[发明专利]图像处理的方法、装置、电子设备及存储介质

权利要求书

1.一种图像处理的方法，其特征在于，包括：

在获取针对探查对象的光学相干断层扫描OCT图像组的过程中，获取针对所述探查对象的血管造影图像组；

对所述OCT图像组和所述血管造影图像组中各个血管造影图像进行配准，获得配准参数；

基于所述OCT图像组中的各个OCT图像，生成所述各个OCT图像对应的光衰减系数图像组；

计算所述光衰减系数图像组中每个所述光衰减系数图像的斑块衰减指数IPA值；

基于所述配准参数，利用所述IPA值对所述血管造影图像组中的各个血管造影图像进行标记，获得目标血管造影图像组。

2.如权利要求1所述的方法，其特征在于，对所述OCT图像组和所述血管造影图像组中各个血管造影图像进行配准，获得配准参数，包括：

检测所述各个血管造影图像中的回拉路径；

针对所述血管造影图像组中的每个血管造影图像，根据OCT图像组的帧频，对所述血管造影图像中的回拉路径进行等间隔采样，得到每个OCT图像与所述回拉路径上像素点位置的对应关系；

将每个OCT图像与所述回拉路径上像素点位置的对应关系作为所述配准参数。

3.如权利要求2所述的方法，其特征在于，检测所述各个血管造影图像中的回拉路径，包括：

利用预先训练得到的目标检测模型，检测所述各个血管造影图像中的回拉血管；

在所述各个血管造影图像中的所述回拉血管中，检测显影目标物的起始位置和终止位置；

利用最近点迭代算法，将所述起始位置和所述终止位置投影到所述各个血管造影图像；

利用最短路径算法，基于所述各个血管造影图像中的起始位置和终止位置，获得所述各个血管造影图像中的回拉路径。

4.如权利要求3所述的方法，其特征在于，所述目标检测模型为注意力U型网络Attention-U-net模型；

所述Attention-U-net模型采用预先标注回拉血管的血管造影图像样本集训练；

所述Attention-U-net模型采用包含扩大回拉血管权重参数的损失函数训练。

5.如权利要求1所述的方法，其特征在于，基于所述OCT图像组中的各个OCT图像，生成所述各个OCT图像对应的斑块衰减系数光衰减系数图像组，包括：

采用预先训练得到的循环生成对抗网络，基于OCT图像组中各个OCT图像，获得所述各个OCT图像对应光衰减系数图像。

6.如权利要求5所述的方法，其特征在于，所述循环生成对抗网络是采用多台OCT设备生成的OCT图像样本集，以及根据所述OCT图像样本集确定的光衰减系数图像样本集训练得到的；

训练所述循环生成对抗网络的损失函数包含循环一致性损失；

所述循环一致性损失包含第一生成损失项和第二生成损失项；

所述第一生成损失项包含与第一生成样本的像素值负相关的第一权重系数；所述第一生成样本为所述OCT图像样本；

所述第二生成损失项包含与第二生成样本的像素值负相关的第二权重系数；所述第二生成样本为所述光衰减系数图像样本。

7.如权利要求2所述的方法，其特征在于，基于所述配准参数，利用所述IPA值对所述血管造影图像组中的各个血管造影图像进行标记，获得目标血管造影图像组，包括：

根据预设的IPA值与标记参数的对应关系，将各个所述IPA值转换为标记参数；

根据所述配准参数，在所述各个血管造影图像的目标位置，显示对应的光衰减系数图像的标记参数，所述目标位置为光衰减系数图像对应的回拉路径上像素位置。