基于动态约束图搜索的视网膜OCT图像中生理参数获取算法

摘要

本发明公开了一种基于动态约束图搜索的视网膜OCT图像中生理参数获取算法，其特征是，包括以下步骤：S01：图像预处理，对以视乳头为中心的三维视网膜OCT图像进行滤波去噪处理；S02：视网膜分层，粗略分割视网膜第一层，获取动态约束参数，基于所述动态约束参数对视网膜第一层进行精确分层，对三维图像进行对齐处理；对视网膜第十一层进行精确分层；对视网膜第七层和第九层进行精确分层；S03：分割视盘、视杯区域；S04：筛板上边界分割；S05：获取视网膜图像中的生理参数信息。本发明可以精确分割以视乳头为中心的视网膜OCT图像以及并获取相关生理参数的算法。

说明书

技术领域

本发明涉及一种基于动态约束图搜索的视网膜OCT图像中生理参数获取算法，属于图像处理分析技术领域。

背景技术

目前现有的以视乳头为中心的视网膜图像分析方法，特别是视网膜一些生理参数获取方法主要是依赖于人工手动的测量，既浪费时间，又由于测量人的认知水平存在差异，使得视网膜的一系列生理参数获取速度慢、不精确。同时，目前国内外少数已有的视网膜图像分析及生理参数测量算法都只能获取部分参数信息，而且算法的鲁棒性及准确率都不理想。

发明内容

本发明所要解决的技术问题是，提供一种基于动态约束图搜索算法来精确分割以视乳头为中心的视网膜OCT图像以及并获取相关生理参数的算法。

为解决上述技术问题，本发明采用的技术方案为：

基于动态约束图搜索的视网膜OCT图像中生理参数获取算法，包括以下步骤：

S01：图像预处理，对以视乳头为中心的三维视网膜OCT图像进行滤波去噪处理；

S02：视网膜分层，粗略分割视网膜第一层，获取动态约束参数，基于所述动态约束参数采用动态约束图搜索算法对视网膜第一层进行精确分层；

基于B扫描切片中视网膜第一层精确分层结果对三维图像进行对齐处理，去除抖动干扰；

基于第一层分层结果获取第十一层的动态约束参数，采用图搜索算法对视网膜第十一层进行精确分层；

基于第十一层分层结果获取第七层和第九层的动态约束参数，采用多层同时分层的图搜索算法对视网膜第七层和第九层进行精确分层；

S03：分割视盘、视杯区域，将所述视网膜第七层和第十一层之间的区域进行投影计算得到视网膜光密度图像，然后以视网膜光密度图像的中心点为原点极坐标展开，利用图搜索算法分割视盘内边界，所述视盘内边界与第十一层相交处即为视乳头的开口位置，与第一层、第十一层相交处连线即为视杯的边界位置，分别获取视盘区域、视杯区域以及视乳头开口位置；

S04：筛板上边界分割，根据S03中获取的视杯区域位置信息，利用图搜索算法，在视网膜第一层下方视杯区域内进行分层操作获得筛板上界的准确位置；

S05：获取视网膜图像中的生理参数信息。

S01中采用各向异性滤波进行滤波去噪处理，能够去除噪声干扰，同时保持视网膜图像的边界信息。

采用最大津阈值法进行粗略分割。

S02中采用膨胀腐蚀操作获取所述动态约束参数，包括以下步骤：

将三维大小为的视网膜OCT图像中各个像素点对应为图像数据结构中的各个顶点来建图，每个层表面对应为每一个X和Y方向上的Z方向值大小，将其表示为：其中 ，，，；

粗略分割视网膜第一层后，基于膨胀腐蚀操作，获取第一层表面上每个点向x方向和y方向的近似跳变距离，即动态约束参数，可以近似体现第一层上各个方向上的相邻点变化情况，其中X方向上的动态约束参数为，Y方向上的动态约束参数为；

由于此时的第一层结果存在误差，在此基础上加入动态约束参数的补偿项和，其中，所述补偿项为人工经验值，最终确定针对图中每个顶点的动态约束参数表示为和。

根据S02中视网膜第一层精确分层结果，计算各个B扫描切片左右两边20%距离范围内层的平均高度，将每个A扫描切片都上下调整到同一个平均水平高度上以此来实现图像的去抖动干扰。

所述生理参数信息包括视网膜视乳头视盘和视杯区域、视盘视杯长半径比以及短半径比、视杯体积、视乳头开口位置、筛板上界位置及筛板平均深度。

本发明所达到的有益效果：采用动态约束参数结合图搜索算法对图像进行处理可以使视网膜各层分层效果更加准确，从而使得后续视盘视杯边界以及筛板等一系列生理参数的测量更加准确鲁棒。

附图说明

图1是本方法流程图；

图2是以视乳头为中心的视网膜图像及结构；

图3是三维视网膜图和层表面示意图；

图4是动态约束示意图；

图5是视网膜分层结果图；

图6是视网膜投影光密度图像。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例1

图2为以视乳头为中心的视网膜图像及结构，视乳头位于视网膜黄斑区颞侧约3毫米处，直径约为1.5毫米，视网膜上视觉纤维在此汇集，并于此穿向视中枢传递，视乳头中央有一小凹陷区域，成为视杯。视乳头是视神经纤维聚合组成视神经的起始端，没有视细胞，因而也没有视觉，是视野中的生理盲点。视神经纤维通向视中枢过程中穿过的网状结构即为筛板。图1中左图为以视乳头为中心的视网膜图像的一个切片图，右边为各个生理区域的标注图，其中，中间凹陷的上层线条为视网膜第一层的分层表面，下层线条为筛板的上界分层表面，竖直两边区域为视盘定位区域，中心区域为视杯定位区域。

本发明所述的一种基于动态约束图搜索的视网膜OCT图像中生理参数获取算法，如图1所示，包括以下步骤：

S01：图像预处理，对以视乳头为中心的三维视网膜OCT图像进行滤波去噪处理，所述滤波去噪处理采用各向异性滤波，能够去除噪声干扰，同时保持视网膜图像的边界信息有利于视网膜的精确分层；

S02：视网膜分层，将三维大小为的视网膜OCT图像中各个像素点对应为图像数据结构中的各个顶点来建图，每个层表面对应为每一个X和Y方向上的Z方向值大小，将其表示为：其中 ，，，一个基于梯度信息的能量函数用来给每一个顶点赋值，它表示各个顶点对于目标层表面的相似性，而在建图过程中的每一个顶点的能量值可以用以下公式概括：

其中，在建图的过程中有两种层的约束参数，一个是单层内部平滑约束参数，另一个是多层的层间距离约束参数。单层内部平滑参数控制层表面的相邻结点跳变幅度的最大值，保证图像的平滑性，对于X方向和Y方向分别表示为和。多层层间距离约束参数控制层与层之间相隔的最大距离和最小距离，最大距离和最小距离约束分别表示为和，如图3表示，在单层的图搜索算法建图过程中，将图中顶点能量值为负的顶点与源点S相连，方向为源点S指向该顶点，权值为该顶点能量值的绝对值；顶点能量值为正的点与汇点T相连，方向为该顶点指向汇点T，权值为该顶点能量值。各个平面顶点竖直往下一层平面顶点做有向边，权值为无穷大。在X方向上相邻两列Z方向的顶点高度距离为的两点做有向边，方向为高的点向低的点，权值为无穷大；同理在Y方向上相邻两列顶点高度距离为的两点做有向边，方向为高的点向低的点，权值为无穷大。

当K层同时图搜索时（K>=2），首先建立K个与单层图搜索一致的图，在图与图之间的对应列位置的Z方向顶点之间，当高度差为时，低顶点向高顶点做有向边，权值为无穷大；当高度差为时，高顶点向低顶点做有向边，权值为无穷大。至此，完成建图步骤，通过最大流最小割定理求解得到最佳表面。

上述传统的图搜索算法是直接使用固定的约束参数来进行视网膜的分层，但是在视乳头为中心的视网膜图像中，如图1所示，由于视网膜层内部在不同区域的高度差异巨大（两边差异平缓，但是中间区域表现为差异巨大），传统的图搜索方法由于只能用两个固定值分别去描述X方向和Y方向的层内部跳变范围值，当使用较大的值会使得两边的分层不准确，而使用小的值，会使得中间区域分层不准确。并且往往人为给定的固定参数无法满足多变的目标层表面的需求而使得分层不准确，因此传统的图搜索算法不适用于层变化差异巨大的情况。相反的，如果使用动态的约束参数，并且各个顶点的约束参数有先验知识、自动获取约束参数的图搜索更加适用于此情况和其他视网膜图像，使得分层算法更加精准。本发明中在采用大津阈值分割算法粗略分割视网膜第一层后，再用膨胀腐蚀操作去掉噪声点得到视网膜的第一层位置信息，根据得到第一层结果可以获取该层表面上每个点向x方向和y方向的近似跳变距离，它能近似的体现第一层上各个方向上的相邻点变化情况，也就是得到了针对此视网膜图像下的动态约束参数，分别为和。由于此时的第一层结果存在误差，在此基础上加入动态约束参数的补偿项和，其中，补偿项为人工经验值，用来防止x、y两个方向上的动态参数为0，即在x、y两个方向上的跳变为0个像素，最终针对图中每个顶点的动态约束参数表示为和，此时在第一层的结果上下一定范围内建图，将学习获取的动态约束参数作为每一个图中顶点的和来进一步对视网膜分层分割，获得准确的视网膜第一层分层结果。如图4所示，线3表示初始分层结果，线1和线4分别表示图搜索的搜索上下界范围，线2为最终结果，根据线3在左右方向上的跳变情况计算动态约束参数，再加上动态参数补偿项，最终得到图中每一个顶点的约束参数，如图4中的a和b列，初始分割（线3）得到的动态约束为2，而实际（线2）真实结果为3，通过添加动态参数补偿项可以弥补初始分割的不正确。

基于B扫描切片中视网膜第一层精确分层结果对三维图像进行对齐处理，根据S02中视网膜第一层精确分层结果，计算各个B扫描切片左右两边20%距离范围内层的平均高度，将每个A扫描切片都上下调整到同一个平均水平高度上以此来实现图像的去抖动干扰；

基于第一层分层结果获取第十一层的动态约束参数，采用图搜索算法对视网膜第十一层进行精确分层；

基于第十一层分层结果获取第七层和第九层的动态约束参数，采用多层同时分层的图搜索算法对视网膜第七层和第九层进行精确分层，如图5所示，左边为原图，右边为叠加动态约束的图搜索视网膜分层结果图，其中从上到下依次为第一层、七层、九层和十一层；

S03：视盘、视杯区域分割，将所述视网膜第七层和第十一层之间的区域进行投影计算得到视网膜光密度图像，如图6所示，，然后以视网膜光密度图像的中心点为原点极坐标展开，利用图搜索算法分割视盘内边界，所述视盘内边界与第十一层相交处即为视乳头的开口位置，与第一层、第十一层相交处连线即为视杯的边界位置，分别获取视盘区域、视杯区域以及视乳头开口位置；

S04：筛板上边界分割，根据S03中获取的视杯区域位置信息，利用图搜索算法，在视网膜第一层下方视杯区域内进行分层操作获得筛板上界的准确位置；

S05：获取视网膜图像中的生理参数信息，所述生理参数信息包括视盘视杯长半径比以及短半径比、视杯体积以及筛板平均深度、S03中获得的视盘区域、视杯区域、视乳头开口位置以及S04中获得的筛板上界的准确位置。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。