本發(fā)明涉及一種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，該圖像數(shù)據(jù)包括表示第一時間點(diǎn)的體積的第一圖像和表示不同于第一時間點(diǎn)的第二時間點(diǎn)的體積的第二圖像。本發(fā)明還涉及用于分析表示生物組織的三維體積的圖像數(shù)據(jù)的計算機(jī)程序。

背景技術(shù)：

發(fā)達(dá)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(dǎo)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(dǎo)致視覺機(jī)能障礙。這導(dǎo)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(fù)擔(dān)并優(yōu)化風(fēng)險/利益曲線，nAMD特征的演變(progression)能通過光學(xué)相干斷層掃描(OCT)進(jìn)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(dāng)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(dāng)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(dāng)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(jìn)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(dāng)大的負(fù)擔(dān)。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(fù)擔(dān)的成本及負(fù)擔(dān)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(shè)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。這些算法的大多數(shù)聚焦在視網(wǎng)膜的解剖結(jié)構(gòu)的片段，如視網(wǎng)膜層。然而，特別是如果分析基于通過廉價的小型OCT設(shè)備所獲得的稀疏的OCT信息，那么這些算法中沒有一個被證明在自動提供成像的生物組織的形態(tài)學(xué)變化的信息方面、特別是層的厚度的變化方面是令人滿意的。因此，仍然沒有提供對于決定nAMD的進(jìn)一步治療有用的信息的自動方法。

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(lǐng)域的用于分析圖像數(shù)據(jù)的方法，該方法允許可靠地提供成像的生物組織的形態(tài)變化的信息，特別是圖象數(shù)據(jù)稀疏的情況下。

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)識別具有沿預(yù)定方向的主延伸部的第一圖像所表示的體積的第一子體積和具有沿預(yù)定方向的主延伸部的第二圖像所表示的體積的第二子體積，其中第一子體積和第二子體積表示三維體積的相同區(qū)域；

b)由在預(yù)定方向上的第一子體積的一系列體素(voxel)的數(shù)據(jù)圖像與在預(yù)定方向上的第二子體積的一系列體素的圖像數(shù)據(jù)創(chuàng)建距離矩陣；和

c)分析距離矩陣以獲得沿預(yù)定方向的由第一子體積和第二子體積表示的生物組織的層的增長概率的至少一個局部測量值(measure)。

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(jī)程序包括在計算機(jī)運(yùn)行時適于執(zhí)行上述步驟的計算機(jī)程序代碼。

應(yīng)注意：生物組織的三維體積可用二維圖片(即，二維網(wǎng)格的像素)來表示，示出僅一片組織。在這種情況下，“體素”實際上是像素并被認(rèn)為表示圍繞一片組織的相應(yīng)位置的三維體積(例如，立方體)。但是，本發(fā)明的方法特別適合由三維網(wǎng)格的體素構(gòu)成的圖像數(shù)據(jù)。

特別地，預(yù)定的方向與三維圖像數(shù)據(jù)的軸相一致。這有利于圖像數(shù)據(jù)的處理。第一時間點(diǎn)和第二時間點(diǎn)的典型的時間間隔是12小時-150天，特別是5-90天。

應(yīng)注意：不要求第一子體積和第二子體積表示被分析的生物組織的完全相同的區(qū)域，而是要求存在被兩個子體積所涵蓋的區(qū)域。它是將在隨后的步驟中被研究的區(qū)域(或其中的一部分)。

距離矩陣包含在用于成對的體素(第一子體積的一個體素和第二子體積的一個體素)的圖像數(shù)據(jù)方面的距離測量值(或成本函數(shù)(cost function))。在最簡單的情況下，距離矩陣是二維的，或它可具有如下所示的更高的維度。應(yīng)注意：通常不必要建立全部的矩陣，而是相對于預(yù)定方向具有非常不同的位置的第一子體積和第二子體積的體素不需要彼此比較，因為它們不對應(yīng)于生物組織的相同部分，即使是在被比較的圖像之間有重大變化的情況。

上述步驟的結(jié)果是在第一子體積和第二子體積所表示的生物組織內(nèi)的層的增長概率的局部測量值，其可以是第一圖像中已經(jīng)存在的層或僅第二圖像中的已經(jīng)被檢測的新的層。在本文中，“局部”是指彼此垂直且垂直于預(yù)定方向的兩個軸主要限定的平面上的特定位置。

它表明，基于距離矩陣的該方法比傳統(tǒng)的圖像識別技術(shù)更具有魯棒性(robust)并明顯更簡單，傳統(tǒng)的圖像識別技術(shù)試圖識別生物組織的特定結(jié)構(gòu)，以用于隨后確定這些結(jié)構(gòu)的尺寸。基于距離矩陣，組織的層的厚度變化可被自動且可靠地識別。

特別地，圖像數(shù)據(jù)是光學(xué)相干斷層成像(OCT)的圖像數(shù)據(jù)。在OCT掃描，第一子體積和第二子體積的情況下，每者均對應(yīng)于一定位置處的(超聲術(shù)語中)A型掃描。預(yù)定方向?qū)?yīng)于深度軸，即進(jìn)行A型掃描所沿的軸。在下文中，深度軸用y表示，而表示對應(yīng)的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。

通常，本發(fā)明的方法可應(yīng)用于由諸如血管造影術(shù)、計算機(jī)斷層掃描、磁共振成像(MRI)等其他技術(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，該方法允許視網(wǎng)膜、尤其是黃斑區(qū)的各層的增長的自動研究。相應(yīng)地，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(jìn)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)師評估玻璃體內(nèi)注射的需要。

本發(fā)明的方法的目的不在于檢測所有nAMD特征，即視網(wǎng)膜囊腫、視網(wǎng)膜下液，彌漫性視網(wǎng)膜水腫、視網(wǎng)膜色素上皮脫離和視網(wǎng)膜組織。相反，其檢測3D OCT體積中的局部視網(wǎng)膜的增長。相比于基于圖像識別的方法，該檢測對圖像質(zhì)量的改變不敏感，因而更具有魯棒性(robust)。

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，特別是這些組織的層的厚度隨時間的變化(增加或減少)受關(guān)注的情況。一個示例是在MRI圖像中觀察到的阿爾茨海默氏病的演變。

優(yōu)選地，分析距離矩陣的步驟包括獲得對應(yīng)于將距離矩陣的預(yù)定起點(diǎn)和預(yù)定終點(diǎn)相連接的路徑的翹曲函數(shù)，距離矩陣給出的距離的總和沿該路徑最小。通過采用尋路算法、例如已知的Dijkstra算法可確定最短距離。

該方法受到根據(jù)例如語音識別或諸如地震學(xué)領(lǐng)域中的時間順序分析而已知的“動態(tài)時間規(guī)整”方法的啟發(fā)。翹曲函數(shù)對應(yīng)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。一般說來，第一子體積的每個體素與第二子體積的一個體素配對。如果第一子體積中的一個體素與第二子體積中的多個體素配對，那么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流體已經(jīng)出現(xiàn)在體素的正下面或正上面。

相應(yīng)地，圖像數(shù)據(jù)表示的生物組織的各個層的厚度的變化將導(dǎo)致翹曲函數(shù)表示的路徑的性狀改變。因此翹曲函數(shù)的分析產(chǎn)生對于獲得沿預(yù)定方向的生物組織的層的增長概率的局部測量值有用的信息。

在研究視網(wǎng)膜組織的情況下，沿預(yù)定方向的起點(diǎn)特別對應(yīng)于視網(wǎng)膜的內(nèi)界膜，終點(diǎn)將對應(yīng)于脈絡(luò)膜。

有利地，分析距離矩陣的步驟包括將該路徑與基準(zhǔn)路徑比較的另一個子步驟，增長概率的局部測量值對應(yīng)于路徑和基準(zhǔn)路徑之間的總體差異。特別地，基準(zhǔn)路徑被選擇為對應(yīng)于在第一子體積的一系列體素的被比較圖像數(shù)據(jù)和第二子體積的一系列的體素的圖像數(shù)據(jù)之間沒有變化的情況。在最簡單的情況下，使用二維距離矩陣，基準(zhǔn)路徑是將起點(diǎn)與終點(diǎn)連接的直線，即基準(zhǔn)路徑顯示沒有翹曲。如果矩陣的列表示基準(zhǔn)(第一)子體積的y位置，并且矩陣的行表示當(dāng)前(第二)子體積的y位置，那么對角線從左上角(起點(diǎn))到右下角(終點(diǎn))延伸。具有在基準(zhǔn)路徑(對角線)下方的路徑的翹曲函數(shù)表示檢測到組織的層的增長。因此，在翹曲函數(shù)限定的路徑和基準(zhǔn)路徑之間的區(qū)域是生物組織的層的厚度增大的測量值。

用于比較路徑和基準(zhǔn)路徑之間的總體差異的不同的測量值可被應(yīng)用。最優(yōu)選的是與由路徑和基準(zhǔn)路徑界定的區(qū)域的大小成比例的測量值。在二維距離矩陣的情況下，該區(qū)域是以任意單元測量的簡單普通幾何區(qū)域，在更高維度的距離矩陣的情況下必須使用超曲面的區(qū)域的測量值。局部測量值是被確定的區(qū)域乘以預(yù)定的比例常數(shù)。

特別根據(jù)距離矩陣的距離值的子集，其他局部測量值可包括加權(quán)。此外，除了路徑和基準(zhǔn)路徑之間的區(qū)域，可使用其他標(biāo)準(zhǔn)，如路徑和基準(zhǔn)路徑之間的長度差異或路徑長度。

優(yōu)選地，獲得增長圖，該增長圖根據(jù)垂直于預(yù)定方向的平面中的位置由增長概率的局部測量值構(gòu)成。在由(真正)三維網(wǎng)格體素構(gòu)成三維圖像數(shù)據(jù)的情況下，增長圖將是二維的。這意味著，對于(x，z)平面中的很多點(diǎn)來說，如上所述地確定局部測量值，即，對于所有這些點(diǎn)來說，沿預(yù)定方向的增長概率的測量值在二維增長圖中獲得并被收集。如果圖像數(shù)據(jù)是二維的，增長圖將是一維的。增長圖對于進(jìn)一步分析來說是非常有用的基礎(chǔ)。

特別地，沿預(yù)定方向由第一圖像和第二圖像表示的生物組織的層的增長概率的全局測量通過將機(jī)器學(xué)習(xí)算法應(yīng)用于增長圖而獲得。利用機(jī)器學(xué)習(xí)算法允許系統(tǒng)地包括在各圖像數(shù)據(jù)分析領(lǐng)域的專家的知識。機(jī)器學(xué)習(xí)算法可直接應(yīng)用于增長圖，即在圖中儲存的局部測量值，或者增長圖的值可被預(yù)處理，例如，在應(yīng)用機(jī)器學(xué)習(xí)算法之前進(jìn)一步整理。

在優(yōu)選的實施例中，該方法包括以下步驟：從增長圖提取全局增長特征向量，并通過將支持向量機(jī)器算法應(yīng)用于全局增長特征向量以便對全局增長概率分類。與提供主要沿給定(x，z)坐標(biāo)處開始的直線的增長概率的局部測量值相反，全局增長特征向量涉及在研究的生物組織的整個體積內(nèi)的增長概率。提取全局增長特征向量是機(jī)器學(xué)習(xí)算法的預(yù)處理步驟，并且機(jī)器學(xué)習(xí)算法應(yīng)用于全局增長特征向量，以便將全局增長概率分類，即全局增長特征向量通過支持向量分類(SVC)模型被映射到最終的全局增長概率?？赡艿姆诸惪珊唵蔚厥?無增長"或"增長"(二進(jìn)制)，或者可定義中間類。進(jìn)一步的分析和/或治療方面的決定可基于分類由臨床醫(yī)師做出。

優(yōu)選地，全局增長特征向量包括局部測量值的至少一個平均值和局部測量值的空間自相關(guān)的至少一個測量值。從廣義上理解術(shù)語“平均”，因為歸一化不被嚴(yán)格要求，在本文中“平均’也可簡單地是局部測量值的總和、局部測量值的平方和或類似。空間自相關(guān)的合適的測量值例如是莫蘭指數(shù)(Moran's I)或吉爾里指數(shù)(Geary's C)。后者能將分散或隨機(jī)的局部增長(這很可能是由于噪聲)與nAMD特征出現(xiàn)或增長時通常觀察到的群生局部增長進(jìn)行區(qū)分。

已經(jīng)證實：通過機(jī)器學(xué)習(xí)算法，平均值以及空間自相關(guān)的測量值的組合實現(xiàn)對全局增長概率的可靠的分類。在優(yōu)選的實施例中，全局增長特征向量由以下四個量構(gòu)成：

a)局部增長分?jǐn)?shù)的總和；

b)局部增長分?jǐn)?shù)的平方和；

c)Moran's I；以及

d)Geary's C。

全局增長特征向量可以包括其他的或額外的量，只要他們被選擇為提供有關(guān)研究的生物組織的層的增長概率的信息。

在優(yōu)選的實施例中，第一子體積具有沿垂直于預(yù)定方向的至少一個方向的延伸部，該延伸部大于沿第二子體積的至少一個方向的延伸部。相應(yīng)地，距離矩陣是至少三維的，其包括與第二子體積中沿預(yù)定方向的位置相關(guān)的第一維度和第一子體積中沿垂直于預(yù)定方向的至少一個方向以及沿預(yù)定方向的位置相關(guān)的至少兩個其他維度。更優(yōu)選地，距離矩陣是四維的，其包括第二子體積中沿預(yù)定方向的位置相關(guān)的第一維度和第一子體積中沿垂直于預(yù)定方向的兩個方向以及沿預(yù)定方向的位置相關(guān)的三個其他維度。

如果確定了翹曲函數(shù)，相應(yīng)的路徑將具有至少一個額外的自由度。使用動態(tài)時間規(guī)整產(chǎn)生的算法的該3D擴(kuò)展版允許補(bǔ)償例如由一定的跟蹤不準(zhǔn)確引起的比較圖像之間的小的偏移或傾斜或者相對于成形裝置的生物組織的取向變化引起的輕微扭曲。在超聲術(shù)語中，在位置(x，z)處的目標(biāo)A型掃描(第二子體積)不僅僅與基準(zhǔn)圖像(第一子體積)中的位置(x，z)處的A型掃描匹配，還與多個鄰近的A型掃描匹配，例如那些屬于第一次提到的(x，z)A型掃描中心的薄圓柱體積。

這意味著這兩個體積仍然需要大體記錄。例如，在不同時期獲取的視網(wǎng)膜的OCT圖像的情況下，這能通過現(xiàn)在的設(shè)備實現(xiàn)。作為示例，采用Heidelberg的基于SLO的跟蹤設(shè)備，獲得兩個體積，這兩個體積沿垂直于眼睛的視軸的方向被充分地記錄。通過翹曲算法的3D擴(kuò)展的小殘余記錄誤差被考慮。

利用該技術(shù)，這兩個體積不必在深度方向、即沿y軸記錄。通過將內(nèi)界膜(ILM)分成兩個體積，例如通過使用基于圖切割的算法可獲得沿該方向的記錄。然后，所有的A型掃描沿y軸位移以便將ILM設(shè)置為y＝0的坐標(biāo)。

在最簡單的情況下，第一體積和第二體積僅沿預(yù)定方向延伸，即他們對應(yīng)于一系列的單個體素。這就要求在兩個圖像記錄方面有一定的精度。而且，為避免由于小的殘留記錄誤差引起結(jié)果的惡化，沿x和z方向的分辨率應(yīng)足夠精細(xì)，以避免相鄰的(x，z)位置之間的層幾何形狀的突變。

有利地，有關(guān)第一子體積和第二子體積的圖像數(shù)據(jù)的強(qiáng)度在創(chuàng)建距離矩陣之前被歸一化。如果構(gòu)成圖像數(shù)據(jù)的體素的強(qiáng)度(亮度值)用于創(chuàng)建距離矩陣，那么這就是特別重要的。歸一化確保通過本發(fā)明被彼此比較的兩個圖像部分在共同的基礎(chǔ)上不被采集之間的照明和噪聲變化影響。根據(jù)成像技術(shù)和分析的生物組織，歸一化可被一次性應(yīng)用到整個圖像或單獨(dú)應(yīng)用到用來創(chuàng)建距離矩陣的每個子體積的圖像數(shù)據(jù)。合適的歸一化法是應(yīng)用中值濾波器。

如果量不用于創(chuàng)建對圖像強(qiáng)度的恒定變換(constant shift)不敏感的距離矩陣或者如果被提供的圖像數(shù)據(jù)已經(jīng)在圖像采集和預(yù)處理的構(gòu)架(framework)中被歸一化，那么歸一化可以是不必要的。

在優(yōu)選的實施例中，距離矩陣基于沿預(yù)定方向的第一子體積的一系列體素的圖像數(shù)據(jù)的強(qiáng)度的局部梯度和第二子體積的一系列體素的圖像數(shù)據(jù)的強(qiáng)度的局部梯度而創(chuàng)建，即用于建立距離矩陣的距離測量值基于這些局部梯度的差異。優(yōu)選在前述的歸一化之后，梯度濾波增強(qiáng)例如主視網(wǎng)膜特征的研究的生物組織的特征的邊界(在nAMD特征的視網(wǎng)膜層、邊界等之間的界面)。因此，局部梯度構(gòu)成用于形成魯棒性距離矩陣的基礎(chǔ)，該距離矩陣很大程度上不受全局范圍上影響圖像的影響因素影響?？尚袦y量值是沿y軸的局部強(qiáng)度梯度的絕對差異。

替代性地，距離測量值基于其他量特別是強(qiáng)度本身，優(yōu)選是在歸一化之后。可行測量值是歸一化的強(qiáng)度的絕對差異。原則上，它也能借助結(jié)合對應(yīng)的距離矩陣而通過加權(quán)求和來結(jié)合兩個或更多個不同的距離測量值。

根據(jù)下面的詳細(xì)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由兩個不同時間點(diǎn)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2a)強(qiáng)度梯度的基于體素的距離；b)對應(yīng)于基于體素的距離的距離最短的路徑；c)距離最短的路徑和參考路徑之間的區(qū)域；

圖3增長圖的示意圖，包括根據(jù)垂直于深度軸線的平面上的位置的增長概率的局部測量值；

圖4由兩個不同的時間點(diǎn)的圖像數(shù)據(jù)所表示的生物組織的體積的示意圖，該體積包括用本發(fā)明的方法的變型分析的子體積；以及

圖5根據(jù)本發(fā)明的方法的流程圖。

在附圖中，相同的部件被賦予相同的附圖標(biāo)記。

具體實施方式

圖1是由兩個不同的時間點(diǎn)的圖像數(shù)據(jù)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。在下文中，參照從人的視網(wǎng)膜黃斑區(qū)域取得的由光譜域OCT獲得的3D OCT圖像描述該方法。然而，該方法的基本步驟可以應(yīng)用到生物組織等的其它三維圖像。根據(jù)本發(fā)明的方法的流程圖在圖5中給出。

首先，獲得實質(zhì)上表示在不同時間點(diǎn)、例如30天的時間間隔獲取的給定組織的相同體積的兩個圖像10、20(步驟101)。圖像由布置為規(guī)則網(wǎng)格的多個體素組成，沿網(wǎng)格的方向分別用x、y和z表示。兩個圖像10、20沿垂直于眼睛的視軸的方向，即x-z平面被大體記錄，這可通過用現(xiàn)在的OCT采集設(shè)備、例如借助那些具有眼底SLO跟蹤特征的設(shè)備(由Heidelberg engineering公司開發(fā))實現(xiàn)。Y軸是深度軸并平行于眼睛的視軸延伸。

在給定的示例中，這兩個體積由49x49x496(即，較稀疏)的體素構(gòu)成。應(yīng)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(xùn)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中描述。其他已知的算法是適用的。然后，所有的A型掃描沿y軸位移以便將ILM設(shè)置為y＝0的坐標(biāo)。

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(qiáng)度的直接比較是不可靠的。作為第一預(yù)處理步驟102，單位半徑的中值濾波器因而被用于去噪。作為第二個預(yù)處理步驟103，梯度濾波器用于增強(qiáng)主視網(wǎng)膜特征的邊界(視網(wǎng)膜層之間的界面、nAMD特征的邊界等)。

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(biāo)(x，z)處的A型掃描11(步驟104)和獲得由第二圖像20表示的體積中在坐標(biāo)(x，z)處的A型掃描21(步驟105)。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(biāo)(x，y，z)的線性的一系列體素構(gòu)成，其中x和z是常數(shù)(彼此比較的子體積是相同的)，即子體積的A型掃描11、21的主延伸部是沿著y方向的。A型掃描11、21然后互相比較。

基于濾波的圖像，對于每一對在各自(x，z)坐標(biāo)處的A型掃描來說，相強(qiáng)度梯度基于體素的距離被確定(步驟106)，即基準(zhǔn)A-掃描11中的每個體素與目標(biāo)A型掃描21中的每個體素相比較，除非它們的y坐標(biāo)太遠(yuǎn)。由此產(chǎn)生的距離矩陣30在圖2的a)中示出，其中，對于基準(zhǔn)A型掃描11來說軸沿y坐標(biāo)(y₁軸12)延伸并對于目標(biāo)A型掃描21來說沿y坐標(biāo)(y₂軸22)延伸。在矩陣角部處黑色三角形區(qū)域31、32是由于|y₁-y₂|超過一定閾值的區(qū)域的排除。在距離矩陣30中的亮線33對應(yīng)于視網(wǎng)膜特征的增強(qiáng)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(yīng)用到待比較的兩個A型掃描11、21?；诨隗w素的距離矩陣30，利用在與基于體素的距離矩陣30相關(guān)的曲線中的已知的Dijkstra算法，發(fā)現(xiàn)從ILM 34(左下角)到脈絡(luò)膜35(右上角)的兩個A型掃描11、21之間的最小失真路徑40(步驟107)。產(chǎn)生的路徑40在圖2的b)中以與圖2的a)相同的坐標(biāo)示出。它是從ILM 34到脈絡(luò)膜35的路徑，其中沿該路徑由距離矩陣30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2的b)中能看到的，這種情況在路徑40的區(qū)域41中給出。應(yīng)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40中被對齊。

沿距離矩陣30的對角線36延伸的路徑對應(yīng)于相同圖像(沒改變)的情況。在對角線36上方延伸的最小失真路徑40表示檢測到視網(wǎng)膜的增長。因此，在對角線36上方和最小失真路徑40下方的區(qū)域42用作局部視網(wǎng)膜增長分?jǐn)?shù)，見圖2的c)，其再次使用了與圖2的a)和2的b)相同的坐標(biāo)(步驟108)。

只要不是所有(x，z)坐標(biāo)已經(jīng)被分析，重復(fù)上述步驟(決定109)。

其次，基于對于每個(x，z)的局部視網(wǎng)膜增長分?jǐn)?shù)，通過重復(fù)上述步驟，建立增長圖50(步驟110)。增長圖50基本上表示作為x和z坐標(biāo)、即根據(jù)垂直于眼睛的視軸的平面中的位置的函數(shù)的局部視網(wǎng)膜增長分?jǐn)?shù)s(x，z)的值。在圖3中，增長圖50被示意性地示出。應(yīng)該注意，示出的數(shù)字只是為了說明的目的，通常，分?jǐn)?shù)也不是整數(shù)，而只是指示上一步驟中確定的區(qū)域42的值。

下一步，連續(xù)體積的全局增長概率被計算(步驟111)。為此目的，全局增長特征向量從視網(wǎng)膜增長圖50提取。該特征向量由以下組成：

其中，利用總和或平方和，第一兩個特征使局部增長分?jǐn)?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和Geary's C。后兩個特征能將分散或隨機(jī)的局部增長(這很可能是由于噪聲)與nAMD特征出現(xiàn)或增長時通常獲得的群生局部增長相區(qū)分。

最后，利用支撐向量分類(SVC)模型，該全局增長特征向量被映射到全局增長概率(步驟112)。SVC也對全局增長概率提供最優(yōu)截止(cut-off)。因此，該算法將產(chǎn)生二進(jìn)制輸出︰“增長”或者“沒有增長”。如果輸出(步驟113)是“增長”，保健專業(yè)人士應(yīng)進(jìn)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(xùn)練數(shù)據(jù)集，SVC算法已經(jīng)被訓(xùn)練。對SVC模型已經(jīng)采用標(biāo)準(zhǔn)訓(xùn)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，利用參數(shù)的最優(yōu)設(shè)定，分級者已經(jīng)在整個訓(xùn)練集中重新訓(xùn)練。在訓(xùn)練集中已有象(x，z)位置那樣多的訓(xùn)練樣本。

圖4是由兩個不同的時間點(diǎn)的圖像數(shù)據(jù)表示的生物組織的體積的示意圖，該體積包括由本發(fā)明的方法的變型分析的子體積。

為了處理在垂直于眼睛的視軸的平面中的小的(殘余)記錄誤差，在第二圖像220的位置(x，z)處的目標(biāo)A-掃描221不僅僅與早前的OCT圖像210中位置(x，z)處的A型掃描匹配，而還與那個(x，z)A型掃描中心的薄的準(zhǔn)圓柱體積211匹配。最小失真路徑的搜索是類似的，除了它以四維的基于體素的矩陣(來自目標(biāo)圖像220的一個維度和來自早前的圖像210的三個維度)進(jìn)行操作，而不是二維矩陣。

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，該方法是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(yīng)當(dāng)注意：本發(fā)明創(chuàng)建了用于圖像數(shù)據(jù)分析的方法，該方法允許可靠地提供被成像的生物組織的厚度變化的信息。