黄斑囊样水肿变形测量数字图像相关初值估计

张晓川; 王婷婷; 后小云; 李嫦; 李志清

doi:10.12404/j.issn.1671-1815.2506427

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (14) :5834-5843 DOI: 10.12404/j.issn.1671-1815.2506427

力学

黄斑囊样水肿变形测量数字图像相关初值估计

张晓川 ¹ ,
王婷婷 ² ,
后小云 ³ ,
李嫦 ³ ,
李志清 ³

作者信息 +

Initial Value Estimation for Digital Image Correlation in Measuring Cystoid Macular Edema Deformation

Author information +

文章历史 +

摘要

结合光学相干断层扫描(optical coherence tomography, OCT)技术的数字图像相关(digital image correlation, DIC)方法是探究黄斑囊样水肿(cystoid macular edema, CME)过程中视网膜变形行为的重要实验手段。然而,DIC常因初值估计困难导致CME视网膜变形难以测量。通过分析CME的OCT影像特征,发现远离黄斑中心凹的图像区域基本满足刚体平面运动假设,基于此,提出了一种基于双种子点的DIC初值估计方法并设计了3种种子点选取策略。采用初值估计方法结合DIC对健康眼和CME患眼的视网膜位移场进行测量,结果表明黄斑中心凹两侧血管与椭圆体带交点作为种子点时DIC初值估计误差最小。进一步将本文方法应用于一名CME患者视网膜厚度方向的全场变形测量,并分析了CME过程中视网膜的变形演化过程。所提出的初值估计方法可以辅助DIC实现视网膜全场变形测量分析,为CME的变形机理研究提供了一种有效实验手段。

Abstract

DIC (digital image correlation) combined with OCT (optical coherence tomography) serves as a crucial experimental approach for investigating retinal deformation during CME (cystoid macular edema). However, the measurement of retinal deformation in CME is often hindered by the difficulty in obtaining an accurate initial guess for DIC. By analyzing OCT image characteristics of CME, it is observed that regions distal to the fovea largely satisfy the rigid-body planar motion assumption. Based on this observation, a dual-seed-point-based method for DIC initial value estimation was proposed, along with three strategies for seed point selection. The proposed initial estimation method, integrated with DIC, was applied to measure the displacement fields of both healthy and retina affected by CME. Results indicate that the smallest initial estimation error is achieved when the intersection points of blood vessels on both sides of the fovea with the ellipsoid zone are selected as seed points. Furthermore, the method was applied to full-field deformation measurement in the retinal thickness direction of a CME patient, and the deformation evolution of the retina during CME was analyzed. The proposed initial value estimation method can assist DIC in achieving full-field retinal deformation measurement and analysis, providing an effective experimental tool for investigating the deformation mechanisms in CME.

Graphical abstract

关键词

黄斑囊样水肿 / 数字图像相关 / 初值估计 / 种子点

Key words

cystoid macular edema / digital image correlation / initial value estimation / seed points

引用本文

引用格式 ▾

张晓川, 王婷婷, 后小云, 李嫦, 李志清. 黄斑囊样水肿变形测量数字图像相关初值估计[J]. 科学技术与工程, 2026, 26(14): 5834-5843 DOI:10.12404/j.issn.1671-1815.2506427

ZHANG Xiao-chuan, WANG Ting-ting, HOU Xiao-yun, LI Chang, LI Zhi-qing. Initial Value Estimation for Digital Image Correlation in Measuring Cystoid Macular Edema Deformation[J]. Science Technology and Engineering, 2026, 26(14): 5834-5843 DOI:10.12404/j.issn.1671-1815.2506427

登录浏览全文

4963

注册一个新账户忘记密码

黄斑囊样水肿(cystoid macular edema, CME)是糖尿病视网膜病变(diabetic retinopathy, DR)和视网膜静脉阻塞(retinal vein occlusion, RVO)等致盲性眼底疾病的主要并发症。目前针对CME诊断及评价的研究工作主要集中在医学图像处理领域^[1-2],但实际上该病变的本质是血-视网膜屏障(blood-retinal barrier, BRB)破坏引起的黄斑区液体积聚,导致视网膜发生了极为复杂的变形行为^[3-4],这与患者视力预后密切相关^[5-6],因此,精确测量视网膜变形有望成为CME病情评价表征的重要手段^[7]。

数字图像相关(digital image correlation, DIC)因其非接触、全场、多尺度等优点,已被广泛应用于材料科学和生物医学等领域^[8-11]。在眼科学领域,基于眼底光学相干断层扫描(optical coherence tomography, OCT)图像的OCT-DIC在视神经乳头(optic nerve head, ONH)变形行为研究中也已有较多应用。例如,利用OCT-DIC进行人类视神经乳头玻璃疣(optic nerve head drusen, ONHD)的应变分析,结果表明ONHD中存在凝视诱发的异常剪切形变^[12];采用视频成像OCT和基于DIC的虚拟引伸计相结合,实现了眼压(intraocular pressure, IOP)诱导的ONH变形量化分析^[13]等。然而,不同于眼压引起的ONH区域发生的连续小变形,CME过程中黄斑区视网膜往往发生不连续大变形,从而使OCT图像间存在严重“退相关效应”,导致OCT-DIC方法失效。因此,需要结合CME黄斑区OCT图像特征来改进OCT-DIC方法,以实现CME过程中的视网膜变形测量。

可靠性导向DIC(reliability-guided DIC, RG-DIC)通过从选定的可靠种子点开始,动态优先计算最可靠点位移并将其作为邻域点初始估计值,从而引导计算路径,有效提升了DIC处理“退相关”图像的能力^[14]。在此基础上,本课题组提出了一种种子点优化选取方法,辅助OCT-DIC实现了RVO-CME、DR-CME、息肉状脉络膜血管(polypoid choroidal vascular, PCV)病变等眼底疾病的视网膜全场变形测量^[7]。通过进一步分析CME过程中的视网膜变形场,发现深度方向应变集中区域在空间位置上与后续囊腔萌生区域具有良好对应关系,表明深度方向的应变集中可能成为预测CME发生的有效影像学指标^[15]。然而现有基于种子点优化选取的OCT-DIC方法,仍高度依赖人工手动选择多个种子点进行初值估计,该方法效率低下且主观性强。因此,发展更为高效且客观的种子点选择方法,以实现DIC初值估计的快速准确获取,对于精准量化CME过程中的视网膜变形行为具有重要的临床意义与研究价值。

因此,现首先深入分析CME过程中OCT图像序列的影像特征;其次,基于刚体平面运动假设采用双种子点推导出待估计点的位移初值;然后,设计3种种子点选取策略,并通过验证实验确定最优种子点选取策略;进而,针对CME患眼黄斑区局部大变形的特点,提出分区种子点选取方案,并将双种子点初值估计与可靠性导向DIC策略相结合,实现从初值估计到全场位移测量的完整流程。最终,将所提出的方法应用于处理CME患眼一个复发病程内的OCT图像序列,测量分析其病变过程中的应变场演化规律,为CME的变形机理研究提供一种有效实验手段。

1 初值估计原理

1.1 CME眼底OCT图像特征分析

经被采集图像者知情同意,采用天津医科大学眼科医院的Optovue RTVue XR 100-2型OCT设备(Optovue, Inc, Freemont, California, USA)对1名52岁健康女性及1名53岁右眼复发CME女性患者进行OCT图像采集,图像采集与临床诊断均由具有丰富临床经验的课题组医生完成。图1为CME患眼的随访图像。OCT扫描方式如图1(a)所示,以黄斑为中心的放射状扫描,扫描步长为10°,即每次图像采集共获取18幅截面图像,每幅图像尺寸为 960 pixels×1 260 pixels。两位受试者在初次采集图像后,大约每隔7 d再次进行图像采集,选取健康受试者右眼4次随访及CME患者在一次复发周期内的随访OCT图像进行分析。可以看出,从2023年8月7—24日,黄斑区没有出现明显水肿,但图像之间存在明显的刚体运动;8月31日图像中出现了肉眼可见微小囊腔;9月7日囊腔变大,水肿严重,发展成为较严重的CME。

分析OCT图像特征可知:①图像散斑质量较差,但视网膜分层和血管阴影清晰可见,如图1(b)所示;②CME发展过程中,液体累积使视网膜各层发生了复杂变形,但变形主要集中在黄斑中心凹区域,即使发展成较为严重的CME,远离黄斑中心凹区域也无明显变形发生[图1(f)]。由以上分析可知,较差的散斑质量可能使DIC分析失效。以图1(b)为参考图像,图1(c)~图1(e)为变形后图像,直接采用Vic-2D商业软件(Correlated Solutions, Columbia, SC, USA)计算黄斑区域的变形,均出现了无法测量的问题。血管阴影和视网膜层间界面的交点区具有较大的灰度梯度且在变形前后灰度变化较小,将其作为种子点辅助DIC可以实现视网膜变形测量^[7]。但由于种子点为人工选择,选择的个数和位置由个人经验决定,可能影响测量结果的精度和稳定性,需进一步依据CME的OCT图像特征发展更为简便、有效的种子点选取方法。

1.2 基于双种子点的初值估计

对于健康眼以及尚未发生CME的患眼,不同时刻采集图像间的相对位移主要是由图像采集时微小的眼球运动、位姿改变等引起的刚体位移。当患眼发生CME时,水肿主要累及黄斑中心凹区域,远离中心凹区域的视网膜组织无明显变形,基本满足刚体平面运动假设。基于此,通过在参考图像选取远离黄斑中心凹区域的2个种子点,计算出整个变形后图像相对于参考图像的刚体位移场,为后续DIC运算提供快速准确的位移初值估计。

由理论力学可知,刚体平面运动可由随基点的平移与围绕基点的定轴转动合成^[16]。在刚体平面运动假设条件下,可通过2个所选初始种子点的位移和种子点连线的转角计算截面图像所有像素点的位移。图2所示为采用2个种子点进行位移初值估计的计算示意图。首先以图像左下角为原点O建立直角坐标系,点A(x_A, y_A)、B(x_B, y_B)为在参考图像中依据文献[7]在血管阴影和层间界面交点处选择的可靠种子点,C(x_C, y_C)为任意像素点。在参考图像中,若以种子点A为基点,点C的坐标可以表示为

(1)

$\left\{\begin{array}{l}{x}_{C}={x}_{A}+{l}_{AC}cos\theta \\ {y}_{C}={y}_{A}+{l}_{AC}sin\theta \end{array}\right.$

式(1)中:l_AC为线段AC的长度;θ为线段AC与x轴的夹角。

发生刚体运动后,图像中A点和C点分别运动至A'点和C'点,C'点的坐标可由A'点坐标以及线段AC发生的转角Δθ表示为

(2)

$\left\{\begin{array}{l}{x}_{C\text{'}}={x}_{A\text{'}}+{l}_{AC}cos(\theta +\Delta \theta )\\ {y}_{C\text{'}}={y}_{A\text{'}}+{l}_{AC}sin(\theta +\Delta \theta )\end{array}\right.$

由C'和C点坐标相减即可获得C点位移为

(3)

$\left\{\begin{array}{l}{u}_{C}=[{x}_{A\text{'}}+{l}_{AC}cos(\theta +\Delta \theta \left)\right]-({x}_{A}+{l}_{AC}cos\theta )\\ {v}_{C}=[{y}_{A\text{'}}+{l}_{AC}sin(\theta +\Delta \theta \left)\right]-({y}_{A}+{l}_{AC}sin\theta )\end{array}\right.$

式(3)中:u_C和v_C分别为点C的水平位移和竖直位移。

进一步化简式(3)为

(4)

$\left\{\begin{array}{l}{u}_{C}={u}_{A}+{l}_{AC}\left[cos\right(\theta +\Delta \theta )-cos\theta ]\\ {v}_{C}={v}_{A}+{l}_{AC}\left[sin\right(\theta +\Delta \theta )-sin\theta ]\end{array}\right.$

式(4)中:点A位移u_A和v_A可以通过整像素位移搜索得到点A和点A'的坐标并作差^[17]计算得出。

AC长度l_AC为AC两点的欧几里得距离,可表示为

(5)

${l}_{AC}=\sqrt{({x}_{C}-{x}_{A}{)}^{2}+({y}_{C}-{y}_{A}{)}^{2}}$

线段AC的水平夹角θ为

(6)

$\theta =\frac{180}{\pi }arctan\frac{{y}_{C}-{y}_{A}}{{x}_{C}-{x}_{A}}$

在刚体平面运动假设下,任意两点组成的线段的转角应当保持不变,因此Δθ可由线段AB与线段A'B'的水平夹角之差得到

(7)

$\Delta \theta =\frac{180}{\pi }\left(arctan\frac{{y}_{B\text{'}}-{y}_{A\text{'}}}{{x}_{B\text{'}}-{x}_{A\text{'}}}-arctan\frac{{y}_{B}-{y}_{A}}{{x}_{B}-{x}_{A}}\right)$

同样地,若以种子点B为基点,也可按照上述推导过程计算C点位移。如果仅发生刚体平面运动,以点A为基点和点B为基点计算得到的点C位移相同,不需重复计算。然而,所处理的OCT图像仅是近似为刚体平面运动,选择不同位置点作为基点计算所得C点位移值并不相同,与C点真实位移值的误差也不相同。

尽管基于刚体平面运动假设,可以由2个种子点估计出参考图像中感兴趣区域(region of interest, ROI)所有像素点的位移初值。然而,由于正常眼压波动等因素引起的视网膜变形以及CME引起的黄斑中心凹区域大变形会使基于刚体平面运动假设所估计的ROI中某些点位移初值与其真实值存在较大差异而使后续DIC运算失效。因此,采用2个初始种子点估计微小变形区域不同位置3~5个扩展种子点的初值,并结合反向组合的高斯牛顿迭代(inverse compositional Gauss-Newton, IC-GN)方法^[18-19]获得全部种子点的亚像素位移,然后结合可靠性导向策略^[14],即将种子点的亚像素位移作为邻域点的位移初值进行DIC运算,最终获得ROI全场位移。

1.3 双种子点选取策略

依据文献[7],种子点可选取视网膜层间界面与血管阴影交点。但眼底OCT图像中交点数量较多,如何选取双种子点位置更有利于初值估计需进一步分析。设计了3种种子点选取策略以探索最优的双种子点位置组合。如图3(a)所示,以健康受试者右眼的一组随访图像为例,这3种模式分别为:①黄斑中心凹同侧血管与椭圆体带两交点(Mode 1);②中心凹最低点和椭圆体带最高点(Mode 2);③中心凹两侧血管与椭圆体带交点(Mode 3)。另预设5个验证用计算点(编号①~⑤)。以初次采集图像为参考图像,在后续3次随访图中采用整像素位移搜索计算随访图像中所有计算点的整像素位移作为真实位移。同时,采用1.2节方法和本节3种双种子点选取策略来估计5个验证用计算点位移值,并与整像素位移搜索获得的整像素位移进行比较,分析基于刚体平面运动假设双种子点初值估计方法的可靠性并确定更为有效的种子点选取策略。

健康眼随访图像间相对变形较小,但对于图1所示CME患眼,黄斑中心凹区域发生了严重的局部变形,对于其初值估计提出如图3(b)所示的分区计算策略。对于区域2(以黄斑中心凹最低点为圆心的直径为2 mm的区域),选择特征明显的种子点,如中心凹最低点和椭圆体带最高点;对于区域1(ROI中除区域2外的所有区域)采用与健康眼相同的种子点选取方法,即3种策略中最优的种子点选取方式。视网膜ROI边界提取与区域划分方法详见文献[15]。值得注意的是,在发生如图1(f)所示的大变形情况下,中心凹最低点可能无法配准,此时仅选取椭圆体带最高点作为种子点即可。

2 结果与讨论

2.1 健康眼初值估计结果

图4(a)与图4(b)分别为采用本文方法估计的验证用计算点的位移初值与整像素位移之间的平均误差

$\overline{\delta u}$

和

$\overline{\delta v}$

,其计算公式为

(8)

$\left\{\begin{array}{l}\overline{\delta u}=\frac{\sum _{i=1}^{3}\delta {u}_{i}}{3}\\ \overline{\delta v}=\frac{\sum _{i=1}^{3}\delta {v}_{i}}{3}\end{array}\right.$

式(8)中:

(9)

$\left\{\begin{array}{l}\delta u=\left|{u}_{g}-{u}_{m}\right|\\ \delta v=\left|{v}_{g}-{v}_{m}\right|\end{array}\right.$

式中:u_g和v_g分别为x和y方向的整像素位移;u_m和v_m分别为x和y方向用1.2节方法估计的位移初值;δu和δv分别为x和y方向上的误差绝对值。

同时,计算了随访图像序列中Mode 1、Mode 2及Mode 3双种子点所组成的线段长度,分别为(118.22±1.35) pixels、(54.01±0.82) pixels、(524.67±2.61) pixels,双种子点间距离变化很小,表明了图像间刚体平面运动假设的可行性。图4结果表明,除点⑤外,Mode 3的种子点选取方式所估计的位移初值误差较小(尤其

$\overline{\delta v}$

),表明距离黄斑中心凹区域较远且两点相距较远的种子点选取方式更为可靠。而如果双种子点选取距离过近,可能受到由生理性因素造成的局部微小变形及整像素距离量取的误差较大等因素影响,导致初值估计误差较大。因此,确定以中心凹两侧血管与椭圆体带的2个交点作为种子点即Mode 3的双种子点选取策略为最优种子点选取策略。

以A点为基点时,点①的

$\overline{\delta u}$

=3.56 pixels和

$\overline{\delta v}$

=3.64 pixels;点⑤的

$\overline{\delta u}$

=7.13 pixels和

$\overline{\delta v}$

=5.49 pixels。以B点为基点时,点①的

$\overline{\delta u}$

=3.53 pixels和

$\overline{\delta v}$

=3.93 pixels;点⑤的

$\overline{\delta u}$

=9.67 pixels和

$\overline{\delta v}$

=5.91 pixels。无论采用点A或点B作为基点,点⑤的位移估计误差相比于点①都更大。进一步分析Mode 3策略下点①和点⑤在不同随访时间下的位移误差,如图5所示。可以看出,点⑤主要在2024年4月16—23日的位移估计误差较大。

进一步分析误差较大的两个时间点的OCT图像特征,并将图3(a)中点A、B及点①、点⑤由整像素位移搜索确定的运动前后的位置在图中绘制,如图6所示。结合图5中误差分析可以看出,当选取的基点距离初值估计点较远时,误差较大。这是由于式(4)中的距离量l_AC仅为整像素点间的距离,与真实距离之间存在一定误差,这种处理在距离增大时会放大误差累积效应,形成非线性误差增长。另外,在体图像采集过程中难以避免的微小离面位移,会导致图像序列间存在非刚性变形分量。这种三维变形与二维测量假设的偏差会随距离增加而显著放大。因此l_AC越大,则受到微小变形的影响越大,从而使初值估计误差较大。此外,尽管点⑤距离点B更近,但点B和点⑤在4月16日和4月23日时的l_BC变化高达10 pixels,说明该区域可能存在局部变形或离面位移,导致刚体运动假设失效。将误差较大的验证点⑤去除后,以点A为基点计算所得到的

$\overline{\delta u}$

和

$\overline{\delta v}$

分别为3.00 pixels和3.72 pixels,满足DIC初值估计的要求^[20]。

接下来,采用Mode 3种子点选取策略,以点A为基点,估计点①至点④的位移初值。基于该初值,采用课题组编制的DIC程序进行相关运算,获得ROI全场位移及全场相关系数。DIC计算参数设置为:子区尺寸61 pixels×61 pixels,步长5 pixels。由于眼底OCT图像深度方向分辨率更高,且由文献[7,15]可知,深度方向变形对CME的发展更为敏感,因此本节主要测量分析v场。以健康眼2024年3月19日图像作为参考图像,以2024年3月26日图像作为变形后图像,计算出了如图7(a)所示的零均值归一化最小平方距离(zero-mean normalized sum of squared differences, ZNSSD)相关准则的相关系数场,相关系数C_ZNSSD越小,则说明相关性越高。从图7(a)可以看出,ROI全场的相关性较好,只有靠近中心凹的内层视网膜(即ROI上半部分的低反射视网膜层)部分区域相关性较差,这从图7(c)黄色框选区域中可以看出这部分区域内部的层界面特征不清晰,层间散斑质量也较差。图7(b)给出了测得相对位移场v,可以看出,图像间相对位移较大,这主要是患者的位姿改变或眼球运动所导致的。为了验证所计算位移的准确性,在参考图像中随机选取了3个点标出其位置,同时将DIC计算得到的该3点的变形后位置在变形后图像中标出,如图7(c)所示。人眼观测可知,测得3点的变形前后位置良好对应,表明了位移场测量结果的可靠性。而对于Vic-2D商业软件,若提供2个种子点直接进行计算,仍会出现部分区域无法计算且误匹配的问题。所提出的采用2个种子点估计多种子点的初值,并结合可靠性导向DIC的测量方法,提高了种子点选择效率和DIC处理“退相关”问题的能力。

2.2 CME初值估计结果

首先,以图1(d)为参考图像,以出现微小囊腔的图1(e)为变形后图像,验证本文方法测量CME初期视网膜变形的能力,结果如图8所示。ROI、分区种子点选取及验证计算点选取如图8(a)所示。对于区域1,基于Mode 3双种子点选取策略,选取远离中心凹区域且距离较远的2个种子点,且采用中央凹左侧种子点作为基点对待测点进行初值估计,同时左右两部分各预设2个验证计算点。采用整像素位移搜索方法测量验证计算点的整像素位移,与所提出的位移初值估计方法进行对比。计算结果表明,验证计算点位移误差δu和δv的平均值分别为4.14 pixels和1.78 pixels,符合DIC位移初值要求。区域2选择黄斑中心凹最低点及椭圆体带最高点作为种子点。基于区域1中双种子点的整像素位移以及采用本文方法估计的4个验证计算点的位移初值,结合可靠性导向DIC计算区域1的全场位移。区域2则直接采用整像素位移搜索获得的2个种子点整像素位移进行可靠性导向DIC计算。DIC程序及参数设置和2.1节相同,测量结果如图8(b)和图8(c)所示。图8(b)为测得ROI的C_ZNSSD场,与图7(b)规律基本一致,视网膜中部分无明显特征的区域相关性较差,已标注在图8(d)中黄色框选区域,受囊腔区域不连续变形影响,部分像素点无法计算。图8(c)所示v场表明视网膜发生了较大的竖直方向位移,且中心凹左右两侧数值差异较大,说明患者在两次采集图像时位姿有所差异。同样地,在区域1左右两部分和区域2分别随机选取了2个点在参考图像中标出,同时将DIC计算得到的所选点变形后位置在变形后图像中标出,如图8(d)所示。人眼观测可知,所选点变形前后位置良好对应,表明位移场测量结果可靠。

以图1(d)为参考图像,图1(f)为变形后图像,验证本文方法在CME较严重时测量视网膜变形的能力,结果如图9所示。为了研究种子点选取方法,编制的DIC程序采用了基于连续变形假设的传统DIC算法。然而,由于图1(f)中黄斑中心凹区域发生了不连续大变形,无法采用传统DIC方法测量。因此,在ROI选择时去除了部分黄斑中心凹区域。ROI及种子点、验证点的选取如图9(a)所示。另外,由于区域2的大部分区域未被作为ROI,在该区域仅选取了1个种子点(椭圆体带最高点)进行计算。同样地,区域1采用双种子点对4个验证计算点进行分析,计算得到位移误差δu和δv的平均值分别为2.62 pixels和1.10 pixels。表明虽然CME较严重,但基于刚体平面运动假设的初值估计方法在远离黄斑中心凹区域仍有效。随后,基于区域1中双种子点的整像素位移以及估计的4个验证计算点的位移初值,结合可靠性导向DIC计算区域1的全场位移。区域2则采用1个种子点整像素位移进行可靠性导向DIC计算。DIC程序及参数设置和2.1节相同,测量结果如图9(b)和图9(c)所示。可以看出,黄斑中心凹左侧v更大,可能是两次采集图像时位姿有所差异。不连续大变形及较差的散斑质量,导致靠近视网膜边界及囊腔边界的相关性较差,使部分区域位移无法测量或者计算错误。最后,随机提取了6个点在参考图像中显示,同时将DIC计算得到的变形后对应点显示在变形后图像中,如图9(d)所示。可以看出,除最上方受大变形影响较大的点误差较大,其他变形前后位置良好对应,表明了位移场测量结果可靠。

基于测得的可靠位移场,进一步采用位移场局部最小二乘拟合的全场应变求解方法^[21],即可实现CME过程中的视网膜全场变形分析。

3 CME视网膜变形测量与分析

以CME患者的视网膜变形分析为例,进一步验证本文方法的可靠性和应用前景。经被采集图像者知情同意,对另1名53岁右眼复发性CME女性患者进行一个复发病程内的OCT图像采集,每隔一周随访一次,临床诊断同样由具有丰富临床经验的本课题组医生完成。采用所提出的初值估计方法,分别对出现水肿前、轻微水肿及严重水肿3个阶段进行变形测量,获取视网膜在一个复发病程内厚度方向应变ε_yy场的演化过程。首先第一个阶段,以该患者第一次治疗消肿后的图像作为参考图像, ROI及种子点选取如图10(a)所示,同样选取黄斑中心凹左右两侧椭圆体带与血管阴影交点作为种子点。以出现水肿前的后续每次随访图像为变形后图像,变形场ε_yy测量结果如图10(b)和图10(c)所示,其ROI应变均值分别为6.8%和10.1%左右。可以看出,视网膜大部分区域应变基本为0,在中心凹小部分区域存在明显的拉伸应变。在远离中央凹左右两侧及ROI边界上的较大应变可能是离面所导致的。另外,中央凹存在明显应变集中的区域极有可能预示着水肿的萌生。

在轻微水肿阶段,采用首次出现微小囊腔时的图像作为参考图像,其ROI及种子点选取如图11(a)所示,以后续随访时微小囊腔阶段图像为变形后图像,变形场ε_yy测量结果如图11(b)所示,其ROI应变均值为10.4%。在此阶段视网膜已经萌生了可见水肿,尽管视网膜还没有明显增厚,但在囊腔附近已经可以观察到明显较大应变。囊腔出现的位置与图10中央凹较大应变区域有明显对应。在严重水肿阶段,以随访时间为2022年10月13日的图像为参考图像,其ROI分区及种子点选取如图12(a)所示,区域2选取椭圆体带最高点为种子点,以后续水肿发展,即2022年10月19日的图像作为变形后图像,其ε_yy场测量结果图12(b)所示,ROI应变均值为26.4%。可以看出,水肿一旦萌生则发展较为迅速,甚至引起了图12(b)下方的视网膜色素上皮层与神经上皮层的脱离,在图像中显示为视网膜下液的积聚。由于水肿的不断积聚或Müller细胞锥的牵拉作用,在该区域附近的视网膜产生了较大的厚度方向应变。本节应用举例表明,所提初值估计方法辅助DIC能够有效实现视网膜在水肿过程中的变形测量,为CME过程的视网膜变形演化分析提供了有效实验手段。

4 结论

围绕 CME 视网膜变形测量中 DIC 初值估计的难题,提出了一种基于图像特征与刚体运动假设的解决方案,并验证了其有效性,得出如下结论。

(1) 提出了可靠的初值估计方法。通过分析CME-OCT 图像特征,确立了“远离中心凹区域近似满足刚体平面运动”的假设。基于此,推导了基于双种子点的位移初值估计公式,将DIC的初值搜索问题转化为两个可靠种子点的匹配问题,提升了DIC处理“退相关”图像的能力。

(2) 提出了3种双种子点选取策略,验证实验表明黄斑中心凹两侧血管与椭圆体带两交点作为种子点是最优的选取策略,且基点应当选取位于变形稳定区域且距离待测点更近的种子点。

(3) 针对CME患眼图像,提出了种子点分区选取策略,结合可靠性导向策略DIC实现了眼底图像序列的位移场测量。

(4) 实现了CME患者一个复发病程内的变形分析。将本文方法应用于CME患者的连续随访OCT图像序列,描述了水肿过程中视网膜厚度方向应变演化规律。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	于振华, 闫本聪, 王迎美. 基于自注意力机制和侧输出损失函数的视网膜血管分割网络[J]. 科学技术与工程, 2025, 25(21): 8993-9001.

[2]	Yu Zhenhua, Yan Bencong, Wang Yingmei. Retinal Bessel segmentation network based on self-attention mechanism and lateral output loss function[J]. Science Technology and Engineering, 2025, 25(21): 8993-9001.

[3]	徐盼盼, 陈长骏, 闫志文, 等. 基于MA-DRNet的糖尿病视网膜病变等级识别方法[J]. 科学技术与工程, 2023, 23(3): 1168-1175.

[4]	Xu Panpan, Chen Changjun, Yan Zhiwen, et al. Level recognition method of diabetic retinopathy based on MA-DRNet[J]. Science Technology and Engineering, 2023, 23(3): 1168-1175.

[5]	Vujosevic S, Lupidi M, Donati S, et al. Role of inflammation in diabetic macular edema and neovascular age-related macular degeneration[J]. Survey of Ophthalmology, 2024, 69(6): 870-881.

[6]	Shu Y, Zhang C, Bi Y, et al. Hyperreflective foci and subretinal fluid predicts microglia activation involved in the breakdown of outer blood-retinal barrier in treatment-naïve patients with diabetic macular edema[J]. Asia-Pacific Journal of Ophthalmology, 2025.DOI: 10.1016/j.apjo.2025.100168.

[7]	Bandello F, Battaglia Parodi M, Lanzetta P, et al. Diabetic macular edema[J]. Developments in Ophthalmology, 2017, 58(58): 102-38.

[8]	Lee M W, Jun J H, Seong H J. Longitudinal changes in each retinal layer thickness in patients with non-ischemic central retinal vein occlusion[J]. Eye and Vision, 2024, 11(1). DOI: 10.1186/s40662-024-00397-y.

[9]	Zhang X C, Li Z Q, Wang A Q, et al. An optimized seed point selection method assists digital image correlation for measuring deformation from OCT images of fundus diseases[J]. Measurement, 2023, 218: 113-124.

[10]	Liu B, Lan S Z, Li J Q, et al. Digital image correlation in extreme conditions[J]. Thin-Walled Structures, 2024, 205: 112589.

[11]	Qiao X, Chen D, Huo H, et al. Full-field strain mapping for characterization of structure-related variation in corneal biomechanical properties using digital image correlation (DIC) technology[J]. Medicine in Novel Technology and Devices, 2021, 11: 100086.

[12]	陈辰, 王海龙, 曲广雷, 等. 基于DIC聚丙烯腈纤维的混凝土断裂性能研究与数值分析[J]. 科学技术与工程, 2024, 24(34):14796-14805.

[13]	Chen Chen, Wang Hailong, Qu Guanglei, et al. Study and numerical analysis of fracture properties of polyacrylonitrile fiber concrete based on DIC[J]. Science Technology and Engineering, 2024, 24(34): 14796-14805.

[14]	佘泽昇, 雷冬, 何锦涛, 等. 碳纤维增强复合材料加固混凝土粘结性能试验[J]. 科学技术与工程, 2022, 22(6): 2428-2436.

[15]	She Zesheng, Lei Dong, He Jintao, et al. Bonding performance testing of carbon fiber reinforced composite materials for concrete reinforcement[J]. Science Technology and Engineering, 2022, 22(6): 2428-2436.

[16]	Sibony P A, Wei J, Sigal I A. Gaze-evoked deformations in optic nerve head drusen: repetitive shearing as a potential factor in the visual and vascular complications[J]. Ophthalmology, 2018, 125(6): 929-937.

[17]	Kim J, Gardiner S K, Ramazzotti A, et al. Strain by virtual extensometers and video-imaging optical coherence tomography as a repeatable metric for IOP-induced optic nerve head deformations[J]. Experimental Eye Research, 2021, 211: 108724.

[18]	Pan B. Reliability-guided digital image correlation for image deformation measurement[J]. Applied Optics, 2009, 48(8): 1535.

[19]	Wang T T, Chen J L, Zhang X C, et al. Investigation on the strain imaging method for cystoid macular edema using optical coherence tomography[J]. Optics and Laser Technology, 2025, 186: 112646.

[20]	哈尔滨工业大学理论力学教研室. 理论力学[M]. 9版. 北京: 高等教育出版社, 2023.

[21]	Department of Theoretical Mechanics, Harbin Institute of Technology. Theoretical mechanics[M]. 9th ed. Beijing: Higher Education Press, 2023.

[22]	Zou X, Pan B. Full-automatic seed point selection and initialization for digital image correlation robust to large rotation and deformation[J]. Optics and Lasers in Engineering, 2021, 138(8): 106432.

[23]	Shao X, Dai X, He X. Noise robustness and parallel computation of the inverse compositional Gauss-Newton algorithm in digital image correlation[J]. Optics and Lasers in Engineering, 2015, 71: 9-19.

[24]	Pan B, Li K, Tong W. Fast, robust and accurate digital image correlation without redundant computations[J]. Experimental Mechanics, 2013, 53(7): 1277-1289.

[25]	Cheng P, Sutton M A, Schreier H W, et al. Full-field speckle pattern image correlation with B-Spline deformation function[J]. Experimental Mechanics, 2002, 42(3): 344-352.

[26]	潘兵, 谢惠民. 数字图像相关中基于位移场局部最小二乘拟合的全场应变测量[J]. 光学学报, 2007, 27(11): 1980-1986.

[27]	Pan Bing, Xie Huimin. Full-field strain measurement based on least-square fitting of local displacement for digital image correlation method[J]. Acta Optica Sinica, 2007, 27(11): 1980-1986.