Automatic Subretinal Fluid Segmentation of Retinal SD-OCT Images With Neurosensory Retinal Detachmen

Automatic Subretinal Fluid Segmentation of Retinal SD-OCT Images With Neurosensory Retinal Detachment Guided by Enface Fundus Imaging
翻译：视网膜SD-OCT图像的视网膜下液自动分割与Enface眼底成像引导下的神经感觉性视网膜脱离

摘要
目的：在光谱域光学相干断层扫描（SD-OCT）中准确分割神经感觉性视网膜脱离（NRD）相关的视网膜下液对评估中心性浆液性脉络膜视网膜病变（CSC）至关重要。在Enface眼底成像技术的指导下，提出了一种新颖的两阶段分割算法。方法：在第一阶段，在检测具有弥散边界的流体相关异常之前，先使用厚度图对Enface眼底图像进行分割。在第二阶段，使用异常的位置来限制流体区域的空间范围，并在SD-OCT扫描中将具有空间平滑度约束的模糊水平集方法应用于视网膜下流体分割。结果：使用CSC进行的31个视网膜SD-OCT体积的实验结果表明，我们的方法可以实现94.3％，0.97％，11.6％的真实正体积分数（TPVF），假正体积分数（FPVF）和正预测值（PPV）， NRD地区分别为93.6％。我们的方法还可以将NRD相关的视网膜下液与与色素上皮脱离相关的视网膜下色素上皮液区分开，TPVF，FPVF和PPV分别为93.8％，0.40％和90.5％。结论：我们报告了一种用于视网膜下液分割的全自动方法。启示：我们的方法显示了改善CSC临床治疗的潜力。

第一节引言
中枢浆液性脉络膜视网膜病变（CSC），是中年男性常见的黄斑疾病，常表现为黄斑区浆液性视网膜脱离[1] – [3]。光谱域光学相干断层扫描（SD-OCT）已成为诊断和治疗CSC的必不可少的成像方式，因为它可以无创地产生高分辨率的断层图像。 3-D体积OCT扫描可以准确描绘视网膜分离结构变化的横截面特征，并提供详细的解剖学评估[4]，[5]。
当视网膜下液积聚在后极时，神经感觉性视网膜脱离（NRD）是CSC的显着特征[6]。在黄斑中心的B扫描中，流体区域表现为界限分明的反射不足区域，内部节段/外部节段（IS / OS）交界处较高（图1（a）），而SD-OCT Enface眼底图像显示出高变异性流体区域的形状（图1（b））。为了判断疾病的严重程度和进展，临床医生目前依靠对视网膜下液的分布和程度的定性评估。因此，自动流体区域分割具有改善CSC检测和治疗的潜力。

图。1。（a）用NRD相关流体进行SD-OCT B扫描。 红色曲线表示内部限制膜（ILM），绿色曲线表示内部/外部部分（IS / OS）连接，蓝色曲线表示视网膜色素上皮（IB_RPE）的内部边界。 （b）遮盖由IS / OS和IB_RPE之间的投影生成的眼底图像。 红色虚线表示在（a）中显示的B扫描的位置。

与现有方法相比，我们的方法的主要贡献如下：
它是一个全自动的分割框架，不依赖于手动初始化或额外的培训阶段。
我们建议先添加厚度图，以增强针对与流体相关的异常具有弥散边界的Enface眼底图像分割的图割分割方法。 通过将空间平滑度约束添加到模糊水平集框架来增强B扫描的分割。
据我们所知，我们的工作是第一个利用Enface眼底成像来指导OCT扫描中的视网膜液分割的工作。 Enface眼底驱动策略可有效消除扫描而无需视网膜下积液。 此外，Enface眼底图像可帮助区分NRD相关视网膜下液和PED相关RPE下液。
二。 方法
图2说明了我们框架的概述。 Enface眼底分割阶段的目的是使用自动层分割算法来检测结合了眼底图像和厚度图的流体区域。 然后，利用第一步的检测结果来限制要分割的区域。 应用具有空间平滑度约束的水平集方法来分割视网膜下液。
A.面对眼底分割
由于流体区域和伪影的扩散边界，很难将常规的自动分割方法直接应用于Enface眼底图像。 鉴于视网膜的异常部分总是在流体区域出现的地方变厚，因此我们使用厚度图的信息来辅助分割过程。 假设与高视网膜厚度区域相关的像素可能属于视网膜下液区域。 厚度图提供了有关流体区域潜在位置的先验概率知识，而Enface眼底图像包含灰度强度和流体区域的形态信息。 我们探索了两个补充信息源，以更好地分割视网膜下液区域。 图3显示了Enface眼底图像分割方法的流程图。
1）层分割：Li等人提出的用于最佳表面的3-D图搜索算法。文献[13]已被证明对视网膜多表面分割有效[26]-[30]。将表面分割问题转换为在具有适当可行性约束的节点加权的有向图中找到最小闭合集。该问题可以在低阶多项式时间内解决。我们基于3维图搜索应用爱荷华州参考算法[31]来分割ILM，IB_RPE和外部丛状层与外部核层之间的表面（OPL-ONL）。 NRD引起的视网膜结构改变可能导致IS / OS结节的分割不准确，但ILM和IB_RPE的分割受到的影响较小[15]。考虑到IS / OS结与IB_RPE之间的图像质量下降，我们在OPL-ONL和IB_RPE之间使用RSVP [24]，[25]方法生成Enface眼底图像（图3（b））。 RSVP方法仅针对每个B扫描计算仅在自动分段的OPL-ONL和IB_RPE之间的每个轴向列中的平均像素强度，该像素在Enface眼底图像中表示为一行。使用RSVP方法，Enface眼底图像主要包含来自与液有关的层和视网膜下液的信息，并且不包含大多数不相关的组织。厚度图被计算为ILM和IB_RPE之间的距离（图3（c）），因为该距离对于图层分割中可能出现的错误具有鲁棒性。厚度信息用于提供IS / OS交界处的高度的粗略估计。使用ILM和IB_RPE之间的距离信息是我们方法的关键贡献，它可以区分视网膜下液和RPE液之间，并将在IV-C节中进一步讨论。
2）标签初始化：在图3（c）中，ILM和IB_RPE之间的距离用红-绿-蓝（从浓到淡）色标绘制。 厚度图显示了一些与我们物体的总体形状相匹配的不同簇。 我们使用K-means聚类算法将像素分为三类。 厚度最大的类别被认为是对象，厚度最小的类别被认为是背景。 使用比较En Face眼底平均强度的简单策略，将具有中等厚度的类别与对象或背景组合在一起。 如果中等厚度类别的平均强度更接近对象的平均强度，则将其与对象合并。 如果中等厚度类别的平均强度更接近于背景的平均强度，则将其与背景合并。
3）厚度先导分割：
厚度先导分割方法共同考虑了Enface图像和厚度图。 可以使用两个图像将这个问题表述为能量最小化。 目的是通过最小化成本函数E（f）来推断像素集的标签f，如下所示：

。。。。。。。。。

B. B扫描中的视网膜下液分割
使用Enface眼底分割的结果，视网膜下液的空间范围可以限制在B扫描中的小区域。 在受限区域，视网膜下液出现在反射率低的区域，边界光滑且界限分明。 因此，我们设计了一种具有空间平滑度约束的模糊水平集方法，以获得最终的分割结果。 流程图如图4所示。
1）区域限制：Enface眼底分割的结果使我们能够将空间范围限制为可以在B超检查中发现视网膜下液的区域。如图3（a）所示，Enface眼底图像是从3D体OCT数据通过RSVP方法在z轴上进行投影的二维投影图像。 X轴信息在Enface眼底图像和B扫描图像中均保持不变。在Enface眼底图像中固定y坐标，可以从体数据中识别相应的B扫描。因此，Enface眼底图像中分段流体的y轴限制了B扫描包含NRD相关流体的B扫描，而其x轴则限制了B扫描在x方向上的搜索区域。在每次B扫描中，我们仅根据视网膜的解剖结构考虑ILM和IB_RPE之间的区域进行分割。实际上，我们允许在x轴上另加±20像素，并在y轴上另加±2像素（与所选的B扫描有关）以放宽搜索区域的空间范围，以解决可能引起的错误根据Enface眼底的分割结果。区域限制程序如图4（a）和（b）所示。

图4.流程图说明了B扫描中的视网膜下分割。 （a）涂上眼底图像。 （b）B扫描中的流体区域限制。 绿色和红色虚线矩形表示两个不同的流体区域。 （c）限制区域的直方图。 k1，k2和k3分别是这三个类别的平均图像强度。 （d）通过模糊C均值进行分类的结果。 红色虚线椭圆显示分类错误。 （e）相邻B扫描的分割结果。 （f）设定模糊等级后的分割结果。 （g）最终结果。
2）带空间的模糊C均值分类
平滑度约束：在模糊水平集方法的第一步[34]中，我们使用空间模糊C均值（FCM）算法[35]将像素分为三类：反射的高，中和低反射区域 视网膜层和低反射区域包括视网膜下液，血管阴影和玻璃体（每种类别的平均强度如图4（c）所示）。 FCM为属于类别k的每个像素提供隶属度mkp。 可以通过将每个像素分配给最大隶属度值类别来计算分类。 我们从最低平均强度的类别中获得对应于视网膜下液的候选液区Rb和隶属度图M。

其中σ是径向基函数（RBF）内核的参数，而d（p，C）是像素p与Rc的轮廓C之间的最小距离。 如果像素远离Rc，则它不太可能属于流体区域。 因此，式（5）基于p /∈Rc与Rc边界的距离而降低了隶属度。
3）基于模糊水平集的细分：
水平集方法已广泛用于医学图像分割[8]，[34]，[36]，它们通过零水平集φ= 0指示对象轮廓。根据[37]中介绍的快速水平集公式，进化 轮廓φ可以表示为：