基于sd-oct的挫伤性视网膜内外节缺失检测方法
【专利摘要】本发明公开了一种基于SD-OCT图像的挫伤性视网膜内节/外节缺失三维自动检测方法，包括以下步骤：（1）图像预处理，采用多尺度三维图割方法将视网膜内部自动分割成11个表面，提取位于第7表面和第8表面之间的内节/外节区域作为感兴趣区域，进行平坦化处理和双线性滤波增强；（2）对感兴趣区域中每个体素提取5类（共计57个）特征；（3）采用主成份分析方法对特征进行优化选择；（4）将特征样本分成训练集和测试集，对训练集样本采用Adaboost算法训练集成分类器；（5）对测试集样本进行缺失/非缺失识别；（6）对识别结果进行血管轮廓影响排除和孤立点排除等后处理，计算相应的缺失体积，缺失体积识别误差小，准确性好。
【专利说明】基于SD-OCT的挫伤性视网膜内外节缺失检测方法
【技术领域】
[0001] 本发明属于视网膜图像处理与分析方法，尤其是对SD-〇CT(频域光学相干断层成 像）视网膜图像中的内节/外节缺失的三维自动定量检测方法。
【背景技术】
[0002] 眼外伤是导致视力损伤甚至致盲的主要因素之一，是我国单眼盲的首位致盲原 因。当眼球表面的损伤传递到后端的视网膜时，视网膜震荡伤的特点是灰白变色，或是当外 伤闭合后，视网膜仍然浑浊。人眼的组织病理学研究和动物研究表明，光感受器的内节/外 节连接区损伤是视网膜震荡伤的发病原。而光感受器的内节/外节与光传导紧密相关，因 此，内节/外节的完整性与视力密切相关。
[0003] SD-0CT (频域光学相干断层成像）是一种无损评估视网膜生理和病理指标的强有 力技术，能快速获得高分辨的断层三维图像。在SD-0CT图像中，光感受器内节/外节是介 于外界膜和色素上皮层之间的一个高亮反射层。内节/外节完整性的遭破坏程度是光感受 器受损程度的一个代表性指标，通常与视网膜震荡伤导致的视力低下以及其他视网膜疾病 有关。
[0004] 在SD-0CT图像中，通过定量检测内节/外节区域缺失范围来定量评估光感受器的 损伤程度是一个非常有意义的研究方向。有文献报道在一个B扫描面中进行内节/外节 缺失长度的手动检测。但是，这是基于单个二维界面图像。此外，有文献提出采用部分0CT 投影图像或者冠状面投影图像等技术更好地可视化光感受器的整体性和缺失区域。但是， 这些检测内节/外节缺失面积的技术仍然是基于二维图像的，而且是手动的，这在选择缺 失区域边界时可能会引入主观因素。关于内节/外节缺失区域边界的自动检测和内节/外 籍缺失面积计算方法也有文献报道，但是，这种方法是基于缺失区域是圆形的假设，而实际 上，缺失区域的形状可能是任意形状。
[0005] 更重要的是，内节/外节是一层有厚度的薄膜，应该以内节/外节缺失的体积来 衡量光感受器的损伤程度。这方面的研究还处于起步阶段，现有技术对视网膜内外节缺 失检测也仅仅只针对局部较小的范围进行检测，特征提取不全面，并且分类不平衡，例如， CN103679198A公开了一种基于K近邻的视网膜内节外节缺失自动检测，提取以黄斑中心为 中心、直径1mm的内节外节区域为感兴趣区域，进行5个特征提取，提取特征少，特征不够典 型，且由于K近邻分类器的约束，采用的K近邻分类存在分类不平衡问题，分类性能差；其 次，在后处理与缺失体积计算中，对识别分类得到的结果没有进行血管轮廓影响排除和孤 立点排除，缺失体积误差大，准确性差。
【发明内容】
[0006] 本发明克服了现有技术的不足，提供了一种具有可行性和有效性的视网膜内节/ 外节缺失三维自动定量检测方法，能够将内节/外节全部区域作为感兴趣区域，全面提取 体素特征，充分考虑不平衡分类问题的特点，精确计算视网膜内外节缺失区域。
[0007] 为解决上述技术问题，本发明采用的技术方案为：
[0008] -种基于SD-0CT的挫伤性视网膜内外节缺失检测方法，该方法主要包括6个步 骤：图像预处理，体素特征提取，特征选择，集成分类器的训练，体素缺失识别，后处理与缺 失体积计算。
[0009] 一种基于SD-0CT的挫伤性视网膜内外节缺失检测方法，即包括以下步骤：
[0010] (1)图像预处理：采用多尺度三维图割方法进行视网膜内部分层，将视网膜 SD-0CT图像自动分割成10个分层，产生11个表面，将包含内节/外节区域的第7层和第8 层之间的数据提取出来，参考第11层进行平坦化，将平坦化后第7层和第8层之间的内节 /外节区域的SD-0CT图像作为感兴趣区域，进行双线性滤波增强；
[0011] ⑵体素特征提取：对步骤⑴所述平坦化后的内节/外节区域的所有体素的灰 度值进行归一化处理，根据手动标记的金标准，对内节/外节区域内的缺失体素和非缺失 体素分别提取5类特征，所述5类特征包括归一化的灰度值、分块均值、分块标准差、13个方 向的灰度差绝对值、基于灰度共生矩阵的特征；
[0012] (3)特征优化选择：对步骤（2)中所提取的特征采用主成份分析法进行特征选 择；
[0013] ⑷集成分类器的训练：将经步骤⑶选择的特征分成训练集和测试集；在训练 集中，按1 :1比例，从非缺失样本中随机抽取数量与缺失样本数量相同的特征样本，采用 Ababoost算法进行集成分类器的训练；
[0014] (5)体素缺失/非缺失的分类识别：对测试集样本进行缺失/非缺失识别，采用 步骤（4)训练得到的集成分类器对测试样本进行分类，对每个体素的缺失与否进行分类识 别；
[0015] (6)后处理与缺失体积计算：对步骤（5)分类识别得到的缺失结果进行血管轮廓 影响排除和孤立点排除，并计算相应的缺失体积。
[0016] 本发明技术方案具体描述如下。
[0017] (1)图像预处理
[0018] 图像预处理主要包括以下三个步骤：视网膜内部分层，包含内节/外节区域的感 兴趣区域提取和平坦化，以及图像的双线性滤波增强。
[0019] (1-1)视网膜内部分层
[0020] 人类视网膜是一个相当薄的组织，厚度不到0. 5_，是眼睛最重要的组成部分。视 网膜本身具有相当复杂的结构，基本结构类似于一个"三层蛋糕"--三层神经细胞被两层 类神经连接层隔开，可以更精细地分成10个层。视网膜内部分层对于分析视网膜病变如眼 外伤的严重程度、黄斑水肿的形成等具有重要作用。采用多尺度三维图搜索方法将视网膜 SD-0CT图像自动分割成10个分层，产生11个表面。所述10个分层自上至下依次为：神经 纤维层，神经节细胞层，内丛状层，内核层，外丛状层，外核层，内节层，外节层，维尔赫夫氏 膜和视网膜色素上皮层；
[0021] 三维图搜索方法是基于图论的方法，采用从粗糙到精细的不同分辨率，来检测视 网膜的内部各表面。图搜索采用基于边界的代价函数，当代价函数最小时，即找到各个表 面；
[0022] (1-2)内节/外节区域提取和平坦化
[0023] 完成了各分层的分割后，可以将包含内节/外节区域的第7层和第8层之间的数 据提取出来，并参考视网膜色素上皮层的下界即第11层进行平坦化，因为第11层的分层 效果相对鲁棒。本发明主要平坦化后的第7层与第8层之间的SD-0CT图像作为感兴趣区 域，研究内节/外节的缺失检测。即将包含内节/外节区域的第7层和第8层之间的数据 提取出来，参考第11层进行平坦化，将平坦化后第7层和第8层之间的内节/外节区域的 SD-0CT图像作为感兴趣区域，进行双线性滤波增强。
[0024] (2)特征提取
[0025] 本发明是一种基于纹理特征分类的内节/外节缺失检测方法，首先，对感兴趣区 域内的所有体素的灰度值进行归一化处理，然后提取了 5类特征，5类特征包括归一化的灰 度值、分块均值、分块标准差、13个方向的灰度差绝对值、基于灰度共生矩阵的特征；5类特 征共计57个特征：归一化的灰度值（特征1)，分块均值（特征2)，分块标准差（特征3)， 13个方向的灰度差绝对值（步长分别取1和2,特征4-5)，基于灰度共生矩阵的特征，基于 灰度共生矩阵的特征包括对比度（13个方向，特征6-18)、相关性（13个方向，特征19-31)、 能量（13个方向，特征32-44)、均匀性（13个方向，特征45-57)。
[0026] (2-1)归一化灰度值表示每个体素的灰度级，对感兴趣区域内的所有体素的灰度 值采用如式（1)所示的方法进行线性归一化至〇?255。
【权利要求】
1. 一种基于SD-OCT的挫伤性视网膜内外节缺失检测方法，其特征在于：包括以下步 骤： ⑴图像预处理：采用多尺度三维图割方法进行视网膜内部分层，将视网膜SD-0CT图 像自动分割成10个分层，产生11个表面，将包含内节/外节区域的第7层和第8层之间的 数据提取出来，参考第11层进行平坦化，将平坦化后第7层和第8层之间的内节/外节区 域的SD-0CT图像作为感兴趣区域，进行双线性滤波增强； (2) 体素特征提取：对步骤（1)所述平坦化后的内节/外节区域的所有体素的灰度值 进行归一化处理，对内节/外节区域内的缺失体素和非缺失体素分别提取5类特征，所述5 类特征包括归一化的灰度值、分块均值、分块标准差、13个方向的灰度差绝对值和基于灰度 共生矩阵的特征； (3) 特征优化选择：对步骤（2)中所提取的特征采用主成份分析法进行特征选择； (4) 集成分类器的训练：将经步骤（3)选择的特征分成训练集和测试集，在训练集中， 按缺失样本数量与非缺失样本数量的比例为1 :1的比例从非缺失样本中随机抽取数量与 缺失样本数量相同的特征样本，采用Ababoost算法进行集成分类器的训练； (5) 体素缺失/非缺失的分类识别：对测试集样本进行缺失/非缺失识别，采用步骤 (4)训练得到的集成分类器对测试集样本进行分类，对每个体素的缺失与否进行分类识 别； (6) 后处理与缺失体积计算：对步骤（5)分类识别得到的结果进行血管轮廓影响排除 和孤立点排除，并计算视网膜内节/外节的缺失体积。
2. 根据权利要求1所述的基于SD-0CT的挫伤性视网膜内外节缺失检测方法，其特征在 于：所述步骤（1)具体包括以下步骤： (1-1)视网膜内部分层：采用多尺度三维图搜索方法将视网膜SD-0CT图像自动分割成 10个分层，产生11个表面； (1-2)内节/外节区域提取和平坦化：将包含内节/外节区域的第7层和第8层之间 的数据提取出来，参考第11层进行平坦化，将平坦化后的第7层与第8层之间的SD-0CT图 像作为感兴趣区域，进行内节/外节的缺失检测。
3. 根据权利要求1所述的基于SD-0CT的挫伤性视网膜内外节缺失检测方法，其特征在 于：所述步骤（2)所述5类特征的提取具体包括以下步骤： (2-1)归一化灰度值表示每个体素的灰度级，对所述感兴趣区域内的所有体素的灰度 值采用如式（1)所示的方法进行线性归一化至〇?255 ;
(1) 其中，（i, j, k)表示体素的坐标，I_alize;d(i，j, k)表示体素（i, j, k)归一化后的灰度 值，I_nal(i，j，k)表示体素（i，j，k)原始的灰度值，Imin和Imax分别表示感兴趣区域内体素 灰度值的最小值和最大值；所述内节/外节缺失区域的灰度值低于非缺失区域的灰度值； (2-2)分块均值用于表示以体素（i，j，k)为中心的分块的灰度均值，所述分块为 5 X 5 X 5分块，所述5 X 5 X 5分块的灰度均值Mbl(x;k (i，j，k)，计算公式如式⑵：
(2) (2-3)分块标准差STDbl(X;k (i，j，k)用于表示以体素（i，j，k)为中心的5 X 5 X 5分 块的灰度值变化情况，表征灰度值在5X5X5分块中的分散程度；根据分块标准差 STDbl(K;k(i，j，k)识别分块体素全部位于缺失区域或者分块体素全部位于非缺失区域或者分 块中同时包含缺失区域和非缺失区域的体素，计算公式如下：
(3) (2-4) 13个方向上的灰度差绝对值之和定义为：中心点体素（i，j，k)的灰度值与13个 方向周围体素的灰度差绝对值之和，反映中心点体素在缺失区域或非缺失区域的位置，依 据所述13个方向上的灰度差绝对值之和AID step(i，j，k)判断中心点体素（i，j，k)位于缺失 与非缺失交界处或者缺失区域或者非缺失区域，选择两种距离步长计算13个方向上的灰 度差绝对值之和AID step(i，j，k)，两种距离步长为st印=1，2,具体计算公式如公式（4):
(4)
表示13个方向上的灰度差绝对值之和； 所述13个方向的选取方法为：假设a i表示X轴与X-Y平面投影图的夹角，α 2表 示Ζ轴与Χ-Υ平面投影图的夹角，那么所述13个方向分别为（αι，α2) = (0,90° )、 (45。，90。）、（90。，90。）、（135。，90。）、（0,45。）、（180。，45。）、（90。，45。）、 (-90。，45。）、（0,0)、（45。，45。）、（135°，45。）、（-45°，45。）、（-135。，45。）； (2-5)基于灰度共生矩阵特征描述若干立体切面之间灰度级的空间相关性，所述灰度 共生矩阵为三维体数据的灰度共生矩阵，采用三维方法在13个方向上跨切面搜索不同灰 度级，构造13个灰度共生矩阵，13个灰度共生矩阵构造方法具体包括以下步骤： 对每个5X5X5分块构造所述13个不同方向上的灰度共生矩阵； 分别提取4个基于所述灰度共生矩阵的特征，所述4个基于灰度共生矩阵的特征为： (a)对比度、（b)相关性、（c)能量和⑷均匀性； 对比度〇〇111:四81:(1恤。""111(1，]_，10、相关性（：〇1^1&1^〇11 (1加。一111(1，]_，10、能量 Energydireetim m(i, j, k)和均匀性 Homogeneitydireetim m(i, j, k)分别采用式（5)、式（6)、式 (7)和式⑶进行计算：
(8) 其中，P(x，y)表示灰度共生矩阵中第（x，y)个元素；Ng表示量化后的灰度级，取Ng = 8 ; μ x和σ χ分别表示第X行的均值和标准差；μ y和σ y分别表示第y列的均值和标准差。
4. 根据权利要求1所述的基于SD-OCT的挫伤性视网膜内外节缺失检测方法，其特征在 于，所述步骤（3)具体包括以下步骤：对于步骤（2)所述提取的5类特征采用主成份分析方 法进行特征选择，将经过特征选择后的结果作为新的特征，根据新特征所代表的数据总方 差的比例大于或者等于90%的原则，选择前12个主成分作为新特征； 完成特征优化选择后，感兴趣区域内的每个体素用一个12维的特征向量表征，在特征 空间中进行分类。
5. 根据权利要求1所述的基于SD-OCT的挫伤性视网膜内外节缺失检测方法，其特征 在于，所述步骤（4)具体包括以下步骤：将经步骤（3)选择的特征分成训练集和测试集，在 训练集中，通过下采样方式以缺失样本数量与非缺失样本数量的比例为1 :1构造新的训练 集，采用分类器集成的方法进行分类，以决策树为弱分类器，采用Adaboost算法进行集成 分类器的训练。
6. 根据权利要求1所述的基于SD-OCT的挫伤性视网膜内外节缺失检测方法，其特征在 于，所述步骤（6)具体包括以下步骤： (6-1)血管轮廓影响的排除：将第1至第10层的全部三维SD-OCT数据投影至X-Y平 面，对投影图进行血管轮廓检测，将步骤（5)的缺失识别结果的X坐标值等于血管轮廓的 X坐标值，则该X坐标值处的体素被认为是缺失误识别，将对应的识别结果修改为非缺失区 域； (6-2)将步骤（6-1)的缺失识别结果采用形态学方法进行孤立点的排除； (6-3)将步骤（6-2)的孤立点的排除后的缺失识别结果乘以体素的分辨率，转化为检 测到的内节/外节缺失体积。
【文档编号】A61B3/10GK104143087SQ201410356040
【公开日】2014年11月12日 申请日期:2014年7月24日 优先权日:2014年7月24日
【发明者】陈新建, 朱伟芳, 张立春, 陈浩宇, 石霏, 向德辉, 王莉芸, 张莉, 高恩婷 申请人:苏州大学