استفاده از الگوریتم برنامه‌نویسی پویا برای تشخیص اتوماتیک مرز کروئید در تصاویر EDI-OCT

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه فیزیک و مهندسی پزشکی، دانشکده‌ی پزشکی و کمیته‌ی تحقیقات دانشجویی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

2 دانشجوی دکتری، گروه فیزیک و مهندسی پزشکی، دانشکده‌ی پزشکی و کمیته‌ی تحقیقات دانشجویی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

3 دانشیار، گروه فیزیک و مهندسی پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

چکیده

مقدمه: از Enhanced depth imaging optical coherence tomography (EDI-OCT) برای تصویرگیری دقیق از لایه‌ی کروئید، که شامل بالاترین میزان جریان خون در چشم است و در بیماری‌های متعددی مانند پولیپ کروئیدی، تومور کروئیدی و تغییرات آرترو اسکلروتیک مویرگی تحت تأثیر قرار می‌گیرد، استفاده می‌گردد. از آن جایی که حجم زیادی از اطلاعات در چنین تصاویری نهفته است، تحلیل غیر اتوماتیک این داده‌ها برای چشم پزشک در حد ناممکن می‌باشد. هدف اصلی برای بخش‌بندی اتوماتیک این تصاویر، کمک به چشم پزشکان در تشخیص بیماری‌های وابسته به چشم بود.روش‌ها: داده‌های این طرح شامل داده‌های اخذ شده از دستگاه Heidelberg 3D OCT-HRA2-KT بود. برای بررسی الگوریتم از 50 داده استفاده شد. سپس، با استفاده از الگوریتم تشخیص مرزی، به عنوان برنامه‌نویسی پویا، مرز لایه‌ی اپیتلیوم رنگدانه‌ای شبکیه (RPE یا Retinal pigmented epithelium) و با پیدا کردن بیشینه‌ی گرادیان در پایین این لایه، مرز BM (Bruch’s membrane) استخراج شد. در مرحله‌ی بعد، با به کار گیری مجدد الگوریتم برنامه‌نویسی پویا مرز کروئید استخراج گردید.یافته‌ها: الگوریتم پیشنهادی در مقایسه با تفکیک دستی برای استخراج BM دارای خطای بدون علامت برابر با 91/0 ± 71/1 پیکسل و برای استخراج کروئید دارای خطایی برابر 11/4 ± 48/10 پیکسل بود. برای ارزیابی، روش پیشنهادی با الگوریتم k متوسط مقایسه شد که با میزان P بسیار کوچکتر از 001/0 بهبود چشمگیری را نشان داد.نتیجه‌گیری: تا کنون آنالیزهای اتوماتیک زیادی در زمینه‌ی تفکیک کروئید ارائه نشده است و روش‌های انجام شده به طور عمده بر روی تفکیک دستی متمرکز شده‌اند. در صورتی که در این مطالعه، از یک روش سریع و اتوماتیک برای تفکیک ناحیه‌ی کروئید استفاده شد.

کلیدواژه‌ها

عنوان مقاله [English]

Automated Choroidal Segmentation in Enhanced Depth Imaging Optical Coherence Tomography Images

نویسندگان [English]

  • Hajar Danesh 1
  • Raheleh Kafieh 2
  • Hossein Rabbani 3
1 MSC Student, Department of Biomedical Engineering, School of Medicine AND Student Research Committee, Isfahan University of Medical Sciences, Isfahan, Iran
2 PhD Student, Department of Biomedical Engineering, School of Medicine AND Student Research Committee, Isfahan University of Medical Sciences, Isfahan, Iran
3 Associate Professor, Department of Biomedical Engineering, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده [English]

Background: Enhanced depth imaging optical coherence tomography images (EDI-OCT) is used for detailed imaging of the choroid layer that contains the highest amount of blood flow in the eye and is affected in several diseases such as choroidal polyps, age-related degeneration and central serous chorioretinopathy. Choroidal segmentation is really important, but the manual segmentation is time consuming and encounters difficulties when large numbers of data is available. Since a large amount of information is available in the images, non-automated and visual analysis of data is almost impossible for the ophthalmologist. The main goal of automatic segmentation was to help the ophthalmologists in the diagnosis and monitoring diseases related to the eye.Methods: The data used in this project was obtained from the Heidelberg OCT-HRA2-KT instrument. Fifty 2 dimensional data were used to evaluate the algorithm. In this study, the retinal pigment epithelium (RPE) and choroid was segmented using a boundary detection algorithm named dynamic programming.Findings: The proposed algorithm was compared with the manual segmentation and the results showed an unsigned error of 1.71 ± 0.93 pixels for retinal pigmented epithelium (RPE) extraction and 10.48 ± 4.11 pixels for choroid detection. It showed significant improvements over other approaches like k-means method.Conclusion: A few automated methods are applied in the choroid segmentation and most of the studies were mainly focused on the manual separation. In this study, a fast and automated method was provided for the segmentation of choroid area.

کلیدواژه‌ها [English]

  • Enhanced depth imaging optical coherence tomography images (EDI-OCT)
  • Choroid
  • Dynamic programming

مراجع

  1. Cioffi GA, Granstam E, Alm A. Ocular circulation. In: Kaufman PL, Alm A, editors. Adler's physiology of the eye. 10th ed. Philadelphia, PA: Mosby; 2003.
  2. Chung SE, Kang SW, Lee JH, Kim YT. Choroidal thickness in polypoidal choroidal vasculopathy and exudative age-related macular degeneration. Ophthalmology 2011; 118(5): 840-5.
  3. Jirarattanasopa P, Ooto S, Tsujikawa A, Yamashiro K, Hangai M, Hirata M, et al. Assessment of macular choroidal thickness by optical coherence tomography and angiographic changes in central serous chorioretinopathy. Ophthalmology 2012; 119(8): 1666-78.
  4. Brown JS, Flitcroft DI, Ying GS, Francis EL, Schmid GF, Quinn GE, et al. In vivo human choroidal thickness measurements: evidence for diurnal fluctuations. Invest Ophthalmol Vis Sci 2009; 50(1): 5-12.
  5. Coleman DJ, Silverman RH, Chabi A, Rondeau MJ, Shung KK, Cannata J, et al. High-resolution ultrasonic imaging of the posterior segment. Ophthalmology 2004; 111(7): 1344-51.
  6. Sarks SH. Ageing and degeneration in the macular region: a clinico-pathological study. Br J Ophthalmol 1976; 60(5): 324-41.
  7. Povazay B, Hermann B, Unterhuber A, Hofer B, Sattmann H, Zeiler F, et al. Three-dimensional optical coherence tomography at 1050 nm versus 800 nm in retinal pathologies: enhanced performance and choroidal penetration in cataract patients. J Biomed Opt 2007; 12(4): 041211.
  8. Spaide RF, Koizumi H, Pozzoni MC. Enhanced depth imaging spectral-domain optical coherence tomography. Am J Ophthalmol 2008; 146(4): 496-500.
  9. Rahman W, Chen FK, Yeoh J, Patel P, Tufail A, Da CL. Repeatability of manual subfoveal choroidal thickness measurements in healthy subjects using the technique of enhanced depth imaging optical coherence tomography. Invest Ophthalmol Vis Sci 2011; 52(5): 2267-71.
  10. Margolis R, Spaide RF. A pilot study of enhanced depth imaging optical coherence tomography of the choroid in normal eyes. Am J Ophthalmol 2009; 147(5): 811-5.
  11. Kajic V, Esmaeelpour M, Povazay B, Marshall D, Rosin PL, Drexler W. Automated choroidal segmentation of 1060 nm OCT in healthy and pathologic eyes using a statistical model. Biomed Opt Express 2012; 3(1): 86-103.
  12. Tian J, Marziliano P, Baskaran M, Tun TA, Aung T. Automatic measurements of choroidal thickness in EDI-OCT images. Conf Proc IEEE Eng Med Biol Soc 2012; 2012: 5360-3.
  13. Bellman RE, Dreyfus SE. Applied dynamic programming. Princeton, NJ: Princeton University Press; 1962.
  14. Sonka M, Hlavac V, Boyle R. Image processing, analysis, and machine vision. Boston, MA: PWS Publishing; 1999.
  15. Shi J, Malik J. Normalized cuts and image segmentation. Journal IEEE Transactions on Pattern Analysis and Machine Intelligence 2013; 22(8): 888-905.
  16. Erdem E. Nonlinear diffusion PDEs [Online]. 2012. Available from: URL: http://web.cs.hacettepe.edu.tr/~erkut/bil717.s12/w04-nonlineardif.pdf.
  17. Kanal LN, Krishnaiah PR. Handbook of statistics 2: classification, pattern recognition and reduction of dimensionality. Amsterdam, Holland: Elsevier Science Pub Co; 1982.
  18. Chiu SL. Fuzzy model identification based on cluster estimation. Journal of intelligent and Fuzzy systems 1994; 2(3): 267-78.
مجله دانشکده پزشکی اصفهان
دوره 31، شماره 230 - شماره پیاپی 230
فروردین و اردیبهشت 1392
صفحه 343-350

فایل ها

سابقه مقاله

  • تاریخ دریافت: 29 بهمن 1391
  • تاریخ بازنگری: 11 آبان 1403
  • تاریخ پذیرش: 17 فروردین 1401

هم رسانی

ارجاع به این مقاله

آمار