Az intraretinális rétegek detektálásának lépései

A rétegek kijelölésének lépéseit a 19. ábrán foglaljuk össze vázlatosan.

19. ábra Az OCTRIMA 3D képszegmentenciójában egy réteg kijelöléséhez szükséges lépések sémás összefoglalása.

1) Ellaposítás (Flattening): Az ellaposítás az OCT szegmentálási feladatokban gyakran használt előfeldolgozási lépés,mely a keresett határvonal kijelölését nagyban elősegíti a határvonal görbületeinek csökkentése által.^{62, 231} A retina görbületeinek ellaposítását a program egy adott B-scan esetében, az azt alkotó A-scanek axiális irányú elmozdításával végzi el a transzverzális tengely mentén. A kisebb görbületű vízszintes határok könnyebben kijelölhetőek a képen, mivel kevesebb csomópontot igényelnek és kisebb összsúlyhoz vezethetnek. A gráfkeresési algoritmus ebben az esetben inkább a geometriai rövid útvonalat részesíti előnyben. Az ellaposítás lépéséhez egy referencia határ alkalmazására is szükség van, mely párhuzamos lefutású a célhatárral, és amit egy megelőző lépés során az algoritmus már meghatározott. Egy vizsgált frame esetében az IS-OS határt alkalmazzák leggyakrabban erre a célra. Az ILM határa a fovea régiójában azonban ellaposítás után is még nagy görbületet mutat, ezáltal az algoritmus ezen a területen gyakrabban ejthet hibát.

65

20. ábra. Az ellaposítás (flattening). A legrövidebb út alapú gráf keresési mód a geometriai egyenes vonalat részesíti előnyben, ezáltal hibásan határozhatja meg az ILM

határát a fovea középső régiójában. Az ILM határának pontosabb meghatározásához az eljárás az előző frame-ből az ILM határát használja. Az a) és a c) a nyers OCT kép a fovea területéről (a) és az ellaposítás alkalmazása utáni kép. A (b) és (d) az (a) és (c)

pontban leírt ILM határkijelölés eredményeit mutatja.

Az OCTRIMA 3D esetében javítottuk az ILM határkijelölés ellaposítását, a retina szomszédos B-scanek közötti felületének a simaságát kihasználva. Az ILM referenciahatárának az előző keretben a neki megfelelő határvonalat alkalmazza, mely ezáltal az algoritmus megbízhatóságának növekedését is okozza. Az ellaposítás után az ILM határának a görbülete csökken a fovea középső régiójában. (20. ábra) Az interframe ellaposításnak ez alapján azt nevezzük, amikor a referenciahatár az előző frame-ben található meg, míg intraframe ellaposításnak, amikor egy frame-en belül helyezkedik el a kijelölendő határvonallal.

2) Éltérkép: A B-scan összes pixele egy gradiensértékkel rendelkezik, mely azt jelzi, hogy a pixel mekkora eséllyel vesz részt egy határvonal alkotásában. A gradienskép kiszámítása a gráfkereső algoritmus működéséhez elengedhetetlen lépés. Az algoritmus foltos zaj pixeleit elkülöníti a valós határvonal pixeleitől, azon alapulóan, hogy a zajt random elhelyezkedésű, magas gradiensértékkel rendelkező képpontok alkotják.

Mindezek miatt fejlettebb zajszűrési technikák alkalmazása szükségtelen. A kiegyenesítés lépése utáni képen a határvonalak horizontálishoz közeli lefutásúvá válnak, mely miatt a számításnál sötét-világos és világos-sötét irányú változások figyelembevételére lehet szükség. A sötét-világos átmenetű határok kijelöléséhez a

66

gradiensképet az algoritmus a B-scan és a konvoluciós kernel értékének meghatározása segítségével számítja ki:

g= kd2b * I (4)

ahol I a B-scan kép és a konvolúciós kernelt a következőképp definiáljuk:

kd2b = [ld2b ld2b ld2b ld2b ld2b]_; (5) és

ld2b =[1 1 1 1 1 0 - 1 - 1 - 1 - 1 – 1]^T. (6)

A konvolúció után, a negatív gradiensértékeket 0-nak véve, a gradiensértékeket 0 és 1 közötti értékre normalizáljuk. A retina határának közelében a gradiensérték a step edge modelt követi. A konvolúciós kernel kiegészítő szűrőként működik. A kernel méretét kísérleti úton határozzuk meg úgy, hogy a foltos zaj a szomszédos képpontok átlagolásának segítségével csökkenjen, anélkül, hogy a vízszintes irányú információból sok elveszne. A világos-sötét átmenetű kernelek esetében az algoritmus a kb2d = −kkd2b

kernelt alkalmazza.

3) Keresési régió leszűkítése (refinement): Az adott határvonal meghatározásánál a keresési régió az inter- vagy intraframe határvonal adatok segítségével leszűkíthető. Az intraframe leszűkítés esetében a határvonalak relatív elhelyezkedése alapján a képen a releváns tartomány (ROI) egy vékonyabb, téglalap alakú területre szűkíthető le, amely a határvonalat feltételezhetően tartalmazza. Az interframe leszűkítés leggyakrabban a referencia réteg kijelölésekor kerül alkalmazásra. (21. ábra) Az ILM határvonal elhelyezkedése 2 szomszédos frame között legfeljebb 10 pixel különbséget mutat tapasztalataink szerint, így a határkeresési régió megfelelő pontossággal kiszámítható.

Ezáltal a keresési régiót a C¹n[Z_h, Z_l] –re lehet korlátozni, ahol:

   

min ⁱ 10, max ⁱ 10, ( , )ⁱ

h l n

Z  z  Z  z   x z C_ (7)

Az alkalmazásunk a határvonalat alkotó gráf csúcsait a ROI képpontjaira szűkíti le, szemben a Chiu-féle algoritmussal, mely a B-scan összes képpontját felhasználja. Ez a változtatás a feldolgozási sebesség jelentős javulását eredményezi, mivel a csúcsok számának csökkenésével a kijelöléshez szükséges idő is csökken.

67

21. ábra. Az ILM keresési régió interframe leszűkítésének módja. Az ILM határ lefutásának ismeretében (zöld egyenes vonalú keret) az n-1 kép alapján a keresési régió

10 pixellel való kiegészítése után (zöld szaggatott vonalú keret) az n képen az ILM keresési régiója meghatározható (zöld szaggatott vonalú keret).

4) Torzítás (biasing) és maszkolás: Amikor a ROI területe több határvonalat is tartalmaz, az automatikus elkülönítésükhöz torzításos és maszkolásos technikák alkalmazására is szükség van. (22. ábra)

A torzítás esetében az ellaposított világos-sötét gradienskép keresési régión belüli területét a BI torzítási térképpel (bias map) szorozzák meg,

,

1 1

I z x

B z

M

 

 (8)

ahol M a ROI l sorainak száma, és (z, x) a tengelyirányú és oldalirányú pozíciót jelöli.

A torzítás a mélyebben elhelyezkedő határ kontrasztját emeli, ezzel könnyítve meg a rétegkijelölést.

A maszkolás alatt a gradienskép keresési régión belüli területének elemenkénti szorzatát értjük a maszk képpel, ami a második határvonal detektálására ad módot az előzőleg maghatározott határvonal zavarása nélkül. A maszkkép létrehozásakor a korábban észlelt határértéknél alacsonyabb képpontokat a program nulláknak tekinti, míg a többi képpontnak az 1 értéket adja. Az elemenkénti szorzat lépése után a legalacsonyabb határ alatti képpontokban a gradiens értékei nullát vesznek fel, ezzel segítve az algoritmust a második legalacsonyabb határ kijelölésében, az SPBGS segítségével.

Mivel a keresési régió gradiensértékei a torzítási és a maszkolási művelet után lecsökkennek, a ROI egyes oszlopaiban a gradienskép intenzitását a program [0, 1] -re

68

normalizálja. Mindez fontos szereppel bír a kontraszt javításában, amikor további torzítási és maszkolási művelet szükséges.

22. ábra Az IPL-INL (piros) és az OPLo (kék) határkijelölésében használt torzítási (biasing) és maszkolási műveletek ábrázolása. A releváns tartomány (ROI, piros

pontozott téglalap) az IS-OS és ILM közötti terület (zöld, folytonos vonalak). Az elemek alacsonyabb torzítási térképpel történő szorzása után az OPLo (OPL külső határa) kiemelkedőbb lesz a gradiensképen, így könnyebben észlelhető. Egy bináris

maszk létrehozásával az OPLo alatti összes képpontnak nulla értéket adunk, és a második legalacsonyabb határértéket, az IPL-INL-t, a legrövidebb út gráf kereséssel

jelöljük ki.

5. A legrövidebb út alapú gráf keresés (SPBGS): Az ellaposítás, a keresési terület finomítása, valamint a torzítási és a maszkolási eljárások lépései után a képpontok intenzitási értékei a ROI gM × N-ben jelzik a potenciális határ észlelésének valószínűségét. Egy konkrét réteghatárt az algoritmus a legrövidebb úthossz megállapítása segítségével határoz meg. Az ezalapján alkotott gráf kifejezetten ritkás, minden csúcsa között csupán nyolc összekötő ívvel. A Dijkstra algoritmusának²²⁴ alkalmazásával a gráfkeresési módszer időbeli összetettsége O (log (|V |) * |E|), ahol |V|

és |E| a csomópontok és ívek száma. Az OCTRIMA 3D esetében

| V | = MN és |E| = 8MN. Így az idő komplexitása: O (log (MN) * MN).

A feldolgozási idő javítása érdekében a gradiensképen a program mintavételi csökkentést (downsampling) hajt végre oldalirányban, egy 2-es faktorral. A retina rétegek a szomszédos leképezések között sima felszínt mutatnak, így az oldalirányú

69

felbontás csökkenése nagymértékben javítja a feldolgozási sebességet a pontosság minimális vesztesége mellett. A nyers kép szegmentációs vonalai a mintavétel csökkentés eredményeként létrejövő kép szegmentációjának lineáris interpolációjának és további mozgó átlagszűrővel történő ellaposításnak az eredménye.