一种带有CSC病变的视网膜层自动分割方法及装置与流程

本公开属于图像自动分割的技术领域，涉及一种带有csc病变的视网膜层自动分割方法及装置。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

光学相干断层扫描技术(opticalcoherencetomography，oct)是近年来发展较快的一种最具发展前途的新型层析成像技术，特别是生物组织活体检测和成像方面具有诱人的应用前景，已在眼科、牙科和皮肤科的临床诊断中应用。

在视网膜病变中，存在中心性浆液性脉络膜视网膜病变(csc)简称“中浆病”。采用光学相干断层扫描技术对视网膜进行扫描后，对带有csc病变的sd-oct图像进行组织分层有重要意义，一方面可以量化分析病变区域(csc区域的容积、位置、轮廓)；另一方面让医生手动分割是非常耗费时间的，自动分割可以有效提高医生的工作效率，并且可以避免医生的主观误差。

目前，有很多算法可以应用到视网膜层分割，比如基于水平集的算法，基于图论的算法和基于机器学习以及深度学习的算法。然而，由于病变区域的影响，目前存在的视网膜层分割的算法对于带有csc病变的视网膜层分割并没有达到很好的效果。

技术实现要素：

针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种带有csc病变的视网膜层自动分割方法及装置，该视网膜自动分割方法基于图论以及层间耦合信息，有效将带有csc病变的视网膜层进行自动分割。

根据本公开的一个或多个实施例的一个方面，提供一种带有csc病变的视网膜层自动分割方法。

一种带有csc病变的视网膜层自动分割方法，该方法包括：

接收正常视网膜图像的样本组，计算样本组中正常视网膜图像各层的厚度均值和标准差作为先验信息；

接收待分割的sd-oct图像，对于每组图像数据中的第一张sd-oct图像基于先验信息和梯度信息构造权重函数，进行图像分割；

计算已分割sd-oct图像的视网膜厚度均值和标准差作为耦合信息，基于耦合信息和梯度信息重构权重函数，对下一张sd-oct图像进行分割，直至完成全部sd-oct图像的分割。

进一步地，在该方法中，对接收的所述待分割的sd-oct图像进行图像预处理，采用改进的双边滤波算法，抑制sd-oct图像的散斑噪声。

进一步地，在该方法中，所述对于每组图像数据中的第一张sd-oct图像基于先验信息和梯度信息进行分割具体包括：

采用先验信息和梯度信息构造权重函数，计算每组图像数据中的第一张sd-oct图像中结点之间的权重，进行该图像的分割。

进一步地，在该方法中，所述基于耦合信息和梯度信息对下一张sd-oct图像进行分割具体包括：

采用耦合信息和梯度信息构造权重函数，计算该耦合信息对应图像在每组图像数据中的下一张sd-oct图像中结点之间的权重，进行下一张sd-oct图像分割。

进一步地，在该方法中，图像分割出的图层包括ilm，ib-opr_bmeiscomplex或bmeis，ob_rpe以及ib_opr。

进一步地，在该方法中，图像分割具体步骤包括：

采用迪杰斯特拉算法搜索“暗-亮”的边界，判断搜索边界类型是ilm、ib-opr_bmeiscomplex或bmeis；

对于已经得到的bmeis或者ib-opr_bmeiscomplex，以此上边界向下移动9.77μm为下边界得到一个窄带；

采用迪杰斯特拉算法提取在这个窄带中提取另一条“暗-亮”的边界，得到ib_opr；

在整幅图像上搜索采用迪杰斯特拉算法搜索“亮-暗”的边界，得到ob_rpe。

进一步地，在该方法中，还包括：对于图像中梯度信息不明显的图层，包括opl-hfl、rnfl-gcl、inl-opl，ipl-inl以及gcl-ipl，使用耦合信息来约束视网膜边界的位置，具体步骤包括：

在权重函数中加入耦合信息项；

根据本张sd-oct图像已得到的边界或前一张sd-oct图像得到的边界构造窄带；

采用迪杰斯特拉算法提取本张sd-oct图像“亮-暗”或者“暗-亮的边界，得到最终分割结果。

进一步地，在该方法中，所述构造窄带的具体步骤包括：

待求边界的上面的一个边界下移平均厚度的二分之一；

待求边界的下面一个边界上移平均厚度的二分之一；

构造出一个窄带。

根据本公开的一个或多个实施例的一个方面，提供一种计算机可读存储介质。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种带有csc病变的视网膜层自动分割方法。

根据本公开的一个或多个实施例的一个方面，提供一种终端设备。

一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种带有csc病变的视网膜层自动分割方法。

本公开的有益效果：

本发明所述的一种带有csc病变的视网膜层自动分割方法及装置，首先使用耦合信息以及图像的垂直梯度信息构造权重函数，然后再利用耦合信息来构造自适应的窄带区域，最后从自适应的窄带提取出准确的视网膜层的边界。本公开的使用计算机等终端设备自动分割带有csc病变的视网膜层，使用计算机等终端设备及相应的运行环境就可以得到视网膜层分割的结果，可以有效分析csc病变导致的视网膜层厚度的变化并量化分析病变区域的体积等病情的演化可以大大提高眼科医生的工作效率。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是根据一个或多个实施例的一种带有csc病变的视网膜层自动分割方法流程图；

图2是根据一个或多个实施例的具体方法流程图；

图3是根据一个或多个实施例的视网膜各层说明示意图；

图4(a)是根据一个或多个实施例的噪声抑制前效果图；

图4(b)是根据一个或多个实施例的噪声抑制后效果图；

图5是根据一个或多个实施例的视网膜层厚度示意图；

图6是根据一个或多个实施例的耦合信息示意图；

图7(a)是根据一个或多个实施例的带有csc病变视网膜图像示意图；

图7(b)是根据一个或多个实施例的正常视网膜图像示意图；

图8(a)是根据一个或多个实施例的基于耦合信息及梯度信息边界的分割中提取边界示意图；

图8(b)是根据一个或多个实施例的基于耦合信息及梯度信息边界的分割中得到分割结果示意图。

具体实施方式：

下面将结合本公开的一个或多个实施例中的附图，对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本公开的一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合，下面结合附图与实施例对本公开作进一步说明。

如图1所示，针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种带有csc病变的视网膜层自动分割方法及装置，该视网膜自动分割方法基于图论以及层间耦合信息，有效将带有csc病变的视网膜层进行自动分割。

根据本公开的一个或多个实施例的一个方面，提供一种带有csc病变的视网膜层自动分割方法。

一种带有csc病变的视网膜层自动分割方法，该方法包括：

接收正常视网膜图像的样本组，计算样本组中正常视网膜图像各层的厚度均值和标准差作为先验信息；

接收待分割的sd-oct图像，对于每组图像数据中的第一张sd-oct图像基于先验信息和梯度信息构造权重函数，进行图像分割；

计算已分割sd-oct图像的视网膜厚度均值和标准差作为耦合信息，基于耦合信息和梯度信息重构权重函数，对下一张sd-oct图像进行分割，直至完成全部sd-oct图像的分割。

如图2所示，为一种带有csc病变的视网膜层自动分割方法具体流程图。该方法首先学习了10组正常视网膜平均厚度及标准差数据(共1280幅图像)并以此作为先验信息指导每组数据第一张sd-oct图像(b-scan)的分割。之后分析每组数据已经分割的b-scan的视网膜平均厚度及方差来指导下一张b-scan的分割。

第一步：搭建硬件平台以及配置运行环境。配置一台计算机并安装matlab。

第二步:统计和计算10组正常视网膜图像(共1280张oct图像，以下称为b-scan)各层的厚度均值以及标准差，以此信息作为先验信息指导每组数据第一张b-scan的分割。

如图3所示，为本实施例要分割的九个视网膜各层的边界。

第三步：图像预处理。使用改进的双边滤波算法，抑制oct图像的散斑噪声。对于原始图像首先要进行预处理，在本方法中预处理就是采用双边滤波算法抑制图像中的散斑噪声。如图4所示，为图像噪声抑制的效果示意图。

对原始图像预处理后对于每组数据第一张b-scan的分割采用统计信息和梯度信息进行分割，而对于之后的每张b-scan使用耦合信息以及梯度信息进行分割，分割顺序为ilm,ib-opr_bmeiscomplex/bmeis,ob_rpe以及ib_opr,opl-hfl,rnfl-gcl,inl-opl,ipl-inl以及gcl-ipl，最终得到分割结果。

第四步：对于第一张b-scan，使用统计先验信息以及梯度信息构造权重函数计算图中结点之间的权重来来指导分割每组数据的第一张b-scan。

第五步：计算本组已经分割的b-scan各层视网膜的厚度以及标准差(耦合信息)，并以此作为先验信息来指导下一张b-scan的分割。如图5为视网膜层厚度的示意图。如图6所示为耦合信息示意图。

使用耦合信息以及图像的梯度信息来构造权重函数。使用此权重函数来计算图中结点之间的权重值。

第六步：分割ilm,ib-opr_bmeiscomplex/bmeis,ob_rpe以及ib_opr。如图6所示，基于梯度信息分割出的边界。

上述边界具有较大的图像梯度，所以在上述边界的分割中只使用梯度信息来计算权重，

其中，图像上使用迪杰斯特拉算法搜索“暗-亮”的边界。对于正常视网膜图像来说搜索到的边界是ilm或者是bmeis，对于带有csc病变的图像来说搜索出的边界是ilm或者是ib-opr_bmeiscomplex可以依据位置特征来分辨出两个边界。

对于已经得到的bmeis或者ib-opr_bmeiscomplex可以以此为上边界和向下移动9.77μm为下边界得到一个窄带，然后使用迪杰斯特拉算法提取另一条“暗-亮”的边界，即为ib_opr。

最后在整幅图像上使用迪杰斯特拉算法搜索“亮-暗”的边界即可得到ob_rpe。

图7(a)为带有csc病变视网膜图像，图7(b)为正常视网膜图像。上述边界具有较大的图像梯度，所以在上述边界的分割中只使用梯度信息来计算权重，其中。图像上使用迪杰斯特拉算法搜索“暗-亮”的边界。对于正常视网膜图像来说搜索到的边界是ilm或者是bmeis，对于带有csc病变的图像来说搜索出的边界是ilm或者是ib-opr_bmeiscomplex可以依据位置特征来分辨出两个边界。对于已经得到的bmeis或者ib-opr_bmeiscomplex可以以此为上边界和向下移动9.77μm为下边界得到一个窄带，然后使用迪杰斯特拉算法提取另一条“暗-亮”的边界，即为ib_opr。最后在整幅图像上使用迪杰斯特拉算法搜索“亮-暗”的边界即可得到ob_rpe。

第七步：基于耦合信息以及梯度信息的分割。如图8所示，对于opl-hfl,rnfl-gcl,inl-opl,ipl-inl以及gcl-ipl梯度信息不明显，所以在上述边界的分割中，我们使用了耦合厚度信息来约束视网膜边界的位置。

首先在权重函数值添加了耦合信息项。然后我们依据本张b-scan已经得到的边界或者前一帧b-scan得到的边界构造窄带。具体为：待求边界(bi)的上面的一个边界(bi-1)下移平均厚度的二分之一，待求边界(bi)的下面一个边界(bi+1)上移平均厚度的二分之一，对于不同的边界其上下边界见表1这样得到一个窄带.

然后使用迪杰斯特拉算法提取“亮-暗”或者“暗-亮的边界，最终可以得到分割结果。如图8(a)然后使用迪杰斯特拉算法提取“亮-暗”或者“暗-亮的边界，如图8(b)，最终可以得到分割结果。

表1bi对应的bi+1及bi-1

根据本公开的一个或多个实施例的一个方面，提供一种计算机可读存储介质。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种带有csc病变的视网膜层自动分割方法。

根据本公开的一个或多个实施例的一个方面，提供一种终端设备。

一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种带有csc病变的视网膜层自动分割方法。

这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。

在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开内容的各个方面。

应当注意，尽管在上文的详细描述中提及了设备的若干模块或子模块，但是这种划分仅仅是示例性而非强制性的。实际上，根据本公开的实施例，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

本公开的有益效果：

本公开所述的一种带有csc病变的视网膜层自动分割方法及装置。带有csc病变的视网膜自动分割对于量化分析病变区域，包括csc的容积、位置、轮廓等具有重要作用，一方面可以有效提高临床医生的工作效率；另一方面对于评估病变程度以及病变演化有重要的意义。csc病变在sd-oct图像的表现为病变区域将isos层拱起，病变区域灰度比较暗并且连续多帧出现。因此该算法利用已经分割的图像的平均厚度信息(耦合信息)作为先验知识来指导下一帧图像的分割。首先我们使用耦合信息以及图像的垂直梯度信息构造权重函数，然后再利用耦合信息来构造自适应的窄带区域，最后从自适应的窄带提取出准确的视网膜层的边界。

本公开所述的一种带有csc病变的视网膜层自动分割方法及装置，首先使用耦合信息以及图像的垂直梯度信息构造权重函数，然后再利用耦合信息来构造自适应的窄带区域，最后从自适应的窄带提取出准确的视网膜层的边界。本公开的使用计算机等终端设备自动分割带有csc病变的视网膜层，使用计算机等终端设备及相应的运行环境就可以得到视网膜层分割的结果，可以有效分析csc病变导致的视网膜层厚度的变化并量化分析病变区域的体积等病情的演化可以大大提高眼科医生的工作效率。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。