[发明专利]一种基于机器学习的白内障OCT图像修复方法及系统

说明书

本发明公开了一种基于机器学习的白内障OCT图像修复方法及系统，发明引入光学信息处理技术，通过光学空间滤波器改变物体的频谱，对输入的图像进行振幅，相位或复合滤波，将图像进行模糊处理，实现白内障OCT模糊图像的模拟，将中性密度衰减片加到OCT扫描仪镜头上扫描健康眼球，得出来眼底OCT模糊图像去模拟白内障图像，再扫描同一个人未加衰减片的OCT清晰图像，将白内障视网膜OCT模糊图片还原清晰图片，还原的图片能清晰的看到十层视网膜结构；减少了网络模型的个数，以减少工作量和总训练时间，仅用Pix2pix模型去实现将模糊图像还原清晰的技术。

技术领域

本发明涉及光学相干断层扫描图像处理技术领域，具体涉及一种基于机器学习的白内障OCT图像修复方法及系统。

背景技术

白内障是全世界造成视力损害最常见的原因之一，据估计全世界有1600万人患有白内障。而利用眼底检查镜对白内障患者进行视网膜成像是一项非常具有挑战性的工作，因为眼底介质浑浊而引起的光散射会严重影响成像质量。造成图像模糊，对比度低，所以医生很难去评估白内障患者的眼底情况，进而进行有效的治疗。因此开发一种将白内障视网膜模糊图像还原清晰的技术是非常重要且具有临床意义的。目前比较传统的方法有基于对比度限制的自适应直方图均衡化和HSV颜色空间的亮度增益矩阵的方法对视网膜图像进行彩色增强，这些方法虽然对图像的对比度和亮度有益，但与视网膜图像的恶化机制没有关系，并不是针对白内障视网膜图像的。人工智能在医学检测领域的发展，给满负荷运转的医疗系统带来了新的动力，(1)斯坦福大学的一个研究团队提出了根据皮肤图像来诊断皮肤癌罹患概率的新方法，虽然这并不是第一个能自动识别病变的算法，但在深度学习的帮助下确是目前最稳定可靠的方法。(2)基于深度学习的分类和目标检测算法在医疗领域中也得到了广泛的应用。计算机辅助自动诊断为医疗影像分析开辟了一个新的研究方向。弥散光源影像的积累为小儿白内障病灶定位的自动检测提供了数据支持，使得基于卷积神经网络计算机算法进行准确的小儿白内障病灶定位和识别成为了可能。其在正常晶体状，患病晶体状，病灶致密和病灶非致密四个类别的检测准确率均已达到了很高的标准。(3)jiang等提出了一个小儿白内障自动诊断系统，使用Canny算子和霍夫变换提取晶状体感兴趣区域，输入到CNN提取高层特征，使用SVM和SOFTMAX分类器进行分类。(4)ce zheng等人评估了生成对抗网络是否能合成现实光学相干断层扫描(OCT)图像，去作为专家的教育图像，结果也是令人满意的。综上所述，基于深度学习的医学检测都取得了不错的成果。白内障眼底疾病的分类，识别，预测，合成以及自动诊断技术层出不穷，然而依旧缺少将白内障眼底模糊图像恢复清晰以便于应用于临床的技术。尤其在医疗设备紧张，资源短缺的地区和医院，这项技术则更加重要。现有的相关技术是Yuhao Luo等人提出了基于深度学习不可配对的生成对抗网络对白内障眼底图像的去雾处理。经过处理的图像与同一患者白内障术后的图像有比较高的结构相似性和保真度。但还存在很多缺陷。Yuhao Luo等人提出了基于深度学习不可配对的生成对抗网络对白内障眼底图像的去雾处理。该技术基于生成对抗网络(GAN)的概念，设计了两种神经网络：CataractSimGAN和CataractDehazeNet(参见参考文献：Yuhao Luo,Kun Chen,Lei Liu,Jicheng Liu,Jianbo Mao,Genjie Ke and Mingzhai Sun,“Dehaze of Cataractous Retinal Images using an Unpaired GenerativeAdversarial Network”，2168-2194(c)2020IEEE)。CataractSimGAN的目的是通过没有配对的清晰视网膜图像和白内障图像合成白内障样图像。CataractDehazeNet是通过监督学习对合成的白内障样图像和相应的清晰图像进行训练。总共收集了400张无白内障的视网膜图像和400张白内障患者的模糊图像作为训练数据集。50张白内障图像和相同患者术后的清晰图像组成的测试数据集。并以术后的清晰图像作为参考，评价此技术的效果。现有技术方案第一步：利用CataractSimGAN将清晰图像和白内障图像合成模糊的白内障样图像。第二步：将生成的模糊样图以及原本的清晰图像作为训练集去训练CataractDehazeNet去雾网络。第三步：通过不断优化得到基于深度学习不可配对的生成对抗网络对白内障眼底图像的去雾处理的算法模型。第四步：取同一个人术前术后的图像来测试模型。