多孔径合成光学相干断层的成像方法、装置、设备及介质制造方法及图纸

本申请提供了多孔径合成光学相干断层的成像方法、装置、设备及介质，成像方法包括：基于无散斑多孔径合成光学相干断层系统之中的孔径合成光学相干断层模块对检测测量对象进行扫描检测，确定出检测测量对象的OCT检测图像；将OCT检测图像输入至无散斑多孔径合成光学相干断层系统之中的生成器网络之中，对OCT检测图像进行去噪处理，输出去除噪声的OCT检测图像；其中，无散斑多孔径合成光学相干断层系统是通过将多孔径合成光学相干断层模块以及对生成对抗网络进行迭代训练得到的生成器网络相结合得到的。通过利用无散斑多孔径合成光学相干断层系统之中的生成器网络对OCT检测图像进行去噪处理，获得了去除噪声的、分辨率提升的OCT检测图像，以提高OCT检测图像的分辨率。率。率。

【技术实现步骤摘要】
多孔径合成光学相干断层的成像方法、装置、设备及介质


[0001]本申请涉及OCT
，尤其是涉及多孔径合成光学相干断层的成像方法、装置、设备及介质。

技术介绍

[0002]光学相干断层扫描(OCT)是一种非侵入性截面三维成像技术(3D)成像技术，广泛应用于眼科、心脏病、内窥镜检查在OCT成像中，确定轴向分辨率和横向分辨率独立：前者由激光源的光学带宽控制，而后者由物镜的数值孔径(NA)和波长控制。明确地横向分辨率与物镜的NA和深度成反比聚焦(DOF)与横向分辨率的平方成比例。横向当物镜NA高时，离焦区域的分辨率显著降低。同时，散斑噪声会降低OCT成像分辨率并且限制了潜在的分辨率增强技术。所以，如何生成无噪声、分辨率高的OCT图像成为了不容小觑的技术问题。

技术实现思路

[0003]有鉴于此，本申请的目的在于提供多孔径合成光学相干断层的成像方法、装置、设备及介质，通过利用无散斑多孔径合成光学相干断层系统之中的生成器网络对OCT检测图像进行去噪处理，获得了去除噪声的、分辨率提升的OCT检测图像，以提高OCT检测图像的分辨率。
[0004]本申请实施例提供了一种多孔径合成光学相干断层的成像方法，所述成像方法包括：
[0005]基于无散斑多孔径合成光学相干断层系统之中的孔径合成光学相干断层模块对检测测量对象进行扫描检测，确定出所述检测测量对象的OCT检测图像；
[0006]将所述OCT检测图像输入至所述无散斑多孔径合成光学相干断层系统之中的生成器网络之中，对所述OCT检测图像进行去噪处理，输出去除噪声的OCT检测图像；
[0007]其中，所述无散斑多孔径合成光学相干断层系统是通过将所述多孔径合成光学相干断层模块以及对生成对抗网络进行迭代训练得到的所述生成器网络相结合得到的。
[0008]在一种可能的实施方式之中，通过以下步骤确定出所述生成器网络：
[0009]基于所述多孔径合成光学相干层析模块，确定出多张OCT样本图像；
[0010]对多张所述OCT样本图像进行合成处理，确定出多张合成图像；
[0011]基于多张所述合成图像对初始深度学习网络进行迭代训练，确定出目标深度学习网络以及所述合成图像相对应的无噪声图像；
[0012]基于多张所述OCT样本图像以及所述无噪声图像对所述生成对抗网络之中的初始生成器网络以及初始判别器网络进行迭代训练，确定出所述生成器网络。
[0013]在一种可能的实施方式之中，所述初始深度学习网络包括第一初始深度学习网络以及第二初始深度学习网络，所述目标深度学习网络包括第一目标深度学习网络以及第二目标深度学习网络，所述基于多张所述合成图像对初始深度学习网络进行迭代训练，确定出目标深度学习网络以及所述合成图像相对应的无噪声图像，包括：
[0014]对所述合成图像进行相邻像素采样，确定出第一噪声图像以及第二噪声图像；
[0015]将所述第一噪声图像输入至所述第一初始深度学习网络之中进行去噪处理，输出第一图像，并基于所述第一图像与所述第二噪声图像对所述第一初始深度学习网络进行迭代训练，确定出所述第一目标深度学习网络；
[0016]将所述合成图像输入至所述第一目标深度学习网络之中进行去噪处理，输出第二图像；对所述第二图像进行图像处理，确定出第三噪声图像；
[0017]将所述第三噪声图像输入至第二初始深度学习网络之中进行去噪处理，输出第三图像，并基于所述第三图像以及所述第一噪声图像对所述第二初始深度学习网络进行迭代训练，确定出第二目标深度学习网络；
[0018]将所述合成图像输入至所述第二目标深度学习网络之中，输出所述无噪声图像。
[0019]在一种可能的实施方式之中，所述基于所述第一图像与所述第二噪声图像对所述第一初始深度学习网络进行迭代训练，确定出所述第一目标深度学习网络，包括：
[0020]确定出所述第一图像以及所述第二噪声图像之间的第一均值误差损失值；
[0021]基于所述第一均值误差损失值调整所述第一初始深度学习网络的网络参数，直至所述第一均值误差损失值下降趋于平缓后停止迭代训练，确定出所述第一目标深度学习网络。
[0022]在一种可能的实施方式之中，所述将所述合成图像输入至所述第二目标深度学习网络之中，输出所述无噪声图像，包括：
[0023]将所述合成图像输入至所述第二目标深度学习网络之中，输出第四图像；
[0024]基于所述第四图像的两倍像素值与所述合成图像的像素值的差值，确定出去噪后的所述无噪声图像。
[0025]在一种可能的实施方式之中，所述基于多张所述OCT样本图像以及所述无噪声图像对所述生成对抗网络之中的初始生成器网络以及初始判别器网络进行迭代训练，确定出所述生成器网络，包括：
[0026]将所述OCT样本图像输入至所述初始生成器网络之中，输出第五图像；
[0027]确定出所述第五图像与所述无噪声图像之间的对抗损失值和内容损失值；
[0028]将所述第五图像与所述无噪声图像输入至所述初始判别器网络之中，确定出所述第五图像与所述无噪声图像之间的判别器损失值；
[0029]基于所述对抗损失值和内容损失值调整所述初始生成器网络的网络参数，基于所述判别器损失值调整所述初始判别器网络的网络参数，直至所述对抗损失值、所述内容损失值以及所述判别器损失值下降趋于平缓后停止迭代训练，确定出所述生成器网络。
[0030]本申请实施例还提供了一种多孔径合成光学相干断层的成像装置，所述成像装置包括：
[0031]第一检测模块，用于基于无散斑多孔径合成光学相干断层系统之中的孔径合成光学相干断层模块对检测测量对象进行扫描检测，确定出所述检测测量对象的OCT检测图像；
[0032]第二检测模块，用于将所述OCT检测图像输入至所述无散斑多孔径合成光学相干断层系统之中的生成器网络之中，对所述OCT检测图像进行去噪处理，输出去除噪声的OCT检测图像；其中，所述无散斑多孔径合成光学相干断层系统是通过将所述多孔径合成光学相干断层模块以及对生成对抗网络进行迭代训练得到的所述生成器网络相结合得到的。
[0033]在一种可能的实施方式之中，所述成像装置还包括训练模块，训练模块通过以下步骤确定出所述生成器网络：
[0034]基于所述多孔径合成光学相干层析模块，确定出多张OCT样本图像；
[0035]对多张所述OCT样本图像进行合成处理，确定出多张合成图像；
[0036]基于多张所述合成图像对初始深度学习网络进行迭代训练，确定出目标深度学习网络以及所述合成图像相对应的无噪声图像；
[0037]基于多张所述OCT样本图像以及所述无噪声图像对所述生成对抗网络之中的初始生成器网络以及初始判别器网络进行迭代训练，确定出所述生成器网络。
[0038]本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多孔径合成光学相干断层的成像方法，其特征在于，所述成像方法包括：基于无散斑多孔径合成光学相干断层系统之中的孔径合成光学相干断层模块对检测测量对象进行扫描检测，确定出所述检测测量对象的OCT检测图像；将所述OCT检测图像输入至所述无散斑多孔径合成光学相干断层系统之中的生成器网络之中，对所述OCT检测图像进行去噪处理，输出去除噪声的OCT检测图像；其中，所述无散斑多孔径合成光学相干断层系统是通过将所述多孔径合成光学相干断层模块以及对生成对抗网络进行迭代训练得到的所述生成器网络相结合得到的。2.根据权利要求1所述的成像方法，其特征在于，通过以下步骤确定出所述生成器网络：基于所述多孔径合成光学相干层析模块，确定出多张OCT样本图像；对多张所述OCT样本图像进行合成处理，确定出多张合成图像；基于多张所述合成图像对初始深度学习网络进行迭代训练，确定出目标深度学习网络以及所述合成图像相对应的无噪声图像；基于多张所述OCT样本图像以及所述无噪声图像对所述生成对抗网络之中的初始生成器网络以及初始判别器网络进行迭代训练，确定出所述生成器网络。3.根据权利要求2所述的成像方法，其特征在于，所述初始深度学习网络包括第一初始深度学习网络以及第二初始深度学习网络，所述目标深度学习网络包括第一目标深度学习网络以及第二目标深度学习网络，所述基于多张所述合成图像对初始深度学习网络进行迭代训练，确定出目标深度学习网络以及所述合成图像相对应的无噪声图像，包括：对所述合成图像进行相邻像素采样，确定出第一噪声图像以及第二噪声图像；将所述第一噪声图像输入至所述第一初始深度学习网络之中进行去噪处理，输出第一图像，并基于所述第一图像与所述第二噪声图像对所述第一初始深度学习网络进行迭代训练，确定出所述第一目标深度学习网络；将所述合成图像输入至所述第一目标深度学习网络之中进行去噪处理，输出第二图像；对所述第二图像进行图像处理，确定出第三噪声图像；将所述第三噪声图像输入至第二初始深度学习网络之中进行去噪处理，输出第三图像，并基于所述第三图像以及所述第一噪声图像对所述第二初始深度学习网络进行迭代训练，确定出第二目标深度学习网络；将所述合成图像输入至所述第二目标深度学习网络之中，输出所述无噪声图像。4.根据权利要求3所述的成像方法，其特征在于，所述基于所述第一图像与所述第二噪声图像对所述第一初始深度学习网络进行迭代训练，确定出所述第一目标深度学习网络，包括：确定出所述第一图像以及所述第二噪声图像之间的第一均值误差损失值；基于所述第一均值误差损失值调整所述第一初始深度学习网络的网络参数，直至所述第一均值误差损失值下降趋于平缓后停止迭代训练，确定出所述第一目标深度学习网络。5.根据权利要求3所述的成像方法，其特征在于，所述将所述合成图像输入至所述第二目标深度学...

【专利技术属性】
技术研发人员：倪光明，吴壬熊，张志军，刘朝生，黄君仪，刘柏林，韦晓平，
申请(专利权)人：广东博迈医疗科技股份有限公司，
类型：发明
国别省市：