用于糖尿病性黄斑水肿图像的自动化OCT分割

本文提出了一种新颖的自动化系统，用于从健康患者和糖尿病性黄斑水肿(DME)患者的光学相干断层扫描(OCT)图像栈中分割六层视网膜下层级。首先，OCT栈中的每幅图像使用维纳反卷积算法去噪，该算法利用一种基于傅里叶域的结构误差来估计加性散斑噪声方差。该去噪方法将图像信噪比平均提升12dB。接下来，去噪后的图像经过一种迭代多分辨率高通滤波算法，该算法在六个迭代步骤中检测七个视网膜下表面。然后，将来自特定OCT栈的所有扫描中每一视网膜下层的厚度与手动标记的基准真值进行比较。所提出的系统对每幅图像去噪和分割使用自适应阈值，因此对于DME引起的视网膜微结构破坏具有鲁棒性。所提出的去噪和分割系统在正常和含DME的异常图像中分割视网膜下表面的平均误差分别为1.2-5.8 $\mu m$和3.5-26$\mu m$。对于估计视网膜下层厚度，该系统在正常和异常图像中的平均误差分别为0.2-2.5 $\mu m$和1.8-18 $\mu m$。此外，异常图像中视网膜内层平均厚度估计为275$\mu m (r=0.92)$，平均误差9.3 $\mu m$，而异常图像中外层平均厚度估计为57.4$\mu m (r=0.74)$，平均误差3.5 $\mu m$。所提出的系统可用于跟踪DME疾病随时间的进展。