[发明专利]基于SD-OCT的挫伤性视网膜内外节缺失检测方法

摘要

本发明公开了一种基于SD-OCT图像的挫伤性视网膜内节/外节缺失三维自动检测方法，包括以下步骤：（1）图像预处理，采用多尺度三维图割方法将视网膜内部自动分割成11个表面，提取位于第7表面和第8表面之间的内节/外节区域作为感兴趣区域，进行平坦化处理和双线性滤波增强；（2）对感兴趣区域中每个体素提取5类（共计57个）特征；（3）采用主成份分析方法对特征进行优化选择；（4）将特征样本分成训练集和测试集，对训练集样本采用Adaboost算法训练集成分类器；（5）对测试集样本进行缺失/非缺失识别；（6）对识别结果进行血管轮廓影响排除和孤立点排除等后处理，计算相应的缺失体积，缺失体积识别误差小，准确性好。

主权项

一种基于SD‑OCT的挫伤性视网膜内外节缺失检测方法，其特征在于：包括以下步骤：(1)图像预处理：采用多尺度三维图割方法进行视网膜内部分层，将视网膜SD‑OCT图像自动分割成10个分层，产生11个表面，将包含内节/外节区域的第7层和第8层之间的数据提取出来，参考第11层进行平坦化，将平坦化后第7层和第8层之间的内节/外节区域的SD‑OCT图像作为感兴趣区域，进行双线性滤波增强；(2)体素特征提取：对步骤(1)所述平坦化后的内节/外节区域的所有体素的灰度值进行归一化处理，对内节/外节区域内的缺失体素和非缺失体素分别提取5类特征，所述5类特征包括归一化的灰度值、分块均值、分块标准差、13个方向的灰度差绝对值和基于灰度共生矩阵的特征；(3)特征优化选择：对步骤(2)中所提取的特征采用主成份分析法进行特征选择；(4)集成分类器的训练：将经步骤(3)选择的特征分成训练集和测试集，在训练集中，按缺失样本数量与非缺失样本数量的比例为1：1的比例从非缺失样本中随机抽取数量与缺失样本数量相同的特征样本，采用Ababoost算法进行集成分类器的训练；(5)体素缺失/非缺失的分类识别：对测试集样本进行缺失/非缺失识别，采用步骤(4)训练得到的集成分类器对测试集样本进行分类，对每个体素的缺失与否进行分类识别；(6)后处理与缺失体积计算：对步骤(5)分类识别得到的结果进行血管轮廓影响排除和孤立点排除，并计算视网膜内节/外节的缺失体积。