本發(fā)明涉及計(jì)算機(jī)視覺(jué)、圖像處理與分析技術(shù)領(lǐng)域，屬于生長(zhǎng)預(yù)測(cè)的建模方法，尤其是應(yīng)用于SD-OCT(頻域光學(xué)相干斷層成像)的脈絡(luò)膜新生血管(CNV)生長(zhǎng)預(yù)測(cè)的建模方法。

背景技術(shù)：

脈絡(luò)膜位于視網(wǎng)膜和鞏膜之間，由纖維組織、小血管和毛細(xì)血管組成。脈絡(luò)膜的血循環(huán)營(yíng)養(yǎng)視網(wǎng)膜外層、晶狀體和玻璃體等，由于脈絡(luò)膜內(nèi)血流量大、流速較慢、而其本身軟而薄的特性，使其對(duì)外界影響或沖擊不耐受，導(dǎo)致病原體在此處易滯留，造成脈絡(luò)膜疾病及各種眼底疾病，因此，研究脈絡(luò)膜新生血管(CNV)的生長(zhǎng)可以得到很多重要的數(shù)據(jù)，為后續(xù)醫(yī)學(xué)研究提供基本的支撐數(shù)據(jù)。

由于新生血管的生長(zhǎng)部位在對(duì)外界環(huán)境極其敏感和脆弱的眼部視網(wǎng)膜內(nèi)，實(shí)時(shí)入侵性的對(duì)新生血管進(jìn)行檢測(cè)顯然是不可能的?，F(xiàn)有的新生血管生長(zhǎng)預(yù)測(cè)方法通常僅采用單一的增長(zhǎng)模型如有限元法進(jìn)行預(yù)測(cè)，這種方法存在一定的缺點(diǎn)和局限性：①基于各向同性的假設(shè)，②沒(méi)有考慮到不同組織結(jié)構(gòu)的不同生物學(xué)特性，③只能預(yù)測(cè)線(xiàn)性變化，④只能預(yù)測(cè)小變形的變化，對(duì)大變形變化的預(yù)測(cè)不準(zhǔn)確，等等。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)的缺陷，本發(fā)明首次提出了一個(gè)綜合性的方法——基于超彈性材料的生物力學(xué)模型和反應(yīng)擴(kuò)散方程相結(jié)合的方法，進(jìn)行脈絡(luò)膜新生血管的生長(zhǎng)預(yù)測(cè)分析，準(zhǔn)確度高。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種脈絡(luò)膜新生血管三維生成預(yù)測(cè)方法。

該方法主要包括6個(gè)步驟：

步驟1.圖像預(yù)處理：對(duì)三維視網(wǎng)膜頻域光學(xué)相干斷層成像SD-OCT圖像進(jìn)行下采樣處理；

步驟2.區(qū)域提取和劃分：將圖像分割為脈絡(luò)膜新生血管CNV區(qū)域、外視網(wǎng)膜層、內(nèi)視網(wǎng)膜層和脈絡(luò)膜層4個(gè)區(qū)域；

步驟3.網(wǎng)格化：對(duì)CNV區(qū)域、內(nèi)視網(wǎng)膜層、外視網(wǎng)膜層和脈絡(luò)膜層進(jìn)行多尺度、自適應(yīng)的四面體網(wǎng)格生成；

步驟4.運(yùn)用超彈性生物力學(xué)模型與反應(yīng)擴(kuò)散方程建模：在超彈性生物力學(xué)模型結(jié)構(gòu)中，整合各區(qū)域不同的體積模量、剪切模量及其對(duì)應(yīng)的體積彈性響應(yīng)、等容彈性響應(yīng)，將脈絡(luò)膜新生血管生長(zhǎng)后的質(zhì)量改變作為源項(xiàng)加入到方程中，使變形梯度張量根據(jù)新生血管的生長(zhǎng)持續(xù)變化；

步驟5.優(yōu)化模型，算出最佳準(zhǔn)確率，進(jìn)行參數(shù)檢驗(yàn)；

步驟6.根據(jù)每個(gè)時(shí)間點(diǎn)預(yù)測(cè)的參數(shù)擬合一條參數(shù)曲線(xiàn)，預(yù)測(cè)最后一個(gè)時(shí)間點(diǎn)的生長(zhǎng)增值率參數(shù)，得到預(yù)測(cè)結(jié)果。

步驟1中的圖像預(yù)處理包括以下步驟：

(1a)下采樣處理：

(1b)使用CAVASS軟件，進(jìn)行OCT圖像配準(zhǔn)。

步驟3中采用一個(gè)三維曲面和體積的網(wǎng)格生成器對(duì)CNV區(qū)域、內(nèi)視網(wǎng)膜層、外視網(wǎng)膜層和脈絡(luò)膜層進(jìn)行多尺度、自適應(yīng)的四面體網(wǎng)格生成。

步驟4包括以下步驟：

(4a)反應(yīng)擴(kuò)散方程的入侵和擴(kuò)散

邏輯回歸型增長(zhǎng)的反應(yīng)擴(kuò)散方程表示為：

其中，t為時(shí)間，D是各向異性的擴(kuò)散張量，包含三個(gè)組成部分D_x，D_y，D_z，這三個(gè)分量分別為x軸，y軸，z軸的分量；ρ代表生長(zhǎng)增殖率，N是每單位體積的細(xì)胞數(shù)，K_max代表最大細(xì)胞容量，

當(dāng)血管內(nèi)皮生長(zhǎng)因子的各向異性濃度時(shí)，有如下公式：

(4b)質(zhì)量效應(yīng)與超彈性生物力學(xué)模型

材料的非線(xiàn)性應(yīng)力-應(yīng)變行為的應(yīng)變能密度函數(shù)為：

其中，表示格林-拉格朗日應(yīng)變張量，F(xiàn)^T代表變形梯度張量F的轉(zhuǎn)置張量，I為單位矩陣；J代表變形梯度張量F的行列式，即J＝det(F)；κ和μ分別代表體積模量和剪切模量；Tr表示矩陣的跡；I₁是柯西-格林變形張量的第一主不變量；

通過(guò)公式4中的梯度力f，將柯西應(yīng)力張量σ＝J^-1FSF^T和血管內(nèi)皮生長(zhǎng)因子的各向異性濃度c聯(lián)系起來(lái)：

其中，f代表由c產(chǎn)生的梯度力即密度梯度力，ξ代表一個(gè)需要被估計(jì)的常數(shù)，該常數(shù)取決于材料的生物學(xué)特性；S代表PK2-第二Piola-Kirchhoff應(yīng)力張量。

步驟5中，以一階馬爾科夫序列優(yōu)化生長(zhǎng)增值率ρ參數(shù)：前n個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，每個(gè)時(shí)間點(diǎn)均與之前的一個(gè)時(shí)間點(diǎn)相關(guān)，計(jì)算ρ的值。

從之前所有的時(shí)間點(diǎn)進(jìn)行生長(zhǎng)增值率參數(shù)的估計(jì)，然后使用下面的公式來(lái)計(jì)算預(yù)測(cè)的準(zhǔn)確性：

是基于之前所有時(shí)間點(diǎn)I_i,c(i＝1,2,...，10)預(yù)測(cè)得到的結(jié)果，I_i+1,c是當(dāng)前時(shí)間點(diǎn)的金標(biāo)準(zhǔn)；

最后，估計(jì)參數(shù)：ν_i＝{D_x,D_y,D_z,ρ；c}。

定義預(yù)測(cè)結(jié)果與金標(biāo)準(zhǔn)的重合像素點(diǎn)

計(jì)算反映預(yù)測(cè)結(jié)果準(zhǔn)確性的各項(xiàng)指標(biāo)：

(1)召回率

(2)錯(cuò)誤率

(3)相似度DICE系數(shù)

步驟6中，利用得出的前n個(gè)時(shí)間點(diǎn)的生長(zhǎng)增值率ρ值，畫(huà)出擬合曲線(xiàn)，從而預(yù)測(cè)出第n+1個(gè)時(shí)間點(diǎn)的生長(zhǎng)增值率ρ；將預(yù)測(cè)出的第n+1個(gè)時(shí)間點(diǎn)的生長(zhǎng)增值率ρ代入第n個(gè)時(shí)間點(diǎn)，得出的預(yù)測(cè)圖像與真實(shí)的第n+1個(gè)圖像重疊，計(jì)算預(yù)測(cè)準(zhǔn)確率。

本發(fā)明所達(dá)到的有益效果：

本發(fā)明首次提出了一個(gè)綜合性的生長(zhǎng)預(yù)測(cè)方法——基于超彈性材料的生物力學(xué)模型和反應(yīng)擴(kuò)散方程相結(jié)合的方法，進(jìn)行脈絡(luò)膜新生血管的生長(zhǎng)預(yù)測(cè)分析。

本發(fā)明的方法結(jié)合超彈性材料和反應(yīng)反應(yīng)擴(kuò)散方程，能夠更加靈活和個(gè)性化的模式生物機(jī)械模型。不同于以往的材料是各向同性假設(shè)，該模型假設(shè)的組織是正交各向異性。在疾病部位(脈絡(luò)膜新生血管區(qū)域)和周?chē)慕M織(包括外層視網(wǎng)膜和脈絡(luò)膜，視網(wǎng)膜內(nèi)層等)模擬出不同組織結(jié)構(gòu)的不同生物學(xué)特性，且基于正交各向異性的假設(shè)，對(duì)非線(xiàn)性、大變形區(qū)域也有很好的預(yù)測(cè)結(jié)果，準(zhǔn)確度高。

附圖說(shuō)明

圖1是脈絡(luò)膜新生血管預(yù)測(cè)的整體框圖；

圖2a是OCT的原始圖像(512×1024×128)網(wǎng)格化后的結(jié)果；

圖2b是下采樣的圖像(64×64×64)網(wǎng)格化后的結(jié)果；

圖2c表示原始圖像的節(jié)點(diǎn)信息和單元信息；

圖2d表示下采樣圖像的節(jié)點(diǎn)信息和單元信息；

圖3a是從下采樣數(shù)據(jù)重構(gòu)的網(wǎng)格劃分；

圖3b是脈絡(luò)膜新生血管的細(xì)胞內(nèi)體積(ICV)；

圖3c是ICV的等值面圖像；

圖3d是應(yīng)力分布的顯示：每一個(gè)切片上，CNV區(qū)域的粗線(xiàn)條圓形和細(xì)線(xiàn)條橢圓形分別代表強(qiáng)應(yīng)力(一般分布在CNV邊緣)和弱應(yīng)力(一般分布在CNV內(nèi)部)的位置；

圖4是不同病人的CNV體積差異示意圖。

具體實(shí)施方式

下面對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)的描述：

本方法的基本框圖如圖1所示，主要包括以下步驟：

1)圖像預(yù)處理

(a)下采樣處理：為了提高處理效率，優(yōu)化內(nèi)存使用，本實(shí)施例中將每個(gè)像素512*1024*128的三維視網(wǎng)膜SD-OCT圖像下采樣到像素64*64*64。

(b)使用CAVASS軟件(MIPG開(kāi)發(fā)的軟件)，進(jìn)行OCT圖像配準(zhǔn)。

2)區(qū)域提取和劃分

手動(dòng)標(biāo)記金標(biāo)準(zhǔn)，進(jìn)行視網(wǎng)膜感興趣區(qū)域(CNV區(qū)域)的提取、周?chē)M織(內(nèi)視網(wǎng)膜層、外視網(wǎng)膜層、脈絡(luò)膜層)的劃分；

3)網(wǎng)格化，用一個(gè)三維曲面和體積的網(wǎng)格生成器對(duì)CNV區(qū)域、內(nèi)視網(wǎng)膜層、外視網(wǎng)膜層和脈絡(luò)膜層進(jìn)行多尺度、自適應(yīng)的四面體網(wǎng)格生成，見(jiàn)圖2a、圖2b、圖2c、圖2d；

4)對(duì)CNV區(qū)域、內(nèi)視網(wǎng)膜層、外視網(wǎng)膜層和脈絡(luò)膜層這4個(gè)區(qū)域建模，其中各個(gè)區(qū)域進(jìn)行不同的超彈性生物力學(xué)模型與反應(yīng)擴(kuò)散方程模型進(jìn)行參數(shù)訓(xùn)練，使其根據(jù)不同的生理學(xué)特性進(jìn)行生長(zhǎng)：

(a)反應(yīng)擴(kuò)散方程的入侵和擴(kuò)散

邏輯回歸型(Logistic)增長(zhǎng)的反應(yīng)擴(kuò)散方程可以表示為：

其中，t為時(shí)間，D是各向異性的擴(kuò)散張量，包含三個(gè)組成部分D_x，D_y，D_z，這三個(gè)分量分別為x軸，y軸，z軸的分量。ρ代表生長(zhǎng)增殖率，N是每單位體積的細(xì)胞數(shù)，K_max代表最大細(xì)胞容量，當(dāng)血管內(nèi)皮生長(zhǎng)因子(VEGF)的各向異性濃度時(shí)，有如下公式：

(b)質(zhì)量效應(yīng)與超彈性生物力學(xué)模型

在模型結(jié)構(gòu)中，通過(guò)方程(3)比較全面地整合各區(qū)域不同的體積模量、剪切模量及其在本構(gòu)方程中對(duì)應(yīng)的體積彈性響應(yīng)部分、等容彈性響應(yīng)部分，將CNV生長(zhǎng)后的質(zhì)量改變作為源項(xiàng)加入到超彈性生物力學(xué)的本構(gòu)方程中，使變形梯度張量根據(jù)新生血管的生長(zhǎng)持續(xù)變化：

超彈性的生物力學(xué)模型可用于較大變形的預(yù)測(cè)，材料的非線(xiàn)性應(yīng)力-應(yīng)變行為的應(yīng)變能密度函數(shù)為：

其中，表示格林-拉格朗日應(yīng)變張量，F(xiàn)^T代表變形梯度張量F的轉(zhuǎn)置張量，其分量關(guān)系為(F^T)_ij＝F_ji,I為單位矩陣；J代表變形梯度張量F的行列式，即J＝det(F)；κ和μ分別代表體積模量和剪切模量；Tr表示矩陣的跡；I₁是柯西-格林(Cauchy-Green)變形張量的第一主不變量。

數(shù)據(jù)重構(gòu)的網(wǎng)格劃分以及各個(gè)切片上的應(yīng)力分布，見(jiàn)圖3a、圖3b、圖3c、圖3d。

同時(shí)，使用靜態(tài)平衡方程來(lái)模擬該過(guò)程：

該方程通過(guò)梯度力f，將柯西應(yīng)力張量σ＝J^-1FSF^T(其中S代表PK2-第二Piola-Kirchhoff應(yīng)力張量)，和血管內(nèi)皮生長(zhǎng)因子的各向異性濃度c聯(lián)系起來(lái)：

其中，f代表由c產(chǎn)生的梯度力(即密度梯度力)，ξ代表一個(gè)需要被估計(jì)的常數(shù)，該常數(shù)取決于材料的生物學(xué)特性。

5)優(yōu)化模型，算出最佳準(zhǔn)確率，進(jìn)行參數(shù)檢驗(yàn)。

以一階馬爾科夫序列優(yōu)化參數(shù)ρ(生長(zhǎng)增值率)：前n(本實(shí)施例中設(shè)n＝10)個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，每個(gè)時(shí)間點(diǎn)均與之前的一個(gè)時(shí)間點(diǎn)相關(guān)，計(jì)算ρ的值。

從之前所有的時(shí)間點(diǎn)進(jìn)行模型參數(shù)(生長(zhǎng)增值率)的估計(jì)，然后使用下面的公式來(lái)計(jì)算預(yù)測(cè)的準(zhǔn)確性：

是基于之前所有時(shí)間點(diǎn)I_i,c(i＝1,2,...，n)預(yù)測(cè)得到的結(jié)果，I_i+1,c是當(dāng)前時(shí)間點(diǎn)的金標(biāo)準(zhǔn)，w₁、w₂分別代表權(quán)重。

根據(jù)脈絡(luò)膜新生血管的生理特性，設(shè)置CNV、脈絡(luò)膜(choroid)和其他部分的參數(shù)κ和μ分別為：κ_CNV＝5kPa,κ_choroid＝6kPa,κ_others＝3kPa,μ_CNV＝μ_choroid＝5*10³N/m²,μ_others＝1*10³N/m²。最后，我們要估計(jì)的參數(shù)是：ν_i＝{D_x,D_y,D_z，ρ；c}。定義預(yù)測(cè)結(jié)果與金標(biāo)準(zhǔn)的重合像素點(diǎn)計(jì)算反映預(yù)測(cè)結(jié)果準(zhǔn)確性的各項(xiàng)指標(biāo)，這些指標(biāo)就作為評(píng)價(jià)和檢驗(yàn)?zāi)Ｐ偷臉?biāo)準(zhǔn)：(1)召回率(2)錯(cuò)誤率(3)相似度DICE系數(shù)

6)根據(jù)每個(gè)時(shí)間點(diǎn)預(yù)測(cè)的參數(shù)擬合一條參數(shù)曲線(xiàn)，預(yù)測(cè)最后一個(gè)時(shí)間點(diǎn)的生長(zhǎng)參數(shù)，得到預(yù)測(cè)結(jié)果。

利用得出的前n(本實(shí)施例中設(shè)n＝10)個(gè)時(shí)間點(diǎn)的生長(zhǎng)增值率ρ值，畫(huà)出擬合曲線(xiàn)，從而預(yù)測(cè)出第n+1個(gè)時(shí)間點(diǎn)的生長(zhǎng)增值率ρ。將預(yù)測(cè)出的第n+1個(gè)時(shí)間點(diǎn)的生長(zhǎng)增值率ρ代入第n個(gè)時(shí)間點(diǎn)，得出的預(yù)測(cè)圖像與真實(shí)的第n+1個(gè)圖像重疊，計(jì)算預(yù)測(cè)準(zhǔn)確率。

7)實(shí)驗(yàn)結(jié)果：

如圖4中所示，為10個(gè)時(shí)間點(diǎn)的六位病人的CNV體積，從圖中可以看出，CNV的特異性明顯，波動(dòng)各不相同。實(shí)際上，不同病人不同時(shí)間點(diǎn)的CNV不管在體積大小上，還是形態(tài)上都差異很大。

由于視網(wǎng)膜對(duì)光的敏感性，還在結(jié)果中增加了應(yīng)力分布的顯示(見(jiàn)后附圖3d)，有助于更加直觀的顯示力學(xué)對(duì)CNV區(qū)域的影響。

根據(jù)第一時(shí)間點(diǎn)上的變形，預(yù)測(cè)的第二時(shí)間點(diǎn)參數(shù)；根據(jù)前兩個(gè)時(shí)間點(diǎn)的變形，預(yù)測(cè)第三個(gè)時(shí)間點(diǎn)的形變參數(shù)。以此類(lèi)推，將前n(n＝10)個(gè)時(shí)間點(diǎn)的生長(zhǎng)增值率ρ擬合出的曲線(xiàn)，代入第n個(gè)時(shí)間點(diǎn)，得出預(yù)測(cè)結(jié)果將其與真實(shí)值(n+1時(shí)間點(diǎn)的金標(biāo)準(zhǔn))比較，得出預(yù)測(cè)結(jié)果,如表1。

表1是本方法的預(yù)測(cè)結(jié)果，可以發(fā)現(xiàn)，除了個(gè)別CNV前后時(shí)間點(diǎn)變化差異巨大的病人外，其余的預(yù)測(cè)結(jié)果都得到了比較好的準(zhǔn)確度。

至此，一種三維的CNV生長(zhǎng)預(yù)測(cè)模型已經(jīng)實(shí)現(xiàn)并得到驗(yàn)證。本發(fā)明提出了一種融合超彈性生物力學(xué)模型、反應(yīng)擴(kuò)散方程和質(zhì)量源的思想，結(jié)合目標(biāo)函數(shù)的優(yōu)化參數(shù)自動(dòng)檢測(cè)，且在結(jié)果中顯示全區(qū)域的應(yīng)力分布的技術(shù)方案，實(shí)驗(yàn)結(jié)果表明，本發(fā)明的生長(zhǎng)預(yù)測(cè)方法能夠比較好的解決脈絡(luò)膜新生血管(CNV)的生長(zhǎng)預(yù)測(cè)問(wèn)題，具有較高的預(yù)測(cè)準(zhǔn)確度。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變形，這些改進(jìn)和變形也應(yīng)視為本發(fā)明的保護(hù)范圍。