Vollautomatisierte Segmentierung von Flüssigkeits-/Zystenregionen in Bildern der optischen Kohärenztomographie mit diabetischem Makularemödem unter Verwendung neutrosophischer Mengen und Graphalgorithmen

Dieses Papier präsentiert einen vollautomatisierten Algorithmus zur Segmentierung von flüssigkeitsassoziierten (flüssigkeitsgefüllten) und Zystenregionen in optischen Kohärenztomographie (OCT) Netzhautbildern von Probanden mit diabetischem Makularemödem. Das OCT-Bild wird unter Verwendung einer neuartigen neutrosophischen Transformation und einer graphbasierten kürzesten Pfadmethode segmentiert. Im neutrosophischen Bereich wird ein Bild in drei Mengen transformiert: (wahr), (unbestimmt), das Rauschen darstellt, und (falsch). Dieses Papier leistet vier wesentliche Beiträge. Erstens wird eine neue Methode vorgestellt, um die Unbestimmtheitsmenge zu berechnen, und eine neue -Korrekturoperation wird eingeführt, um die Menge im neutrosophischen Bereich zu berechnen. Zweitens wird eine kürzeste Pfadmethode auf Graphen im neutrosophischen Bereich angewandt, um die innere Grenzenmembran und das retinalen Pigmentepithel als Interessensregionen (ROI) sowie die äußere plexiforme Schicht und den inneren Segmentmyeloid als mittlere Schichten unter Verwendung einer neuartigen Definition der Kantengewichte zu segmentieren. Drittens wird eine neue Kostenfunktion für die clusterbasierte Segmentierung von Flüssigkeit/Zysten in ROI präsentiert, die auch einen neuartigen Ansatz zur Schätzung der Anzahl der Cluster in automatisierter Weise umfasst. Viertens werden die endgültigen Flüssigkeitsregionen erzielt, indem sehr kleine Regionen und die Regionen zwischen den mittleren Schichten ignoriert werden. Die vorgeschlagene Methode wird mit zwei öffentlich verfügbaren Datensätzen bewertet: Duke, Optima, und einem dritten lokalen Datensatz von der UMN-Klinik, der online verfügbar ist. Der vorgeschlagene Algorithmus übertrifft den zuvor vorgeschlagenen Duke-Algorithmus um 8% hinsichtlich des Dice-Koeffizienten und um 5% hinsichtlich der Präzision beim Duke-Datensatz und erreicht dabei eine etwa gleiche Sensitivität. Außerdem übertrifft der vorgeschlagene Algorithmus eine vorherige Methode für den Optima-Datensatz um 6%, 22% und 23% hinsichtlich des Dice-Koeffizienten, der Sensitivität und der Präzision. Schließlich erreicht der vorgeschlagene Algorithmus auch eine Sensitivität von 67,3%, 88,8% und 76,7% für die Duke-, Optima- und University of Minnesota (UMN)-Datensätze.