[發(fā)明專(zhuān)利]一種基于OCT圖像的視網(wǎng)膜分層方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811037997.2
• 申請(qǐng)日: 2018-09-06
• 公開(kāi)（公告）號(hào): CN109325955B
• 公開(kāi)（公告）日: 2021-10-19
• 發(fā)明（設(shè)計(jì)）人: 周揚(yáng);岑崗;石龍杰;周武杰;陳正偉;陳才;毛建衛(wèi);劉鐵兵;施秧
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江科技學(xué)院
• 主分類(lèi)號(hào): G06T7/12
• 分類(lèi)號(hào): G06T7/12;G06K9/62
• 代理公司: 杭州求是專(zhuān)利事務(wù)所有限公司 33200
• 代理人: 林超

本發(fā)明公開(kāi)了一種基于OCT圖像的視網(wǎng)膜分層方法。本發(fā)明采集眼底的OCT圖像作為樣本圖像，對(duì)采集到的樣本圖像作灰度歸一化處理，再對(duì)樣本圖像進(jìn)行展平，進(jìn)行均值濾波，求解縱向梯度后通過(guò)比對(duì)確定視網(wǎng)膜上下邊界，將計(jì)算的得到的多種特征輸入訓(xùn)練分類(lèi)器，得到像素點(diǎn)位于不同層邊界的概率，最后使用圖論算法通過(guò)概率來(lái)優(yōu)化訓(xùn)練分類(lèi)器輸出的最優(yōu)邊界及其位置。本發(fā)明能夠利用普通配置的計(jì)算機(jī)實(shí)現(xiàn)多個(gè)層結(jié)構(gòu)的自動(dòng)分割，并且使用了多級(jí)概率分類(lèi)決策和優(yōu)化，同時(shí)采用進(jìn)行了系列化的分層，對(duì)圖像原有處理步驟少，檢測(cè)精度提升具有一定的優(yōu)勢(shì)。

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學(xué)圖像處理領(lǐng)域，尤其是涉及了一種基于OCT圖像的視網(wǎng)膜分層方法。

背景技術(shù)

OCT干涉成像是基于生物組織對(duì)近紅外光的光學(xué)散射特性捕獲二維或者三維圖像，可以達(dá)到微米(μm)級(jí)分辨率。OCT具有分辨率高、易用性強(qiáng)、電離輻射少、對(duì)患者舒適度高、低成本等優(yōu)點(diǎn)，使其在黃斑立方體周?chē)暰W(wǎng)成像中廣泛應(yīng)用，并可作為多種疾病的輔助診斷依據(jù)，如多發(fā)性硬化癥(MS)，1型糖尿病，阿爾茨海默病，帕金森病和青光眼等。上述疾病已經(jīng)被證明在不同視網(wǎng)膜層中能發(fā)現(xiàn)對(duì)應(yīng)的定量異常。更好的了解這些疾病對(duì)視網(wǎng)膜中特定類(lèi)型細(xì)胞的影響，精確分割視網(wǎng)膜OCT圖像的不同組織層具有深遠(yuǎn)的意義。在實(shí)際臨床應(yīng)用中，每個(gè)被測(cè)試者將會(huì)獲取大量的OCT圖像，因此必須使得分割分層的自動(dòng)化。但是OCT圖像的成像質(zhì)量極易受散斑噪聲、設(shè)備對(duì)焦的影響，都會(huì)降低圖像的低圖像對(duì)比度以及圖像中的血管和其他結(jié)構(gòu)都給算法實(shí)現(xiàn)自動(dòng)分層制造層層障礙。正是由于上述問(wèn)題的存在，分層算法仍然是研究的關(guān)注點(diǎn)。

目前關(guān)于視網(wǎng)膜層分割的工作已經(jīng)有多種方法，可自動(dòng)實(shí)現(xiàn)視網(wǎng)膜OCT圖像的自動(dòng)化分層，主要包括強(qiáng)度變化及其自適應(yīng)閾值分析，基于強(qiáng)度的馬爾科夫邊界模型以及紋理和形狀分析。近年來(lái)已經(jīng)有復(fù)雜圖像成像的分割工具出現(xiàn)，特別是基于圖論的方法越來(lái)越多地應(yīng)用。圖論方法采用動(dòng)態(tài)分析計(jì)算最短路徑算法，可以實(shí)現(xiàn)多曲面同步分割。本發(fā)明為圖論方法增加了基于紋理特征和限定約束，是現(xiàn)有基于圖形分割方法的有效補(bǔ)充。本發(fā)明還結(jié)合主動(dòng)輪廓分割模型思想，并利用并行機(jī)器學(xué)習(xí)的方法，將圖像強(qiáng)度和梯度的特性用于分類(lèi)。

隨著研究的深入，灰度、梯度信息在應(yīng)用過(guò)程中，對(duì)視網(wǎng)膜層邊界位置的估計(jì)有一定的偏差，而且單一分類(lèi)器容易造成過(guò)擬合，分類(lèi)效果并不穩(wěn)定；同時(shí)灰度和梯度的信息對(duì)噪聲的污染非常敏感。

發(fā)明內(nèi)容

為了解決背景技術(shù)中存在的問(wèn)題，本發(fā)明提供了一種基于OCT圖像的視網(wǎng)膜分層方法，其主要思想是基于圖論方法采用動(dòng)態(tài)分析計(jì)算最短決策概率路徑算法。

圖論方法同時(shí)進(jìn)行多曲面分割。有些方案結(jié)合了基于紋理的功能和軟約束，也有一些則采用主動(dòng)輪廓分割模型。這些工作是機(jī)器學(xué)習(xí)方法的發(fā)展，可同時(shí)充分挖掘圖像強(qiáng)度和梯度的特性。

本發(fā)明提出了一種使用整合上述兩種分割工具的視網(wǎng)膜分割算法。在第一步中，使用分類(lèi)器估計(jì)視網(wǎng)膜層邊界的位置，同時(shí)在邊界生成概率映射。第二步使用這些概率映射作為邊界識(shí)別算法的輸入，使用基于圖論方法找到了將OCT圖像中的視網(wǎng)膜層分開(kāi)的輪廓。

本發(fā)明包括以下步驟：

1)采集眼底的OCT圖像作為樣本圖像；

2)將步驟1)的樣本圖像作灰度歸一化處理，將處理后的樣本圖像進(jìn)行均值濾波；

3)將步驟2)經(jīng)過(guò)均值濾波的樣本圖像進(jìn)行高斯濾波，然后使用sobel算子求取高斯濾波后的樣本圖像中每個(gè)像素點(diǎn)的縱向梯度；設(shè)定正負(fù)閾值，將縱向梯度和正、負(fù)閾值進(jìn)行比較，將縱向梯度大于正閾值的上邊界作為內(nèi)界膜(ILM)層上界，將梯度小于負(fù)閾值的上邊界作為布魯赫膜(BrM)層；再使用邊界修正方法修正內(nèi)界膜(ILM)層上界和布魯赫膜(BrM)層；

4)將樣本圖像進(jìn)行展平；

5)計(jì)算樣本圖像中每個(gè)像素所在位置的多種特征；