本发明专利技术涉及图像处理技术领域，尤其涉及一种视网膜图像的伪影去除方法、装置及电子设备，该方法包括：获取视网膜的第一层组织结构对应的第一图像和视网膜的第二层组织结构对应的第二图像；其中，第一图像包含伪影或者伪影源，第二图像具有伪影，第一组织结构的深度小于第二组织结构的深度。该方法通过获取视网膜的第一层组织结构对应的第一图像和视网膜的第二层组织结构对应的第二图像后，将上述第一图像、第二图像输入训练完成的深度学习模型，输出去除伪影的第一目标图像或伪影位置预测图以确定目标图像。这样，可以实现去除伪影的同时，更好的保留真实的信号。
1、光学相干断层扫描(optical coherence tomography，简称oct)成像术及光学相干断层血流成像(oct angiography，简称octa)是近年来兴起的无创诊断眼底疾病的重要技术。该方法具有无创，扫描时间短，成像深度高，成像范围广等一些列优点。由于oct光学系统成像的特点，入射光在经过充有血细胞的血管时，会有较多散射。在到达血管下方的组织时，光线的能量比周围没有被血管遮挡的组织要弱；在反射光返回到探测器时候，会再次经过该血管，再次被散射，信号进一步减弱。这会造成oct图像内大血管下方有一个比周围区域更暗的阴影。这会导致含有伪影的oct投影图反映的并不全部是真实的结构信息，伪影会干扰医生对图像作出正确的解读。
4、层投影相减方法的缺点是位于伪影源下方的深层血管的信号在二者相减后会被减弱甚至去除，造成深层血管出现“断裂”的问题。深度解析的血流伪影去除方法的缺点是如果深层血管的血流信号本来就比伪影源信号要弱，则真实的血流信号也会被去除，仍然会造成深层血管斑驳甚至“断裂”的问题。因此相关技术采用的方法仍不能有效地去除伪影。
>1、有鉴于此，本专利技术的目的在于提供一种视网膜图像的伪影去除方法、装置及电子设备。2、第一方面，本申请提供一种视网膜图像的伪影去除方法，该方法包括：
3、获取视网膜的第一层组织结构对应的第一图像和视网膜的第二层组织结构对应的第二图像；其中，第一图像包含为或者伪影源，第二图像包含伪影，第一组织结构的深度小于第二组织结构的深度；
4、将第一图像和第二图像输入训练完成的深度学习，输出去除伪影的第一目标图像或伪影位置预测图；
5、基于去除伪影的第一目标图像或伪影位置预测图，确定目标图像。
6、结合第一方面，获取视网膜的第一层组织结构对应的第一图像和视网膜的第二层组织结构对应的第二图像，其中，第一图像包含伪影或者伪影源，第二图像包含伪影，第一组织结构的深度小于第二组织结构的深度的步骤，包括：
7、获取原始体数据并分层，得到包含伪影源或伪影的第一层组织结构对应的第一体数据和包含伪影的第二层组织结构对应的第二体数据；
8、对第一体数据投影处理得到第一图像和对第二体数据投影处理得到的第二图像，其中，相同的伪影源影响第一图像和第二图像产生伪影或第一图像包含的伪影源影响第二图像产生伪影。
9、结合第一方面，基于伪影位置预测图，确定目标图像的步骤，包括：
10、以伪影位置预测图作为掩膜对第二图像进行去除伪影处理，得到去除伪影后的第二目标图像，并将第二目标图像确定为目标图像。
11、结合第一方面，第一图像和第二图像为结构图像或血管图像。
12、结合第一方面，训练完成的深度学习模型的训练过程如下：
13、采集不同被检眼或同一被检眼不同扫描位置的投影图，投影图包括包含伪影或者伪影源的第三图像和包含伪影的任一层的第四图像；第三图像中的伪影或伪影源的形态和第四图像中的伪影的形态的相似度小于第一设定阈值；
14、模拟具有血管形态的掩膜图像；其中，掩膜图像中的血管形态与第三图像中的伪影或伪影源的形态的相似度小于第一设定阈值，且，掩膜图像中的血管形态与第四图像中的伪影的形态的相似度小于第一设定阈值；
15、将掩膜图像与第三图像融合得到第一融合图，并将掩膜图像与第四图像融合得到第二融合图；
16、将第一融合图和第二融合图输入预设的深度学习模型，输出训练结果图；
17、根据训练结果和第四图像确定预设的深度学习模型的损失函数值或根据训练结果和掩膜图像确定预设的深度学习模型的损失函数值；
18、根据损失函数值优化预设的深度学习模型，直至预设的深度学习模型的损失函数值小于或等于预设第二设定阈值，或，预设的深度学习模型的迭代轮次达到预设迭代轮次，得到训练完成的深度学习模型。
19、结合第一方面，若训练结果为灰度图、概率分布图或二值化图中的一种；根据训练结果图和第四图像确定预设的深度学习模型的损失函数值的步骤包括：
20、若训练结果为灰度图，将灰度图与第四图像之间的残差确定为预设的深度学习模型的损失函数值；
21、若训练结果图为概率分布图或二值化图，将训练结果与掩膜图像的交叉熵确定为预设的深度学习模型的损失函数值。
22、结合第一方面，若训练结果包括灰度图和概率分布图，或者，训练结果包括灰度图和二值化图；根据训练结果、第四图像、掩膜图像，确定预设的深度学习模型的损失函数值的步骤包括：
23、将灰度图与第四图像之间的残差确定为预设的深度学习模型的第三损失函数值；
24、将概率分布图或二值化图中的一个与掩膜图像的交叉熵确定为预设的深度学习模型的第四损失函数值；
25、获取第三损失函数对应的第一权重和第四损失函数对应的第二权重；
26、根据第三损失函数值、第一权重、第四损失函数值、第二权重，计算预设的深度学习模型的当前损失函数值。
27、结合第一方面，该方法还包括：
28、获取至少一个其它层组织结构对应的至少一个第五图像，第五图像包含伪影，其中，一个其它层组织结构对应一个第五图像；
29、将第一图像、第二图像和至少一个第五图像输入训练完成的深度学习模型，输出至少一个去除伪影的第一目标图像或伪影位置预测图；
30、基于至少一个去除伪影的第一目标图像或伪影位置预测图，确定目标图像。
31、第二方面，本申请提供一种视网膜图像的伪影去除装置，该装置包括：
32、获取模块，用于获取视网膜的第一层组织结构对应的第一图像和视网膜的第二层组织结构对应的第二图像；其中，第一图像包含伪影或者伪影源，第二图像包含伪影，第一层组织结构的深度小于第二层组织结构的深度；
33、输出模块，用于将第一图像和第二图像输入训练完成的深度学习模型，输出去除伪影的第一目标图像或伪影位置预测图；
34、目标图像确定模块，用于基于去除伪影的第一目标图像或伪影位置预测图，确定目标图像。
35、第三方面，本申请提供一种电子设备，包括存储器和处理器，存储器内存储有计算机程序，处理器执行计算机程序以实现如上述的方法。
36、第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，处理器执行计算机程序，以实现如上述的方法。
37、本专利技术实施例带来了以下有益效果：
38、本专利技术提供了一本文档来自技高网...
【技术保护点】
1.一种视网膜图像的伪影去除方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，获取所述视网膜的第一层组织结构对应的第一图像和所述视网膜的第二层组织结构对应的第二图像，其中，所述第一图像包含伪影或者伪影源，所述第二图像包含伪影，所述第一层组织结构的深度小于所述第二层组织结构的深度的步骤，包括：
3.根据权利要求1所述的方法，其特征在于，基于所述伪影位置预测图，确定目标图像的步骤，包括：
4.根据权利要求1所述的方法，其特征在于，所述第一图像和所述第二图像为结构图像或血管图像。
5.根据权利要求1所述的方法，其特征在于，所述训练完成的深度学习模型的训练过程如下：
6.根据权利要求5所述的方法，其特征在于，若所述训练结果为灰度图、概率分布图或二值化图中的一种；根据所述训练结果图和所述第四图像确定所述预设的深度学习模型的损失函数值的步骤包括：
7.根据权利要求5所述的方法，其特征在于，若所述训练结果包括灰度图和概率分布图，或者，所述训练结果包括灰度图和二值化图；根据所述训练结果、所述第四图像、所述掩膜图像，确定所述预设的深度学习模型的损失函数值的步骤包括：
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
9.一种视网膜图像的伪影去除装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器内存储有计算机程序，所述处理器执行所述计算机程序以实现如权利要求1-8任一项所述的方法。
...
【技术特征摘要】
1.一种视网膜图像的伪影去除方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，获取所述视网膜的第一层组织结构对应的第一图像和所述视网膜的第二层组织结构对应的第二图像，其中，所述第一图像包含伪影或者伪影源，所述第二图像包含伪影，所述第一层组织结构的深度小于所述第二层组织结构的深度的步骤，包括：
3.根据权利要求1所述的方法，其特征在于，基于所述伪影位置预测图，确定目标图像的步骤，包括：
4.根据权利要求1所述的方法，其特征在于，所述第一图像和所述第二图像为结构图像或血管图像。
5.根据权利要求1所述的方法，其特征在于，所述训练完成的深度学习模型的训练过程如下：
6.根据权利要求5所述的方法，其特...
【专利技术属性】
技术研发人员：王征宇，周祺平，
申请(专利权)人：视微影像河南科技有限公司，
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。