论文部分内容阅读
光学相干断层成像(Optical coherence tomography,OCT)是一种光学成像技术,具有非接触性、无创性等优点。自发明以来被广泛应用于多种疾病的治疗当中,尤其在眼部视网膜组织的成像方面。OCT是唯一提供视网膜组织深度分辨信息的方法,该技术可以在几秒内提供视网膜层和脉络膜层的三维图像,并具有较高的分辨率。随着频域OCT(Fourier-domain OCT)的发明并取代时域OCT(time-domain OCT),使得OCT的成像质量和应用范围有了更进一步的提高。在此基础上,2012年,Yali Jia教授提出了分光谱幅度去相关血管造影(Split-spectrum amplitude-decorrelation angiography,SSADA)技术,结构OCT图像与血流图像可以同时获得。使医生更容易的联系视网膜结构病变与血管病变之间的关系。要想获取高质量的视网膜病变区域图像,除了提高OCT系统得扫描精度,OCT和OCTA图像的后期处理同样是重要的方法。在OCT图像中,外视网膜具有四个标志性的高反射带:外界膜(External Limiting Membrane,ELM)、椭圆体带(Ellipsoid Zone,EZ)、交错带(Interdigitation Zone,IZ)和视网膜色素上皮层(Retinal Pigment Epithelium,RPE)。其中椭圆体带是光感受器所在的重要区域,是最适合评估光感受器损伤的结构。椭圆体带的完整性在预测各种视网膜状况下的视力结果尤其有用。椭圆体带损伤的检测与分割对于医生判断疾病,预测进展情况具有较大的帮助。但是由于医生的判断具有很强的主观性,由于手工勾画椭圆体带损伤较为困难,对于计算机自动分割椭圆体带损伤需求就比较迫切。对病变区域的自动分割可以更加客观地得到结果并进行一系列的量化分析,可以更好的辅助医生进行精确的判断。基于分割在椭圆体带区域的迫切需求,我们分别进行了三个方面的研究并取得了一定的成果。第一,我们运用传统模糊C均值聚类技术在糖尿病视网膜病变(Diabetic Retinopathy,DR)疾病中进行椭圆体带缺失检测。此方法在像素层面分配了属于健康还是损伤类别的模糊概率值,颜色图显示了损伤的严重程度。第二,我们运用机器学习在无脉络膜症(Choroideremia)疾病中进行椭圆体带存留区域检测。在此项工作中我们主要利用随机森林分类器进行机器学习,针对疾病的特点和图像特征,选择了12个特征来进行学习。结果显示与手工结果相比较具有较高的准确度。第三是利用CNN卷积神经网络在遗传性视网膜色素变性(Inherited retinal degenerations,IRDS)疾病中进行椭圆体带存留区域检测。此项工作中,感兴趣区域被切成小块,并进行CNN的训练,得了良好的效果。