Automated segmentation of intraretinal cystoid macular edema for retinal 3D OCT images with macular

Automated segmentation of intraretinal cystoid macular edema for retinal 3D OCT images with macular hole
翻译：视网膜内囊样黄斑水肿的自动分割，用于视网膜黄斑裂孔3D OCT图像

抽象的：
提出了一种自动方法来分割和量化3D OCT图像中具有黄斑裂孔（MH）的异常视网膜的囊样黄斑水肿（CME）的体积。 所提出的框架包括三个部分：（1）预处理，包括去噪，视网膜内层分割和展平，MH和血管轮廓排除； （2）粗略分割，其中使用AdaBoost分类器来获取Graph Cut的种子和约束区域； （3）精细分割，其中使用图割算法获得精细分割结果。 在18名CME和MH典型患者的3D OCT图像中对提出的方法进行了评估。 CME体积分割的真实阳性体积分数（TPVF），假阳性体积分数（FPVF）和准确率（ACC）分别为84.6％，1.7％和99.7％。

第二节实验方法
所提出的方法的概述如图2所示，它包括三个主要步骤：（1）预处理； （2）粗分割； （3）细分。
2.1。 前处理
2.1.1。 去噪
斑点噪声是OCT扫描中主要的质量下降因素。 应用于OCT图像的降噪方法应有效抑制斑点噪声，同时保持边缘特征。 采用3D曲率各向异性扩散滤波器。 参数根据经验选择为迭代= 5，时间步长= 0.06和电导= 3。

2.1.2。 MH和血管轮廓排除
首先，使用多尺度3D图形搜索方法将OCT体积划分为11个表面[7]，[8]。根据视网膜色素上皮（RPE）将其弄平。在图3中可以看到检测到的表面1和7。由于MH具有与CME相似的强度值，因此应在CME分割之前将其排除。
在这里，我们提出了一种自动化的区域生长方法，以粗略地描述MH。
首先，确定用于区域生长的种子。如图4（a）所示，通过平均表面1和表面7之间的体素来计算2D投影图像。然后，通过对投影图像进行阈值确定MH的大致足迹，如图4（b）所示。阈值设置为经验最大-最小归一化值0.2。随后，将满足以下条件的体素定义为种子：1）属于2D覆盖区指示的A扫描； 2）在表面1和7之间； 3）强度小于μMH+σMI4。此处，μMH和σMH是通过训练获得的MH区域的平均强度和标准偏差。其次，区域增长的停止标准设计如下：
其中IR代表在MH区域中检测到的体素的强度，I（i，j，k）代表体素的原始强度。 利用检测到的种子，区域生长方法搜索8个邻居，以确定它们是否属于对象区域。 为检测到的MH区域分配了与背景一致的强度。 图5（a）示出了其中已经排除了MH的B扫描。 MH的3D可视化效果如图5（b）所示。
CME分割有时可能包括血管引起的低强度区域。 使用[9]中的方法在3D OCT图像中排除血管轮廓。
除去MH和血管轮廓的表面1和表面7之间的视网膜子体积定义为我们的目标体积（VOI）。