基于深度学习的巩膜镜OCT图像泪液层分割模型和方法和设备技术

基于深度学习的巩膜镜OCT图像泪液层分割模型和方法和设备。主要用于眼前段OCT图像中配戴巩膜镜的泪液层及角膜各层结构的同时提取，也可用于具有低组织对比度和严重成像伪影等现象的医学图像的分割，辅助图像兴趣目标的空间定位其形态学特征的量化。该方法利用深度学习模型对配戴巩膜镜的角膜OCT图像进行图像分割，以提取OCT图像中巩膜镜、泪液层和角膜三种层次的结构信息。首先，收集训练数据集并进行标注，用于训练深度学习模型。然后，使用训练好的模型对新的角膜OCT图像进行分割，通过图像处理和深度学习算法的结合，可以实现自动化的配戴巩膜镜的角膜结构分割。该方法具有高效、准确的特点，对于临床医生验配巩膜镜具有重要意义。

【技术实现步骤摘要】

本专利技术涉及图像处理领域，具体涉及基于深度学习的巩膜镜oct图像泪液层分割模型、构建方法、分割方法、介质和计算机设备。

技术介绍

1、角膜疾病相关屈光矫治的是全球难题，传统屈光矫正手段无法矫正严重角膜不规则疾病(如圆锥角膜、严重干眼)，而巩膜镜因其镜片直径足够大、与角膜形成了一个可以容纳液体的空间，该空间容纳了泪液和配戴接触镜时所使用的润滑液，可以改善角膜前表面的不规则、重塑光学表面，以达到保护角膜、提升视觉质量的效果。

2、光学相干断层扫描(oct)是一种用于生物组织成像的技术，可以高精度地检测生物组织的形态和结构。在眼科领域中，oct被广泛应用于角膜和视网膜的检测。然而，现有的配戴巩膜镜的角膜oct图像分析仍然主要依赖于手动分割，这种方法既耗时又易出错。因此，开发一种自动、精确的配戴巩膜镜的角膜oct图像分割方法，对于临床医生验配巩膜镜具有重要意义。

3、oct图像中的配戴巩膜镜的角膜自动分割目前尚未有解决方法，但与之相关的角膜及视网膜分割有很多经典的解决方法。比如，利用图论和动态规划，利用阈值分割和聚类分割的方法等等。这些方本文档来自技高网...

【技术保护点】

1.基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割模型，其特征在于：所述模型包括两个不同的网络分支，分别为语义分割子网络和边界探测子网络，实现边界卷积特征引导的图像分割；包括编码器和解码器模块,且编码器和解码器模块具有上下文编码层的多尺度输入模块进行上下文特征的提取和融合的功能。

2.如权利要求1所述的基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割模型，其特征在于：编码器为基于ResNet34网络，其网络每一层包含不同数量的残差块；相邻两个卷积层相减可得到对应位置上的信息差异。

3.如权利要求2所述的基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割模型，其特征...

【技术特征摘要】

1.基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型，其特征在于：所述模型包括两个不同的网络分支，分别为语义分割子网络和边界探测子网络，实现边界卷积特征引导的图像分割；包括编码器和解码器模块,且编码器和解码器模块具有上下文编码层的多尺度输入模块进行上下文特征的提取和融合的功能。

2.如权利要求1所述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型，其特征在于：编码器为基于resnet34网络，其网络每一层包含不同数量的残差块；相邻两个卷积层相减可得到对应位置上的信息差异。

3.如权利要求2所述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型，其特征在于：使用逐元素减法和串联运算处理了resblock和convolutionblock之间的特征图，对输入图像执行编码和下采样操作后，生成的特征图用于生成具有不同维度和层次结构的区域和边界特征图；然后，这些特征图分别用于执行区域语义分割和边界描绘；从而构建一个目标提取编码器，实现目标和边界特征的分别提取。

4.如权利要求3所述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型，其特征在于：处理后的边界特征图使用2×2的上采样层，将它们与编码上采样和跳跃连接操作一起输入边界解码块，该过程重复多次，最后，利用conv1×1层对输出使用sigmoid激活函数，从而实现精确的边界检测。

5.如权利要求4所述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型，其特征...

【专利技术属性】
技术研发人员：沈梅晓，曹阳，高和蓓，
申请(专利权)人：温州医科大学，
类型：发明
国别省市：