System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理和成像,尤其是涉及一种无监督的oct en face图像优化方法。
技术介绍
1、光学相干层析术(optical coherence tomography,oct)具有非侵入性、高分辨率和实时成像的优点,在医学领域得到了广泛应用。重建的oct en face图像作为oct b扫描图像的补充,辅助提供了样品横断面的信息,有助于疾病诊断与治疗监测,其图像质量对于早期疾病特征的临床可视化至关重要。然而,成像过程中伴随的离焦和噪声可能掩盖细微但重要的形态学细节,导致离焦的oct en face图像质量差,影响临床疾病诊断、图像的自动分析和量化。
2、oct en face图像的质量主要取决于横向分辨率,横向分辨率主要由物镜的数值孔径决定。尽管紧聚焦的高斯光束可以在聚焦位置产生高的横向分辨率,但它会导致离焦区域的横向分辨率显著降低。扩展焦深的硬件方法,如相位空间滤波器和轴向透镜被用于实现贝塞尔光束以改善离焦。与基于硬件的方法相比,信号处理方法提供了替代和灵活的解决方案。例如,干涉合成孔径显微镜(ralston t s,marks d l,carney p s,boppart sa.interferometric synthetic aperture microscopy[j]nature physics.2007,3(2):129-134.)能够实现大深度范围内的高分辨率成像,但需要相位稳定。
3、此外,相干成像中存在的散斑噪声是oct的主要噪声源之一。为了减少散斑噪声的影响,研究人员通过硬件
技术实现思路
1、本专利技术的目的是提供一种无监督的oct en face图像优化方法,以便降低oct enface图像噪声,同时改善因光束离焦导致的oct en face图像分辨率的下降。
2、本专利技术方法首先建立由oct en face低质量图像与oct en face高质量图像对构成的数据集,然后利用循环生成对抗策略学习oct en face低质量图像和oct en face高质量图像间的映射关系,建立oct en face图像优化模型,然后基于oct en face图像优化模型降低oct en face图像噪声,改善oct en face图像离焦,优化oct enface图像质量。
3、为实现以上目的,本专利技术采用如下技术方案:
4、一种无监督的oct en face图像优化方法,包括三个步骤:
5、步骤1:构建oct en face图像优化数据集;
6、所述oct en face图像优化数据集是指由oct en face低质量图像与oct en face高质量图像对构成的数据集;具体构建方法:
7、步骤1.1:构建散斑调制oct系统;具体方法如下:
8、在原有oct系统的样品臂中加入由两个透镜和散射片组成的散斑调制模块用于在成像的过程中调制散斑,从而构建散斑调制oct系统;
9、步骤1.2:利用所述散斑调制oct系统对样品扫描成像,获得样品的散斑调制oct图像,从中选取焦深范围内的散斑调制oct en face图像作为oct en face高质量图像,分别扫描不同样品或样品的不同位置获得一组共n张oct en face高质量图像,所述n是大于等于100的自然数;其中散斑调制的oct图像获取方法如下:
10、在对样品同一位置成像时移动或旋转散射片采集p张散斑噪声模式不同的oct图像;对这些图像平均后可得到该位置的散斑调制oct图像;
11、所述p是2-100之间的自然数;
12、步骤1.3:利用所述散斑调制oct系统采集获得oct图像,从中选取离焦的oct enface图像作为所述oct en face低质量图像,分别扫描不同样品或样品的不同位置获得一组共m张oct en face低质量图像,所述m是大于等于100的自然数;其中oct图像的获取方法如下:
13、在散射片处于静止状态时采集样品得到的oct图像;
14、步骤1.4:从所述m张oct en face低质量图像和n张oct en face高质量图像中各随机选取一张低质量图像和高质量图像构成图像对,共选取q次,获得q个图像对,组成所述oct en face图像优化数据集,所述q是大于等于100的自然数;
15、步骤2:构建oct en face图像优化模型;
16、利用所述oct en face图像优化数据集,通过无监督的深度学习方法学习oct enface低质量图像和oct en face高质量图像间的映射关系,构建所述oct en face图像优化模型;
17、所述无监督的深度学习方法利用循环生成对抗神经网络实现,该循环生成对抗神经网络由两个结构相同的包含生成器和判别器的生成对抗神经网络组成,分别称为第一生成对抗神经网络和第二生成对抗神经网络,它们的生成器分别称为第一生成器和第二生成器。第一生成器(命名为gx→y)负责从oct en face低质量图像x生成oct en face高质量图像y。第二生成器(命名为gy→x)负责从oct en face高质量图像y生成oct en face低质量图像x。每个生成器都与一个判别器相关联,该判别器学习区分真实数据和生成数据;
18、在训练过程中,oct en face低质量图像x经过第一生成器和第二生成器得到预测的oct en face低质量图像gy→x(gx→y(x)),oct en face高质量图像y经过第二生成器和第一生成器得到预测的oct en face高质量图像gx→y(gy→x(y)),并通过对抗损失函数和循环一致性损失函数组成的总损失函数来交替更新生成器和判别器的参数;
19、所述对抗损失函数lossgan如公式(1)所示,其中lossgan(gx→y,dy)和lossgan(gy→x,dx)分别是第一生成对抗神经网络和第二生成对抗神经网络的对抗损失函数,dy和dx是判别器的输出概率,e[.]表示对所有数据取平均值的操作;
20、lossgan=lossgan(gx→y,dy)+loss本文档来自技高网...
【技术保护点】
1.一种无监督的OCT en face图像优化方法,其特征在于,包括如下步骤:
2.根据权利要求1所述无监督的OCT en face图像优化方法,其特征在于,所述构建散斑调制OCT系统的方法是,在原有OCT系统的样品臂中加入由两个透镜和散射片组成的散斑调制模块用于在成像的过程中调制散斑,从而构建散斑调制OCT系统。
3.根据权利要求1所述无监督的OCT en face图像优化方法,其特征在于,所述散斑调制的OCT图像的获取方法是,在对样品同一位置成像时移动或旋转散射片采集P张散斑噪声模式不同的OCT图像;对这些图像平均后可得到该位置的散斑调制OCT图像;
4.根据权利要求1所述无监督的OCT en face图像优化方法,其特征在于,步骤1.3中所述OCT图像的获取方法是,在散射片处于静止状态时采集样品得到的OCT图像。
5.根据权利要求1所述无监督的OCT en face图像优化方法,其特征在于,所述无监督的深度学习方法利用循环生成对抗神经网络实现,该循环生成对抗神经网络由两个结构相同的包含生成器和判别器的生成对抗神经网络组成,分别
6.根据权利要求5所述无监督的OCT en face图像优化方法,其特征在于,所述对抗损失函数LossGAN如公式(1),其中LossGAN(GX→Y,DY)和LossGAN(GY→X,DX)分别是第一生成对抗神经网络和第二生成对抗神经网络的对抗损失函数,DY和DX是判别器的输出概率,E[.]表示对所有数据取平均值的操作;
7.根据权利要求5所述无监督的OCT en face图像优化方法,其特征在于,所述循环一致性损失函数Losscyc1e如公式(2)所示,定义为OCT enface低质量图像x与预测的OCT enface低质量图像GY→X(GX→Y(x))的差值以及OCT en face高质量图像y与预测的OCT en face高质量图像GX→Y(GY→X(y))的差值的和,其中E[.]表示对所有数据取平均值的操作,
8.根据权利要求5所述无监督的OCT en face图像优化方法,其特征在于,所述总损失函数Lossfull如公式(3)所示,其中权重因子λ用于控制循环一致性损失函数Losscycle在总损失函数中的权重,LossGAN(GX-Y,DY)和LossGAN(GY→X,DX)分别是第一生成对抗神经网络和第二生成对抗神经网络的对抗损失函数,所述λ是0-100之间的有理数;
9.根据权利要求5所述无监督的OCT en face图像优化方法,其特征在于,所述对于待处理的OCT en face低质量图像,输入到所述OCT en face图像优化模型,是指将待处理的OCT en face低质量图像输入到所述OCT en face图像优化模型的第一生成器中。
10.根据权利要求1至9任一项所述无监督的OCT en face图像优化方法,其特征在于,所述OCT系统可以是时域OCT、谱域OCT或扫频源OCT系统。
...【技术特征摘要】
1.一种无监督的oct en face图像优化方法,其特征在于,包括如下步骤:
2.根据权利要求1所述无监督的oct en face图像优化方法,其特征在于,所述构建散斑调制oct系统的方法是,在原有oct系统的样品臂中加入由两个透镜和散射片组成的散斑调制模块用于在成像的过程中调制散斑,从而构建散斑调制oct系统。
3.根据权利要求1所述无监督的oct en face图像优化方法,其特征在于,所述散斑调制的oct图像的获取方法是,在对样品同一位置成像时移动或旋转散射片采集p张散斑噪声模式不同的oct图像;对这些图像平均后可得到该位置的散斑调制oct图像;
4.根据权利要求1所述无监督的oct en face图像优化方法,其特征在于,步骤1.3中所述oct图像的获取方法是,在散射片处于静止状态时采集样品得到的oct图像。
5.根据权利要求1所述无监督的oct en face图像优化方法,其特征在于,所述无监督的深度学习方法利用循环生成对抗神经网络实现,该循环生成对抗神经网络由两个结构相同的包含生成器和判别器的生成对抗神经网络组成,分别称为第一生成对抗神经网络和第二生成对抗神经网络,它们的生成器分别称为第一生成器和第二生成器;第一生成器命名为gx→y,负责从oct en face低质量图像x生成oct en face高质量图像y;第二生成器命名为gy→x,负责从oct en face高质量图像y生成oct en face低质量图像x;每个生成器都与一个判别器相关联,该判别器学习区分真实数据和生成数据;在训练过程中,oct en face低质量图像x经过第一生成器和第二生成器得到预测的oct en face低质量图像gy→x(gx→y(x)),oct en face高质量图像y经过第二生成器和第一生成器得到预测的oct en face高质量图像gx→y(gy→x(y)),并通过对抗损失函数和循...
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。