【技术实现步骤摘要】
本专利技术涉及oct，尤其是涉及基于三维卷积神经网络的无散斑光学相干层析成像技术。
技术介绍
1、光学相干断层扫描(optical coherence tomography,oct)是一项在生物医学领域具有重要意义的高科技成像技术，其非侵入性特点使其在医学影像学中得以广泛应用。oct的核心原理是利用光的干涉效应，通过测量光线在不同深度处反射或散射的程度，从而生成生物组织的高分辨率三维图像，这种技术不需要手术或注射对患者产生不适，因此在临床医学中具有巨大的潜力。oct在眼底成像和视网膜病变检测方面表现出色，尤其是在早期疾病诊断和治疗跟踪中，它可以帮助医生非常详细地观察到视网膜的结构，从而更好地了解和治疗眼部疾病，例如黄斑变性、青光眼和视网膜脱离等。在心血管领域，通过oct技术，医生可以实时观察血管内部的情况，检测血管壁的异常，发现和研究动脉粥样硬化等心血管疾病。这种高分辨率的成像技术使医生能够更精确地进行介入性手术和决策，减少了手术风险。此外，oct还在皮肤病学和其他医学领域有着广泛的应用，在皮肤病学中，它可以用来观察皮肤层次结构，帮助诊断和治疗皮肤疾病，例如皮肤癌和湿疹。在口腔医学、神经科学和内科学中，oct也有着各种潜在应用，为医学研究和临床实践提供了新的视角。
2、但是，由于其光学相干的特性，不可避免地会接收到其他物质后向散射产生散斑噪声，散斑噪声会干扰样本结构，导致样本结构细节丢失、成像质量下降，进而对医生的精确诊断带来困扰。常见的解决办法是使用散斑调制光学相干层析(speckle-modulating-oct
3、已有的基于有监督的深度学习的方法，需要使用干净图像作为训练基准图像，而干净图像难以获取是公认的，在实际应用中实现难度大。已有基于无监督的深度学习方法，利用单张oct横截面图像实现去噪，虽然解决了需要干净图像的问题，但是单张图像丢失了oct三维扫描的空间结构特性，导致生成的去噪图像难以恢复样本细节结构信息。
技术实现思路
1、有鉴于此，针对现有技术的不足，本申请的目的在于提出一种基于三维卷积神经网络的无散斑光学相干层析成像方法，能够不需要提供无散斑图像，利用oct完整的三维空间信息，实现对oct噪声图像的去噪，本专利技术兼顾了三维oct图像、二维oct截面图像的去噪，能显著去除散斑噪声，解析被散斑遮挡的微小细节结构，提升oct成像质量。
2、本专利技术的目的是通过以下技术方案实现的：
3、本专利技术提供了一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，包括以下步骤：oct图像采集，采集样本的三维oct图像；三维图像配对，将采集到的有噪声的三维图像采样为配对的具有空间结构相似、但空间散斑噪声不相关的特征的一对三维图像；三维卷积神经网络去噪，对采集到的三维图像进行处理，去除三维体积中的散斑噪声；二维网络去噪，低计算量消耗地去除oct截面扫描图像的散斑噪声；oct集成去噪，用于集成三维去噪网络、二维去噪网络，多模态去除oct数据的散斑噪声。
4、本专利技术提供的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，还可以具有这样的技术特征，所述的oct图像采集步骤包括使用光学层析成像装置和存储装置采集三维图像，原始三维oct图像为沿y轴方向堆叠的截面图像，x轴和y轴方向的扫描间距为与光束体积相当的合适距离。
5、本专利技术提供的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，还可以具有这样的技术特征，所述的三维图像配对步骤包括子步骤：奇偶采样，随机抽取和随机裁剪；
6、所述的奇偶采样用于分别采样三维图像的奇数帧和偶数帧，将原三维图像分解为两个新三维图像；
7、所述的随机抽取用于对所述的两个新生成的三维图像的部分帧进行随机抽取并丢弃；
8、所述的随机裁剪用于对所述的被抽取后的三维图像进行随机区域的裁剪，得到体积变小的配对三维图像。
9、本专利技术提供的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，还可以具有这样的技术特征，所述的三维卷积神经网络去噪步骤是训练三维卷积神经网络模型，用于提取并去除空间中的散斑噪声，获得三维去噪图像。
10、本专利技术提供的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，还可以具有这样的技术特征，所述的二维网络去噪步骤是搭建一个生成对抗网络(generateadversarial network,gan)，包括生成器模块和判别器模块，对所述训练好的三维卷积神经网络进行蒸馏学习，在消耗低计算量地、快速地去除oct截面图像中的散斑噪声；
11、所述生成器模块用于将输入的二维噪声图像进行处理，生成接近无噪声图像的去噪图像；
12、所述的判别器模块将生成器模块生成的去噪图像与无噪声图像对比，判断所输入的图像是去噪图像还是无噪声图像。
13、本专利技术提供的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，还可以具有这样的技术特征，所述的训练包括以下子步骤：
14、s1、采集各种种类的样本的oct三维图像，经过所述的三维图像配对步骤生成配对的三维图像，作为训练数据集；
15、s2、将所述训练数据集中的配对图像，其一输入所述三维卷积神经网络并获得输出，计算输出与所述配对图像的其二的损失值，然后对所述三维卷积神经网络进行优化；
16、本专利技术提供的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，还可以具有这样的技术特征，所述的蒸馏学习包括以下子步骤：
17、s1、从采集到的三维图像中抽取二维噪声截面图像，从所述三维卷积神经网络输出的三维去噪图像中对应抽取二维去噪截面图像作为基准图像，制作蒸馏学习的数据集；
18、s2、将所述蒸馏学习数据集中的噪声图像输入所述二维网络的生成器模块，计算输出与所述基准图像的第一损失值；
19、s3、将所述生成器模块的输出与基准图像分别输入所述二维网络的判别器模块，判别所输入是去噪图像还是基准图像，计算第二损失值；
20、s4、综合所述第一损失值和第二损失值，优化所述生成器模块和判别器模块；
21、s5、迭代s2，s3，s4步骤，直至第一损失值和第二损失值减小并变化趋于平缓。
22、本专利技术提供的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，还可以具有这样的技术特征，所述的三维卷积神经网络表示使用了三维卷积的各种深度学习网络模型及其变体，包括但不限于resnet-3d、unet-3d、densenet-3d及其优化网络结构。
23、本专利技术提供的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，还可以具有这样的技术特征，所述的oct集成去噪步骤将训本文档来自技高网...
【技术保护点】
1.一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，包括：
2.根据权利要求1所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的OCT图像采集步骤包括使用光学层析成像装置和存储装置采集样本三维图像。
3.根据权利要求1所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的三维图像配对步骤包括子步骤：奇偶采样，随机抽取和随机裁剪；
4.根据权利要求1所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的三维卷积神经网络去噪步骤是训练三维卷积神经网络模型，用于提取并去除空间中的散斑噪声，获得三维去噪图像。
5.根据权利要求1所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的二维网络去噪步骤是搭建一个GAN网络，包括生成器模块和判别器模块，对三维卷积神经网络去噪进行蒸馏学习，在消耗低计算量地、快速地去除OCT截面图像中的散斑噪声；
6.根据权利要求4所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法
7.根据权利要求5所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的蒸馏学习包括以下子步骤：
8.根据权利要求4所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的三维卷积神经网络表示选自三维卷积的各种深度学习网络模型及其变体中的一种，包括但不限于ResNet-3D、UNet-3D、DenseNet-3D及其优化网络结构。
9.根据权利要求1所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的OCT集成去噪步骤将训练好的三维卷积神经网络和二维网络集合在一起，多模态地实现OCT三维图像和二维截面图像的散斑噪声去除。
...【技术特征摘要】
1.一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，包括：
2.根据权利要求1所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的oct图像采集步骤包括使用光学层析成像装置和存储装置采集样本三维图像。
3.根据权利要求1所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的三维图像配对步骤包括子步骤：奇偶采样，随机抽取和随机裁剪；
4.根据权利要求1所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的三维卷积神经网络去噪步骤是训练三维卷积神经网络模型，用于提取并去除空间中的散斑噪声，获得三维去噪图像。
5.根据权利要求1所述的一种基于三维卷积神经网络的无散斑光学相干层析成像方法，其特征在于，所述的二维网络去噪步骤是搭建一个gan网络，包括生成器模块和判别器模块，对三维卷积神经网络去噪进...
【专利技术属性】
技术研发人员：倪光明，
申请(专利权)人：成都牧光人科技有限公司，
类型：发明
国别省市：
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。