Automated Segmentation and Quantification of Drusen in Fundus and Optical Coherence Tomography Image

Automated Segmentation and Quantification of Drusen in Fundus and Optical Coherence Tomography Images for Detection of ARMD

论文翻译：眼底和光学相干断层扫描图像中玻璃疣的自动分割和定量，用于检测ARMD。

摘要

年龄相关性黄斑变性（ARMD）是老年人中最常见的视网膜综合征之一。眼底照相和光学相干断层扫描（OCT）等不同的眼部检查技术用于临床检查受ARMD影响的患者。许多研究人员致力于从眼底图像中检测ARMD，但很少有人也致力于从OCT图像中检测ARMD。但是，只有很少的系统可以建立眼底和OCT图像之间的对应关系，以准确预测ARMD病理。在本文中，我们提出了一种全自动的决策支持系统，该系统可以通过在OCT和眼底图像之间建立对应关系来自动检测ARMD。所提出的系统还通过将OCT B扫描与眼底图像的各个区域相关联来区分早期，可疑和已确认的ARMD。在第一阶段，提出的系统使用基于B扫描的不同特征以及支持向量机（SVM）来检测玻璃疣的存在并将其分类为ARMD或正常情况。如果输入的OCT扫描被归类为ARMD，则应考虑来自相应眼底图像的感兴趣区域以进行进一步评估。对眼底图像的分析是使用对比度增强和自适应阈值进行的，以从眼底图像中检测出可能存在的疣体，所提出的系统最终将其分为早期ARMD或晚期ARMD。该系统在100位患者的本地数据集上进行了测试，其中包括100位眼底图像和6800次OCT B扫描。拟议的系统以98.0％，100％和97.14％的准确度，灵敏度和特异性等级检测ARMD。

贡献

文献中提出的大多数自动化系统都基于对ARMD的早期病理状况不太敏感的眼底图像。很少有使用OCT图像进行ARMD早期诊断的自动化系统。
在本文中，我们通过建立视网膜眼底和OCT图像之间的对应关系，提出了一种用于ARMD诊断的全自动决策支持系统。拟议系统的重大科学贡献概述如下：

• 本文通过建立眼底和OCT图像之间的对应关系，提出了用于ARMD自动诊断的临床决策支持系统。
• 拟议的系统是一个完全自动化的系统，可将受ARMD影响的患者与早期ARMD嫌疑犯区分开。通过在眼底和OCT影像中关联退化性病理学已经建立了这一点。
• 进一步，提出的系统从OCT体积扫描重建完整的3D RPE表面，可以将其映射到相应的眼底图像上以验证检测到的玻璃疣。
• 

算法提出

我们提出了一个基于三个主要阶段的全自动自我诊断系统。 拟议系统的第一阶段与获取眼底和OCT体积扫描有关。 从OCT体积扫描中，对每个B扫描进行处理，以提取其RPE萎缩轮廓，然后将其用于重建完整的3D RPE表面。 拟议系统的第二阶段涉及从分割的RPE层中提取五个不同的特征，并基于OCT分布图分析将候选对象分类为健康或ARMD嫌疑人。 对于可疑的ARMD，建议的算法进入第三阶段，在该阶段从对应的眼底图像中提取针对可疑B扫描的周围区域，并将算法应用于可能的玻璃膜疣检测。 根据第三阶段的结果，最终将患者诊断为早期或晚期ARMD。 图3描绘了所提出系统的框图。

数据集描述

RPE层提取（阶段1）

拟议系统的第一阶段是执行降噪并从输入的OCT B扫描中提取RPE层。 以前，我们已经提出了从OCT B扫描中提取视网膜层的系统[42]，并使用它们来重建视网膜表面[43]，以检测黄斑水肿（ME）和中心性浆液性视网膜病变（CSR）。 在[42，43]中，我们还详细描述了我们提出的系统的完整数学模型，并且该模型已用于提取RPE层。
图4示出了使用[42、43]中提出的方法的包括RPE层的分段层。 从这些分割的层中，自动选择RPE层，该层显示了该B扫描的萎缩性退化情况。

RPE层分析（阶段2）

拟议系统的第二阶段是基于两个子模块特征提取和分类的RPE层分析。

特征提取

从OCT扫描中提取RPE层（R（x，y））后，获得了五个不同的特征，这些特征可进一步用于将受试者分类为正常或早期受ARMD影响的受试者。 每个特征的详细说明如下：
RPE最大值（F1）：此功能表示RPE层中的最大峰值，如等式所示。 （1）：
RPE最小值（F2）：在RPE层中的最小值，用等式表示。 （2）：
RPE变化量（F3）：在此功能中，RPE层的变化量由方程式计算和说明。 （3）：
RPE能量（F4）：RPE表面内的总能量通过等式（4）获得
交叉数（F5）：此功能可测量RPE层上的零交叉量。 为了确定这一点，将一阶拉格朗日多项式自动拟合到提取的RPE层上。 过零点是拟合多项式等于原始RPE层的点，如方程式所示。 （5）–（9）。

分类

提出的系统实现了基于支持向量机（SVM）的分类系统，用于ARMD病理学检测[44]。 所提出的系统使用径向基函数（RBF）和SVM来处理数据的非线性分布。 从输入的OCT B扫描中提取出五个不同的特征后，将它们用于将受试者分类为正常或可疑的ARMD。 如果候选人被归类为健康人，那么将跳过眼底图像分析。 这是因为如果在OCT图像的RPE层上没有发现异常的ARMD症状，那么各自的眼底扫描也将是正常的。 但是，如果将候选人分类为具有ARMD症状，则建议的分类系统会将其视为可疑病例，并进一步确认这是预警还是受试者确实患有ARMD。 这是通过使用最后阶段来执行的。

眼底融合和OCT分析（阶段3）

一旦分类阶段为输入OCT B扫描给出正的ARMD输出，则建议的系统进入此阶段。为了确认受试者是否患有ARMD，建议的系统将RPE分析与眼底图像中各个黄斑区域上存在的玻璃疣相关联。为了从黄斑区域提取玻璃膜疣模式，从眼底图像中提取可疑OCT B扫描的感兴趣区域（ROI）。然后，系统通过使用直方图均衡和OTSU阈值算法应用对比增强功能，从该ROI中检测可能的玻璃疣，如图7所示[45]。在基于计算出的概率质量函数应用自适应阈值之后，将候选眼底图像转换为描绘提取的玻璃疣的数字位图。在此，所提出的系统从两个可能性中做出决定。如果来自OCT B扫描的RPE表面包含玻璃疣，而眼底扫描中未出现玻璃疣，则表明该疾病的早期症状，系统将其归类为可疑/早期ARMD。但是，如果两种成像方式均显示玻璃疣病理，则系统会将其分类为高级ARMD。它确认该受试者患有ARMD综合征，需要立即引起专家的关注。