1.一种基于神经网络与约束图搜索算法的OCT图像层分割方法,其特征在于,包括:训练随机森林分类器;在训练神经网络分类器时,将OCT图像的多个层结构分割为了n个分类标记区域,各区域分别具有上表面;提取了OCT图像中的m个特征;
确定待分割OCT图像区域1的上表面SF1的初始形状,基于多分辨图搜索算法得到上表面的最终形状SF1;
提取待分割OCT图像与训练神经网络分类器时相同的m个特征,使用神经网络分类器,对待分割OCT图像进行分类标记为n个区域,找到区域2至区域n中各个区域上表面的初始形状S2……Sn,基于各区域上表面的初始形状分别各自使用约束图搜索算法,得到各区域上表面的最终形状SF2……SFn,其中n为正整数;
其中,约束图搜索算法具体包括:
A1:待分割的OCT图像使用各向异性滤波后的OCT图像 并根据多尺度亮层结构响应 公式计算亮层结构响应 σt表示尺度;根据多尺度暗层结构响应 公式计算多尺度暗层结构响应 其中,σt,min,σt,max表示最小和最大尺度;
A2:建立约束图,约束图中的结点V(x,y,z)与OCT图像中像素一一对应,另外添加两个虚拟结点:源结点S和汇结点T;约束图包含三类有向边:列内边Eintra、列间边Einter和终端边Eterminal,定义如下:Eintra=
列内边Eintra和列间边Einter的权重设为无穷大,终端边Eterminal的权重设为各结点V(x,y,z)权重的绝对值|ω(V(x,y,z))|,使用最大流/最小割算法找到上表面。
2.根据权利要求1所述的基于神经网络与约束图搜索算法的OCT图像层分割方法,其特征在于,还包括:确定上、下设置的两上表面SFi、SFj之间的新生血管与积液的步骤,具体方法包括:将上表面SFi、SFj之间由上至下划分为若干子区域,各子区域分别具有一上表面,且各子区域均位于该子区域上表面和相邻子区域上表面之间,对各区域的上表面的初始形状分别各自使用约束图搜索算法,得到各子区域上表面的最终形状;
使用凸包算法得到该子区域上表面的凸包上表面,计算该子区域上表面与凸上表面之间高度差,判断所述的高度差是否大于或等于预定个像素,若大于或等于预定个像素,则确定该子区域存在新生血管,在该子区域使用阈值分割得到新生血管;
若小于预定个像素,则该子区域不存在新生血管;
在SFi与SFj之间使用阈值方法分割积液。
3.根据权利要求1所述的基于神经网络与约束图搜索算法的OCT图像层分割方法,其特征在于,训练神经网络分类器的训练包括:将将脉络膜血管新生视网膜病变视网OCT图像分割为n个区域,区域1、区域2、……区域n;
提取OCT图像的24个特征,具体方式包括:
步骤B1:设OCT图像中体素的坐标向量 从OCT图像标记区域中找到最上层上表面;从最上层上表面向下扫描,计算最上层上表面下面体素到最上层上表面的距离,作为一种距离特征;
OCT图像的横轴坐标x和纵轴坐标y作为另外两种特征,其中视网膜层的上表面由z表示;
步骤B2:OCT图像 体素值也作为一种特征,使用各向异性滤波后的OCT图像 体素值也作为一种特征;
步骤B3:各向异性滤波后的OCT图像进行归一化操作,作为特征:其中, 表示归一化后的图像,IN,max归一化后的图像最大值,If,s表示归一化起始OCT图像值,If,r表示归一化亮度区间宽度;得到5个归一化图像特征;
步骤B4:计算图像 的每个像素三个特征值 其中
σt表示尺度也即高斯函数的标准差,并计算亮层结构响应:暗层结构响应:
其中,α、β表示对称性参数;基于公式(2)和公式(3),按如下方式计算亮层和暗层结构的多尺度响应:其中,σt,min,σt,max表示最小和最大尺度;示例神经网络与测试中,根据公式(2)-(4)计算OCT图像层结构响应图像特征14个;
提取特征后,使用分割标记区域和OCT图像特征训练神经网络分类器。
4.根据权利要求3所述的基于神经网络与约束图搜索算法的OCT图像层分割方法,其特征在于,得到OCT图像特征训练神经网络分类器,在训练神经网络分类器时,将OCT图像的多个层结构分割为了8个分类标记区域,分区情况以及各层结构对应的上表面标号如下:区域1:神经纤维层SF1;区域2:神经节细胞层SF2;区域3:内丛状层SF3;区域4:内核层SF4;区域5:外丛状层SF5;区域6:外核层+外界膜+样区SF6;区域7:椭球区+外光感受器节层+交错区+视网膜色素上皮/布鲁赫SF7;区域8:玻璃体+脉络膜SF8;
使用多分辨率图搜索算法获得标示区域1上表面的精确上表面SF1;
提取OCT图像的24个特征,使用已训练的神经网络分类器,对OCT图像进行分类标记8个区域,从上向下找到标记区域的上表面作为视网膜8个区域的初始边界S1,S2,…,S8;
根据初始边界S2至S8,使用约束图搜索算法依次找到精确的SF2至SF8;
在SF7与SF8之间,使用约束图搜索算法分割得到上表面SF7b;
在SF7b与SF8之间,使用约束图搜索算法分割得到上表面SF8t;
使用凸包算法得到上表面SF7的凸上表面SF7’,如果上表面SF7与凸上表面SF7’之间高度差大于a(a=20)个像素,则认为该区域存在新生血管,在SF7与SF7b之间使用阈值分割得到新生血管;否则,认为该区域不存在新生血管;
如果SF7b与SF8t之间高度差大于b(b=5)个像素,则认为该区域存在新生血管,SF7b与SF8t之间使用阈值分割得到新生血管;否则,认为该区域不存在新生血管;
使用凸包算法得到上表面SF8的凸上表面SF8’,如果上表面SF8t与凸上表面SF8’之间高度差大于c(c=8)个像素,则认为该区域存在新生血管,在SF8t与SF8’之间使用阈值分割得到新生血管;否则,认为该区域不存在新生血管;
在SF7与SF8之间使用阈值方法分割积液。
5.根据权利要求2所述的基于神经网络与约束图搜索算法的OCT图像层分割方法,其特征在于,步骤C3中:If,s表示归一化起始OCT图像值,设为50、55、60、65、70;If,r表示归一化亮度区间宽度,设为120;
步骤A2中: θ、表示合成加权系数均设为1.
步骤B4中:α、β表示对称性参数,都设为0.25;
σt,min,σt,max表示最小和最大尺度,设为1和4,σt=1,2,3,4)。
6.根据权利要求1所述的基于神经网络与约束图搜索算法的OCT图像层分割方法,其特征在于,所述的预定的像素点为经验值。