【技术实现步骤摘要】
本专利技术属于图像处理领域，具体涉及一种用于光学相干断层扫描图像的高反射病灶分割方法和装置。
技术介绍
1、糖尿病视网膜病变（diabetic retinopathy，dr）是糖尿病最常见的并发症之一。每10名糖尿病患者中约有1名因dr而出现视力障碍。dr患者视力障碍的主要原因之一是糖尿病性黄斑水肿（diabetic macular edema，dme）。研究表明，在dr患者中，血视网膜屏障的破坏导致视网膜内的液体渗漏增加，从而产生dme并最终有可能导致视力丧失。
2、近几十年来，高分辨率眼底成像技术的进步可以帮助医生发现视网膜疾病的特定成像特征，这些特征可作为该疾病的诊断、预测和预后生物标志物。光学相干断层扫描技术(optical coherence tomography，oct)是一种可以实现视网膜内各层结构可视化的成像工具，由于其非侵入性、可负担性和高分辨率，该成像工具被建议作为诊断和监测dme的金标准。dme在oct图像上的一个重要特征是“高反射病灶”（hyper-reflective foci，hrf），表现为视网膜上看到的任何高反射病变、局灶性或点状外观。
3、研究表明，hrf与脂质外渗、小胶质细胞、迁移性视网膜色素上皮细胞、退化的感光细胞和视觉预后有关。最近几项研究表明，hrf可作为研究dme的有效生物标志物，因为它与神经胶质细胞、单核细胞和巨噬细胞表达的可溶性分化簇14（cd14）促炎细胞因子相关。
4、目前临床上对dme患者眼底的筛查主要是通过人工阅片实现，这就要求眼科医生具
5、最近，由于数据量和计算性能的提升，深度学习技术也显示出在医学图像分割任务中的优势。目前这些工作中的绝大多数，都是基于oct的二维横截面图像(b-scan)进行，这些工作表明oct的b-scan表示为医生分析视网膜hrf提供了重要参考。
6、然而，相邻b-scan图像之间病灶的微小变化往往在二维空间中难以察觉。另一方面，部分工作基于oct体数据（三维原始数据），利用了原始三维数据中的丰富信息。然而，由于hrf的体积通常很小（20-50μm），并且往往只跨越2-3个b-scan图像，传统的基于完整oct体数据的方法往往导致模型参数冗余。另外，视网膜hrf不仅尺寸很小，而且往往没有固定的形状或纹理特征，很容易导致误报或漏报，因此在视网膜复杂的背景下，实现准确有效的hrf分割具有较大难度。
7、针对上述问题，公开号为cn112184576a的专利文献公开了一种光谱域光学相干层析成像中的高反射亮斑增强方法，包括：利用传递函数（sigmoid）来控制输入图像的范围压缩。将直方图均衡化应用于s形（sigmoid）传递函数的输出图像。对图像进行直方图均衡化和对数变换。同时，用上述两种方法变换域函数，直方图匹配通过数据映射将两个平行过程结合在一起；将逆对数和逆正交应用于映射数据进行数据转换，以获得增强图像。但是，该专利技术采用直方图增强全局对比度，可能会导致局部对比度降低，从而丢失细节信息，影响分割精度。
8、公开号为cn112308829a的专利文献公开了一种适用于视网膜光学相干断层扫描图像中高反射亮斑分割的自适应网络，包括：特征编码模块、自适应sa模块、特征解码模块；特征编码模块包括特征提取单元、双重残差dr模块，双重残差dr模块包括两个残差块；自适应sa模块包括特征输入端、可变形卷积层、矩阵乘法、像素级求和；特征解码模块重构自适应sa模块产生的高层特征，并通过2×2反卷积层反卷积逐渐与双重残差dr模块引导的局部信息进行特征拼接，通过一个1×1卷积层卷积得到的结果作为特征解码模块的输出。但是，该专利技术采用2d网络进行图像分割，没有考虑到待分割图像的前后帧信息，且只在网络的最深层设置了特征增强，难以保证分割准确度。
技术实现思路
1、本专利技术的目的是提供一种用于光学相干断层扫描图像的高反射病灶分割方法和装置，设计了一种基于区域自适应选择和相邻帧引导的生成对抗网络（adaptive regionselectivity and adjacent frames-guided gan，ad-gan）的医学图像分割框架，将待分割的oct图像的相邻三帧作为输入，充分结合前后帧信息，同时设置了双重判别器，以进行严格的定量评价，能够明显提升oct高反射病灶分割和智能医疗诊断精度。
2、为实现上述专利技术目的，本专利技术提供的技术方案如下：
3、第一方面，本专利技术实施例提供的一种用于光学相干断层扫描图像的高反射病灶分割方法，包括以下步骤：
4、步骤1：采集目标图像的相邻三帧b-scan图像作为源域数据，对源域数据中的高反射病灶进行人工标注，得到分割图像域数据；
5、步骤2：构建用于高反射病灶分割的ad-gan框架，所述ad-gan框架包含ad-net生成器和双重判别器，其中，ad-net生成器包含区域自适应选择模块和相邻帧引导模块，分别用于将源域数据转换为模型预测图像以及为模型预测图像补充细节特征，双重判别器由第一判别器和第二判别器组成，用于评估模型预测图像的生成质量并优化；
6、步骤3：将源域数据输入ad-gan框架，经过ad-net生成器得到模型预测图像，计算模型预测图像和分割图像域数据之间的第一分割损失，将模型预测图像和分割图像域数据分别与源域数据级联，通过第一判别器计算第一对抗损失，通过第二判别器计算模型预测图像和分割图像域数据之间的第二对抗损失，根据第一分割损失、第一对抗损失和第二对抗损失得到ad-gan框架的整体分割损失，通过整体预测损失最小化，完成训练；
7、步骤4：将训练好的ad-gan框架用于视网膜图像中高反射病灶的实际推理，得到高反射病灶的分割图。
8、本专利技术的技术构思为：本专利技术针对现有的视网膜hrf分割算法无法高效兼顾octb-scan帧内信息和帧间信息，且无法获取固定形状或纹理特征的问题，将医学图像病灶分割任务转换为从源域图像到仅保留目标病灶的分割图像任务，提出了一种用于高反射病灶分割的ad-gan框架，包含ad-net生成器和双重判别器，其中，ad-net生成器用于生成模型预测图像，双重判别器用于优化模型预测图像的生成质量，以人工标注的病灶图像为真值标签，使ad-net生成器生成的模型预测图像无限接近真值标签，达到分割目的。
9、本专利技术以待分割oct图像的相邻三帧作为ad-gan框架的输入，充分考虑前后帧信息。另外，在ad-net生成器中设置了区域自适应选择模块和相邻帧引导模块，区域自适应选择模块包括图像块挤压激励适配器组和区域注意力分配组件，在该模块的每一层均设置了特征增强模块，从本文档来自技高网...
【技术保护点】
1.一种用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，步骤2中，所述的Ad-Net生成器，基于Unet的编码器-解码器架构，由包含区域自适应选择模块和相邻帧引导模块的编码器层和具有跳跃连接的解码层组成。
3.根据权利要求2所述的用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，步骤2中，所述的区域自适应选择模块，包括图像块挤压激励适配器组和区域注意力分配组件：
4.根据权利要求3所述的用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，步骤2中，所述的相邻帧引导模块，包括长程特征库、空间注意力块和通道注意力块：
5.根据权利要求1所述的用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，步骤3中，所述的第一分割损失，用公式表示为：
6.根据权利要求1所述的用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，步骤3中，所述的第一对抗损失，用公式表示为：
7.根据权利要求1所述的
8.根据权利要求5或6或7所述的用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，步骤3中，所述的根据第一分割损失、第一对抗损失和第二对抗损失得到Ad-GAN框架的整体分割损失，具体为：
9.一种用于光学相干断层扫描图像的高反射病灶分割装置，其特征在于，包括数据采集单元、Ad-GAN框架构建单元、Ad-GAN框架训练单元、Ad-GAN框架实际推理单元；
10.一种用于光学相干断层扫描图像的高反射病灶分割设备，包括存储器和处理器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于当执行所述计算机程序时，实现权利要求1-8任一项所述的用于光学相干断层扫描图像的高反射病灶分割方法。
...【技术特征摘要】
1.一种用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，步骤2中，所述的ad-net生成器，基于unet的编码器-解码器架构，由包含区域自适应选择模块和相邻帧引导模块的编码器层和具有跳跃连接的解码层组成。
3.根据权利要求2所述的用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，步骤2中，所述的区域自适应选择模块，包括图像块挤压激励适配器组和区域注意力分配组件：
4.根据权利要求3所述的用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，步骤2中，所述的相邻帧引导模块，包括长程特征库、空间注意力块和通道注意力块：
5.根据权利要求1所述的用于光学相干断层扫描图像的高反射病灶分割方法，其特征在于，步骤3中，所述的第一分割损失，用公式表示为：
6.根据权利要求1所述的用于光学相干...
【专利技术属性】
技术研发人员：王兴国，马煜辉，张炯，岳星宇，阎岐峰，赵一天，
申请(专利权)人：中国科学院宁波材料技术与工程研究所，
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。