[发明专利]一种基于OCT图像的视网膜分层方法

说明书

本发明公开了一种基于OCT图像的视网膜分层方法。本发明采集眼底的OCT图像作为样本图像，对采集到的样本图像作灰度归一化处理，再对样本图像进行展平，进行均值滤波，求解纵向梯度后通过比对确定视网膜上下边界，将计算的得到的多种特征输入训练分类器，得到像素点位于不同层边界的概率，最后使用图论算法通过概率来优化训练分类器输出的最优边界及其位置。本发明能够利用普通配置的计算机实现多个层结构的自动分割，并且使用了多级概率分类决策和优化，同时采用进行了系列化的分层，对图像原有处理步骤少，检测精度提升具有一定的优势。

技术领域

本发明属于医学图像处理领域，尤其是涉及了一种基于OCT图像的视网膜分层方法。

背景技术

OCT干涉成像是基于生物组织对近红外光的光学散射特性捕获二维或者三维图像，可以达到微米(μm)级分辨率。OCT具有分辨率高、易用性强、电离辐射少、对患者舒适度高、低成本等优点，使其在黄斑立方体周围视网成像中广泛应用，并可作为多种疾病的辅助诊断依据，如多发性硬化症(MS)，1型糖尿病，阿尔茨海默病，帕金森病和青光眼等。上述疾病已经被证明在不同视网膜层中能发现对应的定量异常。更好的了解这些疾病对视网膜中特定类型细胞的影响，精确分割视网膜OCT图像的不同组织层具有深远的意义。在实际临床应用中，每个被测试者将会获取大量的OCT图像，因此必须使得分割分层的自动化。但是OCT图像的成像质量极易受散斑噪声、设备对焦的影响，都会降低图像的低图像对比度以及图像中的血管和其他结构都给算法实现自动分层制造层层障碍。正是由于上述问题的存在，分层算法仍然是研究的关注点。

目前关于视网膜层分割的工作已经有多种方法，可自动实现视网膜OCT图像的自动化分层，主要包括强度变化及其自适应阈值分析，基于强度的马尔科夫边界模型以及纹理和形状分析。近年来已经有复杂图像成像的分割工具出现，特别是基于图论的方法越来越多地应用。图论方法采用动态分析计算最短路径算法，可以实现多曲面同步分割。本发明为图论方法增加了基于纹理特征和限定约束，是现有基于图形分割方法的有效补充。本发明还结合主动轮廓分割模型思想，并利用并行机器学习的方法，将图像强度和梯度的特性用于分类。

随着研究的深入，灰度、梯度信息在应用过程中，对视网膜层边界位置的估计有一定的偏差，而且单一分类器容易造成过拟合，分类效果并不稳定；同时灰度和梯度的信息对噪声的污染非常敏感。

发明内容

为了解决背景技术中存在的问题，本发明提供了一种基于OCT图像的视网膜分层方法，其主要思想是基于图论方法采用动态分析计算最短决策概率路径算法。

图论方法同时进行多曲面分割。有些方案结合了基于纹理的功能和软约束，也有一些则采用主动轮廓分割模型。这些工作是机器学习方法的发展，可同时充分挖掘图像强度和梯度的特性。

本发明提出了一种使用整合上述两种分割工具的视网膜分割算法。在第一步中，使用分类器估计视网膜层边界的位置，同时在边界生成概率映射。第二步使用这些概率映射作为边界识别算法的输入，使用基于图论方法找到了将OCT图像中的视网膜层分开的轮廓。

本发明包括以下步骤：

1)采集眼底的OCT图像作为样本图像；

2)将步骤1)的样本图像作灰度归一化处理，将处理后的样本图像进行均值滤波；

3)将步骤2)经过均值滤波的样本图像进行高斯滤波，然后使用sobel算子求取高斯滤波后的样本图像中每个像素点的纵向梯度；设定正负阈值，将纵向梯度和正、负阈值进行比较，将纵向梯度大于正阈值的上边界作为内界膜(ILM)层上界，将梯度小于负阈值的上边界作为布鲁赫膜(BrM)层；再使用边界修正方法修正内界膜(ILM)层上界和布鲁赫膜(BrM)层；

4)将样本图像进行展平；

5)计算样本图像中每个像素所在位置的多种特征；