[发明专利]一种基于时间序列SD-OCT视网膜图像的GA自动分割方法

说明书

本发明公开了一种基于时间序列SD‑OCT视网膜图像的GA自动分割方法，包括以下步骤：首先采集对象I的初始三维SD‑OCT视网膜图像A，并对三维SD‑OCT视网膜图像A进行图像处理，建立GA分割模型；然后采集某一时刻对象I的待分割GA的三维SD‑OCT视网膜图像B，并对三维SD‑OCT视网膜图像B进行上一步所述的图像处理，然后通过上一步建立的GA分割模型对三维SD‑OCT视网膜图像B进行GA分割。本发明能够在短时间内训练少量样本的情况下自动分割出GA，GA分割效率高、稳定性和鲁棒性好，对后续GA定量分析具有重要意义。

技术领域

本发明属于目标分割领域，特别涉及一种基于时间序列SD-OCT视网膜图像的GA自动分割方法。

背景技术

SD-OCT视网膜图像是一种频域光学相干断层成像图像，它可以有效地呈现视网膜组织层的灰度和结构等变化，临床实验表明SD-OCT图像能够用于测量地图状萎缩(GA)的范围。由于在SD-OCT图像中GA的范围需要大量的人工手动标注，非常耗时，因此需要一种自动分割GA的方法来快速有效的判断GA的范围。现有的GA分割方法主要是基于二维限制投影图像，通过迭代阈值分割方法和强度分布集来估计GA区域；或者在三维SD-OCT图像中通过构建具有深度神经网络的投票系统来自动分割GA。近几年主要出现了如下两种GA自动分割方法：

(1)基于二维限制投影图像分割的方法。该方法通过将三维SD-OCT图像限制投影生成二维图像，通过迭代阈值分割方法和强度分布集来估计GA区域，该方法没有排除在三维图像中所限制区域内与GA亮度相似的区域，因此在二维投影图像中对GA的分割造成了影响。

(2)基于深度神经网络的分割的方法。该方法使用具有投票决策策略的VGG16卷积神经网络作为用于GA分割的深度学习模型，但该方法需要大量的训练样本，而且在投票之前需要训练10个深度神经网络模型，非常耗时，不利于医生在少量数据及短时间内判断GA的范围。

综上，现有的GA自动分割方法没有考虑与GA相似区域的影响以及需要在少量数据和短时间内完成GA分割的情况，导致GA的自动分割准确率和效率不高。

发明内容

本发明的目的在于提供一种基于时间序列SD-OCT视网膜图像的GA自动分割方法。

实现本发明目的的技术解决方案为：一种基于时间序列SD-OCT视网膜图像的GA自动分割方法，包括以下步骤：

步骤1、采集对象I的初始三维SD-OCT视网膜图像A，并对三维SD-OCT视网膜图像A进行图像处理，建立GA分割模型；

步骤2、采集某一时刻对象I的待分割GA的三维SD-OCT视网膜图像B，然后对三维SD-OCT视网膜图像B进行步骤1所述的图像处理，并通过步骤1建立的GA分割模型对待分割GA的三维SD-OCT视网膜图像B进行GA分割。

本发明与现有技术相比，其显著优点：1)本发明的方法充分利用了不同时间三维SD-OCT视网膜图像的GA的相关性，依据目标跟踪的思想提高了GA自动分割的准确率和效率；2)本发明的方法考虑了与GA相似区域的影响，重新获取训练样本的过程使得GA特征在图像中更加显著，避免了三维SD-OCT视网膜图像在采集过程中位置偏移对分割结果产生影响，分割结果更加准确；3)本发明的方法只需少量训练数据即可以在短时间内准确分割出GA，分割速度快，效率高。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明基于时间序列SD-OCT视网膜图像的GA自动分割方法的流程图。

图2为本发明中图像处理的流程图。

图3为本发明中获取B-SCAN图像感兴趣区域的流程图。

图4为本发明中获取训练样本的流程图。