本文是一篇计算机软件论文，本文提出了三种 OCT 视网膜层分割的工作，分别是基于图像卷积的 OCT 视网膜分割学习模型、基于图像卷积的 OCT 视网膜 A 扫描曲线匹配学习模型、基于曲线卷积的 OCT视网膜 A 扫描曲线匹配学习模型。经实验证明第三种方法为最佳分割方法。
第一章 绪论
1.1 研究背景及意义
眼睛是人体最重要的器官，眼睛的内部组织结构精密、非常复杂。即使遭受到非常小的创伤，也有可能造成眼组织结构的问题，具体表现为不同程度的视力障碍。较轻的症状表现为视野缩小、视力降低等，而较重的症状则表现为永久性失明，从而对人们的正常生活造成严重影响。因此对于许多致盲的眼部疾病而言，早期诊断、及时治疗对于防止视力损伤达到不可逆的程度有着极其重要的意义[1,2]。
眼科疾病属于医学领域的大病，已经成为人类健康的主要杀手。人们了解和认识到的眼科疾病已达数十种[3]。视网膜相关特征的结构分布、形态参数等特征的变化，在一定程度上可以反映视网膜某些疾病的病变程度。医生通过检测视网膜中的溢血、分泌物、棉花状体、以及血管病变图像等辨别病人可能患有的视网膜疾病，可以诊断早期症状和视网膜中央窝阻塞黄斑损害、黄斑水肿等病症，并能预测可能发生的早期糖尿病，因此视网膜常常被眼科医生称为“检目镜”[4]。视网膜结构的变化通常与中枢神经系统疾病有关，例如中风、多发性硬化、帕金森氏病和阿尔茨海默氏病[5]。特别地，视网膜神经纤维层（RNFL）变薄通常与上述疾病有关。在某些情况下，其厚度与神经功能障碍的发展直接相关。眼底图像能够直接让医生观察到眼底内部的组织结构以及功能变化，对于眼底疾病的诊断和治疗具有重要意义。
.........................
1.2 国内外研究进展及现状
OCT 图像可以清楚地显示眼底组织结构的情况，相比传统彩色眼底照相等技术，OCT成像设备能够更具有安全性和可靠性，同时具有高分辨率、快速扫描以及能够进行三维层析成像等优势。此外，OCT 仪器也能够方便地测量各组织细胞层的厚度、容积及神经纤维层厚度，对于黄斑水肿、青光眼等疾病的诊断和治疗有着重要意义。临床上对于眼部疾病的诊断，主要依靠专业医师对医学影像中所显示的病变进行定性定量分析，但随着我国逐渐进入老龄化社会，医生需要面对越来越多的患者和海量的医学影像，因此开发计算机辅助诊断工具对于降低医生负担、加快问诊流程、提高诊断精度都具有重要的实际意义。
近些年来，随着计算机技术以及图像处理算法的不断发展完善，国内外的研究者开展了许多基于 OCT 图像视网膜层分割方面的研究，并提出了许多行之有效的算法模型。这些算法大致可以分为基于传统方法的和基于机器学习的方法。下面对这两种类型的代表性研究成果进行总结概述，如图 1-1 所示。
............................
第二章 OCT 视网膜层结构分割原理
2.1 成像原理
OCT 的工作原理类似于超声波，区别是使用光束代替声音产生的图像。其基本原理是通过将光束投射到视网膜层上，通过测量视网膜中每层组织结构的回波时间延迟以及反射光的强度，可以将不同位置（轴向 A 扫描和横向 B 扫描）的反射信息转换为数字信号，经过计算机处理得到的视网膜组织的显微结构。
一般 OCT 扫描有两种方式，一种是轴向扫描方式（A 扫描）和横向扫描方式（B 扫描）。如图 2-1 所示。A 扫描通过移动获取组织深度的信息，B 扫描是在连续的 A 扫描时，旋转扫过整个眼底，从而获取组织散射光线的横截面图。很多个纵向 A 扫描组成 B 扫描，B 扫描就是所研究的 OCT 图像。OCT 图像的 A 扫描是在从外层向眼球中心探测的过程，而 B扫描是以中央凹为中心进行检测的，如图 2-2 所示。
..............................
2.2 层结构特征分析
光学相干断层扫描（OCT）可以对视网膜等眼组织进行高分辨率的横断面成像[24-26]，
已成为诊断视网膜疾病的关键成像技术。它能够可视化视网膜的内部结构，可以对基础疾病的形态变化进行定性和定量评估[27]。视网膜 OCT 成像已广泛用于表征视网膜及其各个层厚度，以及检测和监测眼部疾病，如年龄相关性黄斑变性（AMD）[28-30]，青光眼[31]和糖尿病视网膜病变[32]中表示正常视网膜层拓扑的变化。
特别是在 OCT 中测量的视网膜厚度或中央黄斑厚度（CMT）已被证明与各种眼部疾病的病理变化和治疗结果相关[33,34]。目前在临床和研究中可用于厚度量化的自动化方法，依赖于使用层分割算法准确识别内部和外部视网膜边界，然后将视网膜厚度估计为检测到的表面之间的空间。
如图 2-3 所示，可以看到目前 OCT 视网膜层的整体的层状结构。
.............................
第三章 基于深度学习的 OCT 视网膜层分割算法 .................................. 19
3.1 基于图像卷积的 OCT 视网膜分割学习模型 ................................ 19
3.1.1 全卷积神经网络结构 ................................. 20
3.1.2 上采样 .................................. 21
第四章 实验分析 ...................... 31
4.1 深度学习的 OCT 视网膜层分析 ................................. 31
4.1.1 实验数据 ............................... 31
4.1.2 实验设置 ............................ 31
第五章 总结与展望 ............................... 43
5.1 全文总结 ............................... 43
5.2 下一步研究工作 .................................. 44
第四章 实验分析
4.1 深度学习的 OCT 视网膜层分析
4.1.1 实验数据
为了验证本文所提出的三种分割模型，实验图像均使用德国海德堡工程公司的Spectralis OCT 扫描仪采集整理得到。标准图片分辨率为 908×408。通过临床一共获取 38名受试者的眼睛 OCT 扫描图像，每个 OCT 图像均包含以中央凹，以证明提出的方法不仅对于视网膜层分割，而且对于任何包含中央凹的 OCT 视网膜图像也能够分割。
本文所用数据共计 38 张。其中，9 张健康受试者的图像，29 张眼底病变患者图像，其中包含玻璃体黄斑牵引综合征 9 张图像，色素上皮脱离 11 张图像，神经上皮积液 9 张图像。25 张作为训练集，其中正常人 6 张，患病图像 19 张；13 张用于测试，其中正常人3 张，患病图像 10 张。训练集和测试集均包含正常人图像和病变图像。这样分组有利于测试本文的提出的 3 种模型在正常眼睛以及疾病眼睛的通用性，测试模型的鲁棒性。由于此数据集来自临床，没有金标准标注，邀请两名专业医生在每个图像手工标注了视网膜表面，其中“表面”定义为一对相邻的视网膜层之间的边界，以此作为分割的金标准。
...............................
第五章 总结与展望
5.1 全文总结
本文提出了三种 OCT 视网膜层分割的工作，分别是基于图像卷积的 OCT 视网膜分割学习模型、基于图像卷积的 OCT 视网膜 A 扫描曲线匹配学习模型、基于曲线卷积的 OCT视网膜 A 扫描曲线匹配学习模型。经实验证明第三种方法为最佳分割方法。
基于图像卷积的 OCT 视网膜分割学习模型作为一个端到端的分割模型，输入 OCT 图像中所有的曲线列，对图像进行全卷积和上采样，通过像素分类得到图像的分割。基于图像卷积的 OCT 视网膜 A 扫描曲线匹配学习模型将所有曲线列输入至 U-Net 网络中，通过卷积 OCT 图像，在跳网结构中计算上一列与下一列的偏移量得到与原图像对应大小的偏移场。医生在边界点标注一点后就能够描述出任意一个视网膜层边界。基于曲线卷积的OCT 视网膜 A 扫描曲线匹配学习模型使用的方法是基于曲线匹配的深度学习模型，深度利用每个 OCT 图像的 A 扫描序列信息。与传统的 OCT 图像分割方法相比，该方法建立了一个能够自动提取曲线轮廓和计算曲线之间偏移量的网络模型。与基于图像卷积的 OCT 视网膜 A 扫描曲线匹配学习模型相比，使用 OCT 图像中 A 扫描进行一维卷积，用曲线配准的方法做 OCT 图像的分割，并且使用了曲线群匹配。实验结果证明第三种方法在视网膜层分割应用中的准确性和稳定性，避免了目前主流的分割视网膜边界方法的缺点。
参考文献（略）
