[發明專利]一種光學相干斷層掃描脈絡膜血管分層造影方法

在審

• 申請號: 202211646502.2
• 申請日: 2022-12-21
• 公開（公告）號: CN115810004A
• 公開（公告）日: 2023-03-17
• 發明（設計）人: 朱磊;盧閆曄
• 申請（專利權）人: 北京大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06T7/12;G06N3/08;G06N3/0464
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 賈曉玲

1.一種光學相干斷層掃描脈絡膜血管分層造影方法，其特征在于，具體步驟包括：

S1.圖像采集及數據標注；

S1a.使用OCT影像采集設備對N個被試者的K個關鍵掃描位置進行OCT影像的采集，并構成源域數據集其中表示高質OCT斷層掃描中一幀的顏色強度；

S1b.對高質OCT關鍵幀斷層影像集中的脈絡膜中血管層、脈絡膜大血層、脈絡膜中血管段、脈絡膜大血管段，進行逐像素精細標注并進行核對，并依此標注構建源域標簽集其中，表示X_i的脈絡膜子層標注結果，表示X_i的脈絡膜血管段標注結果；

S1c.使用OCT影像采集設備對N個被試者進行幀數為M的快速密集掃描，并構成目標域數據集其中X_i表示OCT斷層掃描中一幀的顏色強度；

S1d.根據所獲取的數據特性，對圖像進行一定的預處理；

S2.構建用于脈絡膜分割的深度學習模型，模型構建的具體實現步驟為：

S2a.搭建分割模型，記構建好的模型為f·，其中Θ為模型的參數組；

S2b.搭建教師模型，教師模型的搭建與S2a中分割模型的搭建及細節完全相同；記構建好的教師模型為f^t(·，其中Θ^t為教師模型的參數組；

S2c.搭建集成域判別器，記構建好的域判別模型為d(·)，其中Θ^d為域判別模型的參數組；

S2d.學習模塊設置，根據S1b及S1c中收集的圖像數量及質量，選擇訓練中所需的參數更新算法；

S2e.根據S2a，S2b及S2c中所構建的深度學習模型及其相關的學習模塊以及S3中的訓練流程，設置模型訓練所需的超參數；

S3.利用S1中獲得的高質OCT影像數據集其對應標簽集以及無標簽低質OCT影像數據集訓練S2中構建出深度學習模型，具體實現步驟為：

S3a.對S2a中分割模型的參數Θ進行初始化；

S3b.對高質OCT圖像及其標簽集劃分數個批次，每一批數據表示為包含N_s張高質OCT圖像及其標注；

S3c.對低質OCT圖像劃分數個批次，每一批數據表示為包含N_t張低質OCT圖像；

S3d.以圖像集合分別作為監督訓練數據集及半監督數據訓練集，輸入S2中所構建的分割模型中，若輸入的圖像是則輸出圖像被表示為同理若輸入的圖像是則輸出圖像被表示為

S3e.以圖像對集合作為半監督訓練數據集，輸入S2中所構建的分割模型中，若輸入的圖像是則輸出圖像被表示為進而得到無標簽數據的偽標簽

S3f.將S3d中得到的源域樣本預測結果及S3e中得到的目標域教師預測結果傳入至S2中構建的域判別模型中，得到源域及目標域的域評分，即并依據及獲取鑒別性樣本掩模M_i；

S3h.定義損失函數作為模型訓練中所使用的損失函數：

其中，

S3i.利用S2d中選定的參數更新算法，依據計算結果更新分割模型參數Θ；

S3j.利用分割模型參數的指數滑動平均更新教師模型參數Θ^t；

S3k.定義作為域判別模型的損失函數：

S3l.利用S2d中選定的參數更新算法，依據計算結果更新域判別模型參數Θ^d；

S3m.重復S3c～S3l步驟，直至批損失收斂到穩定極小值，此時的模型參數狀態即為最終訓練好深度學習模型；

S4.將用于測試的圖像逐幀輸入訓練好的深度學習模型中，得到其逐幀的脈絡膜血管分層造影結果。

2.如權利要求1所述的光學相干斷層掃描脈絡膜血管分層造影方法，其特征在于，步驟S1對圖像進行一定的預處理，具體的預處理方法包括但不限于：數據篩選、數據增強、數據標準化。

3.如權利要求1所述的光學相干斷層掃描脈絡膜血管分層造影方法，其特征在于，學習模塊設置包括但不限于：參數初始化模塊選擇MSRA初始化算法、模型參數更新模塊選擇隨機梯度下降算法、判別器參數更新模塊選擇Adam更新算法、教師更新模塊選擇指數滑動平均算法、學習率更新模塊選擇余弦周期衰減算法。