文摘

光学相干断层扫描(OCT)是一种非侵入性成像测试。10月成像与超声成像,除了它使用光线,而不是声音。在这种类型的图片中,微观质量intratissue提供图片。此外,快速和直接成像的组织形态和再现性的结果是这种成像的优点。黄斑孔是一种常见的眼科疾病,导致视力损害。黄斑穿孔是在视网膜的中央部分断裂,如果不及时治疗,会导致视力丧失。小说的方法检测黄斑孔使用OCT图像提出了基于多级阈值和推导。这是一个多步方法,它包括分割、特征提取和特征选择。阈值和推导用于诊断黄斑孔。特征提取后,选择有用信息的特征,最后黄斑孔的输出图像。 An open-access data set of 200 images with the size of 224 × 224 pixels from Sankara Nethralaya (SN) Eye Hospital, Chennai, India, is used in the experiments. Experimental results show better-diagnosing results than some recent diagnosing methods.

1。介绍

光学相干断层扫描(OCT)是一种全新的光学成像方法。10月执行高分辨率,横断面内部微观结构的层析成像材料和生物系统通过测量背散射或backreflected光。OCT图像是二维的数据集表示光的反向散射截平面通过组织。图像分辨率1到15μ米可以实现一到两个数量级高于常规超声。原位成像可以执行和实时1]。这项技术的独特功能使广泛的研究和临床应用2]。门德斯和Abrah 2019 10月技术的概述,其背景,其潜在的生物医学和临床应用。10月,成像的内部横截面微观结构组织使用的测量光后向散射或backreflection,于1991年首次展示。10月在人类视网膜成像进行了体外和动脉粥样硬化斑块成像在透明的例子,媒体和非透明的弱散射、高散射介质。10月最初申请成像的眼睛,到目前为止。10月已经最大的眼科临床影响。第一个体内人类视神经盘和黄斑的x线断层照片展示了1993年(3]。10月使非接触、非侵入性成像前眼睛以及成像的人类视网膜的形态学特征包括中央和视神经盘。大量临床研究已经由许多团体在过去数年。最近,OCT技术的进步使得图像非透明的组织成为可能,从而使10月应用广泛的医学专业。成像的光学衰减深度是有限的组织散射和吸收。然而,成像2到3毫米深可以实现在大多数组织。这是相同的规模,通常由常规活检和组织学成像。虽然与超声成像深度不一样深,解决10月10到100倍细比标准的临床超声(4]。10月已经应用体外图像动脉病理和可以区分斑块形态。成像研究也一直在进行体外研究应用于皮肤,肠胃病学、泌尿外科、妇科、外科、神经外科、风湿病。10月也被应用于活体成像发展生物标本在发育生物学中的应用。10月是感兴趣的,因为它允许重复成像的发展形态,而不需要牺牲标本。无数的OCT技术的发展也。10月高速实时成像演示了收购的几帧每秒。高分辨率和10月超高分辨率成像已经证明使用新颖的激光光源,而轴向分辨率高达1μ取得了m。细胞水平上10月成像最近被证明在发育生物学标本。CT与导管、界面上的内视镜,镜头辅助允许身体内部成像。导管和10月内窥镜成像的胃肠道、肺,以及尿液排出体内动脉成像已经证明在动物模型。在许多情况下,这种疾病检查只是表面上(不考虑完整的特征参与疾病)。许多研究小组目前正在进行初步的临床研究。

视网膜黄斑位于中间是大多数的视锥细胞积累的地方。中间一个小抑郁失落的黄斑最大的视锥细胞。黄斑负责中央视力,色彩视觉,详细和准确的识别。圆柱形细胞位于周边视网膜(视网膜)的一部分,允许夜视和周围物体的运动情况。黄斑的部分或完全没有感觉膜叫做黄斑穿孔。黄斑孔可能是一个未知的和与年龄相关的原因(年龄相关性黄斑孔)或可能造成的创伤。与年龄相关的疾病的类型是最普遍的老年妇女在第七十年的生活。正常和异常的OCT图像黄斑如图1。

2。相关的工作

与黄斑疾病,我们面临一些危害,如黄斑水肿、年龄相关性黄斑变性(AMD)、黄斑水肿、中央浆液性脉络膜视网膜病变(CSR)和黄斑孔(MH) [5- - - - - -7]。黄斑孔导致低视力和失明,这可能导致视网膜洞由于过度使用中央窝的8]。这种疾病更可能发生在40岁以上的人(9]。

疾病的早期诊断可以帮助很多疾病的治疗,因为如果进展,它可以借助药物或手术治疗。因此,知道孔的特征,如形状、大小、宽度、直径,长度可以是非常有效的10- - - - - -12]。10月图像是一种有效的工具来诊断MH的条件(13- - - - - -15]。

10月是一个适用的工具来诊断视网膜疾病,它可以可视化的三维形状和结构视网膜(没有身体接触16- - - - - -18]。10月高分辨率的视网膜图像通常有散斑噪声和阴影造成的视网膜血管和其他异常视网膜,这是挑战在分割过程中(19- - - - - -26]。

因为这种疾病可以通过算法造成不可挽回的伤害,如果误诊,手动分割一直是一个优先级,但是我们的算法忽略了使用该方法的误差系数很低检测黄斑孔(27- - - - - -32)甚至在某些情况下,疾病的正确诊断取决于多项研究。然而,需要全自动视网膜病理诊断方法是现在的感受。

OCT图像的重要应用之一是检测MH(图1)。因此,研究人员想要提出完整的自动化,小说,深信不疑地MH诊断和分割方法(33,34]。新的研究在这一领域寻求减少彼此的缺点和专家让他们接受的方法。OCT图像所提供的有价值的信息和功能可以帮助研究人员开发更有价值的分割和自动诊断技术来帮助患者过上更好的生活35,36]。

在[37),一个全自动的方法来识别的主要层视网膜划入视网膜区域。因此,一个活跃的contour-based模型用于段主要的视网膜的界限。该方法使用这些层的水平位置信息和它们的相对位置限制搜索空间的图片。OCT-based方法调查外层膜(ERM)病理学在人类的眼睛里提出了Gonz 'alez-L 'opez et al。38]。这种新方法评估自动ERM厚度和外层膜之间的空间(ERM)和视网膜表面。调整意味着弧长(AMAL) 10月分段黄斑病理学图像被用于分段OCT图像黄斑病变(39]。这个指标指的是用于10月自动分割。近年来,基于特征提取的分割方法使用SFTA-based组织学分析介绍了凯勒et al。40]。在本研究中,基于分割用于发现视网膜的层。3 d水平集分割方法基于水平集方法可以用来准确分割的MH (41]。这个方法是全自动的,显示了强劲的结果在各种条件。小说层引导卷积神经网络(LGCNN)提出的Nasrulloh et al。42)来识别常见的视网膜黄斑疾病和正常。在这种方法中,视网膜层分割生成的地图是一种有效的分割网络,可以确定两个lesion-related视网膜层相关的有意义的视网膜病变。然后,两个子网LGCNN集成层的信息。因此,通过关注重大lesion-related层区域,LGCNN 10月可以有效地修改分类。黄等。43)提出了一个多实例multilabel-based损伤识别方法同时检测和识别多个病灶。分割的方法包括基于不同的病变和特征提取和构造multilabel探测器和认识到该地区的利益。一个独特的联合模型,通过结合多个信息提出了视网膜分段使用OCT图像(44]。提出了一种多通道多分辨率图论方法对10月内部限制膜分割图像(45]。混合使用多级阈值方法和推导提出了光学相干层析图像自动检测(46,47]。

本文提出了一种新的组合为黄斑孔诊断获取更多信息。这是一个多步方法,它包括分割、特征提取和特征选择。阈值和推导用于诊断黄斑孔。特征提取后,选择有用信息的特征,最后黄斑孔的输出图像。该方法的主要贡献是(1)10月高灵敏度的各种图片,(2)比传统方法更好的准确性和可靠性,和(3)短的处理时间。

本文的其余部分组织如下:在部分3提到的方法介绍。实验和结果可以部分找到4。与最近的一些方法在部分5节中,给出的结论是6。

3所示。提出的方法

该方法的框图如图2。该方法由多个步骤组成。前的预处理步骤通常是使用主要图像分析和数据提取,和它的目的是获得一个精确的图像,可去除烦人的数据图像。在医学成像,主要障碍是观察,包括噪声由于高频信号,不同的亮度,由于遥远的方向和问题。出于这个原因,预处理器应用于所有图片来自一个设备。由于这个原因,这些过程通常是设备相关,必须快速有效。摄影测量方法时使用的空间或发光性质噪声是已知的。在本文中,我们使用了一个自适应滤波器从OCT图像去除噪声。在下一步中,该算法实现图像,和图片有质的提高;因此,他们必须确定并提取特征。 Most image data may be subdivided into enclosed areas, dots, and lines. To identify objects, they must be able to distinguish them from the context. It is usually best to convert the gray spectrum image to a binary image (black and white). Techniques such as image splitting and edge recognition work best on binary images but are sometimes applied to images in the gray or color spectrum. The purpose of feature extraction is to extract features that are directly related to the output. After this step, the extracted features with basic information are selected and finally the output image is obtained.

该方法的框图(图2),结合阈值和推导用于诊断。这种方法实施特别强调抑郁失落在这个领域和图像特性,最后一个合适的分割已被用于区分这种疾病和其他疾病和疾病进展的速度。边缘位置的照明水平的变化,这些变化的范围也应该被认为是决定优势的存在和它的确切位置。在这种情况下,如果暴露的边缘图像,所有突出的位置和不透明物体的图像。因此,使用一个精确的边缘检测器直接有助于增加特征识别率和准确地分割图像的能力。向量f(x,y)代表的最大亮度变化率。

一开始的边缘(我₁边缘)和结束(我₂)中定义以下方程:

另一方面,当多级阈值法,它将灰度转换成二进制代码。这个方法的关键是选择阈值(或阈值情况下几个水平所需的)。大多数图像包括对象与一个统一的亮度水平与不同背景的亮度水平。对于这样的图像,亮度是一个特色,可以单独的对象从背景中。另一种选择的价值光的阈值将阈值等于最小值点的两座山峰之间的直方图。

4所示。实验和结果

4.1。数据集

在本文中,我们使用开放数据库收集的Lakshminarayanan et al . 201948]。这个数据库包括超过500 10月高分辨率图像的不同病理条件。光栅扫描协议2毫米扫描长度是用来获取这些图像。这些图像的大小为512×1024像素,使用卷HD-OCT机(卡尔蔡司Meditec制造公司,都柏林,CA)在商羯罗Nethralaya (SN)眼科医院,钦奈,印度。在每一个容积扫描,fovea-centered图像是由一位经验丰富的临床验光师(MKP)。轴向分辨率是5μ15米,横向分辨率μm(组织)。图像被调整大小以224×224像素大小。病理条件由临床医生、和标记过程是由视网膜在SN医院临床专家。进步的阶段和黄斑变性。这广泛的阶段,那么严重,中等严重,和更严重的阶段,在每一个疾病是非常理想的研究人员;因此,他们可以在各种场景中测试他们的方法。MH OCT图像数据库的主要类别,我们用几个MH情况下的图像。

4.2。初始化

原始数据是单独使用,2019年提到方法使用MATLAB软件来识别黄斑孔;在第一阶段,10月收集图像作为输入,背景均匀性和提高图像分辨率,在预处理。在第二阶段,识别使用分割方法和执行所需的图像点检查。在第三个和最后一个步骤中,一种新的混合方法在图像上实现。实现模拟结果,Corei7 CPU、GeForce 7900 gtx公司图形处理单元,和16 GB的内存。

4.3。实验

在本部分中,该方法的实现结果10月Lakshminarayanan等提供的图片。48]。图像在许多图像处理算法推导过程是重要的一步。最简单的情况下可能需要应用一个算法。更复杂的情况下,包括更精确的边缘检测算法和应用几个分离模型,鉴于时间处理也很重要。使用两种阈值方法和推导,我们引入了一个新的和更有效的方法比其他方法(图3)。识别的表面,可以提炼出最重要的特性的表面(包括角落和线)。过程的输出是一组部件,其社区包括整个图像或从图像中提取一组行。每个像素在每个部分是相似的特定属性,如颜色,亮度,或纹理。相邻的部分被认为是根据提到的不同特性。通过识别图像中的像素,考虑到图像中存在的有价值的和重要的信息,用分割算法中,每个像素分配一个标签,这样具有相同标签的像素也有类似的这些特性必须属性这一组的这些特性,每个图像可以描述独特为了识别身份的一个图像模式的图像。平均灵敏度和平均精度为10月12样本图像如表所示1。

自动化的结果进行了比较,计算精度与眼科医生的诊断意见。该算法帮助眼科医生让病人了解疾病的进展。这个算法可以帮助眼科医生通过分析大量的样本在很短的时间内,你只提供样品表现出特征的疾病。一个自动pre-exclusion正常情况下可能有助于提高程序的效率。在未来的工作中,我们认为改善黄斑孔检测的准确性。应用该算法的结果清楚地显示图像在每个阶段的处理。

5。比较

为了比较的结果与最近的一些分割方法该方法,我们比较SVM,然而,钠碧叶,贝叶斯决策树,MS-LGDF, CMF (49]。SVM,资讯、钠碧叶贝叶斯决策树是四个传统的分割方法;MS-LGDF分割方法基于当地的高斯分布拟合(LGDF)能源功能可以收集各种黄斑孔测量。分割结果如精度、灵敏度、Jaccard索引和DSC和比较表所示2。

根据比较,可以得出结论,该方法比其他方法好得多。图像分割方法的两个主要类别:border-based逻辑和成立的逻辑,和他们每个人它分为几个技术(50]。一个过程的输出是一组部分的装配包括整个图像或从图像中提取一组行(49]。每个像素的每个部分是类似的,它有特定的属性,如颜色,亮度,或纹理。相邻的部分被认为是根据提到的不同特征(51,52]。

在传统的方法中,由于表面使用的算法的复杂性,总是精度低,灵敏度在最低水平,数据处理时间长是清晰可见52]。图像碎片已经完成在计算机视觉和图像处理等领域,由于其广泛的和广泛的应用,它有合适的研究领域。尽管算法的复杂性,碎片具有较高的精度和灵敏度,另一方面减少数据处理时间比传统方法。本研究的成功可以看到在其他领域如医学。偏远和图像检索是至关重要的,这有助于保存、维护和保护人类生命(53]。

该组合方法的运行时间和其他方法相比列在下表中3。实验在计算机上的英特尔Corei7 CPU和16 GB的RAM运行Windows 7 64位操作系统。此外,使用MATLAB版本2019年获得计算时间。可以观察到的,该方法的运行时间比竞争的方法。

6。结论

在这篇文章中,我们提出了一个自动和强大的方法来检测黄斑孔段OCT图像。这是一个多步方法,它包括分割、特征提取和特征选择。阈值和推导过程被用来诊断黄斑孔。特征提取后,选择有用信息的特征,最后黄斑孔的输出图像。该方法是评估在开放获取的数据集商羯罗Nethralaya (SN)眼科医院,钦奈,印度。与一些先进的MH分割方法揭示了该方法的鲁棒性。在未来,我们想开发这三维分割方法和测量。

数据可用性

数据库中的所有数据都是有效的。

的利益冲突

作者宣称没有利益冲突有关的出版。