【技术实现步骤摘要】
光学相干层析图像的反褶积超分辨重建方法及装置
[0001]本专利技术涉及光学成像的
，尤其涉及一种光学相干层析图像的反褶积超分辨重建方法，还涉及光学相干层析图像的反褶积超分辨重建装置。
技术介绍
[0002]光学相干层析技术(Optical coherence tomography,OCT)是一种新兴的光学成像技术，可以提供非接触式、非侵入性的生物组织横断面成像，具有微米级别的空间分辨率。虽然OCT图像微米级别的分辨率在眼底成像、心血管成像和内窥成像领域已经发挥了重要的作用，但对更高分辨率的OCT图像的需求一直存在。进一步提高OCT图像的分辨率可以揭示不可见的微观结构，这将有助于医生实现准确的诊断。
[0003]OCT图像的轴向分辨率与光源光谱带宽成反比，所以研究人员通常选用超宽带的系统光源来提高OCT图像的分辨率。然而，超宽带的OCT光源使的整个OCT图像采集系统光学设计复杂化。此外，通过进一步扩大带宽来推动轴向分辨率的提升是存在极限的，这不仅需要激光光源的技术进步，还需要正确处理OCT系统的色差和色散。因此，在不进行硬件提升，仅通过计算重建使得OCT图像分辨率提升的技术至关重要。目前已有的重建方法包括谱估计方法、反褶积方法和深度学习方法。
[0004]自回归谱估计方法是目前常用的提高OCT轴向分辨率的重建技术，但有两个主要的局限性。首先，谱估计方法只能提高轴向分辨率。其次，谱估计方法的光谱估计模型与光谱数据不匹配会导致图像重建的强度不准确。当选择不恰当的模型时，图像中会产生重建伪影。>[0005]近年来，深度学习方法在OCT图像分辨率提升方面表现出了很强的能力。使用生成对抗网络来增强OCT图像的光学轴向和横向分辨率，同时保留和改善散斑内容的细节。基于深度学习的数字调焦也被报道用于扩展OCT聚焦深度和提高图像横向分辨率。深度学习方法为OCT分辨率的提高提供了许多新的思路。然而，具有正确低分辨率和高分辨率映射的数据集对于训练神经网络模型至关重要，生成真实的超分辨率OCT图像还是需要通过传统的方法获取。
[0006]反褶积方法以较低的计算成本实现轴向和横向分辨率的提高，其中以Wiener滤波方法和Lucy
‑
Richardson(LR)反褶积方法最为显著。这些方法通过获取OCT系统的点扩散函数(PSF)来实现分辨率的提升。在不存在噪声的情况下，进行足够多次的反褶积运算可以完全恢复图像的高频信息。然而，图像往往会受到噪声的影响而退化，这将导致在一定迭代后收敛到噪声主导解。因此，通常建议在少量迭代后停止重建，以避免过多的图像伪影。
[0007]对比上述OCT图像计算重建超分辨技术，反褶积迭代重建的拥有最优的重建结果，被广泛应用。但是OCT的原始数据含有大量难以去除的散斑噪声，直接对这样噪声干扰原始数据进行反褶积重建时，其重建结果会产生严重的伪影，这对于医学图像的超分辨重建而言是不能接受的。
技术实现思路
[0008]为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种光学相干层析图像的反褶积超分辨重建方法，其能够避免反褶积迭代重建产生的伪影，有效提升重建图像的分辨率。
[0009]本专利技术的技术方案是：这种光学相干层析图像的反褶积超分辨重建方法，其包括以下步骤：
[0010](1)通过傅里叶变换得到低分辨率的OCT图像，作为输入的原始数据；
[0011](2)构建稀疏连续先验反褶积计算的优化函数：
[0012][0013][0014]优化函数的第一项是计算保真项，表示重建图像x与原始OCT图像f之间的距离，A为OCT系统的点扩散函数，第二项和第三项是连续性先验和稀疏先验，其中|| ||1和|| ||2分别表示l1和l2范数，λ和λ
s
用来描述平衡图像保真项与连续先验和稀疏先验之间的权重，在连续性先验R(x)中，为了区分重建图像x与代表不同方向的下标n
x，y，z
，用R(n)代替R(x)来描述连续性先验，在连续性先验中，ε
y
为正则化参数，表示沿y轴的连续性，如果输入的原始OCT数据只是二维图像，将ε
y
设置为0；
[0015](3)进行重建优化的初始设置，包括：原始数据模式、迭代轮次、稀疏性先验权重、连续性先验权重；
[0016](4)进行迭代训练，引入中间变量进行迭代计算；
[0017](5)在完成优化迭代后，输出最终的反褶积超分辨重建OCT图像。
[0018]本专利技术通过以样品稀疏性和连续性为先验知识的约束迭代反褶积算法，将反褶积重建方法转化为一个优化计算问题，并引入针对于样品重建的先验知识，利用图像的稀疏性来保证图像的高频信息，同时利用基于灰度值相关的连续性来缓解图像的过度稀疏性和降噪，然后进行重建优化的初始设置，迭代训练，引入中间变量进行迭代计算，因此能够避免反褶积迭代重建产生的伪影，有效提升重建图像的分辨率。
[0019]还提供了一种光学相干层析图像的反褶积超分辨重建装置，其包括：
[0020]输入模块，其配置来通过傅里叶变换得到低分辨率的OCT图像，作为输入的原始数据；
[0021]优化函数构建模块，其配置来构建稀疏连续先验反褶积计算的优化函数：
[0022][0023][0024]优化函数的第一项是计算保真项，表示重建图像x与原始OCT图像f之间的距离，A为OCT系统的点扩散函数，第二项和第三项是连续性先验和稀疏先验，其中||||1和||||2分别表示l1和l2范数，λ和λ
s
用来描述平衡图像保真项与连续先验和稀疏先验之间的权重，在连续性先验R(x)中，为了区分重建图像x与代表不同方向的下标n
x，y，z
，用R(n)代替R(x)来描述连续性先验，在连续性先验中，ε
y
为正则化参数，表示沿y轴的连续性，如果输入的原始OCT数据只是二维图像，将ε
y
设置为0；
[0025]初始化模块，其配置来进行重建优化的初始设置，包括：原始数据模式、迭代轮次、稀疏性先验权重、连续性先验权重；
[0026]迭代训练模块，其配置来进行迭代训练，引入中间变量进行迭代计算；
[0027]输出模块，其配置来在完成优化迭代后，输出最终的反褶积超分辨重建OCT图像。
附图说明
[0028]图1是稀疏性和连续性的概念以及三维OCT体数据的连续性表示。(a),(b)示出了绝对稀疏性和相对连续性的具体例子。(c)示出了OCT三维体数据中连续性在3
×3×
3像素的可视化展示以及与体数据中对应的世界坐标系中的空间坐标。
[0029]图2是根据本专利技术的光学相干层析图像的反褶积超分辨重建方法的流程图。
[0030]图3是生物样品重建中λ和λ
s
比值的不同选择。中间的框中的图像给出了较好比例重建的测试例。
[0031]图4是探索在不同噪声水平下图像重建的最佳λ和λ
s
【技术保护点】
【技术特征摘要】
1.光学相干层析图像的反褶积超分辨重建方法，其特征在于：其包括以下步骤：(1)通过傅里叶变换得到低分辨率的OCT图像，作为输入的原始数据；(2)构建稀疏连续先验反褶积计算的优化函数：(2)构建稀疏连续先验反褶积计算的优化函数：优化函数的第一项是计算保真项，表示重建图像x与原始OCT图像f之间的距离，A为OCT系统的点扩散函数，第二项和第三项是连续性先验和稀疏先验，其中|| ||1和||||2分别表示l1和l2范数，λ和λ
s
用来描述平衡图像保真项与连续先验和稀疏先验之间的权重，在连续性先验R(x)中，为了区分重建图像x与代表不同方向的下标n
x，y，z
，用R(n)代替R(x)来描述连续性先验，在连续性先验中，ε
y
为正则化参数，表示沿y轴的连续性，如果输入的原始OCT数据只是二维图像，将ε
y
设置为0；(3)进行重建优化的初始设置，包括：原始数据模式、迭代轮次、稀疏性先验权重、连续性先验权重；(4)进行迭代训练，引入中间变量进行迭代计算；(5)在完成优化迭代后，输出最终的反褶积超分辨重建OCT图像。2.根据权利要求1所述的光学相干层析图像的反褶积超分辨重建方法，其特征在于：所述步骤(2)中，λ大于λ
s
。3.根据权利要求2所述的光学相干层析图像的反褶积超分辨重建方法，其特征在于：所述步骤(2)中，高信噪比的原始图像的λ/λ
s
比例范围为(1，5]，而低信噪比的原始图像的λ/λ
s
比例范围为(1，2]。4.根据权利要求3所述的光学相干层析图像的反褶积超分辨重建方法，其特征在于：所述步骤(2)中，λ参数值范围为(1，30]，来保证更好的图像重建信噪比。5.根据权利要求4所述的光学相干层析图像的反褶积超分辨重建方法，其特征在于：所述步骤(3)中，当输入的OCT图像为二维图像时，设置连续性先验正则化参数ε
y
＝0；输入的OCT图像为三维体数据时，设置连续性先验正则化参数ε
y
＝1。6.根据权利要求5所述的光学相干层析图像的反褶积超分辨重建方法，其特征在于：所述步骤(3)中，λ
s
和λ的设置根据原始数据的噪声水平进行粗略评估，用原始图像的信噪比SNR作为原始数据的噪声水平评价的指标。7.根据权利要求6所述的光学相干层析图像的反褶积超分辨重建方法，其特征在于：所述步骤(4)中，通过以下公式进行优化：
其中，公式(8)的求解问题转化为凸优化问题，公式(9)则是通过反褶积计算来实现。8.根据权利要求7所述的光学相干层析图像的反褶积超分辨重建方法，其特征在于：所述步骤(4)中，针对公式(8)的凸优化问题，求解过程如下：(4.1)用中间变量替换变量，将公式(...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。