[发明专利]一种基于深度学习的眼部OCT图像清晰化方法

权利要求书

1.一种基于深度学习的眼部OCT图像清晰化方法，其特征在于：包括以下步骤：

S1：从非配对的数据集上提取噪点图与清晰图，数据集内储存有清晰图以及与清晰图不对应的噪点图；

S2：将提取噪点图与清晰图输入至双层CycleGAN进行处理；

S3：第一层CycleGAN进行第一次训练，将产生的清晰图与原噪点图融合；

S4：使用第二层CycleGAN进行第二次训练，得到输出图；

S5：得到最终结果图；

CycleGAN架构内设置有MuitiU-Net网格结构，所述MuitiU-Net网格结构采用多层网络，每层下采样的层数和步幅都不一致，中间block的网络层数，激励函数可互不相同；

所述CycleGAN架构由2个生成器和2个判别器构成一种双向环状结构；

所述双层CycleGAN结构中noise：初始噪点图、clean：目标迁移对象图、cleaned1：第一层CycleGAN清晰化后的图像、noise1：将noise与cleaned1加权融合后的图像、cleaned2：第二层CycleGAN清晰化后的图像，即最终输出；

将初始噪点图noise与目标迁移对象图clean输入至第一层CycleGAN，从而输出第一层CycleGAN清晰化后的图像cleaned1，将noise初始噪点图与第一层CycleGAN清晰化后的图像通过Merge加权融合输出noise1，将noise1与目标迁移对象图clean输入至第二层CycleGAN中，输出第二层CycleGAN清晰化后的图像cleaned2。

2.根据权利要求1所述的一种基于深度学习的眼部OCT图像清晰化方法，其特征在于：所述CycleGAN架构采用Wasserstein距离作为正则项，指导网络训练；Wasserstein的距离公式：

其中W(p _r,p_g)是p_r和p_g组合的所有联合分布集合。

3.根据权利要求1所述的一种基于深度学习的眼部OCT图像清晰化方法，其特征在于：所述生成器G,F负责生成图像，且不断使从源域X生成的图像G(X)接近目标域F的图像F(G(X))，所述判别器DX和DY则不断地提升分辨能力，判断输入图像是来自生成架构分布还是真实样本分布。