一种基于三维oct图像的全自动分类及分割视网膜分支动脉阻塞的方法
【技术领域】
[0001] 本发明涉及SD-0CT(频域光学相干断层成像）的视网膜图像中病变的分类以及病 变区域的分割方法，具体涉及一种基于三维0CT图像的全自动分类及分割视网膜分支动脉 阻塞的方法，属于分类及分割视网膜图像的方法技术领域。
【背景技术】
[0002] 视网膜分支动脉阻塞是眼科的急性病症之一。其预后较差，发病快速，通常是无痛 性的单眼视力障碍。视网膜动脉阻塞使相应视网膜区域营养供应中断，导致视网膜局部区 域缺氧、缺血，形成水肿，视网膜细胞急剧死亡，从而造成视功能障碍。
[0003] 到目前为止，大多数与视网膜分支动脉阻塞相关的工作都集中在对视网膜分支动 脉阻塞的定性的分析，如:H. Chen等人提出分析0CT图像中视网膜各层光强度的框架;CKS Leng等手动测量黄斑和视乳头周围视网膜神经纤维层厚度和视觉灵敏度来调查视网膜分 支动脉阻塞病人视网膜结构和功能的关系;B.Asefzadeh和K.Ninyo分析视网膜分支动脉阻 塞的视盘周围神经纤维层厚度的纵向眼底改变。
[0004] 这些方法都是对视网膜分支动脉阻塞的定性分析，不能完全自动地检测和分割阻 塞的区域。因此，不能给临床医生提供关于阻塞区域的准确的定量信息，如形状，大小和位 置等。总的来说，目前视网膜分支动脉阻塞的方法存在以下的缺陷：（1)大多数算法都没有 对视网膜分支动脉阻塞进行分类(急性期和萎缩期），视网膜分支动脉阻塞不同时期视网膜 的组织结构相差很大。（2)大部分方法都不是完全自动的，借助手工测量或标记。（3)大多数 算法都没有针对视网膜分支动脉阻塞的阻塞区域进行具体的分析。
[0005] 视网膜分支动脉阻塞多由栓子或血栓形成所致，视力受损程度和眼底表现根据阻 塞部位和程度而定。如果能够自动地精确地分割出阻塞的区域，就能很好地帮助医生进行 诊断并制定对应的治疗方案，对病人视力恢复很有意义。然而，由于视网膜分支动脉阻塞的 阻塞区域的形状，大小，出现的位置都具有任意性，并且阻塞区域与周围组织的分界很模 糊，加上视网膜0CT图像本身带有噪声。因此，完全自动化地分割视网膜分支动脉阻塞区域 是一个具有挑战性的任务。
【发明内容】
[0006] 针对现有技术存在的不足，本发明目的是提供一种基于三维0CT图像的全自动分 类及分割视网膜分支动脉阻塞的方法，能够准确的对视网膜分支动脉阻塞区域进行分类和 分割，能够替代手动的分类和分割。
[0007] 为了实现上述目的，本发明是通过如下的技术方案来实现：
[0008] 本发明的一种基于三维0CT图像的全自动分类及分割视网膜分支动脉阻塞的方 法，包
[0009] 括以下几个步骤：
[0010] (1)预处理:通过图搜索算法(现有算法)对视网膜进行分层，然后根据色素上皮层 对视网膜各层进行拉平；
[0011] (2)使用AdaBoost (-种通过迭代弱分类器而产生最终的强分类器的算法)分类器 对视网膜分支动脉阻塞的急性期和萎缩期进行自动分类；
[0012] (3)视网膜分支动脉阻塞急性期的分割:首先采用贝叶斯后验概率对阻塞区域进 行初始化分割;然后基于图搜索-图割算法对阻塞区域进行精确分割；
[0013] (4)视网膜分支动脉阻塞萎缩期的分割:通过建立内视网膜厚度模型来对萎缩期 的阻塞区域进行自动分割。
[0014] 步骤(1)中，所述图搜索算法的代价函数定义为：
[0016] 其中，v是一个体素，S是要求的表面，Cv是一个基于边缘的代价，与S包含体素v的 可能性反相关，（P，q)是一对相邻的体素，N是图像中体素的集合，p和q都在图像N内，h P,q是 表面S的形状在p，q上变化的代价，S(p)是体素p在表面S上的位置。
[0017] 步骤(2)中，使用AdaBoost分类器对视网膜分支动脉阻塞的急性期和萎缩期进行 自动分类的方法如下：
[0018] (a)提取视网膜的纹理特征、形状特征和位置特征；
[0019] (b)采用AdaBoost分类器对步骤(a)中的特征进行训练和选择，分类一共使用视网 膜分支动脉阻塞的三维0CT图像23例，其中12例视网膜分支动脉阻塞急性期图像，11例视网 膜分支动脉阻塞萎缩期的图像。并使用弃一法，即每次选一个病人的三维图像做测试，将剩 下的图像做训练，从而将每一个图像分为视网膜分支动脉阻塞急性期或萎缩期。
[0020] 步骤(3)中，采用贝叶斯后验概率对阻塞区域进行初始化分割的方法如下：
[0021] (3-1)使用贝叶斯后验概率来估计每个体素属于阻塞区域的可能性，这个可能性 概率的计算公式为：
[0023] 其中，Ip表示体素的亮度值，occ表示阻塞，non表示不是阻塞;P(occ)和P(non)表 示整个图像中阻塞区域和不是阻塞区域的概率;P(I P|〇CC)和P(IP|non)表示亮度为IP的体 素P属于阻塞区域和不是阻塞区域的概率;在训练阶段，内视网膜的每个体素都被标记为阻 塞或不是阻塞，这个标记是根据临床医生的指导手动标记的;在测试阶段，内视网膜的每个 体素都被给定一个〇到1之间的概率来估计它是阻塞区域的可能性，从而得到整个图像的概 率图，将所述概率图作为约束用于分割时的图搜索-图割的代价函数中；
[0024] (3-2)得到所述概率图之后，首先，使用均值滤波器来平滑图像;然后，用阈值将概 率高的点分离出来，这些点被看成是阻塞的区域;最后，通过形态学的开和闭操作获得初始 化分割结果。
[0025] 步骤(3)中，基于图搜索-图割算法(现有算法），用最大流-最小割算法，根据代价 函数最小对图像进行自动分割，图搜索-图割算法的代价函数定义为：
[0026] E(f)=E(Surfaces)+E(Regions)+E(Interactions)
[0027] (2)
[0028]其中，E(Surfaces)表示所有与表面分割相关的代价，E(Regions)表示与分割区域 相关的代价，E (Interact i ons)表示表面和区域之间约束的代价；
[0029] 基于初始化分割结果，用形态学腐蚀操作(现有技术)得到所述图搜索-图割算法 所需的前景种子点，然后用膨胀操作(现有技术)得到所述图搜索-图割算法所需的背景种 子点。
[0030] 步骤(4)中，通过建立内视网膜厚度模型来对萎缩期的阻塞区域进行自动分割的 方法如下：
[0031] (4-1)图像对齐：由于视网膜图像分左眼和右眼，其视网膜结构成镜像;为了得到 统一的内视网膜厚度模型，将左眼图像做翻转，使其与右眼一致；
[0032] (4-2)建立内视网膜厚度模型:在视网膜0CT图像中，以黄斑为中心，记录不同位置 处的内视网膜的厚度，构成一个2D的厚度模型；
[0033] (4-3)萎缩期阻塞区域分割:选取若干个正常眼睛的视网膜0CT图像，用他们内视 网膜厚度模型的平均作为标准的正常人眼的内视网膜厚度模型，与萎缩期病人的内视网膜 厚度做比较，从而分割出阻塞区域。
[0034]本发明使用AdaBoost分类算法自动区分视网膜分支动脉阻塞的急性期和萎缩期， 并根据其组织结构和纹理特征使用不同的分割方法对其进行自动分割;结合贝叶斯后验概 率和图搜索-图割算法，精确地分割出视网膜分支动脉阻塞急性期的阻塞区域;并且使用内 视网膜厚度模型高效快速地分割出萎缩期的阻塞区域;分类和分割都具有较高的准确性， 因此本方法能够替代手动的分类和分割，对于临床相关眼科疾病的诊断与治疗能起到重要 的辅助作用。
【附图说明】
[0035]图1(a)为视网膜分层和拉平的效果(萎缩期的分层）；
[0036]图1(b)为视网膜分层和拉平的效果(急性期的分层）；
[0037] 图2为后验概率与体素亮度的关系图；
[0038] 图3(a)为贝叶斯初始化的原图像；
[0039] 图3(b)为贝叶斯初始化的概率图；
[0040]图3(c)为贝叶斯初始化的分割结果图；
[0041 ]图4(a)为正常视网膜的内视网膜厚度模型；
[0042] 图4(b)为第一个视网膜分支动脉阻塞萎缩期病人的内视网膜厚度模型；
[0043] 图4(c)为第一个视网膜分支动脉阻塞萎缩期病人的内视网膜厚度模型；
[0044] 图5(a)为视网膜分支动脉阻塞急性期的分割结果(第一列为原图，第二列为参考 标准，第三列为分割结果）；
[0045] 图5(b)为视网膜分支动脉阻塞萎缩期的分割结果(第一列为原图，第二列为参考 标准，第三列为分割结果）。
【具体实施方式】
[0046] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合
【具体实施方式】，进一步阐述本发明。
[0047]本发明包括如下四个步骤:图像预处理、基于AdaBosst的分类、视网膜分支动脉阻 塞急性期的分割和视网膜分支动脉阻塞萎缩期的分割。
[0048] (1)图像预处理
[0049]为了获得视网膜各层的信息，使用图搜索方法来实现视网膜的分层。其代价函数 定义为：
[0051]其中，S是要求的表面，Cv是一个基于边缘的代价，与S包含体素 v的可能性反相关。 (P，q)是一对相邻的体素。hP,q是表面S的形状在p，q上变化的代价。
[0052]然后根据色素上皮层对视网膜各层进行拉平。视网膜分层和拉平的效果如图1 (a)、图1(b)所示。图中只标记了本发明用到的4层，从上到下分别为视网膜神经纤维上边 界，外网状层下边界，外核层下边界以及色素上皮层下边界。这4层将视网膜分为内视网膜 和外视网膜，内视网膜在第一条线和第二条线(从上到下）之间，外视网膜在第三条线和第 四条线(从上到下)之间。
[0053] (2)基于 AdaBoost 的分类
[0054]由于视网膜分支动脉阻塞有急性期和萎缩期，两者的视网膜结构和纹理都不相 同，因此需要首先对视网膜分支动脉阻塞进行分类。本发明使用AdaBoost分类器对视网膜 分支动脉阻塞的急性期和萎缩期进行分类，包括两个部分，具体描述如下：
[0055] (a)提特征
[0056] 本发明对每个体素提取50个特征，包括内视网膜厚度，体素亮度，灰度共生矩阵能 量，熵，惯性，相关和伽柏(Gabor)滤波变换，如表1所示。这些特征描述了每个体素的纹理、 结构和位置信息。
[0057]表1分类所用的特征
[0059] (b)AdaBoost 分类
[0060] 采用AdaBoost分类器对特征进行训练和选择，并使用弃一法，每次