基于AS-OCT图像的3D虹膜表面重建和量化方法及分割网络

技术领域

本发明涉及一种基于AS-OCT图像的3D虹膜表面重建和量化方法，属于图像处理领域，可用于虹膜形态分析及闭角型青光眼的辅助筛查等方面。

背景技术

前节OCT(AS-OCT)成像是一种非接触，非侵入性的方法，用于横断面观察前节结构。在AS-OCT中观察到的解剖结构，例如虹膜形状和前房角(ACA)在促进闭角型青光眼的检查和诊断中起关键作用。然而，人工鉴定闭角型青光眼既费时又容易发生人为错误，为此，自动提取形态特征(例如ACA，虹膜和其他前节结构)将有益于临床诊断和各种自动化筛查系统。

流行病学研究表明，虹膜参数与狭窄的ACA存在相关性，且前弓虹膜可能与闭角进展程度有关。同时虹膜表面的形态变化是一个重要标志，使得眼科医生能够借此了解闭角型青光眼的发病机理。基于以上原因，从AS-OCT自动提取虹膜对未来的诊断和预后具有重要意义，使其成为一个活跃的研究领域。但是，目前的相关方法都是基于AS-OCT的2D切片，基于2D切片提取的特征在需要进一步区分闭角型青光眼时很难起到有效作用。这主要是由于AS-OCT仅提供了整个眼前节的单个横截面切片视图，在确定角度状态时并没有考虑周围邻域的信息。与仅使用单个2D切片的常规方法相比，对虹膜3D表面的全局信息的分析可能会显著提高检测的精度和鲁棒性。

发明内容

本发明针对现有的基于AS-OCT图像的自动分析算法在进行青光眼筛查时缺少3D空间信息的问题，提出了一种基于AS-OCT图像的3D虹膜表面重建和量化方法。

本发明实现上述目的的技术方案如下：

一种基于AS-OCT图像的3D虹膜表面重建和量化方法，其特征在于包括如下步骤：

1)使用基于小波变换的U型分割网络获取虹膜，提取精确的虹膜上边缘；

2)利用提取到的虹膜上边缘，采用基于自适应泊松圆盘采样的引导优化算法进行3D虹膜表面的重建；

3)从3D虹膜表面提取与曲率相关的特征，用于辅助闭角型青光眼的筛查和诊断。

本发明还提出一种基于小波变换实现虹膜分割的网络，其特征在于以U-net为基础框架，包括编码器和解码器，在所述编码器第1、2、3个卷积块之后分别插入一个2D离散小波变换模块，所述2D离散小波变换模块包含四个卷积滤波器：低通滤波器f

四个卷积滤波器分别定义如下：

子频带特征

本发明与现有技术相比，具有如下优势：

1.本发明首次提出使用3D虹膜特征来检测闭角型青光眼，为探究青光眼的发病机理提供了一种有效的工具；

2.本发明首次提出了一种有效的用于3D虹膜重建和量化的框架，为评估虹膜形态，研究虹膜和眼科疾病的相关性提供了新的途径；

3.本发明将小波变换引入到分割网络，在减少冗余信息的同时可以保留足够的细节信息，进而获得更高的分割精度；

4.本发明提出了使用引导优化算法来进行虹膜重建，借助自适应泊松圆盘采样技术，可以获得更精确的虹膜表面；

5.本发明在一批AS-OCT图像上对算法进行了验证，并使用获得的3D虹膜及特征进行了闭角型青光眼的筛查。结果表明，相比2D特征，3D特征能够获得更高的分类精度。

附图说明

图1本发明方法流程；

图2基于AS-OCT图像的3D虹膜表面重建和量化流程；

图3分割网络结构及细节；

图4虹膜分割实验结果；

图5虹膜重建结果及特征提取结果可视化。

具体实施方式

如图1、图2所示，本发明的基于AS-OCT图像的3D虹膜表面重建和量化方法包括如下步骤：

1.基于小波变换实现虹膜分割网络

以往的用于分割的卷积神经网络中，通过跳连接将编码器的高分辨率特征图与解码器特征组合在一起，从而将细节信息引入到解码器，来弥补由于池化和卷积操作导致的信息丢失。但是，该操作也会将大量无关的信息引入到解码器，干扰并削弱网络的学习能力。为了解决这个问题，本发明在U型分割网络中加入了一个新的网络组件，即小波优化模块(WRB)。该模块能够在减少冗余信息的同时，为解码器提供足够的细节，从而获得更加准确的分割结果。图3所示是所提出网络的结构图。

1)离散小波变换：给定输入特征X，使用带有四个卷积滤波器(低通滤波器f

上面提到的卷积的步长都是2。DWT操作定义为

2)网络结构：本发明使用U-Net作为基础框架，它由编码器和解码器组成。为了在上采样过程中获得足够的细节信息，在编码器的第1、2、3个卷积块之后分别插入一个WRB，这三个模块可以将多层次的细节信息送到解码器。具体来说，使用Haar小波将相应的特征图逐通道地分解为四个子频带，其中每个频带的尺寸为输入分辨率的一半。值得注意的是，低频频段Y

2.3D虹膜表面重建和量化

目前，房角角度评估的金标准是通过房角镜观察ACA。简单来说，眼科医生会逆时针移动房角镜，每15°作一次标注。以类似的方式，AS-OCT通过自动扫描可以获得15°区域内的多个连续的切片，然后可以将其用于重建3D虹膜表面。

1)表面重建：使用先前获得的分割结果，可以得到虹膜的上边界，使用这些上边界可以得到虹膜表面的3D点云。但这些点云是不均匀且稀疏的，对应生成的曲面网格也很粗糙并且缺乏局部细节。如图4所示，网格的粗糙会导致虹膜表面的错误显示。此外，由于虹膜褶皱的存在，某些区域的几何变化比其他区域更显着，意味着这些区域需要更高密度的点来表示，对重建要求更高。

为此，本发明采用基于泊松圆盘采样的优化算法来细化表面网格。这种方法可以产生更均匀和密集的点云，同时保证了目标点将根据采样方案进行分布而不会重叠。在实际操作中，使用了自适应半径r来获得更精确的点云表示。具体而言，如果给定点的最大曲率大于全局平均值，则将r设置为r

2)特征提取：研究表明，定量虹膜参数(例如虹膜曲率)与闭角的程度相关。因此，在虹膜表面重建后，本发明计算了以下与曲率相关的特征，用于后续与闭角相关疾病的诊断，包括主曲率，高斯曲率，平均曲率和形状指数，如图5所示。