بررسی روش های قطعه بندی لایه های قرنیه در تصاویر توموگرافی انسجام نوری (oct) و تعیین ضخامت لایه ها

اندازه گیری و ارزیابی ضخامت لایه های مختلف قرنیه برای تشخیص و درمان بیماری های قرنیه بسیار مهم و ضروری است. توموگرافی انسجام نوری (oct) می تواند بصورت غیرتهاجمی و غیرتماسی از قرنیه چشم تصاویر مقطعی در مقیاس میکرون تولید کند. از آنجایی که ناحیه بندی دستی این تصاویر برای تعیین لایه های قرنیه، وقت گیر است، قطعه بندی خودکار و حتی نیمه خودکارِ تصاویر، مطلوبِ پزشکان است. در این مقاله به بررسی روش های مهم قطعه بندی لایه های مختلف قرنیه در تصاویر oct پرداخته شده است. این روش ها در سه بخش پیش پردازش، قطعه بندی و تولید نقشه ضخامت، مقایسه و تشریح شدند. هدف پیش پردازش ها حذف نویز و آرتیفکت در این نوع تصاویر بود. بررسی ها نشان داد روش های مبتنی بر تبدیل هاف، که با ساختار قوسی قرنیه هماهنگ است، در مقایسه با روش های مبتنی بر گراف و آستانه، قادر است با سرعت پردازش مناسبی مرزهای دقیق را استخراج کند. با این وجود، رویکرد جدید هوش مصنوعی و یادگیری عمیق در قطعه‌بندی، افق‌های تازه‌ای را در تحلیل این نوع تصاویر باز کرده است. هدف پژوهش ها ارائه بهینه اطلاعات تصاویر برای کمک به چشم‌پزشکان در تشخیص بهتر و درمان آسیب های قرنیه است؛ بنابراین می توان گفت تولید نقشه ضخامت لایه ها، که نیازمند پردازشِ خودکارِ مجموعه‌ای از تصاویر ِسطح مقطع است، خروجی مهمی است که در پژوهش های کمتری به آن پرداخته شده است.

A Review of OCT Corneal Image Segmentation and Topography of Layer Depths

Thickness evaluation and analysis of corneal layers are important for diagnosis and treatments considering corneal disease. Optical Coherence Tomography (OCT) can produce micronscaled crosssectional images in a noninvasive and noncontacting manner. Since manual segmentation and layer detection within such images are timeconsuming, physicians prefer automatic/semiautomatic methods. This paper reviewed main and important methods of corneal layer segmentationsapplied to OCT images. The methods are compared and described in three categories: preprocessing, segmentation, and thickness mapping (layers’ topography). The purpose of preprocessing was to remove noise and artifacts from such OCT images. Studies show that methods based on Hough transform, which are consistent with the corneal arc structure when compared to graph and threshold methods, are able to extract accurate boundaries in a reasonable time. Meanwhile, artificial intelligence and the deep learning approach has opened new horizons in segmentation and analysis of such images. In studies, generally the aim was to extract and present OCT image information in a form that would help ophthalmologists better diagnose and treat corneal abnormalities; therefore it can be concluded thatlayer topography and its related issues that require automatic processing of a set of crosssectional images, isan important output that is not addressed in many research.