[发明专利]一种基于对抗学习的多光谱眼底图像分析方法及系统

说明书

本发明公开的一种基于对抗学习的多光谱眼底图像分析方法及系统，包括：获取多光谱眼底图像，包括有血管标签图像和无血管标签图像；将多光谱眼底图像输入至训练好的眼底图像分析模型中，获取多光谱眼底图像的配准结果；其中，眼底图像分析模型包括眼底图像配准模型和视网膜血管分割模型，训练时，眼底图像配准模型和视网膜血管分割模型分别采用有血管标签图像进行单独训练；眼底图像配准模型和视网膜血管分割模型根据无血管标签图像进行对抗学习。眼底图像配准模型和视网膜血管分割模型除通过有血管标签图像进行单独训练外，还能够根据无血管标签图像进行对抗学习，提高了图像配准和血管分割的精度。

技术领域

本公开涉及一种基于对抗学习的多光谱眼底图像分析方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

有效的成像技术是眼科疾病的诊断和成功治疗的关键。近年来，已开发出多种用于眼底成像的成像技术，包括彩色眼底照片(CFP)，多光谱成像(MSI)增强的深度成像光学相干断层扫描(EDI-OCT)，眼底自发荧光(FAF)，吲哚菁绿色血管造影进行了眼底荧光素血管造影(ICGA/FFA)。不同的眼科成像技术在显示特定眼科疾病方面显示出独特的优势。

多光谱眼底成像(MSI)技术基于发光二极管(LED)照明以一系列波长拍照，以从视网膜提取光谱信息。利用多光谱成像技术增加了使用三个以上光谱带从生物组织中提取的光谱信息的数量，从而促进了许多疾病的诊断。MSI结合了光谱学和成像的实用性，从而提供了视网膜界标的光谱和空间信息。

波长的组合可以突出显示否则可能不可见的小细节，以实现更好的可视化和鉴别诊断。例如，基于血管和视网膜中的血红蛋白氧合水平，结合580nm和590nm波长图像可以创建视网膜氧/脱氧血红蛋白对比图，可以将760nm和810nm波长的图像合并以创建脉络膜氧/脱氧血红蛋白对比图，550nm和660nm波长的图像构成普通的眼底摄影图像，这在眼部疾病分析中必不可少。因此，有效地估计和消除来自不同光谱的MSI切片之间的空间失准是成像分析期间的第一步。

近年来，对眼底图像的配准的问题已经开发出很多可用方法，多光谱眼底图像的配准却仍是难题。这主要是由于MSI配准有两个主要挑战：第一个挑战是多光谱图像之间的强度差异，RHA使用不同波长的单色LED照明投射到眼底，从而获得多光谱图像，其中每个图像都显示了视网膜和脉络膜特定深度的特征。例如，绿色光谱(550nm)图像显示了视网膜前间隙，并且该层中存在明显的视网膜血管。随着波长的增加，渗透率增加，显示出神经纤维层，神经节细胞层等，直至到达脉络膜。在短波长图像中显示清晰的血管信息，随着波长的增加，脉络膜结构逐渐出现，并且在光谱间图像之间观察到明显的外观差异。幸运的是，视网膜血管仍然可以区分。第二个挑战是由于眼睛不断移动引起的像素不对齐。成像过程中复杂的眼睛运动会在分析MSI图像方面带来巨大挑战。

多光谱眼底图像配准通常是基于视网膜血管结构将图像进行对齐，并且，许多眼科疾病能够反应在视网膜血管上，视网膜血管的提取是分析眼底图像的关键技术，因此，视网膜血管的分割是多光谱眼底图像分析的关键步骤，目前却没有一种多光谱眼底图像对齐与血管分割联合分析的方法。

发明内容

本公开为了解决上述问题，提出了一种基于对抗学习的多光谱眼底图像分析方法及系统，眼底图像配准模型和视网膜血管分割模型除通过有血管标签图像进行单独训练外，还能够根据无血管标签图像进行对抗学习，提高了图像配准和血管分割的精度，且无需手动对多光谱眼底图像进行标记，提高了图像分割、配准的效率。

为实现上述目的，本公开采用如下技术方案：

在一个或多个实施例中，提出了一种基于对抗学习的多光谱眼底图像分析方法，包括：

获取多光谱眼底图像，包括有血管标签图像和无血管标签图像；

将多光谱眼底图像输入至训练好的眼底图像分析模型中，获取多光谱眼底图像的配准结果；