基于深度学习人类视网膜光学相干层析图像批量滤波方法技术

本发明专利技术属于光学测量和图像处理技术领域，为实现人类视网膜OCT图像散斑噪声的批量移除，本发明专利技术采取的技术方案是，基于深度学习人类视网膜光学相干层析图像批量滤波方法，步骤如下：步骤1：构建训练数据集；步骤2：构建人类视网膜OCT图像的去噪网络模型；步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练；步骤4：将实测所得人类视网膜OCT图像作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像。本发明专利技术主要应用于图像处理场合。

【技术实现步骤摘要】
基于深度学习人类视网膜光学相干层析图像批量滤波方法
本专利技术属于光学测量和图像处理
，涉及一种基于深度学习的人类视网膜光学相干层析图像批量滤波方法。
技术介绍
光学相干层析成像技术(Opticalcoherencetomography,OCT)是一种无创的体内断面成像技术，广泛应用在医学成像和临床诊断领域，尤其是眼科医学[1-3]。因得益于对散射光(或反射光)时间相干性和空间相关性的充分利用，该技术具有以下优势：(1)对弱散射光的高灵敏性，(2)高达每秒几十万行的高成像速度，(3)对位于1-2毫米深处内部微观结构、形态的高分辨率[4-9]。散斑作为一种固有现象，在OCT测量系统中经常出现，降低成像效果。这种现象通常取决于成像光束的波长和成像物体的细节。根据成像表现，可以将其分为信号携带散斑和信号衰减散斑[10-11]。其中，前者可以作为微观结构的信息载体，后者则是常见的散斑噪声。散斑噪声是一种具有颗粒状外观的乘性噪声，通常会覆盖图像的纹理特征(如结构和边缘)，大大降低成像效果和图象质量[12-13]，进而导致医学信息误读和病情诊本文档来自技高网...

【技术保护点】
1.一种基于深度学习人类视网膜光学相干层析图像批量滤波方法，其特征是，步骤如下：/n步骤1：构建训练数据集；/n步骤2：构建人类视网膜OCT图像的去噪网络模型；/n步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练；/n步骤4：将实测所得人类视网膜OCT图像作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像。/n

【技术特征摘要】
1.一种基于深度学习人类视网膜光学相干层析图像批量滤波方法，其特征是，步骤如下：
步骤1：构建训练数据集；
步骤2：构建人类视网膜OCT图像的去噪网络模型；
步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练；
步骤4：将实测所得人类视网膜OCT图像作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像。


2.如权利要求1所述的基于深度学习人类视网膜光学相干层析图像批量滤波方法，其特征是，
步骤1：构建训练数据集具体步骤如下：
步骤1-1：图像全局去噪：采用基于剪切波变换的全变分去噪，通过在全变分去噪模型中引入剪切波保边正则项，实现对散斑噪声最大程度上的去除和对图象纹理最大程度上的保持；
步骤1-2：图像边缘增强：采用二阶方向偏微分方程SOOPDE(Second-orderorientedpartialdifferentialequations)方法，通过利用人类视网膜OCT图像的方向角度，实现沿边缘方向的自适应滤波，进而实现了对人类视网膜OCT图像的边缘增强；
步骤1-3：背景残留噪声清除：采用模糊C均值聚类方法FCM(FuzzyC-Meansalgorithm)，实现背景残留噪声清除，通过利用人类视网膜OCT图像的统计特征，实现对组织纹理和背景区域的分类提取，然后，通过将组织纹理区域的灰度值保持不变，将背景区域的灰度值设置为0，从而获得人类视网膜OCT图像的无噪标签。


3.如权利要求1所述的基于深度学习人类视网膜光学相干层析图像批量滤波方法，其特征是，步骤2：构建人类视网膜OCT图像去噪网络模型，具体步骤如下：
步骤2-1：网络的深度设置为20层。第一层由Conv+ReLU构成，即对输入图像卷积Conv(Convolution)，然后使用校正线性单元ReLU(RectifiedLinearUni...

【专利技术属性】
技术研发人员：唐晨，徐敏，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12