[发明专利]一种视网膜OCT图像分层算法

权利要求书

1.一种视网膜OCT图像分层算法，其特征在于，所述算法包括如下步骤：

采集视网膜OCT三维图像并提取B扫描方向的B扫描切片，训练深度学习模型；

对所述视网膜OCT三维图像进行内外视网膜边界预测，获取视网膜OCT三维图像中第一层、第六层、第七层和第十一层的粗略分层结果；

根据获取的粗略分层结果中所述第一层和第七层的边界信息，对源输入的视网膜OCT三维图像在B扫描方向上各个切片图像进行对齐操作，获取对齐的三维视网膜OCT图像；

对对齐的视网膜OCT三维图像下采样至L2体图像，获取L2体图像第一、二、五、七、十一层的精确分层结果，其中，L2体图像的深度为视网膜OCT三维图像深度的1/2，L2体图像中B扫描切片图像的宽为视网膜OCT三维图像宽的1/8，高为视网膜OCT三维图像高的1/8；

将L2体图像精确分层的结果上采样至L1体图像，获取L1体图像第一、二、六、七、九、十一层精确分层结果，其中，L1体图像的深度为视网膜OCT三维图像深度的1/2，L1体图像中B扫描切片图像的宽为视网膜OCT三维图像宽的1/2，高为视网膜OCT三维图像高的1/2；

将L1体图像的精确分层结果上采样至视网膜OCT三维图像，获取对齐操作后的视网膜OCT三维图像的精确分层结果，并将精确分层的结果调整到源输入的视网膜OCT三维图像，获取源输入的视网膜OCT三维图像的精确分层结果。

2.根据权利要求1所述的视网膜OCT图像分层算法，其特征在于，采用训练好的深度学习模型进行内外视网膜边界预测。

3.根据权利要求2所述的视网膜OCT图像分层算法，其特征在于，所述深度学习模型的训练方法包括如下步骤：

选取预先采集的视网膜OCT三维图像中B扫描切片图像作为训练数据，选取对应的内外视网膜三值图作为训练金标准，其中，内外视网膜三值图包括背景、内视网膜和外视网膜三种像素值；

构建神经网络包括：收缩路径和扩展路径；

所述收缩路径包括四层，每层都包括卷积层和最大池化层，在每个卷积层后对采集的B扫描切片，进行下采样操作；其中，B扫描切片是从预先采集的视网膜OCT三维图像中提取的；

所述扩展路径包括四层，每层都包括卷积层，每层在上采样过程中都加入来自相应收缩路径的特征图；在网络的最后一层是一个1*1的卷积层，将64通道的特征向量转换为粗略分层结果。

4.根据权利要求3所述的视网膜OCT图像分层算法，其特征在于，采集的所述B扫描切片图像包括正常的B扫描切片图像和患病的B扫描切片图像。

5.根据权利要求1所述的视网膜OCT图像分层算法，其特征在于，所述对齐处理包括如下步骤：

以粗略分层结果中第一层、第七层信息的每个点的位置的平均值为该B扫描切片的相对位置；

以相对位置最大的B扫描切片的相对位置为基准位置，其余B扫描切片以基准位置与各自相对位置的差值作为移动距离，分别移动至基准位置，得到各B扫描切片对齐的视网膜OCT三维图像。

6.根据权利要求1所述的视网膜OCT图像分层算法，其特征在于，对L2体图像视网膜第一、二、五、七、十一层进行精确分层包括如下步骤：

获取L2体图像第一层的位置和L2体图像第七层的位置；

以L2体图像第一层和L2体图像第七层位置的平均值为上界，以L2体图像第七层的位置加上补偿项为下界，获取L2体图像第五层的位置以及更新后L2体图像第七层的位置；

以更新后的L2体图像第七层的位置为上界，L2体图像第七层的位置加上补偿项为下界，获取L2体图像第十一层的位置；

以L2体图像第五层的位置为上界，L2体图像第十一层的位置减去补偿项为下界，重新获取L2体图像第七层的位置；

以L2体图像第一层的位置为上界，L2体图像第五层的位置为下界，获取L2体图像第二层的位置。

7.根据权利要求1所述的视网膜OCT图像分层算法，其特征在于，对L1体图像第一、二、六、七、九、十一层进行精确分层包括如下步骤：

将L2体图像的分层结果上采样到L1体图像，以L1体图像第七层的位置为上界，L1体图像第十一层的位置加上补偿项为下界，获取L1体图像第十一层的位置；

以L1体图像第一层的位置为上界，L1体图像第五层的位置减去补偿项为下界，获取L1体图像第二层的位置；

以L1体图像第一层的位置减补偿项为上界，L1体图像第二层的位置加上补偿项为下界，获取新的L1体图像第一层的位置；

以L1体图像第五层的位置为上界，L1体图像第七层的位置为下界，获取L1体图像第六层的位置；

以L1体图像第六层的位置为上界，L1体图像第十一层的位置减补偿项为下界，获取L1体图像第七层的位置与L1体图像第九层的位置。