CN112184576B - 一种光谱域光学相干层析成像中的高反射亮斑增强方法 - Google Patents
一种光谱域光学相干层析成像中的高反射亮斑增强方法 Download PDFInfo
- Publication number
- CN112184576B CN112184576B CN202010978196.7A CN202010978196A CN112184576B CN 112184576 B CN112184576 B CN 112184576B CN 202010978196 A CN202010978196 A CN 202010978196A CN 112184576 B CN112184576 B CN 112184576B
- Authority
- CN
- China
- Prior art keywords
- image
- transformation
- applying
- oct
- histogram
- 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.)
- Active
Links
- 238000012014 optical coherence tomography Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003595 spectral effect Effects 0.000 title claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000012546 transfer Methods 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 230000006835 compression Effects 0.000 abstract description 2
- 238000007906 compression Methods 0.000 abstract description 2
- 238000013506 data mapping Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种光谱域光学相干层析成像中的高反射亮斑增强方法,该方法是利用传递函数(sigmoid)来控制输入图像的范围压缩。将直方图均衡化应用于S形(sigmoid)传递函数的输出图像。对图像进行直方图均衡化和对数变换。同时,用上述两种方法变换域函数,直方图匹配通过数据映射将两个平行过程结合在一起;将逆对数和逆正交应用于映射数据进行数据转换,以获得增强图像。该方法可清晰地增强高反射亮斑,以达到可视性、分割和量化的目的。
Description
技术领域
本发明涉及计算机科学中的医学图像处理领域,具体是一种图像的空间域和变换域组合的方法,更具体的是一种光谱域光学相干层析成像中的高反射亮斑增强方法。
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)中的高反射亮斑增强方法,该方法可以清晰的增强OCT图像的高反射亮斑,以达到可视性、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增强方法,包括如下步骤:
(1)输入图像,将正交变换应用于OCT,采用离散余弦变换(DCT)对光谱域OCT输入图像进行正交变换,通过映射将图像的强度信息转换为正交变换;
(2)将对数变换应用于正交变换的幅度值,创建一个新的矩阵,其中保留了变换后的图像相位,并由变换系数用于相位恢复,得到变换系数模的对数:
式中,为移位系数,设为1;/>(/>)为映射函数,/>为图像强度;/>为输出图像;
(3)将S形传递函数并行应用于光谱域OCT输入图像,然后将直方图均衡化应用到S形传递函数图像的输出中;
式中,为图像的灰度,/>为输入图像的位置,范围为/>;/>为图像的统计信息;/>为增强的像素值;
(4)将DCT的正交变换应用于直方图均衡图像;
(5)将对数变换应用于步骤(4)的正交变换幅度值;
(6)使用直方图映射,映射步骤(2)的输入图像数据,以匹配步骤(5)获得的直方图均衡图像;
(7)将逆对数变换应用于匹配的数据,还原转换后的图像相位;
(8)对逆对数处理的数据应用逆正交变换以生成增强图像,输出图像。
步骤(3)所述表示如下:
式中,被定义为局部平均值,/>是设置为/>的偏移像素值;使用/>滑动窗口,局部平均值如下:
其中,是高斯分布的标准偏差,/>为/>。
本发明的优点是:
(1)改进了高反射亮斑检测的新算法;利用图像的动态范围和对比度在组合空间频域中增强OCT图像中的高反射亮斑;
(2)结合空间频域的新方法,进一步改善高反射亮斑增强操作过程;
(3)图像从高到低的动态范围的映射技术,从而使高反射亮斑的细节变得更加清晰。此外,原始图像可压缩性保持不变,且运算时间较短;
(4)首次提出在OCT图像中增强高反射亮斑的算法,提高OCT图像中高反射亮斑信息的感知度和可解释性,以进行更有效的治疗和疾病监测,同时为医学算法(例如自动高反射亮斑分割)提供更好的数据输入。临床医生和计算机视觉程序员可以利用该算法的成果展开高级图像分析,例如目标(例如,高反射亮斑)检测或统计分析(例如高反射亮斑的量化和测量)。
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,空间变换利用传递函数(sigmoid)来控制输入图像的范围压缩;将直方图均衡化应用于S形(sigmoid)传递函数的输出图像;对图像进行直方图均衡化和对数变换;同时,用上述两种方法变换域函数;直方图匹配是通过数据映射将两个平行过程结合在一起;将逆对数和逆正交应用于映射数据进行数据转换,以获得增强图像。
一种光谱域光学相干层析成像中的高反射亮斑增强的方法,包括如下步骤:
1)输入图像,将正交变换应用于OCT,采用离散余弦变换(DCT)对光谱域OCT输入图像进行正交变换,通过映射将图像的强度信息转换为正交变换;
2)将对数变换应用于正交变换的幅度值。然而,通过对数变换生成的直方图是被压缩的且难以理解。为了解决这个问题,我们创建了一个新的矩阵,其中保留了变换后的图像相位,并由变换系数用于相位恢复,得到了变换系数模的对数:
式中,是移位系数,设为1。为了避免不连续性,在方程中加入了位移系数因子。ln(/>)是映射函数,/>是图像强度;
3)将S形传递函数并行应用于光谱域OCT输入图像:
式中,是图像的灰度,/>是输入图像的位置,范围为/>;/>是图像的统计信息;/>是增强的像素值。另外,/>表示如下:
式中,被定义为局部平均值,/>是设置为/>的偏移像素值。使用/>滑动窗口,局部平均值如下:
其中,是高斯分布的标准偏差。
然后将直方图均衡化应用到S形传递函数图像的输出中;
4)将DCT的正交变换应用于直方图均衡图像;
5)将对数变换应用于步骤4)的正交变换幅度值;
6)使用直方图映射,映射步骤2)的输入图像数据以匹配步骤5)的直方图均衡图像;
7)将逆对数变换应用于匹配的数据。转换后的图像相位在此步骤中得以还原;
8)对逆对数处理的数据应用逆正交变换以生成增强图像,输出图像。
Claims (1)
1.一种光谱域光学相干层析成像中的高反射亮斑增强方法,其特征是:包括如下步骤:
(1)输入图像,将正交变换应用于OCT,采用离散余弦变换DCT对光谱域OCT输入图像进行正交变换,通过映射将图像的强度信息转换为正交变换;
(2)将对数变换应用于正交变换的幅度值,创建一个新的矩阵,其中保留了变换后的图像相位,并由变换系数用于相位恢复,得到变换系数模的对数:
式中,θs为移位系数,设为1;In为映射函数,X(i,j)为图像强度;为输出图像;
(3)将S形传递函数并行应用于光谱域OCT输入图像,然后将直方图均衡化应用到s形传递函数图像的输出中;
式中,τx,y为图像的灰度,(x,y)为输入图像的位置,范围为0≤τx,y≤255;
ρstat为图像的统计信息;Ex,y为增强的像素值;
(4)将DCT的正交变换应用于直方图均衡图像;
(5)将对数变换应用于步骤(4)的正交变换幅度值;
(6)使用直方图映射,映射步骤(2)的输入图像数据,以匹配步骤(5)获得的直方图均衡图像;
(7)将逆对数变换应用于匹配的数据,还原转换后的图像相位;
(8)对逆对数处理的数据应用逆正交变换以生成增强图像,输出图像;
步骤(3)所述ρstat表示如下:
ρstat=(255-k)[γx,y/255]+k
式中,γx,y被定义为局部平均值,k是设置为3的偏移像素值;使用3×3滑动窗口,局部平均值如下:
其中,σ是高斯分布的标准偏差,β为∫∫γx,ydxdy=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978196.7A CN112184576B (zh) | 2020-09-17 | 2020-09-17 | 一种光谱域光学相干层析成像中的高反射亮斑增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978196.7A CN112184576B (zh) | 2020-09-17 | 2020-09-17 | 一种光谱域光学相干层析成像中的高反射亮斑增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184576A CN112184576A (zh) | 2021-01-05 |
CN112184576B true CN112184576B (zh) | 2024-01-19 |
Family
ID=73920778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010978196.7A Active CN112184576B (zh) | 2020-09-17 | 2020-09-17 | 一种光谱域光学相干层析成像中的高反射亮斑增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184576B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
CN107730565A (zh) * | 2017-10-12 | 2018-02-23 | 浙江科技学院 | 一种基于oct图像的材料内在光谱特征提取方法 |
WO2020165196A1 (en) * | 2019-02-14 | 2020-08-20 | Carl Zeiss Meditec Ag | System for oct image translation, ophthalmic image denoising, and neural network therefor |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0110748D0 (en) * | 2001-05-02 | 2001-06-27 | Apical Ltd | Image enhancement methods and apparatus therefor |
-
2020
- 2020-09-17 CN CN202010978196.7A patent/CN112184576B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
CN107730565A (zh) * | 2017-10-12 | 2018-02-23 | 浙江科技学院 | 一种基于oct图像的材料内在光谱特征提取方法 |
WO2020165196A1 (en) * | 2019-02-14 | 2020-08-20 | Carl Zeiss Meditec Ag | System for oct image translation, ophthalmic image denoising, and neural network therefor |
Non-Patent Citations (1)
Title |
---|
Automated Quantification of Hyperreflective Foci in SD-OCT With Diabetic Retinopathy;Idowu Paul Okuwobi等;IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS;第24卷(第4期);1125-1136 * |
Also Published As
Publication number | Publication date |
---|---|
CN112184576A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110461228B (zh) | 使用多对比度和深度学习改进医学图像的质量 | |
JP6367261B2 (ja) | 知識ベース超音波画像強調 | |
Loizou et al. | Quality evaluation of ultrasound imaging in the carotid artery based on normalization and speckle reduction filtering | |
Bottenus et al. | Histogram matching for visual ultrasound image comparison | |
CN109961411B (zh) | 非下采样剪切波变换医学ct图像去噪方法 | |
CN103037769A (zh) | 用于处理图像的方法和设备及采用该设备的医学图像*** | |
CN110101362B (zh) | 一种关于oct和octa的图像噪声去除的方法 | |
JP7123984B2 (ja) | 化合物超音波画像生成の方法及びシステム | |
JP2012524329A (ja) | 多重尺度画像の正規化及び強調 | |
US20170301094A1 (en) | Image compounding based on image information | |
US20240050062A1 (en) | Analyzing apparatus and analyzing method | |
CN112184576B (zh) | 一种光谱域光学相干层析成像中的高反射亮斑增强方法 | |
Resham et al. | Noise reduction, enhancement and classification for sonar images | |
WO2021163307A1 (en) | High-sensitivity and real-time ultrasound blood flow imaging based on adaptive and localized spatiotemporal clutter filtering | |
KR20130064483A (ko) | 의료 영상 처리 방법 및 장치 | |
JP2008178666A (ja) | 画像処理方法及び装置 | |
JP2013509630A (ja) | ハイパースペクトル画像の***パターンを調整する装置と方法。 | |
Khodadadi et al. | Edge-preserving ultrasonic strain imaging with uniform precision | |
CN111242853B (zh) | 基于光流处理的医学ct图像去噪方法 | |
Al-Fahdawi et al. | An automatic corneal subbasal nerve registration system using FFT and phase correlation techniques for an accurate DPN diagnosis | |
KR20070081803A (ko) | 초음파 영상 처리 시스템 및 방법 | |
Chen et al. | Full field optical coherence tomography image denoising using deep learning with spatial compounding | |
JP6838549B2 (ja) | 診断支援装置並びに画像処理方法及びそのプログラム | |
Lin et al. | Ultrasound image compounding based on motion compensation | |
CN112465841A (zh) | 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 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |