一种面向光学相干断层图像斑块形态检测方法技术

本发明专利技术公开涉及一种面向光学相干断层图像斑块形态检测方法，涉及图像处理技术领域。所述面向光学相干断层图像斑块形态检测方法，基于深度学习建模思想和基于网络端到端训练思想利用一个构建的U‑net网络，并且使用焦点损失函数，使用交并比和混合矩阵作为评价模型表现的指标，构建OCT图像斑块形态检测完整计算框架；既先对感兴趣板块区域进行检查分割，然后在分割的基础上对不同板块进行分类检测；提出了一种新颖、有效的OCT图像板块检测方法，为OCT图像斑块检测任务提供了一种全新的思路。

【技术实现步骤摘要】
一种面向光学相干断层图像斑块形态检测方法
本专利技术涉及图像处理
，具体的涉及一种面向光学相干断层图像斑块形态检测方法。
技术介绍
光学相干断层扫描技术(光学相干层析技术，OpticalCoherencetomography,OCT)是近十年迅速发展起来的一种成像技术，它利用弱相干光干涉仪的基本原理，检测生物组织不同深度层面对入射弱相干光的背向反射或几次散射信号，通过扫描，可得到生物组织二维或三维结构图像。由于OCT图像可以展现血管浅层的细节特征，在疾病预测方面的作用愈发重要，其研究工作也越来越多。OCT图像早先的算法利用手工标定OCT图像去检测不同的区域，既费时又费力，其准确性更易受标定者极大的影响。Rabel等人介绍了利用OCT图像，结合IVUS/VH-IVUS图像联合去检测斑块区域来预测疾病的算法。虽然准确率较之以前有所提升，但仍然是及其费时的，其准确性仍然受到人的专业程度影响，得不到保证。为了克服这些障碍，一些基于半监督学习和完全自动分割方法被提出。其中，Wang等人提供了一种利用动态规划去测量纤维帽厚度的半自动分割算法，这种算法利用衰减系数(attenuationcoefficients)去描述纤维帽的厚度特征。Athanasiou等人提出了一种可以自动分割OCT图像浅层中的不同斑块的算法。这些算法的分割效果比较明显，但是泛化能力有限。一些学者利用支持向量机(SVM)去对不同斑块区域做分类。然而，由于OCT图像中各种斑块面积分布差异性很大，造成了数据不平衡问题，利用SVM去对区域做分类并没有取得很好的效果。2012年，Krizhevsky等人在大规模视觉识别挑战赛(ILSVRC)中取得了第一名的成绩，拉开了深度学习的大幕。随后，深度学习在计算机视觉的各个领域都取得了十足的进展：在图像分类方面，KaimingHe等人提出的Resnet成功刷新了ILSVRC的成绩，成为了现在许多工作的基础。在图像分割方面，全卷积网络(FCN)的出现为图像分割领域带来了新的思路。RCNN,Faster-RCNN,Mask-RCNN系列算法一步步刷新了目标检测领域新的高度。在物体生成方面，生成对抗网络(GAN)开启了无监督学习新的大门。在医学图像处理方面，针对医学图像数据集小的特点，OlafRonneberger等人提出的U-net网络结构取得了优异的表现。针对深度学习中极度的正负样本不平衡问题，Tsung-YiLin等人提出了焦点损失函数(Focalloss)，通过可调节参数，降低损失值，减小了易分类样本在网络学习中的影响，让网络专注于难分类样本的学习，从而有效地减缓了数据不平衡问题。可以自动学习数据内部特征、算法泛化能力强是深度学习较之传统算法的两大优势。随着计算机硬件水平的逐步提升，计算机计算能力日益增强，使得以密集计算为代表的深度学习技术蓬勃发展，进而深刻地影响着计算机视觉各个领域；目前，并没有利用深度学习对斑块形态检测建模的研究，如何对OCT图像中不同斑块进行精确的区域分割一直是OCT图像中不同斑块检测待解决的核心问题。
技术实现思路
针对现有技术存在的上述问题，本专利技术提供了一种面向光学相干断层图像斑块形态检测方法，利用深度学习建模思想，构建出一个可以端到端学习的算法，同时进行总体斑块检测和不同斑块检测任务提出了一种新颖、有效的OCT图像板块检测方法，为OCT图像斑块检测任务提供了一种全新的思路。为实现上述技术目的，达到上述技术效果，本专利技术是通过以下技术方案实现：一种面向光学相干断层图像斑块形态检测方法，包括以下步骤：步骤一、OCT图像的数据增强通过数据增强技术，增加OCT图像数据量，从而构建网络学习的数据集；步骤二、斑块形态检测数据集构建针对OCT图像斑块形态检测，设计U型全卷积网络模型，构建OCT图像斑块检测模型；步骤三、检测模型损失函数设计选取焦点损失函数作为网络最终的损失函数，有效减缓数据不平衡；步骤四、检测模型优化通过引入判别式模型，同时训练检测模型、判别式模型，在检测模型和判别式模型博弈过程中，检测模型的检测结果得以优化；步骤五、检测模型评价指标分别通过交并比和混合矩阵对模型在斑块整体形态检测效果和不同斑块间的形态检测效果两个方面进行评估，通过这两方面的模型评估，建立模型综合评价指标；步骤六、斑块形态检测完整计算框架构建在模型评价指标的基础上，结合模型输出的检测结果，共同构建OCT斑块形态检测的完整计算框架；计算框架包含：模型评价指标和指标检测结果两部分。进一步的，所述步骤一OCT图像的数据增强，针对OCT图像数据量小的特点，采用图像随机旋转、图像翻转变换、图像伽马变换和图像缩放变换4方面的数据增强技术，增加OCT图像数据量，从而构建网络学习的数据集。进一步的，所述步骤二斑块形态检测数据集构建，设计U型全卷积网络模型，网络模型结构中没有全连接层，使得图像的空间结构，语义信息得到了保留；同时不同层之间的特征图进行了通道维度上的融合相连；所述U型全卷积网络模型引入了上采样操作，使得下采样后的图像可以恢复到原始图像尺寸，进而和浅层的输出特征图进行通道维度上的融合相连，充分地利用了不同层输出特征图的语义信息。进一步的，所述步骤三检测模型损失函数设计，OCT图像中绿色纤维斑块和红色脂质斑块的面积分布极度不平衡，以交叉熵损失函数为基础，采用损失函数来缓解OCT图像形态检测的数据不平衡问题，其数学描述如下：FL(Pt)＝-(1-Pt)rlog(Pt)Pt为网络预测各个类别的概率值，γ≥0，为可调制参数。焦点损失函数通过可调制参数γ；所述焦点损失函数通过可调制参数γ，减少了易分类样本的权重，从而使得模型在训练时更专注于难分类的样本。进一步的，所述步骤四检测模型优化，引入判别式模型的工作流程包括以下步骤：通过检测模型对输入图像进行不同斑块区域检测；对输入图像、检测图像、人工标定图像分别进行卷积操作，提取图像中的特征，用于判别式模型输入；把输入图像、检测图像或输入图像、人工标定图像的卷积特征图在通道维度上进行相加，组成融合特征图像；对输入图像、检测图像组成的特征图的标签记为0，将这些特征图送入判别式模型，训练判别式模型；类似地，把输入图像、人工标定图像组成的特征图的标签记为1，同样送入判别式模型进行学习，更新判别式模型参数。控制判别式模型参数，对检测模型进行训练，提高检测模型的检测精度。进一步的，所述步骤五检测模型评价指标，交并比为检测结果与人工标定结果的交集与并集的比值，反映了检测结果相对于人工标定结果的准确率，针对整体斑块轮廓检测问题，交并比可以很好地度量模型表现能力；混合矩阵是常用的可视化分类结果准确率的度量指标，容易可视化分类结果，对模型的准确率和误分率有一个直观的展现；通过这两方面的模型评估，建立模型综合评价指标。所述交并比为检测结果与人工标定结果的交集与并集的比值，反映了检测结果相对于人工标定结果的准确率，记检测结果与人工标定结果的交集为Sintersection，并集为Sunion，则交并比定义为其数值越大，说明检测结果与人工标定结果的重合度越大。本专利技术的有益效果：本专利技术的面向光学相干断层图像斑块形态检测方法，基于深度学习建模思想和基于网络端到端训练思想利用一个构建的U-net网络，并且本文档来自技高网...

【技术保护点】
1.一种面向光学相干断层图像斑块形态检测方法，其特征在于：包括以下步骤：步骤一、OCT图像的数据增强通过数据增强技术，增加OCT图像数据量，从而构建网络学习的数据集；步骤二、斑块形态检测数据集构建针对OCT图像斑块形态检测，设计U型全卷积网络模型，构建OCT图像斑块检测模型；步骤三、检测模型损失函数设计选取焦点损失函数作为网络最终的损失函数，有效减缓数据不平衡；步骤四、检测模型优化通过引入判别式模型，同时训练检测模型、判别式模型，在检测模型和判别式模型博弈过程中，检测模型的检测结果得以优化；步骤五、检测模型评价指标分别通过交并比和混合矩阵对模型在斑块整体形态检测效果和不同斑块间的形态检测效果两个方面进行评估，通过这两方面的模型评估，建立模型综合评价指标；步骤六、斑块形态检测完整计算框架构建在模型评价指标的基础上，结合模型输出的检测结果，共同构建OCT斑块形态检测的完整计算框架所述计算框架包含：模型评价指标和指标检测结果两部分。

【技术特征摘要】
1.一种面向光学相干断层图像斑块形态检测方法，其特征在于：包括以下步骤：步骤一、OCT图像的数据增强通过数据增强技术，增加OCT图像数据量，从而构建网络学习的数据集；步骤二、斑块形态检测数据集构建针对OCT图像斑块形态检测，设计U型全卷积网络模型，构建OCT图像斑块检测模型；步骤三、检测模型损失函数设计选取焦点损失函数作为网络最终的损失函数，有效减缓数据不平衡；步骤四、检测模型优化通过引入判别式模型，同时训练检测模型、判别式模型，在检测模型和判别式模型博弈过程中，检测模型的检测结果得以优化；步骤五、检测模型评价指标分别通过交并比和混合矩阵对模型在斑块整体形态检测效果和不同斑块间的形态检测效果两个方面进行评估，通过这两方面的模型评估，建立模型综合评价指标；步骤六、斑块形态检测完整计算框架构建在模型评价指标的基础上，结合模型输出的检测结果，共同构建OCT斑块形态检测的完整计算框架所述计算框架包含：模型评价指标和指标检测结果两部分。2.如权利要求1所述的一种面向光学相干断层图像斑块形态检测方法，其特征在于：所述步骤一OCT图像的数据增强，针对OCT图像数据量小的特点，采用图像随机旋转、图像翻转变换、图像伽马变换和图像缩放变换4方面的数据增强技术，增加OCT图像数据量，从而构建网络学习的数据集。3.如权利要求1所述的一种面向光学相干断层图像斑块形态检测方法，其特征在于：所述步骤二斑块形态检测数据集构建，设计U型全卷积网络模型，网络模型结构中没有全连接层，使得图像的空间结构，语义信息得到了保留；同时不同层之间的特征图进行了通道维度上的融合相连；所述U型全卷积网络模型引入了上采样操作，使得下采样后的图像可以恢复到原始图像尺寸，进而和浅层的输出特征图进行通道维度上的融合相连，充分地利用了不同层输出特征图的语义信息。4.如权利要求1所述的一种面向光学相干断层图像斑块形态检测方法，其特征在于：所述步骤三检测模型损失函数设计，OCT图像中绿色纤维斑块和红色脂质斑块的面积分布极度...

【专利技术属性】
技术研发人员：聂仁灿，郭晓鹏，李华光，周冬明，贺康健，侯瑞超，阮小利，刘栋，
申请(专利权)人：云南大学，
类型：发明
国别省市：云南,53