Automatic Optic Disc Detection in OCT Slices via Low-Rank Reconstruction

Automatic Optic Disc Detection in OCT Slices via Low-Rank Reconstruction

论文翻译：通过低秩重构在OCT切片中自动检测光盘

摘要

视盘测量可以提供有用的诊断信息，因为它们与某些眼部疾病相关。在本文中，我们提供了一种自动检测单个OCT切片中的光盘的方法。我们的方法是根据观察结果发展而来的，即视盘周围的视网膜色素上皮（RPE）具有低秩的外观结构，该结构与视盘内的区域不同。为了检测光盘，我们的方法是从OCT图像中获取特定于个体和成像条件的RPE外观模型，方法是根据眼部解剖学从已知为RPE的图像区域中学习低阶词典，然后，通过遍历包含RPE的视网膜层，用低秩模型重建局部外观，并检测外观开始偏离的点（即，增加重建位置），找到光盘所在的RPE边缘错误）。为了帮助进行此检测，我们还引入了称为距离偏差的几何约束，该约束说明了RPE的平滑形状。实验表明，在定位光盘和估计光盘宽度方面，我们的方法优于其他OCT技术。此外，我们还展示了我们的方法在3-D OCT卷中光盘区域检测中的潜在用途。
索引词-分层分割，光盘检测，光学相干断层扫描（OCT）。

一，引言

神经节细胞轴突在眼睛中离开以形成视神经的位置称为视盘[1]，[2]。由于视盘的测量对于青光眼筛查[3]和大渗出性病变分析[4]等许多医疗应用都很重要，因此，在自动检测眼部图像中的视盘方面已进行了很多努力。现有的许多光盘检测方法都专注于分割眼底图像中的光盘区域[5] – [8]。例如，Xu等人[9]通过最小化能量函数来采用可变形模型技术来检测光盘。 Cheng等人[8]将视盘检测视为基于中心周围统计的超像素分类问题。莫拉莱斯等人的方法。 [10]基于数学形态学和主成分分析提取了视盘轮廓。但是，这些方法的主要问题是，当视盘在眼底图像中没有明显的颜色时，它们很容易失效。

图1.裁剪后的OCT切片中的视神经头部结构。 红色曲线表示ILM边界。 光盘的边界点（由蓝点标记）位于RPE层的端点。 ILM：内界膜。 OPL：外丛状层。 RPE：视网膜色素上皮与Bruch膜和脉络膜毛细血管融合在一起。 HRC：超反射复合层。
一种相对较新的成像技术，称为光学相干断层扫描（OCT），可提供更清晰的视网膜内形态学视图，并能够对视网膜进行无创深度分辨功能成像[11]。在OCT切片中，视盘的边界出现在视网膜色素上皮（RPE）的末端[12] – [14]，如图1所示。某些基于OCT的视盘检测方法适用于3- D OCT卷[15] – [19]。例如，李等人。 [18]从3-D OCT体积中提取视网膜内表面，并使用k-NN分类器对视盘，视盘和神经视网膜边缘进行分类。 Miri等。 [19]提供了一种多模式像素分类方法，通过结合来自立体眼底图像和OCT量的信息来分割视盘。然而，由于眼球运动，获取大量用于3D重建的OCT切片容易产生失准误差。尽管随着OCT技术的进步，3-D体积扫描采集变得越来越普遍，但是检查单个B扫描以进行视盘检测仍然是常规临床应用中实践中的重要问题。在用于从单个OCT切片检测光盘的最新方法中，Boyer等人（2002年）。 [20]沿着包含RPE的视网膜层提取Hadamard变换特征，并将特征分组为两个簇以识别视盘端点。但是，基于特征的聚类可能会对由于OCT图像中的噪声和血管阴影而引起的外观变化敏感。而且，[20]中的方法在定位视盘端点时没有利用RPE的平滑几何结构。
在本文中，我们提出了一种通过低秩重构在单个OCT切片中检测光盘的通用技术。基于视网膜结构先验，我们将沿RPE层边界的像素分为训练数据和视盘边缘候选者。从训练数据中学习低阶字典，以重建候选像素，并将重建误差用于识别光盘的起点。本文的主要贡献如下：1）我们提出了一种通过低秩重建的光盘检测方法，其中学习低秩字典有利于处理OCT切片中的噪声和血管阴影。 2）重建过程不依赖预先标记的训练样本。使用视网膜结构先验从单个给定的OCT切片本身中提取训练数据。 3）提供了一种考虑到RPE平滑形状的几何约束，称为距离偏差，以提高精度。 4）我们的方法不仅可以在单个OCT切片上定位光盘和估计光盘宽度方面获得令人鼓舞的性能，而且还具有在3-D OCT体积中检测光盘区域的潜力。

二 我们的方法

我们的方法首先分割包含内部限制膜（ILM）和RPE的视网膜层边界。如图2所示，分段层边界（青色虚线）不仅包括RPE，而且延伸到光盘中。然后将分段的边界分为两部分：用于学习RPE的低秩外观模型的训练区域，以及将沿其搜索视盘边界的候选区域。训练和候选区域根据视盘（ONH）的结构先验划分，这表示该层中肯定属于RPE的部分。在训练区域中，针对沿RPE的垂直切片学习了基于强度特征和局部二进制模式（LBP）的低阶字典。然后，该字典用于重建沿候选区域的点处的图层外观，并将重建误差记录为误差曲线。另外，基于距离偏差构建误差曲线，该误差曲线表示从训练区域中已知RPE像素推断出的平滑几何结构的偏差（蓝色实线）。从这些误差曲线的组合中，可以检测出视盘的边界点。
本文中的OCT切片是使用TOPCON DRI OCT-1 Atlantis扫频源OCT成像设备获得的，该设备的深度分辨率为8μm/像素，横向分辨率为10μm/像素。 切片由1024个A扫描（列）组成，每个A扫描具有992像素。

图2.我们的方法的说明。 （a）我们的方法首先将视网膜层分割并将该区域分为训练区域和候选区域。 红色和青色曲线分别表示ILM层和分段RPE层的边界。 （b）然后从训练数据中学习低秩词典。 （c）接下来，我们重建沿候选区域的点处的图层外观，并根据强度和LBP特征以及距离偏差曲线输出重建误差曲线。 （d）最后，通过组合这三个误差曲线来检测视盘边界点。

A.视网膜层边界分割

尽管存在从OCT切片中提取多个视网膜层的方法[21]-[23]，但在我们的论文中仅需要RPE和ILM层边界。 这两个层具有将它们与周围区域和层区分开的特定特征。 因此，我们可以采用一种快速，简单的方法来从OCT切片中提取ILM和RPE层边界。
1）ILM层边界分割：ILM定义为视网膜和玻璃体之间的边界，这是OCT切片中的第一个边界，如图1所示。将OCT切片的斑点噪声降低2倍后 -D高斯滤波器，我们使用Otsu方法[24]对OCT切片进行阈值处理，如图3（b）所示。 然后，如图3（d）中的红色边界所示，选择最上面的二进制边缘作为ILM层。 ILM层边界上的最低点用于大致定位ONH中心。
2）RPE层边界分割：通常，OCT切片每列的垂直方向上的两个最强梯度边缘分别对应于ILM（上层）和RPE（下层）层边界，如图3（c）所示。 。提取ILM层边界后，我们可以将ILM层下面的最强渐变边作为RPE层边界。为了提高RPE层边界分割的鲁棒性，我们的方法采用了三个步骤。首先，使用二维高斯滤波器来减少OCT切片中的斑点噪声。然后，我们在OCT切片的每一列中选择一个在ILM层以下且具有最强的正垂直梯度的点。最后，我们将这些点连接为RPE层边界，并使用一维中值滤波器[25]来平滑其在每一列中的垂直位置。注意，提取的RPE层遍及整个OCT切片，包括非RPE部分，如图3（d）中的青色曲线所示。因此，我们将使用提取的RPE层边界作为起点，沿着该起点我们将识别RPE的真实端点，从而定位光盘的边界。

图3.层边界分割。 （a）输入OCT切片。 （b）阈值OCT切片。 （c）垂直渐变图。 （d）ILM（红色曲线）和RPE（青色曲线）层边界分割结果。

图4.以ONH为中心的OCT切片预处理，其中红色曲线表示检测到的ILM层边界。 （a）原始OCT切片可能呈现出倾斜的视网膜，使得最低的ILM点（蓝色箭头）偏离ONH。 点A和B是OCT切片中ILM层边界的端点，连接端点A和B的黄点虚线表示ILM层的平面。 黄色实线表示水平线，θ是倾斜角度。 （b）预处理后，ILM层的平面是水平的，并且最低的ILM点位于ONH中。