[发明专利]用于OCT图像转化、眼科图像去噪的系统及其神经网络

说明书

一种OCT系统，包括被训练成接收单个OCT/图像并提供图像转换和/或去噪功能的机器学习(ML)模型。ML模型可以基于神经网络(NN)架构，该架构包括收缩路径中的一系列编码模块，随后是通向输出卷积模块的扩展路径中的一系列解码模块。中间误差模块确定深度误差度量，例如，在训练输出图像和至少一个编码模块和/或解码模块之间，并且来自输出卷积模块的误差与深度误差度量组合。可以使用真实平均化的图像作为基础真实训练输出来训练NN。或者，NN可以使用随机选择的单个OCT图像/扫描作为训练输出来训练。

技术领域

本发明总体上涉及光学相干断层扫描(OCT)领域。更具体地，旨在提高OCT扫描/图像以及其他眼科图像的质量。

背景技术

早期诊断对于成功治疗各种眼病至关重要。光学成像是视网膜无创检查的首选方法。虽然年龄相关性黄斑变性、糖尿病性视网膜病变和青光眼被认为是视力丧失的主要原因，但通常是在损害表现出来后才做出诊断。这主要是由于一些视网膜成像技术的分辨率相对较低。因此，先进的灵敏和精确的眼科成像和诊断工具的目标是提供能够在疾病的临床前阶段分辨/显示(例如，用于检测和监测)视网膜微结构的病理变化的成像模态。

光学相干断层扫描(OCT)系统就是这样一种先进的眼科成像和诊断工具。根据所使用的技术，OCT可以提供大约1至15μm范围内的轴向分辨率以及几微米至几十微米范围内的横向分辨率。可以理解，实现更高的分辨率通常需要大量的研究、成本和复杂性。

通过软件解决方案来提高图像质量的尝试收效甚微。例如，本领域已知的基于Hessian的血管选择性过滤器可以提供改善的血管连通性，但是已经发现引入了在原始(例如，真实)扫描中没有发现的假想(例如，虚构)结构。因为基于Hessian的血管选择性过滤器不忠实于原始扫描的真实血管结构，所以在检查眼科图像中的病理学用途是有限的。

本发明的目的是提供一种分辨率提高的OCT系统。

本发明的目的是提供一种系统和方法，用于改善现有OCT或OCT血管造影(OCTA)系统的成像能力，该系统对OCT或OCTA系统的硬件修改最小。

本发明的另一目的是提供一种用于增强现有OCT图像的图像质量的系统和方法。

发明内容

在光学相干断层扫描(OCT)系统中实现上述目的，该系统具有：光源，用于产生光束；分束器，分束器具有分束表面，用于将第一部分光导入参考臂，并将第二部分光导入样本臂；光学器件，用于将样本臂中的光导向样本上的一个或多个位置；检测器，用于接收从样本臂和参考臂返回的光，并响应于此产生信号；处理器，用于将信号转换成第一图像并将第一图像提交给图像转化模块，图像转化模块将第一图像转化成第二图像，第二图像的特征在于与第一图像相比抖动减少和虚构结构的创建最小化中的一个或多个；以及输出显示器，用于基于第二图像显示输出图像。图像转化模块优选地包括使用训练输入图像组和训练输出图像的目标组的机器学习模块(例如，深度学习、神经网络)，其中，训练输入图像独立于训练输出图像生成。例如，训练输入不基于添加了已知类型的噪声(例如，高斯噪声、泊松噪声、斑点噪声、椒盐噪声等)的训练输出图像。尽管如此，训练输出图像可以具有比训练输入图像更高的图像质量，使得训练机器学习模块(例如，在操作中)产生第二图像，该第二图像是第一图像的更高质量表示。例如，可以通过平均训练输入图像组来构建单独的训练输出图像。可选地，训练输入图像和训练输出图像可以由不同模态的OCT生成，其中，能够创建较高质量图像的OCT模态用于生成训练输出图像，而生成较低质量图像的OCT模态用于生成输入训练图像。例如，自适应光学器件OCT系统可用于生成训练输出图像，非自适应光学器件OCT系统(例如，时域OCT、频域OCT、谱域OCT和/或扫描源OCT)中的一个或多个可用于生成训练输入图像。以这种方式，转化模块有效地将第一模态的OCT图像转换成类似于由第二不同模态的OCT生成的图像。