一种基于机器学习的光学相干血管造影成像方法技术

本发明专利技术公开了一种基于机器学习的光学相干血管造影成像方法。本发明专利技术利用OCTA设备采集得到的样品的OCT三维结构图像，生成网络模型训练所需的原始数据集，剔除配准效果较差的整组OCT结构图像，采用OCTA算法进行造影成像生成训练数据集，建立机器学习网络模型并训练机器学习网络模型，从而通过机器学习网络模型进行OCTA造影；本发明专利技术在OCTA领域能够发挥巨大作用，能够生成信噪比更高、血管连接度更好的血管造影图，并且在很大程度上抑制了OCT图像中常见的散斑效应；标签图像是由算法自动生成，扩大了这一方法的适用性而不受到不同系统带来本身系统误差的影响；能够使用更小的探测功率进行成像减少伤害，或在成像时减少成像所需的数据量，能够更快的完成扫描。

【技术实现步骤摘要】
一种基于机器学习的光学相干血管造影成像方法
本专利技术涉及光学相干血管造影成像技术，具体涉及一种基于机器学习的光学相干血管造影成像方法。
技术介绍
光学相干层析成像(OpticalCoherentTomography,OCT)是一种高分辨、非接触、速度快的三维成像技术。它利用了生物组织中散射光的相干原理，其信号对比度来源于不同生物组织光散射能力的差异。OCT技术结合了半导体和超快激光技术，利用宽带光源、迈克尔逊干涉仪和光电探测器等核心部件获得生物组织的背向散射信号，最终能够通过计算机的数字信号处理获得生物组织的实时微米级断层图像。因此，OCT技术早已成为解剖结构影像诊断的重要手段之一，它不仅在眼科临床检查中发挥着重要作用，还在诸如皮肤医学、肠胃医学、心脏病学和神经医学等领域发挥着重要的推动作用。随着科学技术的发展，OCT技术在过去近30年的时间中经历了多次软硬件上的重大突破和发展，拥有更快的成像速度和更高的系统灵敏度。特别是2002年以后，随着频域OCT技术的成熟，OCT技术得到了各领域的关注和应用。1991年，美国麻省理工学院的Huang等搭建了第一台OCT原型机，其纵向分辨率达15μm，并将第一幅离体人眼视网膜OCT扫描图像与相应的组织切片图发表于Science杂志,验证了OCT系统的可行性。Wojtkowski等在2002年获得了世界上第一幅基于频域OCT技术的活体人眼视网膜图像，Johannes和Leitgeb又相继从理论和实验上对比了频域OCT相比时域OCT在各项参数，证明频域OCT拥有更高的灵敏度和更快的成像速度。自此，频域OCT逐渐取代了时域OCT，并且得到了广泛的关注和应用。光学相干血管造影成像(OpticalCoherentTomographyAngiography,OCTA)是近年来出现的新型无创血管成像技术。具体成像时，信号光通过振镜系统对样品进行扫描，扫描区域一般为矩形，分为快轴方向与慢轴方向，扫描时，信号光在快轴方向连续重复扫描多次(一般为4次)，以此记录下同一位置在不同时刻的OCT信号，随后通过算法处理去除组织信息，提取血流信号，生成血管造影图像。它巧妙利用流动的红细胞作为造影剂，即当红细胞在血管中不断流动时，血管内的OCT信号不断变化，以此与静态组织的稳定信号相区别。目前OCTA的成像算法依据血管信息的来源主要分为基于相位变化的、基于振幅变化的、基于相位与振幅联合变化的三类成像算法。其本质是通过解析计算的方式对比同一位置不同时刻的OCT信号。但是这些方法往往只利用了OCT信号中的一部分信息，导致造影图像信噪比较低，散斑严重等问题。目前解决这一问题的主要手段是增加同一位置的扫描次数，增强血管信号的强度，这一方法将导致扫描时间过长，样品的颤动会产生伪影，如眼科检查时，病人眼睛的抖动和呼吸。另外，长时间的激光辐照也会对生物组织造成伤害。
技术实现思路
针对以上现有技术中存在的问题，本专利技术提出了一种基于机器学习的光学相干血管造影成像方法。本专利技术的基于机器学习的光学相干血管造影成像方法，包括以下步骤：1)生成原始数据集：利用OCTA设备采集得到的样品的OCT三维结构图像，生成网络模型训练所需的原始数据集，原始数据集包括j×k组OCT结构图像序列，每一组OCT结构图像序列包括i个二维横截面(B-Scan)的OCT结构图像，其中，k为样品的个数，j为每个样品的慢轴扫描位置的个数，i为同一样品的同一个慢轴扫描位置的扫描次数，i为＞4的自然数，j为＞50的自然数，k＞5的自然数；2)数据筛选：采用刚性配准算法对同一组OCT结构图像中的i个B-Scan面OCT结构图像进行配准，配准后利用相关性算法计算配准准确度，剔除配准效果较差的整组OCT结构图像，保留n组筛选后的OCT结构图像，n为自然数，且3)生成训练数据集：利用步骤2)得到的n组筛选后的OCT结构图像，采用OCTA算法进行造影成像，每组OCT结构图像将得到一张B-Scan面的OCTA造影图像，称作标签图像；从与每个标签图像相对应一组OCT结构图像的i个B-Scan面OCT结构图像中取出m个B-Scan面OCT结构图像，称作输入数据，与标签图像配对，输入数据与标签图像组成网络模型训练所需的训练数据集，其中，m＝2,3或4；4)建立机器学习网络模型：构建机器学习网络模型，并设定机器学习网络模型的超参数；并将训练数据集分成n1组训练集和n2组测试集，训练集与测试集互相独立，n1和n2分别为自然数，且5)训练机器学习网络模型：利用步骤4)建立的机器学习网络模型，以训练数据集中的输入数据作为机器学习网络模型的输入，其中以n1组训练集用于训练机器学习网络模型，并以n2组测试集用于检验机器学习网络模型的性能；训练过程中，训练集将分多个批次并重复输入机器学习网络模型训练多轮，同时判断或计算机器学习网络模型的输出图像与标签图像之间的差异作为训练误差以训练机器学习网络模型，每一批次的训练结束后，使用测试集对机器学习网络模型进行性能测试，待机器学习网络模型的性能测试指标训练趋于稳定后时，则认为机器学习网络模型的训练完成，保存训练完成的机器学习网络模型；6)机器学习网络模型进行OCTA造影：利用训练完成的机器学习网络模型，将OCTA设备采集得到的样品的OCT结构图像作为输入，输出图像即为OCTA造影图像。其中，在步骤1)中，OCTA设备对样品进行采集时，对一个样品的一个扫描位置的一个慢轴扫描位置扫描一次得到一个B-Scan面的OCT结构图像，对同一个慢轴扫描位置扫描i次，每个样品具有j个慢轴扫描位置，共有k个样品，从而得到i×j×k个B-Scan面的OCT结构图像，将i×j×k个B-Scan面的OCT结构图像分成j×k组OCT结构图像，每一组OCT结构图像包括i个B-Scan面的OCT结构图像，即每一个慢轴扫描位置对应一组OCT结构图像，从而得到原始数据集。在步骤2)中，对于j×k组配准后的OCT结构图像，进比较配准准确度，配准准确度较高的前n组OCT结构图像保留，其余的认为配准效果较差，剔除这些组OCT结构图像。在步骤4)中，机器学习网络模型采用深度卷积神经网络CNN、生成式对抗网络GAN或者循环神经网络RNN；超参数包括网络层数、卷积核、学习率、参数初始化、训练轮数和批次规模。在步骤5)中，以输出图像与标签图像之间的均方误差、结构相似度或峰值信噪比作为训练误差和性能测试指标，使用随机梯度下降(Stochasticgradientdescent,SGD)、自适应矩估计优化算法(AdaptiveMomentEstimation,Adam)以及动量算法(Momentum)中的一种最小化训练误差，以训练机器学习网络模型。在步骤6)中，样品的OCT结构图像为在同一慢轴扫描位置扫描多次，扫描次数≤4。机器学习是人工智能研究发展到一定阶段的必然产物，已经成为人工智能的核心研究课题。其目的在于让计算机通过模仿人类学习的行本文档来自技高网...

【技术保护点】
1.一种基于机器学习的光学相干血管造影成像方法，其特征在于，所述光学相干血管造影成像方法包括以下步骤：/n1)生成原始数据集：/n利用OCTA设备采集得到的样品的OCT三维结构图像，生成网络模型训练所需的原始数据集，原始数据集包括j×k组OCT结构图像序列，每一组OCT结构图像序列包括i个二维横截面(B-Scan)的OCT结构图像，其中，k为样品的个数，j为每个样品的慢轴扫描位置的个数，i为同一样品的同一个慢轴扫描位置的扫描次数，i为＞4的自然数，j为＞50的自然数，k＞5的自然数；/n2)数据筛选：/n采用刚性配准算法对同一组OCT结构图像中的i个B-Scan面OCT结构图像进行配准，配准后利用相关性算法计算配准准确度，剔除配准效果较差的整组OCT结构图像，保留n组筛选后的OCT结构图像，n为自然数，且

【技术特征摘要】
1.一种基于机器学习的光学相干血管造影成像方法，其特征在于，所述光学相干血管造影成像方法包括以下步骤：
1)生成原始数据集：
利用OCTA设备采集得到的样品的OCT三维结构图像，生成网络模型训练所需的原始数据集，原始数据集包括j×k组OCT结构图像序列，每一组OCT结构图像序列包括i个二维横截面(B-Scan)的OCT结构图像，其中，k为样品的个数，j为每个样品的慢轴扫描位置的个数，i为同一样品的同一个慢轴扫描位置的扫描次数，i为＞4的自然数，j为＞50的自然数，k＞5的自然数；
2)数据筛选：
采用刚性配准算法对同一组OCT结构图像中的i个B-Scan面OCT结构图像进行配准，配准后利用相关性算法计算配准准确度，剔除配准效果较差的整组OCT结构图像，保留n组筛选后的OCT结构图像，n为自然数，且
3)生成训练数据集：
利用步骤2)得到的n组筛选后的OCT结构图像，采用OCTA算法进行造影成像，每组OCT结构图像将得到一张B-Scan面的OCTA造影图像，称作标签图像；从与每个标签图像相对应一组OCT结构图像的i个B-Scan面OCT结构图像中取出m个B-Scan面OCT结构图像，称作输入数据，与标签图像配对，输入数据与标签图像组成网络模型训练所需的训练数据集，其中，m＝2,3或4；
4)建立机器学习网络模型：
构建机器学习网络模型，并设定机器学习网络模型的超参数；并将训练数据集分成n1组训练集和n2组测试集，训练集与测试集互相独立，n1和n2分别为自然数，且n1+n2＝n，
5)训练机器学习网络模型：
利用步骤4)建立的机器学习网络模型，以训练数据集中的输入数据作为机器学习网络模型的输入，其中以n1组训练集用于训练机器学习网络模型，并以n2组测试集用于检验机器学习网络模型的性能；训练过程中，训练集将分多个批次并重复输入机器学习网络模型训练多轮，同时判断或计算机器学习网络模型的输出图像与标签图像之间的差异作为训练误差以训练机器学习网络模型，每一批次的训...

【专利技术属性】
技术研发人员：刘曦，卢闫晔，任秋实，黄智宇，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11