本發(fā)明涉及光學(xué)成像技術(shù)領(lǐng)域，尤其涉及一種從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法及其系統(tǒng)。

背景技術(shù)：

光學(xué)相干斷層成像(Optical Coherence Tomography,OCT)是一種對成像表面組織結(jié)構(gòu)無損的光學(xué)信號獲取和處理方法。近些年來，OCT已經(jīng)成為一種主要的視網(wǎng)膜疾病診斷技術(shù)。

對于視網(wǎng)膜的病變診斷來說，醫(yī)生們需要實(shí)時(shí)的對正常和病變視網(wǎng)膜圖像進(jìn)行分割，識別和診斷。OCT能獲得比其他成像手段比如超聲，X光，磁共振成像更高的空間分辨率(幾微米)，因此近年來獲得廣泛關(guān)注。

由于對視網(wǎng)膜的不同層進(jìn)行量化分析可以幫助診斷視功能改變并幫助醫(yī)生對青光眼、老年性黃斑變性、I型糖尿病、多發(fā)性硬化癥、阿爾茨海默癥及帕金森病進(jìn)行診斷，因此，在保證速度和精度的前提下，對視網(wǎng)膜的不同層的厚度進(jìn)行量化分析具有重要的意義。有人利用圖割方法分割視網(wǎng)膜，對10個(gè)正常人的100幅視網(wǎng)膜數(shù)據(jù)進(jìn)行分析得到的誤差為0.94±0.82微米，其平均速度為9740毫秒每幅。

然而，現(xiàn)有的分割方法速度普遍較慢，無法同時(shí)滿足醫(yī)生的實(shí)時(shí)性和精確性需求。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是，采用新的策略，在滿足精度要求的同時(shí)，提高正常和異常人眼的圖像分割速度。

本發(fā)明提供了一種從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法，所述方法包括：計(jì)算單幅視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像；對所述感興趣區(qū)圖像進(jìn)行高斯濾波；利用多分辨率法計(jì)算高斯濾波后的所述第一層邊界的第一估計(jì)邊界位置和所述第二層邊界的第二估計(jì)邊界位置；對主動(dòng)輪廓模型進(jìn)行簡化處理，利用簡化處理后的 主動(dòng)輪廓模型，根據(jù)所述第一估計(jì)邊界位置和所述第二估計(jì)邊界位置，分別對所述第一層邊界和所述第二層邊界進(jìn)行初分割，得到所述第一層邊界的第一初始輪廓位置和所述第二層邊界的第二初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第一初始輪廓位置和所述第二初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第一初始輪廓位置和所述第二初始輪廓位置分別作為所述第一層邊界的分割位置和所述第二層邊界的分割位置。根據(jù)所述第一層邊界的分割位置和所述第二層邊界的分割位置，獲取所述感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到所述感興趣區(qū)圖像中的所有層邊界的分割位置。

一個(gè)實(shí)施例中，計(jì)算單幅視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像，包括：將所述單幅視網(wǎng)膜光學(xué)相干斷層源圖像沿其橫向進(jìn)行像素投影，得到縱向-灰階曲線；從所述縱向-灰階曲線獲取像素灰階最高值和像素灰階第二高值；根據(jù)所述像素灰階最高值所在縱向位置到所述視網(wǎng)膜光學(xué)相干斷層源圖像的頂端的距離或所述像素灰階第二高值所在縱向位置到所述視網(wǎng)膜光學(xué)相干斷層源圖像的底端的距離，以及一設(shè)定常數(shù)，確定所述感興趣區(qū)圖像的高度、頂端邊界和底端邊界；根據(jù)所述感興趣區(qū)圖像的高度、頂端邊界和底端邊界，截取得到所述感興趣區(qū)圖像。

一個(gè)實(shí)施例中，利用多分辨率法計(jì)算高斯濾波后的所述第一層邊界的第一估計(jì)邊界位置和所述第二層邊界的第二估計(jì)邊界位置，包括：根據(jù)縱向上的設(shè)定尺度因子，對高斯濾波后的所述感興趣區(qū)圖像進(jìn)行下采樣；計(jì)算下采樣后的所述感興趣區(qū)圖像的縱向灰度梯度模；將所述感興趣區(qū)圖像的縱向灰度梯度模的初步最大值和初步第二大值分別作為所述第一層邊界的縱向位置和所述第二層邊界的縱向位置；確定所述初步最大值和初步第二大值后，將下采樣后的所述感興趣區(qū)圖像的橫向位置乘以一設(shè)定橫向值，縱向位置乘以一設(shè)定縱向值，計(jì)算得到所述第一估計(jì)邊界位置和所述第二估計(jì)邊界的位置。

一個(gè)實(shí)施例中，根據(jù)所述第一層邊界的分割位置和所述第二層邊界的分割位置，獲取所述感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到所述感興趣區(qū)圖像中的所有層邊界的分割位置，包括：以所述第一層邊界的分割位置作為參考位置，對所述感興趣區(qū)圖像進(jìn)行扁平化處理；根據(jù)所述第一層邊界的分割位置，確定外節(jié)-色素上皮層的分割位置和外網(wǎng)狀層-外核層的分割位置；根據(jù)所述外節(jié)-色素上皮層的分割位置和所述外網(wǎng)狀層-外核層的分割位置，分別確定色素上皮層-脈絡(luò)膜的分割位置和內(nèi)核 層-外網(wǎng)狀層的分割位置；根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，確定內(nèi)網(wǎng)層-內(nèi)核層的分割位置；根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，確定神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的分割位置；對獲得所有層邊界的分割位置后的所述感興趣區(qū)圖像進(jìn)行扁平化處理逆操作，得到所述感興趣區(qū)圖像中的所有層邊界的分割位置；其中，所述第一層邊界和所述第二邊界層分別為所述內(nèi)節(jié)-外節(jié)的邊界和所述玻璃體-視神經(jīng)纖維層的邊界；所述內(nèi)節(jié)-外節(jié)的邊界、所述玻璃體-視神經(jīng)纖維層的邊界、所述外節(jié)-色素上皮層的邊界、所述外網(wǎng)狀層-外核層的邊界、所述色素上皮層-脈絡(luò)膜的邊界、所述內(nèi)核層-外網(wǎng)狀層的邊界、所述內(nèi)網(wǎng)層-內(nèi)核層的邊界及所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界構(gòu)成所述所有層邊界的分割位置。

一個(gè)實(shí)施例中，根據(jù)所述第一層邊界的分割位置，確定外節(jié)-色素上皮層的分割位置和外網(wǎng)狀層-外核層的分割位置，包括：根據(jù)所述第一層邊界的分割位置，對所述外節(jié)-色素上皮層的邊界進(jìn)行初始化；利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述外節(jié)-色素上皮層的邊界進(jìn)行初分割，得到第四初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第四初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第四初始輪廓位置作為所述外節(jié)-色素上皮層的邊界的分割位置。

一個(gè)實(shí)施例中，根據(jù)所述外節(jié)-色素上皮層的分割位置和所述外網(wǎng)狀層-外核層的分割位置，分別確定色素上皮層-脈絡(luò)膜的分割位置和內(nèi)核層-外網(wǎng)狀層的分割位置，包括：根據(jù)所述外節(jié)-色素上皮層的分割位置和所述外網(wǎng)狀層-外核層的分割位置，分別對色素上皮層-脈絡(luò)膜的邊界和所述內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初始化；利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述色素上皮層-脈絡(luò)膜的邊界和初始化后的所述內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初分割，分別得到第五初始輪廓位置和第六初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第五初始輪廓位置和所述第六初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第五初始輪廓位置和所述第六初始輪廓位置分別作為所述色素上皮層-脈絡(luò)膜的邊界的分割位置和所述內(nèi)核層-外網(wǎng)狀層的邊界的分割位置。

一個(gè)實(shí)施例中，根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，確定內(nèi)網(wǎng)層-內(nèi)核層的分割位置，包括：根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，對所述內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初始化；利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初分割，得到第七初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第 七初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第七初始輪廓位置作為所述內(nèi)網(wǎng)層-內(nèi)核層的邊界的分割位置。

一個(gè)實(shí)施例中，根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，確定神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的分割位置，包括：根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初始化；利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初分割，得到第八初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第八初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第八初始輪廓位置作為所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界的分割位置。

一個(gè)實(shí)施例中，簡化處理后的主動(dòng)輪廓模型只包含圖像能項(xiàng)，所述圖像能項(xiàng)為：其中，E_image為圖像能項(xiàng)，f(x_i,y_j)是像素(x_i,y_j)的灰度值，i和j分別是像素(x_i,y_j)在橫向x和縱向y上的位置，k是第一層邊界到第八層邊界中的任一邊界的當(dāng)前像素位置，n是像素位置k的縱向鄰域半徑。

本發(fā)明另提供一種從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法，所述方法包括：計(jì)算三維圖像體數(shù)據(jù)的第一幀的視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像；對第一幀的所述感興趣區(qū)圖像進(jìn)行高斯濾波；根據(jù)多分辨率法和簡化處理后的主動(dòng)輪廓模型，獲取第一幀的所述感興趣區(qū)圖像中第一層邊界和第二層邊界的分割位置；根據(jù)所述第一層邊界的分割位置和所述第二層邊界的分割位置，獲取第一幀的所述感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置；根據(jù)第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置，確定所述第二幀圖像中的層邊界的分割位置，根據(jù)第二幀圖像中的層邊界的分割位置，確定第三幀圖像中的層邊界的分割位置，依次迭代得到剩余所有幀圖像中的層邊界的分割位置，其中，第一幀、第二幀及第三幀是依次相鄰的幀。

一個(gè)實(shí)施例中，計(jì)算三維圖像體數(shù)據(jù)的第一幀的視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像，包括：將所述第一幀的視網(wǎng)膜光學(xué)相干斷層源圖像沿其橫向進(jìn)行像素投影，得到縱向-灰階曲線；從所述縱向-灰階曲線獲取像素灰階最高值和像素灰階第二高值；根據(jù)所述像素灰階最高值所在縱向位置到所述視網(wǎng)膜光學(xué)相干斷層源圖像的頂端的距離或所述像素灰階第二高值所在縱向位置到所述視網(wǎng)膜光學(xué)相干斷層源圖像的底端的距離，以及一設(shè)定常數(shù)，確定第一幀的所述感興趣區(qū)圖像的高度、頂端邊界 和底端邊界；根據(jù)第一幀的所述感興趣區(qū)圖像的高度、頂端邊界和底端邊界，截取得到第一幀的所述感興趣區(qū)圖像。

一個(gè)實(shí)施例中，根據(jù)多分辨率法和簡化處理后的主動(dòng)輪廓模型，獲取第一幀的所述感興趣區(qū)圖像中第一層邊界和第二層邊界的分割位置，包括：利用多分辨率法計(jì)算高斯濾波后的所述第一層邊界的第一估計(jì)邊界位置和所述第二層邊界的第二估計(jì)邊界位置；對主動(dòng)輪廓模型進(jìn)行簡化處理，利用簡化處理后的主動(dòng)輪廓模型，根據(jù)所述第一估計(jì)邊界位置和所述第二估計(jì)邊界位置，分別對所述第一層邊界和所述第二層邊界進(jìn)行初分割，得到所述第一層邊界的第一初始輪廓位置和所述第二層邊界的第二初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第一初始輪廓位置和所述第二初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第一初始輪廓位置和所述第二初始輪廓位置分別作為所述第一層邊界的分割位置和所述第二層邊界的分割位置。

一個(gè)實(shí)施例中，根據(jù)所述第一層邊界的分割位置和所述第二層邊界的分割位置，獲取第一幀的所述感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置，包括：以所述第一層邊界的分割位置作為參考位置，對第一幀的所述感興趣區(qū)圖像進(jìn)行扁平化處理；根據(jù)所述第一層邊界的分割位置，確定外節(jié)-色素上皮層的分割位置和外網(wǎng)狀層-外核層的分割位置；根據(jù)所述外節(jié)-色素上皮層的分割位置和所述外網(wǎng)狀層-外核層的分割位置，分別確定色素上皮層-脈絡(luò)膜的分割位置和內(nèi)核層-外網(wǎng)狀層的分割位置；根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，確定內(nèi)網(wǎng)層-內(nèi)核層的分割位置；根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，確定神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的分割位置；對獲得所有層邊界的分割位置后的所述感興趣區(qū)圖像進(jìn)行扁平化處理逆操作，得到第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置；其中，所述第一層邊界和所述第二邊界層分別為所述內(nèi)節(jié)-外節(jié)的邊界和所述玻璃體-視神經(jīng)纖維層的邊界；所述內(nèi)節(jié)-外節(jié)的邊界、所述玻璃體-視神經(jīng)纖維層的邊界、所述外節(jié)-色素上皮層的邊界、所述外網(wǎng)狀層-外核層的邊界、所述色素上皮層-脈絡(luò)膜的邊界、所述內(nèi)核層-外網(wǎng)狀層的邊界、所述內(nèi)網(wǎng)層-內(nèi)核層的邊界及所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界構(gòu)成所述所有層邊界的分割位置。

一個(gè)實(shí)施例中，根據(jù)第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置，確定所述第二幀圖像中的層邊界的分割位置，根據(jù)第二幀圖像中的層邊界的分割位置， 確定第三幀圖像中的層邊界的分割位置，依次迭代得到剩余所有幀圖像中的層邊界的分割位置，包括：對所述第二幀圖像進(jìn)行高斯濾波；根據(jù)第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置，利用設(shè)定的Kalman濾波模型對高斯濾波后的所述第二幀圖像中的層邊界進(jìn)行初始化；利用簡化處理后的主動(dòng)輪廓模型，估計(jì)初始化后的所述第二幀圖像中的層邊界的第三初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第三初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第三初始輪廓位置作為所述第二幀圖像中的層邊界的分割位置。

一個(gè)實(shí)施例中，根據(jù)所述第一層邊界的分割位置，確定外節(jié)-色素上皮層的分割位置和外網(wǎng)狀層-外核層的分割位置，包括：根據(jù)所述第一層邊界的分割位置，對所述外節(jié)-色素上皮層的邊界進(jìn)行初始化；利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述外節(jié)-色素上皮層的邊界進(jìn)行初分割，得到第四初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第四初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第四初始輪廓位置作為所述外節(jié)-色素上皮層的邊界的分割位置。

一個(gè)實(shí)施例中，根據(jù)所述外節(jié)-色素上皮層的分割位置和所述外網(wǎng)狀層-外核層的分割位置，分別確定色素上皮層-脈絡(luò)膜的分割位置和內(nèi)核層-外網(wǎng)狀層的分割位置，包括：根據(jù)所述外節(jié)-色素上皮層的分割位置和所述外網(wǎng)狀層-外核層的分割位置，分別對色素上皮層-脈絡(luò)膜的邊界和所述內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初始化；利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述色素上皮層-脈絡(luò)膜的邊界和初始化后的所述內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初分割，分別得到第五初始輪廓位置和第六初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第五初始輪廓位置和所述第六初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第五初始輪廓位置和所述第六初始輪廓位置分別作為所述色素上皮層-脈絡(luò)膜的邊界的分割位置和所述內(nèi)核層-外網(wǎng)狀層的邊界的分割位置。

一個(gè)實(shí)施例中，根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，確定內(nèi)網(wǎng)層-內(nèi)核層的分割位置，包括：根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，對所述內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初始化；利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初分割，得到第七初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第七初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第七初始輪廓位置作為所述內(nèi)網(wǎng)層-內(nèi)核層的邊界的分割位置。

一個(gè)實(shí)施例中，根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，確定神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的分割位置，包括：根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初始化；利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初分割，得到第八初始輪廓位置；利用Savitzky-Golay濾波方法，對所述第八初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第八初始輪廓位置作為所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界的分割位置。

一個(gè)實(shí)施例中，利用多分辨率法計(jì)算高斯濾波后的所述第一層邊界的第一估計(jì)邊界位置和所述第二層邊界的第二估計(jì)邊界位置，包括：根據(jù)縱向上的設(shè)定尺度因子，對高斯濾波后的所述感興趣區(qū)圖像進(jìn)行下采樣；計(jì)算下采樣后的所述感興趣區(qū)圖像的縱向灰度梯度模；將所述感興趣區(qū)圖像的縱向灰度梯度模的初步最大值和初步第二大值分別作為所述第一層邊界的縱向位置和所述第二層邊界的縱向位置；確定所述初步最大值和初步第二大值后，將下采樣后的所述感興趣區(qū)圖像的橫向位置乘以一設(shè)定橫向值，縱向位置乘以一設(shè)定縱向值，計(jì)算得到所述第一估計(jì)邊界位置和所述第二估計(jì)邊界的位置。

一個(gè)實(shí)施例中，所述簡化處理后的主動(dòng)輪廓模型只包含圖像能項(xiàng)，所述圖像能項(xiàng)為：其中，E_image為圖像能項(xiàng)，f(x_i,y_j)是像素(x_i,y_j)的灰度值，i和j分別是像素(x_i,y_j)在橫向x和縱向y上的位置，k是層邊界中的當(dāng)前像素位置，n是像素位置k的縱向鄰域半徑。

一個(gè)實(shí)施例中，所述設(shè)定的Kalman濾波模型為：y_k+1＝y(tǒng)_k+v_k+1×dt+K_k+1(z_k+1-y_k)，v_k+1＝v_k+rand(v_k+1)，σ_k+1＝(1-K_k)σ_k，其中，y_k+1和y_k分別為第k+1幀和第k幀圖像中同一層邊界上同一縱向位置坐標(biāo)，v_k+1和v_k分別為第k+1幀和第k幀圖像中層邊界上質(zhì)點(diǎn)的運(yùn)動(dòng)速率，dt是第k幀至第k+1幀的時(shí)間間隔，K_k+1和K_k分別是第k+1幀和第k幀中層邊界上點(diǎn)的增益，z_k+1是第k+1幀中層邊界上點(diǎn)的測量值，rand(v_k+1)是運(yùn)動(dòng)速率v_k+1的隨機(jī)變量，σ_k+1和σ_k是模型在第k+1幀和第k幀中的激勵(lì)噪聲方差，R_k是第k幀中層邊界上點(diǎn)的測量值和數(shù)據(jù)光順值的差值，其中，k為幀的序號，k為大于或等于1的整 數(shù)，當(dāng)k＝1時(shí)，幀的序號為所述第一幀，當(dāng)k＝2時(shí)，幀的序號為所述第二幀。

本發(fā)明還提供一種從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)，所述系統(tǒng)包括：感興趣區(qū)圖像生成單元，用于計(jì)算單幅視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像；高斯濾波單元，用于對所述感興趣區(qū)圖像進(jìn)行高斯濾波；前兩層邊界估計(jì)單元，用于利用多分辨率法計(jì)算高斯濾波后的所述第一層邊界的第一估計(jì)邊界位置和所述第二層邊界的第二估計(jì)邊界位置；

初始輪廓生成單元，用于對主動(dòng)輪廓模型進(jìn)行簡化處理，利用簡化處理后的主動(dòng)輪廓模型，根據(jù)所述第一估計(jì)邊界位置和所述第二估計(jì)邊界位置，分別對所述第一層邊界和所述第二層邊界進(jìn)行初分割，得到所述第一層邊界的第一初始輪廓位置和所述第二層邊界的第二初始輪廓位置；光滑處理單元，用于利用Savitzky-Golay濾波方法，對所述第一初始輪廓位置和所述第二初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第一初始輪廓位置和所述第二初始輪廓位置分別作為所述第一層邊界的分割位置和所述第二層邊界的分割位置。剩余層邊界分割單元，用于根據(jù)所述第一層邊界的分割位置和所述第二層邊界的分割位置，獲取所述感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到所述感興趣區(qū)圖像中的所有層邊界的分割位置。

本發(fā)明還提供另一種從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)，所述系統(tǒng)包括：感興趣區(qū)圖像生成單元，用于計(jì)算三維圖像體數(shù)據(jù)的第一幀的視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像；高斯濾波單元，用于對第一幀的所述感興趣區(qū)圖像進(jìn)行高斯濾波；前兩個(gè)層邊界分割單元，用于根據(jù)多分辨率法和簡化處理后的主動(dòng)輪廓模型，獲取第一幀的所述感興趣區(qū)圖像中第一層邊界和第二層邊界的分割位置；剩余層邊界分割單元，用于根據(jù)所述第一層邊界的分割位置和所述第二層邊界的分割位置，獲取第一幀的所述感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置；相鄰幀層邊界分割單元，用于根據(jù)第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置，確定所述第二幀圖像中的層邊界的分割位置，根據(jù)第二幀圖像中的層邊界的分割位置，確定第三幀圖像中的層邊界的分割位置，依次迭代得到剩余所有幀圖像中的層邊界的分割位置，其中，第一幀、第二幀及第三幀是依次相鄰的幀。

本發(fā)明利用了視網(wǎng)膜圖像具有層狀結(jié)構(gòu)的特征，將二維的圖像分割轉(zhuǎn)化為一維的定位問題，簡化計(jì)算過程。本發(fā)明提出了一種定制化的主動(dòng)輪廓模型進(jìn)行初定位，可 降低計(jì)算復(fù)雜度，結(jié)合后續(xù)的基于Savitzky-Golay算法進(jìn)行邊緣曲線平滑，有利于得到平滑的邊界。本發(fā)明利用OCT相鄰圖像間的相關(guān)性，采用Kalman濾波對相鄰幀進(jìn)行建模，在避免了從第二幀開始的重復(fù)性初始化的同時(shí)，對于圖像出現(xiàn)血管陰影和由于運(yùn)動(dòng)或者不均勻光照時(shí)造成的圖像失真情況，該濾波算法可以提高魯棒性。通過本發(fā)明實(shí)施例的方法，可以在保證分割準(zhǔn)確度的同時(shí)，快速獲得視網(wǎng)膜圖像各層的邊界。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。在附圖中：

圖1是本發(fā)明實(shí)施例的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法的流程示意圖；

圖2是本發(fā)明一實(shí)施例中獲取感興趣區(qū)圖像的方法的流程示意圖；

圖3是本發(fā)明一實(shí)施例中第一幀視網(wǎng)膜光學(xué)相干斷層源圖像；

圖4是本發(fā)明一實(shí)施例中的縱向-灰度曲線；

圖5和圖6分別是本發(fā)明一實(shí)施例中第一幀圖像一維高斯濾波之前和之后的圖像；

圖7是本發(fā)明一實(shí)施例中獲取前兩個(gè)層邊界的方法的流程示意圖；

圖8是本發(fā)明一實(shí)施例中多分辨率法估計(jì)層邊界的方法的流程示意圖；

圖9是本發(fā)明一實(shí)施例的經(jīng)多分辨率法估計(jì)層邊界后的圖像；

圖10至圖13分別是本發(fā)明一實(shí)施例中三個(gè)鄰接點(diǎn)水平、折返、V型及對角排列的示意圖；

圖14是圖9中的圖像經(jīng)過本發(fā)明實(shí)施例中的主動(dòng)輪廓模型處理后的結(jié)果示意圖；

圖15是圖14中的圖像經(jīng)本發(fā)明一實(shí)施例的Savitzky-Golay曲線光順方法處理后的圖像；

圖16是本發(fā)明一實(shí)施例中根據(jù)前兩個(gè)層邊界獲取剩余層邊界的方法的流程示意圖；

圖17是圖16所對應(yīng)層邊界處理順序的示意圖；

圖18是圖15中的圖像經(jīng)過本發(fā)明一實(shí)施例的扁平化處理后的圖像；

圖19是本發(fā)明一實(shí)施例中分割外節(jié)-色素上皮層的邊界的方法的流程示意圖；

圖20是本發(fā)明一實(shí)施例中分割色素上皮層-脈絡(luò)膜的邊界和內(nèi)核層-外網(wǎng)狀層的邊界的方法的流程示意圖；

圖21是本發(fā)明一實(shí)施例中分割內(nèi)網(wǎng)層-內(nèi)核層的邊界的方法的流程示意圖；

圖22是本發(fā)明一實(shí)施例中分割神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界的方法的流程示意圖；

圖23是本發(fā)明一實(shí)施例中分割非第一幀圖像中層邊界的方法的流程示意圖；

圖24是本發(fā)明另一實(shí)施例的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法的流程示意圖；

圖25是本發(fā)明一實(shí)施例中計(jì)算單幅源圖像的感興趣區(qū)圖像的方法的流程示意圖；

圖26是本發(fā)明實(shí)施例的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)的結(jié)構(gòu)示意圖；

圖27是本發(fā)明一實(shí)施例中的感興趣區(qū)圖像生成單元的結(jié)構(gòu)示意圖；

圖28是本發(fā)明一實(shí)施例中的前兩個(gè)層邊界分割單元的結(jié)構(gòu)示意圖；

圖29是本發(fā)明一實(shí)施例中的剩余層邊界分割單元的結(jié)構(gòu)示意圖；

圖30是本發(fā)明一實(shí)施例中的相鄰幀層邊界分割單元的結(jié)構(gòu)示意圖；

圖31是本發(fā)明一實(shí)施例中的第一邊界分割模塊的結(jié)構(gòu)示意圖；

圖32是本發(fā)明一實(shí)施例中的第二邊界分割模塊的結(jié)構(gòu)示意圖；

圖33是本發(fā)明一實(shí)施例中的第三邊界分割模塊的結(jié)構(gòu)示意圖；

圖34是本發(fā)明一實(shí)施例中的第四邊界分割模塊的結(jié)構(gòu)示意圖；

圖35是本發(fā)明一實(shí)施例中的前兩層邊界估計(jì)單元的結(jié)構(gòu)示意圖；

圖36是本發(fā)明另一實(shí)施例的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，下面結(jié)合附圖對本發(fā) 明實(shí)施例做進(jìn)一步詳細(xì)說明。在此，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，但并不作為對本發(fā)明的限定。

本發(fā)明提供了一種從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法，該方法利用OCT相鄰圖像間的相關(guān)性，采用Kalman濾波對相鄰幀進(jìn)行建模，依次計(jì)算得到所有幀中視網(wǎng)膜的層邊界位置，最終得到視網(wǎng)膜的結(jié)構(gòu)。其中，視網(wǎng)膜的層邊界包括內(nèi)節(jié)-外節(jié)(IS-OS)、玻璃體-視神經(jīng)纖維層(Vitreous-NFL)、外節(jié)-色素上皮層(OS-RPE)、色素上皮層-脈絡(luò)膜(RPE-Choroid)、外網(wǎng)狀層-外核層(OPL-ONL)、內(nèi)核層-外網(wǎng)狀層(INL-OPL)、內(nèi)網(wǎng)層-內(nèi)核層(IPL-INL)、神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層(NFL-GCL)。

本發(fā)明將三維體數(shù)據(jù)的第一幀和其他幀分別處理，單幅圖像的處理方法與三維體數(shù)據(jù)的第一幀相同。對于三維體數(shù)據(jù)的第一幀或者單幅圖像，具體可包括預(yù)處理、主動(dòng)輪廓模型初分割，邊界細(xì)化等步驟；對于三維體數(shù)據(jù)的非第一幀，可包括預(yù)處理，Kalman濾波初始化，主動(dòng)輪廓模型初分割，邊界細(xì)化等步驟。

圖1是本發(fā)明實(shí)施例的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法的流程示意圖。如圖1所示，從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法，包括步驟：

S110：計(jì)算三維圖像體數(shù)據(jù)的第一幀的視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像；

S120：對第一幀的所述感興趣區(qū)圖像進(jìn)行高斯濾波；

S130：根據(jù)多分辨率法和簡化處理后的主動(dòng)輪廓模型，獲取第一幀的所述感興趣區(qū)圖像中第一層邊界和第二層邊界的分割位置；

S140：根據(jù)所述第一層邊界的分割位置和所述第二層邊界的分割位置，獲取第一幀的所述感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置；

S150：根據(jù)第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置，確定所述第二幀圖像中的層邊界的分割位置，根據(jù)第二幀圖像中的層邊界的分割位置，確定第三幀圖像中的層邊界的分割位置，依次迭代得到剩余所有幀圖像中的層邊界的分割位置，其中，第一幀、第二幀及第三幀是依次相鄰的幀。

本發(fā)明實(shí)施例的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法，先確定第一幀圖像的視網(wǎng)膜層邊界位置，再利用OCT相鄰圖像間的相關(guān)性，依次獲得其他所有幀圖像中的視網(wǎng)膜層邊界位置，可以避免從第二幀開始重復(fù)初始化其他幀，顯著提高了三維 視網(wǎng)膜結(jié)構(gòu)的獲取速度。且該方法通過濾波算法，可對于圖像出現(xiàn)血管陰影和由于運(yùn)動(dòng)或者不均勻光照時(shí)造成的圖像失真情況，提高魯棒性。

在上述步驟S110中，“第一幀”是指開始處理的第一幅圖像，可以是三維圖像開始掃描的第一幀或其他幀，本發(fā)明實(shí)施例對此不作限定。該感興趣區(qū)圖像包含視網(wǎng)膜軸向圖像，可以包括整個(gè)視網(wǎng)膜或部分視網(wǎng)膜。

在上述步驟S130中，利用多分辨率法可以估計(jì)上述第一層邊界和第二層邊界的位置，利用簡化處理后的主動(dòng)輪廓模型可以得到上述第一層邊界和第二層邊界的初始輪廓。值得說明的是，較佳地，上述第一層邊界和第二層邊界是源圖像中最明顯或最清楚的兩個(gè)層邊界。

在上述步驟S150中，在三維圖像掃描過程中，第一幀和第二幀相鄰，第二幀和第三幀相鄰，根據(jù)先驗(yàn)知識可知，相鄰幀的圖像，其視網(wǎng)膜的層邊界具有相關(guān)性。

其中的“迭代”是指根據(jù)第一幀圖像中層邊界的分割位置確定第二幀圖像中層邊界的分割位置，根據(jù)第二幀圖像中層邊界的分割位置確定第三幀圖像中層邊界的分割位置，……，根據(jù)第t幀圖像中層邊界的分割位置確定第t+1幀圖像中層邊界的分割位置，……，根據(jù)第T-1幀圖像中層邊界的分割位置確定最后一幀即第T幀圖像中層邊界的分割位置，T和t為正整數(shù)。簡單而言，根據(jù)前一幀圖像中層邊界的分割位置確定后一幀圖像中層邊界的分割位置。

圖2是本發(fā)明一實(shí)施例中獲取感興趣區(qū)圖像的方法的流程示意圖。如圖2所示，上述步驟S110中，計(jì)算三維圖像體數(shù)據(jù)的第一幀的視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像的方法，可包括步驟：

S111：將所述第一幀的視網(wǎng)膜光學(xué)相干斷層源圖像沿其橫向進(jìn)行像素投影，得到縱向-灰階曲線；

S112：從所述縱向-灰階曲線獲取像素灰階最高值和像素灰階第二高值；

S113：根據(jù)所述像素灰階最高值所在縱向位置到所述視網(wǎng)膜光學(xué)相干斷層源圖像的頂端的距離或所述像素灰階第二高值所在縱向位置到所述視網(wǎng)膜光學(xué)相干斷層源圖像的底端的距離，以及一設(shè)定常數(shù)，確定第一幀的所述感興趣區(qū)圖像的高度、頂端邊界和底端邊界；

S114：根據(jù)第一幀的所述感興趣區(qū)圖像的高度、頂端邊界和底端邊界，截取得到第一幀的所述感興趣區(qū)圖像。

本發(fā)明實(shí)施例中，在對OCT圖像進(jìn)行后續(xù)處理之前，通過截取得到感興趣區(qū)(Region of Interest,ROI)圖像，可減少在軸向上存在的顯著冗余，后續(xù)處理均可針對ROI圖像進(jìn)行，從而能夠在定位更準(zhǔn)確的同時(shí)，減少計(jì)算成本。

在上述步驟S111中，將第一幀的源圖像沿其橫向進(jìn)行像素投影得到縱向-灰階曲線，具體地可采用如下投影公式實(shí)現(xiàn)：

在公式(1)中，f(x_i,y_j)是像素(x_i,y_j)的灰度值，i和j分別是圖像的水平方向(橫向)和豎直方向(軸向)的位置，M是圖像的寬度。

圖3是本發(fā)明一實(shí)施例的第一幀視網(wǎng)膜光學(xué)相干斷層源圖像，其中，水平方向由左向右為橫向x方向，豎直方向由上到下為縱向y方向。圖4是本發(fā)明一實(shí)施例中的縱向-灰度曲線。如圖4所示，根據(jù)公式(1)沿橫向投影后得到的縱向-灰度曲線，其中，橫坐標(biāo)為與圖3中縱向y方向?qū)?yīng)的像素距離(即視網(wǎng)膜深度，Retinal Depth)，縱坐標(biāo)縱向y方向上的灰度或灰階(Grayscale)。結(jié)合圖3和圖4，投影后，在縱向y方向上，像素灰階最高值G1和灰階第二高值G2分別對應(yīng)視網(wǎng)膜的色素上皮層-內(nèi)節(jié)/外節(jié)復(fù)合層(RPE-IS/OS)中心線ROI_R-I/O和視神經(jīng)纖維層(NFL)的中心線ROI_N。

接下來，依據(jù)先驗(yàn)知識，RPE-IS/OS的中心線ROI_R-I/O(或者NFL的中心線ROI_N)距離ROI圖像的頂端(或者底端)的距離是一定的，該距離與圖像的高度有關(guān)。也就是說，該距離可以設(shè)為h＝ρH_ROI，其中，ρ是一個(gè)預(yù)先設(shè)定的常量，例如可設(shè)ρ為0.1，H_ROI是所截取ROI圖像的高度，距離h可通過測量得到。

如圖3所示，通過上述方法可獲得ROI圖像的上邊界ROI_T、下邊界ROI_B及高度H_ROI，再去除冗余部分的圖像，即可獲得最終的ROI圖像。

在上述步驟S120中，對第一幀的感興趣區(qū)圖像進(jìn)行高斯濾波的方法，例如，可以是沿第一幀圖像縱向y方向的一維高斯濾波。

圖5和圖6分別是本發(fā)明一實(shí)施例中第一幀圖像一維高斯濾波之前和之后的圖像。對圖5所示圖像進(jìn)行標(biāo)準(zhǔn)差為5，均值為0的一維高斯濾波后，得到圖6所示的圖像，圖像的像素變得更加均勻。在其他實(shí)施例中，標(biāo)準(zhǔn)差可采用[4,6]內(nèi)的任意值，可取得相似的濾波效果。

本發(fā)明實(shí)施例中，由于OCT視網(wǎng)膜圖像的邊緣幾乎水平，采用沿著縱向?qū)D像 進(jìn)行一維高斯濾波，可以在抑制噪聲的同時(shí)保留邊緣。

圖7是本發(fā)明一實(shí)施例中獲取前兩個(gè)層邊界的方法的流程示意圖。如圖7所示，在上述步驟S130中，根據(jù)多分辨率法和簡化處理后的主動(dòng)輪廓模型，獲取第一幀的感興趣區(qū)圖像中第一層邊界和第二層邊界的分割位置的方法，可包括步驟：

S131：利用多分辨率法計(jì)算高斯濾波后的所述第一層邊界的第一估計(jì)邊界位置和所述第二層邊界的第二估計(jì)邊界位置；

S132：對主動(dòng)輪廓模型進(jìn)行簡化處理，利用簡化處理后的主動(dòng)輪廓模型，根據(jù)所述第一估計(jì)邊界位置和所述第二估計(jì)邊界位置，分別對所述第一層邊界和所述第二層邊界進(jìn)行初分割，得到所述第一層邊界的第一初始輪廓位置和所述第二層邊界的第二初始輪廓位置；

S133：利用Savitzky-Golay濾波方法，對所述第一初始輪廓位置和所述第二初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第一初始輪廓位置和所述第二初始輪廓位置分別作為所述第一層邊界的分割位置和所述第二層邊界的分割位置。

本發(fā)明實(shí)施例中，先將第一層邊界和第二層邊界，例如，OCT圖像中最明顯的兩層邊界Vitreous-NFL和IS/OS提取出來，第一層邊界和第二層邊界越明顯越有助于提高層邊界分割的準(zhǔn)確性。采用多分別率法估計(jì)第一層邊界和第二層邊界的位置，有利于降低計(jì)算復(fù)雜度和減少噪聲的影響。利用簡化處理后的主動(dòng)輪廓模型確定層邊界的初始輪廓位置有助于提高計(jì)算速度。利用Savitzky-Golay濾波對圖像進(jìn)行處理，有利于增強(qiáng)層邊界的均勻連續(xù)平滑性。

圖8是本發(fā)明一實(shí)施例中多分辨率法估計(jì)層邊界的方法的流程示意圖。如圖8所示，在上述步驟S131中，利用多分辨率法計(jì)算高斯濾波后的所述第一層邊界的第一估計(jì)邊界位置和所述第二層邊界的第二估計(jì)邊界位置的方法，可包括步驟：

S1311：根據(jù)縱向上的設(shè)定尺度因子，對高斯濾波后的所述感興趣區(qū)圖像進(jìn)行下采樣；

S1312：計(jì)算下采樣后的所述感興趣區(qū)圖像的縱向灰度梯度模；

S1313：將所述感興趣區(qū)圖像的縱向灰度梯度模的初步最大值和初步第二大值分別作為所述第一層邊界的縱向位置和所述第二層邊界的縱向位置；

S1314：確定所述初步最大值和初步第二大值后，將下采樣后的所述感興趣區(qū)圖像的橫向位置乘以一設(shè)定橫向值，縱向位置乘以一設(shè)定縱向值，計(jì)算得到所述第一估 計(jì)邊界位置和所述第二估計(jì)邊界的位置。

本發(fā)明實(shí)施例中，通過求取縱向灰度梯度模的初步最大值和初步第二大值可以先將最明顯的兩個(gè)層邊界的位置估計(jì)出來，可以顯著降低計(jì)算復(fù)雜度和減少噪聲的影響。

一個(gè)具體實(shí)施例中，在上述步驟S1311中，將源圖像表示為可在豎直方向上采用尺度因子為2對源圖像進(jìn)行下采樣，公式可如下所示：

沿著豎直方向(縱向)和水平方向(橫向)對圖像進(jìn)行下采樣，公式如下：

其中，f下標(biāo)H和W分別表示圖像中像素點(diǎn)(x，y)的縱向和橫向，縱向H的下標(biāo)數(shù)字表示以尺度因子2下采樣后在縱向上像素點(diǎn)的序號，例如H的下標(biāo)為4，則下采樣后的像素點(diǎn)在圖像中的縱向像素點(diǎn)位置為2⁴＝16；橫向W的下標(biāo)數(shù)字表示以尺度因子2下采樣后在橫向上像素點(diǎn)的序號，例如W的下標(biāo)為1，則下采樣后的像素點(diǎn)在圖像中的橫向像素點(diǎn)位置為2¹＝2。

在上述步驟S1312中，在粗尺度上計(jì)算圖像的梯度模g(x,y)，其公式可為：

g_x(x,y)＝2f₄₂(x,y)+f₄₂(x,y-1)+f₄₂(x,y+1)， (8)

-2f₄₂(x-1,y)-f₄₂(x-1,y-1)-f₄₂(x-1,y+1)

g_y(x,y)＝2f₄₂(x,y)+f₄₂(x-1,y)+f₄₂(x+1,y)， (9)

-2f₄₂(x,y-1)-f₄₂(x-1,y-1)-f₄₂(x+1,y-1)

其中，g(x,y)為灰度梯度模，x表示橫向坐標(biāo)，y表示縱向坐標(biāo)。

在上述步驟S1314中，將下采樣后的所述感興趣區(qū)圖像的橫向位置乘以一設(shè)定橫向值，例如乘以4；縱向位置乘以一設(shè)定縱向值，例如乘以16，將乘以設(shè)定橫向值和 設(shè)定縱向值后的位置，作為源圖像的邊界位置，如圖9所示，估計(jì)得到兩條明顯的層邊界Vitreous-NFL和層邊界IS/OS。

在上述步驟S132中，對經(jīng)典主動(dòng)輪廓模型進(jìn)行簡化處理，可以得到上述簡化處理后的主動(dòng)輪廓模型，其中，經(jīng)典的主動(dòng)輪廓模型為：

E＝∫[α(s)E_continuity+β(s)E_curvature+γ(s)E_image]ds， (11)

其中，α(s)，β(s)，γ(s)是權(quán)重系數(shù)；E_continuity是連續(xù)能量項(xiàng)，該項(xiàng)的作用是讓蛇模型中各輪廓點(diǎn)之間的距離更均勻，E_continuity的離散化形式可以寫為v_i-v_i-1(v_i表示第i個(gè)點(diǎn)的坐標(biāo)向量)；E_curvature是彎曲能項(xiàng)，該項(xiàng)的作用是使得蛇模型更光滑，E_curvature可以表示為|v_i-1-2v_i+v_i+1|；E_image是圖像能項(xiàng)，該項(xiàng)的作用是使蛇模型逼近圖像中的邊緣，可以表示為(g_cur-g_min)/(g_max-g_min)，式中g(shù)_cur，g_max，g_min分別表示當(dāng)前點(diǎn)的灰度梯度模，鄰域內(nèi)點(diǎn)的灰度梯度模的最大值和最小值。

發(fā)明人考慮到，對每層邊界的主動(dòng)輪廓模型做如下合理的限制：

1)每一列只有一個(gè)輪廓點(diǎn)。

2)在利用主動(dòng)輪廓模型進(jìn)行的每一次迭代中，每一列的輪廓點(diǎn)只能豎直地向上或者向下移動(dòng)一個(gè)像素/體素。

3)每一列中的輪廓點(diǎn)應(yīng)與它的前一個(gè)點(diǎn)及后一個(gè)點(diǎn)在8鄰域內(nèi)鄰接。

通過上述限制之后，如圖10至圖13所示，本發(fā)明實(shí)施例中主動(dòng)輪廓模型的三個(gè)鄰接點(diǎn)只可能存在水平(Horizontal)、折返(Inflectional)、V型(V-shaped)及對角(Diagonal)的四種情況。

由此，可以得到如下的結(jié)果：

1)對于兩個(gè)相鄰的輪廓點(diǎn)，E_continuity只可能是1或者2^1/2。

2)對于水平的情況和對角的情況，E_curvature為0；對于折反情況,E_curvature為1,對于V型情況,E_curvature為2。

由于經(jīng)過限制之后，連續(xù)能量和彎曲能量變化不大，所以發(fā)明人將經(jīng)典主動(dòng)輪廓模型公式(11)簡化，只有第三項(xiàng)圖像能量項(xiàng)，以此可降低計(jì)算的復(fù)雜度。

一個(gè)實(shí)施例中可以將第三項(xiàng)圖像能項(xiàng)定義為如下形式：

其中，E_image為圖像能項(xiàng)，f(x_i,y_j)是像素(x_i,y_j)的灰度值，i和j分別是像素(x_i,y_j) 在橫向x和縱向y上的位置，k是層邊界(例如，第一層邊界～第八層邊界中的任一邊界)中的像素位置，n是像素位置k的縱向鄰域半徑。

圖14是圖9中的圖像經(jīng)過本發(fā)明實(shí)施例中的主動(dòng)輪廓模型處理后的結(jié)果示意圖。如圖14所示，利用如公式(12)所示的簡化后的主動(dòng)輪廓模型處理后，得到了層邊界Vitreous-NFL和層邊界IS/OS的初始輪廓位置。

在上述步驟S133中，可采用Savitzky-Golay曲線光順方法對主動(dòng)輪廓處理后的圖像繼續(xù)處理，其階數(shù)可為4，對不同的層邊界，鄰域半徑可為[20,30]像素范圍內(nèi)的任一個(gè)值。通過Savitzky-Golay曲線光順方法可消除圖像中，由于簡化處理后的主動(dòng)輪廓線模型沒有考慮連續(xù)能量和彎曲能量可能產(chǎn)生的輪廓鋸齒，使層邊界變得光滑。圖15是圖14中的圖像經(jīng)本發(fā)明一實(shí)施例的Savitzky-Golay曲線光順方法處理后的圖像，結(jié)合圖15和圖14可知，曲線光順處理后，層邊界Vitreous-NFL和層邊界IS/OS變得更光滑了。

當(dāng)OCT視網(wǎng)膜圖像中兩層邊界(例如最顯著的兩層邊界)得到之后，它們就可以作為分割其他層邊界的約束項(xiàng)，通過這些約束可以更方便地分割其他層邊界。

圖16是本發(fā)明一實(shí)施例中根據(jù)前兩個(gè)層邊界獲取剩余層邊界的方法的流程示意圖。圖17是圖16所對應(yīng)層邊界處理順序的示意圖。結(jié)合圖17，如圖16所示，在上述步驟S140中，根據(jù)第一層邊界的分割位置和第二層邊界的分割位置，獲取第一幀的感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到第一幀的感興趣區(qū)圖像中的所有層邊界的分割位置的方法，可包括步驟：

S141：以所述第一層邊界的分割位置作為參考位置，對第一幀的所述感興趣區(qū)圖像進(jìn)行扁平化處理；

S142：根據(jù)所述第一層邊界的分割位置，確定外節(jié)-色素上皮層的分割位置和外網(wǎng)狀層-外核層的分割位置；

S143：根據(jù)所述外節(jié)-色素上皮層的分割位置和所述外網(wǎng)狀層-外核層的分割位置，分別確定色素上皮層-脈絡(luò)膜的分割位置和內(nèi)核層-外網(wǎng)狀層的分割位置；

S144：根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，確定內(nèi)網(wǎng)層-內(nèi)核層的分割位置；

S145：根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，確定神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的分割位置；

S146：對獲得所有層邊界的分割位置后的所述感興趣區(qū)圖像進(jìn)行扁平化處理逆操 作，得到第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置；

其中，所述第一層邊界和所述第二邊界層分別為所述內(nèi)節(jié)-外節(jié)IS-OS的邊界和所述玻璃體-視神經(jīng)纖維層Vitreous-NFL的邊界；所述內(nèi)節(jié)-外節(jié)IS-OS的邊界、所述玻璃體-視神經(jīng)纖維層Vitreous-NFL的邊界、所述外節(jié)-色素上皮層OS-RPE的邊界、所述外網(wǎng)狀層-外核層OPL-ONL的邊界、所述色素上皮層-脈絡(luò)膜RPE-Choroid的邊界、所述內(nèi)核層-外網(wǎng)狀層INL-OPL的邊界、所述內(nèi)網(wǎng)層-內(nèi)核層IPL-INL的邊界及所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層NFL-GCL的邊界構(gòu)成第一幀圖像中所有層邊界的分割位置。

在上述步驟S141中，本發(fā)明實(shí)施例中，采用了圖像扁平化的操作。特別的，可以以上述第一層邊界(例如IS/OS的邊界)為參照物。通過如下方式進(jìn)行圖像扁平化操作：

首先，找到IS/OS層邊界y坐標(biāo)的最大值，可表示為max_y；

然后，將每一列(例如第j列)圖像中的像素向下移動(dòng)max_y-y_j個(gè)像素位置，其中，y_j表示IS/OS邊緣像素的y坐標(biāo)。

一個(gè)實(shí)施例中，采用上述方法對圖15所示的圖像扁平化處理之后，如圖18所示，獲得的層邊界IS/OS是一條直線。接下來，基于扁平化后的圖像，分割其他層，有利于處理由于病變造成的層邊界變形的視網(wǎng)膜圖像。

在所有剩余層邊界分割完成后，在通過上述步驟S146，對圖像進(jìn)行扁平化逆操作，得到第一幀圖像的真實(shí)圖像的視網(wǎng)膜結(jié)構(gòu)。

一個(gè)實(shí)施例中，對圖像進(jìn)行扁平化逆操作，具體地，可以是基于扁平化操作，將每一列(例如第j列)圖像中的像素向上移動(dòng)max_y-y_j個(gè)像素位置。

分割其它層邊界可包括與前述實(shí)施例相同的三步：初始化，采用簡化后的主動(dòng)輪廓線/模型進(jìn)行初分割，通過Savitzky-Golay濾波進(jìn)行曲線光順。

圖19是本發(fā)明一實(shí)施例中分割外節(jié)-色素上皮層的邊界的方法的流程示意圖。如圖19所示，上述步驟S142，根據(jù)所述第一層邊界的分割位置，確定外節(jié)-色素上皮層的分割位置和外網(wǎng)狀層-外核層的分割位置的方法，可包括步驟：

S1421：根據(jù)所述第一層邊界的分割位置，對所述外節(jié)-色素上皮層的邊界進(jìn)行初始化；

S1422：利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述外節(jié)-色素上皮層的 邊界進(jìn)行初分割，得到第四初始輪廓位置；

S1423：利用Savitzky-Golay濾波方法，對所述第四初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第四初始輪廓位置作為所述外節(jié)-色素上皮層的邊界的分割位置。

本發(fā)明實(shí)施例中，利用簡化處理后的主動(dòng)輪廓模型對初始化后的外節(jié)-色素上皮層的邊界進(jìn)行初分割，可降低外節(jié)-色素上皮層的邊界的計(jì)算復(fù)雜度。利用Savitzky-Golay濾波方法，對外節(jié)-色素上皮層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

圖20是本發(fā)明一實(shí)施例中分割色素上皮層-脈絡(luò)膜的邊界和內(nèi)核層-外網(wǎng)狀層的邊界的方法的流程示意圖。如圖20所示，上述步驟S143，根據(jù)外節(jié)-色素上皮層的分割位置和外網(wǎng)狀層-外核層的分割位置，分別確定色素上皮層-脈絡(luò)膜的分割位置和內(nèi)核層-外網(wǎng)狀層的分割位置的方法，可包括步驟：

S1431：根據(jù)所述外節(jié)-色素上皮層的分割位置和所述外網(wǎng)狀層-外核層的分割位置，分別對色素上皮層-脈絡(luò)膜的邊界和所述內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初始化；

S1432：利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述色素上皮層-脈絡(luò)膜的邊界和初始化后的所述內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初分割，分別得到第五初始輪廓位置和第六初始輪廓位置；

S1433：利用Savitzky-Golay濾波方法，對所述第五初始輪廓位置和所述第六初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第五初始輪廓位置和所述第六初始輪廓位置分別作為所述色素上皮層-脈絡(luò)膜的邊界的分割位置和所述內(nèi)核層-外網(wǎng)狀層的邊界的分割位置。

色素上皮層-脈絡(luò)膜和內(nèi)核層-外網(wǎng)狀層可只有其中之一，利用上述分割方法進(jìn)行分割，另一個(gè)邊界可通過其他方法進(jìn)行分割。

本發(fā)明實(shí)施例中，利用簡化處理后的主動(dòng)輪廓模型對初始化后的色素上皮層-脈絡(luò)膜的邊界和內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初分割，可降低色素上皮層-脈絡(luò)膜的邊界和內(nèi)核層-外網(wǎng)狀層的邊界的計(jì)算復(fù)雜度。利用Savitzky-Golay濾波方法，對色素上皮層-脈絡(luò)膜和內(nèi)核層-外網(wǎng)狀層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

圖21是本發(fā)明一實(shí)施例中分割內(nèi)網(wǎng)層-內(nèi)核層的邊界的方法的流程示意圖。如圖21所示，上述步驟S144，根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，確定內(nèi)網(wǎng)層-內(nèi)核 層的分割位置的方法，可包括步驟：

S1441：根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，對所述內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初始化；

S1442：利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初分割，得到第七初始輪廓位置；

S1443：利用Savitzky-Golay濾波方法，對所述第七初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第七初始輪廓位置作為所述內(nèi)網(wǎng)層-內(nèi)核層的邊界的分割位置。

本發(fā)明實(shí)施例中，利用簡化處理后的主動(dòng)輪廓模型對初始化后的內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初分割，可降低內(nèi)網(wǎng)層-內(nèi)核層的邊界的計(jì)算復(fù)雜度。利用Savitzky-Golay濾波方法，對內(nèi)網(wǎng)層-內(nèi)核層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

圖22是本發(fā)明一實(shí)施例中分割神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界的方法的流程示意圖。如圖22所示，上述步驟S145，根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，確定神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的分割位置的方法，可包括步驟：

S1451：根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初始化；

S1452：利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初分割，得到第八初始輪廓位置；

S1453：利用Savitzky-Golay濾波方法，對所述第八初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第八初始輪廓位置作為所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界的分割位置。

上述步驟S1451中，根據(jù)內(nèi)網(wǎng)層-內(nèi)核層的分割位置和第二層邊界的分割位置，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初始化，在其他實(shí)施例中，可只根據(jù)內(nèi)網(wǎng)層-內(nèi)核層的分割位置和第二層邊界的分割位置之一，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初始化，即可根據(jù)內(nèi)網(wǎng)層-內(nèi)核層的分割位置和第二層邊界的分割位置之一，確定神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的分割位置。

本發(fā)明實(shí)施例中，利用簡化處理后的主動(dòng)輪廓模型對初始化后的神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初分割，可降低神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界的計(jì)算復(fù)雜 度。利用Savitzky-Golay濾波方法，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

采用上述兩種方法進(jìn)行初始化和初分割。對于單幅圖或者三維體數(shù)據(jù)中的第一幀，本發(fā)明采用先驗(yàn)知識進(jìn)行初始化。一個(gè)實(shí)施例中，OS/RPE的初始位置為IS/OS之下70μm，RPE-Choroid的初始位置為OS-RPE之下105μm，OPL-ONL位于IS/OS之上105μm，INL-OPL在OPL-ONL之上105μm，IPL-INL在INL-OPL之上105μm，NFL-GCL的初始位置是Vitreous-NFL和IPL-INL在豎直方向的平均值。

圖23是本發(fā)明一實(shí)施例中分割非第一幀圖像中層邊界的方法的流程示意圖。如圖23所示，在上述步驟S150中，根據(jù)第一幀的感興趣區(qū)圖像中的所有層邊界的分割位置，確定第二幀圖像中的層邊界的分割位置，根據(jù)第二幀圖像中的層邊界的分割位置，確定第三幀圖像中的層邊界的分割位置，依次迭代得到剩余所有幀圖像中的層邊界的分割位置的方法，可包括步驟：

S151：對所述第二幀圖像進(jìn)行高斯濾波；

S152：根據(jù)第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置，利用設(shè)定的Kalman濾波模型對高斯濾波后的所述第二幀圖像中的層邊界進(jìn)行初始化；

S153：利用簡化處理后的主動(dòng)輪廓模型，估計(jì)初始化后的所述第二幀圖像中的層邊界的第三初始輪廓位置；

S154：利用Savitzky-Golay濾波方法，對所述第三初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第三初始輪廓位置作為所述第二幀圖像中的層邊界的分割位置。

在上述步驟S151～S153中，高斯濾波、Kalman濾波及主動(dòng)輪廓對非第一幀圖像進(jìn)行處理，具體方法的形式可與上述各實(shí)施例中的方法相同，且具有相同的功效，在此不再贅述。

一個(gè)實(shí)施例中，在上述步驟S154中，按照先驗(yàn)知識，對于三維圖像體數(shù)據(jù)，相鄰的圖像幀中，對應(yīng)層邊界是相似且相鄰的。當(dāng)前幀中的邊界的初始位置可以從上一幀的對應(yīng)邊界估計(jì)出來。本發(fā)明實(shí)施例采用設(shè)定的Kalman濾波來對每幀的層邊界進(jìn)行初始化，有利于對非第一幀圖像中的層邊界進(jìn)行估計(jì)。

發(fā)明人考慮到，若直接采用為勻速率運(yùn)動(dòng)方程的質(zhì)點(diǎn)運(yùn)動(dòng)方程，通過前一幀層邊界上點(diǎn)的質(zhì)點(diǎn)運(yùn)動(dòng)速率求取當(dāng)前幀層邊界點(diǎn)的質(zhì)點(diǎn)運(yùn)動(dòng)速率，所得質(zhì)點(diǎn)運(yùn)動(dòng)速率會(huì)有 誤差，所以，增加一個(gè)隨機(jī)量對當(dāng)前幀層邊界點(diǎn)的質(zhì)點(diǎn)運(yùn)動(dòng)速率進(jìn)行修正，得到如下公式：

v_k+1＝v_k+rand(v_k+1)， (13)

其中，v_k+1和v_k分別為第k+1幀和第k幀圖像中層邊界上質(zhì)點(diǎn)的運(yùn)動(dòng)速率，v_k+1/v_k表示第k+1幀圖像中層邊界上質(zhì)點(diǎn)的y坐標(biāo)的變化率，k為幀的序號，k為大于或等于1的整數(shù)，當(dāng)k＝1是，幀的序號為上述第一幀，當(dāng)k＝2是幀的序號為上述第二幀，當(dāng)k＝3時(shí)，幀的序號為上述第三幀，依次類推……。可設(shè)運(yùn)動(dòng)速率v₁＝1.0左右，rand(v_k+1)是運(yùn)動(dòng)速率v_k+1的隨機(jī)變量，隨機(jī)量rand(v_k+1)可以是均值為0，標(biāo)準(zhǔn)差為1.0的隨機(jī)數(shù)。

獲得當(dāng)前幀每一層邊界上質(zhì)點(diǎn)的y坐標(biāo)的變化率v_k/v_k-1后，可以得知當(dāng)前層邊界上質(zhì)點(diǎn)的y坐標(biāo)：

y_k+1＝y(tǒng)_k+v_k+1×dt+K_k+1(z_k+1-y_k)， (14)

其中，y_k+1和y_k分別為第k+1幀和第k幀圖像中同一層邊界上同一縱向位置坐標(biāo)，運(yùn)動(dòng)速率v_k+1可由公式(13)計(jì)算得到，dt是第k幀至第k+1幀的時(shí)間間隔，時(shí)間間隔dt可為1.0左右，K_k+1表示第k+1幀中層邊界上點(diǎn)的增益，可由下面公式(15)計(jì)算得到，z_k+1表示第k+1幀中層邊界上點(diǎn)的測量值。

z₁即為上述第一幀得到的測量值，可由定制型簡化后的主動(dòng)輪廓模型獲得計(jì)算，對于非第一幀(k≥2)的測量值，可首先標(biāo)記上一幀邊緣點(diǎn)的y坐標(biāo)為m,然后在以m為中心，向上向下例如10個(gè)像素的范圍內(nèi)尋找灰度梯度的極大值，令極大值所對應(yīng)位置的y坐標(biāo)為z_k。

上述增益公式，可表示如下：

式中R_k表示第k幀中層邊界上點(diǎn)的測量值(可由簡化后的主動(dòng)輪廓線模型獲得)與數(shù)據(jù)光順值(可由Savitzky-Golay算法獲得，可假定該數(shù)據(jù)光順值為真實(shí)值)的差，可設(shè)定R₁＝1.0左右，σ_k+1和σ_k是模型在第k+1幀和第k幀中的激勵(lì)噪聲方差，可初始設(shè)定σ₁＝1.0左右，其余值激勵(lì)噪聲方差σ_k+1可由如下公式獲得：

σ_k+1＝(1-K_k)σ_k， (16)

K_k是第k幀中層邊界上點(diǎn)的增益，K₁可為0.5左右。

本發(fā)明實(shí)施例中，上述層邊界上點(diǎn)也可稱為邊緣點(diǎn)，上述層邊界也可稱為層邊緣。其中，當(dāng)k＝1時(shí)的幀為開始計(jì)算的第一幀，可通過上述獲取第一幀圖像或單幅圖像中層邊界的方法獲取視網(wǎng)膜結(jié)構(gòu)，例如圖1中步驟S110～S140或圖24的方法；當(dāng)k≥2時(shí)采用上述非第一幀的情況獲取視網(wǎng)膜結(jié)構(gòu)，例如圖1中的方法(尤其是步驟S150)。

現(xiàn)有全自動(dòng)視網(wǎng)膜分割方法的最大局限是速度不快，影響了醫(yī)生后續(xù)的實(shí)時(shí)診斷。近來，基于偏微分方程，控制理論和機(jī)器學(xué)習(xí)理論的分割方法得到了飛速的發(fā)展，為提高視網(wǎng)膜病變圖像分割精度奠定了良好的基礎(chǔ)。

本發(fā)明利用OCT相鄰圖像間的相關(guān)性，采用Kalman濾波對相鄰幀進(jìn)行建模，在避免了從第二幀開始的重復(fù)性初始化的同時(shí)，對于圖像出現(xiàn)血管陰影和由于運(yùn)動(dòng)或者不均勻光照時(shí)造成的圖像失真情況，該濾波算法可以提高魯棒性。本發(fā)明利用了視網(wǎng)膜圖像具有層狀結(jié)構(gòu)的特征，將二維的圖像分割轉(zhuǎn)化為一維的定位問題，簡化計(jì)算過程。本發(fā)明提出了一種定制化的主動(dòng)輪廓模型進(jìn)行初定位，可降低計(jì)算復(fù)雜度，結(jié)合后續(xù)的基于Savitzky-Golay算法進(jìn)行邊緣曲線平滑，有利于得到平滑的邊界。通過本發(fā)明實(shí)施例的方法，可以在保證分割準(zhǔn)確度的同時(shí)，快速獲得視網(wǎng)膜圖像各層的邊界。

本發(fā)明還提供一種對僅通過單幅圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法。具體實(shí)現(xiàn)方式，與上述第一幀圖像的處理方法類似，下面將說明單幅圖像獲取視網(wǎng)膜結(jié)構(gòu)的實(shí)施方式，重復(fù)之處不再贅述。

圖24是本發(fā)明另一實(shí)施例的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法的流程示意圖。如圖24所示，從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法，可包括步驟：

S210：計(jì)算單幅視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像；

S220：對所述感興趣區(qū)圖像進(jìn)行高斯濾波；

S230：利用多分辨率法計(jì)算高斯濾波后的所述第一層邊界的第一估計(jì)邊界位置和所述第二層邊界的第二估計(jì)邊界位置；

S240：對主動(dòng)輪廓模型進(jìn)行簡化處理，利用簡化處理后的主動(dòng)輪廓模型，根據(jù)所述第一估計(jì)邊界位置和所述第二估計(jì)邊界位置，分別對所述第一層邊界和所述第二層邊界進(jìn)行初分割，得到所述第一層邊界的第一初始輪廓位置和所述第二層邊界的第二初始輪廓位置；

S250：利用Savitzky-Golay濾波方法，對所述第一初始輪廓位置和所述第二初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第一初始輪廓位置和所述第二初始輪廓位置分別作為所述第一層邊界的分割位置和所述第二層邊界的分割位置。

S260：根據(jù)所述第一層邊界的分割位置和所述第二層邊界的分割位置，獲取所述感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到所述感興趣區(qū)圖像中的所有層邊界的分割位置。

本發(fā)明實(shí)施例中，尋找感興趣區(qū)圖像，有助于減少軸向/縱向計(jì)算冗余；高斯濾波，例如一維高斯濾波，可使圖像均勻；多分辨率法利于降低計(jì)算復(fù)雜度和減少噪聲的影響；利用簡化處理后的主動(dòng)輪廓模型確定層邊界的初始輪廓位置有助于提高計(jì)算速度；利用Savitzky-Golay濾波對圖像進(jìn)行處理，有利于增強(qiáng)層邊界的均勻連續(xù)平滑性。

圖25是本發(fā)明一實(shí)施例中計(jì)算單幅源圖像的感興趣區(qū)圖像的方法的流程示意圖。如圖25所示，上述步驟S210，計(jì)算單幅視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像的方法，可包括步驟：

S211：將所述單幅視網(wǎng)膜光學(xué)相干斷層源圖像沿其橫向進(jìn)行像素投影，得到縱向-灰階曲線；

S212：從所述縱向-灰階曲線獲取像素灰階最高值和像素灰階第二高值；

S213：根據(jù)所述像素灰階最高值所在縱向位置到所述視網(wǎng)膜光學(xué)相干斷層源圖像的頂端的距離或所述像素灰階第二高值所在縱向位置到所述視網(wǎng)膜光學(xué)相干斷層源圖像的底端的距離，以及一設(shè)定常數(shù)，確定所述感興趣區(qū)圖像的高度、頂端邊界和底端邊界；

S214：根據(jù)所述感興趣區(qū)圖像的高度、頂端邊界和底端邊界，截取得到所述感興趣區(qū)圖像。

本發(fā)明實(shí)施例中，尋找感興趣區(qū)圖像，有助于減少軸向/縱向計(jì)算冗余。其中的投影方法有助于找到最明顯的兩個(gè)層邊界，首先進(jìn)行分割。

一個(gè)實(shí)施例中，采用與圖8所示的多分辨率法估計(jì)層邊界相同的方法，估計(jì)擔(dān)負(fù)圖像中的層邊界。多分辨率法利于降低計(jì)算單幅圖像的復(fù)雜度和減少噪聲的影響。

一個(gè)實(shí)施例中，采用與圖16和圖17相同的方法，根據(jù)單幅圖像中前兩個(gè)層邊界獲取剩余層邊界。基于扁平化后的圖像，分割其他層，有利于處理由于病變造成的層 邊界變形的單幅視網(wǎng)膜圖像。

一個(gè)實(shí)施例中，采用與圖19相同的方法，分割單幅圖像中外節(jié)-色素上皮層的邊界。利用簡化處理后的主動(dòng)輪廓模型對初始化后的外節(jié)-色素上皮層的邊界進(jìn)行初分割，可降低外節(jié)-色素上皮層的邊界的計(jì)算復(fù)雜度。利用Savitzky-Golay濾波方法，對外節(jié)-色素上皮層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

一個(gè)實(shí)施例中，采用與圖20相同的方法，分割單幅圖像中色素上皮層-脈絡(luò)膜的邊界和內(nèi)核層-外網(wǎng)狀層的邊界。色素上皮層-脈絡(luò)膜和內(nèi)核層-外網(wǎng)狀層可只有其中之一，利用上述分割方法進(jìn)行分割，另一個(gè)邊界可通過其他方法進(jìn)行分割。本發(fā)明實(shí)施例中，利用簡化處理后的主動(dòng)輪廓模型對初始化后的色素上皮層-脈絡(luò)膜的邊界和內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初分割，可降低色素上皮層-脈絡(luò)膜的邊界和內(nèi)核層-外網(wǎng)狀層的邊界的計(jì)算復(fù)雜度。利用Savitzky-Golay濾波方法，對色素上皮層-脈絡(luò)膜和內(nèi)核層-外網(wǎng)狀層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

一個(gè)實(shí)施例中，采用與圖21相同的方法，分割單幅圖像中內(nèi)網(wǎng)層-內(nèi)核層的邊界。本發(fā)明實(shí)施例中，利用簡化處理后的主動(dòng)輪廓模型對初始化后的內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初分割，可降低內(nèi)網(wǎng)層-內(nèi)核層的邊界的計(jì)算復(fù)雜度。利用Savitzky-Golay濾波方法，對內(nèi)網(wǎng)層-內(nèi)核層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

一個(gè)實(shí)施例中，采用與圖22相同的方法，分割單幅圖像中神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界。本發(fā)明實(shí)施例中，利用簡化處理后的主動(dòng)輪廓模型對初始化后的神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初分割，可降低神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界的計(jì)算復(fù)雜度。利用Savitzky-Golay濾波方法，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

上述各實(shí)施例中，簡化處理后的主動(dòng)輪廓模型可只包含圖像能項(xiàng)，該圖像能項(xiàng)可為：

其中，E_image為圖像能項(xiàng)，f(x_i,y_j)是像素(x_i,y_j)的灰度值，i和j分別是像素(x_i,y_j)在橫向x和縱向y上的位置，k是層邊界(例如，第一層邊界～第八層邊界中的任一邊界)中的像素位置，n是像素位置k的縱向鄰域半徑。

本發(fā)明的方法，通過引入Kalman濾波，針對視網(wǎng)膜層狀結(jié)構(gòu)進(jìn)行改進(jìn)的主動(dòng) 輪廓模型及曲線濾波技術(shù)，平均速度提高到60毫秒每幅。本發(fā)明采用新的策略，在滿足精度要求的同時(shí)，能夠提高正常和異常人眼的圖像分割速度。

基于與圖1所示的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法相同的發(fā)明構(gòu)思，本發(fā)明實(shí)施例還提供了一種從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)，如下面實(shí)施例所述。由于該從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)解決問題的原理與從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法相似，因此該從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)的實(shí)施可以參見從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法的實(shí)施，重復(fù)之處不再贅述。

圖26是本發(fā)明實(shí)施例的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)的結(jié)構(gòu)示意圖。如圖26所示，從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)，包括：感興趣區(qū)圖像生成單元310、高斯濾波單元320、前兩個(gè)層邊界分割單元330、剩余層邊界分割單元340及相鄰幀層邊界分割單元350，上述多個(gè)單元順序連接。

感興趣區(qū)圖像生成單元310用于計(jì)算三維圖像體數(shù)據(jù)的第一幀的視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像。

高斯濾波單元320用于對第一幀的所述感興趣區(qū)圖像進(jìn)行高斯濾波。

前兩個(gè)層邊界分割單元330用于根據(jù)多分辨率法和簡化處理后的主動(dòng)輪廓模型，獲取第一幀的所述感興趣區(qū)圖像中第一層邊界和第二層邊界的分割位置。

剩余層邊界分割單元340用于根據(jù)所述第一層邊界的分割位置和所述第二層邊界的分割位置，獲取第一幀的所述感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置。

相鄰幀層邊界分割單元350用于根據(jù)第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置，確定所述第二幀圖像中的層邊界的分割位置，根據(jù)第二幀圖像中的層邊界的分割位置，確定第三幀圖像中的層邊界的分割位置，依次迭代得到剩余所有幀圖像中的層邊界的分割位置，其中，第一幀、第二幀及第三幀是依次相鄰的幀。

本發(fā)明實(shí)施例的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)，先確定第一幀圖像的視網(wǎng)膜層邊界位置，再通過相鄰幀層邊界分割單元，利用OCT相鄰圖像間的相關(guān)性，依次獲得其他所有幀圖像中的視網(wǎng)膜層邊界位置，可以避免從第二幀開始重復(fù)初始化其他幀，顯著提高了三維視網(wǎng)膜結(jié)構(gòu)的獲取速度。且該系統(tǒng)的高斯濾波單元通過濾波算法，可對于圖像出現(xiàn)血管陰影和由于運(yùn)動(dòng)或者不均勻光照時(shí)造成的圖像失真情 況，提高魯棒性。

圖27是本發(fā)明一實(shí)施例中的感興趣區(qū)圖像生成單元的結(jié)構(gòu)示意圖。如圖27所示，圖26中的感興趣區(qū)圖像生成單元310，可包括：像素投影模塊311、像素值讀取模塊312、感興趣區(qū)參數(shù)生成模塊313及感興趣區(qū)圖像生成模塊314，上述各模塊順序連接。

像素投影模塊311用于將所述第一幀的視網(wǎng)膜光學(xué)相干斷層源圖像沿其橫向進(jìn)行像素投影，得到縱向-灰階曲線。

像素值讀取模塊312用于從所述縱向-灰階曲線獲取像素灰階最高值和像素灰階第二高值。

感興趣區(qū)參數(shù)生成模塊313用于根據(jù)所述像素灰階最高值所在縱向位置到所述視網(wǎng)膜光學(xué)相干斷層源圖像的頂端的距離或所述像素灰階第二高值所在縱向位置到所述視網(wǎng)膜光學(xué)相干斷層源圖像的底端的距離，以及一設(shè)定常數(shù)，確定第一幀的所述感興趣區(qū)圖像的高度、頂端邊界和底端邊界。

感興趣區(qū)圖像生成模塊314用于根據(jù)第一幀的所述感興趣區(qū)圖像的高度、頂端邊界和底端邊界，截取得到第一幀的所述感興趣區(qū)圖像。

本發(fā)明實(shí)施例中，在對OCT圖像進(jìn)行后續(xù)處理之前，通過感興趣區(qū)參數(shù)生成模塊截取得到感興趣區(qū)(Region of Interest,ROI)圖像，可減少在軸向上存在的顯著冗余，后續(xù)模塊或單元處理均可針對ROI圖像進(jìn)行，從而能夠在定位更準(zhǔn)確的同時(shí)，減少計(jì)算成本。

圖28是本發(fā)明一實(shí)施例中的前兩個(gè)層邊界分割單元的結(jié)構(gòu)示意圖。如圖28所示，圖26中的前兩個(gè)層邊界分割單元330，可包括：前兩層邊界估計(jì)單元331、初始輪廓生成單元332及光滑處理單元333，上述各單元(331、332及333)順序連接。

前兩層邊界估計(jì)單元331用于利用多分辨率法計(jì)算高斯濾波后的所述第一層邊界的第一估計(jì)邊界位置和所述第二層邊界的第二估計(jì)邊界位置。

初始輪廓生成單元332用于對主動(dòng)輪廓模型進(jìn)行簡化處理，利用簡化處理后的主動(dòng)輪廓模型，根據(jù)所述第一估計(jì)邊界位置和所述第二估計(jì)邊界位置，分別對所述第一層邊界和所述第二層邊界進(jìn)行初分割，得到所述第一層邊界的第一初始輪廓位置和所述第二層邊界的第二初始輪廓位置。

光滑處理單元333用于利用Savitzky-Golay濾波方法，對所述第一初始輪廓位置 和所述第二初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第一初始輪廓位置和所述第二初始輪廓位置分別作為所述第一層邊界的分割位置和所述第二層邊界的分割位置。

本發(fā)明實(shí)施例中，先通過前兩層邊界估計(jì)單元將第一層邊界和第二層邊界，例如，OCT圖像中最明顯的兩層邊界Vitreous-NFL和IS/OS提取出來，第一層邊界和第二層邊界越明顯越有助于提高層邊界分割的準(zhǔn)確性。采用多分別率法估計(jì)第一層邊界和第二層邊界的位置，有利于降低計(jì)算復(fù)雜度和減少噪聲的影響。初始輪廓生成單元利用簡化處理后的主動(dòng)輪廓模型確定層邊界的初始輪廓位置有助于提高計(jì)算速度。光滑處理單元利用Savitzky-Golay濾波對圖像進(jìn)行處理，有利于增強(qiáng)層邊界的均勻連續(xù)平滑性。

圖29是本發(fā)明一實(shí)施例中的剩余層邊界分割單元的結(jié)構(gòu)示意圖。如圖29所示，圖26中的剩余層邊界分割單元340，可包括：扁平化處理模塊341、第一邊界分割模塊342、第二邊界分割模塊343、第三邊界分割模塊344、第四邊界分割模塊345及扁平化逆操作模塊346，上述各模塊順序連接。

扁平化處理模塊341用于以所述第一層邊界的分割位置作為參考位置，對第一幀的所述感興趣區(qū)圖像進(jìn)行扁平化處理。

第一邊界分割模塊342用于根據(jù)所述第一層邊界的分割位置，確定外節(jié)-色素上皮層的分割位置和外網(wǎng)狀層-外核層的分割位置。

第二邊界分割模塊343用于根據(jù)所述外節(jié)-色素上皮層的分割位置和所述外網(wǎng)狀層-外核層的分割位置，分別確定色素上皮層-脈絡(luò)膜的分割位置和內(nèi)核層-外網(wǎng)狀層的分割位置。

第三邊界分割模塊344用于根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，確定內(nèi)網(wǎng)層-內(nèi)核層的分割位置。

第四邊界分割模塊345用于根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，確定神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的分割位置。

扁平化逆操作模塊346用于對獲得所有層邊界的分割位置后的所述感興趣區(qū)圖像進(jìn)行扁平化處理逆操作，得到第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置。

其中，所述第一層邊界和所述第二邊界層分別為所述內(nèi)節(jié)-外節(jié)的邊界和所述玻 璃體-視神經(jīng)纖維層的邊界；所述內(nèi)節(jié)-外節(jié)的邊界、所述玻璃體-視神經(jīng)纖維層的邊界、所述外節(jié)-色素上皮層的邊界、所述外網(wǎng)狀層-外核層的邊界、所述色素上皮層-脈絡(luò)膜的邊界、所述內(nèi)核層-外網(wǎng)狀層的邊界、所述內(nèi)網(wǎng)層-內(nèi)核層的邊界及所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界構(gòu)成所述所有層邊界的分割位置。

本發(fā)明實(shí)施例中，利用扁平化逆操作模塊進(jìn)行圖像扁平化的操作。特別的，可以以上述第一層邊界(例如IS/OS的邊界)為參照物。

圖30是本發(fā)明一實(shí)施例中的相鄰幀層邊界分割單元的結(jié)構(gòu)示意圖。如圖30所示，圖26中的相鄰幀層邊界分割單元350，可包括：相鄰幀高斯濾波模塊351、相鄰幀初始化模塊352、相鄰幀初始輪廓生成模塊353及相鄰幀光滑處理模塊354，上述各模塊順序連接。

相鄰幀高斯濾波模塊351用于對所述第二幀圖像進(jìn)行高斯濾波。

相鄰幀初始化模塊352用于根據(jù)第一幀的所述感興趣區(qū)圖像中的所有層邊界的分割位置，利用設(shè)定的Kalman濾波模型對高斯濾波后的所述第二幀圖像中的層邊界進(jìn)行初始化。

相鄰幀初始輪廓生成模塊353用于利用簡化處理后的主動(dòng)輪廓模型，估計(jì)初始化后的所述第二幀圖像中的層邊界的第三初始輪廓位置。

相鄰幀光滑處理模塊354用于利用Savitzky-Golay濾波方法，對所述第三初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第三初始輪廓位置作為所述第二幀圖像中的層邊界的分割位置。

在各模塊(相鄰幀高斯濾波模塊351、相鄰幀初始化模塊352、相鄰幀初始輪廓生成模塊353及相鄰幀光滑處理模塊354)，對非第一幀圖像進(jìn)行處理，具體處理方法可與上述各實(shí)施例中的模塊的處理方法相同，且具有相同的功效，在此不再贅述。

圖31是本發(fā)明一實(shí)施例中的第一邊界分割模塊的結(jié)構(gòu)示意圖。如圖31所示，圖29中的第一邊界分割模塊342，可包括：第一邊界初始化模塊3421、第一初始輪廓生成模塊3422及第一光滑處理模塊3423，上述多個(gè)模塊順序連接。

第一邊界初始化模塊3421用于根據(jù)所述第一層邊界的分割位置，對所述外節(jié)-色素上皮層的邊界進(jìn)行初始化。

第一初始輪廓生成模塊3422用于利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述外節(jié)-色素上皮層的邊界進(jìn)行初分割，得到第四初始輪廓位置。

第一光滑處理模塊3423用于利用Savitzky-Golay濾波方法，對所述第四初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第四初始輪廓位置作為所述外節(jié)-色素上皮層的邊界的分割位置。

本發(fā)明實(shí)施例中，第一初始輪廓生成模塊利用簡化處理后的主動(dòng)輪廓模型對初始化后的外節(jié)-色素上皮層的邊界進(jìn)行初分割，可降低外節(jié)-色素上皮層的邊界的計(jì)算復(fù)雜度。利用Savitzky-Golay濾波方法，第一光滑處理模塊對外節(jié)-色素上皮層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

圖32是本發(fā)明一實(shí)施例中的第二邊界分割模塊的結(jié)構(gòu)示意圖。如圖32所示，圖29中的第二邊界分割模塊343，可包括：第二邊界初始化模塊3431、第二初始輪廓生成模塊3432及第二光滑處理模塊3433，上述多個(gè)模塊順序連接。

第二邊界初始化模塊3431用于根據(jù)所述外節(jié)-色素上皮層的分割位置和所述外網(wǎng)狀層-外核層的分割位置，分別對色素上皮層-脈絡(luò)膜的邊界和所述內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初始化。

第二初始輪廓生成模塊3432用于利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述色素上皮層-脈絡(luò)膜的邊界和初始化后的所述內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初分割，分別得到第五初始輪廓位置和第六初始輪廓位置。

第二光滑處理模塊3433用于利用Savitzky-Golay濾波方法，對所述第五初始輪廓位置和所述第六初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第五初始輪廓位置和所述第六初始輪廓位置分別作為所述色素上皮層-脈絡(luò)膜的邊界的分割位置和所述內(nèi)核層-外網(wǎng)狀層的邊界的分割位置。

色素上皮層-脈絡(luò)膜和內(nèi)核層-外網(wǎng)狀層可只有其中之一，利用上述分割方法進(jìn)行分割，另一個(gè)邊界可通過其他方法進(jìn)行分割。

本發(fā)明實(shí)施例中，第二初始輪廓生成模塊利用簡化處理后的主動(dòng)輪廓模型對初始化后的色素上皮層-脈絡(luò)膜的邊界和內(nèi)核層-外網(wǎng)狀層的邊界進(jìn)行初分割，可降低色素上皮層-脈絡(luò)膜的邊界和內(nèi)核層-外網(wǎng)狀層的邊界的計(jì)算復(fù)雜度。第二光滑處理模塊利用Savitzky-Golay濾波方法，對色素上皮層-脈絡(luò)膜和內(nèi)核層-外網(wǎng)狀層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

圖33是本發(fā)明一實(shí)施例中的第三邊界分割模塊的結(jié)構(gòu)示意圖。如圖33所示，圖29中的第三邊界分割模塊344，可包括：第三邊界初始化模塊3441、第三初始輪廓 生成模塊3442及第三光滑處理模塊3443，上述多個(gè)模塊順序連接。

第三邊界初始化模塊3441用于根據(jù)所述內(nèi)核層-外網(wǎng)狀層的分割位置，對所述內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初始化。

第三初始輪廓生成模塊3442用于利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初分割，得到第七初始輪廓位置。

第三光滑處理模塊3443用于利用Savitzky-Golay濾波方法，對所述第七初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第七初始輪廓位置作為所述內(nèi)網(wǎng)層-內(nèi)核層的邊界的分割位置。

本發(fā)明實(shí)施例中，第三初始輪廓生成模塊利用簡化處理后的主動(dòng)輪廓模型對初始化后的內(nèi)網(wǎng)層-內(nèi)核層的邊界進(jìn)行初分割，可降低內(nèi)網(wǎng)層-內(nèi)核層的邊界的計(jì)算復(fù)雜度。第三光滑處理模塊利用Savitzky-Golay濾波方法，對內(nèi)網(wǎng)層-內(nèi)核層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

圖34是本發(fā)明一實(shí)施例中的第四邊界分割模塊的結(jié)構(gòu)示意圖。如圖34所示，圖29中的第四邊界分割模塊345，可包括：第四邊界初始化模塊3451、第四初始輪廓生成模塊3452及第四光滑處理模塊3453，上述多個(gè)模塊順序連接。

第四邊界初始化模塊3451用于根據(jù)所述內(nèi)網(wǎng)層-內(nèi)核層的分割位置和所述第二層邊界的分割位置，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初始化。

第四初始輪廓生成模塊3452用于利用簡化處理后的主動(dòng)輪廓模型，對初始化后的所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初分割，得到第八初始輪廓位置。

第四光滑處理模塊3453用于利用Savitzky-Golay濾波方法，對所述第八初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第八初始輪廓位置作為所述神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界的分割位置。

上述第四邊界初始化模塊，根據(jù)內(nèi)網(wǎng)層-內(nèi)核層的分割位置和第二層邊界的分割位置，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初始化，在其他實(shí)施例中，可只根據(jù)內(nèi)網(wǎng)層-內(nèi)核層的分割位置和第二層邊界的分割位置之一，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初始化，即可根據(jù)內(nèi)網(wǎng)層-內(nèi)核層的分割位置和第二層邊界的分割位置之一，確定神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的分割位置。

本發(fā)明實(shí)施例中，第四初始輪廓生成模塊利用簡化處理后的主動(dòng)輪廓模型對初始化后的神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的邊界進(jìn)行初分割，可降低神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞 層的邊界的計(jì)算復(fù)雜度。第四光滑處理模塊利用Savitzky-Golay濾波方法，對神經(jīng)纖維層-神經(jīng)節(jié)細(xì)胞層的初始輪廓位置進(jìn)行光滑處理，可消除其輪廓鋸齒。

圖35是本發(fā)明一實(shí)施例中的前兩層邊界估計(jì)單元的結(jié)構(gòu)示意圖。如圖35所示，圖28中的前兩層邊界估計(jì)單元331，可包括：下采樣模塊3311、梯度模計(jì)算模塊3312、梯度模最大值生成模塊3313及估計(jì)邊界生成模塊3314，上述多個(gè)模塊順序連接。

下采樣模塊3311用于根據(jù)縱向上的設(shè)定尺度因子，對高斯濾波后的所述感興趣區(qū)圖像進(jìn)行下采樣。

梯度模計(jì)算模塊3312用于計(jì)算下采樣后的所述感興趣區(qū)圖像的縱向灰度梯度模。

梯度模最大值生成模塊3313用于將所述感興趣區(qū)圖像的縱向灰度梯度模的初步最大值和初步第二大值分別作為所述第一層邊界的縱向位置和所述第二層邊界的縱向位置。

估計(jì)邊界生成模塊3314用于確定所述初步最大值和初步第二大值后，將下采樣后的所述感興趣區(qū)圖像的橫向位置乘以一設(shè)定橫向值，縱向位置乘以一設(shè)定縱向值，計(jì)算得到所述第一估計(jì)邊界位置和所述第二估計(jì)邊界的位置。

本發(fā)明實(shí)施例中，通過求取縱向灰度梯度模的初步最大值和初步第二大值可以先將最明顯的兩個(gè)層邊界的位置估計(jì)出來，可以顯著降低計(jì)算復(fù)雜度和減少噪聲的影響。

一個(gè)實(shí)施例中，所述初始輪廓生成單元332，還可包括：主動(dòng)輪廓模型簡化模塊，用于使所述簡化處理后的主動(dòng)輪廓模型只包含圖像能項(xiàng)，所述圖像能項(xiàng)為：

其中，E_image為圖像能項(xiàng)，f(x_i,y_j)是像素(x_i,y_j)的灰度值，i和j分別是像素(x_i,y_j)在橫向x和縱向y上的位置，k是所述第一層邊界或所述第二層邊界中的像素位置，n是像素位置k的縱向鄰域半徑。

一個(gè)實(shí)施例中，所述相鄰幀初始化模塊352，可還包括：Kalman濾波模型設(shè)定模塊，用于獲取所述設(shè)定的Kalman濾波模型為：

y_k+1＝y(tǒng)_k+v_k+1×dt+K_k+1(z_k+1-y_k)，

v_k+1＝v_k+rand(v_k+1)，

σ_k+1＝(1-K_k)σ_k，

其中，y_k+1和y_k分別為第k+1幀和第k幀圖像中同一層邊界上同一縱向位置坐標(biāo)，v_k+1和v_k分別為第k+1幀和第k幀圖像中層邊界上質(zhì)點(diǎn)的運(yùn)動(dòng)速率，dt是第k幀至第k+1幀的時(shí)間間隔，K_k+1和K_k分別是第k+1幀和第k幀中層邊界上點(diǎn)的增益，z_k+1是第k+1幀中層邊界上點(diǎn)的測量值，rand(v_k+1)是運(yùn)動(dòng)速率v_k+1的隨機(jī)變量，σ_k+1和σ_k是模型在第k+1幀和第k幀中的激勵(lì)噪聲方差，R_k是第k幀中層邊界上點(diǎn)的測量值和數(shù)據(jù)光順值的差值，其中，k為幀的序號，k為大于或等于1的整數(shù)，當(dāng)k＝1時(shí)，幀的序號為所述第一幀，當(dāng)k＝2時(shí)，幀的序號為所述第二幀。

基于與圖24所示的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法相同的發(fā)明構(gòu)思，本發(fā)明實(shí)施例還提供了一種從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)，如下面實(shí)施例所述。由于該從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)解決問題的原理與從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法相似，因此該從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)的實(shí)施可以參見從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的方法的實(shí)施，重復(fù)之處不再贅述。

圖36是本發(fā)明另一實(shí)施例的從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)的結(jié)構(gòu)示意圖。如圖36所示，從光學(xué)相干斷層圖像獲取視網(wǎng)膜結(jié)構(gòu)的系統(tǒng)，可包括：感興趣區(qū)圖像生成單元410、高斯濾波單元420、前兩層邊界估計(jì)單元430、初始輪廓生成單元440、光滑處理單元450及剩余層邊界分割單元460，上述各單元順序連接。

感興趣區(qū)圖像生成單元410用于計(jì)算單幅視網(wǎng)膜光學(xué)相干斷層源圖像的感興趣區(qū)圖像。

高斯濾波單元420用于對所述感興趣區(qū)圖像進(jìn)行高斯濾波。

前兩層邊界估計(jì)單元430用于利用多分辨率法計(jì)算高斯濾波后的所述第一層邊界的第一估計(jì)邊界位置和所述第二層邊界的第二估計(jì)邊界位置。

初始輪廓生成單元440用于對主動(dòng)輪廓模型進(jìn)行簡化處理，利用簡化處理后的主動(dòng)輪廓模型，根據(jù)所述第一估計(jì)邊界位置和所述第二估計(jì)邊界位置，分別對所述第一層邊界和所述第二層邊界進(jìn)行初分割，得到所述第一層邊界的第一初始輪廓位置和所述第二層邊界的第二初始輪廓位置。

光滑處理單元450用于利用Savitzky-Golay濾波方法，對所述第一初始輪廓位置和所述第二初始輪廓位置進(jìn)行光滑處理，并將光滑處理后的所述第一初始輪廓位置和所述第二初始輪廓位置分別作為所述第一層邊界的分割位置和所述第二層邊界的分割位置。

剩余層邊界分割單元460用于根據(jù)所述第一層邊界的分割位置和所述第二層邊界的分割位置，獲取所述感興趣區(qū)圖像中剩余的層邊界的分割位置，以得到所述感興趣區(qū)圖像中的所有層邊界的分割位置。

本發(fā)明實(shí)施例中，通過感興趣區(qū)圖像生成單元尋找感興趣區(qū)圖像，有助于減少軸向/縱向計(jì)算冗余；高斯濾波，例如一維高斯濾波，可使圖像均勻；通過前兩層邊界估計(jì)單元多分辨率法利于降低計(jì)算復(fù)雜度和減少噪聲的影響；通過初始輪廓生成單元利用簡化處理后的主動(dòng)輪廓模型確定層邊界的初始輪廓位置有助于提高計(jì)算速度；通過光滑處理單元利用Savitzky-Golay濾波對圖像進(jìn)行處理，有利于增強(qiáng)層邊界的均勻連續(xù)平滑性。

本發(fā)明具體地具有如下優(yōu)點(diǎn)：

1)在保證精度的同時(shí)，本發(fā)明實(shí)施例的算法具有快速性，平均速度比現(xiàn)有技術(shù)的計(jì)算速度快了37倍。

2)提出的定制化主動(dòng)輪廓線模型，不僅僅適用于OCT視網(wǎng)膜圖像，還可以通過擴(kuò)展用于所有層狀結(jié)構(gòu)圖像的分割。

3)提出了Kalman濾波對相鄰圖像幀的邊緣進(jìn)行跟蹤，不僅僅適用于OCT視網(wǎng)膜圖像，還適用于形狀及大小改變有限的序列圖像的分割。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、CD-ROM、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè) 備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

以上所述的具體實(shí)施例，對本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限定本發(fā)明的保護(hù)范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。