CN102884551B - 用于评估角膜健康状况变化的设备和方法 - Google Patents

Abstract

一种用于评估角膜的计算机实现的方法包括从角膜的一系列分层的图像中选择主图像。该计算机实现的方法还包括检测主图像中的多个角膜结构并提供对所述多个角膜结构的量化分析。

Description

用于评估角膜健康状况变化的设备和方法

相关申请的交叉引用

本申请要求于2010年5月6日提交的、题为“DEVICES ANDMETHODS FOR ASSESSING CHANGES IN CORNEAL HEALTH”的未决美国临时专利申请No.61/331,983的权益，该申请的整个公开通过引用结合在此。

技术领域

本申请涉及一种用于评估角膜的计算机实现的方法，包括从角膜的一系列分层的图像中选择主图像，以及检测主图像中的多个角膜结构并提供对所述多个角膜结构的量化分析。

背景技术

角膜成像在评估角膜健康状况、监视角膜疾病发展和评价角膜治疗的有效性方面是有用的。角膜共焦显微镜是测量角膜特征的成像设备的一个例子。活体共焦显微术能够实现对活体内角膜微结构的高分辨率、可靠且实时的成像，以评价例如正常角膜形态、病原体侵入、营养不良和变性、术后管理、干眼、药物毒性、内皮监视、以及接触镜相关改变。

正常的健康角膜是由如下五层组成的透明的无血管连接的组织：上皮细胞层、前弹性层、基质层、后界层和内皮细胞层。角膜上皮细胞层，即角膜的最外层，是由5到6层细胞组成的厚约50μm的组织。角膜上皮细胞层占据角膜厚度的约十分之一。角膜上皮细胞层可被分为三个解剖结构组：表面细胞、翼状细胞和基底细胞。

表面上皮细胞是在角膜最外表面上堆叠两至三细胞层深的扁平多边形细胞。当被成像时，这些细胞表现出多边形图案、明亮照明的细胞质、反光的细胞核以及核周暗光晕的特征。在细胞死亡时，整个细胞质会变得过度反光。这些表面细胞具有达50μm的直径且厚约5μm。它们典型地在角膜中心最为稀疏，约624个细胞/mm²，并且典型地在外周最为密集，约1213个细胞/mm²。

紧接在表面细胞之下（即，在其下）的是翼状细胞。翼状细胞为两至三细胞深。它们可被分为上部（更大）和下部（更小），但一般大小约20μm并且形成规则的马赛克图案。平均密度为角膜中心5000个细胞/mm²，外周5500个细胞/mm²。

上皮细胞层的最内层（即，最为在后的层）是基质上皮细胞。这是上皮细胞中最小的，平均约8-10μm。在被成像时，它们看上去是具有高度反光边界（紧密接合）的密集马赛克。平均密度在中心从6000至9000个细胞/mm²变化，而在外周则大于10000个细胞/mm²。

基底下神经丛紧邻所述基底上皮细胞。在被成像时，神经丛看起来是具有平行且线性的过度反光纤维的相对缺乏细胞的层。神经表现出作为线粒体和糖原颗粒累积的局部轴突膨大的特征。纤维可被组织成涡流图案并因此将取决于扫描位置以不同方向行进。

前弹性层8-10μm厚，由位于基底细胞层和基质层之间随机排列的胶原原纤维组成。该层通常看上去模糊且异性。

基质层占据整个角膜体积的80-90%。其由蜂窝结构、非细胞结构和感觉神经结构组成。蜂窝成分（角膜细胞）具有反光的细胞核，而非细胞成分（胶原薄层）则看上去呈黑色或光学透明。角膜细胞的密度在前基质层最高，在中基质层下降，在后基质层则略有增加。基质神经纤维比上皮下神经纤维要厚。

后界层使用共焦显微术可能是不可见的。

内皮细胞层是形成六边形马赛克图案的单层细胞。健康的内皮细胞层包括2500-3000个细胞/mm²，但这会由于年龄、疾病、低氧可传送接触镜的佩戴而降低。

包括有白细胞的免疫细胞抵抗外来侵入物。白细胞的主要分类包括颗粒白细胞（例如，嗜碱粒细胞和嗜酸粒细胞）、无颗粒白细胞（例如，巨噬细胞）、以及淋巴细胞。粒细胞典型地非常小（<10μm），其高度游动并且可以在发炎期间响应于来自微生物和受伤细胞的化学毒性因子轻易地侵入角膜。巨噬细胞（达20μm）典型地出现在溃疡部位并且可以保持在组织内达几个月的时间。淋巴细胞可在眼睑和睑结合膜内找到。白细胞典型地位于基底细胞或翼状细胞水平。虽然它们不容易通过共焦显微术加以区分，但是位置、尺寸和形态有助于对其的识别。例如，免疫细胞一般会沿着神经丛迁徙。它们还例如可以在基底上皮细胞层和前弹性层中被识别。

共焦显微镜通过测量在清澈或不透明组织中的反射的光而工作。角膜共焦显微镜用准直光源照明角膜的小块区域，其中准直光穿过孔径并通过物镜聚焦至该物镜聚焦区域处的一小块空间体积。从聚焦区域反射的光随后被物镜重新收集。随后光在进入光电检测装置之前穿过分束器和针孔。检测器孔径阻挡了散射光，从而得到比常规光显微术更为清晰的图像。光电检测设备将光信号转换为电信号，以创建数字组织学图像。

活体共焦显微术已被典型地用于在临床上评价各种角膜病理，包括传染性角膜炎（更具体地，棘阿米巴角膜炎和真菌性角膜炎）、角膜营养不良、以及角膜健康状况和疾病的其他参数。然而，活体共焦显微术会产生包含大量数据的图像，这些图像会很难被快速连贯的分析和解释。因此，活体共焦显微术的大部分应用已被量化或要求耗时的手动分析来产生量化结果。于是，本领域需要客观评价共焦显微术图像以量化角膜变化的快速且鲁棒的图像处理技术。

发明内容

本公开一般地涉及并且包括用于分析医疗图像的方法及计算机***（包括软件），尤其涉及用于分析显微术图像以评估角膜健康状况的方法和计算机***。

在一个实施例中，一种用于评估角膜的计算机实现方法包括从角膜的一系列分层的图像中选择主图像。该计算机实现方法还包括检测主图像中的多个角膜结构并提供对所述多个角膜结构的量化分析。

在另一个实施例中，一种其上存储有计算机可执行指令的计算机可读介质被用于分析在角膜的一系列分层的图像中描绘的角膜结构。计算机可执行指令包括从角膜的一系列分层的图像中选择主图像并且检测该主图像中的第一类型的角膜结构。所述指令还包括提供对所述主图像中的第一类型的角膜结构的量化分析。

在另一个实施例中，一种生成角膜一部分的三维图像的方法包括从所述角膜部分的一系列分层的图像中选择主图像。本方法还包括从所述角膜部分的一系列分层的图像中标识出所述主图像的在前图像，以及从所述角膜部分的一系列分层的图像中标识出所述主图像的在后图像。所述方法还包括分别标识出主图像、在前图像和在后图像中可见的角膜特征，以及对齐主图像、在前图像和在后图像的每幅图像中的所述角膜特征。所述方法还包括至少使用来自所述角膜的一系列分层图像的主图像、在前图像和在后图像来渲染角膜的所述部分的三维图像。

本发明的其他方面、形式、实施例、目的、特征、益处和优点应从本文提供的详细附图和描述中变得显见。

附图说明

本公开的各方面将从结合附图阅读如下详细描述得到最佳的理解。需要强调的是，根据业内的标准操作，各种特征没有按比例绘出。实际上，为了讨论清楚而将各个特征的尺寸任意增大或减小。此外，本公开还在各例中重复使用参考编号和/或字母。这一重复是出于简明的目的，并且其本身并不指示所讨论的各实施例和/或结构之间的关系。

图1是描绘了一种通用计算设备的***图示，其构成了用于实现本发明实施例的示例性***。

图2是一般性地概括用于分析生物组织图像的处理的一个实施例的流程图。

图3是示出了用于实现本公开一个实施例的程序模块的架构性***图示。

图4是在主图像中标识神经的示例性分段图像。

图5是在主图像中标识免疫细胞的示例性分段图像。

图6是在次图像中标识翼状细胞的示例性分段图像。

图7-9是关于被标识神经和***的信息的示例性图形显示。

图10是覆盖在次图像上的手动创建的图形的示例性图像。

图11是对来自自动模式和手动模式的数据进行比较的示例性图形显示。

图12是一般性地概括用于三维呈现角膜图像的处理的一个实施例的流程图。

图13是复合模式下的示例性3D图像。

图14是等值面模式下的示例性3D图像。

图15是切片模式下的示例性3D图像。

具体实施方式

为了促进对本发明原理的理解，将对附图中例示的实施例或例子做出参考，并使用具体语言对其进行描述。然而将会理解的是，并不旨在藉此限制本发明的范围。对所描述实施例的任何替换和进一步修改以及对在此描述的本发明原理的任何进一步的应用都应被认为是对与本发明相关的本领域普通技术人员而言是显见的。

将在本公开中描述用于分析生物组织（包括角膜组织）图像的技术，这些技术可以使用多种通用或专用计算设备实现，并且这些设备包括个人计算机、服务器计算机、移动计算机、以及分布式计算***。参考图1，例示了构成用于实现本公开实施例的示例性***的通用计算设备100。计算设备100可以包括诸如中央处理单元（“CPU”）102、***存储器单元104、可移除存储器接口106、不可移除存储器接口108、输出接口110、输入接口112以及网络接口114之类的各种部件。

***存储器单元104可以是易失性存储器、非易失性存储器或两者的结合。***存储器单元104可以是任何类型的计算机存储介质，包括随机存取存储器（RAM）、只读存储器（ROM）可编程只读存储器（PROM）、可擦除PROM（EPROM）、电EPROM（EEPROM）、闪存、CD-ROM、数字通用盘（DVD）、磁带、磁盘存储装置或者用于存储可由计算设备100访问的信息的任何其他介质。接口106和108允许计算机对可以是以上列出任意类型的可移除或不可移除计算机可读介质上的信息进行访问或将信息存储其上。

输出接口110允许计算机100与输出设备（诸如，显示器、打印机、扬声器、或者用于呈现来自计算机的信息的任何其他设备）对接。输入接口112允许计算机与输入设备（诸如，键盘、鼠标、语音输入设备、触摸输入设备、相机、显微镜或用于将信息呈现给计算机的其他设备）对接。

网络接口114允许计算机100与其他计算设备或计算机可读介质直接或经由网络对接。网络接口114可以是例如分别与一个媒体访问控制（MAC）地址相关联的一个或多个网络接口卡（NIC）。部件102、104、106、108、110、112和114通过总线***116互连。应该理解的是，所述计算***可被不同地配置，并且每个列出的部件实际上可以表示若干不同的部件。例如，CPU 102实际上可以表示多处理器或分布式处理***。

在以上描述的任何操作环境中都可以实现用于分析生物结构的图像的处理。现在参考图2，在一个实施例中，用于分析生物结构（例如包括角膜结构）的处理120一般性地包括从生物组织的多个递增的图像中选择主图像的步骤122。在步骤124，从生物组织的所述多个递增的图像中选择一个或多个次图像。在步骤126，检测主图像和次图像中的各结构，诸如细胞、细胞成分、神经和血管。在步骤128，计算关于各结构的信息，诸如数量、大小、位置、形状、密度或其组合。在步骤130，显示各结构的图形表示，并且可以在相应的所选图像上叠加或重叠该图形表示。例如，可以在次图像之上显示翼状细胞边界的图形表示。在步骤132，可以接受用户输入以例如细化结构检测参数或更改图形表示。如果用户期望，可以重复步骤128-132。应该理解的是，本公开的其他实施例可以包括额外的处理步骤或者可以省略某些处理步骤。

用于分析生物组织的图像的这一技术可以在计算机可执行指令的一般性情境中描述，诸如在由计算机执行且结合了各种软件和/或硬件模块的程序模块中描述。一般而言，程序模块包括例程、程序、对象、部件以及执行特定任务的数据结构。如上在图2中概述的处理在图3的架构性***图示中例示。更具体地，图3的***图示例示了用于实现分析特定类型的生物组织的图像（在此描述的即为角膜组织）的各程序模块之间的相互关系。应该理解的是，角膜组织只是生物组织的一种，可以使用本公开的技术来分析本领域普通技术人员知晓的任何类型的生物组织。一般地，如图3中所例示，用于分析角膜图像的技术140开始于通过提供一组角膜图像141以在自动图像处理模式142或手动图像处理模式143中使用的操作。

角膜图像141可以是使用活体共焦显微术获取的。由德国海德堡的Heidelberg Engineering GmbH制造的带Rostock角膜模块的Heidelberg Retina Tomograph(HRT)是一种可用于获取角膜图像的示例性共焦激光扫描检眼镜。HRT的这一配置执行活体角膜显微术，以在细胞水平可视化角膜组织。HRT的光源是分辨率为1μm的670nm二极管激光器（1类）。每幅捕捉图像的面积为约400μmx400μm，且数字图像大小为约384x384像素，虽然其他的活体共焦显微镜可能具有不同的图像大小、图像数量、分段大小等，但它们仍包括在本发明的范围内。每次捕获的体积扫描可以包含在约80μm的深度上以每次扫描约2μm分段的约40个逐层递增的图像。递增的图像可以包括上皮细胞层、神经丛、前弹性层和基质层的各层图像。与每个图像相关联的测微计信息可由软件存储和使用，从而以标准单位提供所有测量值。

使用时，HRT的物镜部分可被定位在患者角膜的轴中心处并与患者角膜相接触。HRT聚焦在角膜最上的上皮细胞层，并且初始体积扫描。自动扫描在从前往后地聚焦至约60μm的深度期间捕捉图像。应该理解的是，作为替换，可以通过从在后位置扫描至在前位置而使用相反的过程。可以为同一患者在同一位置捕捉多次体积扫描。可以为该患者的另一只眼重复这一扫描过程，优选地使用相同的扫描方向。

在自动处理模式142中，图像选择模块144用于从递增的角膜图像141中标识主图像。在某些实施例中，主图像被标识为焦平面内带有最重要神经（例如，最大的神经或最多数量的神经）的图像。作为替换或补充，可以使用其他的定量或定性规则来选择主图像。这一主图像也可被表征为“最佳神经图像层”或“最优神经图像层”。图像选择模块144还可用于从递增的角膜图像141中标识次图像。次图像可以是翼状细胞图像。在一个实施例中，翼状细胞图像可以是定位在主图像之前约20μm处的图像。相续图像之间的距离可以从约0.2μm到约5μm，优选地为约0.5μm到4μm，更为优选地为约1μm到3μm。如果相续图像之间的距离为2μm，那么该次图像是主图像之前的第十幅图像。在此实施例中，次图像的选择取决于主图像的选择。在替换实施例中，次图像的选择可以基于其他定量或定向规则。可选地，所需的主图像或次图像可被显示给用户。一旦看到所选图像，用户可以做出选择，以使用来自递增图像141中的不同图像作为主图像或次图像。例如，如果用户偏好一个不同的次图像，那么用户选择的图像将被标识为次图像。如果无法基于预先建立的定量或定向规则初始地标识主图像或次图像，软件可以提示用户从递增图像141中选择主图像或次图像。作为替换，用户可以手动选择与自动处理所选图像不相同的图像作为主图像或次图像。

在选择了主图像和次图像之后，结构检测模块146被用于图形地分段或指定所选图像中的各结构。用于检测诸如神经、免疫细胞和翼状细胞的结构的规则可以基于图像的属性，诸如亮度、形状、大小、厚度、拓扑、识别出的像素图案、与其他检测到的结构的接近度以及与控制图像的对应程度等。用户可以针对神经或细胞更改分段参数值。如图4所示，在主图像160中，执行神经检测并得到对应于检测到的神经的呈弯曲线的图形表示162。检测到的神经的图形表示162可以作为主图像160的覆盖图显示，以例如用颜色或其他图形标记物来突显神经在主图像中的位置。

如图5所示，在主图像160中，执行免疫细胞检测并得到对应于检测到的免疫细胞的界限的离散区域中的图形表示164。检测到的免疫细胞的图形表示164可以作为主图像160的覆盖图显示，以例如用颜色或其他图形标记物来突显免疫细胞在主图像中的位置。作为替换，免疫细胞检测可以在一系列角膜图像的不同图像上执行。这一不同的图像例如可以使用另一种时间曝光而获取。

如图6所示，在所选翼状细胞层的次图像166中，执行翼状细胞检测并且得到对应于检测到的翼状细胞的界限的马赛克状的图形表示168。检测到的翼状细胞的图形表示168可以作为次图像166的覆盖图显示，以例如用颜色或其他图形标记物来突显翼状细胞在次图像中的位置。

在检测到主图像和次图像中的各结构之后，使用分段的模块148、149和150来定量分析检测到的各结构。定量分析可与控制图像和测量值（包括来自健康或不健康角膜的控制图像）相比较。在神经分析模块148内，对每个标识出的神经结构进行测量，并且计算感兴趣区域内标识出的各神经结构和神经结构的集合的属性。这些测量值和属性例如可以包括长度、厚度、神经数量、分叉数量、及其组合。神经分析模块148可以运行用户后处理编辑。例如，如果根据对神经的图形表示162的查看或根据对计算出的属性的查看，用户确定自动图形表示162应被更改或改进，那么该用户可以通过删除图形、添加图形、添加注释、或填补表示神经的弯曲线内的缺陷来对图形表示进行编辑。在图形表示应被更改之后，可以基于更改的分段重新计算标识出的神经结构的属性。

在免疫细胞分析模块150内，对每个标识出的免疫细胞进行测量，并且计算感兴趣区域内各独立的免疫细胞和各细胞集合的属性。这些测量值和属性可以包括免疫细胞的数量、密度（感兴趣区域内免疫细胞的数量）、独立细胞的面积、感兴趣区域内各细胞的平均表面面积、紧接神经的程度、宽度、像素计数和形状因数、及其组合。免疫细胞分析模块150可以运行用户后处理编辑。例如，如果根据对神经的图形表示164的查看或根据对计算出的属性的查看，用户确定自动图形表示164应被更改或改进，那么该用户可以通过如下的一项或多项来对图形表示进行编辑：删除图形、添加图形、分离图形、或添加表示各独立免疫细胞的注释。在图形表示应被更改之后，可以基于更改的分段重新计算标识出的免疫细胞的属性。

在翼状细胞分析模块152内，对每个标识出的翼状细胞进行测量，并且计算感兴趣区域内各独立的翼状细胞和各翼状细胞集合的属性。这些测量值和属性可以包括翼状细胞的数量、密度（感兴趣区域内翼状细胞的数量）、平均大小、标准差、低于预定义或用户设定的阈值和密度的细胞数量、大于预定义或用户设定的阈值和密度的细胞数量、及其组合。针对各独立细胞的测量值和属性还可以包括形心、Crofton周长、紧密性、圆形度、及其组合。针对感兴趣区域内的翼状细胞集合，可以计算区域均值、区域最小值和区域最大值。可以对落入预定义或由用户定义的最小值和最大值阈值之间的细胞执行上述测量和计算。翼状细胞分析模块152可以运行用户后处理编辑。例如，如果根据对翼状细胞的图形表示168的查看或根据对计算出的属性的查看，用户确定自动图形表示168应被更改或改进，那么该用户可以通过删除图形、添加图形、添加注释、或重画分段线来对图形表示进行编辑。例如，如果向图形表示添加边界以分割在前标识出的翼状细胞，则模块152将重新计算所有的测量值并提供更新的信息。翼状细胞分析模块152还可以提供辅助工具来确保没有翼状细胞被跳过注释。

任意所述模块143-152都可以产生关于被成像角膜的信息156。图形用户界面（GUI）可被用于向用户显示任何所述模块的信息156。例如，如图7所示，GUI 170可以包括用于显示关于在模块152中被测量并计算的关于各独立翼状细胞的信息172的栅格。选择选项卡174允许用户分别针对结构分析和概况分析而在各信息显示之间来回切换。图8是示出基于在分析模块148-152中执行的分析来呈现概况信息178的GUI 176的例子。图9是图形数据显示180的例子，在此情况下，所述显示180是标绘了被分析神经或细胞属性的直方图。包括图表、表格、电子数据表、曲线图或数据列表的其他类型的图形显示也可适用于显示关于被成像角膜的数据。对于以网格格式显示的测量值，例如数据可以按列或按行分类。在所显示数据和图像之间的图像同步可以是可用的。

以上讨论的自动图像处理模式142提供了用于生成图形表示和分析角膜结构的自动化技术。用于分析角膜图像的技术140还包括手动图像处理模式143以允许用户生成图形表示和注释，这些图形表示和注释可以连同在自动图像处理模式中生成的图形表示一起被显示，或作为其的替换。用户可以使用来自上述手动模式和自动模式两者的模块来产生一组期望的图形的或算出的角膜数据156。如图10所示，例如在手动模式下，用户可以向次图像166添加注释。例如，用户可以绘制对应于用户标识出的翼状细胞的图形点182。自动模式142可以接受用户注释182并且使用这些注释来生成关于手动标识出的细胞的细胞计数、密度或其他计算值。可以在GUI中以表格格式显示手动计数和密度信息。此外，手动信息可被用于与同一感兴趣区域内生成的自动数据相比较。此外，例如翼状细胞的图形表示168和手动注释182都可被覆盖在翼状细胞层的次图像166之上，以提供多层的复合图像。应该理解，类似的手动模式操作可被用于注释和比较免疫细胞和神经结构分析的计算值。如图11所示，具有验证概况表184的形式的GUI可以显示与来自手动模式143的手动测量值和与来自自动模式142的自动测量值相关联的值。表184的部分186提供自动模式和手动模式的比较信息。例如，部分186可以显示自动检测到的细胞和手动标记的细胞的比较、自动检测到的细胞和未手动标记的细胞的比较、以及手动标记的细胞和未检测到的细胞的比较。可以计算灵敏度和特异性以比较手动计数和自动计数。

自动图像处理模式142还包括神经形态测量模块154，用于从角膜图像141生成神经丛的三维（3D）重构。神经形态测量模块154允许用户将角膜图像141的一个子集组装成由体积像素（体素）构成的3D对象。由此组装，可以提取3D神经丛并且可以执行神经测量。如图12所示，可由神经形态测量模块154调用的方法190包括检索在图像选择模块144中标识出的主图像的步骤192。

因为神经具有在从其往后的方向上变化的构造，同一神经的图像在相续角膜图像中是不相同的。眼运动会使得在相续角膜图像中同一神经的标识进一步复杂化。在步骤194，图像对齐处理标识出相续角膜图像中的对应参考点和结构。与主图像相距特定距离（例如，在前4μm和在后4μm）的图像可以与主图像对齐。额外的图像也可以与该在前图像和在后图像对齐。可以对角膜图像141的全部或一个子集执行对齐。可被用于对齐的参考点例如包括神经分叉点、神经端点或免疫细胞。可选地，用户可以介入该对齐处理以手动选择或改变对齐点。对齐步骤194可以在例如少于约10秒的时间内完成。带有关联旋转矩阵数据的经对齐图像可被保存至磁盘。神经形态测量模块154可以提供融合功能以允许用户在对齐处理期间平滑地查看相续图像。可以在对齐处理中提供诸如裁剪工具的进一步的工具，用以移除黑色背景像素（或体素）或删除每张图上的特性。诸如浏览工具的进一步的工具允许用户在显示器中将对齐前和对齐后的角膜图像作为二维视频播放。

在步骤196，通过在主图像之上和之下堆叠经对齐的图像来生成3D对象。例如，可以堆叠五个在前的图像和5个在后的图像以生成3D对象。两部分之间的间隔可由用户定义。在某些实施例中，该3D对象可以在约1秒或更短的时间内被渲染。在某些实施例中，可以用神经重构免疫细胞。虽然可以在3D图像中执行神经检测，但是优选地在主图像中执行免疫细胞标识。正如以下将要讨论的，所述3D对象可以使用3D渲染的一种或多种替换模式来显示。在任一种替换的显示模式中，都可以提供缩放和全景工具。

如图13所示，经堆叠和对齐的图像可被显示为能在3D空间内自由旋转的复合/体积模式图像204。可以使用全像素（或体素）信息（包括透明度）来显示体积模式图像。换句话说，可以使用透射光信息来执行体积渲染。通过控制透明度或不透明度参数（也被称为阿尔法参数），还可以查看3D体积内部。所述不透明度和颜色值可以使用GUI和用户输入进行控制。

如图14所示，经堆叠和对齐的图像可被显示为能在3D空间内自由旋转的等值面模式图像206。在等值面模式中，仅使用具有用户指定值的像素来显示对象。换句话说，所述图像是该物体的表面。在等值面模式中显示的表面通过相连属于同一区域的像素并且使用相邻像素进行插值来定义。

如图15所示，经堆叠和对齐的图像可被显示为能在3D空间内自由旋转的切片模式图像208。该模式允许用户选择要被显示的部分平面。用户可以通过向GUI进行输入来定义切片定向。可以显示一个以上的部分，并且可以规定多个部分之间的距离。

重新参考图12，在步骤198，通过处理对应于在3D重构图像上或在堆叠图像的每幅二维图像上标识出的神经和免疫细胞的体素，执行分段。在步骤200，显示分段神经的3D图形表示。针对所有的渲染模式，可以通过记录3D对象的多个位置并且在相续位置之间进行插值来生成音频视频交织（AVI）文件。AVI格式可以支持编解码器压缩。由此得到动画化的视频文件。在步骤202，计算神经丛3D“骨架”的测量值并且所述测量值可以包括如下的一个或多个：分叉点的数量、分叉的长度、神经的厚度、神经总数、以及分叉的弯曲度。在一个实施例中，弯曲度可被计算为分叉的长度除以该分叉两端之间的欧几里得距离。在某些计算中，可以指定各神经的基底点。用户可以手动选择图像中该骨架的任何分叉，并且在相关测量值网格内可以突出显示带有测量值的对应行，由此向用户提供关于所选分叉的信息。如前针对二维图像所描述的，可以为3D图像生成多个图表、统计、直方图和其他图形形式的信息表示。对于任何二维或三维模块而言，都可以将各种图形形式表示的信息导出至电子数据表、表格或其他与商用电子数据表、字处理、数据库和/或展示软件相兼容且可导入的其他常用格式。

用于分析角膜图像的技术140潜在地具有多种应用。例如，其可被用于评估角膜接触镜佩戴者相比于非佩戴者的免疫细胞反应、使用不同类型透镜护理液的接触镜佩戴者的免疫细胞反应、以及角膜炎、传染病或过敏症患者的免疫细胞反应。技术140还可用于评估患者（大泡性角膜病变患者、用含有防腐剂的滴眼液进行治疗的患者、以及进行性上皮角膜营养不良患者）角膜内的翼状细胞变化。技术140还可用于评估角膜屈光手术后患者体内的角膜变化，或是干眼综合症患者体内的角膜变化。

本文使用的术语“诸如”旨在非限制性地列出示例的可能方案。

本文使用的术语“近似”或“大约”应被一般性地理解为指代一定数值范围内的数值。此外，本文中的所有数值范围应被理解为包括该范围内的每个整数和分数。

虽然已经在此描述了本发明的各种实施例，但是应该理解这些实施例仅以示例性而非限制性的方式提出的。虽然以上描述的方法和步骤指示了以某一次序发生的某些事件，但是阅读了本公开的本领域普通技术人员将会认识到可以对某些步骤的次序进行修改并且这些修改依据的是本发明的变化方案。此外，某些步骤在可能时可以在并行处理中同时执行，也可以如上所述相续执行。因此，本发明的范围不应由任何上述实施例所限制，而是仅应根据所附权利要求及其等效方案来限定。虽然业已参考其特定实施例具体示出并描述了本发明，但是应该理解可以对形式和细节做出各种修改。

Claims (24)

1.一种用于评估角膜的计算机实现的方法，包括：

基于选择规则，从角膜的一系列分层的二维图像中自动地选择角膜的主图像用于量化分析，其中选择主图像包括从所述一系列分层的二维图像中选择具有最主要神经的图像；

基于主图像的属性检测所选择的主图像中的多个角膜结构；以及

通过自动地计算所检测的多个角膜结构中的至少一个角膜结构的量化属性，量化地分析所述主图像，

所述方法还包括从所述角膜的一系列分层的二维图像中选择次图像，并且检测所述次图像中的多个翼状细胞。

2.如权利要求1所述的计算机实现的方法，其中所述一系列分层的二维图像包括所述角膜的一系列分层的共焦显微术图像。

3.如权利要求1所述的计算机实现的方法，其中所述多个角膜结构包括多个神经。

4.如权利要求1所述的计算机实现的方法，其中所述多个角膜结构包括多个免疫细胞。

5.如权利要求1所述的计算机实现的方法，还包括显示所述多个角膜结构的图形表示。

6.如权利要求5所述的计算机实现的方法，还包括接收用户输入以及响应于所述用户输入修改所述多个角膜结构的图形表示。

7.如权利要求1所述的计算机实现的方法，还包括生成所述多个角膜结构中的至少一个的三维视图。

8.如权利要求1所述的计算机实现的方法，还包括从所述角膜的一系列分层的二维图像中选择相对于所述主图像的在前图像和在后图像，并且对齐主图像、在前图像和在后图像中的每幅图像内的公共参考点。

9.一种用于分析在角膜的一系列分层的二维图像中描绘的角膜结构的设备，所述设备包括：

用于基于选择规则，从所述角膜的一系列分层的二维图像中自动地选择角膜的主图像用于量化分析的单元，其中用于选择的单元从所述一系列分层的二维图像中选择具有最主要神经的图像；

用于基于主图像的属性检测所选择的主图像中的多个角膜结构的单元；以及

用于通过自动地计算所检测的多个角膜结构中的至少一个角膜结构的量化属性，量化地分析所述主图像的单元，

所述设备还包括用于从所述一系列分层的二维图像中选择次图像，并且检测所述次图像中的多个翼状细胞的单元。

10.如权利要求9所述的设备，其中所述多个角膜结构包括神经。

11.如权利要求9所述的设备，其中所述多个角膜结构包括免疫细胞。

12.如权利要求9所述的设备，其中选择次图像包括从所述一系列分层的二维图像中选择在所述主图像之前约20μm的图像。

13.如权利要求9所述的设备，还包括用于显示所述多个角膜结构的图形表示的单元。

14.如权利要求9所述的设备，还包括用于生成至少包括所述主图像的三维图像的单元。

15.如权利要求14所述的设备，其中所述三维图像还包括从所述角膜的一系列分层的二维图像中选择的相对于所述主图像的在前图像和在后图像。

16.如权利要求15所述的设备，其中生成三维图像包括对齐主图像、在前图像和在后图像的每幅图像中的公共参考点。

17.一种用于生成角膜的一部分的三维图像的方法，包括：

基于选择规则，从所述角膜的一部分的一系列分层的二维图像中选择角膜的主图像用于量化分析，其中选择主图像包括从所述一系列分层的二维图像中选择具有最主要神经的图像；

从所述角膜的一部分的一系列分层的二维图像中标识出相对于所述主图像的在前图像；

从所述角膜的一部分的一系列分层的二维图像中标识出相对于所述主图像的在后图像；

标识出在主图像、在前图像和在后图像中的每幅图像内可见的角膜特征；

对齐主图像、在前图像和在后图像中的每幅图像内的所述角膜特征；以及

至少使用来自所述角膜的一系列分层的二维图像的主图像、在前图像和在后图像来渲染所述角膜的一部分的三维图像，

所述方法还包括从所述角膜的一部分的一系列分层的二维图像中选择次图像，并且检测所述次图像中的多个翼状细胞。

18.如权利要求17所述的方法，其中渲染三维图像包括在复合/体积模式下渲染所述三维图像。

19.如权利要求17所述的方法，其中渲染三维图像包括在等值面模式下渲染所述三维图像。

20.如权利要求17所述的方法，其中渲染三维图像包括在切片模式下渲染所述三维图像。

21.如权利要求17所述的方法，还包括提供所述角膜的一部分的量化分析。

22.如权利要求17所述的方法，其中所述角膜的一部分包括神经丛。

23.如权利要求22所述的方法，还包括图形地分段所述神经丛中的神经。

24.如权利要求22所述的方法，还包括图形地分段紧邻所述神经丛的免疫细胞。