[发明专利]基于环形对抗生成网络的OCT图像去噪方法及装置

说明书

本发明属于人工智能技术领域，公开了一种基于环形对抗生成网络的OCT图像去噪方法及装置，所述OCT图像去噪方法包括：获取待去噪的OCT图像；将所述待去噪的OCT图像输入经过训练得到的环形对抗生成网络模型；通过所述环形对抗生成网络模型输出去噪的OCT图像。本发明通过环形对抗生成网络模型对OCT图像进行去噪处理，有效地将高噪声的OCT图像转化为清晰的OCT图像，以便于医生识读图像或将OCT图像用于软件分析。并且，避免了之前深度学习在去噪应用中训练数据必须配对的局限，有利于获取大量的数据进行训练，从而提高模型的去噪效果。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于环形对抗生成网络的OCT图像去噪方法及装置。

背景技术

光学相干层析技术(Optical Coherence tomography，OCT)作为一种新兴的光学诊断技术，能够用来检查眼睛等比较精细的部位，帮助患者更早、更准确地诊断和治疗青光眼、角膜疾病、老年黄斑病变等。但是，OCT图像容易产生噪声，无论是对于医生识读图像或是用于软件分析，都带来了巨大的挑战。一般需要对高噪声图像先进行去噪，再交给医生阅片或进行软件分析。目前，对图形进行去噪声处理的技术包括计算机视觉和深度学习两种方向，计算机视觉方法以BM3D为例，存在处理时间过长等问题，而随着深度学习应用到图像去噪领域，例如采用多层感知器，自动编码器及卷积神经网络方法，使得去噪效果较传统的计算机视觉方法得到了提升。

生成对抗神经网络(Generative Adversarial Networks，GAN)是深度学习算法中的一种新型网络，通过由卷积神经网络构建的生成网络和判断网络进行对抗式的训练，被广泛地应用到图像转换、图像处理等领域。但是，目前大多以条件对抗神经网络对OCT图像进行去噪处理，在对条件对抗神经网络模型进行训练的过程中需要噪声图像、清晰图像的一一配对，不利于获取大量OCT图像数据以供训练，使得训练效果不好，从而导致条件对抗神经网络模型进行OCT图像去噪的效果不理想。

发明内容

本发明提供一种基于环形对抗生成网络的OCT图像去噪方法、装置及介质，以解决现有技术中使用条件对抗神经网络模型对OCT图像进行去噪效果不理想的问题。

为了实现上述目的，本发明的一个方面是提供一种基于环形对抗生成网络的OCT图像去噪方法，包括：获取待去噪的OCT图像；将所述待去噪的OCT图像输入经过训练得到的环形对抗生成网络模型；通过所述环形对抗生成网络模型输出去噪的OCT图像。

优选地，所述环形对抗生成网络模型包括生成网络模型和判别网络模型，所述生成网络模型包括两个生成器，分别为第一生成器和第二生成器，所述判别网络模型包括两个判别器，分别为第一判别器和第二判别器，每个生成器对应一个判别器，其中，所述第一生成器和所述第二生成器均由若干带步长的卷积层和反卷积层组成；所述第一判别器和所述第二判别器由若干带步长的卷积层和全连接层组成。

优选地，所述方法还包括：构建训练样本集，包括噪声图像样本和清晰图像样本；基于所述训练样本集对所述环形对抗生成网络模型进行训练。

优选地，构建训练样本集的步骤包括：获取OCT图像样本库；选择标准OCT图像；将所述标准OCT图像遍历所述OCT图像样本库中的样本，求取所述OCT图像样本库中各个OCT图像样本的峰值信噪比指数；将所述峰值信噪比指数从高到低排序；选择对应的峰值信噪比指数排序靠前的预设个数个OCT图像样本作为清晰图像样本，选择对应的峰值信噪比指数排序靠后的预设个数个OCT图像样本作为噪声图像样本。