一种针对黄斑水肿OCT图像的视网膜层自动分割方法与流程

一种针对黄斑水肿oct图像的视网膜层自动分割方法
技术领域
1.本发明涉及图像处理领域，更确切的说，本发明涉及一种针对黄斑水肿光学相干断层扫描(oct)图像的视网膜层自动分割方法。


背景技术：

2.oct是一种利用低相干干涉光对生物组织进行断层扫描的成像技术。由于其具有高检测灵敏度，高分辨率和体内无创性等优点，已经被广泛应用于眼科诊断。黄斑水肿(me)是许多视网膜疾病如糖尿病，年龄相关性黄斑变性，视网膜静脉阻塞等常见的病理结果。对存在黄斑水肿的oct视网膜图像的层结构分析可以揭示相关疾病的眼部病理。
3.现有技术的视网膜层边界分割方法可分为以下3类：(1)基于图搜索的方法：如发明专利cn103514605，该类方法基于oct视网膜图像的垂直梯度特征，利用最短路径算法dijkstra对视网膜层边界进行分割；(2)基于机器学习的方法：构建一个随机森林分类器，学习各层之间的边界像素，通过像素分类得到最终的边界概率分割，或利用深度学习网络提取特定视网膜层边界的特征训练相应的分类器对视网膜进行层估计。(3)机器学习与图论相结合的方法，该类方法先通过机器学习获得像素分类的概率图，再通过图论得到最终的准确分割。
4.发明专利cn103514605，首先根据玻璃体和视网膜的反射率差异进行ilm层定位，再根据ilm的高反射率找到相近的高反射率rnfl层，然后使用高反射率的视网膜的结构特性估计rpe层，最后结合所定位的位置以梯度信息为权值经过dijkstra算法实现视网膜层分割，该方法在一定程度上被高反射率的差异性所限制，因而对oct视网膜图的图像质量要求较高，一旦高反射差异不明显，就造成两个高反射层位置的错误定位，导致无法正确实现分割，该方法无法满足现对病状oct图像视网膜的分割需求。
5.随着人口增加，人口结构向老龄化的急剧转变，眼睛的疾病越来越普遍，其中黄斑水肿指眼底视网膜对光线最敏感部位黄斑区发生炎性反应、液体渗入，形成水肿，造成视力严重下降，是视网膜中央静脉阻塞、糖尿病视网膜病变，是引起视力减退的重要原因之一，水肿区域对视网膜层造成结构性影响。
6.普遍的基于图搜索的方法取决于层边界处的梯度信息，会因层间对比度极低或血管阴影而无法实现准确分割。基于机器学习的方法通过提取特定视网膜层边界的特征，并训练相应的分类器估计层边界的位置，该过程中需要大量数据作为模型训练的支撑，这将产生较大的计算负担。除此之外，这些方法基本上都是针对正常视网膜图像设计的。虽然能一定程度上迁移到存在黄斑水肿的图像，但是由于水肿的存在会导致视网膜层与层之间的融合，并对其他层造成挤压，导致这些方法水肿区域的分割效果并不是很理想，后续仍然需要人工进行手动矫正。而且目前在视网膜层自动分割方法中，极少针对病状视网膜层进行分割，且不能有效对病状视网膜层进行分割。


技术实现要素：

7.本发明克服了现有技术中的缺点，提供一种针对黄斑水肿oct图像的视网膜层自动分割方法，该方法基于改进的图搜索进行视网膜层自动分割，基于水肿检测和插值对水肿区域的错误分割进行自动矫正，实现快速而准确的获得黄斑水肿图像的8个视网膜层边界。本发明提出的方法为分析黄斑水肿病变的位置和测算视网膜层厚度提供一个自动无创的工具，同时也为研究黄斑水肿相关眼部疾病的早期诊断提供技术参考。
8.为了解决上述技术问题，本发明是通过以下技术方案实现的：
9.一种针对黄斑水肿oct图像的视网膜层自动分割方法，包括以下步骤：
10.步骤1、采集存在黄斑水肿的视网膜图像；
11.步骤2、对图像进行预处理；
12.步骤3、构建分割边界的权重矩阵；
13.步骤4、基于最短路径快速算法得到视网膜边界的最短路径；
14.步骤5、检测并定位水肿区域；
15.步骤6、矫正水肿区域的错误分割；
16.步骤7、采用平滑边界线；
17.步骤8、反压平。
18.进一步，所述步骤2的对图像进行预处理包括以下步骤：
19.(1)使用自适应加权双边滤波抑制oct图像中的散斑噪声，保留视网膜层的主要纹理信息；
20.(2)用bm边界为基准线将滤波后的视网膜图像压平，减少边界明显弯曲所造成的误差；
21.(3)加强明暗层之间的对比，将压平后的b扫描进行一次高斯滤波，并且将强度小于对应列的中值的强度值设置为零来对该图像进行阈值；
22.(4)将b扫描归一化，保证像素强度在0到1之间；
23.进一步，所述步骤3的构建分割边界的权重矩阵包括以下步骤：
24.(1)求梯度图；由于视网膜层与层之间的变化呈现出暗到亮和亮到暗两种形式，采用公式(1)生成暗到亮梯度图a和亮到暗梯度图b，并对增强后的梯度图进行伽马变换增强；
[0025][0026]
其中i(x,y)为位置(x,y)的像素强度值，m是图像在x方向的像素个数，n是图像y方向的像素个数；
[0027]
(2)定义权重函数；把图像中的每个像素点作为一个节点，每张图像作为一个节点图，联合z方向的垂直梯度变化值和坐标变化绝对值两个约束条件，定义节点a和b之间的权重函数如下：
[0028]wab
＝0.8*(ga gb) 0.2*s
ab
w
min
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0029]
其中w
ab
是连接节点a和节点b的边的权重，ga和gb分别为节点a和节点b处的垂直梯度，s
ab
是节点a和节点b在y方向的坐标变化绝对值，w
min
为最小权重，设定为10-5
；
[0030]
(3)使用梯度图a和权重函数构建ilm，inl-opl，is-os，os-rpe的暗道亮权重矩阵，使用梯度图b和权重函数构建nfl-gcl，opl-onl，os-rpe，bm的亮到暗权重矩阵。
[0031]
进一步，所述步骤4为基于最短路径快速算法得到视网膜8条边界的最短路径。
[0032]
进一步，所述步骤4为调用对应的权重矩阵并限制感兴趣区域，利用spfa算法依次分割：ilm，is-os，bm，os-rpe，nfl-gcl，opl-onl，ipl-inl，inl-opl。
[0033]
进一步，所述步骤5的检测并定位水肿区域包括以下步骤：
[0034]
(1)将像素强度值低于经验值20的像素定义概率水肿区域，使用二值图像显示概率水肿区域的图像，值为1的白色像素代表概率区域，值为0的黑色像素代表背景；(2)将水肿区域的面积设置为大于100像素；(3)对图像应用形态学操作，使得水肿区域更为平滑；(4)返回水肿的列坐标。
[0035]
进一步，所述步骤6的矫正水肿区域的错误分割为：根据水肿的列坐标，并将其列的分割结果遮盖，采用一维线性插值方法让分割线直接穿过水肿，实现对水肿区域的视网膜层边界的自动矫正。
[0036]
进一步，所述步骤8的反压平为通过沿与图像压平方向相反的方向向上或向下移动像素对图像进行反压平，恢复原始曲率。
[0037]
与现有技术相比，本发明的有益效果是：
[0038]
本发明所述的是一种针对黄斑水肿oct图像的视网膜层自动分割方法，可以自动分割和矫正水肿病变的视网膜图像，有效克服了手动分割和手动矫正耗时主观的缺点。
[0039]
本发明基于改进的图搜索进行视网膜层分割，其中权重的设置联合图像的垂直梯度值和坐标变化绝对值两个约束条件，有效的减少了血管阴影对分割造成的影响，提高了分割的准确度。
[0040]
本发明使用的方法不需要训练模型，并且采用最短路径快速算法(spfa)算法代替了常用的dijkstra，有效提高了分割视网膜层边界的效率。
[0041]
本发明添加了水肿检测和插值方法对水肿区域的错误分割进行自动矫正，有效降低了水肿对视网膜层分割的影响，实现对正常、病状的视网膜层分割。
附图说明
[0042]
附图用来提供对本发明的进一步理解，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制，在附图中：
[0043]
图1为本发明一种针对黄斑水肿oct图像的视网膜层自动分割方法流程图。
[0044]
图2为图像预处理的流程图。
[0045]
图3为构建用于分割边界的权重矩阵的流程图。
[0046]
图4为检测并定位水肿区域的流程图。
[0047]
图5为非中央凹和中央凹原图及经过自适应双边滤波处理结果图。
[0048]
图6为原图利用bm边界进行压平的结果图。
[0049]
图7为黄斑水肿oct视网膜图像示意图。其中给出了8条层边界的标记和命名，左上角为图像在坐标系中的方向，视网膜中间出现的黑色低反射区域即为水肿。
[0050]
图8为图像预处理的结果图。
[0051]
图9a为暗到亮梯度图。
[0052]
图9b为亮到暗梯度图。
[0053]
图10为自动分割与矫正后得到的8个层边界的结果图。
[0054]
图11为经过后处理的最终结果示意图，其中后处理包括曲线平滑和反压平两个步骤。
具体实施方式
[0055]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0056]
参阅图1至图11，本发明所述一种针对黄斑水肿oct图像的视网膜层自动分割方法，包括以下步骤：
[0057]
步骤1、从topcon 3d-oct仪器中采集存在黄斑水肿的视网膜图像。
[0058]
步骤2、对图像进行预处理，参阅图2，具体为：
[0059]
(1)使用自适应加权双边滤波抑制oct图像中的散斑噪声，保留视网膜层的主要纹理信息；由于oct测量中的空间频带宽度有限而容易引起散斑噪声，会极大的干扰和影响图像的对比度，从而导致图像分割错误。但由于散斑噪声属于强噪声，传统的的双边滤波方法无法去除强噪声，因为强噪声的像素和图像的所在区域内的其余像素值差别较大且滤波时会受到灰度域权值的限制，强度较大的噪声在被滤波后效果不明显。而自适应加权双边滤波可以改善此缺点，且能有效地平滑oct图像和维持视网膜层地纹理信息，如图5。
[0060]
(2)用bm边界为基准线将滤波后的视网膜图像压平，减少边界明显弯曲所造成的误差；之所以选择bm边界作为基准线，是因为bm区域病态情况少，而且梯度信息相对明显，便于最短路径的领域搜索，如图6。
[0061]
(3)加强明暗层之间的对比，将压平后的b扫描进行一次高斯滤波，并且将强度小于对应列的中值的强度值设置为零来对该图像进行阈值；
[0062]
(4)将b扫描归一化，保证像素强度在0到1之间。一般而言，灰度图像(或彩色通道的每个颜色分量)，像素灰度值分布在0-255之间，归一化能进一步提高图像对比度，从而方便后续的处理。
[0063]
步骤3、构建分割边界的权重矩阵，参阅图3，具体为：
[0064]
(1)求梯度图；由于视网膜层与层之间的变化呈现出暗到亮和亮到暗两种形式，对此本发明采用公式(1)生成暗到亮梯度图a和亮到暗梯度图b，并对增强后的梯度图进行伽马变换增强。
[0065][0066]
其中i(x,y)为位置(x,y)的像素强度值，m是图像在x方向的像素个数，n是图像y方向的像素个数。
[0067]
(2)定义权重函数；把图像中的每个像素点作为一个节点，每张图像作为一个节点图。联合z方向的垂直梯度变化值和坐标变化绝对值两个约束条件，定义节点a和b之间的权重函数如下：
[0068]wab
＝0.8*(ga gb) 0.2*s
ab
w
min
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0069]
其中w
ab
是连接节点a和节点b的边的权重，ga和gb分别为节点a和节点b处的垂直梯度，s
ab
是节点a和节点b在y方向的坐标变化绝对值，w
min
为最小权重，设定为10-5
。
[0070]
(3)使用梯度图a和权重函数构建ilm，inl-opl，is-os，os-rpe的暗道亮权重矩阵,使用梯度图b和权重函数构建nfl-gcl，opl-onl，os-rpe，bm的亮到暗权重矩阵。
[0071]
步骤4、基于最短路径快速算法(spfa)得到视网膜8条边界的最短路径，参阅图7。具体为：调用对应的权重矩阵并限制感兴趣区域，利用spfa算法依次分割：ilm，is-os，bm，os-rpe，nfl-gcl，opl-onl，ipl-inl，inl-opl。
[0072]
步骤5、检测并定位水肿区域，参阅图4。具体为：(1)将像素强度值低于经验值20的像素定义概率水肿区域。使用二值图像显示概率水肿区域的图像，值为1的白色像素代表概率区域，值为0的黑色像素代表背景；(2)将水肿区域的面积设置为大于100像素。我们将100设置为阈值是因为我们发现影响分割精度的水肿区域通常大于100像素；(3)对图像应用形态学操作，使得水肿区域更为平滑；(4)返回水肿的列坐标。
[0073]
步骤6、矫正水肿区域的错误分割。具体为：根据水肿的列坐标，并将其列的分割结果遮盖，采用一维线性插值方法让分割线直接穿过水肿，实现对水肿区域的视网膜层边界的自动矫正。
[0074]
步骤7、采用三次样条插值法平滑8条边界线。
[0075]
步骤8、反压平。通过沿与图像压平方向相反的方向向上或向下移动像素对图像进行反压平，恢复原始曲率。
[0076]
最后应说明的是：以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但是凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。