论文部分内容阅读
摘要：光学相干断层扫描(Optical Coherence Tomography, OCT)以无创的形式对视网膜的结构进行检测,可得到高分辨率的图像。由于不同的疾病可能会导致视网膜的生理层发生变化,而视网膜OCT图像中高噪声的存在使各个视网膜生理层的准确分割难以实现。目前,现有的视网膜OCT图像三维分割方法较少,算法过于简单,易受噪声的影响,分割得到的边界位置不准确。因此,有必要研究抗噪能力强、分割准确的视网膜OCT图像三维分割方法,为眼科疾病的早期诊断提供重要依据。本文总结了基于视网膜OCT图像特征的分割方法的实现流程,研究了视网膜OCT图像分割方法中的典型方法,实现了视网膜OCT图像的分割,开展了OCT图像分割实验。结果表明,典型方法可以得到6层界面,但在中心凹区域存在分割失败的现象,仅能得到3层界面。这种典型方法算法简单,运算速度快,但其准确率不高,得到的分割面较少。针对现有的视网膜OCT图像三维分割方法无法得到准确的多层分割面的问题,提出了一种基于模糊C均值聚类(fuzzy c-means,FCM)算法和期望最大化(expectation maximization, EM)算法的视网膜OCT图像分割方法。首先,运用FCM对噪声原图进行模糊聚类,得到内界膜(inner limiting menbrane, ILM)、内外节层(inner/outer segment, IS/OS)和色素上皮层(retinal pigment epithelium, RPE)的边界位置。然后,对提取得到的视网膜区域进行各向异性扩散滤波,并使用EM算法进行分类,结合图像的梯度变化进行分割。最后,得到视网膜的神经纤维层(nerve fibre layer, NFL)、内核层(inner nuclear layer, INL)、外丛状层(outer plexiform layer, OPL)和感光层(photoreceptor layer, PL)的准确位置。对含有噪声的299张OCT图像(视网膜的三维图像数据)进行了分割实验,结果表明,本文方法可以得到上述七个边界的准确位置和视网膜的厚度,且不受散斑噪声与邻近层的影响。通过与现有的三维分割方法对比,本文方法在保持运算速度的同时,提高了分割结果的准确率。