巧解OCT,发现大不同——刘庆淮教授谈OCT图像的拓展分析

  • 2023-11-13 16:18:00
  • 330 Views

编者按:目前光相干断层扫描(OCT)已经成为眼科临床工作中不可缺少的一项重要检查,从前节到后节都为眼科医师提供了巨大的帮助。在常规应用的基础上,OCT还有哪些拓展应用呢?在今年湖南长沙举行的第二十七次全国眼科大会(CCOS 2023)上,来自江苏省人民医院的刘庆淮教授就OCT图像的拓展分析进行了讲解。


前言

光相干断层扫描是将光束射到组织或标本上,光束被不同距离上的显微结构反射,通过测量反射光的时间延迟显示为二维的横截面图像。其包含了3个含义:“光”指近红外光(840nm),“相干”指两束光的相干涉原理(频率,相位),“断层扫描”指眼球纵向结构成像(活体组织切片机)。
OCT的发展经历了一步一步的过程,并一直朝着更广、更深、更精、更快的方向发展。


图片


OCT可以通过图像呈现的形态学和反射强度进行定性分析,通过厚度地形图等进行定量分析,并将二者结合综合分析进而进行诊断。因此,一些国际研究小组甚至以OCT图像作为疾病分级标准,如黄斑玻璃体界面疾病、黄斑前膜、病理性近视。

基于OCT的诊疗模式,使得OCT在基础医院逐渐普及,加强了医患之间的沟通。但是只关注一张OCT报告,存在诸多问题:譬如断层只关注一个剖面、缺乏整体病变(如体积)的评估、缺乏病理信息的提取(如高反射亮斑)等。因此,需要医师关注OCT图像的拓展分析,包括OCT原始图像的处理、OCT图像的病变分析、OCT眼底图像的辅助决策三个方面。


OCT原始图像的处理

处理后的OCT原始图像可以提供更清晰、更全面观察的OCT眼底图像,包括去噪、增强、融合显示、超分辨率生成等。

去噪

改进的同质相似性去噪是将原始图旋转后“摆正”,之后把噪声点相似的区域(即眼底OCT区域的上和下部分)提取出来,去噪,以增强眼底组织图像(即目标区域)。改进方法包括噪声分布预处理、邻域形状调整、目标区域区别处理。视网膜-脉络膜的上下噪点以及组织内部的噪点(这些噪点分布、像素都类似)去除后,可以增强视网膜各层结构。


图片

图片

图片


增强

基于OCT黄斑区cube模式下的断层扫描图,如果提取特征,可以得到en-face(左)及OCTA图片(中)。中间的生成OCTA图是由黄斑区血管增强投影得到的,与右边真实的OCTA扫描图具有可比性。


图片


由于光的吸收效应,视网膜血管在內界膜(ILM)和外丛状层之间的反射率会提升;而由于视网膜血管的阴影影响,视网膜血管下方的反射率会下降。充分利用上述特性,通过视网膜血管模板对区域限制投影图像进一步提升血管对比度,可以得到高低反射率增强的OCT视网膜血管投影。


图片


融合显示

如果是全体素投影,即把OCT上的每个断层亮度不同的信息合成,得到左下A图,显示不出玻璃膜疣。区域限制投影(RSVP)经过两步:第一步,经过目标强化,把目标的玻璃膜疣强化(右上B);第二步,只留取视网膜表面信息和玻璃膜疣及玻璃膜疣附近的信息,这样生成的图就把玻璃膜疣凸显出来了。这就是区域限制投影。

图片


基于区域限制投影,相对于彩照和体素全投影,玻璃膜疣显著被增强。

图片


同样,聚焦在RPE-脉络膜, 提取的是GA(地图样萎缩)信息。

图片


将玻璃膜疣和地图样萎缩合在一起成像,并用炫彩来区分,结果如下。

图片


OCT图像的病变分析

OCT图像的病变分析包括是否正常、病变部位、病变大小情况。由于SD-OCT和EDI-OCT图像能够几乎同时获得同一个眼睛的成像数据,刘教授提出了一种基于EDI-OCT驱动的SD-OCT图像的三维脉络膜层分割方法。如图所示,5线EDI-OCT图像对应128线SD-OCT图像中其中5幅图像,由于EDI-OCT图像的成像时间较长,因此脉络膜层在EDI-OCT图像中能够较SD-OCT图像具有更好的对比度和清晰度。

刘教授在EDI-OCT图像脉络膜层分割的基础上,通过图像配准技术将EDI-OCT的脉络膜层分割结果映射到SD-OCT图像中,用于估计脉络膜层的平均厚度和辅助构造SD-OCT图像的脉络膜层特征空间,最后采用三维图搜索得到最终的SD-OCT脉络膜层分割结果。

图片


算法流程图主要分为三部分:EDI-OCT图像脉络膜层分割、EDI-OCT和SD-OCT图像配准和SD-OCT图像脉络膜层分割。

图片


下图为脉络膜层厚度映射图,表明刘教授方法的厚度映射图比手工结果更平滑,因为手工结果是逐帧在二维SD-OCT图像上分割的,而刘教授的方法是在三维空间上进行分割的,因此分割结果更接近真实的情况。

图片


以下为不同病理改变的水肿分割情况。

图片

图片

图片

图片


OCT眼底图像的辅助决策

OCT眼底图像的辅助决策,是基于OCT图像对眼底病变的发展趋势和严重等级做出判断。刘教授通过一项回顾性研究,对AI预测抗VEGF治疗后CNV体积变化的准确性进行了探索分析。

纳入标准:

2012年到2015年间,在江苏省人民医院接受单抗类抗VEGF药物 QM治疗12次及以上的AMD患者;

初诊OCT显示存在Type II CNV临床随访资料完整;

每月OCT影像资料完整的患者。


AI训练方案:

图片


AI验证方法:

图片


网络:

首先通过一个2D的显著图生成网络来生成CNV的显著图,该显著图能够给出CNV所在的大致区域,然后通过一个自动的阈值选择算法来移除不相关的区域,从而只保留CNV相关的区域。生成的CNV显著图和3D的预测网络相结合来获得多尺度的局部和全局特征表示,该特征被用来进行CNV体积预测和CNV体积趋势的预测。

图片


该网络首先对每一个B-Scan进行二分类,即是否包含CNV,然后通过网络训练得到的映射参数和特征图相结合来获得CNV显著区域。

图片


研究结果:

AI训练方案一:

图片

图片


最后一次随访,各患者的预测值与真实值很接近。


AI训练方案二:

图片

图片


6位患者的预测走势图如下。蓝色实线为真实的CNV体积变化,红色实线为预测的CNV体积变化,蓝色虚线为真实的CNV体积变化整体趋势,红色虚线为预测的CNV体积变化整体趋势。

图片


小结

目前OCT已经更深、更广、更高清、数字化和智能化,为规范OCT数据的采集、搭建信息化管理平台提供了基础。拓展分析要注意样本量和多模态、不同设备的差异性,以及拓展分析的临床实用性。


声明:本文仅供医疗卫生专业人士了解最新医药资讯参考使用,不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导,也不应被视为诊疗建议,如果该信息被用于资讯以外的目的,本站及作者不承担相关责任。

2 comments

发布留言

条评论

  • Linda Gareth
    2015年3月6日, 下午2:51

    Donec ipsum diam, pretium maecenas mollis dapibus risus. Nullam tindun pulvinar at interdum eget, suscipit eget felis. Pellentesque est faucibus tincidunt risus id interdum primis orci cubilla gravida.


相关阅读