Billedbehandlingsalgoritme viser løfte om at kortlægge blodkarens netværk i øjet

Mere præcis og effektiv kortlægning af nethindeblodkar ved hjælp af et sti-følgende billedbehandlingsskema, udviklet af et A*STAR-ledet forskerhold, kunne hjælpe med at forbedre nethindescanning og medicinsk diagnose.

De blodkar, der findes på nethinden på bagsiden af ​​øjet, er en vigtig diagnostisk indikator for mange kliniske lidelser, herunder diabetes, højt blodtryk, arteriel hærdning, og okklusion af retinale arterier. Imidlertid, at spore retinale blodkar er en tidskrævende proces, der kræver træning og dygtighed, hvilket ville blive bedre udført ved en pålidelig automatiseret proces, der effektivt kan kortlægge fartøjets netværk.

"Vi har brugt år på at analysere nethindeblodkar, hvor en udfordring altid er at skille hvert kar ud fra resten eller at adskille arterie fra venekar, "siger Cheng Li fra A*STAR Bioinformatics Institute." Vi har udviklet en algoritme, der kan spore et netværk fra et par markerede eller 'mærkede' noder, og det fungerer især godt til store netværk af, sige, millioner af noder, selv med meget få kendte etiketter. "

I deres teoretiske studie, Li og hans team undersøgte brugen af ​​en veletableret algoritme til billedbehandling, kaldet Markov -kæden, for bedre at følge de komplekse forgreningsnetværk af blodkar i nethinden.

En Markov -kæde er en statistisk repræsentation af en sekvens, i dette tilfælde af tilsluttede noder, hvor et element i sekvensen er uafhængigt af alt, hvad der kom før det. For et blodkar, dette betyder, at dens retning af forgrening fra et givet punkt kunne være helt tilfældigt og ikke afhængig af skibets vej, der kom før det. Li's team tog dette videre for at vedtage en absorberende Markov -kæde, som 'låser' den sporede vej op til den nuværende knude, og anvender derefter en random walk -algoritme til at undersøge et billede for den næste blodkarretning.

På denne måde, deres billedbehandlingsalgoritme kan starte fra en mærket knude, såsom en større filial, og spore blodkarrene for at danne et forbundet netværk på en måde, der ligner, hvordan en læge ville løse problemet.

I forbindelse med ægte nethindebilleder, algoritmen udkonkurrerede andre state-of-the-art tilgange, og matchede nøjagtigheden af ​​menneskelig sporing.

"Vi udviklede denne algoritme ud af vores meget praktiske biomedicinske billedbehandlingserfaring i blodkarsporing over en årrække, "siger Li." Vores tilgang er enkel, let at implementere, og har mange vigtige applikationer, herunder billedklassificering, og netværks- og linkanalyse. "