一种光谱域光学相干层析成像中的高反射亮斑分割与量化方法
文献发布时间:2023-06-19 10:08:35
技术领域
本发明涉及计算机科学中的医学图像处理领域,具体地说是一种将改进的模糊c-均值聚类与一种新的基于成分树的极值区域提取方法相结合的方法。在光谱域光学相干层析成像中,将改进的模糊c-均值聚类算法生成的感兴趣区域与新的极值区域提取方法产生的高反射焦点估计相结合,有效地分割和量化高反射焦点。
背景技术
光学相干断层扫描技术(OCT)是近年来发展较快的一种最具发展前途的新型层析成像技术,特别是在生物组织活体检测和成像方面,都具有诱人的应用前景,已尝试在眼科、牙科和皮肤科的临床诊断中应用。在利用OCT(光学相干层析成像技术)对人眼扫描后,需要将采集到的眼睛的光谱信号处理成OCT信号,最后得到OCT图像。
在获得OCT图像后,一般采用图像处理方法提取形态特征、纹理特征或者分层状态下的其他特征来完成病理学诊断。随着时频分析方法的发展,结合OCT设备中光源的宽带性质,目前可以逐步通过时频变化的方法从OCT图像中提取检测对象内部指定区域的光谱,大大拓展了OCT技术的应用领域。
但是,在实际检测应用中,要求OCT设备获得高分辨率、高速度和灵敏度的样品的横截面成像。而目前的方法主要通过空间增强的方法提取图像对比度和提取功能信息,并将光谱特征映射在相干图像上。为了从纵向扫描中生成深度解析的光谱信息,通常采用短时傅里叶变换(STFT)或连续小波变换(CWT)来取得信息,得到受到广域名的时频分布(TFD)本身制约。最终导致时间和频率之间相互制约,即时间(深度)分辨率和频率(波长)分辨率之间的此消彼长。
在OCT检测领域中,通常使用具有高的空间和时间相关性的光源、例如超级发光二极管(SLDs)。然而,利用这样的光源的光通常只能达到小的深度分辨率。此外在同时使用空间分辨的平面传感器的情况下因为相干串扰的原因可能出现所谓的重影,该重影仅能够通过空间相关性的近似完全的破坏而被避免,这一方面需要一定的技术费用,并且另一方面尽管有技术费用也仅是有条件地实现。在将多个不同的SLD的光叠加而成为一个光源的情况下,因为频谱中的旁瓣最大值的原因而可能附加地引起重影。此外,在使用SLD的情况下,因为其相对小的至多大约20mW的、此外随着光谱带宽的提高而下降的功率,对于高的图像质量来说足够的信噪比不能总是被达到。
由于在产业应用中,OCT图像检测速率要求高,每个对象具有较多的动态变化,故OCT图像的分析量非常大,采用对此校正,效率十分低下。因此,需要对图像进行一次校正,以便后续完成自动分析。据检索,在OCT光谱提取中,自动检测的算法报道较少,各项研究尚处于起步阶段。
发明内容
针对现有技术的不足,本发明提供了一种光谱域光学相干层析成像(OCT)中的高反射亮斑分割和量化方法,该方法可以清晰的分割和量化OCT图像的高反射亮斑(Hyperreflective foci (HRFs)),以达到检测,可视性、分割和量化的目的。
实现本发明目的的技术方案是:
一种光谱域光学相干层析成像中的高反射亮斑分割与量化方法,包括如下步骤:
(1)对输入图像进行双边滤波;
(2)将无噪声图像通道化为两个并行的处理过程,即感兴趣区域(ROI)和高反射焦点估计;
(3)对OCT图像的像素按强度递增排序,输入图像
其中:图像
(4)所有已排序的像素通过增加强度添加到森林中;
(5)从构件树中提取极值区域,然后计算极值区域树,在所有的极值区域
其中:
(6)标记稳定区域,得到作为一阶和二阶矩的每个区域的面积
其中μ是平均值,避免直接使用中心力矩
利用
(7)删除重复和冗余区域,将极值区域排列成一棵树,其中
同样,
(8)利用逻辑运算(and)将ROI过程和HRFs估计过程合并在一起,对生成的ROI和估计的HRFs中的所有像素点进行隶属度相交检查,由此,得到分段的HRFs及其数量。
步骤(2)所述ROI生成流程,采取以下步骤:
1)设置(a)聚类数c,(b)模糊化参数m,(c)过滤窗口w,(d)最小错误阈值T;
2)在公式(7)的基础上用聚类算法(MR)构造一个新的图像
其中
3)成员划分矩阵
4)循环计数器
5)使用公式(9),更新聚类中心;然后,使用公式(8)更新成员划分矩阵:
6)如果
7)使用公式(10)对成员划分矩阵
8)规范化
步骤(4)所述已排序的像素通过增加强度添加到森林中的标准包括:
(a)某个像素的所有后代都是一个极值区域的子集;
(b)所有的极值区域都是一些像素的后代,将极值区域
式中
本发明的优点是:
(1)我们对传统的模糊c均值(FCM)算法进行了改进,提出了一种新的隶属函数滤波器,使OCT图像的聚类结果更好,计算复杂度较低;
(2)提出了一种基于噪声免疫FCM的OCT图像聚类算法(MR),
(3)通过计算成分树,利用一个新的特征来估计HRFs的位置,
(4)用新创建的ROI代替传统的基于层分割的视网膜OCT分割方法。
附图说明
图1为本发明实施例的算法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的阐述,但不是对本发明内容的限定。
实施例:
如图1所示,一种利用OCT图像进行HRFs分割和量化的算法,该算法由ROI生成和HRFs估计两个并行过程组成。将感兴趣区域视为内界膜(ILM)和内节和外节(IS-OS)层,其中HRFs主要位于本发明所用的OCT图像中。为了生成感兴趣区域,我们使用形态学重建(MR)来获得重建图像,并构造直方图进行数据分布和聚类。同时,我们通过从组件树得到的连通区域中提取极值区域来估计HRFs。构件树是HRFs估计的一个重要组成部分,它是用来获取连通区域的。最后,将生成的投资回报率和估计的HRFs过程合并,得到分段的HRFs。
一种光谱域光学相干层析成像中的高反射亮斑分割与量化的方法,包括如下步骤:
(1)对输入图像进行双边滤波,以降低噪声;
(2)然后将无噪声图像通道化为两个并行的处理过程,即感兴趣区域(ROI)和高反射焦点估计过程。对于ROI生成流程,采取以下步骤:
1)设置(a)聚类数c,(b)模糊化参数m,(c)过滤窗口w,(d)最小错误阈值T;
2)在公式(7)的基础上用聚类算法(MR)构造一个新的图像
其中
3)成员划分矩阵
4)循环计数器
5)使用公式(9),更新聚类中心;然后,使用公式(8)更新成员划分矩阵。
6)如果
7)使用公式(10)对成员划分矩阵
8)规范化
(3)对OCT图像的像素按强度递增排序。输入图像
图像
(4)所有已排序的像素通过增加强度添加到森林中,这些标准包括:
(a)某个像素的所有后代都是一个极值区域的子集,
(b)所有的极值区域都是一些像素的后代。将极值区域
式中
(5)从构件树中提取极值区域。然后计算极值区域树。在所有的极值区域
(6)标记稳定区域。我们得到了作为一阶和二阶矩的每个区域的面积
其中μ是平均值。我们避免直接使用中心力矩
利用
(7)删除重复和冗余区域。为了消除重复区域,我们将极值区域排列成一棵树,其中
同样,
(8)利用逻辑运算(and)将ROI过程和HRFs估计过程合并在一起,对生成的ROI和估计的HRFs中的所有像素点进行隶属度相交检查。由此,我们得到了分段的HRFs及其数量。
- 一种光谱域光学相干层析成像中的高反射亮斑分割与量化方法
- 一种光谱域光学相干层析成像中的高反射亮斑增强方法