[发明专利]一种面向光学相干断层图像斑块形态检测方法

说明书

本发明公开涉及一种面向光学相干断层图像斑块形态检测方法，涉及图像处理技术领域。所述面向光学相干断层图像斑块形态检测方法，基于深度学习建模思想和基于网络端到端训练思想利用一个构建的U‑net网络，并且使用焦点损失函数，使用交并比和混合矩阵作为评价模型表现的指标，构建OCT图像斑块形态检测完整计算框架；既先对感兴趣板块区域进行检查分割，然后在分割的基础上对不同板块进行分类检测；提出了一种新颖、有效的OCT图像板块检测方法，为OCT图像斑块检测任务提供了一种全新的思路。

技术领域

本发明涉及图像处理技术领域，具体的涉及一种面向光学相干断层图像斑块形态检测方法。

背景技术

光学相干断层扫描技术(光学相干层析技术，Optical Coherence tomography,OCT)是近十年迅速发展起来的一种成像技术，它利用弱相干光干涉仪的基本原理，检测生物组织不同深度层面对入射弱相干光的背向反射或几次散射信号，通过扫描，可得到生物组织二维或三维结构图像。由于OCT图像可以展现血管浅层的细节特征，在疾病预测方面的作用愈发重要，其研究工作也越来越多。OCT图像早先的算法利用手工标定OCT图像去检测不同的区域，既费时又费力，其准确性更易受标定者极大的影响。Rabel等人介绍了利用OCT图像，结合IVUS/VH-IVUS图像联合去检测斑块区域来预测疾病的算法。虽然准确率较之以前有所提升，但仍然是及其费时的，其准确性仍然受到人的专业程度影响，得不到保证。

为了克服这些障碍，一些基于半监督学习和完全自动分割方法被提出。其中，Wang等人提供了一种利用动态规划去测量纤维帽厚度的半自动分割算法，这种算法利用衰减系数(attenuation coefficients)去描述纤维帽的厚度特征。Athanasiou等人提出了一种可以自动分割OCT图像浅层中的不同斑块的算法。这些算法的分割效果比较明显，但是泛化能力有限。一些学者利用支持向量机(SVM)去对不同斑块区域做分类。然而，由于OCT图像中各种斑块面积分布差异性很大，造成了数据不平衡问题，利用SVM去对区域做分类并没有取得很好的效果。2012年，Krizhevsky等人在大规模视觉识别挑战赛(ILSVRC)中取得了第一名的成绩，拉开了深度学习的大幕。随后，深度学习在计算机视觉的各个领域都取得了十足的进展：在图像分类方面，Kaiming He等人提出的Resnet成功刷新了ILSVRC的成绩，成为了现在许多工作的基础。在图像分割方面，全卷积网络(FCN)的出现为图像分割领域带来了新的思路。RCNN,Faster-RCNN,Mask-RCNN系列算法一步步刷新了目标检测领域新的高度。在物体生成方面，生成对抗网络(GAN)开启了无监督学习新的大门。在医学图像处理方面，针对医学图像数据集小的特点，Olaf Ronneberger等人提出的U-net网络结构取得了优异的表现。针对深度学习中极度的正负样本不平衡问题，Tsung-Yi Lin等人提出了焦点损失函数(Focal loss)，通过可调节参数，降低损失值，减小了易分类样本在网络学习中的影响，让网络专注于难分类样本的学习，从而有效地减缓了数据不平衡问题。可以自动学习数据内部特征、算法泛化能力强是深度学习较之传统算法的两大优势。

随着计算机硬件水平的逐步提升，计算机计算能力日益增强，使得以密集计算为代表的深度学习技术蓬勃发展，进而深刻地影响着计算机视觉各个领域；目前，并没有利用深度学习对斑块形态检测建模的研究，如何对OCT图像中不同斑块进行精确的区域分割一直是OCT图像中不同斑块检测待解决的核心问题。

发明内容

针对现有技术存在的上述问题，本发明提供了一种面向光学相干断层图像斑块形态检测方法，利用深度学习建模思想，构建出一个可以端到端学习的算法，同时进行总体斑块检测和不同斑块检测任务提出了一种新颖、有效的OCT图像板块检测方法，为OCT图像斑块检测任务提供了一种全新的思路。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

一种面向光学相干断层图像斑块形态检测方法，包括以下步骤：