视网膜症状性渗出液相关紊乱的自动化分割与定量分析研究

摘要

症状性渗出液相关紊乱(SymptomaticExudate-AssociatedDerangements，SEAD)伴随老年性黄斑变性(Age-relatedMacularDegeneration，AMD)等视网膜疾病产生，本文针对频域光学相干断层成像(SpectralDomainOpticalCoherenceTomography，SDOCT)的视网膜图像，结合各种不同的医学图像分割方法，提出了SEAD的自动化分割算法。本文的主要工作和研究内容包括以下几个方面:
　　(1)图像预处理。由于斑点噪声、血管、图像成像时传感器的移动及光照等的影响，使SDOCT视网膜图像含有大量的斑点噪声，导致图像质量很差。因此本文选用双边滤波器对图像预处理，提高图像质量。
　　(2)视网膜内界膜层(InternalLimitingMembrane，ILM)和视网膜色素上皮层(RetinalPigmentEpithelium，RPE)边界的分割。本文分析不同图像的ILM特征，根据阈值方法得到了较好的ILM边界，同时本文采用图论和动态规划自动化分割RPE边界，该分割方法合理利用RPE层的高反射特性以及视网膜层的先验信息精确分割RPE边界。
　　(3)基于聚类的SEAD自动化分割。首先，该算法采用K-means聚类方法得到粗略的SEAD位置，然后利用SDOCT视网膜图像血管位置信息，空间信息和灰度信息去除误分割，最终得到更精确的SEAD分割结果。
　　(4)基于水平集的SEAD自动化分割。首先，该算法采用阈值分割法得到水平集的初始轮廓曲线，然后利用水平集方法得到粗略的SEAD位置，接着利用SDOCT视网膜图像血管位置信息，空间信息和灰度信息去除误分割，最终得到更精确的SEAD分割结果。

目录

声明

摘要

1 绪论

1．1 医学图像分割技术

1．1．1 传统的医学图像分割方法

1．1．2 基于知识的分割

1．2 频域光学相干断层视网膜图像

1．2．1 频域光学相干断层图像

1．2．2 视网膜层状结构

1．3 视网膜层的分割

1．3．1 视网膜层分割的重要性

1．3．2 视网膜层分割技术的发展现状

1．4 视网膜医学基础知识

1．5 症状性渗出液分割的研究现状和意义

1．6 论文的工作和组织结构

2 视网膜内界膜层和色素上皮层边界的自动化分割

2．1 算法理论基础

2．1．1 双边滤波器去噪

2．1．2 动态规划和图论基本原理

2．2 分割算法描述

2．2．1 内界膜层边界的分割

2．2．2 视网膜色素上皮层边界的分割

2．3 实验结果与分析

2．3．1 内界膜层边界分割结果

2．3．2 色素上皮层边界分割结果

2．3．3 内界膜层和色素上皮层边界分割误差分析

3 基于聚类的症状性渗出液自动化分割算法

3．1 视网膜血管检测

3．1．1 算法实现

3．2 聚类方法自动化分割症状性渗出液

3．2．1 算法实现

3．3 实验结果与分析

3．3．1 症状性渗出液自动化分割结果

3．3．2 症状性渗出液自动化分割结果误差分析

3．4 本章小结

4 基于水平集的症状性渗出液自动化分割算法

4．1 水平集理论基础

4．2 无需重新初始化的C-V模型

4．3 水平集方法自动化分割症状性渗出液

4．4 实验结果与分析

4．4．1 症状性渗出液自动化分割结果

4．4．2 症状性渗出液自动化分割结果误差分析

4．5 本章小结

5 总结与展望

5．1 论文总结

5．2 未来工作展望

致谢

参考文献

附录