[发明专利]OCT三维图像分类方法、系统、计算机装置及存储介质

权利要求书

1.一种OCT三维图像分类方法，其特征在于，包括以下步骤：

获取多个第一OCT三维图像和对应的图像类型，确定所述第一OCT三维图像的多个第一B-scan图像，并根据所述图像类型对所述第一B-scan图像进行标注得到B-scan标签，进而根据所述第一B-scan图像和所述B-scan标签训练得到第一B-scan分类模型；

根据所述第一B-scan分类模型对所述第一B-scan图像进行图像分类，并根据分类结果确定第二B-scan图像和第三B-scan图像，所述第二B-scan图像为分类结果与对应的B-scan标签不一致的第一B-scan图像，所述第三B-scan图像为分类结果与对应的B-scan标签一致的第一B-scan图像；

确定所述第二B-scan图像的第二纹理特征向量以及所述第三B-scan图像的第三纹理特征向量，并确定所述第二纹理特征向量与所述第三纹理特征向量的余弦相似度，进而根据所述余弦相似度从所述第三B-scan图像中筛选出所述第二B-scan图像的若干个相似B-scan图像；

根据所述相似B-scan图像的B-scan标签对所述第二B-scan图像进行标签重置，根据所述第三B-scan图像和标签重置后的第二B-scan图像对所述第一B-scan分类模型进行模型优化，得到训练好的第二B-scan分类模型；

获取待分类的第二OCT三维图像的多个待分类B-scan图像，将所述待分类B-scan图像输入到所述第二B-scan分类模型中，得到所述待分类B-scan图像的B-scan分类结果，进而根据所述B-scan分类结果确定所述第二OCT三维图像的分类结果；

所述根据所述第三B-scan图像和标签重置后的第二B-scan图像对所述第一B-scan分类模型进行模型优化，得到训练好的第二B-scan分类模型这一步骤，其具体包括：

根据所述第三B-scan图像和标签重置后的第二B-scan图像确定多个优化样本，并根据所述优化样本确定优化样本集；

将所述优化样本集输入到所述第一B-scan分类模型中进行训练，得到优化B-scan分类模型；

根据所述优化B-scan分类模型对所述优化样本进行分类，确定分类结果与对应的B-scan标签不一致的优化样本为第四B-scan图像，并计算所述第四B-scan图像的数量与所述优化样本的总数量的第一比值；

当所述第一比值大于或等于预设的第三阈值，对所述第四B-scan图像进行标签重置，根据标签重置的结果重新确定优化样本集并返回将所述优化样本集输入到所述第一B-scan分类模型中进行训练，得到优化B-scan分类模型这一步骤；

当所述第一比值小于预设的第三阈值，停止训练，得到训练好的第二B-scan分类模型。

2.根据权利要求1所述的一种OCT三维图像分类方法，其特征在于，所述根据所述第一B-scan图像和所述B-scan标签训练得到第一B-scan分类模型这一步骤，其具体包括：

根据所述第一B-scan图像和所述B-scan标签确定多个训练样本，并根据所述训练样本确定训练样本集；

将所述训练样本集输入到预先构建的胶囊神经网络中进行训练，得到所述第一B-scan分类模型；

所述胶囊神经网络包括卷积层、主胶囊层、数字胶囊层以及全连接层，所述卷积层用于对所述训练样本进行卷积处理得到多个样本特征子图，所述主胶囊层用于根据所述样本特征子图确定多个向量神经元，所述数字胶囊层用于通过动态路由算法计算各所述向量神经元的激活向量，所述全连接层用于根据所述激活向量的模长确定所述训练样本的分类结果。

3.根据权利要求1所述的一种OCT三维图像分类方法，其特征在于，所述确定所述第二B-scan图像的第二纹理特征向量这一步骤，其具体包括：

对所述第二B-scan图像进行Gabor小波变换得到第二纹理图像；

确定所述第二纹理图像的第一均值和第一方差，进而根据所述第一均值和所述第一方差确定所述第二纹理特征向量。