[发明专利]基于结构随机森林模型的相干光断层图像的层分割方法

说明书

本发明公开了一种基于结构随机森林模型的相干光断层图像的层分割方法，包括步骤：S1、图像预处理：对输入图像进行像素值转化和去噪处理；S2、特征提取：先提取手工特征，再训练一个残差网络提取深度特征，然后整合手工特征和深度特征；S3、通过结构随机森林获取层轮廓的概率图：使用训练图像集中数据训练能预测层轮廓的结构随机森林，然后预测测试图像中的层轮廓的概率图；S4、利用最短路径进行层分割：利用最短路径获得具体的层边界位置。该方法结合深度特征和手工特征的优点，手工特征和深度特征的组合可以训练一个更高效的随机结构森林，使得分割性能得到加强；该方法可以分割正常的视网膜图像，也可以分割病变的视网膜图像，具有较高的灵活性和适应性。

技术领域

本发明涉及相干光断层图像处理技术领域，特别是涉及一种基于结构随机森林模型的相干光断层图像的层分割方法。

背景技术

光学相干断层扫描成像技术(Optical Coherence Tomography,OCT)在眼科中是一种重要的非侵入性的成像方式。时域OCT(TD-OCT)是第一代OCT技术，每秒可获得400张A扫描图，轴向分辨率范围为8到10微米。当前商用的OCT技术是谱域OCT(SD-OCT)，成像速度比时域OCT快10到100倍，轴向分辨率范围为3到7微米，可以获取视网膜和角膜的切面信息，由于成像速度快，分辨率高，谱域OCT早期用于疾病的诊断和预测。

如图6所示，视网膜的层结构依次为：Vitreous(玻璃体)、NFL(神经纤维层)、GCL+IPL(神经节细胞层和内丛状层)、INL(内核层)、OPL(外丛状层)、ONL-ISM(外核层和内段骨髓)、ISE(内段椭球)、OS+RPE(光感受器外节和视网膜色素上皮)和Choroid(脉络膜)。层分割是眼科疾病诊断的关键步骤，许多眼科疾病会导致视网膜层在解剖学上的变化，如年龄相关性黄斑病变(AMD)，斯特格病变(SD)，视网膜色素病变(RP)和糖尿病黄斑水肿(DME)，这也使得视网膜层分割非常困难。手工分割已经应用在许多OCT研究中。然而，手工分割是一个耗时的过程，并且具有很强的主观性。为了解决这个问题，相关研究人员已经提出了许多层分割方法，如主动轮廓方法、水平集方法、动态规划方法和图割方法。近来，越来越多的基于机器学习的方法被提出，其中，基于动态规划和基于机器学习的方法已经得到广泛应用。Chiu提出了一种基于最短路径的自动层分割方法，Karri针对视网膜图像中特定层边缘检测提出一种结构化学习算法，增强了传统的基于图的层分割效果。然而，所有这些方法仅利用手工提取的特征，对于许多情况不适合，例如形变与噪声。

近年来，深度学习(DL)在许多低层次和高层次的计算机视觉(CV)任务中都取得了巨大的成功，如图像去噪、图像分类、图像分割、目标检测与识别，也被用于医学图像处理。深度特征取代手工特征(像HOG与SIFT)的趋势已经出现，于是将深度学习技术引入到OCT图像的层分割是合理且可行的。Fang通过卷积神经网络(CNN)将图搜索算法应用到概率输出中，从而提出一种视网膜的九层分割方法。ReLayNet是一种类似完全卷积网络的U-net，可以用于点对点训练中的层分割。研究表明手工提取特征和深度特征是互补的，两者结合在一起通常得到更好的结果，其中网络的深度是一个关键的参数，随着梯度的增加，会出现梯度消失和爆炸的问题，妨碍收敛。He提出一种残差学习框架加快网络的训练，实质上比其他网络更深。

通常，OCT B扫描图包含噪声，不同层之间的区分度不高；并且，形变区域会使得手工特征提取困难。

发明内容

本发明为了克服以上技术的不足，提供了一种基于结构随机森林模型的相干光断层图像的层分割方法。

术语解释：

1、SGD：Stochastic Gradient Descent，指随机梯度下降算法。

2、BM3D算法：三维块匹配算法。

本发明克服其技术问题所采用的技术方案是：