[发明专利]一种基于复值神经网络的OCT轴向超分辨方法及系统

权利要求书

1.一种基于复值神经网络的OCT轴向超分辨方法，其特征在于，包括：

用OCT系统采集样品的原始数据，对原始数据进行预处理得到OCT高轴向分辨率复数B-scan图像，利用光谱截取的方式对原始数据进行轴向分辨率退化，得到OCT低轴向分辨率复数B-scan图像，最终得到数据集；

基于复值神经网络构建用于OCT轴向超分辨的复值神经网络模型；

构建用于所述复值神经网络模型训练的损失函数；

利用所述数据集对所述复值神经网络进行训练，验证和测试，将训练好的复值神经网络用于实现OCT的轴向超分辨。

2.如权利要求1所述的基于复值神经网络的OCT轴向超分辨方法，其特征在于，所述用OCT系统采集样品的原始数据，对原始数据进行预处理得到OCT高轴向分辨率复数B-scan图像包括：首先使用OCT系统采集样品得到原始数据，将原始B-scan数据的每列A-scan减去参考光谱；然后将每列A-scan乘上与A-scan相同长度的汉宁窗；接着对每列A-scan进行色散矫正和光谱仪的非线性矫正；最后对B-scan中的每列A-scan进行快速傅里叶变换得到OCT高轴向分辨率复数B-scan图像。

3.如权利要求1或2所述的基于复值神经网络的OCT轴向超分辨方法，其特征在于，所述利用光谱截取的方式对原始数据进行轴向分辨率退化，得到OCT低轴向分辨率复数B-scan图像包括：首先使用OCT系统采集样品得到原始数据，将原始B-scan数据的每列A-scan减去参考光谱；然后截取每列A-scan中间位置的部分光谱数据，并对截取后的A-scan乘上与A-scan相同长度的汉宁窗；用0对每列A-scan中未被截取到的位置进行填充使A-scan恢复到截取前的长度；接着对每列A-scan进行色散矫正和光谱仪的非线性矫正；最后对B-scan中的每列A-scan进行快速傅里叶变换得到OCT低轴向分辨率复数B-scan图像。

4.如权利要求3所述的基于复值神经网络的OCT轴向超分辨方法，其特征在于，所述最终得到用于网络训练、验证和测试的数据集包括：将复数B-scan图像保存；将对应的低轴向分辨率图像和高轴向分辨率图像构建数据集。

5.如权利要求4所述的基于复值神经网络的OCT轴向超分辨方法，其特征在于，所述基于复值神经网络构建用于OCT轴向超分辨的复值神经网络模型包括：采用复值神经网络作为深度学习的超分辨模型，所述复值神经网络由浅层特征提取、深层特征提取和图像重建三个模块组成；输入OCT低轴向分辨率复数B-scan图像到复值神经网络，输出OCT轴向超分辨复数B-scan图像；将OCT轴向超分辨复数B-scan图像的幅度和OCT高轴向分辨率复数B-scan图像的幅度计算损失函数并进行反向传播，从而更新网络参数，反复训练直到复值神经网络收敛。

6.如权利要求5所述的基于复值神经网络的OCT轴向超分辨方法，其特征在于，所述构建用于所述复值神经网络模型训练的损失函数包括：所述损失函数作为OCT轴向超分辨的复值神经网络在训练阶段的优化目标；

所述损失函数的计算是基于实数域的，在损失函数计算前，需要分别计算OCT高轴向分辨率复数B-scan图像和所述复值神经网络输出的OCT轴向超分辨复数B-scan图像的幅度。