(44-2) 15 * << * >> * Русский * English * Содержание * Все выпуски

Метод выделения области макулярного отёка с использованием данных оптической когерентной томографии
Н.Ю. Ильясова 1,2, Н.С. Демин 1,2, А.С. Широканев 1,2, А.В. Куприянов 1,2, Е.А. Замыцкий 3

1 Самарский национальный исследовательский университет имени академика С.П. Королёва,
443086, Россия, Самарская область, г. Самара, Московское шоссе, д. 34,
2 ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН,
443001, Россия, Самарская область, г. Самара, ул. Молодогвардейская, д. 151,
3 ГБУЗ СОКОБ имени Т.И. Ерошевского, Самара, Россия

 PDF, 2743 kB

DOI: 10.18287/2412-6179-CO-691

Страницы: 250-258.

Аннотация:
В работе предложен метод выделения области диабетического макулярного отёка на изображениях глазного дна на основе анализа данных оптической когерентной томографии. Актуальность работы обусловлена необходимостью создания систем поддержки проведения операций лазерокоагуляции для повышения её эффективности. В основе предложенного подхода лежит набор методов и алгоритмов сегментации изображений, поиска особых точек и составления их дескрипторов. Алгоритм Кэнни применяется для поиска границы между стекловидным телом и сетчаткой на изображениях оптической когерентной томографии. Метод сегментации, основанный на алгоритме Краскала построения минимального остовного дерева взвешенного связного неориентированного графа, используется для выделения области сетчатки до пигментного слоя на изображении. С использованием полученных результатов сегментации была построена карта толщины сетчатки глаза и её отклонений от нормы. В ходе проведенных исследований были подобраны оптимальные значения параметров в алгоритмах Кэнни и графовой сегментации, позволяющие достичь ошибки сегментации в размере 5 %. Были рассмотрены методы SIFT, SURF и AKAZE для наложения рассчитанных карт толщины сетчатки глаза и её отклонений от нормы на изображение глазного дна. В случаях, когда вместе с данными оптической когерентной томографии предоставлен снимок с фундус-камеры аппарата оптической когерентной томографии, с помощью метода SURF возможно точное совмещение с изображением глазного дна.

Ключевые слова:
лазерная коагуляция, глазное дно, диабетическая ретинопатия, изображения ОКТ, графовая сегментация изображений, дескрипторы SIFT, SURF.

Цитирование:
Ильясова, Н.Ю. Метод выделения области макулярного отёка с использованием данных оптической когерентной томографии / Н.Ю. Ильясова, Н.С. Демин, А.С. Широканев, А.В. Куприянов, Е.А. Замыцкий // Компьютерная оптика. – 2020. – Т. 44, № 2. – С. 250-258. – DOI: 10.18287/2412-6179-CO-691.

Благодарности:
Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований (№ 19-29-01135, № 19-31-90160), а также при финансовой поддержке Министерства науки и высшего образования РФ в рамках госзадания ФНИЦ «Кристаллография и фотоника» РАН.

Литература:
  1. Дога, А.В. Современные аспекты диагностики и лечения диабетического макулярного отека / А.В. Дога, Г.Ф. Качалина, Е.К. Педанова, Д.А. Буряков // Сахарный диабет. – 2014. – Том. 17, №. 4. – С. 51-59. – DOI: https://doi.org/10.14341/DM2014451-59.
  2. Whiting, D.R. IDF diadetes atlas: global estimates of the prevalence of diabetes for 2011 and 2030 / D.R. Whiting, [et al.] // Diabetes Research and Clinical Practice. – 2011. – Vol. 94, Issue 3. – P. 311-321.
  3. Братко, Г.В. К вопросу о ранней диагностике и частоте встречаемости диабетического макулярного отека и формировании групп риска его развития / Г.В. Братко, В.В. Черных, О.В. Сазонова // Сибирский научный медицинский журнал. – 2015. – Т. 35, № 1. – С. 33-36.
  4. Замыцкий,  Е.А. Лазерное лечение диабетического макулярного отека / Е.А. Замыцкий // Аспирантский вестник Поволжья. – 2015. – № 1-2. – С. 74-80.
  5. 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.
  6. Исхакова, А.Г. Результаты клиникоэкономического анализа лечения больных диабетической ретинопатией с макулярным отеком / А.Г. Исхакова // Аспирантский вестник Поволжья. – 2014. – № 1. – С. 96-98.
  7. Уманец, Н.Н. Интравитреальное введение ранибизумаба как метод лечения больных кистозным диабетическим макулярным отеком / Н.Н. Уманец, З.А. Розанова, А. Махер // Офтальмологический журнал. – 2013. – № 2. – С. 56-60.
  8. Астахов, Ю.С. Современные подходы к лечению диабетического макулярного отека / Ю.С. Астахов, Ф.Е. Шадричев, М.И. Красавина, Н.Н. Григорьева // Офтальмологические ведомости. – 2009. – № 4. – С. 59-69.
  9. 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.
  10. Ильясова, Н.Ю. Технология интеллектуального отбора признаков для системы автоматического формирования плана коагулятов на сетчатке глаза / Н.Ю. Ильясова, А.С. Широканев, А.В. Куприянов, Р.А. Парингер // Компьютерная оптика. – 2019. – Т. 43, № 2. – С. 304-315. – DOI: 10.18287/2412-6179-2019-43-2-304-315.
  11. Ilyasova, N. Coagulate map formation algorithms for laser eye treatment / N. Ilyasova, D. Kirsh, R. Paringer, A. Kupriyanov, A. Shirokanev, E. Zamycky // 3rd International Conference on Frontiers of Signal Processing, ICFSP 2017. – P. 120-124.
  12. 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.
  13. 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.
  14. Quantitative analysis of retinal OCT / M. Sonka // Medical Image Analysis. – 2016. – Vol. 33. – P. 165-169.
  15. Dufour, P.A. Graph-based multi-surface segmentation of OCT data using trained hard and soft constraints / P.A. Dufour, L. Ceklic, H. Abdillahi, S. Schroder, S. De Dzanet, U. Wolf-Schnurrbusch, J. Kowal // IEEE Transactions on Medical Imaging. – 2013. – Vol. 32, Issue 3. – P. 531-543.
  16. Karri, S. Learning layer-specific edges for segmenting retinal layers with large deformations / S. Karri, D. Chakraborthi, J. Chatterjee // Biomedical Optics Express. – 2016. – Vol. 7, Issue 7. – P. 2888-2901.
  17. Canny, J. A computational approach to edge detection / J. Canny // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1986. – Vol. PAMI-8, Issue 6. – P. 679-698.
  18. Felzenszwalb, P. Efficient graph-based image segmentation / P. Felzenszwalb, D. Huttenlocher // International Journal of Computer Vision. – 2004. – Vol. 59, Issue 2. – P. 167-181.
  19. Kruskal, B. On the shortest spanning subtree of a graph and the traveling salesman problem / B. Kruskal // Proceedings of the American Mathematical Society. – 1956. –Vol. 7, No 1. – P. 48-50.
  20. Lowe, D.G. Object recognition from local scale-invariant features / D.G. Lowe // Proceedings of the International Conference on Computer Vision. – 1999. – Vol. 2. – P. 1150-1157.
  21. Bay, H. Speeded up robust features (SURF) / H. Bay, A. Ess, T. Tuytelaars, L. Van Gool // Computer Vision and Image Understanding (CVIU). – 2008. – Vol. 110, Issue 3. – P. 346-359.
  22. Alcantarilla, P. KAZE features / P. Alcantarilla, A. Bartoli, A. Davison // European Conference on Computer Vision. – 2012. – Vol. 4. – P. 214-227.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20