边缘探测器适用于视网膜OCT图像分割

文摘

视网膜层厚度测量为可靠的视网膜疾病的诊断提供了重要的信息和评估疾病的发展、治疗反应。这个任务非常依赖于准确的10月视网膜层图像的边缘检测。这里,我们旨在寻找最合适的边缘检测器对视网膜OCT图像分割任务。三个最有前途的边缘检测算法在相关文献发现:精明的边缘检测器,两段式方法,EdgeFlow技术。定量评价结果表明,双行程方法优于一贯精明的探测器和EdgeFlow技术描述视网膜层边界的OCT图像。此外,平均定位偏差指标表明,双行程的方法造成最小的边缘转移问题。这些发现表明,双行程的方法中是最好的三个算法检测视网膜层边界。精明的整体更好的性能和二段式方法EdgeFlow技术意味着10月比纹理图像包含更多的强度梯度的信息变化沿着视网膜层边界。结果将指导我们的未来努力的定量分析10月10月视网膜图像的有效利用技术在眼科领域。

1。背景

光学相干断层扫描(OCT)的光学等效超声,捕获能力的生物组织体内的depth-resolved横断面图像分辨率near-histologic [1]。由于其noninvasiveness和高分辨率,结合眼睛和视网膜解剖的特点,10月有一个快速发展近年来在眼科的临床应用。

10月视网膜图像的定量分析是可靠和有效的关键诊断疾病,如青光眼,年龄相关性黄斑变性,和黄斑水肿引起的糖尿病性视网膜病变和评价发展的疾病,治疗反应,药物效果,视觉功能等等2- - - - - -4]。等(5- - - - - -7),自动和半自动的视网膜层厚度测量被认为是一类重要的定量分析。大量的研究一直致力于这一主题(8- - - - - -11],这些努力有显著提升眼部疾病的临床认识和10月提高了技术和他们的应用程序。

视网膜层厚度测量依赖于准确的OCT图像分割。对于许多自动分割算法,边缘检测是一个重要的基础(12- - - - - -19),尽管一些方法诉诸其他特性的图像(18]。文献表明,不同类型的边缘检测算法可以使用图像分割作为一个关键的一步。表1总结了常用的10月视网膜图像分割算法,包括精明的边缘检测器(12,13),双行程边缘检测方法(14,15),基于地方平均梯度边缘跟踪(16),峰值检测方法,高斯平滑结合Sobel内核方法(17,18),和EdgeFlow技术(19]。基于他们的算法中使用的信息的本质,我们可以将这些不同的边缘检测技术分为两类,即灰度和texture-based方法。前一类利用强度梯度的图像,而后者轨道结构变化而不是强度梯度。

鉴于边缘检测的重要性对视网膜图像分割和边缘检测器的多样性,一个自然的问题是哪个方法给出了当前应用程序的最佳边缘检测的结果。我们最好的知识,到目前为止还没有研究系统的边缘检测器的性能评估申请10月图像分析。边缘检测的一般绩效评估一直是有趣的许多研究人员,但之前的研究尚未得出一致结论,因为问题的复杂性。根据希思et al .,挑战在于边缘检测性能不仅取决于算法本身也应用于图像,在特定的情况下使用的参数,评价指标(20.]。

我们本文的目标是评估最适合什么类型的边缘探测器对于视网膜OCT图像分割与给定的等效参数,当测量使用有意义的性能指标量化视网膜层厚度。为此,我们首先收集常用的边缘检测方法在文献10月图像分析,选择最具代表性的比较。然后我们研究文学边缘检测性能评估选择最相关的性能指标有意义的OCT图像分割和适应他们在必要的时候。使用这些指标,我们检查所选的边缘探测器提供了最佳边缘检测结果应用于10月时收集的图片,我们有健康的主题。

本文的其余部分组织如下。在下一节中,我们描述我们的研究材料和方法,包括10月视网膜图像数据收集、筛选边缘探测器进行比较,通过回顾和分析边缘检测技术在先前的研究中使用的10月视网膜图像分割,并确定最相关的绩效评估指标。在第三部分中,我们介绍的比较代表先进10月视网膜图像边缘检测方法对不同绩效评估指标。最后,我们讨论研究结果和研究的机会。

2。材料和方法

我们进行了本研究按照原则世界医学协会赫尔辛基宣言》(21]。道德伦理审查委员会的批准了南方医科大学,中山大学的伦理审查委员会,和中山眼科中心的研究伦理委员会。在介绍研究的目的和过程的解释和风险,自愿参与者签署了知情同意的数据收集。

2.1。图像数据的选择和数据收集

在本文中,我们的目标是评估边缘检测算法的性能对视网膜OCT图像分割。因为他们的形象依赖(20.),边缘探测器执行对其他类型的图像,但可能不给好的结果10月当应用于视网膜图像。因此,所有感兴趣的算法测试10月视网膜图像在这个研究。

我们收集图像数据从11个健康志愿者(范围从21到29岁7雄)使用Topcon 10月3 d - 2000 (Topcon公司(日本东京)在中山眼科中心,三级专科医院附属中山大学,广州,中国。使用7行6.0扫描模式扫描分辨率为1024 a的黄斑区,我们10月获得原始的视网膜图像。由于软件的限制(软件版本:8.20.003.04 Topcon公司、东京、日本),原始图像保存为bmp文件的大小为759×550像素。从10月设备最佳可用,这个决议是高于平均水平的10月图片报道在最近的文献[3,6,7,17- - - - - -19]。图1显示了一个典型的OCT图像数据集。在这幅图像中,6层边界,即ILM, NFL-GCL, IPL-INL, OPL-ONL, ONL-IPS, RPE-choroid随处可见。

2.2。边缘检测算法

三个标准对我们选择的边缘检测器进行评估(1)包括的算法中最常用的OCT图像分割文学,(2)优先的代表国家的艺术在边缘检测,通常被用于检测超过3视网膜层边界,(3)包括不同的混合算法利用不同的图像特征信息。

三种算法使用这些标准,审查表1选择进行进一步分析。他们是精明的边缘检测器(21),双行程算法(14,15),EdgeFlow方法(22]。前两个是基于图像梯度强度,而最后一个是基于图像纹理的变化。我们指的是前两个灰度边缘检测方法和第三texture-based边缘检测方法。三种算法的原则将下面。其余的三种边缘检测方法,所有的灰度,被排除在进一步分析是出于不同的原因。其中,基于当地的最大化意味着edge-tracking算法梯度是只用于检测ILM (16];峰值检测方法(17)和索贝尔内核结合高斯平滑的18]只检测边界ILM和OS / RPE可以轻易体现出来。

2.2.1。精明的边缘检测器

精明的边缘检测算法(23]现在通常被认为是“标准”对边缘检测领域的数字图像处理([24】,第10章)。精明的边缘检测器在多步过程来检测工作范围广泛的边缘在图像。首先,使用一个线性高斯滤波器平滑图像。然后,2 d一阶导数算子是利用平滑图像计算衍生品在垂直和水平方向。计算梯度大小作为根平方和的衍生品在两个正交方向和梯度相比例的反正切。候选边缘像素的像素变薄后生存过程称为nonmaximal抑制。在这个过程中,每个候选边缘像素的边缘强度设置为0,如果其梯度大小不大于梯度大小两个相邻像素的梯度方向,和像素的梯度大小是当地最大的保留。最后,滞后阈值是用来消除弱边缘点和跟踪可能的边缘像素。在这一步中,使用双门限T1和T2 > T1和T2应用;T1所有候选边缘像素低于低阈值设置为0,T1和以上所有像素较低的阈值可以连接到任何像素越高阈值以上T2通过连锁的边缘像素标记为边缘像素。 The hysteresis helps in ensuring that the noisy edges are not broken into multiple edge fragments. In the Canny edge detection algorithm, three parameters are incorporated, which play a decisive role for detecting the result. One is the width of Gaussian filter (i.e., standard deviation of the Gaussian,σ)。高斯滤波器的宽度的增加降低了探测器对噪声的敏感度,但模糊了图像和结果在更好的边缘细节的损失。另外两个是较低的阈值(T1)和高阈值(T2),分别。高阈值应该设置合理的高和低门槛很低的检测结果,因为如果它太高,较低的阈值会导致边缘片段,如果太低,高阈值增加假警报和不受欢迎的边缘碎片在边缘检测的输出。

2.2.2。双行程边缘检测算法

双行程边缘检测算法设计是专门为检测OCT图像的视网膜层Bagci et al。14,15]。在10月视网膜图像边缘的特点,沿水平方向扩展,有着温柔的下坡的,考虑的算法。边缘检测内核l(x,y)是基于高斯函数的一阶导数在垂直方向:

的参数p确定边的极性和值1或−1。边缘检测内核应用交替值的两倍p。第一遍,每一对相邻的界限亮区和暗区,与光明,如NFL-GCL IPL-INL, OPL-ONL,被提取 。第二,界限每一对相邻亮区和暗区,与黑暗前,如ILM, INL-OPL ONL-IPS,被检测到 。高峰值标记为边缘,使用nonmaximal抑制和滞后阈值。可以通过调整获得令人满意的结果的价值σ。

2.2.3。EdgeFlow技术

EdgeFlow技术是一种新型的边界检测方案提出的马和希22]。边界检测技术基于EdgeFlow利用预测编码模型描述的方向改变颜色(灰色图像强度)和纹理在每个图像位置在给定的规模和构造一个EdgeFlow向量。通过传播EdgeFlow向量,可以发现在图像边界位置遇到两个相反的方向流动的稳定状态。不同于灰度检测方法专注于发现局部梯度最大,EdgeFlow技术根据强度计算边缘能量的方向或纹理图像和相关的概率。边缘的能量和相应的概率获得不同的图像属性组合在一起形成一个优势领域的边界检测: 在哪里 和 代表的能量和概率EdgeFlow计算从图像属性, ;与图像相关的加权系数属性吗。边缘流向估计如下:

然后定义为EdgeFlow向量 在哪里是一个复数的大小代表产生的能量和相位代表流向边缘。EdgeFlow矢量图像的计算后,边界检测可以通过传播执行EdgeFlow向量和识别两种截然相反的流动方向的地点遇到彼此。强度和纹理的计划有助于集成到一个框架边界检测。

2.3。绩效评估使用地面实况

根据健康等。20.),边缘检测性能评估可以分为理论和实证的方法。前者使用纯粹的数学分析,而算法被应用到一个图像。它主要限制无法处理复杂的现代边缘检测算法。后者可以进一步分为(1)评价使用地面实况和(2)评价没有地面实况。本研究的目标是检查不同的边缘探测器给最好的结果10月视网膜层分割。最终,我们希望确定最可靠和有效的边缘探测器来帮助医生自动化测量视网膜层厚度以作出定量的医疗决定。人类视觉系统是最复杂的图像分析和有效的机,包括边缘检测。为我们的应用程序,因此,最合适的评价方法应该评价使用地面实况,衡量human-detected algorithm-detected边缘和边缘之间的差异。

由于使用地面实况边缘检测器性能评估的重要性,研究人员已经开发出众多的指标。这些指标主要可以分为三类。第一类,我们称之为边缘存在精度指标(EPAM),关注程度上检测到的边缘配合地面真理不考虑位置的转变。EPAM主要包括4个指标(25- - - - - -28),即真阳性,假阳性,假阴性率,和总边缘检测精度。前三个,分别测量比真正的边缘像素,错误检测到边缘像素,和错失边缘像素的数量总边缘像素在地面真理,第四个总量之间的比例是正确的和真正的nonedge像素边缘像素和像素的总数在该地区的利益。第二类,我们称之为边缘定位精度指标(以拦),关注边缘变化的程度(29日]提出的边缘检测算法相比,地面真理。这类指标包括豪斯多夫距离(30.),衡量两幅图像之间的相似性,平均定位偏差(MLD)。第三类考虑定位精度和边缘的存在。典型的指标包括品质因数(FOM) [31日)和它的扩展版本(扩大FOM) [32)和multifeature质量测量(25]。

2.3.1。绩效评估指标的标准

10月视网膜层分割的目的是自动化视网膜层厚度测量为了免费眼科医生从艰苦的手动跟踪层的边界。理想的层边缘检测器会给指定的相同厚度的措施来自地面真理由人类观察员。然而,即使专家也不能到达相同的分割对于一个给定的视网膜图像(10月33]。这是因为手工分割受到人类的主体性。用于评估地面真理不是终极真理。因此,重要的是要注意,传统的边缘存在精度指标,真阳性的概率,假阳性(伪边缘),和失踪,不能提供完整的评估边缘检测器的性能。我们建议需要满足的性能指标的标准如下:(1)测量边缘存在通过计算准确性的真阳性,假阳性,真阴性和假阴性(失踪)(2)测量边缘定位精度的计算签署和无符号距离边缘转变(3)允许边缘转变在计算边缘存在准确性(4)检查计算成本。

2.3.2。在这项研究中评价指标

基于我们的分析现有的性能指标在前面所讨论的文献和度量标准,我们选择了品质因数(FOM,普拉特)[31日),真阳性率(TPR),假阳性率(玻璃钢),精度(ACC),平均定位偏差(MLD) [34)作为综合评价的基础上发展我们的程序选择的边缘检测器。在接下来的段落中,我们概述这些指标的原则。

(1)普拉特的品质因数。FOM (31日)是一个古典度量利用众多研究人员评估边缘检测算法的性能(25,26,32,35,36]。FOM给出的定义 在哪里和代表理想的数量和实际检测到的边缘像素,表示之间的距离我th检测边缘像素和它的正确位置,是比例常数(通常设置为1/9),应用于之间提供一个相对处罚涂抹边缘和孤立,但抵消,边缘。

(2)边缘存在准确性。普拉特的FOM是基于标准包括了有效的边缘,定位错误,和假警报。不同配置的检测边缘可能产生相等的FOM价值(35]。以分解的来源不同,阴et al。27)开发的三个指标(TPR、玻璃钢和ACC)定义如下。

真阳性率():

假阳性率():

精度():

在这些方程,(真阳性)(真阴性)代表正确检测到边缘像素的数量和nonedge像素。(假阳性)的像素数量不属于边缘算法,但公认的(假阴性)是属于边缘像素的数量但未能识别的算法。内的像素总数的ROI图像,然后呢是理想的边缘像素的数量。

鉴于大量(N−_我)nonboundary像素的图像,玻璃钢计算的形式(7)是接近于零,使指标变化不敏感的边缘检测算法。我们重新定义它 在哪里表示实际检测到的边缘的像素的数量。

(3)边缘定位精度指标。众所周知,一些图像处理过程引起的转移检测边缘([29日),第三章,56页)。为了描述边缘检测算法的结果在多大程度上偏离真理,我们介绍了定位精度指标,平均定位偏差(MLD)在10月的背景下,图像分析: 在哪里是边缘像素的数量在搜索附近地面真理的边缘像素,理想的边缘的像素数量,当前边缘像素的欧几里得距离地面真理和边缘像素搜索附近。10月视网膜图像,我们限制了搜索社区内3像素的真实边缘沿着每一个a。

(4)调整TPR、玻璃钢和ACC。一些图像处理程序可以引入边缘转变([29日),第三章,56 - 74页)。因此,检测到的边缘可能不匹配实际边缘的位置。视网膜10月的目标图像分割是提取视网膜层的轮廓边界和测量不同视网膜层的厚度,小和常数变化没有有效影响层厚度时唯一的兴趣。因此,边缘像素的邻域算法检测到的可能被接受到真正积极的边缘像素计算边缘时存在指标。在这种情况下,FOM,真正积极的速度,和假阳性率和准确性措施也需要调整。我们定义这些调整指标,,,: 在哪里和代表理想的数量和实际检测到的边缘像素,之间的距离吗我th检测边缘像素及其正确的位置,是边缘像素的数量被视为边缘的一个算法的社区内地面真理,是假阳性的数量后像素邻域搜索和边缘像素调整,然后呢=因为它不受社区调整的影响。这些调整指标允许边缘转变可以更好地反映检测边缘点的数量。

2.3.3。评估过程

性能度量的主要步骤包括地面实况的准备,OCT图像的预处理,边缘检测器的应用与合适的参数来获得每个探测器接近最优的结果,并使用性能指标来评估边缘探测器对地面的美好真理。图2总结了绩效评估的流程。

(1)地面实况准备。我们问一个专家观察员手工描绘代表10月视网膜图像的边缘形成一个基础数据集的真理,如上所述我_裁判在图2。因为ILM和RPE的外边界视网膜结构和他们强大的边缘,通常可以可靠地检测到,我们定义的图像ILM和RPE之间(包括)感兴趣的区域(ROI)。只有那些在ROI提取边缘与地面进行比较的真理。

(2)图像预处理。为每个边缘检测器在应用计算机算法之前,我们进行了必要的图像预处理。由于建设性或破坏性的干扰光波从对象的光谱域10月视网膜图像遭受继承散斑噪声(37),降低图像的质量,导致不可靠的视网膜层分割。为了提高边缘检测的质量,预处理成为一个必要的一步。我们先把原始的OCT图像bmp文件转换成灰度图像和裁剪感兴趣的图像区域(ROI, 200×400像素)。文献显示过滤器的使用像的意思是,中位数,和高斯38- - - - - -40为噪声去除。我们选择中值滤波去除散斑噪声。原10月视网膜图像和去噪图像如图3。

(3)边缘检测。我们随机选择10月8图像数据库的原始视网膜图像和应用三个边缘检测器。正如前面所讨论的,边缘检测的结果可能影响不仅由算法本身也由输入参数(20.]。我们不同的系统获得最优的参数可能的边缘结果的边缘检测算法。

(4)绩效评估。在边缘检测性能评估步骤中,我们比较三个计算机算法的边缘检测结果对人工手动追踪视网膜层边界。我们应用的指标广泛应用于相关的文献和我们的特定的研究背景和目的。我们还应用开发的调整指标和前一节中讨论。最后,我们检查评价结果和关系方面的差异。

3所示。实验和结果

我们实现了MATLAB中的所有数据分析R2012a(美国Mathworks Inc ., MA)个人电脑上运行Windows 7操作系统和一个3.60 GHz Intel®™核心i7处理器和4 GB的内存。原始图像数据获取和存储为bmp文件。中间数据分析步骤在双精度计算和存储数据格式,以最小化数字化错误。三个边缘检测算法编码很仔细,双重检查正确性。

3.1。边缘检测

3.1.1。输入参数

输入参数可以显著影响产生的边缘质量对于给定边缘检测算法(20.]。在选择这些参数的值,我们感兴趣的集合提供了良好的边缘检测的准确性,即边界一致的六个视网膜层如图1高的信噪比。绩效评估指标而言,良好的参数给FOM的高值,TPR, ACC,调整玻璃钢和MLD的形式和较低的值。通过应用三种检测方法与多组参数10月视网膜图像( ),边缘检测结果进行了比较。通过观察结果,我们选择每个算法的参数设置如下。在精明的边缘检测,最好的结果可以通过高斯滤波器的宽度 ,较低的阈值 和上面的阈值 ;对双行程边缘检测算法,高斯的宽度 ,符合Bagci et al。14),较低的阈值 和上面的阈值 ,类似于那些精明的边缘检测器;EdgeFlow算法,我们跟着马和希22),选择强度和纹理的相等的权重系数,也就是说,ω(强度)=ω(纹理)= 0.5。

3.1.2。边缘检测结果

图4(一)显示了一个10月原视网膜图像。数据4 (b),4 (c),4 (d)显示的边缘检测结果精明的边缘检测器,双行程边缘检测技术,分别和EdgeFlow算法。从这些边缘检测结果,六个视网膜层边界的兴趣很容易识别,虽然有一些噪音引起的假阳性和边界破损造成的假阴性。

对于我们的目的在这项研究中,我们感兴趣的主要是如何执行的三个边缘检测器检测6视网膜层边界,这也是关键信息的文献视网膜层厚度测量(8- - - - - -11]。我们定义感兴趣的区域(ROI)之间的区域ILM和RPE最外层视网膜结构的边界。图5(一个)是覆盖地面实况的10月视网膜图像边缘被观察者的专家。数据5 (b),5 (c),5 (d)显示在ROI检测到边缘的三个算法,将在下一节中绩效评估的基础。视觉上,结果从精明的边缘检测器在图5 (b)显示了一个明确的六个界限,尽管一些刀具磨损和噪音。结果从双行程方法如图5 (c)提供超过6层在某些地点,但总的来说,六层的利益界限非常清楚相比更少的破坏,在图5 (b)。结果从EdgeFlow算法描述图5 (d)显示更多的刀具磨损和噪音,尽管所有6层边界仍可辨认的。

3.2。绩效评估

量化的三个边缘检测器的性能,我们使用三套测量在材料和方法讨论。第一组指标包括FOM, TPR,玻璃钢,ACC,已经广泛应用在文献[20.,25- - - - - -28,30.- - - - - -32)在评估边缘探测器10月图片以外的视网膜图像。为了计算TPR,玻璃钢,ACC,我们使用地面真理作为模板从三个屏幕同时边缘像素边缘检测算法。图6显示了边缘点与手动跟踪边缘重叠(地面真理)。

总结了计算性能指标表2。基于平均值的FOM三个边缘探测器,似乎最好的表演者是双行程的方法。表3总结了统计分析的结果。两个示例t测试证实的印象两段式方法明显优于精明的边缘检测器( )和EdgeFlow ( )分布。此外,EdgeFlow算法优于精明的边缘检测器( )。的双行程也明显高于TPR精明的( EdgeFlow方法),( )。同样的模式出现在与ACC测量。ACC的双行程方法明显高于精明的( )和EdgeFlow方法( )。另一方面,玻璃钢二段式方法显著低于精明的( )和EdgeFlow ( )。所有的指标表明,双行程三方是最好的方法。然而,精明的和EdgeFlow方法并不是明显不同,当测量使用TPR ( )、玻璃钢( ),或者ACC ( )。

然而,当比较数据5 (b),5 (c),5 (d)和数字6 (b),6 (c),6 (d)一个接一个,精明的边缘检测器导致更少的边缘像素的位置地面真理,尽管其结果看起来不错在图5 (b)。这表明,精明的边缘检测器引入边缘变化和导致和较低的性能得分表2和3。检查的可能性,我们计算了平均定位偏差(MLD)三个边缘检测器。结果在表4实际上显示的最大平均值MLD的精明的边缘检测器。两个示例t测试(表5)证实,精明的边缘检测器的MLD值明显高于双行程的边缘检测算法 ),几乎大大高于EdgeFlow方法( )。

10月视网膜图像层厚度测量,如果边缘转变是在一个小范围内和同一方向,结果可能没有显著的影响。因此,我们研究如何边缘探测器和第二组测量时的性能指标;包括FOM的调整措施_邻接的,TPR_邻接的,玻璃钢_邻接的,ACC_邻接的,在材料和方法开发的。图7(一)是地面真理的边缘;数据7 (b),7 (c),7 (d)分别显示检测到的边缘像素在2像素邻域搜索对应的地面实况边缘的三个边缘探测器。视觉上,精明的边缘检测器的结果是大大改善相比,在图6 (b);EdgeFlow方法的边缘要吵了。基于图的边缘检测器定量指标7总结在表6。

结果FOM, TPR、ACC和玻璃钢调整后(表6)都比之前的调整(表2)。这一发现是假警报减少合理,FOM, TPR,和ACC的增加,当检测到更多的像素被认为是正确的边缘。注意,在两个表中,FOM的值越高,TPR, ACC意味着更好的性能,而对于玻璃钢,价值越低,性能就越好。

详细统计分析三个边缘检测器的性能测量与调整指标总结表5。对分布_邻接的再次测量,双行程明显好于精明的边缘检测器( )和EdgeFlow方法( );EdgeFlow也明显好于精明的( )。当测量和TPR_邻接的,玻璃钢_邻接的,ACC_邻接的,精明的没有显著差异的两段式方法( , , 、职责);类似的模式(TPR除外_邻接的精明的)发生和EdgeFlow方法( , , 、职责)。然而,这些措施表明,两段式方法明显优于EdgeFlow技术( , , 、职责)。

最后,我们注意到在我们的实验,EdgeFlow技术花了更长的时间每个边缘检测的任务。当测量的时间处理的样本10月视网膜图像ROI)(200×400像素,平均计算时间是2.77±1.24秒,3.85±0.18秒和467.66±1.33秒,分别为双行程,精明的,和EdgeFlow方法,确认EdgeFlow方法明显增大的时间比其他两个算法。

4所示。讨论和结论

在这项研究中,我们要寻找最适合的边缘探测器10月视网膜图像分割任务。文学的分析和实验,我们已经确定了最有前途的候选人算法,也就是说,精明的边缘检测器,两段式方法,EdgeFlow技术。使用绩效评估指标(FOM, TPR,玻璃钢,ACC)及其调整版本(FOM_邻接的,TPR_邻接的,玻璃钢_邻接的,ACC_邻接的),我们研究了三种方法应用于现实的10月视网膜图像。我们的结果表明,该双行程一致优于其他两个方法。此外,MLD指标表明,双行程方法造成较小的优势转移的问题。虽然双行程方法的计算成本略高于精明的边缘检测器,它是超过100次低于EdgeFlow技术。基于上面的分析和调查结果,我们得出这样的结论:双行程方法三最好的方法为10月视网膜层边缘检测图像分割任务。此外,双行程的表现方法测量由原和调整指标和精明的边缘检测器的优势在EdgeFlow技术流分布_邻接的和TPR_邻接的和MLD导致另一个结论,灰度边缘探测器比texture-based边缘检测器为10月视网膜图像分析。

的研究结果表明,关键是使用最合适的算法来检测视网膜层边界的OCT图像为了自动化10月视网膜图像的定量分析。结合文献中发现,EdgeFlow方法明显优于精明的算法在纹理隔离任务(22),本研究提供支持的边缘检测器的性能是依赖于图像属性的(20.]精明和双行程的方法超越EdgeFlow在当前的应用程序。符合这个想法和发现,有必要认为表现最好的10月正常视网膜图像也为病理性视网膜图像效果最好。此外,基于intensity-gradient方法(双行程和精明的算法)优于texture-based方法(EdgeFlow)可能表明,10月图像包含更多的强度梯度变化比纹理变化沿纵向方向。强度和纹理信息的相对重量在10月视网膜图像权证在未来进一步的研究。

随着10月技术的发展及其在眼科领域的应用,越来越多的数据是现成的。从不断增加的临床数据量中提取有意义的信息可靠有效地形成了现代医学决策的基础和研究。可靠和高效的10月视网膜图像分割将有助于这一趋势的发展。未来的研究将需要克服一些局限性在这项研究。首先,输入参数用于我们的实验选择在一个相对较小的样本空间和“最优”的决策参数受到人类的主体性。尽管它几乎是不可能确定绝对最优输入参数为每个边缘检测器(20.),最优输入参数的选择可能是通过进行大量的实验,平均意见更多专业观众。第二个限制在我们的研究中是使用一个专家观察者定义地面真理。个人主观性可能减少平均跨多个地面真理的决定。此外,我们的数据都是来自自愿健康受试者。如果边缘探测器执行不同为不同类型的图像,有必要研究如何执行在未来的研究病理性视网膜图像。

的利益冲突

作者宣称没有利益冲突有关的出版。

作者的贡献

苏罗和杨京同样这项工作。

确认

这项工作是由中国国家自然科学基金(没有。61271154也没有。61172033)。作者要感谢同行评议者的洞察力和建设性的建议。

引用

1. d, e . a . Swanson c·p·林et al .,“光学相干断层扫描,”科学,卷254,不。5035年,第1181 - 1178页,1991年。视图:谷歌学术搜索
2. p . Hrynchak t·辛普森,“光学相干断层扫描:介绍技术及其使用,“视光学和视觉科学美国视光学学会的官方出版物,卷77,不。7,347 - 356年,2000页。视图:谷歌学术搜索
3. w . Geitzenauer、c . k . Hitzenberger和美国m . Schmidt-Erfurth“视网膜光学相干断层扫描:过去、现在和未来的角度,“英国眼科学杂志的,卷95,不。2、171 - 177年,2011页。视图:出版商的网站|谷歌学术搜索
4. m . Sonka和m·d·艾布拉姆”定量分析视网膜10月。”医学图像分析33卷,第169 - 165页,2016年。视图:出版商的网站|谷歌学术搜索
5. g . Quellec k . Lee m . Dolejsi m·k·加文·m·d·艾布拉姆和m . Sonka”三维分析视网膜层结构:识别SD-OCT黄斑,充满液体的地区”IEEE医学成像卷,29号6,1321 - 1330年,2010页。视图:出版商的网站|谷歌学术搜索
6. h . Bogunovic m . Sonka黄懿慧Kwon p·坎普,m·d·艾布拉姆,吴x”多等多co-segmentation 3 d视网膜的光学相干断层扫描,”IEEE医学成像,33卷,不。12日,第2253 - 2242页,2014年。视图:出版商的网站|谷歌学术搜索
7. x陈、p .侯和c·金”定量分析视网膜层光强度的三维光学相干断层扫描,”调查眼科及视觉科学,54卷,不。10日,6846 - 6851年,2013页。视图:谷歌学术搜索
8. d . Koozekanani k·波伊尔,c·罗伯茨,“视网膜厚度测量在光学相干断层扫描使用马尔可夫模型边界,”IEEE医学成像,20卷,不。9日,第916 - 900页,2001年。视图:出版商的网站|谷歌学术搜索
9. a . Lang a Carass, p . a .卡拉布雷西,“一个基于自适应网格细分在视网膜10月,“学报——国际光学工程学会学报》上,卷9034,不。10日,1314 - 1323年,2014页。视图:谷歌学术搜索
10. r . j .泽瓦茨基,a·r·福勒和d·f·威利”改编的支持向量机算法的分割和可视化视网膜结构体积光学相干断层扫描的数据集,”《生物医学光学,12卷,不。4、第041206条,2007年。视图:出版商的网站|谷歌学术搜索
11. f·d·卡布瑞拉·h·m·萨利纳斯和c a . Puliafito”自动检测视网膜层结构的光学相干断层扫描图像,”光学表达,13卷,不。25日,第10216 - 10200页,2005年。视图:谷歌学术搜索
12. 问:杨、c·a·赖斯曼和z . Wang”自动化层分割使用dual-scale黄斑OCT图像的梯度信息,“光学表达,18卷,不。20日,第21307 - 21293页,2010年。视图:谷歌学术搜索
13. 美国,c . y .张j . Liu j . h . Lim c . k .梁和t . y . Wong“自动化层分割的光学相干断层扫描图像,”IEEE生物医学工程卷,57号10日,2605 - 2608年,2010页。视图:出版商的网站|谷歌学术搜索
14. A . m . Bagci r·安萨里和m . Shahidi”方法检测视网膜层的光学相干断层扫描图像分割,”2007年IEEE车间/国家卫生研究院生命科学系统和应用程序,页144 - 147,马里兰州贝塞斯达,美国,2007年。视图:出版商的网站|谷歌学术搜索
15. a . m . Bagci m . Shahidi r·安萨里·m·布莱尔,n . p .布莱尔和r . Zelkha“视网膜层厚度的光学相干断层扫描图像分割,“美国眼科杂志》,卷146,不。5,679 - 687年,2008页。视图:出版商的网站|谷歌学术搜索
16. f·罗森,i Ghorbel和布洛赫,“自动分割视网膜层10月成像和派生眼科措施,”2009年IEEE国际研讨会上生物医学成像:从纳米到宏,页1370 - 1373,波士顿,MA,美国,2009。视图:出版商的网站|谷歌学术搜索
17. y . m . Cha和j·h·汉”,高精度视网膜层细分为光学相干断层扫描使用基于高斯混合模型的跟踪内核,“IEEE选定的主题在量子电子学杂志》上,20卷,不。2、1 - 10,2014页。视图:出版商的网站|谷歌学术搜索
18. a . Lang a Carass m·豪泽,“视网膜层分割的黄斑OCT图像,采用边界分类”生物医学光学表达,4卷,不。7,1133 - 1152年,2013页。视图:出版商的网站|谷歌学术搜索
19. 美国牛,问:陈和s . l . De”自动分割视网膜层SD-OCT图像中使用双梯度平滑约束和空间相关性,”计算机在生物学和医学,54卷,不。C, 116 - 128年,2014页。视图:出版商的网站|谷歌学术搜索
20. m·d·希斯、美国Sarkar和t . A . Sanocki”一个强大的视觉评估边缘检测算法的相对性能的方法,”IEEE模式分析与机器智能,19卷,不。12日,第1359 - 1338页,1997年。视图:出版商的网站|谷歌学术搜索
21. a . Nicogossian o . Kloiber b稳定,“修订后的2013年世界医学协会的赫尔辛基宣言:加强人类研究对象的保护和赋予伦理审查委员会”世界医学和卫生政策》第六卷,没有。1、1 - 3,2014页。视图:谷歌学术搜索
22. w . y . Ma和b . s .希”EdgeFlow:边界检测和图像分割的技术,”IEEE图像处理,9卷,不。8,1375 - 1388年,2000页。视图:出版商的网站|谷歌学术搜索
23. j .精明的边缘检测的计算方法,“IEEE模式分析与机器智能,8卷,不。6,679 - 698年,1986页。视图:出版商的网站|谷歌学术搜索
24. r·c·冈萨雷斯和r·e·伍兹数字图像处理,电子工业出版社,第二版,2002年版。
25. r . Roman-Roldan j . f . Gomez-Lopera, c . Atae-Allah”的分割和边缘检测的质量评价方法,”模式识别,34卷,不。5,969 - 980年,2001页。视图:出版商的网站|谷歌学术搜索
26. 即Abdou和w·普拉特定量设计和评价增强/阈值边缘探测器,“IEEE学报》,卷67,不。5,753 - 763年,1979页。视图:出版商的网站|谷歌学术搜索
27. 殷x、b·w·Ng和j .他“准确的视网膜图像分析使用海赛矩阵和binarisation纹理映射的阈值熵的应用,”《公共科学图书馆•综合》,9卷,不。4篇文章e95943 2014。视图:出版商的网站|谷歌学术搜索
28. e . Nadernejad s Sharifzadeh h·娜,“边缘检测技术:评估和比较,”应用数学科学,卷2,不。31日,第1520 - 1507页,2008年。视图:谷歌学术搜索
29. e·r·戴维斯电脑和机器视觉:理论、算法、实用性,中国压力机,第四版,2013年版。
30. 分析师m . Beauchemin”豪斯多夫距离用于分割结果的评价,“加拿大遥感杂志》上,24卷,不。1,3 - 8,1998页。视图:谷歌学术搜索
31. w·k·普拉特数字图像处理Wiley-Inter-science,纽约,纽约,美国,1978年。
32. k . c . Strasters和j。j gerbrand”,使用分割三维图像分割,合并和组的方法,”模式识别的字母,12卷,不。5,307 - 325年,1991页。视图:出版商的网站|谷歌学术搜索
33. s . j .赵x t·李,p . Nicholas”SDOCT七层视网膜图像的自动分割与专家手工分割,“光学表达,18卷,不。18日,第19428 - 19413页,2010年。视图:谷歌学术搜索
34. z苑和z Ranyang”,一个基于精明的自适应边缘检测算法及其性能评估,”计算机技术与发展,25卷,不。11日,32-37,2015页。视图:谷歌学术搜索
35. f . van der Heyden“边缘检测算法,评估”第三个图像处理及其应用国际会议,1989沃里克,页618 - 622年,英国,1989年。视图:谷歌学术搜索
36. 美国Chabrier、h·劳伦和b·埃米尔”的比较研究监督图像分割的评价标准”2004年12日欧洲信号处理的会议,第1146 - 1143页,维也纳,奥地利,2004年。视图:谷歌学术搜索
37. e . Gotzinger m .面前退却,b·鲍曼et al .,“散斑噪声降低高速偏振敏感光谱域光学相干断层扫描,”光学表达,19卷,不。15日,第14585 - 14568页,2011年。视图:谷歌学术搜索
38. y黄、r . p . Danis和j . w . Pak”发展10月视网膜图像的半自动分割方法测试患者的糖尿病黄斑水肿,”《公共科学图书馆•综合》,8卷,不。12篇文章e82922 2013。视图:出版商的网站|谷歌学术搜索
39. a . m .阿布·t·t·j·m·Berendschot和s . v . Rao”细分和分析视网膜层(ILM和RPE)与水肿、光学相干断层扫描图像”生物医学工程与科学学院2014年IEEE会议(IECBES),页204 - 209,吉隆坡,马来西亚,2014年。视图:出版商的网站|谷歌学术搜索
40. g·r·威尔金斯o·m·霍顿和a·l·奥尔登堡”的自动分割intraretinal囊状的液体在光学相干断层扫描中,“IEEE生物医学工程卷,59号4、1109 - 1114年,2012页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017年苏罗等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。