[發(fā)明專利]一種基于機(jī)器學(xué)習(xí)的光學(xué)相干血管造影成像方法

在審

• 申請?zhí)枺?/td>: 201910513946.0
• 申請日: 2019-06-14
• 公開（公告）號: CN112085830A
• 公開（公告）日: 2020-12-15
• 發(fā)明（設(shè)計）人: 劉曦;盧閆曄;任秋實;黃智宇
• 申請（專利權(quán)）人: 北京大學(xué)
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06T7/33;G06N3/04;G06N3/08
• 代理公司: 北京萬象新悅知識產(chǎn)權(quán)代理有限公司 11360
• 代理人: 王巖

1.一種基于機(jī)器學(xué)習(xí)的光學(xué)相干血管造影成像方法，其特征在于，所述光學(xué)相干血管造影成像方法包括以下步驟：

1)生成原始數(shù)據(jù)集：

利用OCTA設(shè)備采集得到的樣品的OCT三維結(jié)構(gòu)圖像，生成網(wǎng)絡(luò)模型訓(xùn)練所需的原始數(shù)據(jù)集，原始數(shù)據(jù)集包括j×k組OCT結(jié)構(gòu)圖像序列，每一組OCT結(jié)構(gòu)圖像序列包括i個二維橫截面(B-Scan)的OCT結(jié)構(gòu)圖像，其中，k為樣品的個數(shù)，j為每個樣品的慢軸掃描位置的個數(shù)，i為同一樣品的同一個慢軸掃描位置的掃描次數(shù)，i為＞4的自然數(shù)，j為＞50的自然數(shù)，k＞5的自然數(shù)；

2)數(shù)據(jù)篩選：

采用剛性配準(zhǔn)算法對同一組OCT結(jié)構(gòu)圖像中的i個B-Scan面OCT結(jié)構(gòu)圖像進(jìn)行配準(zhǔn)，配準(zhǔn)后利用相關(guān)性算法計算配準(zhǔn)準(zhǔn)確度，剔除配準(zhǔn)效果較差的整組OCT結(jié)構(gòu)圖像，保留n組篩選后的OCT結(jié)構(gòu)圖像，n為自然數(shù)，且

3)生成訓(xùn)練數(shù)據(jù)集：

利用步驟2)得到的n組篩選后的OCT結(jié)構(gòu)圖像，采用OCTA算法進(jìn)行造影成像，每組OCT結(jié)構(gòu)圖像將得到一張B-Scan面的OCTA造影圖像，稱作標(biāo)簽圖像；從與每個標(biāo)簽圖像相對應(yīng)一組OCT結(jié)構(gòu)圖像的i個B-Scan面OCT結(jié)構(gòu)圖像中取出m個B-Scan面OCT結(jié)構(gòu)圖像，稱作輸入數(shù)據(jù)，與標(biāo)簽圖像配對，輸入數(shù)據(jù)與標(biāo)簽圖像組成網(wǎng)絡(luò)模型訓(xùn)練所需的訓(xùn)練數(shù)據(jù)集，其中，m＝2,3或4；

4)建立機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型：

構(gòu)建機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型，并設(shè)定機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型的超參數(shù)；并將訓(xùn)練數(shù)據(jù)集分成n₁組訓(xùn)練集和n₂組測試集，訓(xùn)練集與測試集互相獨立，n₁和n₂分別為自然數(shù)，且n₁+n₂＝n，

5)訓(xùn)練機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型：

利用步驟4)建立的機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型，以訓(xùn)練數(shù)據(jù)集中的輸入數(shù)據(jù)作為機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型的輸入，其中以n₁組訓(xùn)練集用于訓(xùn)練機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型，并以n₂組測試集用于檢驗機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型的性能；訓(xùn)練過程中，訓(xùn)練集將分多個批次并重復(fù)輸入機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型訓(xùn)練多輪，同時判斷或計算機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型的輸出圖像與標(biāo)簽圖像之間的差異作為訓(xùn)練誤差以訓(xùn)練機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型，每一批次的訓(xùn)練結(jié)束后，使用測試集對機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行性能測試，待機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型的性能測試指標(biāo)訓(xùn)練趨于穩(wěn)定后時，則認(rèn)為機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型的訓(xùn)練完成，保存訓(xùn)練完成的機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型；

6)機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行OCTA造影：

利用訓(xùn)練完成的機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型，將OCTA設(shè)備采集得到的樣品的OCT結(jié)構(gòu)圖像作為輸入，輸出圖像即為OCTA造影圖像。

2.如權(quán)利要求1所述的光學(xué)相干血管造影成像方法，其特征在于，在步驟1)中，OCTA設(shè)備對樣品進(jìn)行采集時，對一個樣品的一個掃描位置的一個慢軸掃描位置掃描一次得到一個B-Scan面的OCT結(jié)構(gòu)圖像，對同一個慢軸掃描位置掃描i次，每個樣品具有j個慢軸掃描位置，共有k個樣品，從而得到i×j×k個B-Scan面的OCT結(jié)構(gòu)圖像，將i×j×k個B-Scan面的OCT結(jié)構(gòu)圖像分成j×k組OCT結(jié)構(gòu)圖像，每一組OCT結(jié)構(gòu)圖像包括i個B-Scan面的OCT結(jié)構(gòu)圖像，即每一個慢軸掃描位置對應(yīng)一組OCT結(jié)構(gòu)圖像，從而得到原始數(shù)據(jù)集。

3.如權(quán)利要求1所述的光學(xué)相干血管造影成像方法，其特征在于，在步驟2)中，對于j×k組配準(zhǔn)后的OCT結(jié)構(gòu)圖像，進(jìn)比較配準(zhǔn)準(zhǔn)確度，配準(zhǔn)準(zhǔn)確度較高的前n組OCT結(jié)構(gòu)圖像保留，其余的認(rèn)為配準(zhǔn)效果較差，剔除這些組OCT結(jié)構(gòu)圖像。

4.如權(quán)利要求1所述的光學(xué)相干血管造影成像方法，其特征在于，在步驟4)中，機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型采用深度卷積神經(jīng)網(wǎng)絡(luò)CNN、生成式對抗網(wǎng)絡(luò)GAN或者循環(huán)神經(jīng)網(wǎng)絡(luò)RNN。

5.如權(quán)利要求1所述的光學(xué)相干血管造影成像方法，其特征在于，在步驟4)中，超參數(shù)包括網(wǎng)絡(luò)層數(shù)、卷積核、學(xué)習(xí)率、參數(shù)初始化、訓(xùn)練輪數(shù)和批次規(guī)模。

6.如權(quán)利要求1所述的光學(xué)相干血管造影成像方法，其特征在于，在步驟5)中，以輸出圖像與標(biāo)簽圖像之間的均方誤差、結(jié)構(gòu)相似度或峰值信噪比作為訓(xùn)練誤差，使用隨機(jī)梯度下降、自適應(yīng)矩估計優(yōu)化算法以及動量算法中的一種最小化訓(xùn)練誤差，以訓(xùn)練機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型。