一種視網(wǎng)膜光學(xué)相干圖像分割方法
【專利摘要】本發(fā)明公開了一種視網(wǎng)膜光學(xué)相干圖像分割方法，首先使用高斯濾波對視網(wǎng)膜黃斑圖像按行進行濾波，再運用多分辨率方法獲取圖像初始局部輪廓，最后使用水平集方法快速獲取視網(wǎng)膜黃斑圖像的中間輪廓，得到最終的圖像分割結(jié)果。本發(fā)明邊緣檢測結(jié)果精確，計算速度快，無需初始種子點即可完成視網(wǎng)膜的分割，便于在臨床上運用，實用性強。
【專利說明】
一種視網(wǎng)膜光學(xué)相干圖像分割方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種視網(wǎng)膜光學(xué)相干圖像分割方法。
【背景技術(shù)】
[0002] 在醫(yī)學(xué)領(lǐng)域，視網(wǎng)膜黃斑厚度可以用來量化糖尿病黃斑水腫和年齡相關(guān)性黃斑變 性等疾病，臨床上通常使用光學(xué)相干斷層掃描的影像技術(shù)來獲取黃斑圖像。但現(xiàn)有的黃斑 圖像分割方法運算速度較慢，阻礙了其臨床使用。早期的0CT視網(wǎng)膜圖像分割方法主要是基 于灰度閾值和灰度變化，這些方法對噪聲敏感并且耗時。Koozekanani等人提出了一種馬爾 科夫隨機場(Markov random field，MRF)的方法來提取視網(wǎng)膜內(nèi)部和外部邊緣，這種自回 歸模型的魯棒性優(yōu)于那些基于灰度閾值的方法。但是它需要可靠的初始種子點才能完成對 病理視網(wǎng)膜的分割。Mujat等人采用了形變樣條的方法來分割視網(wǎng)膜視神經(jīng)層，它需要把形 變樣條放于初始輪廓的附近，通常也比較耗時。Chiu指出文獻(xiàn)中報導(dǎo)的用于二維和三維0CT 圖像分割的方法大多數(shù)速度較慢，這導(dǎo)致他們在臨床上實用性不足。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術(shù)問題是，針對現(xiàn)有技術(shù)不足，提供一種視網(wǎng)膜光學(xué)相干圖 像分割方法。
[0004] 為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種視網(wǎng)膜光學(xué)相干圖像分 割方法，包括以下步驟：
[0005] 1)利用光學(xué)相干斷層掃描成像方法獲取原始圖像H0W0;
[0006] 2)對所述圖像H0W0進行一維高斯濾波，得到H0W0_GAU;
[0007] 3)采用均值濾波器對所述H0W0_GAU濾波，使用多分辨率的尺度H1W0將圖像H0W0_ GAU在豎直方向壓縮至H0W0_GAU的一半，得到圖像H1W0然后重復(fù)執(zhí)行若干次尺度變換，包括 后續(xù)的尺度H2W0，尺度H3W1以及最后的尺度H4W2;
[0008] 4)在圖像H4W2上沿著豎直方向上對每列圖像分別求取向上差分和向下差分的最 大值縱坐標(biāo)，分別作為圖像H4W2中內(nèi)界膜(ILM)邊緣和視網(wǎng)膜色素上皮層(RPE)邊緣的每列 縱坐標(biāo)位置。
[0009] 5)圖像H4W2中ILM邊緣的每列縱坐標(biāo)位置和橫坐標(biāo)位置分別乘以16和4，作為圖像 H0W0_GAU中ILM邊緣的每列縱坐標(biāo)和橫坐標(biāo)初始位置;H4W2中RPE邊緣的每列縱坐標(biāo)位置 和橫坐標(biāo)位置分別乘以16和4，作為圖像H0W0_GAU中RPE邊緣的每列縱坐標(biāo)位置和橫坐標(biāo)初 始位置。
[0010] 6)利用水平集方法對經(jīng)所述步驟5)所敘圖像H0W0_GAU進行水平集分割，得到邊緣 輪廓C_IIi^PC_RPE，并作多項式擬合，即為得到的待分割的圖像H0W0中的C_ILM_R(內(nèi)界膜 (ILM)邊緣輪廓)和(：_1?^_1?(視網(wǎng)膜色素上皮層(RPE)邊緣輪廓)邊緣。
[0011] 7)得到邊緣輪廓后，采用移動多項式回歸的方法對邊緣輪廓進行光順處理。光順 處理的具體方法為：以邊緣輪廓上的某一點為當(dāng)前點，在當(dāng)前點前后各取16個點，總共33個 數(shù)據(jù)進行多項式回歸，多項式的階數(shù)為5階。
[0012] 所述原始圖像分辨率為2000 X 2048。
[0013] 所述均值濾波器為9X9的均值濾波器。
[0014] 與現(xiàn)有技術(shù)相比，本發(fā)明所具有的有益效果為:本發(fā)明邊緣檢測結(jié)果精確，計算速 度快，無需初始種子點即可完成視網(wǎng)膜的分割，便于在臨床上運用，實用性強。
【附圖說明】
[0015] 圖1為本發(fā)明方法流程圖；
[0016] 圖2為本發(fā)明斑層水平集方法分割結(jié)果示意圖；
[0017] 圖3為本發(fā)明黃斑層分割最終結(jié)果示意圖。
【具體實施方式】
[0018] 1、數(shù)據(jù)來源
[0019] 通過光學(xué)相干斷層掃描成像方法，我們從34個病人中采集了總共311幅黃斑圖像， 原始圖像的分辨率為2000(深度方向）*2048(寬度方向）。
[0020] 2、基于多分辨率及水平集的黃斑圖像分割方法
[0021]為了輔助醫(yī)學(xué)的黃斑厚度測量，需要得到黃斑圖像的清晰輪廓，本發(fā)明設(shè)計一種 新的基于多分辨率及水平集的黃斑圖像分割方法，首先使用一維高斯濾波對原始圖像按行 進行濾波，再運用多分辨率方法獲取圖像初始局部輪廓，最后使用水平集方法可以快速獲 取黃斑圖像的中間輪廓，得到最終的圖像分割結(jié)果。本發(fā)明方法的處理過程如圖1所示。 [0022] (1)高斯濾波
[0023] 高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的減 噪過程。
[0024] 考慮到視網(wǎng)膜黃斑圖像表現(xiàn)為水平層狀結(jié)構(gòu)，并且為了節(jié)省運算時間，我們采用 水平方向的高斯濾波，其公式如下：
[0026]其中，x為圖像H0W0像素水平方向坐標(biāo)，〇為核函數(shù)的寬度參數(shù)，決定了函數(shù)的徑向 作用范圍，Jr和e分別為圓周率和自然底數(shù)。本發(fā)明使用的水平方向高斯核函數(shù)參數(shù)為:〇 = 5.0,窗口尺寸 N=31。
[0027]本發(fā)明使用高斯濾波對源圖像的每行進行濾波。需要說明我們只按行濾波，不在 列方向上使用高斯濾波的原因是這樣將會導(dǎo)致邊緣位置的移動。此外，我們使用一維高斯 濾波，這是因為二維高斯濾波速度較慢，而且可以分解為兩個一維高斯濾波。
[0028] (2)圖像下采樣
[0029] 多分辨率分析是一種局部化時頻分析算法，可以用時域和頻域的聯(lián)合來表示信 號，是分析非平穩(wěn)性信號的有力工具。它通過基函數(shù)的伸縮、平移等運算多信號進行多尺度 細(xì)化分析，能有效從信號中提取信息，是一種靈活、快速、有效的高維信號處理算法。
[0030] 本發(fā)明通過多分辨率方法進行下采樣獲取黃斑圖像的初始輪廓，具體實現(xiàn)步驟包 括以下步驟。首先，采用一個9X9的均值濾波器對高斯濾波后的黃斑圖像濾波，然后使用多 分辨率的尺度H1W0,將圖像在豎直方向壓縮至源圖像的一半。接著重復(fù)執(zhí)行若干次尺度變 換，包括后續(xù)的尺度H2W0，尺度H3W1以及最后的尺度H4W2。
[0031] (3)水平集算法
[0032] 水平集算法是Sethian和Osher于1988年提出，用于把低維度的一些計算上升到更 高一維，把N維的描述看成是N+1維的一個水平。
[0033] 通常，水平集方法將平面閉合曲線隱含表達(dá)為連續(xù)函數(shù)曲面ci>(x，y，t)的一個具 有相同函數(shù)值的同值曲線。例如，可以將目標(biāo)曲線隱含表示在零水平集4>(x，y，t)=0中。即 t時刻對應(yīng)于零水平集為
[0034] C(p,t) = {(x,y) | <i> (x,y,t)=0} (2)
[0035] 假設(shè)用于演化的平面閉合曲線為(：化，〇 = &化4)，7化，〇)，其中口為任意的參數(shù) 化變量，t為時間。設(shè)曲線的內(nèi)向法向量為N，曲率為k，則曲線沿著其法向量的方向演化可以 用下面的偏微分方程表不
(3)
[0037]由于巾（以〇,〇=0，對1進行全微分，整理得到水平集進行曲線演化的方程為
(4)
[0039] 從上述分析可知，水平集方法實現(xiàn)主動輪廓線模型有幾個優(yōu)點：首先，演化曲線可 以隨著巾的演化而改變拓?fù)浣Y(jié)構(gòu)，可以分裂、合并形成尖角等;其實，由于巾在演化過程中 保持為一個完整的函數(shù)，容易實現(xiàn)近似數(shù)值計算;第三，水平集方法可以擴展到高維曲面的 演化，簡化三維分割的復(fù)雜性。因此，我們可以采用快速水平集方法獲取中間輪廓。
[0040] 具體實現(xiàn)過程中，我們采用了水平集方法來獲得黃斑層的邊緣輪廓，使用 Numford-Shah水平集模型。該模型采用的能量最小化公式如下：
[0041] E(u,c)=Jf3 | | u-u〇 | 12dxdy+liJ ^ \c | Vu 12dxdy+v X length(c) (5)
[0042] 其中，y和V是非負(fù)常數(shù)，本發(fā)明中分別取0.3和0.5。Q表示圖像H0W0_GAU待分割區(qū) 域，c表示需要分割的邊緣輪廓，u表示采用自動分割方法分割后H0W0_GAU的像素灰度均值， uo的實際黃斑區(qū)域的灰度均值，▽表示待分割圖像中的像素灰度梯度，length表示長度。 [0043]對于H0W0_GAU進行水平集分割計算中間輪廓后，得到的黃斑層邊緣的中間分割結(jié) 果如圖2所示。
[0044] (4)采用移動多項式回歸的邊緣光順
[0045] 從圖2可知，采用水平集方法獲取的邊緣是不光滑的。我們可以采用移動多項式回 歸的方法來對邊緣曲線進行光順化，使其曲線光滑，去除噪聲。
[0046] 在本發(fā)明中，我們采用移動多項式回歸的方法對邊緣曲線進行光順。也就是以當(dāng) 前點為中心，前后各取16個點，總共33個數(shù)據(jù)進行多項式回歸，多項式的階數(shù)為5階。采用該 方法后的結(jié)果如圖3。
[0047] 表1為采用手動分割方法和本發(fā)明方法的測量結(jié)果對比圖，可見本發(fā)明的方法測 量結(jié)果準(zhǔn)確，精度高。
[0048]表1對34個患者采集得到31幅圖像黃斑厚度測量結(jié)果
【主權(quán)項】
1. 一種視網(wǎng)膜光學(xué)相干圖像分割方法，其特征在于，包括以下步驟： 1) 利用光學(xué)相干斷層掃描成像方法獲取原始視網(wǎng)膜黃斑圖像HOWO; 2) 對所述原始圖像進行一維高斯濾波，得到圖像H0W0_GAU; 3) 采用均值濾波器對所述圖像H0W0_GAU濾波，然后將均值濾波器濾波后的圖像在豎向 和橫向逐次做尺度邊換，得到尺度變換后的圖像H4W2; 4) 在圖像H4W2上沿著豎直方向上對每列圖像分別求取向上差分和向下差分的最大值 縱坐標(biāo)，分別作為圖像H4W2中內(nèi)界膜邊緣和視網(wǎng)膜色素上皮層緣的每列縱坐標(biāo)位置； 5) 圖像H4W2中內(nèi)界膜邊緣的每列縱坐標(biāo)位置和橫坐標(biāo)位置分別乘以16和4，作為圖像 H0W0_GAU中內(nèi)界膜邊緣的每列縱坐標(biāo)和橫坐標(biāo)初始位置;H4W2中視網(wǎng)膜色素上皮層邊緣的 每列縱坐標(biāo)位置和橫坐標(biāo)位置分別乘以16和4,作為圖像H0W0_GAU中視網(wǎng)膜色素上皮層邊 緣的每列縱坐標(biāo)位置和橫坐標(biāo)初始位置； 6) 利用水平集方法對經(jīng)所述步驟5)處理后的圖像進行水平集分割，得到邊緣輪廓(：_ IIi^PC_RPE，并作多項式擬合，即得到原始視網(wǎng)膜黃斑圖像HOWO中的C_ILM_I^PC_RPE_I?i 緣。2. 根據(jù)權(quán)利要求1所述的視網(wǎng)膜光學(xué)相干圖像分割方法，其特征在于，所述原始圖像分 辨率為 2000*2048。3. 根據(jù)權(quán)利要求1所述的視網(wǎng)膜光學(xué)相干圖像分割方法，其特征在于，所述均值濾波器 為9 X 9的均值濾波器。4. 根據(jù)權(quán)利要求1所述的視網(wǎng)膜光學(xué)相干圖像分割方法，其特征在于，采用均值濾波器 對所述圖像H0W0_GAU進行濾波，然后將均值濾波器濾波后的圖像H0W0_MEAN在豎向和橫向 逐次做尺度邊換，即進行圖像下采樣，首先是在豎直方向上對H0W0_MEAN壓縮一半，得到圖 像HlWO，然后重復(fù)執(zhí)行若干次尺度變換，得到后續(xù)的圖像H2W0，圖像H3W1以及最后的圖像 H4W2〇5. 根據(jù)權(quán)利要求1所述的視網(wǎng)膜光學(xué)相干圖像分割方法，其特征在于，得到邊緣輪廓(：_ IIi^PC_RPE后，采用移動多項式回歸的方法對邊緣輪廓進行光順處理，得到C_ILM_I^PC_ RPE_R〇6. 根據(jù)權(quán)利要求5所述的視網(wǎng)膜光學(xué)相干圖像分割方法，其特征在于，光順處理的具體 方法為：以邊緣輪廓上的某一點為當(dāng)前點，在當(dāng)前點前后各取16個點，總共33個數(shù)據(jù)進行多 項式回歸，多項式的階數(shù)為5階。
【文檔編號】G06T7/00GK105894498SQ201610177665
【公開日】2016年8月24日
【申請日】2016年3月25日
【發(fā)明人】張?zhí)鞓? 黎日昌, 羅文
【申請人】湖南省科學(xué)技術(shù)研究開發(fā)院