[发明专利]一种基于OCT图像的水肿区域分割模型

说明书

本发明公开了一种基于OCT图像的水肿区域分割算法，包括如下步骤：1)图像预处理，采用高斯滤波对待分割的OCT图像进行预处理；2)水肿区域粗分割，基于K‑means算法对OCT图像进行粗分割，得到OCT图像的感兴趣区域；3)水肿区域细分割，将OCT图像的感兴趣区域的作为初始边界，基于改进的水平集算法对OCT图像进行细分割。本发明减少了边界线检测计算迭代次数，提高了分割效率；时间效率提高了约23％，迭代次数减少了约30％。本发明在分割精度方面：利用SPF函数替代边缘停止函数改进了现有的水平集模型，得出的模型可收敛到ROI内部的水肿区域，从而实现OCT图像水肿区域的分割。

技术领域

本发明涉及生物医学信息与图像处理领域，具体地说，特别涉及到一种基于OCT图像的水肿区域分割模型。

背景技术

糖尿病性黄斑水肿(DME)是由黄斑血管受损和视网膜血屏障破坏导致液体渗漏引起的，其特征是视网膜内的水肿和视网膜增厚，它是糖尿病视网膜病变(DR)患者视力损害的主要原因。

光学相干断层成像(Optical Coherence Tomography，OCT)是一种基于迈克尔逊干涉原理进行扫描建立的图像，可有效显示视网膜病变部位，具有较高的分辨率，可清晰地辨别水肿区域，精确地提供水肿区域部位，从而广泛用于DME的诊断。通常医疗人员采用目视解译法判读OCT的水肿区域，从而评估DME的严重程度。这种方式的缺点在于：受医者经验和OCT图像质量等因素影响，目视解译判读水肿区域存在较大的偶然性。

近年来，计算机图像辅助分割法逐步应用于OCT图像处理中，基于OCT图像的分割算法可归为两类：基于机器学习的分割算法和采用非机器学习的分割算法。其中，基于机器学习的分割算法有管建等人提出的K近邻分类指导的图割区域迭代分割算法，Pham等提出的一种自适应模糊C均值方法分割强度不均匀的医学图像；Blanzet等利用前馈神经网络来解决重叠图像的分割问题等。非机器学习算法有Vincent等提出了水线(watershed)算法，其用于提取图像感兴趣区域；Osher等提出了水平集方法，有效解决了曲线演化过程中的拓扑变化问题，应用于医学和航空领域的图像分割；Sobel等提出的Sobel算法和JCanny提出的Canny算法，其通过对图像的边缘检测实现医学图像的分析和处理；Kass等提出了活动轮廓模型ACM使用先验知识对分割问题进行约束，得到边界封闭、平滑的图像分割结果；Boykov等提出的分割方法解决了全局优化框架中的分割问题。

上述方法初步实现了基于OCT图像的水肿区域的自动化分割，但受OCT图像质量、水肿区域边界模糊性和水肿区域形状多样化等影响，仍存在如下问题：

1)受噪声影响现有分割方法在分割水肿区域时存在过分割现象。

2)受边界模糊性影响，现有分割方法在水肿区域边界搜索时存在计算复杂度高等问题。

3)受水肿区域形状的影响，现有分割方法存在精度有待提高，计算效率低等问题。

发明内容

本发明的目的在于针对现有技术中的不足，提供一种基于OCT图像的水肿区域分割模型，其用于提高基于OCT图像的水肿区域分割的精度和效率，以解决现有技术中存在的问题。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种基于OCT图像的水肿区域分割算法，包括如下步骤：

1)图像预处理，采用高斯滤波对待分割的OCT图像进行预处理；

2)水肿区域粗分割，基于K-means算法对OCT图像进行粗分割，得到OCT图像的感兴趣区域；

3)水肿区域细分割，将OCT图像的感兴趣区域的作为初始边界，基于改进的水平集算法对OCT图像进行细分割。

进一步的，所述水肿区域粗分割基于K-means算法，其方法如下：