Three-dimensional Segmentation of Retinal Cysts from Spectral-domain Optical Coherence Tomography I

Three-dimensional Segmentation of Retinal Cysts from Spectral-domain Optical Coherence Tomography Images by the Use of Three-dimensional Curvelet Based K-SVD
翻译：通过基于三维Curvelet的K-SVD从光谱域光学相干断层扫描图像的视网膜囊肿的三维分割。

摘要
本文提出了一种基于三维曲波变换的新字典学习方法，用于从3D光谱域光学相干断层扫描（SD-OCT）图像自动分割视网膜内囊肿，这是新生血管性年龄相关性黄斑变性中最相关的预后生物标记。特别是，我们着重于Spectralis SD-OCT（德国海德堡海德堡工程公司）系统，并展示了我们的算法在这些特征分割中的适用性。
为此，我们使用递归高斯滤波器，并从其周围近似损坏的像素，然后为了增强囊状暗区和未来的噪声抑制，我们在字典学习中引入了一种新方案，并对滤波后的图像进行Curvelet变换，然后进行去噪和使用预定义的初始3D稀疏字典修改每个比例中的每个噪声系数矩阵。用图论提取的视网膜色素上皮和神经纤维层之间的暗像素被认为是囊状空间。在MICCAI 2015 OPTIMA囊肿切分挑战数据集上，整个3D体积和中心直径为3 mm的囊状区域切分的平均骰子系数分别为0.65和0.77。

关键词：生物标志物，囊肿，字典学习，数字小波变换，光学相干断层扫描，神经纤维，噪声，视网膜色素上皮，湿性黄斑变性

材料和方法
影像数据
我们对从Spectralis SD-OCT（海德堡工程公司，海德堡，德国）系统获得的四个3D-OCT体积实施了建议的方法，每个体积包含49、512×496个B扫描。 OPTIMA囊肿分割挑战提供了包含视网膜囊肿以及手动标记的囊样空间的数据库。
光学相干断层扫描降噪
尽管直接分析3D数据作为一个体积并考虑到数据的3D几何性质在计算上是昂贵的，但已显示3D数据的3D分析优于逐个切片的2D分析。[20] 3D Curvelet元素是在两个方向上呈2-j / 2的板状形状，在正交方向上的宽度约为2-j，它们在板内是平滑的，并沿板的法线方向振荡。 此3D多尺度转换的抛物线缩放，方向，紧密度和稀疏表示属性，为在医学图像处理中分析大型数据集提供了新的机会。 在本文中，我们使用了3D快速Curvelet变换（3DFCT）[21,22]的新实现，该新实现的冗余系数比CurveLab Toolbox [23,24]中提出的基于包绕的实现要低，且具有强烈的方向选择性。 规模最大的房地产。
为此，并采用curvelet系数：
1.进行笛卡尔加冕，根据同心立方体将对象分解为二进日冕。 每个电晕细分为梯形区域，与通常的抛物线比例一致，如图2所示。
2.通过对每个包裹的楔形应用逆3D FFT来获得3D系数，如图1所示，该楔形适当地适合于以原点为中心尺寸为〜（2j，2j / 2，2j / 2）的3D矩形平行六面体。
由于curvelet系数具有稀疏分布，因此我们只有少数几个大的系数可以显示图像的主要结构，而其余系数则趋于零。[23] 这种变换将信号和噪声映射到不同的区域，并且信号的能量集中在Curvelet域中有限数量的系数中。
OCT去噪可以提高图像质量，以进行准确的图像信息分析，例如视网膜内层和病理边界，这些特征的准确检测结果完全取决于通过图像去噪实现的图像增强。[25,26]为此，在我们选择的数据集中，所有
基于递归高斯滤波器，从5×5×5个周围像素中确定零值损坏像素。[27]去除零像素后，我们使用了一种新颖的斑点降噪算法，该算法先前已在3D，SD-OCT，Bioptigen成像系统上实现。[18]我们的基于Curvelet的方法包括：首先使用3DFCT转换噪声图像，并获取Curvelet系数，然后在每个比例和旋转的Curvelet域中，基于K-SVD字典学习对系数矩阵进行独立去噪。进行KSVD词典学习的基本考虑因素是选择起始词典D。虽然一些流行的基于稀疏性的去噪算法利用噪声图像本身的信息来定义词典，[14] SDOCT图像中的噪声会与学习过程产生负面影响，从而降低训练后词典的质量。另一种（理想的）方法是从无噪声的高SNR图像中学习字典。由于实际上没有这样的理想图像，因此我们从阈值的curvelet系数中选择初始字典，而curvelet系数的大小和噪声图像的对数变换相同。 1]。
候选囊肿空间测定
在本节中，我们提出一种新的候选检测算法，以将暗区与图像的其余部分分开。 在此过程中，对散斑图像中的每个像素f（i，j，k）进行如下调整：

其中f–w，Max（fw）和Min（fw）分别是大小为3×3×3的窗口W中图像的平均，最大和最小强度值。 调整后的图像中的深色囊状空间趋向于零，并通过应用简单阈值（t = 5）进行提取。

图6：我们提出的方法的结果。 （a）去斑点图像，（b）调整后的图像（c）候选囊状像素（d）使用图论理论检测内部限制膜和视网膜色素上皮和其他层（e）提取感兴趣区域（f）分段的囊状像素