[发明专利]基于视网膜OCT图像的CNV病灶伪造方法、装置及系统

说明书

本发明公开了一种基于视网膜OCT图像的CNV病灶伪造方法、装置及系统，包括利用真实的带CNV病灶的视网膜OCT图像，以及对应的标签，训练出CNV判别器；基于真实的带CNV病灶的视网膜OCT图像，提取出CNV真实特征；获取CNV模拟特征；基于CNV真实特征和CNV模拟特征，在不带CNV病灶的视网膜OCT图像上伪造CNV病灶，批量生成带CNV病灶的视网膜OCT图像及标签，并送入CNV判别器；将CNV判别器输出的合格数据和真实的带CNV病灶的视网膜OCT图像送入深度学习模型进行训练，得到视网膜OCT图像处理模型。本发明能够从少量真实的带CNV病灶的视网膜OCT图像中提取真实CNV病灶的特征，并结合模拟的CNV病灶的特征，在大量的不带CNV病灶的视网膜OCT图像伪造CNV病灶，生成高准确率的视网膜OCT图像处理模型。

技术领域

本发明属于视网膜图像处理技术领域，具体涉及一种基于视网膜OCT图像的CNV病灶伪造方法、装置及系统。

背景技术

光学相干断层扫描(Optical Coherence Tomography，OCT)是一种形成眼底影像的成像技术，由于其能反应眼底不同生理结构对入射的弱相干光的反射、散射特性，形成的三维影像具有深度层面的信息，相比与眼底彩照等影像，其具有独特的优势。

脉络膜新生血管(Choroidal Neo Vascularization，CNV)，又称视网膜下新生血管，是年龄相关性黄斑变性、中央渗出性脉络膜视网膜病变、特发性脉络膜新生血管、病理性近视黄斑变性、眼组织胞浆病综合征等多种眼内疾病的一种基本病理改变。它常累及黄斑，对中央视力造成严重损害。

针对视网膜OCT图像CNV处理的问题，已经有大量文献报道了各种不同的算法，主要包括基于深度学习的有监督和无监督方法，基于图论的图割/图搜索方法等。基于深度学习视网膜OCT图像CNV处理方法省略了人工设计特征的繁琐过程，采用卷积和池化等操作从原始图像数据中学习到抽象、深层次的特征，但是，深度学习算法的模型训练通常需要大量有标注的训练数据进行模型参数优化，与自然图像相比，带标注的且包含CNV病灶的视网膜OCT影像非常稀缺，并且需要有丰富的临床经验的专家医生手动完成数据标注，标注成本极高，同时难以保证训练数据与实际测试应用数据之间的独立同分布性，使得模型易产生过拟合和泛化性不足的问题。另外，不同机器拍摄的OCT图像，由于波长、算法等原因，其病灶的特征也不同，因此，通常情况下只能针对一种机型拍摄的OCT图像训练模型，如果跨机型训练模型，会降低模型的处理效果；另外，用一种机型拍摄的OCT图形训练的模型，通常也无法应用到另外一种机型拍摄的OCT图像。然而，特定机型且有标注的带CNV病灶的视网膜OCT图像，多少情况下是非常匮乏的。

面对带CNV病灶的视网膜OCT图像匮乏的问题，现有的解决方式包括：收集和标注更多的数据，利用预训练模型以及对抗网络生成模型等等。收集和标注更多的数据需要花费大量的时间和金钱，而且和其他医疗图像一样，视网膜OCT图像同样难以收集，尤其是特定机型且带有疾病的OCT图像。由于预训练的模型结构灵活性差、应用场景受限，难以针对视网膜OCT图像处理的具体问题，找到合适预训练模型进行微调。利用对抗网络生成模型生成的虚拟数据，难以捕捉到CNV复杂的病灶特征，且生成的特征不具有可解释性，难以提高视网膜OCT图像处理模型的准确率。

发明内容

针对上述问题，本发明提出一种基于视网膜OCT图像的CNV病灶伪造方法、装置及系统，能够从少量真实的带CNV病灶的视网膜OCT图像中提取真实CNV病灶的特征，并基于提取到的真实CNV病灶的特征，在大量的不带CNV病灶的视网膜OCT图像伪造CNV病灶，最终生成高准确率的视网膜OCT图像处理模型。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种基于视网膜OCT图像的CNV病灶伪造方法，包括：

利用真实的带CNV病灶的视网膜OCT图像，以及对应的标签，训练出CNV判别器；