CN106934761A - 一种三维非刚性光学相干断层扫描图像的配准方法 - Google Patents
一种三维非刚性光学相干断层扫描图像的配准方法 Download PDFInfo
- Publication number
- CN106934761A CN106934761A CN201710080611.5A CN201710080611A CN106934761A CN 106934761 A CN106934761 A CN 106934761A CN 201710080611 A CN201710080611 A CN 201710080611A CN 106934761 A CN106934761 A CN 106934761A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- registration
- point
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000003287 optical effect Effects 0.000 title claims abstract description 8
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 27
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 22
- 210000001210 retinal vessel Anatomy 0.000 claims abstract description 13
- 239000010410 layer Substances 0.000 claims description 73
- 210000001525 retina Anatomy 0.000 claims description 24
- 230000004256 retinal image Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 12
- 239000011229 interlayer Substances 0.000 claims description 8
- 239000000835 fiber Substances 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000002207 retinal effect Effects 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000012014 optical coherence tomography Methods 0.000 abstract description 32
- 238000011426 transformation method Methods 0.000 abstract 1
- 230000003902 lesion Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 210000003583 retinal pigment epithelium Anatomy 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 208000003098 Ganglion Cysts Diseases 0.000 description 2
- 208000005400 Synovial Cyst Diseases 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000003161 choroid Anatomy 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010029113 Neovascularisation Diseases 0.000 description 1
- 206010029260 Neuroblastoma Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000005081 epithelial layer Anatomy 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000002052 molecular layer Substances 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 210000005157 neural retina Anatomy 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开一种三维非刚性光学相干断层扫描图像的配准方法,步骤为首先对OCT扫描图像进行预处理,包括依次对OCT扫描图像进行OCT去噪、图像分层和图像投影,进而得到视网膜血管的二维投影图像;然后从视网膜血管的二维投影图像中提取血管,得到血管的二维特征点,根据得到的二维特征点返回到三维空间得到三维的特征点;然后基于得到的三维特征点,利用仿射变换进行图像粗配准,最后利用非刚性方法进行图像的精确配准,得到精确配准的图像。本发明将基于灰度的非刚性配准方法与基于特征仿射变换配准方法进行结合,对三维OCT(光学相干断层成像)的扫描图像进行配准,可提高配准结果的精确度和可靠性。
Description
技术领域
本发明涉及图像配准技术领域,特别是对三维OCT(光学相干断层成像)的扫描图像进行配准的三维非刚性光学相干断层扫描图像的配准方法。
背景技术
视网膜是脑部神经组织的延伸,具有复杂的多层次组织结构。SD-OCT技术能提供快速的、高分辨率的、显示视网膜内部分层的三维图像,可为临床眼科医生对疾病的诊断和治疗提供参考和帮助。视网膜OCT图像的配准对临床实践具有重要意义。
目前的视网膜OCT图像配准算法存在以下的缺陷:(1)大部分算法都不是完全意义上的三维配准算法,都是先对某一维或是某两维进行配准,然后再对剩下的维数进行配准,这样做会使得之前得到的配准结果在另外的维度上发生形变。(2)大部分已有的视网膜配准算法都是针对正常视网膜设计的,当视网膜组织由于病变产生较大的形变时,这些算法将失效。
脉络膜新生血管又称视网膜下新生血管,是来自脉络膜毛细血管的增殖血管,通过Bruch膜的裂口而扩展,位于Bruch膜与视网膜色素上皮之间、或神经视网膜与视网膜色素上皮之间、或位于视网膜色素上皮与脉络膜之间增殖形成。目前为止,还没有针对脉络膜新生血管的视网膜OCT图像的三维非刚性配准方法的相关报道。
发明内容
本发明要解决的技术问题为:提供一种三维非刚性光学相干断层扫描图像的配准方法,将基于灰度和基于特征的配准方法进行结合,对三维OCT(光学相干断层成像)的扫描图像进行配准,提高配准结果的精确度和可靠性。
本发明采取的技术方案具体为:一种三维非刚性光学相干断层扫描图像的配准方法,包括步骤:
S1,对OCT扫描图像进行预处理,包括依次对OCT扫描图像进行OCT去噪、图像分层和图像投影,得到视网膜血管的二维投影图像;
S2,从视网膜血管的二维投影图像中提取血管图像;
S3,对提取的血管图像进行二维特征点的提取,根据得到的二维特征点返回到三维空间得到三维特征点;
S4,对固定图像以及待配准图像进行基于特征点的仿射变换,得到粗配准的视网膜图像;
S5,利用基于灰度的非刚性配准方法对粗配准的视网膜图像进行进一步配准,得到精确配准的结果。
进一步的,本发明步骤S1中,对OCT扫描图像的预处理还包括病变区域移除。对于有新生血管疾病的病人,对视网膜图像进行投影,其病变区域会造成非血管的阴影区域,这片区域的灰度值与血管的灰度值非常的接近,在检测血管时,会有误检,所以利用图像处理技术中的数学形态学的方法将这片区域移除,更有利于提取血管点
优选的,本发明步骤S1中,OCT去噪为采用曲线异向扩散滤波方法对视网膜图像进行滤波,以去除散斑噪声,并保留图像的边界。优选的,曲线异向扩散滤波时,滤波参数包括时间步长、迭代次数和传导率,分别选用经验值0.0625秒、5次和3。
优选的,本发明步骤S1中,采用图搜索算法对OCT去燥后的图像进行分层,分为5层,依次为神经纤维层的上边界层、神经纤维层的下边界层、内核层的边界层、内外视网膜的边界层和布鲁赫莫层。现有技术对视网膜图像进行分层时,已经可以分至10层以上,本发明仅根据算法需要从视网膜图像中分出5层。
优选的,本发明步骤S1中,图像投影时,对外层视网膜进行投影,即计算内外视网膜的边界层与布鲁赫莫层的在各位置处的平均灰度值,作为投影图像在相应位置的灰度值,即得到视网膜血管的投影图像。
例如:定义沿三维空间的Y轴对视网膜图像进行分层;即分层后的各层图像沿Y轴排列,同时各层图像之间视网膜图像相应位置的X轴和Z轴坐标不变,仅Y轴坐标变化。在计算坐标为(x,z)的投影图像位置的灰度值I(x,z)时,公式如下:
为方便描述,定义内外视网膜的边界层为第四层,布鲁赫莫层为第五层;上式中,x、y、z表示图像的坐标,y1表示第四层的Y轴坐标,y2表示第五层的Y轴坐标,I表示像素值(灰度值),n表示视网膜图像的(x,z)坐标处第四层到第五层之间的像素个数。当x、z固定时,即可以通过求第四层与第五层之间的平均灰度值得到投影图像。
进一步的,步骤S1还包括对视网膜血管的投影图像进行上采样至512像素×512像素,以便于血管的提取。病变区域的移除设置于图像投影及上采样之后。
本发明步骤S3中,对提取的血管图像进行二维特征点的提取,即提取血管图像中的二维的血管点作为二维特征点。本发明对二维血管图像进行二维特征点的提取为现有技术。
优选的,本发明步骤S3中,根据得到的二维的特征点返回到三维空间,在三维空间里寻找灰度值最大的点即为血管点;同时获取二维特征点返回三维空间后与视网膜各分层的交接点,包括二维特征点分别与上边界层和布鲁赫莫层的交点,所述血管点以及二维特征点与分层的交点组成三维特征点。当已知三维坐标中的两维坐标,在第三维中找取灰度值最大的那个点,找到该点对应的坐标,即得到准确的三维坐标。本发明在寻找灰度值最大点时,采用中值法从多个灰度值较大点中选取坐标在中间的一个。在选择二维特征点与各分层交点进行应用时,实质上,二维特征点与每个分层皆存在交点,但全部选取会影响算法效率,在算法结果上却没有明显进步,故本发明方法仅选取二维特征点返回三维空间后与上边界层和布鲁赫莫层的交点。
有益效果
与现有技术相比,本发明具有以下优点:
(1)对视网膜图像进行三维的配准,以使得配准结果能够适应三维各维度上的形变;
(2)可应用于病变视网膜的图像配准,即使视网膜组织产生较大形变,本发明的配准方法依然具备高有效性,特别适用于脉络膜新生血管的视网膜OCT图像的三维配准。
综上,本发明提供了一种三维OCT图像的配准方,结合了基于的特征的仿射变换和基于灰度的非刚性变换两种技术。在采用本发明之后,使用仿射变换得到的dice系数是0.3左右,使用非刚性变换的dice系数是0.7左右,配准有效性得到了较大的提升,能够大大提高配准图像在后续应用中的数据可靠性。
附图说明
图1所示为本发明方法流程示意图;
图2所示为曲线异向扩散滤波去噪示意图;图2-(a)为原图像,图2-(b)为去噪后图像;
图3所示为图像预处理中除OCT去噪步骤外的其它步骤示意图;图3-(a)为分层后的图像,图3-(b)为投影图像,图3-(c)为移除病变区域之后的图像,图3-(d)为提取血管后的图像,图3-(e)为下采样之后的图像;
图4所示为部分测试数据层手动分割示意图;RNFL-神经纤维层(Retinal nervefiber layer);GCL+IPL-节细胞层和内丛状层(Ganglion cell layer and Innerplexiform layer);INL+OPL-内核层和外丛状层(inner nuclear layer and Outerplexiform layer);ONL-外核层(Outer nuclear layer);IS/OS+RPE-内/外段层和视网膜色素上皮层(inner segment/Outer segment and Retinal pigment epithelium);
图5所示为利用本发明进行图像配准的实施例图像过程变化示意图;图中第1列为参考图像,第2列为待配准图像,第3列为仿射变换的粗配准结果,第4列为非刚性的精确配准结果。
具体实施方式
以下结合附图和具体实施例进一步描述。
参考图1所示,本发明的三维非刚性光学相干断层扫描图像的配准方法,包括步骤:
S1,对OCT扫描图像进行预处理,包括依次对OCT扫描图像进行OCT去噪、图像分层和图像投影,得到视网膜血管的二维投影图像;
S2,从视网膜血管的二维投影图像中提取血管图像;
S3,对提取的血管图像进行二维特征点的提取,根据得到的二维特征点返回到三维空间得到三维特征点;
S4,对固定图像以及待配准图像进行基于特征点的仿射变换,得到粗配准的视网膜图像;
S5,利用基于灰度的非刚性配准方法对粗配准的视网膜图像进行进一步配准,得到精确配准的结果。
实施例
以下分别对各个步骤进行详细说明。
S1,图像预处理
图像预处理主要包括以下四个步骤:OCT去噪、图像的分层、投影图像的获取以及病变区域的移除。
S11,OCT图像去噪:
OCT眼部成像仪获取的三维图像含有较多的散斑噪声,为保证后续分割的效果,必须在有效去除噪声的同时尽可能保留图像中的边缘信息。本发明采用曲线异向扩散滤波方法对视网膜图像进行滤波,可以去掉散斑噪声,并且图像的边界能清晰地保留。
曲线异向扩散滤波方法为现有算法,如孙助力等人提出的曲线异向扩散滤波方法。其中曲线扩散方程为:
其中,f是输入图像即原始图像,ft是去噪后的输出图像,▽是梯度算子,c()是传导率变换函数。该滤波方法在用c++代码实现时涉及三个参数:时间步长,迭代次数和传导率,本发明分别对应取值为0.0625秒,5次,3。去噪后结果如图2所示。
S12,图像分层:
使用图搜索算法将视网膜OCT图像分为5层,第一层是神经纤维层的上边界,结果如图3(a)中红线所示;第二层是神经纤维层的下边界,结果如图3(a)中绿线所示;第三层是内核层的边界,结果如图3(a)中蓝线所示;第四层是内外视网膜的边界,结果如图3(a)中黄线所示;第五层是布鲁赫莫,结果如图3(a)中紫线所示。图搜索算法可采用现有的石霏等人提出的图搜索算法。
S13,投影图像的获取:
对外层视网膜进行投影,即计算第四层与第五层之间的平均灰度值,就可以得到视网膜血管的投影图像。
定义沿三维空间的Y轴对视网膜图像进行分层;即分层后的各层图像沿Y轴排列,同时各层图像之间视网膜图像相应位置的X轴和Z轴坐标不变,仅Y轴坐标变化。在计算坐标为(x,z)的投影图像位置的灰度值I(x,z)时,公式如下:
上式中,x、y、z表示图像的坐标(即图像的大小),y1表示第四层的Y轴坐标,y2表示第五层的Y轴坐标,I(.)函数表示像素值(灰度值),n表示视网膜图像的(x,z)坐标处第四层到第五层之间的像素个数。当x、z固定时,即可以通过求第四层与第五层之间的平均灰度值得到投影图像在坐标为(x,z)位置处的像素灰度值,进而得到全部投影图像。
同理,只要x、y、z中任意两维坐标确定,即可通过另一维变化的坐标,求取两层之间的平均灰度值得到投影图像。
在获得投影图像后,将得到的图像上采样至512×512个像素,可便于血管的提取,结果如图3(b)中所示。
S14,病变区域的移除
对于有新生血管疾病的病人,对视网膜图像进行投影,其病变区域会造成非血管的阴影区域,这片区域的灰度值与血管的灰度值非常的接近,在检测血管时,会有误检,所以本发明利用图像处理技术中的数学形态学方法将这片区域移除,更有利于提取血管点,结果如图3(c)中所示。
S2,血管提取
利用Frangi等人提出的血管增强滤波器进行血管的提取。该算法的原理是利用血管的管状结构来提取血管,将血管增强视为一个滤波的过程,寻找三维数据集中类似管状的图形结构。需要分析一个像素是不是血管,就需要分析他的局部区域的特性,通过分析泰勒展开式中的Hessian矩阵的特征向量和特征值来对血管进行判断,最终实现血管的提取。
S3,特征点提取
因为要进行三维的视网膜图像的配准,所以要提取三维的特征点。通常情况下,因为血液对于光线的吸收,在OCT图像中,血管会出现在高反射区。本发明首先对提取的血管图像提取出二维特征点,即提取血管图像中的二维的血管点作为二维特征点,然后根据得到的二维的特征点返回到三维空间得到三维的特征点。二维特征点的提取为现有技术。
根据得到的二维的特征点返回到三维空间,在三维空间里寻找灰度值最大的点即为血管点;同时获取二维特征点返回三维空间后与视网膜各分层的交接点。本发明仅关注二维特征点分别与第一层(上边界层)和第五层(布鲁赫莫层)的交点。所述血管点以及二维特征点与分层的交点组成三维特征点。
当已知三维坐标中的两维坐标,在第三维中找取灰度值最大的那个点,找到该点对应的坐标,即得到准确的三维坐标。本发明在寻找灰度值最大点时,采用中值法从多个灰度值较大点中选取坐标在中间的一个。在选择二维特征点与各分层交点进行应用时,实质上,二维特征点与每个分层皆存在交点,但全部选取会影响算法效率,在算法结果上却没有明显进步,故本发明方法仅选取二维特征点返回三维空间后与上边界层和布鲁赫莫层的交点。
S4,对固定图像以及待配准图像进行基于特征点的仿射变换,得到粗配准的视网膜图像
本实施例的仿射变换步骤使用的是Myronenko等人提出的相干点漂移算法。在相干点漂移算法中,相干点的其中一个点集表示高斯混合模型的质心,另一个点集表示的是数据集,仿射变换的原理即,采用确定性的模拟退火的EM(最大期望算法,ExpectationMaximization Algorithm)算法对最大似然估计进行最优化,从而找到两个点集的对应关系与仿射变换。仿射变换定义为:
T(ym;R,t,s)=Bym+t (3)
其中BD×D表示仿射变换矩阵,tD×1是平移矢量,ym表示高斯混合模型的质心,R、s为矩阵B中的参数,R为旋转矩阵,S为缩放倍数。
仿射变换目标方程为:
其中中间变量:
上述公式中,D表示两个点集的维数,N表示数据集xn中点的个数,M分别表示点集ym中点的个数,xn表示输入数据集,ym表示高斯混合模型的质心,θ表示一系列变换的参数,在此处即表示B和t。参数k为1至M的整数,参数σ在迭代过程中是变化的,初始值可根据需要设定。ω为权重参数,本发明中ω设置为0。上标old表示由迭代计算得到。
仿射变换算法的实现为:步骤S3中提取出的三维特征点作为仿射变换算法的输入,即ym和xn,其中固定图像的三维特征点的点集作为数据集xn,待配准图像的三维特征点的点集作为高斯混合模型的质心ym。通过EM算法迭代计算出θ和σ2。首先,估计初始参数,利用贝叶斯公式计算后验概率分布,即Pold(m|xn);然后,通过最小化前述仿射变换目标方程来更新参数θ和σ2,得到最终的最小的变换参数BD×D和tD×1。最后根据参数BD×D,tD×1对待配准图像进行变换,得到仿射变换后的粗配准图像。
S5,利用基于灰度的非刚性配准方法对粗配准的视网膜图像进行进一步配准,得到精确配准的结果
由于视网膜的一些变形生长及病变区域的变化,所以仅仅使用仿射变换是不能解决问题的,还需要运用非刚性配准,本实施例运用的是Rueckert等人提出的基于B样条的自由变换模型,它是基于灰度的非刚性配准的重要手段。
基于B样条的自由变换模型在应用时,只要是使用样条函数和控制点来描述非线性几何变换域,将位于样条函数栅格上的控制点赋值,当这些控制点产生空间位移的时候,样条函数被弯曲,那么控制点周围的图像空间也会随着样条函数的弯曲而产生不同程度的扭曲。由于限制了节点位移的大小,一层固定网格间距的B样条模型就不能完成大规模形变,所以使用了多层次的B样条模型。
在三维空间域中,图像区域表示为Ω={(x,y,z)|0≤x<X,0≤y<Y,0≤z<Z},(x,y,z)代表组成图像的各点的坐标,X、Y、Z代表坐标大小;Φ是图像域Ω中的一组点集,由等间距为δ的控制点φi,j,k组成,等间距为δ的控制点φi,j,k构成nx×ny×nz的网格,控制点φi,j,k即网格中的交点,nx、ny、nz代表网格的尺寸;
则基于B样条函数的自由形变可描述为一阶三次B样条函数的张量积T:
其中中间变量:
βi(.)为第i次B样条的基函数,i即式(7)中的l、m、n,取值为0,1,2,3:
这样就将配准问题转化为三次B样条的局部控制问题,这里三次B样条基函数每个控制点φi,j,k的作用范围在周围的两个像素点之间,只要计算出固定图像以及待配准图像的对应点周围领域的相似性测度即可得到最终的精确配准图像。
方法验证
利用本发明在3个有脉络膜新生血管疾病的病人的12个数据上进行实验。在这三个病人在接受药物治疗的过程中,每隔一个月采集一次数据,一共采集了5次,所以每个病人有五个时间点,即每个病人有5个OCT数据,一个OCT数据的大小为512像素×1024像素×128像素。其中第一次采集的数据作为固定图像,其它4次作为待配准图像,每人利用本发明进行4次配准。在该方法中,每个病人第一次采集的图像作为固定图像,其余剩下的数据作为待配准图像。部分实验结果如图5所示,图5中第一列是固定图像,第二列是待配准图像,第三列是仿射变换之后的粗配准结果,第四列是非刚性变换之后的精确配准的结果。
采用视网膜各层的dice系数dk来评判配准的结果。dice系数的公式表示为:
其中TK是待配准图像的第k层视网膜层的所有像素点,Sk是固定图像的第k层视网膜层的所有像素点。
dice系数越接近1,说明两个图像的重合度越高,即配准更有效,0就表示完全没有重合。
采用本发明之后,使用仿射变换得到的dice系数是0.3左右,进一步使用非刚性变换后的dice系数是0.7左右,得到了较大的提升。本发明不仅在dice系数上游较大的提升,而且图像的一些局部区域也得到很好的配准。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种三维非刚性光学相干断层扫描图像的配准方法,其特征是,包括步骤:
S1,对OCT扫描图像进行预处理,包括依次对OCT扫描图像进行OCT去噪、图像分层和图像投影,得到视网膜血管的二维投影图像;
S2,从视网膜血管的二维投影图像中提取血管图像;
S3,对提取的血管图像进行二维特征点的提取,根据得到的二维特征点返回到三维空间得到三维特征点;
S4,对固定图像以及待配准图像进行基于特征点的仿射变换,得到粗配准的视网膜图像;
S5,利用基于灰度的非刚性配准方法对粗配准的视网膜图像进行进一步配准,得到精确配准的结果。
2.根据权利要求1所述的方法,其特征是,步骤S1中,对OCT扫描图像的预处理还包括病变区域移除。
3.根据权利要求1所述的方法,其特征是,步骤S1中,OCT去噪为采用曲线异向扩散滤波方法对视网膜图像进行滤波,以去除散斑噪声,并保留图像的边界。
4.根据权利要求3所述的方法,其特征是,曲线异向扩散滤波时,滤波参数包括时间步长、迭代次数和传导率,分别选用经验值0.0625秒、5次和3。
5.根据权利要求1所述的方法,其特征是,步骤S1中,采用图搜索算法对OCT去噪后的图像进行分层,分为5层,依次为神经纤维层的上边界层、神经纤维层的下边界层、内核层的边界层、内外视网膜的边界层和布鲁赫莫层。
6.根据权利要求1所述的方法,其特征是,步骤S1中,图像投影时,对外层视网膜进行投影,即计算内外视网膜的边界层与布鲁赫莫层的在各位置处的平均灰度值,作为投影图像在相应位置的灰度值,即得到视网膜血管的投影图像。
7.根据权利要求6所述的方法,其特征是,步骤S1还包括对视网膜血管的投影图像进行上采样至512×512个像素。
8.根据权利要求1所述的方法,其特征是,步骤S3中,根据得到的二维的特征点返回到三维空间,在三维空间里寻找灰度值最大的点即为血管点;同时获取二维特征点返回三维空间后与视网膜各分层的交接点,包括二维特征点分别与上边界层和布鲁赫莫层的交点,所述血管点以及二维特征点与分层的交点组成三维特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710080611.5A CN106934761A (zh) | 2017-02-15 | 2017-02-15 | 一种三维非刚性光学相干断层扫描图像的配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710080611.5A CN106934761A (zh) | 2017-02-15 | 2017-02-15 | 一种三维非刚性光学相干断层扫描图像的配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106934761A true CN106934761A (zh) | 2017-07-07 |
Family
ID=59424013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710080611.5A Pending CN106934761A (zh) | 2017-02-15 | 2017-02-15 | 一种三维非刚性光学相干断层扫描图像的配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934761A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507234A (zh) * | 2017-08-29 | 2017-12-22 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
CN108257126A (zh) * | 2018-01-25 | 2018-07-06 | 苏州大学 | 三维视网膜oct图像的血管检测和配准方法、设备及应用 |
CN108918271A (zh) * | 2018-09-11 | 2018-11-30 | 苏州大学 | 基于显微光学数字散斑法的杨氏模量测量方法 |
CN108986084A (zh) * | 2018-06-28 | 2018-12-11 | 中山大学 | 一种新型oct图像显示方法 |
CN109993730A (zh) * | 2019-03-20 | 2019-07-09 | 北京理工大学 | 3d/2d血管配准方法及装置 |
CN110060258A (zh) * | 2019-03-27 | 2019-07-26 | 山东师范大学 | 基于高斯混合模型聚类的视网膜水肿sd-oct图像分割方法和*** |
WO2020140380A1 (zh) * | 2018-12-30 | 2020-07-09 | 苏州大学 | 一种光学相干断层扫描图像的快速分割方法及装置 |
CN111493832A (zh) * | 2020-04-24 | 2020-08-07 | 天津恒宇医疗科技有限公司 | 一种基于En face-OCT的内窥成像方法 |
CN111710012A (zh) * | 2020-06-12 | 2020-09-25 | 浙江大学 | 一种基于两维复合配准的octa成像方法与装置 |
CN111862114A (zh) * | 2020-07-10 | 2020-10-30 | 温州医科大学 | 一种基于光学相干断层扫描***的脉络膜三维血管成像及定量化分析方法与装置 |
CN112150524A (zh) * | 2020-09-29 | 2020-12-29 | 武汉大学 | 一种基于深度学习的二维和三维医学图像配准方法和*** |
CN113066067A (zh) * | 2021-03-30 | 2021-07-02 | 复旦大学附属眼耳鼻喉科医院 | 一种基于眼科视网膜oct图像的定量检测方法 |
CN114343565A (zh) * | 2021-11-30 | 2022-04-15 | 图湃(北京)医疗科技有限公司 | 一种光学相干层析视网膜图像校正方法及装置 |
CN116012526A (zh) * | 2022-12-15 | 2023-04-25 | 杭州医策科技有限公司 | 一种基于二维影像的三维ct影像病灶重建方法 |
CN116128936A (zh) * | 2023-02-15 | 2023-05-16 | 北京纳通医用机器人科技有限公司 | 配准方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574374A (zh) * | 2014-12-23 | 2015-04-29 | 苏州大学 | 视网膜浆液性色素上皮层脱离的自动分割方法 |
CN105488350A (zh) * | 2015-12-02 | 2016-04-13 | 苏州大学 | 基于反应扩散模型的三维脉络膜新生血管生长预测方法 |
CN105748041A (zh) * | 2016-02-15 | 2016-07-13 | 苏州大学 | 光学相干断层扫描成像中散斑噪声的抑制***和方法 |
-
2017
- 2017-02-15 CN CN201710080611.5A patent/CN106934761A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574374A (zh) * | 2014-12-23 | 2015-04-29 | 苏州大学 | 视网膜浆液性色素上皮层脱离的自动分割方法 |
CN105488350A (zh) * | 2015-12-02 | 2016-04-13 | 苏州大学 | 基于反应扩散模型的三维脉络膜新生血管生长预测方法 |
CN105748041A (zh) * | 2016-02-15 | 2016-07-13 | 苏州大学 | 光学相干断层扫描成像中散斑噪声的抑制***和方法 |
Non-Patent Citations (6)
Title |
---|
ANDRIY MYRONENKO等: "Point Set Registration: Coherent Point Drift", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
D.RUECKERT等: "Nonrigid Registration Using Free-Form Deformations: Application to Breast MR Images", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
JING WU等: "Stable registration of pathological 3D-OCT scans using retinal vessels", 《PROCEEDINGS OF THE OPHTHALMIC MEDICAL IMAGE ANALYSIS INTERNATIONAL WORKSHOP》 * |
MEINDERT NIEMEIJER等: "Vessel Segmentation in 3D Spectral OCT Scans of the Retina", 《PROCEEDINGS OF SPIE》 * |
孙助力: "基于OCT的视网膜浆液性色素上皮层脱离的自动分割", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
赵宗贵等: "《信息融合概念、方法与应用》", 30 November 2012, 国防工业出版社 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507234B (zh) * | 2017-08-29 | 2019-11-01 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
CN107507234A (zh) * | 2017-08-29 | 2017-12-22 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
CN108257126A (zh) * | 2018-01-25 | 2018-07-06 | 苏州大学 | 三维视网膜oct图像的血管检测和配准方法、设备及应用 |
CN108257126B (zh) * | 2018-01-25 | 2022-06-24 | 苏州大学 | 三维视网膜oct图像的血管检测和配准方法、设备及应用 |
CN108986084B (zh) * | 2018-06-28 | 2022-04-19 | 中山大学 | 一种新型oct图像显示方法 |
CN108986084A (zh) * | 2018-06-28 | 2018-12-11 | 中山大学 | 一种新型oct图像显示方法 |
CN108918271A (zh) * | 2018-09-11 | 2018-11-30 | 苏州大学 | 基于显微光学数字散斑法的杨氏模量测量方法 |
WO2020140380A1 (zh) * | 2018-12-30 | 2020-07-09 | 苏州大学 | 一种光学相干断层扫描图像的快速分割方法及装置 |
US11232571B2 (en) | 2018-12-30 | 2022-01-25 | Soochow University | Method and device for quick segmentation of optical coherence tomography image |
CN109993730A (zh) * | 2019-03-20 | 2019-07-09 | 北京理工大学 | 3d/2d血管配准方法及装置 |
CN109993730B (zh) * | 2019-03-20 | 2021-03-30 | 北京理工大学 | 3d/2d血管配准方法及装置 |
CN110060258A (zh) * | 2019-03-27 | 2019-07-26 | 山东师范大学 | 基于高斯混合模型聚类的视网膜水肿sd-oct图像分割方法和*** |
CN110060258B (zh) * | 2019-03-27 | 2021-05-04 | 山东师范大学 | 基于高斯混合模型聚类的视网膜sd-oct图像分割方法和装置 |
CN111493832A (zh) * | 2020-04-24 | 2020-08-07 | 天津恒宇医疗科技有限公司 | 一种基于En face-OCT的内窥成像方法 |
CN111710012A (zh) * | 2020-06-12 | 2020-09-25 | 浙江大学 | 一种基于两维复合配准的octa成像方法与装置 |
CN111710012B (zh) * | 2020-06-12 | 2023-04-14 | 浙江大学 | 一种基于两维复合配准的octa成像方法与装置 |
CN111862114A (zh) * | 2020-07-10 | 2020-10-30 | 温州医科大学 | 一种基于光学相干断层扫描***的脉络膜三维血管成像及定量化分析方法与装置 |
CN112150524B (zh) * | 2020-09-29 | 2022-03-11 | 武汉大学 | 一种基于深度学习的二维和三维医学图像配准方法和*** |
CN112150524A (zh) * | 2020-09-29 | 2020-12-29 | 武汉大学 | 一种基于深度学习的二维和三维医学图像配准方法和*** |
CN113066067A (zh) * | 2021-03-30 | 2021-07-02 | 复旦大学附属眼耳鼻喉科医院 | 一种基于眼科视网膜oct图像的定量检测方法 |
CN114343565A (zh) * | 2021-11-30 | 2022-04-15 | 图湃(北京)医疗科技有限公司 | 一种光学相干层析视网膜图像校正方法及装置 |
CN114343565B (zh) * | 2021-11-30 | 2022-10-11 | 图湃(北京)医疗科技有限公司 | 一种光学相干层析视网膜图像校正方法及装置 |
CN116012526A (zh) * | 2022-12-15 | 2023-04-25 | 杭州医策科技有限公司 | 一种基于二维影像的三维ct影像病灶重建方法 |
CN116012526B (zh) * | 2022-12-15 | 2024-02-09 | 杭州医策科技有限公司 | 一种基于二维影像的三维ct影像病灶重建方法 |
CN116128936A (zh) * | 2023-02-15 | 2023-05-16 | 北京纳通医用机器人科技有限公司 | 配准方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934761A (zh) | 一种三维非刚性光学相干断层扫描图像的配准方法 | |
Yin et al. | User-guided segmentation for volumetric retinal optical coherence tomography images | |
CN110390650B (zh) | 基于密集连接和生成对抗网络的oct图像去噪方法 | |
Abràmoff et al. | Retinal imaging and image analysis | |
Zhao et al. | Saliency driven vasculature segmentation with infinite perimeter active contour model | |
Kajić et al. | Automated three-dimensional choroidal vessel segmentation of 3D 1060 nm OCT retinal data | |
CN106447708A (zh) | 一种oct眼底图像数据配准方法 | |
Li et al. | Registration of OCT fundus images with color fundus photographs based on blood vessel ridges | |
CN103679801B (zh) | 一种基于多视角x光片的心血管三维重建方法 | |
CN109559292A (zh) | 基于卷积稀疏表示的多模态图像融合方法 | |
CN110288582A (zh) | 一种细胞核的准确分割方法 | |
CN107909588A (zh) | 基于三维全卷积神经网络的mri皮质下分区*** | |
Li et al. | Automatic montage of SD-OCT data sets | |
Zhu et al. | Digital image processing for ophthalmology: Detection of the optic nerve head | |
Manakov et al. | Noise as domain shift: Denoising medical images by unpaired image translation | |
Ouyang et al. | Accurate tissue interface segmentation via adversarial pre-segmentation of anterior segment OCT images | |
Hu et al. | Optic cup segmentation from fundus images for glaucoma diagnosis | |
CN112102385A (zh) | 一种基于深度学习的多模态肝脏磁共振影像配准*** | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
CN115760586A (zh) | 一种基于多尺度注意力生成对抗网络的医学图像增强方法 | |
Lang et al. | Combined registration and motion correction of longitudinal retinal OCT data | |
US20170098311A1 (en) | Graph search using non-euclidean deformed graph | |
CN114170150A (zh) | 基于曲率损失函数的视网膜渗出液全自动分割方法 | |
Li et al. | Integrating handcrafted and deep features for optical coherence tomography based retinal disease classification | |
Wu et al. | Noise reduction for SD-OCT using a structure-preserving domain transfer approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170707 |