基于多可见光光谱OCT影像的视网膜层分割方法及系统技术方案

本发明专利技术提供基于多可见光光谱OCT影像的视网膜层分割方法及系统，涉及医学影像处理领域，针对目前基于单光谱段的视网膜层OCT影像的视网膜层分割模型精度较差的问题，在相对宽范围的总可见光波段内截取不同范围的分光谱段进行成像，获取含有不同背向散射率的视网膜层影像，得到多个含有独特层间对比度信息的视网膜层OCT影像，结合对应的视网膜层分割模型，提高视网膜分割的准确度。提高视网膜分割的准确度。提高视网膜分割的准确度。

【技术实现步骤摘要】
基于多可见光光谱OCT影像的视网膜层分割方法及系统


[0001]本专利技术涉及医学影像处理领域，具体涉及基于多可见光光谱OCT影像的视网膜层分割方法及系统。

技术介绍

[0002]基于可见光的光学相干断层扫描（Vis
‑
OCT）是一种新兴的成像方式，与传统基于红外OCT相比，由于其波长较短，实现了较高的轴向分辨率，改善了组织间的成像对比度，显示了极强的临床应用潜力。采用可见光OCT技术对视网膜进行扫描后，对中心凹区域的OCT影像进行不同组织层的自动分割具有重要的临床意义，一方面自动分割可以提高专业眼科医生的工作效率和分割精度；另一方面分割的结果可以用于辅助眼科医生判断一些早期疾病的发展。
[0003]分割的主要难点是OCT影像中的视网膜层的层间对比度低，而现有的视网膜层分割研究（如深度学习、传统阈值分割）大都是基于单光谱段的视网膜层OCT影像进行处理，且单光谱段的视网膜层OCT影像只包含一种层间对比度信息，因此导致了视网膜层分割的困难；尤其是基于深度学习方法的视网膜层分割，基于单一层间对比度信息进行分割后的精度仍难以满足需求。

技术实现思路

[0004]本专利技术的目的是针对现有技术存在的缺陷，提供基于多可见光光谱OCT影像的视网膜层分割方法及系统，在相对宽范围的总可见光波段内截取不同范围的分光谱段进行成像，获取含有不同背向散射率的视网膜层影像，得到多个含有独特层间对比度信息的视网膜层OCT影像，结合对应的视网膜层分割模型，提高视网膜分割的准确度。
[0005]本专利技术的第一目的是提供基于多可见光光谱OCT影像的视网膜层分割方法，采用以下方案：包括：获取多张不同波段的分可见光光谱的OCT影像；利用视网膜层分割模型处理所有分可见光光谱的OCT影像，得到分割后的视网膜层特征图；其中，视网膜层分割模型的训练过程为：获取人眼视网膜区域的宽可见光光谱的OCT影像，并将所述宽可见光光谱进行划段得到多段不同波段的分可见光光谱，获取每段分可见光光谱的OCT影像；处理宽可见光光谱的OCT影像和所有段分可见光光谱的OCT影像，并输入多通道语义分割框架，得到视网膜层分割模型。
[0006]进一步的，相异波段的分可见光光谱对应不同的波长范围，每段分可见光光谱的谱宽相等。
[0007]进一步的，相异分光谱段对应OCT影像上视网膜层间对比度不同。
[0008]进一步的，在获取视网膜层分割模型过程中，对所获取的宽可见光光谱对应的OCT影像进行视网膜层分割的真值标注，得到真值标注图，用于视网膜层分割模型的训练。
[0009]进一步的，获取每段分可见光光谱的OCT影像后，将所有段分可见光光谱的OCT影像进行数据格式转换，以满足多通道语义分割框架的输入需求。
[0010]进一步的，所述输入多通道语义分割框架，得到视网膜层分割模型包括：所有段分可见光光谱的OCT影像输入到多通道联合输入模块中进行特征提取；对多通道联合输入模块输出的特征在通道维度上进行加权，输出多种尺度的特征图；对所有特征图进行融合处理，输出融合特征图，对融合特征图与真值标注图进行相似度评估；待相似度评估达到要求后，保存对应的模型和模型内参作为视网膜层分割模型。
[0011]进一步的，所述对所有特征图进行融合处理包括：获取输出的四种尺度的特征图F1、F2、F3、F4；特征图F1经上采样还原后与特征图F2进行融合，得到融合1特征图；融合1特征图经采样还原后与特征图F3进行融合，得到融合2特征图；融合2特征图经采样还原后与特征图F4进行融合，得到融合3特征图；融合3特征图经采样还原后，得到融合特征图并输出，以用于相似度评估。
[0012]进一步的，所述判断融合特征图与真值标注图相似度评估后，若相似度不满足要求，则反馈结果至多通道语义分割框架的各个执行模块，并调整各执行模块的内参来调整输出结果。
[0013]进一步的，所述对多通道联合输入模块输出的特征在通道维度上进行加权中，通过基于通道注意力的多光谱信息加权。
[0014]本专利技术的第二目的是提供一种基于多可见光光谱OCT影像的视网膜层分割系统，包括：影像获取模块，被配置为：获取多张不同波段的分可见光光谱的OCT影像；影像分割模块，被配置为：利用视网膜层分割模型处理所有分可见光光谱的OCT影像，得到分割后的视网膜层特征图；其中，视网膜层分割模型的训练过程为：获取人眼视网膜区域的宽可见光光谱的OCT影像，并将所述宽可见光光谱进行划段得到多段不同波段的分可见光光谱，获取每段分可见光光谱的OCT影像；处理宽可见光光谱的OCT影像和所有段分可见光光谱的OCT影像，并输入多通道语义分割框架，得到视网膜层分割模型。
[0015]与现有技术相比，本专利技术具有的优点和积极效果是：（1）针对目前基于单光谱段的视网膜层OCT影像的视网膜层分割模型精度较差的问题，在相对宽范围的总可见光波段内截取不同范围的分光谱段进行成像，获取含有不同背向散射率的视网膜层影像，得到多个含有独特层间对比度信息的视网膜层OCT影像，结合对应的视网膜层分割模型，提高视网膜分割的准确度。
[0016]（2）传统的方式没有考虑光谱，本专利技术基于视网膜每一层的结构和组成是不同的，所以其光谱表现也是不同的，不仅综合利用了各个独立光谱段的信息，也可以利用不同光
谱段的变化信息，更有利于视网膜层准确分割。
附图说明
[0017]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0018]图1为本专利技术实施例1和2中基于多可见光光谱OCT影像的视网膜层分割方法的流程示意图。
[0019]图2为本专利技术实施例1和2中预处理流程示意图。
[0020]图3为本专利技术实施例1和2中多通道语义分割框架的示意图。
具体实施方式
[0021]实施例1本专利技术的一个典型实施例中，如图1
‑
图3所示，给出基于多可见光光谱OCT影像的视网膜层分割方法。
[0022]目前的视网膜层分割方法中，多基于单光谱段的视网膜层OCT影像进行处理，但单光谱段的视网膜层OCT影像只包含一种层间对比度信息，因此导致了视网膜层分割的困难，基于深度学习的视网膜层分割方法中，一种层间对比度信息训练出的模型对视网膜层的分割精度较差。
[0023]基于此，本实施例提供一种基于多可见光光谱OCT影像的视网膜层分割方法，采用不同可见光光谱段的光谱信息，使得每一张不同光谱段的视网膜层OCT影像都具有特定的层间对比度信息，综合考虑多光谱段的视网膜层OCT影像，从而丰富视网膜层的层间对比度信息，提高视网膜层的分割精度。
[0024]下面，结合附图对基于多可见光光谱OCT影像的视网膜层分割方法进行详细说明。
[0025]可见光光谱波长范围为390
‑
760nm，因此可见光光谱的宽度为370nm，而一般的可见光OCT采用的可见光光谱宽度大约为100nm（有的低一些80n本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多可见光光谱OCT影像的视网膜层分割方法，其特征在于，包括：获取多张不同波段的分可见光光谱的OCT影像；利用视网膜层分割模型处理所有分可见光光谱的OCT影像，得到分割后的视网膜层特征图；其中，视网膜层分割模型的训练过程为：获取人眼视网膜区域的宽可见光光谱的OCT影像，并将所述宽可见光光谱进行划段得到多段不同波段的分可见光光谱，获取每段分可见光光谱的OCT影像；处理宽可见光光谱的OCT影像和所有段分可见光光谱的OCT影像，并输入多通道语义分割框架，得到视网膜层分割模型。2.如权利要求1所述的基于多可见光光谱OCT影像的视网膜层分割方法，其特征在于，相异波段的分可见光光谱对应不同的波长范围，每段分可见光光谱的谱宽相等。3.如权利要求2所述的基于多可见光光谱OCT影像的视网膜层分割方法，其特征在于，相异分光谱段对应OCT影像上视网膜层间对比度不同。4.如权利要求1所述的基于多可见光光谱OCT影像的视网膜层分割方法，其特征在于，在获取视网膜层分割模型过程中，对所获取的宽可见光光谱对应的OCT影像进行视网膜层分割的真值标注，得到真值标注图，用于视网膜层分割模型的训练。5.如权利要求4所述的基于多可见光光谱OCT影像的视网膜层分割方法，其特征在于，获取每段分可见光光谱的OCT影像后，将所有段分可见光光谱的OCT影像进行数据格式转换，以满足多通道语义分割框架的输入需求。6.如权利要求4或5所述的基于多可见光光谱OCT影像的视网膜层分割方法，其特征在于，所述输入多通道语义分割框架，得到视网膜层分割模型包括：所有段分可见光光谱的OCT影像输入到多通道联合输入模块中进行特征提取；对多通道联合输入模块输出的特征在通道维度上进行加权，输出多种尺度的特征图；对所有特征图进行融合处理，输出融合特...

【专利技术属性】
技术研发人员：万熠，贺翔，宋维业，
申请(专利权)人：山东大学，
类型：发明
国别省市：