APP下载

基于RAU-net的视网膜OCT图像快速自动分层研究

2021-04-23曾兴晖许祥丛王茗祎钟俊平熊红莲

华南师范大学学报(自然科学版) 2021年2期
关键词:特征方法

曾兴晖, 许祥丛, 李 晓, 王茗祎, 钟俊平, 熊红莲*

(1. 佛山科学技术学院机电工程与自动化学院, 佛山 528225; 2. 佛山科学技术学院物理与光电工程学院, 佛山 528225)

光学相干层析成像(Optical Coherence Tomography,OCT)视网膜图像的定性评估可以为临床决策提供关键信息,包括眼部疾病的分类和检测信息[1-2]. 量化OCT视网膜数据对于诊断眼科疾病、研究眼睛形态的变化非常重要[3-4],能帮助眼科医生发现早期疾病、跟踪疾病进展和监测治疗效果[5-6]. 视网膜层分割是OCT图像分析中的一项基础性工作,开发可靠的OCT视网膜图像分割方法一直是研究与视网膜层厚度相关疾病的重点. 将OCT视网膜图像分成10个区域,大多数自动分割方法关注的焦点是区域间的9条边界. 从眼睛内部向外,这10个区域包括:玻璃体、视网膜神经纤维层(RNFL)、神经节细胞层和内丛状层(GCL+IPL)、内核层(INL)、外丛状层(OPL)、外核层(ONL)、内段(IS)、外段(OS)、视网膜色素上皮层(RPE)、脉络膜.

为了快速准确地得到OCT视网膜图像分层结果,视网膜层的自动分割技术已被广泛研究[7-13]. 水平集方法[7-8,13]在获得拓扑结构正确的视网膜层分割技术中效果显著,但是水平集方法计算耗时较长,分层结果的运行时间往往需要几个小时. 基于图像搜索的方法[9,10]也已被广泛应用于视网膜图像的分割. 最新技术使用机器学习[12,14-15]的方式(如随机森林[12])进行像素级的标记分类,并使用图像搜索方法来提取分层结果. 虽然这些方法已经表现出显著的优点,但是受到手动选择特征和模型参数的限制,面对不……

登录APP查看全文

猜你喜欢

特征方法
如何表达“特征”
不忠诚的四个特征
学习方法
用对方法才能瘦
四大方法 教你不再“坐以待病”!
赚钱方法
捕鱼
线性代数的应用特征