[發明專利]基于外部注意力機制的光學相干層析超分辨率成像方法

在審

• 申請號: 202110507162.4
• 申請日: 2021-05-10
• 公開（公告）號: CN113298710A
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 任尚杰;沈雄日;董峰
• 申請（專利權）人: 天津大學
• 主分類號: G06T3/40
• 分類號: G06T3/40
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程毓英

本發明涉及一種基于外部注意力機制的光學相干層析超分辨率成像方法，包括步驟如下：第一步，讀入光學相干層析成像立方體數據，構建數據集并進行數據預處理，得到全深度低分辨enface圖像和任意深度低分辨enface圖像，作為卷積神經網絡模型的輸入，將未經過下采樣的任意深度enface圖像作為訓練的標簽；第二步，構建包含注意力機制的卷積神經網絡，卷積神經網絡模型主要包括特征提取模塊，外部空間注意力模塊，外部通道注意力模塊和特征上采樣模塊；第三步，模型訓練。

技術領域

本發明涉及一種光學相干層析超分辨率成像方法。

背景技術

光學相干斷層血管成像(Optical coherence tomography angiography簡稱OCTA)是一種非侵入、非接觸和無損傷的成像技術，主要基于多普勒干涉原理，當入射光照射到流動的紅細胞時，由于多普勒效應的存在，反射光信號會產生相位和強度的變化，通過分析反射光與參考光的干涉信號，可以區分靜態組織和血流組織。相比其它成像技術如光學相干成像(optical coherence tomography，簡稱OCT)，計算機斷層掃描(ComputedTomography,簡稱CT)和核磁共振成像(Magnetic Resonance Imaging簡稱MRI)，OCTA有著高分辨率，無輻射、結構簡單、速度快等優點，在醫學疾病診斷特別是微血管疾病診斷上具有重要作用。

然而，由于OCTA成像時要求的設備穩定性和設備分辨較高，其重建圖像分辨率往往較低，并且容易受測量人操作以及環境等因素的影響，這限制了OCTA技術的進一步推廣。OCTA分辨率較低在圖像上表現為血管圖像不清晰，模糊，影響醫生的臨床診斷。傳統超分辨率方法通過學習低分辨率和高分辨率圖像的自相似性以及基于稀疏特征的方法對低分辨率圖像進行重建。最近，一些機器學習的重建方法被提出，如聚類，隨機森林等，而基于卷積神經網絡的重建算法也屬于此類。

近幾年來，伴隨著深度學習在計算機視覺和圖像處理領域的迅速發展和廣泛應用，眾多深度網絡特別是卷積神經網絡(Convolutional Neural Network簡稱CNN)也紛紛被引入到醫學成像領域中來。這些數據驅動的新型成像技術被視為醫學成像領域繼解析法、迭代法后的第三個發展階段，它們利用由大量數據訓練好的網絡，來補充或代替傳統成像算法中人為定義的模型，將大數據內在的信息自動地融入到成像過程中。其中一種較為簡便易行的辦法是在圖像域設計并訓練一個對粗糙的重建圖像加以后處理的CNN，使CNN能學習到醫學成像過程中產生的噪聲以及偽影等，并在輸出圖像中移除這些不利因素，這可以被視為一個圖像增強或者說圖像變換過程，在計算機視覺和圖像處理領域這方面已經有許多有效而易于使用的網絡模型。2017年，Kang等人在《醫學物理》雜志提出了一種將小波變換融入DCNN的CT圖像降噪方法(A deep convolutional neural network usingdirectional wavelets for low-dose X-ray CT reconstruction)。對輸入圖像進行小波變換，用DCNN去除小波域中的噪聲，再進行小波重構得到輸出圖像。通過將他們的方法，可以使用原來于四分之一劑量的進行腹部CT掃描，他們能夠在不影響器官邊界可視化的情況下降低圖像噪聲。2017年，Kinam Kwon等人在《Medical Physics》上提出了改進MRI成像的方法(A parallel MR imaging method using multilayer perceptron)。該方法使用多層感知器(MLP)模型對下采樣k空間數據進行訓練，模型輸出為沒有混疊現象的k空間數據的全采樣數據[27]。MLP模型利用了k空間的多通道信息，從而消除了在k空間的混疊現象。2019年，Maarten G等人在《Scientific Reports》雜志上提出了獲取更高保真度的CT圖像的方法(Physics-informed Deep Learning for Dual-Energy Computed TomographyImage Processing)。該方法提出可以通過訓練了一個卷積神經網絡(CNN)來開發一個框架，利用Dect圖像生成過程的底層物理原理以及通過訓練獲得的真實圖像的解剖信息，可以生成更高保真度的Dect圖像。解決由于基于基本衰減過程的材料分解算法的限制，導致在特定圖像的低信噪比這一問題。2019年，Mehmet 等人在《Magnetic Resonancein Medicine》雜志上發表了改進MRI成像的方法(Scan-specific robust artificial-neural-networks for k-space interpolation(RAKI)reconstruction:Database-freedeep learning for fast imaging.)，該方法針對采集數據時非均勻采樣問題，提出了在k空間重構數據。通過在自動校準數據中學習非線性卷積神經網絡，避免了對訓練數據庫的依賴。該項工作能夠通過自動校準信號中，學習到缺失的k空間數據。