[发明专利]一种基于深度神经网络的OCTA图像超分辨率重建方法

权利要求书

1.一种基于深度神经网络的OCTA图像超分辨率重建方法,其特征在于，包括：

采集OCTA图像，对所述OCTA图像进行预处理，获得初始数据集，并将所述初始数据集划分为训练集和测试集；

构建神经网络模型，基于所述训练集对所述神经网络模型进行训练，获得第一网络模型；

基于所述测试集对所述第一网络模型进行测试，获得第二网络模型；

基于所述第二网络模型对所述OCTA图像进行超分辨率重建，获得目标图像。

2.根据权利要求1所述的基于深度神经网络的OCTA图像超分辨率重建方法，其特征在于，对所述OCTA图像进行预处理的过程包括对所述OCTA图像进行裁剪、翻转；

所述裁剪为将所述OCTA图像裁剪为512x512大小；

所述翻转为将裁剪后的得到的图片进行90°、180°和270°的翻转操作，获得所述初始数据集。

3.根据权利要求1所述的基于深度神经网络的OCTA图像超分辨率重建方法，其特征在于，

构建所述神经网络模型的过程包括，

在U-net的基础上将两个3x3卷积替换为3x3卷积和7x7卷积后，与5x5卷积进行并行运算，并引入1x1卷积层，使用残差链接替换传统U-net网络中的简单跳过连接，先穿过带有残差连接的卷积层链，再与解码器特征连接。

4.根据权利要求3所述的基于深度神经网络的OCTA图像超分辨率重建方法，其特征在于，

构建所述神经网络模型还包括获得第一激活函数GELU；

所述第一激活函数GELU通过在激活时对激活函数引入随机正则思想获得；

所述第一激活函数GELU表达式为：

其中，

5.根据权利要求3所述的基于深度神经网络的OCTA图像超分辨率重建方法，其特征在于，还包括，在所述解码器开端加入傅立叶通道注意力机制，根据不同特征之间的频域差异，在网络间传播时自适应地调整权重，获得网络对低分辨率图像的层次映射。

6.根据权利要求5所述的基于深度神经网络的OCTA图像超分辨率重建方法，其特征在于，

所述傅立叶通道注意力机制由四个相同的残差组组成，所述残差组分别由四个傅立叶通道注意力模块和一个跳跃链接组成。

7.根据权利要求6所述的基于深度神经网络的OCTA图像超分辨率重建方法，其特征在于，基于所述训练集对所述神经网络模型进行训练还包括，将所述残差组送入由第一激活函数GELU激活的卷积层，将所述解码器加入图像去噪层，基于所述卷积层和Sigmoid函数获得第一灰度图像。

8.根据权利要求1所述的基于深度神经网络的OCTA图像超分辨率重建方法，其特征在于，获得所述第一网络模型还包括采用tensorflow深度学习框架搭建训练模型。

9.根据权利要求1所述的基于深度神经网络的OCTA图像超分辨率重建方法，其特征在于，

基于所述测试集对所述第一网络模型进行测试的过程包括，将所述测试集输入所述第一网络模型，获得所述测试集的峰值信噪比，基于所述峰值信噪比进行定量评价，获得评价指标值。