带有CSC病变的视网膜层自动分割方法及装置.pdf

《带有CSC病变的视网膜层自动分割方法及装置.pdf》由会员分享，可在线阅读，更多相关《带有CSC病变的视网膜层自动分割方法及装置.pdf（16页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910085912.6 (22)申请日 2019.01.29 (71)申请人 山东师范大学 地址 250358 山东省济南市长清区大学科 技园大学路1号 (72)发明人 李登旺孔问问牛四杰吴敬红 薛洁陈美荣 (74)专利代理机构 济南圣达知识产权代理有限 公司 37221 代理人 杨哲 (51)Int.Cl. G06T 7/11(2017.01) (54)发明名称 一种带有CSC病变的视网膜层自动分割方法 及装置 (57)摘要 本发明公开了一种带有CSC病变的视网膜层 自动。

2、分割方法及装置， 接收正常视网膜图像的样 本组， 计算样本组中正常视网膜图像各层的厚度 均值和标准差作为先验信息； 接收待分割的SD- OCT图像， 对于每组图像数据中的第一张SD-OCT 图像基于先验信息和梯度信息进行分割； 计算已 分割SD-OCT图像的视网膜厚度均值和标准差作 为耦合信息， 基于耦合信息和梯度信息对下一张 SD-OCT图像进行分割， 直至完成全部SD-OCT图像 的分割。 权利要求书2页 说明书7页 附图6页 CN 109859214 A 2019.06.07 CN 109859214 A 1.一种带有CSC病变的视网膜层自动分割方法， 其特征在于， 该方法包括： 接收正。

3、常视网膜图像的样本组， 计算样本组中正常视网膜图像各层的厚度均值和标准 差作为先验信息； 接收待分割的SD-OCT图像， 对于每组图像数据中的第一张SD-OCT图像基于先验信息和 梯度信息进行分割； 计算已分割SD-OCT图像的视网膜厚度均值和标准差作为耦合信息， 基于耦合信息和梯 度信息对下一张SD-OCT图像进行分割， 直至完成全部SD-OCT图像的分割。 2.如权利要求1所述的一种带有CSC病变的视网膜层自动分割方法， 其特征在于， 在该 方法中， 对接收的所述待分割的SD-OCT图像进行图像预处理， 采用改进的双边滤波算法， 抑 制SD-OCT图像的散斑噪声。 3.如权利要求1所述的一。

4、种带有CSC病变的视网膜层自动分割方法， 其特征在于， 在该 方法中， 所述对于每组图像数据中的第一张SD-OCT图像基于先验信息和梯度信息进行分割 具体包括： 采用先验信息和梯度信息构造权重函数， 计算每组图像数据中的第一张SD-OCT图像中 结点之间的权重， 进行该图像的分割。 4.如权利要求1所述的一种带有CSC病变的视网膜层自动分割方法， 其特征在于， 在该 方法中， 所述基于耦合信息和梯度信息对下一张SD-OCT图像进行分割具体包括： 采用耦合信息和梯度信息构造权重函数， 计算该耦合信息对应图像在每组图像数据中 的下一张SD-OCT图像中结点之间的权重， 进行下一张SD-OCT图像分。

5、割。 5.如权利要求1所述的一种带有CSC病变的视网膜层自动分割方法， 其特征在于， 在该 方法中， 图像分割出的图层包括ILM， IB-OPR_BMEIS Complex或BMEIS， OB_RPE以及IB_OPR。 6.如权利要求5所述的一种带有CSC病变的视网膜层自动分割方法， 其特征在于， 在该 方法中， 图像分割具体步骤包括： 采用迪杰斯特拉算法搜索 “暗-亮” 的边界， 判断搜索边界类型是ILM、 IB-OPR_BMEIS Complex或BMEIS； 对于已经得到的BMEIS或者IB-OPR_BMEIS Complex， 以此上边界向下移动9.77 m为下 边界得到一个窄带； 采。

6、用迪杰斯特拉算法提取另一条 “暗-亮” 的边界， 得到IB_OPR； 在整幅图像上搜索采用迪杰斯特拉算法搜索 “亮-暗” 的边界， 得到OB_RPE。 7.如权利要求1所述的一种带有CSC病变的视网膜层自动分割方法， 其特征在于， 在该 方法中， 还包括： 对于图像中梯度信息不明显的图层， 包括OPL-HFL、 RNFL-GCL、 INL-OPL， IPL-INL以及GCL-IPL， 使用耦合信息来约束视网膜边界的位置， 具体步骤包括： 在权重函数中加入耦合信息项； 根据本张SD-OCT图像已得到的边界或前一张SD-OCT图像得到的边界构造窄带； 采用迪杰斯特拉算法提取本张SD-OCT图像 “。

7、亮-暗” 或者 “暗-亮的边界， 得到最终分割 结果； 或， 在该方法中， 所述构造窄带的具体步骤包括： 待求边界的上面的一个边界下移平均厚度的二分之一； 待求边界的下面一个边界上移平均厚度的二分之一； 权利要求书 1/2 页 2 CN 109859214 A 2 构造出一个窄带。 8.一种计算机可读存储介质， 其中存储有多条指令， 其特征在于， 所述指令适于由终端 设备的处理器加载并执行如权利要求1-7任一项所述的一种带有CSC病变的视网膜层自动 分割方法。 9.一种终端设备， 其包括处理器和计算机可读存储介质， 处理器用于实现各指令； 计算 机可读存储介质用于存储多条指令， 其特征在于， 。

8、所述指令适于由处理器加载并执行如权 利要求1-7任一项所述的一种带有CSC病变的视网膜层自动分割方法。 权利要求书 2/2 页 3 CN 109859214 A 3 一种带有CSC病变的视网膜层自动分割方法及装置 技术领域 0001 本公开属于图像自动分割的技术领域， 涉及一种带有CSC病变的视网膜层自动分 割方法及装置。 背景技术 0002 本部分的陈述仅仅是提供了与本公开相关的背景技术信息， 不必然构成在先技 术。 0003 光学相干断层扫描技术(Optical Coherence Tomography， OCT)是近年来发展较 快的一种最具发展前途的新型层析成像技术， 特别是生物组织活体。

9、检测和成像方面具有诱 人的应用前景， 已在眼科、 牙科和皮肤科的临床诊断中应用。 0004 在视网膜病变中， 存在中心性浆液性脉络膜视网膜病变(CSC)简称 “中浆病” 。 采用 光学相干断层扫描技术对视网膜进行扫描后， 对带有CSC病变的SD-OCT图像进行组织分层 有重要意义， 一方面可以量化分析病变区域(CSC区域的容积、 位置、 轮廓)； 另一方面让医生 手动分割是非常耗费时间的， 自动分割可以有效提高医生的工作效率， 并且可以避免医生 的主观误差。 0005 目前， 有很多算法可以应用到视网膜层分割， 比如基于水平集的算法， 基于图论的 算法和基于机器学习以及深度学习的算法。 然而，。

10、 由于病变区域的影响， 目前存在的视网膜 层分割的算法对于带有CSC病变的视网膜层分割并没有达到很好的效果。 发明内容 0006 针对现有技术中存在的不足， 本公开的一个或多个实施例提供了一种带有CSC病 变的视网膜层自动分割方法及装置， 该视网膜自动分割方法基于图论以及层间耦合信息， 有效将带有CSC病变的视网膜层进行自动分割。 0007 根据本公开的一个或多个实施例的一个方面， 提供一种带有CSC病变的视网膜层 自动分割方法。 0008 一种带有CSC病变的视网膜层自动分割方法， 该方法包括： 0009 接收正常视网膜图像的样本组， 计算样本组中正常视网膜图像各层的厚度均值和 标准差作为先。

11、验信息； 0010 接收待分割的SD-OCT图像， 对于每组图像数据中的第一张SD-OCT图像基于先验信 息和梯度信息构造权重函数， 进行图像分割； 0011 计算已分割SD-OCT图像的视网膜厚度均值和标准差作为耦合信息， 基于耦合信息 和梯度信息重构权重函数， 对下一张SD-OCT图像进行分割， 直至完成全部SD-OCT图像的分 割。 0012 进一步地， 在该方法中， 对接收的所述待分割的SD-OCT图像进行图像预处理， 采用 改进的双边滤波算法， 抑制SD-OCT图像的散斑噪声。 0013 进一步地， 在该方法中， 所述对于每组图像数据中的第一张SD-OCT图像基于先验 说明书 1/7。

12、 页 4 CN 109859214 A 4 信息和梯度信息进行分割具体包括： 0014 采用先验信息和梯度信息构造权重函数， 计算每组图像数据中的第一张SD-OCT图 像中结点之间的权重， 进行该图像的分割。 0015 进一步地， 在该方法中， 所述基于耦合信息和梯度信息对下一张SD-OCT图像进行 分割具体包括： 0016 采用耦合信息和梯度信息构造权重函数， 计算该耦合信息对应图像在每组图像数 据中的下一张SD-OCT图像中结点之间的权重， 进行下一张SD-OCT图像分割。 0017 进一步地， 在该方法中， 图像分割出的图层包括ILM， IB-OPR_BMEIS Complex或 BME。

13、IS， OB_RPE以及IB_OPR。 0018 进一步地， 在该方法中， 图像分割具体步骤包括： 0019 采用迪杰斯特拉算法搜索 “暗-亮” 的边界， 判断搜索边界类型是ILM、 IB-OPR_ BMEIS Complex或BMEIS； 0020 对于已经得到的BMEIS或者IB-OPR_BMEIS Complex， 以此上边界向下移动9.77 m 为下边界得到一个窄带； 0021 采用迪杰斯特拉算法提取在这个窄带中提取另一条 “暗-亮” 的边界， 得到IB_OPR； 0022 在整幅图像上搜索采用迪杰斯特拉算法搜索 “亮-暗” 的边界， 得到OB_RPE。 0023 进一步地， 在该方法。

14、中， 还包括： 对于图像中梯度信息不明显的图层， 包括OPL- HFL、 RNFL-GCL、 INL-OPL， IPL-INL以及GCL-IPL， 使用耦合信息来约束视网膜边界的位置， 具 体步骤包括： 0024 在权重函数中加入耦合信息项； 0025 根据本张SD-OCT图像已得到的边界或前一张SD-OCT图像得到的边界构造窄带； 0026 采用迪杰斯特拉算法提取本张SD-OCT图像 “亮-暗” 或者 “暗-亮的边界， 得到最终 分割结果。 0027 进一步地， 在该方法中， 所述构造窄带的具体步骤包括： 0028 待求边界的上面的一个边界下移平均厚度的二分之一； 0029 待求边界的下面一。

15、个边界上移平均厚度的二分之一； 0030 构造出一个窄带。 0031 根据本公开的一个或多个实施例的一个方面， 提供一种计算机可读存储介质。 0032 一种计算机可读存储介质， 其中存储有多条指令， 所述指令适于由终端设备的处 理器加载并执行所述的一种带有CSC病变的视网膜层自动分割方法。 0033 根据本公开的一个或多个实施例的一个方面， 提供一种终端设备。 0034 一种终端设备， 其包括处理器和计算机可读存储介质， 处理器用于实现各指令； 计 算机可读存储介质用于存储多条指令， 所述指令适于由处理器加载并执行所述的一种带有 CSC病变的视网膜层自动分割方法。 0035 本公开的有益效果：。

16、 0036 本发明所述的一种带有CSC病变的视网膜层自动分割方法及装置， 首先使用耦合 信息以及图像的垂直梯度信息构造权重函数， 然后再利用耦合信息来构造自适应的窄带区 域， 最后从自适应的窄带提取出准确的视网膜层的边界。 本公开的使用计算机等终端设备 自动分割带有CSC病变的视网膜层， 使用计算机等终端设备及相应的运行环境就可以得到 说明书 2/7 页 5 CN 109859214 A 5 视网膜层分割的结果， 可以有效分析CSC病变导致的视网膜层厚度的变化并量化分析病变 区域的体积等病情的演化可以大大提高眼科医生的工作效率。 附图说明 0037 构成本申请的一部分的说明书附图用来提供对本申。

17、请的进一步理解， 本申请的示 意性实施例及其说明用于解释本申请， 并不构成对本申请的不当限定。 0038 图1是根据一个或多个实施例的一种带有CSC病变的视网膜层自动分割方法流程 图； 0039 图2是根据一个或多个实施例的具体方法流程图； 0040 图3是根据一个或多个实施例的视网膜各层说明示意图； 0041 图4(A)是根据一个或多个实施例的噪声抑制前效果图； 0042 图4(B)是根据一个或多个实施例的噪声抑制后效果图； 0043 图5是根据一个或多个实施例的视网膜层厚度示意图； 0044 图6是根据一个或多个实施例的耦合信息示意图； 0045 图7(A)是根据一个或多个实施例的带有CS。

18、C病变视网膜图像示意图； 0046 图7(B)是根据一个或多个实施例的正常视网膜图像示意图； 0047 图8(A)是根据一个或多个实施例的基于耦合信息及梯度信息边界的分割中提取 边界示意图； 0048 图8(B)是根据一个或多个实施例的基于耦合信息及梯度信息边界的分割中得到 分割结果示意图。 具体实施方式： 0049 下面将结合本公开的一个或多个实施例中的附图， 对本公开的一个或多个实施例 中的技术方案进行清楚、 完整地描述， 显然， 所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。 基于本公开的一个或多个实施例， 本领域普通技术人员在没有做出 创造性劳动前提下所获得的所有其他实。

19、施例， 都属于本发明保护的范围。 0050 应该指出， 以下详细说明都是例示性的， 旨在对本申请提供进一步的说明。 除非另 有指明， 本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员 通常理解的相同含义。 0051 需要注意的是， 这里所使用的术语仅是为了描述具体实施方式， 而非意图限制根 据本申请的示例性实施方式。 如在这里所使用的， 除非上下文另外明确指出， 否则单数形式 也意图包括复数形式， 此外， 还应当理解的是， 当在本说明书中使用术语 “包含” 和/或 “包 括” 时， 其指明存在特征、 步骤、 操作、 器件、 组件和/或它们的组合。 0052 需要注意的是，。

20、 附图中的流程图和框图示出了根据本公开的各种实施例的方法和 系统的可能实现的体系架构、 功能和操作。 应当注意， 流程图或框图中的每个方框可以代表 一个模块、 程序段、 或代码的一部分， 所述模块、 程序段、 或代码的一部分可以包括一个或多 个用于实现各个实施例中所规定的逻辑功能的可执行指令。 也应当注意， 在有些作为备选 的实现中， 方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。 例如， 两个接 连地表示的方框实际上可以基本并行地执行， 或者它们有时也可以按照相反的顺序执行， 说明书 3/7 页 6 CN 109859214 A 6 这取决于所涉及的功能。 同样应当注意的是， 流。

21、程图和/或框图中的每个方框、 以及流程图 和/或框图中的方框的组合， 可以使用执行规定的功能或操作的专用的基于硬件的系统来 实现， 或者可以使用专用硬件与计算机指令的组合来实现。 0053 在不冲突的情况下， 本公开中的实施例及实施例中的特征可以相互组合， 下面结 合附图与实施例对本公开作进一步说明。 0054 如图1所示， 针对现有技术中存在的不足， 本公开的一个或多个实施例提供了一种 带有CSC病变的视网膜层自动分割方法及装置， 该视网膜自动分割方法基于图论以及层间 耦合信息， 有效将带有CSC病变的视网膜层进行自动分割。 0055 根据本公开的一个或多个实施例的一个方面， 提供一种带有C。

22、SC病变的视网膜层 自动分割方法。 0056 一种带有CSC病变的视网膜层自动分割方法， 该方法包括： 0057 接收正常视网膜图像的样本组， 计算样本组中正常视网膜图像各层的厚度均值和 标准差作为先验信息； 0058 接收待分割的SD-OCT图像， 对于每组图像数据中的第一张SD-OCT图像基于先验信 息和梯度信息构造权重函数， 进行图像分割； 0059 计算已分割SD-OCT图像的视网膜厚度均值和标准差作为耦合信息， 基于耦合信息 和梯度信息重构权重函数， 对下一张SD-OCT图像进行分割， 直至完成全部SD-OCT图像的分 割。 0060 如图2所示， 为一种带有CSC病变的视网膜层自动。

23、分割方法具体流程图。 该方法首 先学习了10组正常视网膜平均厚度及标准差数据(共1280幅图像)并以此作为先验信息指 导每组数据第一张SD-OCT图像(B-scan)的分割。 之后分析每组数据已经分割的B-scan的视 网膜平均厚度及方差来指导下一张B-scan的分割。 0061 第一步： 搭建硬件平台以及配置运行环境。 配置一台计算机并安装Matlab。 0062 第二步:统计和计算10组正常视网膜图像(共1280张OCT图像， 以下称为B-scan)各 层的厚度均值以及标准差， 以此信息作为先验信息指导每组数据第一张B-scan的分割。 0063 如图3所示， 为本实施例要分割的九个视网膜。

24、各层的边界。 0064 第三步： 图像预处理。 使用改进的双边滤波算法， 抑制OCT图像的散斑噪声。 对于原 始图像首先要进行预处理， 在本方法中预处理就是采用双边滤波算法抑制图像中的散斑噪 声。 如图4所示， 为图像噪声抑制的效果示意图。 0065 对原始图像预处理后对于每组数据第一张B-scan的分割采用统计信息和梯度信 息进行分割， 而对于之后的每张B-scan使用耦合信息以及梯度信息进行分割， 分割顺序为 ILM,IB-OPR_BMEIS Complex/BMEIS,OB_RPE以及IB_OPR,OPL-HFL,RNFL-GCL,INL-OPL,IPL- INL以及GCL-IPL， 最。

25、终得到分割结果。 0066 第四步： 对于第一张B-scan， 使用统计先验信息以及梯度信息构造权重函数计算 图中结点之间的权重来来指导分割每组数据的第一张B-scan。 0067 第五步： 计算本组已经分割的B-scan各层视网膜的厚度以及标准差(耦合信息)， 并以此作为先验信息来指导下一张B-scan的分割。 如图5为视网膜层厚度的示意图。 如图6 所示为耦合信息示意图。 0068 使用耦合信息以及图像的梯度信息来构造权重函数。 使用此权重函数来计算图中 说明书 4/7 页 7 CN 109859214 A 7 结点之间的权重值。 0069 第六步： 分割ILM,IB-OPR_BMEIS 。

26、Complex/BMEIS,OB_RPE以及IB_OPR。 如图6所示， 基于梯度信息分割出的边界。 0070 上述边界具有较大的图像梯度， 所以在上述边界的分割中只使用梯度信息来计算 权重， 0071 其中， 图像上使用迪杰斯特拉算法搜索 “暗-亮” 的边界。 对于正常视网膜图像来说 搜索到的边界是ILM或者是BMEIS， 对于带有CSC病变的图像来说搜索出的边界是ILM或者是 IB-OPR_BMEIS Complex可以依据位置特征来分辨出两个边界。 0072 对于已经得到的BMEIS或者IB-OPR_BMEIS Complex可以以此为上边界和向下移动 9.77 m为下边界得到一个窄带，。

27、 然后使用迪杰斯特拉算法提取另一条 “暗-亮” 的边界， 即为 IB_OPR。 0073 最后在整幅图像上使用迪杰斯特拉算法搜索 “亮-暗” 的边界即可得到OB_RPE。 0074 图7(A)为带有CSC病变视网膜图像， 图7(B)为正常视网膜图像。 上述边界具有较大 的图像梯度， 所以在上述边界的分割中只使用梯度信息来计算权重， 其中。 图像上使用迪杰 斯特拉算法搜索 “暗-亮” 的边界。 对于正常视网膜图像来说搜索到的边界是ILM或者是 BMEIS， 对于带有CSC病变的图像来说搜索出的边界是ILM或者是IB-OPR_BMEIS Complex可 以依据位置特征来分辨出两个边界。 对于已经。

28、得到的BMEIS或者IB-OPR_BMEIS Complex可 以以此为上边界和向下移动9.77 m为下边界得到一个窄带， 然后使用迪杰斯特拉算法提取 另一条 “暗-亮” 的边界， 即为IB_OPR。 最后在整幅图像上使用迪杰斯特拉算法搜索 “亮-暗” 的边界即可得到OB_RPE。 0075 第七步： 基于耦合信息以及梯度信息的分割。 如图8所示， 对于OPL-HFL,RNFL-GCL, INL-OPL,IPL-INL以及GCL-IPL梯度信息不明显， 所以在上述边界的分割中， 我们使用了耦 合厚度信息来约束视网膜边界的位置。 0076 首先在权重函数值添加了耦合信息项。 然后我们依据本张B-。

29、scan已经得到的边界 或者前一帧B-scan得到的边界构造窄带。 具体为： 待求边界(Bi)的上面的一个边界(Bi-1)下 移平均厚度的二分之一， 待求边界(Bi)的下面一个边界(Bi+1)上移平均厚度的二分之一， 对 于不同的边界其上下边界见表1这样得到一个窄带. 0077 然后使用迪杰斯特拉算法提取 “亮-暗” 或者 “暗-亮的边界， 最终可以得到分割结 果。 如图8(A)然后使用迪杰斯特拉算法提取 “亮-暗” 或者 “暗-亮的边界， 如图8(B)， 最终可 以得到分割结果。 0078 表1 Bi对应的Bi+1及Bi-1 0079 说明书 5/7 页 8 CN 109859214 A 8。

30、 0080 根据本公开的一个或多个实施例的一个方面， 提供一种计算机可读存储介质。 0081 一种计算机可读存储介质， 其中存储有多条指令， 所述指令适于由终端设备的处 理器加载并执行所述的一种带有CSC病变的视网膜层自动分割方法。 0082 根据本公开的一个或多个实施例的一个方面， 提供一种终端设备。 0083 一种终端设备， 其包括处理器和计算机可读存储介质， 处理器用于实现各指令； 计 算机可读存储介质用于存储多条指令， 所述指令适于由处理器加载并执行所述的一种带有 CSC病变的视网膜层自动分割方法。 0084 这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实 施例所。

31、描述的方法或过程。 0085 在本实施例中， 计算机程序产品可以包括计算机可读存储介质， 其上载有用于执 行本公开的各个方面的计算机可读程序指令。 计算机可读存储介质可以是可以保持和存储 由指令执行设备使用的指令的有形设备。 计算机可读存储介质例如可以是但不限 于电存储设备、 磁存储设备、 光存储设备、 电磁存储设备、 半导体存储设备或者上述的 任意合适的组合。 计算机可读存储介质的更具体的例子(非穷举的列表)包括： 便携式计算 机盘、 硬盘、 随机存取存储器(RAM)、 只读存储器(ROM)、 可擦式可编程只读存储器(EPROM或 闪存)、 静态随机存取存储器(SRAM)、 便携式压缩盘只读。

32、存储器(CD-ROM)、 数字多功能盘 (DVD)、 记忆棒、 软盘、 机械编码设备、 例如其上存储有指令的打孔卡或凹槽内凸起结构、 以 及上述的任意合适的组合。 这里所使用的计算机可读存储介质不被解释为瞬时信号本身， 诸如无线电波或者其他自由传播的电磁波、 通过波导或其他传输媒介传播的电磁波(例如， 通过光纤电缆的光脉冲)、 或者通过电线传输的电信号。 0086 本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/ 处理设备， 或者通过网络、 例如因特网、 局域网、 广域网和/或无线网下载到外部计算机或外 部存储设备。 网络可以包括铜传输电缆、 光纤传输、 无线传输、 路由。

33、器、 防火墙、 交换机、 网关 计算机和/或边缘服务器。 每个计算/处理设备中的网络适配卡或者网络接口从网络接收计 算机可读程序指令， 并转发该计算机可读程序指令， 以供存储在各个计算/处理设备中的计 算机可读存储介质中。 0087 用于执行本公开内容操作的计算机程序指令可以是汇编指令、 指令集架构(ISA) 指令、 机器指令、 机器相关指令、 微代码、 固件指令、 状态设置数据、 或者以一种或多种编程 语言的任意组合编写的源代码或目标代码， 所述编程语言包括面向对象的编程语言诸如 C+等， 以及常规的过程式编程语言诸如 “C” 语言或类似的编程语言。 计算机可读程序指 令可以完全地在用户计算。

34、机上执行、 部分地在用户计算机上执行、 作为一个独立的软件包 执行、 部分在用户计算机上部分在远程计算机上执行、 或者完全在远程计算机或服务器上 执行。 在涉及远程计算机的情形中， 远程计算机可以通过任意种类的网络包括局域网 (LAN)或广域网(WAN)连接到用户计算机， 或者， 可以连接到外部计算机(例如利用因特网 服务提供商来通过因特网连接)。 在一些实施例中， 通过利用计算机可读程序指令的状态信 息来个性化定制电子电路， 例如可编程逻辑电路、 现场可编程门阵列(FPGA)或可编程逻辑 阵列(PLA)， 该电子电路可以执行计算机可读程序指令， 从而实现本公开内容的各个方面。 0088 应当。

35、注意， 尽管在上文的详细描述中提及了设备的若干模块或子模块， 但是这种 划分仅仅是示例性而非强制性的。 实际上， 根据本公开的实施例， 上文描述的两个或更多模 说明书 6/7 页 9 CN 109859214 A 9 块的特征和功能可以在一个模块中具体化。 反之， 上文描述的一个模块的特征和功能可以 进一步划分为由多个模块来具体化。 0089 本公开的有益效果： 0090 本公开所述的一种带有CSC病变的视网膜层自动分割方法及装置。 带有CSC病变的 视网膜自动分割对于量化分析病变区域， 包括CSC的容积、 位置、 轮廓等具有重要作用， 一方 面可以有效提高临床医生的工作效率； 另一方面对于评。

36、估病变程度以及病变演化有重要的 意义。 CSC病变在SD-OCT图像的表现为病变区域将ISOS层拱起， 病变区域灰度比较暗并且连 续多帧出现。 因此该算法利用已经分割的图像的平均厚度信息(耦合信息)作为先验知识来 指导下一帧图像的分割。 首先我们使用耦合信息以及图像的垂直梯度信息构造权重函数， 然后再利用耦合信息来构造自适应的窄带区域， 最后从自适应的窄带提取出准确的视网膜 层的边界。 0091 本公开所述的一种带有CSC病变的视网膜层自动分割方法及装置， 首先使用耦合 信息以及图像的垂直梯度信息构造权重函数， 然后再利用耦合信息来构造自适应的窄带区 域， 最后从自适应的窄带提取出准确的视网膜。

37、层的边界。 本公开的使用计算机等终端设备 自动分割带有CSC病变的视网膜层， 使用计算机等终端设备及相应的运行环境就可以得到 视网膜层分割的结果， 可以有效分析CSC病变导致的视网膜层厚度的变化并量化分析病变 区域的体积等病情的演化可以大大提高眼科医生的工作效率。 0092 以上所述仅为本申请的优选实施例而已， 并不用于限制本申请， 对于本领域的技 术人员来说， 本申请可以有各种更改和变化。 凡在本申请的精神和原则之内， 所作的任何修 改、 等同替换、 改进等， 均应包含在本申请的保护范围之内。 因此， 本发明将不会被限制于本 文所示的这些实施例， 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。 说明书 7/7 页 10 CN 109859214 A 10 图1 图2 说明书附图 1/6 页 11 CN 109859214 A 11 图3 图4(A) 说明书附图 2/6 页 12 CN 109859214 A 12 图4(B) 图5 说明书附图 3/6 页 13 CN 109859214 A 13 图6 图7(A) 说明书附图 4/6 页 14 CN 109859214 A 14 图7(B) 图8(A) 说明书附图 5/6 页 15 CN 109859214 A 15 图8(B) 说明书附图 6/6 页 16 CN 109859214 A 16 。