论文部分内容阅读
光学相干断层成像(OCT)能够快速获得视网膜微观结构图像,是疾病治疗效果和随诊观察的客观指标,如发现眼底的微小病变、判断疾病的病理改变。由于眼底视网膜OCT图像存在独有的组织复杂性和模糊性,临床上依赖于经验丰富的医师进行人工判断。随着信息科学的发展,计算机图像处理与分析技术已被应用于OCT图像,为视网膜疾病诊断带来便利,促进了医疗行业发展。本文以眼底OCT图像为研究对象,借鉴医生的分析过程,最终提出了一套基于眼底OCT影像的视网膜状态自动分析理论框架,包括正常视网膜参考模型的定义和建立、量化特征提取和异常辅助诊断,为计算机在线、远程诊断技术的实际应用奠定坚实的基础。本文的主要研究工作如下:1)提出基于视网膜分层的正常视网膜参考模型定义和建立方法眼科专家通过OCT图像观察视网膜特征和形态上的变化。由病态引起的视网膜组织形态变化会直接影响到视网膜相应组织层的形态及位置,而视网膜组织层边界可以表现出其形态的变化。针对采用单一结构元素无法实现多种形态目标的提取,和传统形态学结构元素形态单调固定的问题,本文提出了一种新型的免疫遗传形态算子(IGM),通过对OCT图像进行边缘检测滤波,实现了视网膜组织层边界的提取。该方法利用免疫遗传算法来构建自适应形态学结构元素,能够更好的表达图像本身特征信息。正常视网膜形态是做出医学诊断的参考基准,本文通过视网膜边界提取与统计建模方法来构建具有一定普适性的正常视网膜参考模型来表征正常视网膜形态。通过比较OCT仪器特征数值与参考模型量化数值,表明了参考模型的有效性。2)提出基于正常视网膜参考模型的视网膜量化特征提取方法针对OCT仪器仅能提供少量数值特征和现有计算机分析限定于几种特定眼底病,不具备普适性的不足,以及纹理特征择优提取问题,提出一种视网膜特征整定提取方法。该方法首先通过整合比较多种纹理特征与机器学习方法组合在视网膜图像分类中的准确性,验证并提取了具有高效率的纹理特征,用于后续研究中集成分类器的构建。其次,针对视网膜形状特征,该方法基于正常视网膜参考模型与医生临床诊断过程中关注的视网膜形态变化,提取生成了 一系列适用于计算机量化表示的视网膜形状特征,实验结果表明,参考模型量化特征除了可以为医生提供正常视网膜形状特征参考数值,还可以对比分析异常图像中病变发生的位置及严重程度,为后续异常判断提供基础。3)提出基于医生临床观察分析流程的计算机辅助诊断方法针对人工分析结果非常依靠医生的个人知识和经验这一现状,在实现视网膜分层与计算机特征量化的基础上,参考医生观察分析OCT图像中眼底视网膜状态的过程,提出一种以OCT图像为研究对象的眼底视网膜辅助诊断方法。首先,基于视网膜纹理特征整定验证结果构建集成分类器,实现视网膜图像快速筛查和异常视网膜图像分类。其次,针对鲜有关于病变发生位置及严重程度判断的研究问题,基于视网膜的几何特征和形态特征,设计不同异常等级划分决策,实现了对图像异常位置及异常程度的判断。最后,通过设计计算机辅助诊断系统,集成图像处理,特征量化,自动诊断,报告生成多个模块,实现对视网膜OCT图像的自动分析,为眼底疾病诊断提供参考。