[发明专利]一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置

权利要求书

1.一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法，其特征在于，包括以下步骤：

(1)获得图像信号预处理后的脉络膜的OCT图像；

(2)基于深度学习智能化分割脉络膜内外边界；

(3)自适应阈值分离出脉络膜血管与非血管；

(4)三维全局和各区域定量化指标。

2.根据权利要求1所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法，其特征在于，所述的步骤(2)基于深度学习智能化分割脉络膜内外边界，包括以下步骤：

a、基于最短路径图论算法和对OCT影像脉络膜的内外边界进行半自动标注，准确描绘出图像中脉络膜的上下边界；将已标注的脉络膜图像集按8：2随机分为训练集、测试集两个部分；

b、将训练图像输入开源的深度学习神经网络模型中，训练优化算法设为随机梯度下降法(SGD)，算法学习比率为1.0e-5，迭代动量为0.9，迭代代价函数为Dice系数，迭代遍历数为150，批样本量为8，此外，对输入图像进行必要的增强处理，改善模型的鲁棒性，其中，Dice系数计算公式为：

其中X表示的是脉络膜边界预测集，Y表示的是脉络膜边界标注集，|X∩Y|表示两个集合之间的相交部分或重叠部分，|X|+|Y|表示两者的总量，Dice系数越大，表明两个集合相似度越高，模型越准确；当预测集与标注集完全相同时，Dice系数为1；当预测集与标注集不相关时，Dice系数为0，在模型训练过程中，设置Dice系数大于0.95作为目标函数；

c、将测试集图像输入深度学习神经网络模型中，计算脉络膜边界的输出结果和标注集之间的Dice系数、边界误差来评估深度学习神经网络模型的分割性能。

3.根据权利要求1所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法，其特征在于，所述的步骤(3)自适应阈值分离出脉络膜血管与非血管，包括以下步骤：

A、在OCT图像中，以长度和宽度都为2*w+1个像素块的正方形框作为局部窗口，w为最大不超过图像的长度和宽度的一半的正整数，坐标(x,y)为这个正方形框的几何中心，统计框内所有像素块的亮度信息，求得其均值m(x,y)和方差s(x,y)，根据参数k，求得框内阈值T(x,y)，计算公式如下：

T(x,y)＝m(x,y)+k*s(x,y)；

B、根据框内阈值T(x,y)，对框内所有像素块进行二值化处理，如下所示：

其中i和j是表征像素块相对几何中心(x，y)的相对坐标，A_x+i,y+j表示坐标(x+i,y+j)像素块的亮度，A_x+i,y+j表示坐标(x+i,y+j)像素块的的二值化数据；

C、依次移动局部窗口，实现OCT图像中所有像素块亮度矩阵A的二值化处理，获得二值化矩阵B。

4.根据权利要求1所述的一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法，其特征在于，所述的步骤(4)三维全局和各区域定量化指标，包括以下步骤：

i、图像获取：以眼底黄斑中心凹为中心，通过放射状扫描模式进行成像，获取m张脉络膜二维横断面数据；

ii、特征点标记：以黄斑中心凹作为OCT图像的特征点进行标记，用于后续图像配准；

iii、图像配准：通过水平平移黄斑中心凹的位置，使所有OCT图像中黄斑中心凹在空间坐标中横坐标相同，实现图像的配准；

iiii、脉络膜三维空间重建：基于深度学习神经网络模型所获得的脉络膜上下界，提取配准后的图像中脉络膜区域模板M(x,y,z)，并结合自适应阈值方法自动分离血管和基质，得到二值化后的三维空间脉络膜结构矩阵V(x,y,z)；

iiiii、指标建立及测试：我们建立脉络膜血管体积CVV、脉络膜非血管体积SV、脉络膜血管指数CVI和脉络膜缺血指数CII等指标进行量化，各指标的计算公式如下所示：

其中P_x,P_y,P_z分别表征在三维空间中体像素沿x，y和z轴的物理几何长度，n,m和k分别表示三维空间矩阵中沿x，y和z轴的像素数目。