眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法

摘要

本发明提供了一种眼前节光学相干层析图像的角膜内轮廓提取方法，包括以下步骤：对中央角膜下边缘点进行平滑曲线拟合；对两侧角膜下边缘点进行平滑曲线拟合；将中央角膜下边缘点和两侧角膜下边缘的平滑曲线进行拼接得到角膜内轮廓。本发明还提供一种眼前节光学相干层析图像的眼前房内轮廓提取方法。本发明的眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法，能够准确对光学相干层析图像进行分割，从而获取精准的轮廓曲线。

说明书

技术领域

本发明涉及光学相干层析图像处理技术领域，特别是涉及一种眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法。

背景技术

光学相干层析(Optical Coherence Tomography，OCT)是近年迅速发展起来的医学成像新手段，它通过测量物体后向散射光的强度对物体进行断层成像。具有成像速度快、非接触无损探测、设备体积小便于携带、分辨率高等优点。实际应用中经常采用近红外光源，故其对生物组织的穿透能力有限，因此光学相干层析最早被成功的应用于穿透性良好的眼科检查中，眼前节光学相干层析图像即为光学相干层析设备对眼前节成像得到的结果。

在实际操作中，例如白内障、青光眼的诊断和治疗中，或者对前房型人工晶状体植入前的状况评估等，通常需要根据眼前节光学相干层析图像计算出房角顶点间距、眼前房容积等参数来进行诊断。但是在光学相干层析成像设备的实际应用中，因为光源、检测电路、振镜等都会带来噪声，此外，光的多次散射也会产生很多散斑，这些都严重降低了图像质量。所以，眼前节光学相干层析图像中，生物组织和空气/房水之间的界限并不清晰，生物组织内部也存在大量的斑点噪声，颗粒性较为严重。

传统的光学相干层析图像处理会通过一些算法去除影响图像质量的散斑噪声，例如，小波非线性阈值滤波、零幅度算法、迭代点去卷积、抑制迭代去卷积、自适应散斑抑制滤波等方法。这些方法对减少图像的散斑噪声有一定的效果，界限变得清晰，边缘特征得到加强，但是现有的方法往往无法给出光学相干层析图像理想的分割结果，这就会影响所需要的各种参数值的精准度。

发明内容

本发明所要解决的技术问题是提供一种眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法，能够准确对光学相干层析图像进行分割，从而获取精准的轮廓曲线。

为了解决上述问题，本发明公开了一种眼前节光学相干层析图像的角膜内轮廓提取方法，包括以下步骤：

对中央角膜下边缘点进行平滑曲线拟合；

对两侧角膜下边缘点进行平滑曲线拟合；

将中央角膜下边缘点和两侧角膜下边缘的平滑曲线进行拼接得到角膜内轮廓。

进一步地，所述对两侧角膜下边缘点进行平滑曲线拟合之前还包括：

根据中央角膜下边缘点的拟合曲线来确定所述两侧角膜所处的区域；

从确定的区域内选取所述两侧角膜的下边缘点。

进一步地，所述对两侧角膜下边缘点进行平滑曲线拟合之前还包括：

确定房角顶点；

根据中央角膜下边缘点的拟合曲线及确定的房角顶点来确定所述两侧角膜所处的区域；

从确定的区域内选取所述两侧角膜的下边缘点。

进一步地，所述房角顶点通过膨胀腐蚀算法来确定。

进一步地，所述对中央角膜及两侧角膜的下边缘点进行平滑曲线拟合之前还包括：

对光学相干层析图像进行滤波；

从滤波后的图像中获取边缘点。

为了解决上述问题，本发明还公开了一种眼前节光学相干层析图像的眼前房内轮廓提取方法，包括以下步骤：

对中央角膜下边缘点进行平滑曲线拟合；

对晶状体上边缘点进行平滑曲线拟合；

对两侧角膜下边缘点进行平滑曲线拟合；

对虹膜上边缘点进行平滑曲线拟合；

将前述四个步骤中所得到的平滑曲线进行拼接得到眼前房的内轮廓。

进一步地，所述对晶状体上边缘点进行平滑曲线拟合之前还包括：

根据中央角膜下边缘点的拟合曲线来确定所述晶状体所处的区域；

从确定的区域内选取所述晶状体的上边缘点。

进一步地，所述对虹膜上边缘点进行平滑曲线拟合之前还包括：

根据晶状体上边缘点的拟合曲线及两侧角膜下边缘点的拟合曲线来确定所述虹膜所处的区域；

从确定的区域内选取所述虹膜的上边缘点。

进一步地，所述对晶状体上边缘点进行平滑曲线拟合之后还包括：

确定房角顶点；

根据中央角膜下边缘点的拟合曲线及确定的房角顶点来确定所述两侧角膜所处的区域并选取所述两侧角膜的下边缘点；

根据晶状体上边缘点的拟合曲线及确定的房角顶点来确定所述虹膜所处的区域并选取所述虹膜的上边缘点。

进一步地，所述对前述步骤中的各边缘点进行平滑曲线拟合之前还包括：

对光学相干层析图像进行滤波；

从滤波后的图像中获取边缘点。

与现有技术相比，本发明具有以下优点：

本发明的眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法中将角膜分成中央角膜及两侧角膜三部分来进行轮廓曲线的拟合，因为中央角膜与两侧角膜所处的位置有差异，在眼前节光学相干层析图像中的清晰度也不同，分步提取轮廓，可以选定眼前节光学相干层析图像对应区域来进行，从而可以使提取的角膜轮廓曲线更为精准。

另外，通过中央角膜的位置来确定晶状体及虹膜等部件的位置，可以使拟合的曲线更加精准，对于各部件之间的交点之间的位置定位也更加准确，从而可以使眼前房内轮廓曲线更加精准。

附图说明

图1是本发明的眼前节光学相干层析图像的角膜内轮廓提取方法实施例一的流程图；

图2是本发明的眼前节光学相干层析图像的角膜内轮廓提取方法实施例二的流程图；

图3是本发明的眼前节光学相干层析图像的眼前房内轮廓提取方法实施例一的流程图；

图4是采用图3所示的眼前节光学相干层析图像的眼前房内轮廓提取方法所提取的眼前房内轮廓的示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出本发明的一种眼前节光学相干层析图像的角膜内轮廓提取方法实施例一，包括以下步骤：

步骤101，对中央角膜下边缘点进行平滑曲线拟合。

首先，获取待处理的眼前节光学相干层析图像的边缘点，通过边缘点所处的位置坐标以及中央角膜所处的大概位置，选定中央角膜所处的区域，从这些区域中选取中央角膜的下边缘点，并对所选取的下边缘点进行平滑曲线拟合，从而得到中央角膜下边缘的平滑曲线。

步骤102，对两侧角膜下边缘点进行平滑曲线拟合。

在确定中央角膜的位置后，可以根据中央角膜下边缘的拟合曲线来选取两侧角膜所处的区域，然后从确定的区域中选取两侧角膜的下边缘点，并对所选取的下边缘点进行平滑曲线拟合，从而得到两侧角膜下边缘的平滑曲线。

步骤103，将中央角膜下边缘点和两侧角膜下边缘的平滑曲线进行拼接得到角膜内轮廓。

前述的眼前节光学相干层析图像的角膜内轮廓提取方法中将角膜分成中央角膜及两侧角膜三部分来进行轮廓曲线的拟合，因为中央角膜与两侧角膜所处的位置有差异，在眼前节光学相干层析图像中的清晰度也不同，分步提取轮廓，可以选定眼前节光学相干层析图像对应区域来进行，从而可以使提取的轮廓曲线更为精准。

参照图2，示出本发明的一种眼前节光学相干层析图像的角膜内轮廓提取方法实施例二，在实施例一的步骤101和步骤102之间还包括以下步骤：

步骤1011，确定房角顶点。

房角顶点可以通过膨胀腐蚀算法来确定。具体的操作可以是，对眼前节光学相干层析图像依次进行滤波、膨胀操作、腐蚀操作和阈值滤波，最终得到一幅二值图像。

其中，膨胀操作的过程为：用B来膨胀A得到的集合是的位移与A中至少有一个非零元素相交时B的原点位置的集合(为B的映像)，即腐蚀操作的过程为：用B来腐蚀A得到的集合是B完全包括在A中时B的原点位置的集合，即

在对眼前节光学相干层析图像进行阈值滤波，得到二值图像后，选取该二值图像中左下方指定区域，利用区域增长算法将该区域拆分为几块，并利用这些区域与边缘的距离选择前房角所在区域，进而定位该前房角区域的顶点作为左侧房角顶点。

选取该二值图像中右下方指定区域，利用区域增长算法将该区域拆分为几块，并利用这些区域与边缘的距离选择前房角所在区域，进而定位该前房角区域的顶点作为右侧房角顶点。

在确定左右侧房角顶点后，实施例一的步骤102的两侧角膜下边缘点进行平滑曲线拟合便可以通过中央角膜下边缘位置及确定的左右侧房角顶点来确定。因为确定了左右侧房角顶点，在选取两侧角膜的下边缘点时可以更好的确定角膜的两侧边界点，从而使拟合的两侧角膜下边缘点的平滑曲线更加精准，最终拼接的角膜内轮廓曲线也会更加的精准。

参照图3，示出本发明的一种眼前节光学相干层析图像的眼前房内轮廓提取方法实施例一，包括以下步骤：

步骤201，对中央角膜下边缘点进行平滑曲线拟合。

步骤202，对晶状体上边缘点进行平滑曲线拟合。

根据步骤201中所确定的中央角膜下边缘曲线以及晶状体与角膜的位置关系，可以选取眼前节光学相干层析图像中的晶状体所处的区域，选取晶状体上边缘点，并对这些边缘点进行平滑曲线拟合，得到晶状体的上边缘的拟合曲线。

步骤203，对两侧角膜下边缘点进行平滑曲线拟合。

步骤204，对虹膜上边缘点进行平滑曲线拟合。

同样的，可以根据前述拟合的晶状体上边缘曲线及两侧角膜下边缘曲线来选取虹膜所处的区域，然后从该区域内选取左侧虹膜的上边缘点及右侧虹膜的上边缘点进行平滑曲线拟合。

步骤205，将前述四个步骤中所得到的平滑曲线进行拼接得到眼前房的内轮廓。

进一步地，本发明的一种眼前节光学相干层析图像的眼前房内轮廓提取方法实施例二，还可以在步骤203之前增加确定房角顶点的步骤，具体的过程可以与眼前节光学相干层析图像的角膜内轮廓提取方法实施例二的房角顶点的确定方法相同，在此不再赘述。

确定房角顶点后，在进行两侧角膜的下边缘点及虹膜上边缘点的平滑曲线拟合时，就可以根据房角顶点来确定两侧角膜的位置以及左右侧虹膜的位置，从而使获取的两侧角膜下边缘的拟合曲线及虹膜上边缘的拟合曲线的精准度更高。参照图4，可以看出，采用本发明的眼前节光学相干层析图像的眼前房内轮廓提取方法所提取出的眼前房内轮廓曲线清晰，且具有较高的精准度。

在前述的眼前节光学相干层析图像的角膜内轮廓及眼前房内轮廓提取方法实施例中，在确定角膜、晶状体、虹膜等边缘点时，可以直接在眼前节光学相干层析图像中选取，也可以对眼前节光学相干层析图像进行滤波后再选取。滤波后选取的方法包括，可以通过滤波得到二值图像，然后通过二值图像来选取所需要的边缘点，也可以通过滤波得到灰度图像，然后通过边缘检测算子来选取所需要的边缘点，具体的选取方法本发明并不限定。在对眼前节光学相干层析图像进行滤波后可以使图像各部分的边界更加清晰，从而使拟合的边缘曲线更加准确。

例如，在对晶状体上边缘点进行平滑曲线拟合时，则可以首先选取晶状体所在的区域，对该区域进行阈值滤波，根据滤波后该区域的像素值确定虹膜与晶状体左侧和右侧的两个交点，从而选取更为精确的晶状体所在的区域，然后再利用边缘检测算子获取新的区域中的晶状体的上边缘。

在进行眼前房内轮廓的曲线拟合后，则可以根据拟合的曲线对相应的生物特征参数进行计算，例如，中央角膜的曲率及厚度、眼前房深度、瞳孔直径、房角顶点距离、眼前房容积及房角等，这些生物特征参数的提取可以帮助诊断眼科疾病。因为根据本发明的内轮廓提取方法所获取的轮廓曲线较为精准，在计算相应参数时，也可以得到较为精准的结果，相应的，诊断的结果也会较为准确，具有较高的临床应用价值。

可以理解，在进行轮廓提取的过程中，还可以对其他边缘曲线进行拟合，这些拟合的曲线不属于轮廓曲线，但是在计算生物特征参数时会用到，在轮廓提取过程对这些曲线进行拟合，可以方便后续的计算研究，从而简化后续计算的过程。例如，在计算中央角膜曲率时会用到中央角膜的上边缘点，那么在选取中央角膜所处区域后，还可以从这些边缘点中选取中央角膜的上边缘点，并对这些所选取的上边缘点进行平滑拟合，以得到中央角膜上边界的连续表示。

另外，本发明的眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法可以采用计算机辅助的方式进行，例如，通过计算机分析，人工进行相应的操作来实现。本发明的方法也可以完全由计算机来实现，例如，在输入眼前节光学相干层析图像到计算机后，通过计算机内相应的程序自动来实现本发明。因为本发明的操作步骤较为简单，经过测试，在采用计算机实现时操作也较为简单及稳定，可以得出精准的结果。进一步地，在计算机上实现本发明时的算法速度较快，在普通的计算机上也可以快速的进行处理，具有较高的实用性。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

以上对本发明所提供的眼前节光学相干层析图像的角膜及眼前房内轮廓提取方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。