一种广域眼底光学相干血流成像分辨率提升方法技术

一种广域眼底光学相干血流成像分辨率提升方法，属于生物医学成像和图像处理技术领域。方法包括：步骤S01，采集广域低清OCTA模式和非广域高清OCTA模式的视网膜OCTA图像；步骤S02，将两种模式的视网膜OCTA图像裁剪并缩放为相同规格的子图；步骤S03，将两种模式的OCTA子图分别作为源域的数据集A和目标域的数据集B；并将数据集A、B均划分为训练集和测试集；步骤S04，将视网膜OCTA子图放入深度神经网络进行训练；步骤S05，输入广域低清OCTA模式的视网膜OCTA子图，训练后的神经网络模型输出广域高清OCTA模式的视网膜OCTA子图；步骤S06，拼接属于同一张广域图像的子图得到广域高清视网膜OCTA图像。本发明专利技术采用非成对学习和裁剪子图的方法解决了广域OCTA缺乏成对高清OCTA数据的问题。

A method to improve the resolution of wide area fundus optical coherent blood flow imaging

【技术实现步骤摘要】
一种广域眼底光学相干血流成像分辨率提升方法
本专利技术属于生物医学成像和图像处理
，尤其涉及一种广域眼底光学相干血流成像分辨率提升方法。
技术介绍
光学相干断层扫描血管造影（OpticalCoherenceTomographyAngiography，OCTA）是一种低损、高分辨、非侵入性的新型成像方式，在同一位置使用重复B扫描的时间去相关来区分周围组织和血流。该方法有潜力取代传统的荧光素血管造影（FA）和吲哚菁绿色血管造影（ICGA），因此在眼科领域引起了极大的关注。与FA和ICGA等2D成像中脉管系统的重叠深度信息相比，OCTA能够以5~10μm的高轴向分辨率在深度方向上解析血管和毛细血管。它已被广泛用于各种眼部疾病的研究，例如青光眼、年龄相关性黄斑病变和早产儿视网膜病变。另外，人视网膜的OCTA成像还能够指示神经退行性疾病，例如轻度认知障碍和阿尔茨海默氏病。然而，与强调视网膜层结构信息的光学相干断层扫描技术（OpticalCoherenceTomography，OCT）不同，OCTA的重要功能是可视化视网膜和脉络膜毛细血管，因此，OCTA对采集系统的横向分辨率和采样密度有更高的要求。由于一些疾病需要周边的血流成像比如病变主要位于周边的早期糖尿病视网膜病变，小视场的OCTA已经不能满足此要求，需要扩大OCTA对视网膜扫描的成像范围。然而，广域OCTA会牺牲图像的横向分辨率，导致在定量分析中低估血管的生物标记物。保证分辨率的前提下扩大视网膜OCTA成像范围的技术将是增强OCT技术在临床实践中应用中重要的下一步。在从单个图像中得到视网膜血管系统的广域和高分辨率图像的OCTA问题上，华盛顿大学提出了一种多帧拼接的方法。通过辅助实时线扫描检眼镜的运动跟踪生成的OCTA，可实现在临床上为患者的功能性视网膜脉管成像，在覆盖视网膜60度以上的同时仍保持高分辨率和高分辨率。但是此项技术十分耗时耗力，且需要病患多次采集，对病患的配合度要求很高。专利技术专利申请CN201910584151.9公开了基于SD-OCT和OCTA视网膜图像的CNV自动检测方法,并具体公开了方法包括步骤1、采集含有CNV病变的SD-OCT视网膜图像、OCTA视网膜图像；步骤2、利用层分割算法分割SD-OCT视网膜图像的ILM、OPL和BM层；步骤3、将三维SD-OCT体数据投影生成CNV显著图；步骤4、将三维OCTA体数据投影生成视网膜内、外层投影图；步骤5、基于视网膜内、外层投影图，去除血流投射伪影获得伪影去除图像；步骤6、通过自适应阈值法将CNV显著图和伪影去除图像二值化；步骤7、对步骤6获得的两个二值图像进行数学形态学处理，获得目标候选区域；步骤8、将步骤7获得的所有目标候选区域合并；步骤9、根据包含种子点数量去除虚假目标候选区域，获得粗略CNV区域；步骤10、对视网膜外层投影图中粗略CNV区域边界内部的像素进行二聚类处理，获得二值图像；步骤11、对步骤10的二值图像进行数学形态学处理获得细化的CNV边界。该方法仅适用于CNV病变的检测。
技术实现思路
本专利技术针对现有技术存在的问题，提出了一种广域眼底光学相干血流成像分辨率提升方法，能同时满足高分辨率和广域的要求，且普适于各类OCTA数据。本专利技术是通过以下技术方案得以实现的：本专利技术一种广域眼底光学相干血流成像分辨率提升方法，包括：步骤S01，采集两种模式的视网膜OCTA图像，所述两种模式包括广域低清OCTA模式和非广域高清OCTA模式；步骤S02，将两种模式的视网膜OCTA图像裁剪为成像区域大小一致的子图，并将两种模式的子图统一缩放到大小相同的规格；步骤S03，将属于广域低清OCTA模式的OCTA子图作为源域，记作数据集A，将属于非广域高清OCTA模式的OCTA子图作为目标域，记作数据集B；并将数据集A和数据集B中的部分数据划分为训练集，数据集A和数据集B中的其余部分数据划分为测试集；步骤S04，将步骤S03获得的相同规格的两种模式的视网膜OCTA子图放入深度神经网络进行训练；步骤S05，将广域低清OCTA模式的视网膜OCTA子图输入步骤S04训练后的神经网络模型，训练后的神经网络模型输出对广域低清OCTA模式的视网膜OCTA子图进行分辨率增强的测试结果；步骤S06，拼接属于同一张广域图像的重建高清OCTA子图，继而得到广域高清视网膜OCTA图像。该方法是一种端到端的广域低采样OCTA高分辨率重建方法的设计。由于横向采样率低，广域OCTA的横向分辨率差，因此导致血管生物标记物的观察和定量不准确，高采样率和低采样率之间的分辨率差异可以通过模型或数据驱动的方法进行修复。作为优选，所述步骤S01中的视网膜OCTA图像为表层视网膜血管造影图像。作为优选，所述步骤S01具体包括：采集广域低清OCTA模式和非广域高清OCTA模式的视网膜OCTA图像，并利用去条纹方法去除采集广域OCTA过程中眼球微动产生的横条纹。作为优选，所述步骤S01中采集的广域低清OCTA模式的视网膜OCTA图像的扫描区域大小，大于所述步骤S01中采集的非广域高清OCTA模式的视网膜OCTA图像的扫描区域大小。作为优选，所述步骤S02包括：将两种模式的视网膜OCTA图像裁剪成1x1mm2的子图，统一缩放到340*340个像素点。作为优选，所述步骤S04包括：步骤S41，将数据集A的输入图像InputA输入生成器GAB,经过生成器网络后，得到输出图像OutputB；步骤S42，将输出图像OutputB输入判别器DB，由判别器DB判定输出图像OutputB属于数据集B，则输出1，否则为0；步骤S43，将输出图像OutputB输入生成器GBA，经过生成器网络后，得到输出循环图像RecA；步骤S44，将数据集B的输入图像InputB输入生成器GBA，经过生成器网络后，得到输出图像OutputA；步骤S45，将输出图像OutputA输入判别器DA，由判别器判定DA输出图像OutputA属于数据集B，则输出0，否则为1；步骤S46，将输出图像OutputA输入生成器GAB，经过生成器网络后，得到输出循环图像RecB；步骤S47，基于损失函数公式，计算整个训练模型的整体损失函数，继而验证输入图像和来自生成器的合成图像是否处于相同分布，以验证神经网络模型是否训练完毕；其中，生成器GAB用于将源域A中的图像x转换为类似于目标域B中图像的生成图像G(x)；生成器GBA用于将目标域B中的图像y转换为类似于源域A中图像的生成图像G(y)；β控制损失的比例，L_GAN为判别器将生成图像判别为真实图片的损失，表示对抗性损失；L_cyc为原图像经过生成循环后得到的图像的差异损失，表示周期一致性损失。作为优选，所述步骤S47具体包括：依据公式计算输出图像OutputB与输入图像InputB之间、输出图像OutputA与输入图像InputA之间的对本文档来自技高网...

【技术保护点】
1.一种广域眼底光学相干血流成像分辨率提升方法，其特征在于，包括：/n步骤S01，采集两种模式的视网膜OCTA图像，所述两种模式包括广域低清OCTA模式和非广域高清OCTA模式；/n步骤S02，将两种模式的视网膜OCTA图像裁剪为成像区域大小一致的子图，并将两种模式的子图统一缩放到大小相同的规格；/n步骤S03，将属于广域低清OCTA模式的OCTA子图作为源域，记作数据集A，将属于非广域高清OCTA模式的OCTA子图作为目标域，记作数据集B；并将数据集A和数据集B中的部分数据划分为训练集，数据集A和数据集B中的其余部分数据划分为测试集；/n步骤S04，将步骤S03获得的相同规格的两种模式的视网膜OCTA子图放入深度神经网络进行训练；/n步骤S05，将广域低清OCTA模式的视网膜OCTA子图输入步骤S04训练后的神经网络模型，训练后的神经网络模型输出对广域低清OCTA模式的视网膜OCTA子图进行分辨率增强的测试结果；/n步骤S06，拼接属于同一张广域图像的重建高清OCTA子图，继而得到广域高清视网膜OCTA图像。/n

【技术特征摘要】
1.一种广域眼底光学相干血流成像分辨率提升方法，其特征在于，包括：
步骤S01，采集两种模式的视网膜OCTA图像，所述两种模式包括广域低清OCTA模式和非广域高清OCTA模式；
步骤S02，将两种模式的视网膜OCTA图像裁剪为成像区域大小一致的子图，并将两种模式的子图统一缩放到大小相同的规格；
步骤S03，将属于广域低清OCTA模式的OCTA子图作为源域，记作数据集A，将属于非广域高清OCTA模式的OCTA子图作为目标域，记作数据集B；并将数据集A和数据集B中的部分数据划分为训练集，数据集A和数据集B中的其余部分数据划分为测试集；
步骤S04，将步骤S03获得的相同规格的两种模式的视网膜OCTA子图放入深度神经网络进行训练；
步骤S05，将广域低清OCTA模式的视网膜OCTA子图输入步骤S04训练后的神经网络模型，训练后的神经网络模型输出对广域低清OCTA模式的视网膜OCTA子图进行分辨率增强的测试结果；
步骤S06，拼接属于同一张广域图像的重建高清OCTA子图，继而得到广域高清视网膜OCTA图像。


2.根据权利要求1所述的一种广域眼底光学相干血流成像分辨率提升方法，其特征在于，所述步骤S01中的视网膜OCTA图像为表层视网膜血管造影图像。


3.根据权利要求1所述的一种广域眼底光学相干血流成像分辨率提升方法，其特征在于，所述步骤S01具体包括：采集广域低清OCTA模式和非广域高清OCTA模式的视网膜OCTA图像，并利用去条纹方法去除采集广域OCTA过程中眼球微动产生的横条纹。


4.根据权利要求1所述的一种广域眼底光学相干血流成像分辨率提升方法，其特征在于，所述步骤S01中采集的广域低清OCTA模式的视网膜OCTA图像的扫描区域大小，大于所述步骤S01中采集的非广域高清OCTA模式的视网膜OCTA图像的扫描区域大小。


5.根据权利要求1所述的一种广域眼底光学相干血流成像分辨率提升方法，其特征在于，所述步骤S02包括：将两种模式的视网膜OCTA图像裁剪成1x1mm2的子图，统一缩放到340*340个像素点。


6.根据权利要求1所述的一种广域眼底光学相干血流成像分辨率提升方法，其特征在于，所述步骤S04包括：
步骤S41，将数据集A的输入图像InputA输入生成器GAB,经过生成器网络后，得到输出图像OutputB；
步骤S42，将输出图像OutputB输入判别器DB，由判别器DB判定输出图像OutputB属于数据集B，则输出1，否则为0；
步骤S43，将输出图像Out...

【专利技术属性】
技术研发人员：周婷，杨建龙，周康，刘江，
申请(专利权)人：中国科学院宁波工业技术研究院慈溪生物医学工程研究所，中国科学院宁波材料技术与工程研究所，
类型：发明
国别省市：浙江;33