[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

说明书

本发明公开了一种基于复值神经网络的OCT轴向超分辨方法及系统，涉及图像处理和成像技术领域，方法包括：用OCT采集样品的干涉信号，利用光谱截取的方式生成人为退化的OCT低轴向分辨率复数B‑scan图像，制作数据集设计用于超分辨的复值神经网络和损失函数；用数据集对所述模型进行训练，学习OCT低轴向分辨率复数B‑scan图像和OCT高轴向分辨率复数B‑scan图像的映射关系，实现轴向超分辨；利用深度学习对OCT复数信号进行处理；本发明考虑到了OCT信号的复数特征，通过数字信号处理技术实现OCT的轴向超分辨，具有实际物理意义；无需对现有设备进行硬件改进，成本低。

技术领域

本发明涉及图像处理和成像技术领域，尤其涉及一种基于复值神经网络的OCT轴向超分辨方法及系统。

背景技术

光学相干断层扫描（Optical coherence tomography，OCT）是一种新型的非侵入性的光学成像技术。它通过检测样品在不同深度的背向反射或多次散射的光信号实现结构成像。OCT的高分辨率断层成像和高对比度成像的能力让它在心脏病学、胃肠病学、皮肤病学和眼科领域获得较大应用。相较于超声成像、X-射线计算机断层扫描、磁共振成像等医学成像技术相比，OCT具有更高的分辨率。和共聚焦显微、单光子显微、双光子显微等显微成像技术相比，OCT具有更强的层析能力。因此，它填补了两类成像技术的空白。

为了进一步提升OCT高分辨率的优势，许多研究人员利用基于硬件的方法实现分辨率的提升。如利用宽带钛宝石激光器实现2.5 μm的轴向分辨率；利用可见光波段实现小于2μm的轴向分辨率。然而，这些基于硬件的方法会提升OCT的复杂度与成本，不利于它的商业化。OCT成像系统中的色散会导致轴向分辨率的下降，因此一些基于信号处理的OCT色散矫正方法也被用来提高轴向分辨率。但OCT的轴向分辨率受OCT光源中心波长和带宽的限制，这种色散矫正方法无法大幅提高OCT的分辨率。近年来，一些深度学习方法也被用在OCT的轴向和横向分辨率提升上，但是这些基于实值神经网络的方法并没有考虑到OCT信号固有的复数特性，因此在进行深度学习的时候这些神经网络会抛弃OCT信号的相位，只使用OCT信号的幅度。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述存在的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案：

第一方面，本发明实施例提供了一种基于复值神经网络的OCT轴向超分辨方法，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。

作为基于复值神经网络的OCT轴向超分辨方法的一种优选方案，其中：

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。

作为基于复值神经网络的OCT轴向超分辨方法的一种优选方案，其中：