关键词：
眼底荧光造影
血管分割
动静脉分类
血管测量
视网膜血流
摘要：
眼底荧光造影(Fluorescein fundus angiography,FFA)是眼底疾病诊断主要的检查技术之一。与其他成像技术相比,FFA不仅能提供眼底动静脉血管网的静态图像,而且能记录视网膜血流动态过程,具有独特优势。但是,FFA造影过程会产生大量的时间序列灰度图像,这些图像蕴含丰富的时空信息,具有动静脉血管交错密集、图像背景多变、强噪声干扰、易受眼动影响等特点,对图像处理与分析算法的精度和速度提出了挑战。但是,现有的FFA图像预处理算法大多仅针对单幅的FFA静态图像,未考虑FFA序列图像的时序变化特点,算法的鲁棒性欠佳、精度不高,导致血管测量及血流过程量化分析困难,不利于疾病的精准诊断与定量分析评估。针对上述问题,本文依托电子制造业智能机器人技术湖南省重点实验室开放基金项目,对FFA序列图像处理与分析中的关键算法开展系统研究,具有重要的学术意义与良好的应用前景。论文首先针对FFA序列图像预处理中的血管分割、动静脉分类关键问题,提出一种基于深度学习的FFA序列图像血管分割方法、基于血管结构特征和血流灌注特征的动静脉分类方法,以满足FFA序列图像处理的精度与鲁棒性要求;在此基础上,针对视网膜血管及血流过程量化分析中的关键问题,提出了一种基于中心线校正和k-均值聚类的FFA图像血管直径测量方法、基于FFA序列图像的全局视网膜血流过程量化分析方法,为眼底相关疾病的诊断与分析提供可靠依据。本文完成的主要工作及创新点如下:(1)血管分割是FFA序列图像预处理中的关键问题之一,是实现视网膜血管准确测量与分析的前提和基础。本文针对FFA序列图像的强荧光干扰、背景复杂多变的特点,提出了一种基于多通道级联U-net神经网络的血管分割方法。该方法能够通过学习和融合来自原始FFA图像、FFA小血管增强图像及FFA大血管增强图像三个通道的特征,实现FFA图像血管的精确分割。采用公共数据库和本地数据库的FFA图像对本文所提方法进行了测试,并与现有的18种血管分割算法(6种传统方法及12种深度学习方法)进行了对比。结果表明:本文方法在Se,F1-score,AUC等分割精度指标上具有优势,且能很好地保留血管细节,在处理FFA图像序列时也表现出更好的鲁棒性,并能拓展应用于彩色眼底图像的血管分割,为视网膜血管的准确测量与分析奠定了基础。(2)动静脉分类是FFA序列图像预处理中的另一个关键问题,是实现视网膜血流过程量化分析的前提和基础。本文针对FFA灰度图像中血管颜色缺失、血管交织重叠带来的动静脉分类难题,提出了一种基于FFA图像血管结构特征和血流灌注特征的动静脉分类方法。首先,建立血管的图结构,提取血管结构特征;然后,将FFA序列图像进行配准,并从中提取血流灌注特征;根据所提取的血管结构特征和血流灌注特征生成动静脉种子点,再采用区域生长策略将动脉和静脉标签传播至整体血管网络,最终完成动静脉分类。在公共数据库和本地数据库的实验表明:所提方法的动静脉分类精度约0.90。与其他15种动静脉分类方法相比,本方法对细小血管的动静脉分类准确率更高;相对于需要人工辅助的半自动方法,本文所提出的分类方法自动化程度更高。本章所提方法为视网膜动静脉血流过程的自动、准确分析提供了保障,且更适用于临床应用需求。(3)视网膜血管发生异常变化往往是糖尿病、高血压等疾病的先兆,对FFA图像中的血管直径进行准确测量是实现精准诊疗的关键。针对现有的方法难以测量病变血管直径的问题,本文提出了一种基于中心线校正和k-均值聚类的FFA图像血管直径测量方法。首先,采用(1)中提出的多通道级联U-net神经网络分割出图像中的血管;然后,对异常血管的中心线进行精细化校正,从而获得垂直于中心线的测量轴及血管横截面方向的灰度分布;最后,采用k-均值聚类和边界搜索策略检测出血管边界,从而计算出血管的直径。从公开数据库和本地数据库中随机抽取了正常血管和病变血管,进行了900多次血管直径测量。结果表明:所提方法的自动测量结果与人工测量结果相近;与当前先进的血管测量方法相比,本文方法对正常血管的测量精度略有提高,但在测量病变血管时具有明显优势。将本文方法拓展应用于彩色眼底图像中的血管直径测量,也获得了较准确的测量结果。本方法有望应用于糖尿病、高血压等病人眼底病变血管的定量测量与疾病辅助诊断。(4)视网膜血流状态是FFA序列图像分析中的重点和难点,现有的肉眼观察方式无法满足临床诊断的快速、定量分析需求。针对这一问题,本文提出了一种基于FFA序列图像的全局视网膜血流过程量化分析方法,采用该方法,可以快速获得血流过程曲线并计算出血流过程特征参数。首先,采用近邻原则识别并剔除FFA序列图像中损坏的图像;然后,利用多尺度线性滤波器分割FFA序列图像中被灌注的血管,并采用(2)中提出的动静脉方法分别提取动脉灌注区域和静
欢迎来到三峡大学图书馆！
