唐寧，樊金宇，邢利娜，王晶，蔣天亮，李云耀，史國(guó)華

(中國(guó)科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所，蘇州 215163)

引言

數(shù)十年來，眼底疾病和視力損傷的發(fā)生率正以驚人的速度上升。根據(jù)世界衛(wèi)生組織統(tǒng)計(jì)，截至2021年，全球罹患不可恢復(fù)的眼底疾病或眼盲的患者超過22億，相較2020年同期增長(zhǎng)百分之三十。我國(guó)作為視力疾病的高發(fā)地區(qū)，患病或致盲的人數(shù)約占全球的五分之一。視覺障礙人群中，約半數(shù)患者的視力損傷是由未及時(shí)治療所致，因此，對(duì)眼底疾病的早期預(yù)防和治療至關(guān)重要。

對(duì)視網(wǎng)膜組織進(jìn)行精確成像是眼底疾病診斷和治療的必要前提。視網(wǎng)膜是位于眼球壁最內(nèi)層的一層透明薄膜，最厚處僅為0.5 mm，從內(nèi)至外共具有十層組織結(jié)構(gòu)，依次為神經(jīng)纖維層、神經(jīng)節(jié)細(xì)胞層、內(nèi)從狀層、內(nèi)核層、外從狀層、外核層、內(nèi)/外界膜、視網(wǎng)膜色素上皮層和脈絡(luò)膜[1]。自1823年DeBuc等[2]將檢眼鏡用于直接觀察視網(wǎng)膜開始，眼底相機(jī)、掃描激光檢眼鏡、血管熒光造影、光學(xué)相干層析等眼底成像方式相繼出現(xiàn)，不同成像方式所獲取的眼底圖像各具優(yōu)勢(shì)，其中具備深度信息的光學(xué)相干層析技術(shù)對(duì)視網(wǎng)膜內(nèi)部微小病變的觀測(cè)最具優(yōu)勢(shì)。

光學(xué)相干層析技術(shù)(optical coherence tomography，OCT)自1991年被提出以來[3]，憑借其高分辨率、高靈敏度、非接觸式斷層成像等特點(diǎn)，在生物醫(yī)學(xué)成像方面獲得了廣泛應(yīng)用。隨著研究的不斷深入，OCT在眼科成像領(lǐng)域逐漸嶄露頭角，尤其在眼底疾病診斷中，光學(xué)相干層析技術(shù)已經(jīng)逐漸成為不可或缺的一環(huán)。OCT的核心是采集不同深度組織背向散射光的干涉信號(hào)，對(duì)其進(jìn)行解析，以獲取組織內(nèi)部微觀結(jié)構(gòu)信息。對(duì)于視網(wǎng)膜這種具有多層不均勻組織結(jié)構(gòu)的成像對(duì)象，OCT可以根據(jù)各層組織散射光不同的干涉強(qiáng)度將其微觀結(jié)構(gòu)與微小病變清晰地顯示出來，使得醫(yī)生對(duì)眼底疾病的評(píng)估與診斷更為精確。

視網(wǎng)膜各層結(jié)構(gòu)的厚度和形狀是檢測(cè)眼底疾病的重要指標(biāo)。在早期使用OCT進(jìn)行眼底疾病治療的過程中，醫(yī)生需要對(duì)視網(wǎng)膜圖像進(jìn)行手動(dòng)分層及主觀判讀。由于OCT圖像存在偽影噪聲，且各層結(jié)構(gòu)形狀不規(guī)則、邊界模糊、對(duì)比度低，人工分割的方式精度差、效率低。因此，高精度的自動(dòng)視網(wǎng)膜分層十分重要。目前常見的視網(wǎng)膜分層方法有基于概率統(tǒng)計(jì)、活動(dòng)輪廓、模式識(shí)別、動(dòng)態(tài)規(guī)劃以及圖論的五種分層?；诟怕式y(tǒng)計(jì)的分層方法最早由Hee等[4]于1995年提出，通過層間像素灰度值的變化，對(duì)神經(jīng)纖維層和視網(wǎng)膜層進(jìn)行分割，后續(xù)經(jīng)過Raja、Wang、Dodo、Ometto等[5-8]的改進(jìn)與完善，實(shí)現(xiàn)了對(duì)OCT視網(wǎng)膜圖像的九層自動(dòng)分層，誤差約為5個(gè)像素。基于活動(dòng)輪廓的分層方法最早由Fernandez等[9]于2004年提出，用于視網(wǎng)膜黃斑區(qū)的病變研究，后續(xù)經(jīng)過Kiaee、Amini、Chandrappoc等[10-12]的改進(jìn)與完善，實(shí)現(xiàn)了對(duì)OCT視網(wǎng)膜圖像的四層自動(dòng)分層，誤差約為3個(gè)像素。基于模式識(shí)別的分層方法最早由Fuller等[13]于2007年提出，利用支持向量機(jī)對(duì)3D視網(wǎng)膜OCT圖像進(jìn)行分割，但邊界檢測(cè)效果較差，后續(xù)經(jīng)過Esmaeili、Kepp、Wang等[14-16]的改進(jìn)與完善，最高可實(shí)現(xiàn)對(duì)OCT視網(wǎng)膜圖像的八層自動(dòng)分層，誤差約為2個(gè)像素。基于動(dòng)態(tài)規(guī)劃的分層方法最早由Chiu等[17]于2010年提出，通過動(dòng)態(tài)規(guī)劃技術(shù)對(duì)視網(wǎng)膜8條邊界進(jìn)行提取，后續(xù)經(jīng)過Maloca、Devalla、徐肅仲等[18-20]的改進(jìn)與完善，實(shí)現(xiàn)了對(duì)OCT視網(wǎng)膜圖像的八層自動(dòng)分層，誤差約為5個(gè)像素?；趫D論的分層方法最早由Breger等[21]于2006年提出，通過圖割算法與圖最小算法對(duì)視網(wǎng)膜進(jìn)行分割，后續(xù)經(jīng)過Raja、Stankiewicz、Berenguer-Vidal、Liu等[5，22-24]的改進(jìn)與完善，實(shí)現(xiàn)了對(duì)OCT視網(wǎng)膜圖像的十層全自動(dòng)分層，誤差僅為2個(gè)像素。和其余四種分層方法相比，基于圖論的分層方法所獲取的分割信息最為全面，且誤差小、精度高，能基本滿足實(shí)時(shí)分層的需求。

本研究提出了一種基于圖論的視網(wǎng)膜OCT圖像自動(dòng)分割方法，在將OCT圖像表示為節(jié)點(diǎn)圖后，根據(jù)像素強(qiáng)度對(duì)各邊進(jìn)行權(quán)值分配，再利用經(jīng)典的Dijkstra算法[25]在限定區(qū)域內(nèi)搜索最小加權(quán)路徑，即可對(duì)視網(wǎng)膜的多層結(jié)構(gòu)進(jìn)行準(zhǔn)確分割，成功實(shí)現(xiàn)對(duì)OCT視網(wǎng)膜圖像的七層自動(dòng)分層。

1 基本原理

本研究自動(dòng)分層算法可主要分為如下三個(gè)步驟：首先，進(jìn)行OCT圖像權(quán)值分配；其次，進(jìn)行視網(wǎng)膜端點(diǎn)的自動(dòng)初始化；最后，利用Dijkstra最短路徑算法完成視網(wǎng)膜的分割。自動(dòng)分層算法的流程見圖1。

圖1 自動(dòng)分層算法流程Fig.1 Automatic segmentation algorithm flow

1.1 OCT圖像權(quán)值分配

為縮小搜索范圍并避免視網(wǎng)膜分割時(shí)的跨層錯(cuò)誤，采集視網(wǎng)膜OCT圖像后，首先對(duì)其進(jìn)行平直化操作。RPE層是視網(wǎng)膜信號(hào)最強(qiáng)的組織層之一，在OCT圖像中表現(xiàn)為像素亮度高于其他組織。依托此先驗(yàn)知識(shí)，本研究設(shè)置A-scan中梯度最大的像素點(diǎn)為RPE層。然后找到RPE層的最低點(diǎn)，以此點(diǎn)為參照豎直移動(dòng)其他視網(wǎng)膜信號(hào)，使視網(wǎng)膜被展平。經(jīng)平直化操作后，對(duì)視網(wǎng)膜OCT圖像進(jìn)行權(quán)值計(jì)算。將OCT圖像表示為節(jié)點(diǎn)圖，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)像素，節(jié)點(diǎn)的連接為邊，相互連接的邊為路徑，總權(quán)重最小的路徑即位視網(wǎng)膜的層間分割線。權(quán)重分配示例見圖2，三個(gè)連接節(jié)點(diǎn)之中13邊的權(quán)重低于12邊的權(quán)重，說明節(jié)點(diǎn)1偏好于節(jié)點(diǎn)3而非節(jié)點(diǎn)2，故13邊被選為分割結(jié)果。只有為各邊分配合適的權(quán)重，才能在后續(xù)確立最低加權(quán)路徑時(shí)獲得精確的分割結(jié)果。

圖2 權(quán)值分配示意圖(a).OCT圖像節(jié)點(diǎn)示意圖；(b).節(jié)點(diǎn)權(quán)值分配Fig.2 Weight assignment diagram(a).nodes of OCT images; (b).weight assignment of node

由于OCT圖像中視網(wǎng)膜為水平結(jié)構(gòu)，可利用OCT圖像垂直方向上像素強(qiáng)度對(duì)視網(wǎng)膜各層進(jìn)行區(qū)分，即根據(jù)梯度變化強(qiáng)度計(jì)算權(quán)值。權(quán)值計(jì)算方法見式(1)。

wab=2-(ga+gb)+Wmin

(1)

式中，wab是分配給連接節(jié)點(diǎn)a和b的邊的權(quán)值，ga是節(jié)點(diǎn)a處圖像的垂直梯度，gb是節(jié)點(diǎn)b處圖像的垂直梯度，Wmin是設(shè)置的垂直邊緣權(quán)值。式中將低權(quán)值指定給具有較大垂直梯度的節(jié)點(diǎn)對(duì)。在算法中，ga和gb被設(shè)置為0到1之間的值，Wmin=1×10-5。考慮到梯度的方向性，這些權(quán)值需要不斷調(diào)整。例如，為了分割玻璃體NFL層邊界，已知邊界在較亮層上方呈現(xiàn)較暗層。相比之下，NFL-GCL層邊界有一個(gè)從亮到暗的層變化。因此，在計(jì)算梯度提取適當(dāng)層時(shí)，可以使用諸如[1，-1]和[-1，1]的圖像邊界。

1.2 視網(wǎng)膜端點(diǎn)的自動(dòng)初始化

在為OCT圖像各路徑分配合適的權(quán)值后，需要選擇路徑的起始點(diǎn)和終止點(diǎn)進(jìn)行后續(xù)的最低加權(quán)路徑篩選。由于眼底視網(wǎng)膜圖像是由多個(gè)分層結(jié)構(gòu)所組成，如果手動(dòng)選擇分割層或估計(jì)相應(yīng)層開始和結(jié)束的節(jié)點(diǎn)，效率低且人工選擇無法選擇到精準(zhǔn)的邊界位置。因此，本研究提出了一種自動(dòng)初始化選擇端點(diǎn)的方法。

該端點(diǎn)初始化算法基于眼底視網(wǎng)膜圖像的分層條件，即分割的層需要延伸至OCT圖像的全寬。后續(xù)所使用的Dijkstra算法目的是尋求最小加權(quán)的路徑，因此，可以在圖像的兩側(cè)添加一列額外的節(jié)點(diǎn)。這些節(jié)點(diǎn)具有任意強(qiáng)度值，在垂直方向上為它們組成的邊指定最小權(quán)值Wmin。Wmin小于原始圖像的鄰接矩陣中任何非零權(quán)值，不僅可以保持新添加列中節(jié)點(diǎn)的連接性，而且初始端點(diǎn)可以在這些列的垂直方向上高速遍歷。此外，新添加的列中可以任意指定開始和結(jié)束節(jié)點(diǎn)，初始端點(diǎn)能夠在獲取最小加權(quán)路徑前沿著這些列自由移動(dòng)。當(dāng)完成圖像分割后，即可刪除在兩側(cè)添加的列，從而在無端點(diǎn)初始化錯(cuò)誤的情況下進(jìn)行準(zhǔn)確的切割。

使用自動(dòng)端點(diǎn)初始化技術(shù)分割圖像的示例見圖3。將兩個(gè)垂直列以任意像素值和最小垂直邊權(quán)值添加到原圖像的任意一側(cè)。為了達(dá)到最完整的遍歷，將左上角和右下角節(jié)點(diǎn)初始化為起始點(diǎn)和中止點(diǎn)。根據(jù)像素強(qiáng)度為邊指定權(quán)值，像素強(qiáng)度越低所賦予的權(quán)值越小。紅線表示使用Dijkstra算法生成的分割最小路徑。最后刪除兩側(cè)添加的列，獲取分割界限，實(shí)現(xiàn)在指定任意端點(diǎn)的情況下對(duì)視網(wǎng)膜各層邊界進(jìn)行準(zhǔn)確的切割。

圖3 自動(dòng)端點(diǎn)初始化實(shí)例Fig.3 Automatic endpoint initialization

1.3 利用最短路徑法完成視網(wǎng)膜的分割

確定了視網(wǎng)膜OCT圖像各路徑的起始點(diǎn)和終止點(diǎn)后，利用Dijkstra算法尋找最小加權(quán)路徑。本研究所提出的自動(dòng)分層算法是一種迭代算法，即分割出第一層邊界后，通過分割結(jié)果限定新的搜索空間，從而進(jìn)行對(duì)下一層邊界的分割。按照視網(wǎng)膜各層邊界的突出順序，依次對(duì)玻璃體-神經(jīng)纖維層(玻璃體-NFL)、神經(jīng)纖維-神經(jīng)節(jié)細(xì)胞層(NFL-GCL)、神經(jīng)節(jié)細(xì)胞-內(nèi)網(wǎng)狀層(GCL-IPL)、內(nèi)網(wǎng)狀-內(nèi)核層(IPL-INL)、內(nèi)核-外網(wǎng)狀層(INL-OPL)、外網(wǎng)狀-外核層(OPL-ONL)、視細(xì)胞的內(nèi)、外段(IS/OS)、視網(wǎng)膜色素上皮-脈絡(luò)膜層(RPE-Choroid)進(jìn)行分割。上一層的分割結(jié)果并不會(huì)影響后續(xù)層分割的精度，各層之間的分割結(jié)果是相互獨(dú)立的。

玻璃體-NFL層邊界和IS/OS層邊界像素對(duì)比度高，是視網(wǎng)膜圖像中兩個(gè)最突出的邊界層。利用Dijkstra算法從圖像左上角起點(diǎn)至右下角終點(diǎn)搜尋最低權(quán)值路徑。獲得的切割路徑即為玻璃體-NFL邊界或IS/OS邊界。與IS/OS邊界不同，玻璃體-NFL層邊界是視網(wǎng)膜的最頂層，上方無高反射率結(jié)構(gòu)的存在，因此，可以通過檢測(cè)高反射率結(jié)構(gòu)是否存在分辨玻璃體-NFL層邊界和IS/OS層邊界。對(duì)OCT圖像進(jìn)行高斯濾波和二值化后，計(jì)算切割路徑上方區(qū)域亮像素的像素?cái)?shù)目占比，若占比超過0.025，說明存在高反射率結(jié)構(gòu)，該分割路徑為IS/OS層邊界；反之，不存在高反射率結(jié)構(gòu)，該分割路徑為玻璃體-NFL層邊界。當(dāng)獲得的分割路徑是IS/OS層邊界時(shí)，新的搜索空間限定于分割路徑上方20像素的區(qū)域，以便進(jìn)行玻璃體-NFL層邊界的分割；當(dāng)獲得的分割路徑是玻璃體-NFL層邊界時(shí)，新的搜索空間限定于分割路徑下方40像素的區(qū)域，以便進(jìn)行IS/OS層邊界的分割。

與玻璃體-NFL層邊界和IS/OS層邊界不同，視網(wǎng)膜其他層間邊界并不明顯，需要對(duì)搜索區(qū)域進(jìn)行準(zhǔn)確限制。在對(duì)OCT圖像進(jìn)行雙邊濾波、直方圖均衡化、canny邊緣檢測(cè)及開閉運(yùn)算后，可以通過先驗(yàn)知識(shí)將圖像大致分為三個(gè)搜索區(qū)域，最上面的搜索區(qū)域?yàn)镹FL層和GCL層，中間的搜索區(qū)域?yàn)镚CL層、INL層和OPL層，最下面的搜索區(qū)域?yàn)镮S/OS層和RPE層。首先，在最上面的搜索區(qū)域中對(duì)NFL-GCL層進(jìn)行分割?；趻呙璺较蚺c被測(cè)眼確定顳側(cè)位置，根據(jù)NFL層不同厚度確定分割路徑搜索區(qū)域。由于NFL層薄厚差距在10個(gè)像素以內(nèi)，較薄層搜索區(qū)域限制為玻璃體-NFL層邊界下方10個(gè)像素內(nèi)，較厚層搜索區(qū)域限制為玻璃體-NFL層邊界下方9個(gè)像素內(nèi)，利用Dijkstra算法在搜索區(qū)域內(nèi)搜尋所得到的最低權(quán)值路徑即為NFL-GCL層邊界。接下來在中間的搜索區(qū)域中對(duì)IPL-INL層、INL-OPL層和OPL-ONL層進(jìn)行分割。利用Dijkstra算法對(duì)這三個(gè)邊界進(jìn)行初步分割后，利用中央凹進(jìn)一步細(xì)分搜索區(qū)域，實(shí)現(xiàn)邊界精確分割。將玻璃體-NFL層邊界到IS/OS層邊界最小厚度列所在位置的兩側(cè)擴(kuò)展30個(gè)像素，該區(qū)域中平均層厚度小于10像素的列，判定為中央凹區(qū)域。定位中央凹后，合并中央凹附近的分割路徑，在保持搜索區(qū)域下邊界位置不變的前提下，重新搜索最低權(quán)值路徑，獲得精確的IPL-INL、INL-OPL和OPL-ONL層邊界。最后，在最下面的搜索區(qū)域中對(duì)RPE-脈絡(luò)膜層邊界進(jìn)行分割?；谇懊娅@得的IS/OS層邊界，利用Dijkstra算法對(duì)該搜索區(qū)域直接搜索最低權(quán)值路徑，即可得到RPE-脈絡(luò)膜層邊界。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 視網(wǎng)膜圖像分層結(jié)果

基于Dijkstra最短路算法對(duì)視網(wǎng)膜OCT圖像的分層結(jié)果見圖4。從上到下可以明顯觀察到所劃分的眼底視網(wǎng)膜的玻璃體-NFL、NFL-GCL、GCL-IPL、IPL-INL、INL-OPL、OPL-ONL、IS/OS、RPE-Choroid。

圖4 視網(wǎng)膜OCT圖像分層結(jié)果Fig.4 Retinal OCT images segmentation

為了對(duì)自動(dòng)分層算法的準(zhǔn)確度進(jìn)行評(píng)估，將視網(wǎng)膜圖像自動(dòng)分層的結(jié)果與手動(dòng)分層的結(jié)果進(jìn)行對(duì)比。將自動(dòng)分層圖與手動(dòng)分層圖相疊加，手工分層圖進(jìn)行虛化處理，保留手工劃分線段。圖5(a)中彩色分割線由自動(dòng)分層算法得到，點(diǎn)狀分割線由手動(dòng)分層得到。將圖中紅框部分局部放大，兩種分層方式所獲得的視網(wǎng)膜邊界基本貼合，肉眼觀察不到明顯差距，見圖5(b)。

圖5 自動(dòng)分層結(jié)果與手動(dòng)分層結(jié)果對(duì)比圖Fig.5 Comparison of automatic segmentation and manual segmentation

隨后對(duì)分層誤差進(jìn)行定量分析。選取5組不同視網(wǎng)膜的樣本，每組采集100張OCT圖像，對(duì)500張圖像分別進(jìn)行手工分層和自動(dòng)分層處理。將處理后的圖像導(dǎo)入MATLAB，利用圖像矩陣信息獲取各層分界線間的像素差，得到手工分層與自動(dòng)分層的各層間距最大偏差、平均偏差和標(biāo)準(zhǔn)差。兩種分層方法的偏差結(jié)果見表1。

表1 自動(dòng)分層與人工分層的偏差結(jié)果Table 1 Deviation of automatic segmentation and manual segmentation

由表1可知，相較于手工分層，自動(dòng)分層的最大偏差分布于4.12～7.97 μm，平均偏差分布于2.72～5.78 μm，標(biāo)準(zhǔn)差約為1.19 μm。ILM、NFL-GCL、INL-OPL層邊界分割偏差較大，這是由于該部分曲率變化較大，盡管如此自動(dòng)分層偏差均小于2個(gè)像素，滿足了眼底疾病診斷和治療的需求。此外，上述誤差分析只取兩種分層方法層邊界最大間隔處的差值，部分差值過大的原因是自動(dòng)分層方法采用了平滑過渡曲線，而人工分層會(huì)將層邊界的細(xì)微凸起如正常形變的部分勾勒出來，但其值均在可接受范圍內(nèi)。除了視網(wǎng)膜層的高曲率處(如黃斑中心兩側(cè))會(huì)導(dǎo)致相對(duì)大的偏差外，其余的視網(wǎng)膜層邊界線基本都能重合在一起。

人工分層的準(zhǔn)確度相對(duì)較高，但速度較慢，對(duì)一層視網(wǎng)膜層的邊界劃分通常需要1 min左右。而自動(dòng)分層軟件對(duì)單張OCT視網(wǎng)膜眼底圖像的響應(yīng)和處理時(shí)間通常能保持在3 s以內(nèi)，且可以批量處理。由此可見，在分層精度達(dá)到滿足診斷的情況下，利用自動(dòng)分層軟件，效率將顯著提高。

2.2 病變視網(wǎng)膜圖像的分層

為了對(duì)自動(dòng)分層算法的實(shí)用性進(jìn)行評(píng)估，利用自動(dòng)分層算法對(duì)病變視網(wǎng)膜圖像進(jìn)行分析處理，分析病變視網(wǎng)膜的曲率對(duì)分割結(jié)果影響。首先，對(duì)中心漿液性脈絡(luò)膜視網(wǎng)膜病變的OCT圖像進(jìn)行了自動(dòng)分層，病變的OCT圖像見圖6(a)。中心漿液性脈絡(luò)膜視網(wǎng)膜病變是最常見的眼底疾病之一，是指由于視網(wǎng)膜色素上皮屏障功能受損，脈絡(luò)膜出現(xiàn)液體滲漏，導(dǎo)致視網(wǎng)膜色素上皮下積聚液體而引發(fā)的視覺扭曲與視力喪失。分層結(jié)果見圖6(b)，可以明顯觀察到OPL-ONL層邊界存在上凸形變(藍(lán)色分割線)，符合中心漿液性脈絡(luò)膜視網(wǎng)膜病變的特征，即視網(wǎng)膜神經(jīng)上皮局部漿液性脫離。由此可見，本研究所提出的自動(dòng)分割算法可以準(zhǔn)確識(shí)別高曲率變化的病變視網(wǎng)膜層邊緣，醫(yī)生通過分割結(jié)果可以快速地針對(duì)病變進(jìn)行分析與診斷。

圖6 中心漿液性脈絡(luò)膜視網(wǎng)膜病變Fig.6 Central serous chorioretinopathy

對(duì)糖尿病視網(wǎng)膜病變的OCT圖像進(jìn)行自動(dòng)分層，病變的OCT圖像見圖7(a)。分層結(jié)果見圖7(b)，在微弱病變區(qū)域，分割層次明顯，可以準(zhǔn)確地分辨各層視網(wǎng)膜結(jié)構(gòu)；在嚴(yán)重病變區(qū)域，分割效果較差，這是由于視網(wǎng)膜間的脫離孔隙嚴(yán)重影響了自動(dòng)分層結(jié)果。針對(duì)該情況，可以將視網(wǎng)膜間脫離孔隙的上邊緣作為邊緣進(jìn)行識(shí)別分割，并以平滑曲線進(jìn)行孔隙間的連接過渡，獲取更為精確的病變視網(wǎng)膜層次結(jié)構(gòu)，輔助醫(yī)生對(duì)病變區(qū)域進(jìn)行定位與分析。

圖7 糖尿病視網(wǎng)膜病變Fig.7 Diabetic retinopathy

3 結(jié)論

本研究提出了一種視網(wǎng)膜OCT圖像的自動(dòng)分層方法，基于經(jīng)典的Dijkstra最短路算法，在三個(gè)限定區(qū)域內(nèi)搜索最低權(quán)值路徑以獲取視網(wǎng)膜各層結(jié)構(gòu)邊界。該方法能夠精準(zhǔn)地分割出視網(wǎng)膜七層邊界，分層時(shí)間為3 s左右，分層偏差小于兩個(gè)像素。該方法對(duì)于存在病變的視網(wǎng)膜OCT圖像也能夠提供較好的分層結(jié)果，在輔助診斷、病灶定位等方面具備一定的優(yōu)勢(shì)。盡管如此，本研究提出的自動(dòng)分層方法仍有傳統(tǒng)圖論方法的局限性，即在形變嚴(yán)重的病灶區(qū)域無法準(zhǔn)確地劃分視網(wǎng)膜各層結(jié)構(gòu)，為了能夠在曲率變化大的視網(wǎng)膜結(jié)構(gòu)處實(shí)現(xiàn)精準(zhǔn)分割，后續(xù)可嘗試機(jī)器學(xué)習(xí)的方法，對(duì)不同形變程度的眼底視網(wǎng)膜進(jìn)行分層。