[发明专利]一种基于神经网络的OCT人眼图像采集配准方法及系统

权利要求书

1.一种基于神经网络的OCT人眼图像采集配准方法，其特征在于，所述方法包括以下步骤：

S100，通过OCT系统采集与标定图像数据；

S200，通过标定好的图像数据训练第一神经网络模型和第二神经网络模型分别得到第一模型和第二模型；

S300，通过第一模型和第二模型补偿OCT系统采集过程中图像的偏移量。

2.根据权利要求1所述的一种基于神经网络的OCT人眼图像采集配准方法，其特征在于，在S100中，所述OCT系统由光源，光纤耦合器，参考臂，样本臂，信号收集器五个部分构成，光源发出一束光，经过光纤耦合器分成两束光，一束光进入由一个平面镜构成的参考臂，另一束光经过由X-Y扫描振镜与透镜组构成的样品臂；通过调整X-Y扫描振镜的位置，对视网膜不同断层位置进行扫描，参考臂和样品臂的回光经过光纤耦合器后进入信号收集器，通过信号收集器得到OCT图像数据。

3.根据权利要求1所述的一种基于神经网络的OCT人眼图像采集配准方法，其特征在于，在S100中，采集与标定图像数据的方法为：通过OCT系统采集活体人眼视网膜OCT图像，进行人工标定待配准OCT图像中两两图像的之间的横向偏移量Dx与每一个A-scans之间的纵向偏移量t，其中，n个A-scans之间的纵向偏移量构成一个偏移向量T＝[t₁,t₂,t₃,…t_i…t_n-1,t_n]，i＝[1,n]其中的t_i与t_i+1表示两两图像之间的同一位置在不同采集时间A-scans之间的纵向偏移量，每一组待配准OCT图像都标有(Dx，T)信息。

4.根据权利要求1所述的一种基于神经网络的OCT人眼图像采集配准方法，其特征在于，在S200中，通过标定好的图像数据训练第一神经网络模型和第二神经网络模型分别得到第一模型和第二模型的方法包括以下步骤：

S201，第一神经网络模型的输入为同一位置在不同采集时间的两个待配准OCT图像，输出为两个OCT图像之间的横向偏移量Dx；

第一神经网络模型的结构包括：第一残差神经网络、第二残差神经网络、一个dropout层和依次连接的三个全连接层，三个全连接层分别为第一全连接层、第二全连接层、第三全连接层，第一残差神经网络、第二残差神经网络分别与dropout层连接，第一残差神经网络、第二残差神经网络输出到dropout层；dropout层连接到依次连接的三个全连接层；其中，dropout层的参数为0.5，即，将输入dropout层的第一残差神经网络、第二残差神经网络合并后的数据输入关闭一半的神经元；第一全连接层的输入维度为1024，输出维度为64、第二全连接层的输入维度为64，输出维度为64、第三全连接层的输入维度为64，输出维度为1；

在第一神经网络模型中，将同一位置在不同采集时间的两个OCT图像分别输入到第一残差神经网络和第二残差神经网络中进行特征提取，然后将提取到的2个特征合并成一个特征并且通过dropout层屏蔽掉一半的神经元进行输出，并将合并后的特征通过经过三个全连接层的输出，即得到两个图像之间的横向偏移量Dx；

S202，第二神经网络模型的输入为同一位置在不同采集时间的两个待配准OCT图像及横向偏移量Dx，输出为两个图像多条A-scans之间的纵向偏移向量T；

第二神经网络模型的结构包括：第三残差神经网络、三个全连接层；第三残差神经网络连接并输出到依次连接的三个全连接层，三个全连接层分别为第四全连接层、第五全连接层、第六全连接层，第四全连接层的输入维度为1024，输出维度为512、第五全连接层的输入维度为512，输出维度为512、第六全连接层的输入维度为512，输出维度为M；

输出维度M是一个动态参数，一般取需要配准的A-scans的组数；

纵向偏移向量T的长度和输出维度M的大小相同；

横向偏移量Dx是同一位置在不同采集时间的两个待配准OCT图像之间的横向偏移量；

在第二神经网络模型中，将同一位置在不同采集时间的两个OCT图像及横向偏移量Dx合并成一个双通道图像，然后将双通道图像使用残差神经网络进行特征提取，将提取到的特征经过三次全连接层，最后输出一维向量T；

S203，将标定的每组OCT图像和标定好的(Dx，T)信息，即横向偏移量Dx和向量T，输入第一神经网络模型和第二神经网络模型中进行神经网络参数的训练分别得到第一模型和第二模型。