[發明專利]基于SD-OCT的挫傷性視網膜內外節缺失檢測方法

在審

• 申請號: 201410356040.X
• 申請日: 2014-07-24
• 公開（公告）號: CN104143087A
• 公開（公告）日: 2014-11-12
• 發明（設計）人: 陳新建;朱偉芳;張立春;陳浩宇;石霏;向德輝;王莉蕓;張莉;高恩婷
• 申請（專利權）人: 蘇州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/36;G06K9/46;A61B3/10
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.一種基于SD-OCT的挫傷性視網膜內外節缺失檢測方法，其特征在于：包括以下步驟：

(1)圖像預處理：采用多尺度三維圖割方法進行視網膜內部分層，將視網膜SD-OCT圖像自動分割成10個分層，產生11個表面，將包含內節/外節區域的第7層和第8層之間的數據提取出來，參考第11層進行平坦化，將平坦化后第7層和第8層之間的內節/外節區域的SD-OCT圖像作為感興趣區域，進行雙線性濾波增強；

(2)體素特征提取：對步驟(1)所述平坦化后的內節/外節區域的所有體素的灰度值進行歸一化處理，對內節/外節區域內的缺失體素和非缺失體素分別提取5類特征，所述5類特征包括歸一化的灰度值、分塊均值、分塊標準差、13個方向的灰度差絕對值和基于灰度共生矩陣的特征；

(3)特征優化選擇：對步驟(2)中所提取的特征采用主成份分析法進行特征選擇；

(4)集成分類器的訓練：將經步驟(3)選擇的特征分成訓練集和測試集，在訓練集中，按缺失樣本數量與非缺失樣本數量的比例為1：1的比例從非缺失樣本中隨機抽取數量與缺失樣本數量相同的特征樣本，采用Ababoost算法進行集成分類器的訓練；

(5)體素缺失/非缺失的分類識別：對測試集樣本進行缺失/非缺失識別，采用步驟(4)訓練得到的集成分類器對測試集樣本進行分類，對每個體素的缺失與否進行分類識別；

(6)后處理與缺失體積計算：對步驟(5)分類識別得到的結果進行血管輪廓影響排除和孤立點排除，并計算視網膜內節/外節的缺失體積。

2.根據權利要求1所述的基于SD-OCT的挫傷性視網膜內外節缺失檢測方法，其特征在于：所述步驟(1)具體包括以下步驟：

(1-1)視網膜內部分層：采用多尺度三維圖搜索方法將視網膜SD-OCT圖像自動分割成10個分層，產生11個表面；

(1-2)內節/外節區域提取和平坦化：將包含內節/外節區域的第7層和第8層之間的數據提取出來，參考第11層進行平坦化，將平坦化后的第7層與第8層之間的SD-OCT圖像作為感興趣區域，進行內節/外節的缺失檢測。

3.根據權利要求1所述的基于SD-OCT的挫傷性視網膜內外節缺失檢測方法，其特征在于：所述步驟(2)所述5類特征的提取具體包括以下步驟：

(2-1)歸一化灰度值表示每個體素的灰度級，對所述感興趣區域內的所有體素的灰度值采用如式(1)所示的方法進行線性歸一化至0～255；

Inormalized(i,j,k)=Ioriginal(i,j,k)-IminImax-Imin×255---(1)]]>

其中，(i,j,k)表示體素的坐標，I_normalized(i,j,k)表示體素(i,j,k)歸一化后的灰度值，I_original(i,j,k)表示體素(i,j,k)原始的灰度值，I_min和I_max分別表示感興趣區域內體素灰度值的最小值和最大值；所述內節/外節缺失區域的灰度值低于非缺失區域的灰度值；

(2-2)分塊均值用于表示以體素(i,j,k)為中心的分塊的灰度均值，所述分塊為5×5×5分塊，所述5×5×5分塊的灰度均值M_block(i,j,k)，計算公式如式(2)：

Mblock(i,j,k)=1125Σl=i-2i+2Σm=j-2j+2Σn=k-2k+2Inormalized(l,m,n)---(2)]]>

(2-3)分塊標準差STD_block(i,j,k)用于表示以體素(i,j,k)為中心的5×5×5分塊的灰度值變化情況，表征灰度值在5×5×5分塊中的分散程度；根據分塊標準差STD_block(i,j,k)識別分塊體素全部位于缺失區域或者分塊體素全部位于非缺失區域或者分塊中同時包含缺失區域和非缺失區域的體素，計算公式如下：

STDblock(i,j,k)=Σl=i-2i+2Σm=j-2j+2Σn=k-2k+2(Inormalized(l,m,n)-Mblock(imjmk))2124---(3)]]>

(2-4)13個方向上的灰度差絕對值之和定義為：中心點體素(i,j,k)的灰度值與13個方向周圍體素的灰度差絕對值之和，反映中心點體素在缺失區域或非缺失區域的位置，依據所述13個方向上的灰度差絕對值之和AID_step(i,j,k)判斷中心點體素(i,j,k)位于缺失與非缺失交界處或者缺失區域或者非缺失區域，選擇兩種距離步長計算13個方向上的灰度差絕對值之和AID_step(i,j,k)，兩種距離步長為step＝1，2，具體計算公式如公式(4)：

AIDstep(i,j,k)=Σ13directions|Inormalized(i,j,k)-Inormalized(l,m,n)|---(4)]]>

表示13個方向上的灰度差絕對值之和；

所述13個方向的選取方法為：假設α₁表示X軸與X-Y平面投影圖的夾角，α₂表示Z軸與X-Y平面投影圖的夾角，那么所述13個方向分別為(α₁,α₂)＝(0,90°)、(45°,90°)、(90°,90°)、(135°,90°)、(0,45°)、(180°,45°)、(90°,45°)、(-90°,45°)、(0,0)、(45°,45°)、(135°,45°)、(-45°,45°)、(-135°,45°)；

(2-5)基于灰度共生矩陣特征描述若干立體切面之間灰度級的空間相關性，所述灰度共生矩陣為三維體數據的灰度共生矩陣，采用三維方法在13個方向上跨切面搜索不同灰度級，構造13個灰度共生矩陣，13個灰度共生矩陣構造方法具體包括以下步驟：

對每個5×5×5分塊構造所述13個不同方向上的灰度共生矩陣；

分別提取4個基于所述灰度共生矩陣的特征，所述4個基于灰度共生矩陣的特征為：(a)對比度、(b)相關性、(c)能量和(d)均勻性；

對比度Contrast_direction?m(i,j,k)、相關性Correlation_direction?m(i,j,k)、能量Energy_direction?m(i,j,k)和均勻性Homogeneity_direction?m(i,j,k)分別采用式(5)、式(6)、式(7)和式(8)進行計算：

Contrastdirection m(i,j,k)=Σx=1NgΣy=1Ng(x-y)2p(x,y),m=1,2,...,13---(5)]]>

Correlationdirection m(i,j,k)=Σx=1NgΣy=1Ng(x-μx)(y-μy)p(x,y)σxσy,m=1,2,...,13---(6)]]>

Energydirection m(i,j,k)=Σx=1NgΣy=1Ngp2(x,y),m=1,2,...,13---(7)]]>

Homogeneitydirection m(i,j,k)=Σx=1NgΣy=1Ngp(x,y)1+|x-y|,m=1,2,...,13---(8)]]>

其中，p(x,y)表示灰度共生矩陣中第(x,y)個元素；N_g表示量化后的灰度級，取N_g＝8；μ_x和σ_x分別表示第x行的均值和標準差；μ_y和σ_y分別表示第y列的均值和標準差。