本發(fā)明涉及用于分析表示生物組織的三維體積的圖像數(shù)據(jù)的方法。本發(fā)明還涉及用于分析生物組織的三維體積的圖像數(shù)據(jù)的計算機程序。

背景技術(shù)：

發(fā)達國家中年齡超過50歲的人中，老年性黃斑變性(AMD)、尤其是新生血管AMD(nAMD)是失明的主要原因。血管透過性的增加導致視網(wǎng)膜內(nèi)或視網(wǎng)膜下的異常流體聚集，該異常流體聚集在它涉及黃斑的中心時導致視覺機能障礙。這導致迅速惡化的視敏度，色素上皮疤痕，永久喪失視力或失明。

然而，抗血管生成劑、包括雷珠單抗(Ranibizumab，商品名為Novartis，巴塞爾，瑞士)的玻璃體內(nèi)注射已經(jīng)顯示出顯著改善的nAMD的過程。為了減少玻璃體內(nèi)注射的負擔并優(yōu)化風險/利益曲線，nAMD特征的演變(progression)能通過光學相干斷層掃描(OCT)進行非侵入性監(jiān)測。突出的nAMD特征包括視網(wǎng)膜結(jié)構(gòu)厚度的增加。當在視覺上比較不同時間獲取的視網(wǎng)膜的相同區(qū)域的兩個OCT圖像時，這種增加可被識別，其中時間間隔是幾天到幾個月。

例如，用雷珠單抗治療的患者通常經(jīng)受每月一次OCT檢查。如果觀察到nAMD特征的顯著增長，那么治療決策表示為：病人在當天、一個月后或兩個月后(治療期)接受雷珠單抗注射。如果nAMD特征還沒有完全退去，再治療可以被指示為一個月后。否則，該患者當天不接受注射，但通常指示維持注射(維持期)。

OCT采集以及OCT采集的隨后的分析通常是由技術(shù)人員、包括眼科醫(yī)生進行。這意味著，所監(jiān)控的患者被要求在每次采集OCT時要訪問醫(yī)院的醫(yī)療實踐或?qū)ｉT單位。這使患者承受相當大的負擔。而且，OCT采集的頻率(例如1個月)已經(jīng)是一方面nAMD發(fā)展的密切監(jiān)測和另一方面患者負擔的成本及負擔之間的一種折衷。

原則上，OCT采集的自動分析可緩解這些問題。近年來，許多算法已被設計來自動分析視網(wǎng)膜的OCT采集，例如Abràmoff MD,Garvin M.,Sonka M.,Retinal的Retinal Imaging and Image Analysis(視網(wǎng)膜成像和圖像分析)，IEEE Rev Biomed Eng.2010；3:169-208。在進行自動分析的情況下，重要的是：檢測可能的成像誤差以避免主要或基本是由于成像誤差引起的假陰性或假陽性的結(jié)果。通常情況下，信噪比被用來提供成像質(zhì)量的測量值。但是，單獨該量對于評估成像數(shù)據(jù)的自動分析的結(jié)果的可靠性來說是不可靠的測量值。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供屬于前述技術(shù)領域的用于分析圖像數(shù)據(jù)的方法，該方法允許可靠地評估用于自動分析的成像數(shù)據(jù)的適合性。

通過權(quán)利要求1的特征詳述本發(fā)明的方案。根據(jù)本發(fā)明，該方法包括以下步驟：

a)為多個子體積中的每個子體積產(chǎn)生至少兩個誤差概率值，每個值表示一種成像誤差的概率，所有子體積構(gòu)成三維體積；

b)基于至少兩個誤差的概率值，對于多個子體積中的每個子體積確定單個合并的誤差概率值；

c)分析圖像數(shù)據(jù)以便獲得應用于多個子體積的有關(guān)生理學的結(jié)論，根據(jù)子體積的合并的誤差概率，在分析中加權(quán)多個子體積中的給定子體積的圖像數(shù)據(jù)。

因此，用于分析表示生物組織的三維體積的圖像數(shù)據(jù)的本發(fā)明的計算機程序包括在計算機運行時適于執(zhí)行上述步驟的計算機程序代碼。本發(fā)明的方法允許基于至少兩種成像誤差產(chǎn)生局部誤差概率值。使用這兩種類型來提高誤差預測的質(zhì)量。根據(jù)圖像數(shù)據(jù)的可靠性，具有局部值允許與不同子體積相關(guān)的圖像數(shù)據(jù)的加權(quán)。如果檢測到誤差，通常不必重復成像步驟，但如果誤差僅局部地影響圖像數(shù)據(jù)，那么就能基于未受影響的圖像數(shù)據(jù)獲得有關(guān)生理學的結(jié)論。

特別地，被考慮用于獲得有關(guān)生理學的結(jié)論的多個子體積填滿待被檢查的生物組織的整個三維體積。此外，相同的子體積可用于確定局部誤差概率值和分析圖像數(shù)據(jù)以便獲得有關(guān)生理學的結(jié)論。

特別地，圖像數(shù)據(jù)是光學相干斷層成像(OCT)的圖像數(shù)據(jù)。在OCT掃描的情況下，子體積優(yōu)選對應于特定位置處的A型掃描(超聲術(shù)語)。在下文中，A型掃描沿其延伸的深度軸用y來表示，而表示A型掃描的位置的垂直于y軸的兩個軸分別用x和z表示。特別地，3D OCT圖像數(shù)據(jù)由光譜域OCT獲得。

該方法在自動分析大量的圖像的情況下是特別有利的。除了其效率，其提供獨立于操作員的評估，這在讀片中心的應用中可能是非常有用的，或被提供為數(shù)據(jù)庫主干網(wǎng)(backbone)的服務。

原則上，本發(fā)明的方法可應用于由諸如血管造影術(shù)、計算機斷層掃描等的其他技術(shù)獲得的三維圖像數(shù)據(jù)。

本發(fā)明的方法特別適合人類或哺乳動物的視網(wǎng)膜組織的研究。特別地，它可能自動提供視網(wǎng)膜的OCT圖像中的成像的概率的可靠評估。

本發(fā)明不限于視網(wǎng)膜組織的研究。使用本發(fā)明的方法可研究其他生物組織。

在本發(fā)明的優(yōu)選實施例中，具有超過閾值的合并的誤差概率值的多個子體積中的子體積從圖像數(shù)據(jù)的分析被排除，以獲得生理有關(guān)的結(jié)論。因此，該方法被簡化，并且其中可能有成像誤差的子體積根本不有利于有關(guān)生理學的結(jié)論。

替代性地，當分析圖像數(shù)據(jù)時，可考慮基本所有子體積。在這種情況下，相應的權(quán)重是基于局部合并的誤差的概率值。存在用于賦予加權(quán)的很多概率，將相比于具有更高概率的子體積更多的具有更低誤差概率的子體積進行加權(quán)對獲得可靠結(jié)果來說基本是唯一的條件。

取決于所采用的成像技術(shù)和被檢查的生物組織，存在多個可行且合適的誤差概率值的集。優(yōu)選地，至少兩個誤差概率值包括在相關(guān)子體積中與信噪比相關(guān)的第一概率值。盡管信噪比(或噪音信號比)自己對于評估自動分析的適合性來說是不可靠的，但當與其他量結(jié)合時其仍是有價值的信息。尤其，如果例如由于成像光束未對準而存在局部的不期望的信號衰減，就像其將導致基本減弱的信號，那么信噪比將基本增大。

為了計算第一概率值，優(yōu)選確定表示給定子體積的第一區(qū)域的圖像數(shù)據(jù)的第一強度分布和表示給定子體積的第二區(qū)域的圖像數(shù)據(jù)的第二強度分布，其中第一區(qū)域和第二區(qū)域涉及生物組織的不同的功能區(qū)域。隨后，給定體積的第一概率值通過比較第一和第二強度分布獲得。特別是在OCT采集的情況下，可能存在基本上不反向散射的生物組織的區(qū)域("黑區(qū)")，因此，對于這些區(qū)域接收的多數(shù)信號可歸因于噪音。這些區(qū)域中的強度分布與示出OCT圖像中的許多詳細信息的亮的區(qū)域中的強度分布的比較允許對信噪比評估。

作為示例，在視網(wǎng)膜組織的OCT成像的情況下，合適的黑色區(qū)域是玻璃體液，而亮的區(qū)域位于視網(wǎng)膜色素上皮(RPE)和內(nèi)界膜(ILM)后面。相應地，優(yōu)選通過將這兩個區(qū)域的強度分布與玻璃體液的強度分布比較獲得兩個測量值。出于安全原因，與更高的信噪比相關(guān)的測量值被用作第一概率值的基礎。

通過使用應用于兩個分布的柯爾莫哥洛夫-斯米爾諾夫(Kolmogorov-Smirnov)測試，可以比較強度分布。這將產(chǎn)生兩個分布之間的差異或分離相關(guān)的量，其值在(0，1)的范圍內(nèi)，其中0表示分布的強度。1的補集可用作第一概率值。

用于比較兩個強度分布或用于估計信噪比的其他(已知)方法可被使用。

優(yōu)選地，至少兩個誤差概率值包括第二概率值，該第二概率值表示待被檢查的生物組織的區(qū)域不被相關(guān)子體積表示的概率。這意味著：如果應被給定子體積涵蓋的組織區(qū)域由于例如成像設備的不完全對準或成像過程中的對應的誤差而沒有被覆蓋，那么其允許進行檢測。這通常導致成像的三維體積中的縫隙并因此構(gòu)成應避免的誤差。

在OCT視網(wǎng)膜圖像的情況下，通常要求整個視網(wǎng)膜深度被給定的A型掃描涵蓋。如果存在未對準，可發(fā)生鄰近ILM的視網(wǎng)膜的前部或者鄰近或在RPE后面的視網(wǎng)膜的后部沒有被涵蓋。為了獲得第二概率值，因此可行的是借助分段技術(shù)、例如使用基于圖割算法來檢測ILM和/或RPE。然后，ILM和/或RPE相對于圖像邊界的位置被確定。如果該位置鄰近邊界，那么圖像誤差是可能的，并且第二概率值將獲得高值。為了將測量距離轉(zhuǎn)化為概率值，可使用高斯核函數(shù)。

在本發(fā)明的方法的優(yōu)選實施例中，表示生物組織的三維體積的圖像數(shù)據(jù)的子體積通過成像設備的大量掃描而獲得，所有掃描涵蓋三維體積。在這種情況下，至少兩個誤差概率值優(yōu)選包括第三概率值，該第三概率值表示在不同掃描中獲得的相鄰的子體積之間具有不連續(xù)性的概率。如果成像設備和被檢查的生物組織失去固定對準，則可發(fā)生不連續(xù)性?？赡苄孕〉亩嗟氖牵合啾扔谠诓煌瑨呙?例如兩個不同的B型掃描的空間相鄰A型掃描)的相鄰子體積之間在相同掃描(例如給定的B型掃描的相鄰A型掃描)的相鄰的子體積之間存在實質(zhì)上的不連續(xù)性，因為在不同掃描情況下的時間偏移比第一情況大得多。

為了計算第三概率值，優(yōu)選通過沿預定方向的相鄰子體積的第一子體積的一系列體素的圖像數(shù)據(jù)和沿預定方向的相鄰子體積的第二子體積的一系列體素的圖像數(shù)據(jù)構(gòu)建距離矩陣并通過基于距離矩陣的分析計算第三概率值來比較相鄰的子體積。

可通過獲得對應于將距離矩陣的預定起點和預定終點相連接的路徑的翹曲函數(shù)來分析距離矩陣，距離矩陣給出的距離的總和沿該路徑最小。通過使用被稱為例如Dijkstra算法的尋路算法可確定最短距離。

該方法受到根據(jù)例如語音識別中的時間的順序分析而已知的“動態(tài)時間規(guī)整”方法的啟發(fā)。翹曲函數(shù)對應于第一子體積的體素和第二子體積的體素之間的最佳匹配。兩個被比較的子體積之間的不連續(xù)性將導致翹曲函數(shù)所表示的路徑的性狀改變。如果該路徑與基準路徑比較這將是明顯的。在研究視網(wǎng)膜組織的情況下，沿預定方向的起點特別對應于視網(wǎng)膜的內(nèi)界膜，終點將對應于脈絡膜。

其它方法可以被使用。作為示例，可以通過圖像分析，例如通過基于圖割的算法確定ILM的位置。然后，沿y軸的ILM位置的比較允許檢測不連續(xù)性。

優(yōu)選地，至少兩個誤差概率值包括第四概率值，所述第四概率值表示以下概率，即表示有關(guān)子體積的圖像數(shù)據(jù)是基本空的。這可能發(fā)生，因為成像設備的成像光學器件錯位或其他光學、機械或電子問題。如果圖像強度對于整個子體積來說處于窄的范圍之內(nèi)，那么圖像數(shù)據(jù)被視為是基本空的。作為示例，如果對于整個子體積(例如在最低3或5％的強度值范圍內(nèi))來說圖像強度低于某一較低的閾值，那么第四概率值被賦予值1。否則，第四概率值被賦予值0。漸變的值也是可能的。

在本發(fā)明的方法的優(yōu)選實施例中，特別是在OCT視網(wǎng)膜成像中，使用所有上述誤差概率值，即與以下列出的相關(guān)的值：

a)信噪比；

b)被相關(guān)的子體積檢查而不是表示的生物組織的區(qū)域；

c)相鄰子體積之間的不連續(xù)性；和

d)表示相關(guān)子體積是基本空的圖像數(shù)據(jù)。

優(yōu)選地，通過將機器學習算法應用于至少兩個誤差概率值來確定單個合并的誤差概率值。優(yōu)選的算法是支持向量回歸(SVR)算法。利用機器學習算法允許系統(tǒng)地包括在各圖像數(shù)據(jù)分析領域的專家的知識。

如果應比較兩個圖像、即圖像數(shù)據(jù)包括表示第一時間點的三維體積的第一圖像和表示不同于第一時間點的第二時間點的體積的第二圖像，本發(fā)明的方法特別有用，并且該方法包括以下步驟：獲得沿預定方向的生物組織的層的增長概率的至少一個局部測量值。組織或其被檢查的部分由第一圖像的第一子體積和第二圖像的第二子體積表示，第一子體積和第二子體積表示三維體積的相同區(qū)域。

可能的應用是對視網(wǎng)膜、尤其是黃斑區(qū)的各層的增長的自動研究。被處理過的數(shù)據(jù)有利于nAMD特征的檢測，并提供對于決定nAMD的進一步治療有用的信息。因此，該方法可用作決策支持工具，以便幫助臨床醫(yī)師評估玻璃體腔內(nèi)注射的需要。但是，本發(fā)明不限于視網(wǎng)膜組織的研究。利用本發(fā)明的方法可研究其他生物組織，特別是這些組織的厚度隨時間的變化受關(guān)注的情況。獲得局部誤差概率的本發(fā)明的方法允許排除假警報并允許使用最大量的圖像，甚至那些被局部誤差影響的圖像。

在這些方法中，對由第一子體積和第二子體積表示的三維體積的區(qū)域產(chǎn)生至少兩個誤差概率值對，每個誤差概率值對包括用于第一子體積的誤差概率值和用于第二子體積的相應的誤差概率值。這允許同時考慮兩個圖像的誤差，并且能將兩個圖像的誤差概率、表示可能的誤差的實質(zhì)差異與至少一個圖像比較。

優(yōu)選地，由每個誤差概率值對獲得單個局部誤差概率值。該單個值是對以下概率的測量值，即兩個圖像的給定的子體積的比較受成像誤差的影響，即其直接涉及被確定的有關(guān)生理學的量。

在該方法的優(yōu)選的實施例中，其包括另外步驟：如果從合并的誤差概率值獲得的圖像數(shù)據(jù)的全部的量低于閾值，則改變成像設備的使用者。這允許重復成像步驟，以便獲得更適于自動分析的圖像數(shù)據(jù)。優(yōu)選地，合并的誤差概率值的確定和總圖像質(zhì)量的評估被準實時地影響，以便使用者(有可能是病人本身或醫(yī)療保健專業(yè)人員)會收到即時反饋。閾值可是固定值，由合并的誤差概率值(例如︰總和、平均值或中值)獲得的量與該固定值進行比較。替代性地，機器學習算法，例如支持向量分類(SVC)模型，可用于“適用于自動分析”和“不適用于自動分析”之間的分類。

根據(jù)下面的詳細說明和全部權(quán)利要求，其他有利的實施方式和特征的組合變得明顯。

附圖說明

用于說明實施例的附圖示出︰

圖1根據(jù)本發(fā)明的用于分析圖像數(shù)據(jù)的方法的基本步驟的示意圖；

圖2由兩個不同的時間點的圖像數(shù)據(jù)所表示的生物組織的體積的示意圖，該體積包括待用本發(fā)明的方法分析的子體積；

圖3a)強度梯度的基于體素的距離；b)對應于基于體素的距離的最短距離路徑；c)最短距離路徑和基準路徑之間的區(qū)域；和

圖4A和4B用來說明用于確定信噪比的方法的OCT圖像的提?。?/p>

圖5A和5B在被分析的圖像中提取用來說明用于確定生物組織的失去的元素(element)的方法的OCT圖像；

圖6A在隨后的掃描中獲得的圖像數(shù)據(jù)所表示的生物組織的三個子體積的示意圖；和

圖6B用于說明隨后的掃描之間的不連續(xù)效果的OCT圖像的提取。

在附圖中，相同的部件被給予相同的附圖標記。

具體實施方式

圖1是根據(jù)本發(fā)明的用于分析圖像數(shù)據(jù)的方法的基礎步驟的示意圖。所述方法用于比較在兩個不同時間點獲取的生物組織的兩個圖像10、20。這兩個三維圖像10、20彼此相比較，以便獲得二維差異圖30，該二維差異圖由各子體積的圖像數(shù)據(jù)的差異有關(guān)的數(shù)值網(wǎng)格構(gòu)成。其提供第一時間點和第二時間點之間的給定子體積中的結(jié)構(gòu)變化的幅度(magnitude)相關(guān)的信息。在不同子體積中的成像誤差的局部概率被計算并構(gòu)成誤差概率圖51。該圖在根據(jù)差異圖30計算(全局)特征向量60時被考慮。最后，利用機器學習算法，該特征向量60被映射到期望的全局量(例如全局生長概率71)。

下文中，將參考由人視網(wǎng)膜的黃斑區(qū)域獲取的、通過光譜域OCT獲得的3D OCT圖像描述本發(fā)明。但是，該方法的基本步驟可應用于生物組織等的其他三維圖像。

圖2是在不同時間點的圖像數(shù)據(jù)所表示的生物組織的體積的示意圖，該生物組織的體積包括待用本發(fā)明的方法分析的子體積。首先，在不同時間點、例如在30天的時間間隔獲取的表示給定組織的基本相同體積的兩個圖像10、20被獲得。該圖像由以規(guī)則網(wǎng)格布置的許多體素構(gòu)成，網(wǎng)格的方向分別表示為x、y和z。兩個圖像10、20大體記錄在冠狀平面中，即x-z平面中，這可以利用如今的OCT采集設備來實現(xiàn)，例如，由那些以眼底SLO跟蹤為特征的設備(由Heidelberg Engineering公司研發(fā))實現(xiàn)。y軸是深度軸并垂直于冠狀平面延伸。

在給定的示例中，將兩個體積二次取樣為49x49x496的體素以便在(x，z)平面中使數(shù)據(jù)各向同性。應該注意：這兩個體積不必在深度方向、即沿y軸記錄。因此，內(nèi)界膜(ILM)使用基于圖割的算法被分成兩個體積，該基于圖割的算法在Dufour PA，Ceklic L，Abdillahi H等人的Graph-based multi-surface segmentation of OCT data using trained hard and soft constraints(利用受過訓練的硬性和軟性約束的OCT數(shù)據(jù)的基于圖的多面分割)，IEEE Trans Med Imaging 2013；32:531-43描述。其他已知的算法可用于此目的。然后，為了隨后的分析，所有的A型掃描沿y軸位移以便將ILM設置為y＝0的坐標。

在將來自連續(xù)采集的兩個A型掃描對齊時，由于采集之間的照明和噪聲變化，體素強度的直接比較是不可靠的。作為第一預處理步驟，單位半徑的中值濾波器因而被用于去噪。作為第二個預處理步驟，梯度濾波器用于增強主視網(wǎng)膜特征的邊界(視網(wǎng)膜層之間的界面、nAMD特征等的邊界)。

3D圖像是每個A型掃描的比較A型掃描，即獲得由第一圖像10表示的體積中在坐標(x，z)處的A型掃描11以及獲得由第二圖像20表示的體積中在坐標(x，z)處的A型掃描21。兩個A型掃描11、21是圖像10、20所表示的體積的子體積并由具有坐標(x，y，z)的線性的系列體素構(gòu)成，其中x和z是常數(shù)(并且相互比較的子體積是相同的)，并且其中A型掃描11、21、即子體積的主延伸部是沿著y方向的。A型掃描11、21然后互相比較，如在下面更詳細地描述的。結(jié)果是差異圖30，該差異圖30由與兩個圖像10、20的各子體積的圖像數(shù)據(jù)之間的差異有關(guān)的值的網(wǎng)格構(gòu)成。

對于兩個圖像10、20的子體積11、21中的每個子體積，四個不同的誤差概率值被確定，它們?nèi)坑砂藗€二維誤差圖41.1、41.2；42.1，42.2；43.1、43.2；44.1，44.2表示。值的確定在下面有詳細地描述。但是，通常值處于(0，1)范圍內(nèi)，高的值表示在(x，z)處的各子體積中具有成像誤差的概率高。接下來，基于從兩個圖像10、20獲得表示相同類型的誤差概率的每一對值，得到單個局部誤差概率值，所有的值由二維誤差圖41、42、43、44表示。為此目的，為了安全起見，值對中的兩個值中的較大值將被選擇。

接下來，將基于支持向量模型的誤差回歸50應用于誤差圖41、42、43、44，產(chǎn)生二維誤差概率圖51。該圖的元素提供有關(guān)以下概率的指示，即在給定的位置(x，z)處的確定的結(jié)構(gòu)改變是誤差的。

對于誤差回歸50來說，利用由熟練的專業(yè)眼科醫(yī)生評估的OCT圖像的訓練數(shù)據(jù)集，支持向量模型算法已經(jīng)被訓練。根據(jù)訓練數(shù)據(jù)集，所有成對的連續(xù)的OCT采集已經(jīng)被省略，在連續(xù)的OCT采集中眼科醫(yī)生觀察到視網(wǎng)膜生長。假設專業(yè)觀察者的評估都是完美的，這意味著在該減小的訓練集中應該沒有局部視網(wǎng)膜增長被測量到。然而如果通過算法已經(jīng)探測到局部視網(wǎng)膜增長，那么推測是由于局部視網(wǎng)膜增長評估中的誤差，可能是因為OCT體積中的質(zhì)量問題。事實上，在同一位置處測量到局部質(zhì)量問題的情況下，在減小的訓練集中測量的局部視網(wǎng)膜增長被看作誤差概率。所以，SVR被訓練為將在位置(x，z)處提取的且在誤差圖41、42、43、44中儲存的四個誤差值用作輸入和將在位置(x，z)處測量的局部視網(wǎng)膜增長用作期望的輸出。在減小的訓練集中存在象(x，z)位置那樣多的訓練樣本。

結(jié)合圖3描述差異圖30的生成。

基于濾波圖像，對于每一對在各自(x，z)坐標處的A型掃描來說，強度梯度的基于體素的距離被確定，即基準A-掃描11中的每個體素與目標A型掃描21中的每個體素相比較，除非它們的y坐標太遠(因此排除明顯不可能的分配)。由此產(chǎn)生的距離矩陣31在圖3的a)中示出得到的距離矩陣31，其中，軸對于基準A型掃描11來說沿y坐標延伸(y₁軸12)并對于目標A型掃描21來說沿y坐標延伸(y₂軸22)。在矩陣角部處黑色三角形區(qū)域31a、31b是由于|y1-y2|超過一定閾值的區(qū)域的排除。在距離矩陣31中的亮線31c對應于視網(wǎng)膜特征的增強邊界。

接下來，類似于信號處理中的動態(tài)時間規(guī)整(DTW)的序列對齊策略應用到待比較的兩個A型掃描11、21?；诨隗w素的距離矩陣31，利用在與基于體素的距離矩陣31相關(guān)的曲線中的已知的Dijkstra算法，發(fā)現(xiàn)從ILM33(左下角)到脈絡膜34(右上角)在兩個A型掃描11、21之間的最小失真路徑32。產(chǎn)生的路徑32在圖3的b)中以與圖3的a)相同的坐標示出。它是從ILM33引導到脈絡膜34的路徑，其中沿該路徑由距離矩陣31給出的基于體素的距離值的總和最小。

如果在第一A型掃描中的一個體素與第二A型掃描中的多個體素配對，這可能意味著在那個體素中記載的組織已經(jīng)在兩個采集之間增長，或者流體已經(jīng)出現(xiàn)在該體素的正下方或正上方。如在圖3的b)中能看到的，這種情況在路徑32的區(qū)域32a中給出。應注意，梯度濾波器的使用迫使主視網(wǎng)膜層在最小扭曲路徑32中被對齊。

沿距離矩陣31的對角線35延伸的路徑對應于相同圖像(沒改變)的情況。最小失真路徑32超過對角線35上方則表示檢測到視網(wǎng)膜的增長。因此，在對角線35上方和最小失真路徑32下方的區(qū)域36被用作局部視網(wǎng)膜增長分數(shù)，見圖3的c)，其再次使用了與圖3的a)和3的b)相同的坐標。

重復上述步驟，只要不是所有(x，z)坐標已經(jīng)被分析。

其次，基于每個(x，z)的局部視網(wǎng)膜增長分數(shù)，差異圖30(在本發(fā)明的情況下是增長圖)通過重復上述步驟被建立。差異圖30基本上表示作為x和z坐標函數(shù)、即根據(jù)冠狀平面上的位置的局部視網(wǎng)膜增長分數(shù)s(x，z)的值。

下一步，連續(xù)體積的全局增長概率被計算。為此目的，考慮到誤差概率圖51，全局增長特征向量60從視網(wǎng)膜增長圖(差異圖30)提取。該特征向量60由以下組成：

其中，利用總和或平方和，最先兩個特征使局部增長分數(shù)s(x，z)(由視網(wǎng)膜增長圖給出)平均。最后兩個特征是空間自相關(guān)特性特征，即Moran's I或Geary's C。后兩個特征能將分散或隨機的局部增長(這很可能是由于噪聲)與nAMD特征出現(xiàn)或增長時通常觀察的群生局部增長相區(qū)分。為了避免特征向量60受成像誤差影響，只有那些增長分數(shù)s(x，z)將被考慮，該增長分數(shù)涉及其中誤差概率圖51中的值低于確定的閾值(即誤差不大可能發(fā)生)的坐標(x，z)。

最后，利用支撐向量分類(SVC)模型70，該全局增長特征向量60被映射到全局增長概率71。SVC也對全局增長概率提供最優(yōu)臨界值。因此，該算法將產(chǎn)生二進制輸出︰“增長”或者“沒有增長”。如果輸出是增長，保健專業(yè)人士應進行額外的檢查并最終作出治療決定。

利用由熟練的專業(yè)眼科醫(yī)生評估的OCT圖像的訓練數(shù)據(jù)集，SVC算法已經(jīng)被訓練。對SVC模型已經(jīng)采用標準訓練策略：通過兩重交叉驗證，已經(jīng)發(fā)現(xiàn)參數(shù)值(最佳軟邊緣參數(shù)C、最優(yōu)核函數(shù)和最優(yōu)核函數(shù)參數(shù))。然后，利用最優(yōu)參數(shù)集，分級機已經(jīng)在整個訓練集中被訓練。在訓練集中已有象(x，z)位置那樣多的訓練樣本。

圖4A、4B示出用來說明用于確定信噪比的方法的OCT圖像的提取。應注意到：為了再現(xiàn)目的，OCT圖像示出為反相(inverted)，即(黑色)背景顯示白色而前景是黑色。在下文中，我們參考非反相圖像的特性。

在這種情況下，局部強度分布在鄰近RPE的最亮的區(qū)域81中和鄰近ILM的最亮區(qū)域82中的局部強度與表示玻璃體液的區(qū)域83中的強度分布相比較。為此目的，首先通過已知的圖像分析法、諸如基于圖割算法檢測RPE和ILM。假設：最亮區(qū)域81、82剛好在RPE和ILM下方，并且表示玻璃體液的區(qū)域83的圖像主要是噪聲。

接下來，柯爾莫哥洛夫-斯米爾諾夫算法(Kolmogorov-Smirnov algorithm)應用于相互比較的兩個強度分布，即在與相同的A型掃描相關(guān)的各區(qū)域中的給定數(shù)量n個測量強度I_1,i、I_2,i(i＝1,...)根據(jù)他們值以升序排列。接下來，經(jīng)驗分布函數(shù)計算如下︰

這兩個函數(shù)相互比較如下︰

d_i(x,z)＝|S_1,i(x,z)-S_2,i(x,z)|,其中

d_max(x,z)＝sup_id_i(x,z)。

這為每個坐標(x，z)產(chǎn)生兩個值d_max，一個用于在RPE后面的區(qū)域與玻璃體液的比較，而另一個用于在ILM后面的區(qū)域與玻璃體液的比較。相同的強度分布產(chǎn)生值d_max＝0，即可以假定的是：d_max的較小值表示信噪比高。因此，對于每個A型掃描，d_max的較小值的補集(supplement)可被選擇為誤差圖41.1、41.2的元素，這提供圖像的相應部分受噪聲影響的概率的測量值。

圖4B出了以具有衰減信號的區(qū)域80為特征的B型掃描。在給定(x，z)坐標處，各誤差圖41.1或41.2中的概率值將具有增大的值。

圖5A、5B示出在被分析的圖像中用來說明用于確定生物組織的失去的元素的方法的OCT圖像的提取。而且，為了再現(xiàn)目的，OCT圖像被反相，即(黑色)背景顯示白色而前景是黑色。在下文中，我們針對非反相圖像的特性。

為此目的，相對于圖像邊界，如上所述確定的ILM位置被考慮。圖5A的a)示出以下情況，即位置84a位于所允許的范圍85內(nèi)，而在圖5A的b)和c)中，位置84b、84c分別在所允許的范圍85前面和后面。通過使用高斯核函數(shù)將測量的距離轉(zhuǎn)化為概率，概率的低值賦予到所允許的范圍85內(nèi)的位置。概率被輸入誤差圖42.1、42.2。

圖5B示出以區(qū)域86為特征的B型掃描，在區(qū)域86中鄰近ILM的區(qū)域由于沒對齊而丟失。在給定(x，z)坐標處，各誤差圖42.1或42.2中的概率值將具有增大的值。

3D OCT圖像通過掃描(x，z)平面中的光束而產(chǎn)生。在描述的示例中，光束在其位置沿z方向遞增之前沿x軸(掃描方向87)被掃描，以獲得進一步的B型掃描。這意味著，沿x方向分開的相鄰的A型掃描以非常短的時間間隔被分開，而沿著z方向(即屬于不同的B型掃描)分開的A型掃描以明顯更長的時間的時間間隔被分開。因此，相比于沿x方向分開的相鄰的體積，沿z方向分開的相鄰的子體積(例如在圖6A中示出的在位置(x，z-1)、(x，z)和(x，z+1)處的三個子體積)之間具有不連續(xù)性的風險大得多。

如果兩個相鄰子體積(A型掃描)之間沒有不連續(xù)性，那么強度分布類似。但是，如果視網(wǎng)膜和成像設備之間的相對位置在兩個A型掃描之間改變，那么強度分布的不連續(xù)性上升。沒有其他成像誤差，相鄰的A型掃描就會非常類似，但在y方向相對于彼此偏移。此偏移非常類似于由于視網(wǎng)膜層增長引起的偏移。這就是為什么上述的用于檢測這種增長的層的方法基于根據(jù)ILM位置在y軸不對齊而預處理的圖像可以基本相同的方式也用來檢測信號的不連續(xù)性。這種方法得到的每一對子體積的分數(shù)，即用于在(x，z-1)和(x，z)的子體積的比較以及在(x，z)和(x，z+1)的子體積的比較。分數(shù)越高，存在不連續(xù)性的概率越大，即只要值合適地歸一化，那么其可直接用作誤差圖43.1、43.2的元素。為考慮負z方向和正z方向的不連續(xù)性，分數(shù)的平均值被賦予到圖43.1或43.2關(guān)于在給定(x，z)處的子體積的元素。

圖6B示出用于說明隨后的掃描之間的不連續(xù)效果的OCT圖像的提取。提取示出在固定x處的yz平面，即垂直于通常的B型掃描。清晰可見的是具有不連續(xù)性的區(qū)域88。在給定(x，z)坐標處，各誤差圖43.1或43.2中的概率值將具有增大的值。

圖44.1、44.2包含表示以下概率的值，即在給定的(x，z)處，A型掃描是基本上空的，例如由于成像設備的成像光學方面的未對齊或其他問題。如果圖像強度對于在(x，z)處的整個A型掃描來說處于窄的范圍之內(nèi)，那么圖像數(shù)據(jù)被視為是基本空的。在描述的示例中，如果對于整個子體積(有8位強度分辨率)來說圖像強度低于下限閾值5，那么第四概率值被分配的值為1。否則，第四概率值被分配的值為0。

圖7示出了以基本沒有信號的區(qū)域89為特征的B型掃描。在給定(x，z)坐標處，各誤差圖44.1或44.2中的概率值將具有增大的值。

本發(fā)明并不限于上述的方法。如上所述，該方法的一些步驟可由替代算法取代。此外，該方法適用于其它組織和源于其他成像技術(shù)的圖像數(shù)據(jù)。

總之，應當注意：本發(fā)明創(chuàng)建了用于圖像數(shù)據(jù)分析的方法，該方法允許可靠地評估成像數(shù)據(jù)的適用性以便進行自動分析。