[发明专利]基于少样本学习的OCTA血管分割方法及成像方法

说明书

本发明公开了一种基于少样本学习的OCTA血管分割方法，包括获取现有的OCTA血管图像并部分标注；随机抽取图像并数据增强；构建OCTA血管分割原始模型；采用增强后的数据图像训练模型；采用得到的模型进行实际的血管分割。本发明还提供了一种包括所述基于少样本学习的OCTA血管分割方法的成像方法。本发明采用构建的OCTA血管分割模型进行像素级分割预测，并基于不同的输入图像构建不同的损失函数对模型进行训练，从而完成基于少样本学习的OCTA血管分割；因此本发明能够在少样本的情况下完成OCTA图像的血管分割，而且可靠性更高，精确性更好，效率更高。

技术领域

本发明属于图像处理领域，具体涉及一种基于少样本学习的OCTA血管分割方法及成像方法。

背景技术

随着经济技术的发展和人们生活水平的提高，人们对于健康的关注程度也越来越高。

OCTA图像能够反映人员的眼底视网膜血管网的生长状况，而且其成像方法具有无创性、非侵入性的优势，因此OCTA图像在基础医学研究和临床医学中都具有重要的作用。在OCTA图像的应用中，OCTA图像的血管分割结果在医学研究和医学临床方面都有着巨大的实用意义；因此，已经有研究人员开展了大量的关于OCTA图像的血管分割的研究。

传统的OCTA图像的血管分割方案，一般是采用人工标注的方式进行；但是，人工标注的方式，不仅费时费力，成本高昂且效率较差，而且OCTA图像中的血管网分布极为复杂，需要具有极强专业知识的人员来进行操作。而随着人工智能技术和深度学习技术的发展，研究人员已经提出了基于深度学习技术的OCTA图像血管分割方法。

但是，目前的基于深度学习技术的OCTA图像血管分割方法，大多是基于全监督学习方案，其研究依赖于大量的高质量人工标签数据；而大量的高质量人工标签数据，依旧依赖于大量且专业的OCTA图像血管的人工标注。这种情况，使得现有的基于深度学习技术的OCTA图像血管分割方法，依旧存在可靠性差、精确性差且效率较低的缺陷。

发明内容

本发明的目的之一在于提供一种可靠性高、精确性好且效率较高的基于少样本学习的OCTA血管分割方法。

本发明的目的之二在于提供一种包括了所述基于少样本学习的OCTA血管分割方法的成像方法。

本发明提供的这种基于少样本学习的OCTA血管分割方法，包括如下步骤：

S1. 获取现有的OCTA血管图像；对其中的若干图像进行人工血管标注，并对剩余图像不进行标注，从而得到有标签数据图像和无标签数据图像；

S2. 随机抽取步骤S1获取的图像；随机抽取的图像必须同时包括有标签数据图像和无标签数据图像；

S3. 对步骤S2获取的图像进行数据增强，从而得到增强后的数据图像；

S4. 基于卷积神经网络，构建OCTA血管分割原始模型；所述的OCTA血管分割原始模型包括了一个共享编码器和两个解码器；共享编码器用于提取输入的图像中的高级特征，并对数据进行降维处理；解码器用于对共享编码器输出的高级特征进行逐步还原，并还原后的数据进行像素级推理，得到目标分割预测结果；

S5. 采用步骤S3得到的增强后的数据图像，对步骤S4构建的OCTA血管分割原始模型进行训练，得到OCTA血管分割模型；训练时，针对输入的不同类型的数据图像，分别计算对应的有监督的分割损失、无监督的数据扰动一致性损失、骨架变换一致性损失或无监督自支持损失，构成总损失函数，并采用总损失函数进行模型的训练；

S6. 采用步骤S5得到的OCTA血管分割模型，进行实际的OCTA图像的血管分割。

所述的步骤S1，具体包括如下步骤：

获取现有的OCTA血管图像；