Автоматическое совмещение изображений оптической когерентной томографии и снимков глазного дна

Автоматическое совмещение изображений оптической когерентной томографии и снимков глазного дна

Автор: Фида Александр Дмитриевич, Гайдель Андрей Викторович, Демин Никита Сергеевич, Ильясова Наталья Юрьевна, Замыцкий Евгений Андреевич

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 5 т.45, 2021 года.

Бесплатный доступ

Данная работа посвящена совмещению мультимодальных многомерных изображений: трехмерных данных оптической когерентной томографии и двумерных цветных изображений глазного дна. Регистрация этих двух модальностей может помочь корректировать положение полученных оптической когерентной томографией изображений на сетчатке. Некоторые существующие подходы совмещения глазного дна основаны на поиске ключевых точек, которые считаются инвариантными для аффинных преобразований и являются общими для двух изображений. Однако ошибки в определении таких точек могут привести к ошибкам регистрации. Также существуют методы итеративной настройки параметров преобразования, но они основаны на некоторых ручных настройках. В данной работе предложен метод, основанный на полном или частичном переборе возможных комбинаций преобразования изображения оптической когерентной томографии для поиска наилучшего приближения истинного преобразования. Наилучшее приближение определяется мерой сравнения пикселей предварительно обработанных изображений. Далее полученные преобразования сравниваются с имеющимися истинными преобразованиями для оценки качества алгоритма. Оценка преобразования с помощью алгоритма полного перебора показала лучшие результаты в сравнении с алгоритмом, основанным на поиске ключевых точек как минимум на порядок. Структура работы включает в себя предварительную обработку оптической когерентной томографии и изображений глазного дна с выделением кровеносных сосудов, случайный перебор или перебор по сетке возможных параметров преобразования (сдвиг, поворот и масштабирование), оценку качества алгоритма.

Еще

Обработка изображений, оптическая когерентная томография, глазное дно, совмещение изображений

Короткий адрес: https://sciup.org/140290269

IDR: 140290269   |   DOI: 10.18287/2412-6179-CO-892

Список литературы Автоматическое совмещение изображений оптической когерентной томографии и снимков глазного дна

  • Дедов, И.И. Распространенность сахарного диабета 2 типа у взрослого населения России (исследование NATION) / И.И. Дедов, М.В. Шестакова, Г.Р. Галстян // Сахарный диабет. - 2016. - Т. 19, № 2. - С. 104-112.
  • Амиров, А.Н. Диабетический макулярный отёк: эпидемиология, патогенез, диагностика, клиническая картина, лечение / А.Н. Амиров, Э.А. Абдулаева, Э.Л. Минхузина // Казанский медицинский журнал. -2015. - Т. 96, № 1. - С. 70-74.
  • Tsujimoto, T. Four-year screening interval and vision-threatening retinopathy in type 2 diabetes patients with good glycemic control / T. Tsujimoto, H. Kajio // Mayo Clinic Proceedings. - 2021. - Vol. 96, Issue 2. - P. 322-331.
  • Tan, G.S. Diabetic macular edema / G.S. Tan, N. Cheung, R. Simo // The Lancet Diabetes & Endocrinology. - 2017. -Vol. 5. - P. 143-155.
  • Hurley, B. Therapeutic revolution in the management of diabetic retinopathy / B. Hurley // Canadian Journal of Ophthalmology. - 2017. - Vol. 52, Issue 1. - P. 1-2.
  • Barry, G.P. A comparison of respiratory outcomes after treating retinopathy of prematurity with laser photocoagulation or intravitreal bevacizumab / G.P. Barry, K.A. Tauber, S. Greenberg, J. Lajoie, F. Afroze, H. Oechsner, E. Finucane, G. Binenbaum // Ophthalmology Retina. -2020. - Vol. 4, Issue 12. - P. 1202-1208.
  • Kotsur, T.V. The effectiveness of laser coagulation in the macula and high-density microphotocoagulation in the treatment of diabetic maculopathy / T.V. Kotsur, A.S. Izmailov // Ophthalmological Statements. - 2016. -Vol. 9, Issue 4. - P. 43-45.
  • Замыцкий, Е.А. Анализ интенсивности коагулятов при лазерном лечении диабетического макулярного отека на роботизированной лазерной установке NAVILAS / E.А. Замыцкий, А.В. Золотарев, Е.В. Карлова, П.А. Замыцкий // Саратовский научно-медицинский журнал. - 2017. - Т. 13, № 2. - С. 375-378.
  • Ober, M.D. Time required for navigated macular laser photocoagulation treatment with the Navilas® / M.D. Ober [et al.] // Graefe's Archive for Clinical and Experimental Ophthalmology. - 2013. - Vol. 251, Issue 4. - P. 1049-1053.
  • Vergmann, A.S. Efficacy and side effects of individualized panretinal photocoagulation / A.S. Vergmann, T.T. Nguyen, T.L. Torp, R. Kawasaki, T.Y. Wong, T. Peto, J. Grauslund // Ophthalmology Retina. - 2020. - Vol. 4, Issue 6. - P. 642-644.
  • Ильясова, Н.Ю. Технология интеллектуального отбора признаков для системы автоматического формирования плана коагулятов на сетчатке глаза / Н.Ю. Ильясова, A.С. Широканев, А.В. Куприянов, Р.А. Парингер // Компьютерная оптика. - 2019. - Т. 43, № 2. - С. 304315. - DOI: 10.18287/2412-6179-2019-43-2-304-315.
  • Ilyasova, N.Yu. Regions of interest in a fundus image selection technique using the discriminative analysis methods / N.Yu. Ilyasova, R.A. Paringer, A.V. Kupriyanov. - In: Computer vision and graphics. ICCVG 2016 / ed. by L.J. Chmielewski, A. Datta, R. Kozera, K. Wojciechowski. - Cham: Springer, 2016. - P. 408-417. - DOI: 10.1007/978-3-319-46418-3_36.
  • Ilyasova, N.Yu. A modified technique for smart textural feature selection to extract retinal regions of interest using image pre-processing / N.Yu. Ilyasova, A.S. Shirokanev, R.A. Paringer, A.V. Kupriyanov, A.V. Zolotarev // Journal of Physics: Conference Series. - 2018. - Vol. 1096. -012095. - DOI: 10.1088/1742-6596/1096/1/012095.
  • Yoo, T.K. The possibility of the combination of OCT and fundus images for improving the diagnostic accuracy of deep learning for age-related macular degeneration: a preliminary experiment / T.K. Yoo, J.Y. Choi, J.G. Seo // Medical & Biological Engineering & Computing. - 2019. -Vol. 57. - P. 677-687.
  • Radim, K. Registration of 3D retinal optical coherence tomography data and 2D fundus images / K. Radim, T. Pavel. - In: Biomedical Image Registration / ed. by B. Fischer, B.M. Dawant, C. Lorenz. - Berlin, Heidelberg: SpringerVerlag, 2010. - P. 72-82.
  • Zeinab, G. An efficient approach for robust multimodal retinal image registration based on UR-SIFT features and PIIFD descriptors / G. Zeinab, S. Jamshid, S. Amin, F. Emad // EURASIP Journal on Image and Video Processing. - 2013. - Vol. 1, Issue 25. - P. 1-16.
  • Golabbakhsh, M. Vessel-based registration of fundus and optical coherence tomography projection images of retina using a quadratic registration model / M. Golabbakhsh, H. Rabbani / IET Image Processing. - 2013. - Vol. 7, Issue 8. - P. 768-776.
  • Chojnacki, W. The equivalence of two definitions of compatible homography matrices / W. Chojnacki, Z.L. Szpak, M. Wadenback // Pattern Recognition Letters. - 2020. -Vol. 135. - P. 38-43.
  • Lowe, D.G. Distinctive image features from scale-invariant keypoints / D.G. Lowe // International Journal of Computer Vision. - 2004. - Vol. 60. - P. 91-110.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp