[发明专利]血管OCT图像中血管壁及血流区域的分割方法与装置

权利要求书

1.一种血管OCT图像中血管壁及血流区域的分割方法，其特征在于，包括：

基于血管多普勒OCT强度图，利用级联全卷积神经网络模型中的第一级全卷积神经网络，分割出血管壁的轮廓图；

基于所述血管壁的轮廓图，对血管多普勒OCT相位图进行去背景噪声处理，去除血管多普勒OCT相位图中血管壁以外的背景噪声，并基于处理后的血管多普勒OCT相位图，利用级联全卷积神经网络模型中的第二级全卷积神经网络，分割出血流区域的轮廓图；所述基于处理后的血管多普勒OCT相位图，利用级联全卷积神经网络模型中的第二级全卷积神经网络，分割出血流区域的轮廓图的步骤具体包括：将所述处理后的血管多普勒OCT相位图输入所述第二级全卷积神经网络，获取血流区域概率图谱，并采用阈值化处理法，对所述血流区域概率图谱进行二值化，获取所述血流区域的轮廓图；

所述基于血管多普勒OCT强度图，利用级联全卷积神经网络模型中的第一级全卷积神经网络，分割出血管壁的轮廓图的步骤具体包括：

将所述血管多普勒OCT强度图输入所述第一级全卷积神经网络，获取血管壁概率图谱，并采用阈值化处理法，将所述血管壁概率图谱进行二值化，获取所述血管壁的轮廓图；

所述基于所述血管壁的轮廓图，对血管多普勒OCT相位图进行去背景噪声处理的步骤具体包括：

将所述血管壁的轮廓图作为所述血管多普勒OCT相位图的掩模，并根据所述掩模，去除所述血管多普勒OCT相位图中的背景噪声，获取所述处理后的血管多普勒OCT相位图。

2.根据权利要求1所述的方法，其特征在于，在所述利用级联全卷积神经网络模型中的第一级全卷积神经网络，分割出血管壁的轮廓图的步骤之前，还包括：

采用二次插值法，对一定数量的样本血管多普勒OCT强度图和样本血管多普勒OCT相位图进行预处理，分别获取强度图训练集和相位图训练集，以及强度图测试集和相位图测试集；

对所述强度图训练集中的强度图分别进行标注，获取血管壁轮廓的标签集，并基于所述血管壁轮廓的标签集，对所述相位图训练集中的相位图分别进行标注，获取血流区域的标签集；

利用所述强度图训练集和对应的血管壁轮廓的标签集，迭代训练建立的第一基础全卷积神经网络，并利用所述强度图测试集，对训练完成的第一基础全卷积神经网络进行测试，获取所述第一级全卷积神经网络；

利用所述相位图训练集和对应的血流区域的标签集，迭代训练建立的第二基础全卷积神经网络，并利用所述相位图测试集，对训练完成的第二基础全卷积神经网络进行测试，获取所述第二级全卷积神经网络；

将所述第一级全卷积神经网络与所述第二级全卷积神经网络进行级联，获取所述级联全卷积神经网络模型。

3.根据权利要求2所述的方法，其特征在于，在所述利用所述强度图训练集和对应的血管壁轮廓的标签集，迭代训练建立的第一基础全卷积神经网络的步骤之前，还包括：

依次采用平移、旋转、剪切、水平翻转和反射变换的方式，对所述强度图训练集和对应的血管壁轮廓的标签集以及所述相位图训练集和对应的血流区域的标签集进行数据增强处理；

相应的，采用增强后的训练集和标签集，分别对所述第一基础全卷积神经网络和所述第二基础全卷积神经网络进行所述迭代训练的处理流程。

4.根据权利要求2所述的方法，其特征在于，所述基于所述血管壁轮廓的标签集，对所述相位图训练集中的相位图分别进行标注，获取血流区域的标签集的步骤具体包括：

将所述血管壁轮廓的标签集映射到对应的相位图训练集中的相位图上，并去掉该相位图上的背景噪声，获取去干扰的样本相位图；

对各所述去干扰的样本相位图分别进行血流区域标注，获取所述血流区域的标签集。