基于卷积神经网络的OCT视网膜分层方法、系统和介质技术方案

本发明专利技术公开了一种基于卷积神经网络的OCT视网膜分层方法、系统和介质，其中基于卷积神经网络的OCT视网膜分层方法包括：获取由视网膜OCT影像组成的图像数据集；使用最短路径算法从所述图像数据集分割出标准图像数据集；将所述标准图像数据集作为标准输入到卷积神经网络中进行训练，得到训练完成后的第一神经网络；将所述图像数据集中除所述标准图像数据集以外的所有数据集输入到所述第一神经网络，得到所述第一神经网络输出的视网膜分层结果。本发明专利技术能够大幅提升数据处理的速度，提高了数据处理的效率，也更便于处理大量的数据，不需要大量的人员培训过程，降低了成本。降低了成本。降低了成本。

【技术实现步骤摘要】
基于卷积神经网络的OCT视网膜分层方法、系统和介质


[0001]本专利技术涉及图像处理
，特别涉及一种基于卷积神经网络的OCT视网膜分层方法、系统和介质。

技术介绍

[0002]视网膜神经纤维层的厚度眼部健康密切相关，视网膜神经纤维层厚度反映了眼部健康进展变化，视网膜神经纤维层的搏动参数可以为眼部早期诊断提供依据，因此对视网膜的分层提取研究有重要意义。
[0003]相关技术中视网膜OCT图像分层方法主要分为如下两类：
[0004]第一类：由医学专业人员手动分割，OCT设备采集眼底视网膜图像后，由具有专业医学知识人员根据经验手动将视网膜神经纤维层分割出来进行病理分析，不足之处在于需要相关医学知识，且无法对大量的数据进行分割处理。
[0005]第二类：传统图像分割方法，主要通过传统的特征提取算法对图像进行边缘检测和特征提取。算法在大量数据的情况下泛化性不理想，且对于医学图像来说需要较多的先验知识，成本较大。

技术实现思路

[0006]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于卷积神经网络的OCT视网膜分层方法，能够使用训练好的神经网络可对大量不同尺寸、不同位置的视网膜图片进行分层，大幅提升数据处理的速度和准确率，对大量数据的处理效果较好。
[0007]本专利技术还提出一种具有上述基于卷积神经网络的OCT视网膜分层方法的基于卷积神经网络的OCT视网膜分层系统。
[0008]本专利技术还提出一种计算机可读存储介质。
[0009]第一方面，本实施例提供了一种基于卷积神经网络的OCT视网膜分层方法，包括以下步骤：
[0010]获取由视网膜OCT(Optical Coherence Tomography，光学相干层析成像探测)影像组成的图像数据集；
[0011]使用最短路径算法从所述图像数据集分割出标准图像数据集；
[0012]将所述标准图像数据集作为标准输入到卷积神经网络中进行训练，得到训练完成后的第一神经网络；
[0013]将所述图像数据集中除所述标准图像数据集以外的所有数据集输入到所述第一神经网络，得到所述第一神经网络输出的视网膜分层结果。
[0014]根据本专利技术实施例的基于卷积神经网络的OCT视网膜分层方法，至少具有如下有益效果：
[0015]首先，采集视网膜OCT影像，对视网膜OCT影像进行数据处理组成图像数据集，使用
最短路径算法从所述图像数据集分割出标准图像数据集，最短路径算法是一种计算一个节点到其他所有节点的最短路径的方法，由于OCT视网膜图像的各个层间特征明显，最短路径算法可用于OCT视网膜图像的分层；以每帧SD
‑
OCT的B扫描图像作为节点图，其中每个节点对应一个像素；连接节点的链接被称为边，一组连接的边形成了一个穿过图的路径，通过将权重分配给单个边来创建路径的优先最短路径。优先最短路径是指在穿过图形的所有路径中从开始节点到结束节点总权重之和最小的路径，通过最短路径来分割图像的不同区域；再将所述标准图像数据集作为标准输入到卷积神经网络中进行训练，得到第一神经网络，所述第一神经网络为训练好的所述卷积神经网络；将采集到的除标准图像数据集以外的所述图像数据集输入到所述第一神经网络进行处理得到视网膜分层结果。
[0016]本实施例提供的基于卷积神经网络的OCT视网膜分层方法，相较于常规的由医学专业人员手动分割的方式和传统图像分割方法，极大地提升了数据处理的速度，提高了数据处理的效率，也更便于处理大量的数据，不需要大量的人员培训过程，降低了成本。
[0017]根据本专利技术的一些实施例，所述使用最短路径算法从所述图像数据集分割出标准图像数据集，包括步骤：
[0018]获取视网膜的B扫描图像；
[0019]计算所述B扫描图像的垂直方向梯度权重，初始化图层端点图像两侧增列；
[0020]限制搜索区域，将分割过的节点设置为无效节点；
[0021]对所述搜索区域内的开始节点周围权重进行求和，取权重最小的节点得到第一路径，对所述第一路径进行判断是否为最短路径；
[0022]若所述第一路径为最短路径，输出所述第一路径所代表的像素数据集。
[0023]根据本专利技术的一些实施例，所述卷积神经网络包括输入层、卷积层、激活函数、池化层和全连接层。
[0024]根据本专利技术的一些实施例，所述激活函数为阶跃函数，将输入值映射为1或0，输入值映射为1代表神经元兴奋，输入值映射为0代表神经元受到抑制。
[0025]根据本专利技术的一些实施例，所述计算所述B扫描图像的垂直方向梯度权重，包括步骤：
[0026]将所述B扫描图像的每一点像素作为所述最短路径算法中的节点，计算垂直方向的像素强度变化梯度，其中节点a和节点b之间的权重w
ab
为：
[0027]w
ab
＝2
‑
(g
a
+g
b
)+w
min
[0028]g
a
和g
b
分别为在节点a和b处图像的垂直梯度，w
min
为图像中的最小权值。
[0029]根据本专利技术的一些实施例，在所述对所述第一路径进行判断是否为最短路径之后，还包括步骤：
[0030]若所述第一路径不为最短路径，对所述搜索区域内的开始节点周围权重进行求和，取权重最小的节点得到第二路径，对所述第二路径进行判断是否为最短路径；
[0031]若所述第二路径为最短路径，输出所述最第二路径所代表的像素。
[0032]第二方面，本实施例提供了一种基于卷积神经网络的OCT视网膜分层系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于卷积神经网络的OCT视网膜分层方法。
[0033]根据本专利技术实施例的基于卷积神经网络的OCT视网膜分层系统，至少具有如下有
益效果：
[0034]基于卷积神经网络的OCT视网膜分层系统应用了如第一方面所述的基于卷积神经网络的OCT视网膜分层方法，能够有效提升数据处理的速度和效率，对于大量数据的处理也有较好的效果，同时还降低了人员培训的成本，具有很好的实用价值。
[0035]第三方面，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的基于卷积神经网络的OCT视网膜分层方法。
[0036]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0037]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中摘要附图要与说明书附图的其中一幅完全一致：
[0038]图1是本专利技术一个实施例提供的基于卷积神经网络的OCT本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的OCT视网膜分层方法，其特征在于，包括以下步骤：获取由视网膜OCT影像组成的图像数据集；使用最短路径算法从所述图像数据集分割出标准图像数据集；将所述标准图像数据集作为标准输入到卷积神经网络中进行训练，得到训练完成后的第一神经网络；将所述图像数据集中除所述标准图像数据集以外的所有数据集输入到所述第一神经网络，得到所述第一神经网络输出的视网膜分层结果。2.根据权利要求1所述的基于卷积神经网络的OCT视网膜分层方法，其特征在于，所述使用最短路径算法从所述图像数据集分割出标准图像数据集，包括步骤：获取视网膜的B扫描图像；计算所述B扫描图像的垂直方向梯度权重，初始化图层端点图像两侧增列；限制搜索区域，将分割过的节点设置为无效节点；对所述搜索区域内的开始节点周围权重进行求和，取权重最小的节点得到第一路径，对所述第一路径进行判断是否为最短路径；若所述第一路径为最短路径，输出所述第一路径所代表的像素数据集数据集。3.根据权利要求1所述的基于卷积神经网络的OCT视网膜分层方法，其特征在于，所述卷积神经网络包括输入层、卷积层、激活函数、池化层和全连接层。4.根据权利要求3所述的基于卷积神经网络的OCT视网膜分层方法，其特征在于，所述激活函数为阶跃函数。5.根据权利要求2所述的基于卷积神经网络的OCT视网膜分层方法，其特征在于，所述计算所述B扫描图像的垂直方向梯度权重，包括步骤：将所述B扫描图像的每一点像素作...

【专利技术属性】
技术研发人员：阎苾萱，曹玉珍，李晨曦，
申请(专利权)人：天津大学，
类型：发明
国别省市：