征点排序,选择前三个特征点进行三点弧线拟合,选择后三个特征点进行弧线拟合得到虹膜弧线。
4.如权利要求3所述的方法,其特征在于,所述的步骤S4包括:
步骤S401、基于所述晶状体前囊膜弧线、所述晶状体后囊膜弧线,增加线条形成闭包晶状体自适应模板,通过轮廓填充得到填充晶状体自适应模板;
步骤S402、基于所述角膜前表面弧线、所述角膜后表面弧线、所述虹膜弧线,增加线条形成闭包角膜自适应模板,通过轮廓填充得到填充角膜自适应模板;
步骤S403、合并所述闭包晶状体自适应模板和所述闭包角膜自适应模板得到眼前节自适应模板,并增加拟合弧线的弧线粗度,得到粗线条眼前节自适应模板。
5.如权利要求4所述的方法,其特征在于,所述增加拟合弧线的弧线粗度,包括:增加所述角膜前表面弧线的粗度、增加所述角膜后表面弧线的粗度、增加所述晶状体前囊膜弧线的粗度、增加所述晶状体后囊膜弧线的线条的粗度。
6.如权利要求5所述的方法,其特征在于,所述的步骤S5包括:
将所述填充角膜自适应模板与所述眼前节OCT图像进行图像的逻辑与运算,得到角膜OCT图像,制作角膜两侧区域提取模版,通过提取得到角膜两侧OCT图像、不包括角膜两侧的角膜OCT图像,分别进行图像增强操作得到增强的角膜OCT图像,对所述增强的角膜OCT图像进行高斯差分、形态学边缘检测操作,得到角膜OCT图像边缘轮廓。
7.如权利要求6所述的方法,其特征在于,所述的步骤S6包括:
将眼前节OCT图像第一轮廓、粗线条眼前节自适应模板进行图像的逻辑与运算,得到眼前节OCT图像的第二轮廓,即最终的眼前节OCT图像轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580916.8A CN116309661B (zh) | 2023-05-23 | 2023-05-23 | 眼前节oct图像轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580916.8A CN116309661B (zh) | 2023-05-23 | 2023-05-23 | 眼前节oct图像轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309661A CN116309661A (zh) | 2023-06-23 |
CN116309661B true CN116309661B (zh) | 2023-08-08 |
Family
ID=86800003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310580916.8A Active CN116309661B (zh) | 2023-05-23 | 2023-05-23 | 眼前节oct图像轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309661B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136135A (zh) * | 2011-03-16 | 2011-07-27 | 清华大学 | 眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法 |
CN108470348A (zh) * | 2018-02-13 | 2018-08-31 | 温州眼视光发展有限公司 | 裂隙灯眼前节断层图像特征提取方法 |
CN111093525A (zh) * | 2018-08-07 | 2020-05-01 | 温州医科大学 | 光学相干断层图像处理方法 |
CN111861977A (zh) * | 2020-05-27 | 2020-10-30 | 温州医科大学附属眼视光医院 | 一种基于机器视觉的眼前节断层图像的特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10952603B2 (en) * | 2016-07-13 | 2021-03-23 | Carl Zeiss Meditec, Inc. | Systems and methods for improved anterior segment OCT imaging |
-
2023
- 2023-05-23 CN CN202310580916.8A patent/CN116309661B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136135A (zh) * | 2011-03-16 | 2011-07-27 | 清华大学 | 眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法 |
CN108470348A (zh) * | 2018-02-13 | 2018-08-31 | 温州眼视光发展有限公司 | 裂隙灯眼前节断层图像特征提取方法 |
CN111093525A (zh) * | 2018-08-07 | 2020-05-01 | 温州医科大学 | 光学相干断层图像处理方法 |
CN111861977A (zh) * | 2020-05-27 | 2020-10-30 | 温州医科大学附属眼视光医院 | 一种基于机器视觉的眼前节断层图像的特征提取方法 |
Non-Patent Citations (1)
Title |
---|
刘伟华等.轮廓初始点检测对眼睛虹膜区域反射光的去除.计算机工程与应用.2013,第49卷(第17期),第1-5、14页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116309661A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400289B (zh) | 眼底图像识别方法、装置、设备和存储介质 | |
CN102136135B (zh) | 眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法 | |
CN109656373B (zh) | 一种注视点定位方法及定位装置、显示设备和存储介质 | |
CN108257126B (zh) | 三维视网膜oct图像的血管检测和配准方法、设备及应用 | |
CN105072979B (zh) | 使系统对准的方法及检测眼睛前方区域内的至少一个要素的位置数据的系统 | |
CN112384127A (zh) | 眼睑下垂检测方法及系统 | |
CN108470348A (zh) | 裂隙灯眼前节断层图像特征提取方法 | |
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 | |
CN116342636B (zh) | 眼前节oct图像轮廓拟合方法 | |
JPWO2019073962A1 (ja) | 画像処理装置及びプログラム | |
CN116309661B (zh) | 眼前节oct图像轮廓提取方法 | |
CN111815617B (zh) | 一种基于高光谱的眼底图像检测方法 | |
CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
CN112950577A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN111861977A (zh) | 一种基于机器视觉的眼前节断层图像的特征提取方法 | |
CN115670370B (zh) | 一种去除眼底图像玻璃体混浊斑的视网膜成像方法和装置 | |
CN111583248A (zh) | 一种基于眼部超声图像的处理方法 | |
WO2020029064A1 (zh) | 光学相干断层图像处理方法 | |
CN113012151B (zh) | 用于ss-oct手术导航系统的oct图像矫正方法及系统 | |
CN111292285A (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
CN116309594B (zh) | 眼前节oct图像处理方法 | |
CN114027883A (zh) | 一种晶状体生物参数的测量方法、装置及系统 | |
Syga et al. | A fully automated 3D in-vivo delineation and shape parameterization of the human lamina cribrosa in optical coherence tomography | |
CN108231165A (zh) | 一种眼科疾病诊断的辅助系统 | |
TWI673034B (zh) | 眼瞼下垂檢測方法及系統 |
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 |