CN109741335B - 血管oct图像中血管壁及血流区域的分割方法与装置 - Google Patents

Abstract

本发明实施例提供一种血管OCT图像中血管壁及血流区域的分割方法与装置，其中所述方法包括：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，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。本发明实施例利用级联全卷积网络进行多普勒OCT血管特征提取，结合多普勒信号使得血流区域的分割更加准确，能够有效降低血管OCT图像中血管壁及血流区域的分割难度，方便有效的分割出图像中的血管壁及血流区域。

Description

血管OCT图像中血管壁及血流区域的分割方法与装置

技术领域

本发明实施例涉及图像处理技术领域，更具体地，涉及一种血管OCT图像中血管壁及血流区域的分割方法与装置。

背景技术

光学相干断层扫描(OCT)是一种具有微米量级的空间分辨率和毫米量级的成像深度的成像技术，这与血管吻合的特征尺寸比较匹配，同时OCT成像速度快，能够对样品进行实时三维成像。另外，多普勒OCT可以同时提供血管的三维结构和血流信息。

目前，基于深度学习的生物医学图像分割技术已有很多，在采用多普勒OCT系统获取小鼠动脉图像时，由于血管内的血液散射，以及随着深度增加、系统的敏感性降低、图像的噪声严重、对比度低等因素，尤其是血管强度图中血管壁下边缘模糊，给血管壁的完整准确分割带来困难，相位图中出现大量的背景噪声，使得准确分割血流区域变得困难。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种血管OCT图像中血管壁及血流区域的分割方法与装置，用以有效降低血管OCT图像中血管壁及血流区域的分割难度，方便有效的分割出图像中的血管壁及血流区域。

第一方面，本发明实施例提供一种血管OCT图像中血管壁及血流区域的分割方法，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，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。

第二方面，本发明实施例提供一种血管OCT图像中血管壁及血流区域的分割装置，包括：

第一分割模块，用于基于血管多普勒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；

第二分割模块，用于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，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。

第三方面，本发明实施例提供一种电子设备，包括：至少一个存储器、至少一个处理器、通信接口和总线；所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信，所述通信接口用于所述电子设备与血管OCT图像设备之间的信息传输；所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上第一方面所述的血管OCT图像中血管壁及血流区域的分割方法。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上第一方面所述的血管OCT图像中血管壁及血流区域的分割方法。

本发明实施例提供的血管OCT图像中血管壁及血流区域的分割方法与装置，通过利用级联全卷积网络，进行多普勒OCT血管特征提取，结合多普勒信号使得血流区域的分割更加准确，能够有效降低血管OCT图像中血管壁及血流区域的分割难度，方便有效的分割出图像中的血管壁及血流区域。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的血管OCT图像中血管壁及血流区域的分割方法的流程示意图；

图2为根据本发明实施例提供的血管OCT图像中血管壁及血流区域的分割方法中建立级联全卷积神经网络模型的流程示意图；

图3为根据本发明实施例提供的血管OCT图像中血管壁及血流区域的分割方法中训练网络模型的流程示意图；

图4为本发明另一实施例提供的血管OCT图像中血管壁及血流区域的分割方法的流程示意图；

图5为本发明实施例提供的血管OCT图像中血管壁及血流区域的分割装置的结构示意图；

图6为本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明实施例的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。

在采用多普勒OCT系统获取小鼠动脉图像时，由于血管内的血液散射，以及随着深度增加、系统的敏感性降低、图像的噪声严重、对比度低等因素，尤其是血管强度图中血管壁下边缘模糊，给血管壁的完整准确分割带来困难。另外，相位图中出现大量的随机噪声，使得准确分割血流区域变得困难。

本发明实施例针对上述问题，以多普勒OCT血管图像血管壁和血流区域自动分割为研究目的，提出基于级联全卷积神经网络分割多普勒OCT图像中单个血管的血管壁和血流区域的解决思路，可以实现输入一对血管强度图和相位图，即可自动快速的得到完整的血管壁轮廓和准确的血流区域轮廓图的目标。以下将具体通过多个实施例对本发明实施例进行展开说明和介绍。

图1为本发明一实施例提供的血管OCT图像中血管壁及血流区域的分割方法的流程示意图，包括：

S101，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。

本发明实施例事先会获取待处理的血管多普勒OCT强度图，并具体利用训练完成的级联全卷积神经网络模型，来对血管强度图进行分割，获得血管壁轮廓图。具体而言，可以将血管多普勒OCT强度图输入级联全卷积神经网络模型，利用级联全卷积神经网络模型的第一级全卷积神经网络，对血管多普勒OCT强度图进行计算处理，输出分割出的血管壁的轮廓图。

可以理解的是，其中的级联全卷积神经网络模型是由多级全卷积神经网络级联而成的网络模型，其中最前端的为第一级，为第一级全卷积神经网络。将血管多普勒OCT强度图输入该第一级全卷积神经网络，该神经网络可以对血管多普勒OCT强度图进行特征提取，并基于该特征进行分析计算，得到血管壁概率图谱，并最终得到血管壁的轮廓图。

S102，基于血管壁的轮廓图，对血管多普勒OCT相位图进行去背景噪声处理，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。

本发明实施例在得到血管壁的轮廓图的基础上，利用该血管壁的轮廓图对相应的血管多普勒OCT相位图进行处理，去除血管多普勒OCT相位图中血管壁以外的背景噪声，得到处理后的血管多普勒OCT相位图。之后，将该处理后的血管多普勒OCT相位图输入级联全卷积神经网络模型中的第二级全卷积神经网络，利用第二级全卷积神经网络进行多普勒OCT相位图的特征提取和血流区域分割计算，分割出血流区域的轮廓图。

本发明实施例提供的血管OCT图像中血管壁及血流区域的分割方法，通过利用级联全卷积网络，进行多普勒OCT血管特征提取，结合多普勒信号使得血流区域的分割更加准确，能够有效降低血管OCT图像中血管壁及血流区域的分割难度，方便有效的分割出图像中的血管壁及血流区域。

本发明实施例在利用级联全卷积神经网络模型进行血管壁及血流区域的分割之前，会对该模型进行建立。即在上述各实施例的基础上，在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，本发明实施例的方法还包括如图2所示的处理流程，图2为根据本发明实施例提供的血管OCT图像中血管壁及血流区域的分割方法中建立级联全卷积神经网络模型的流程示意图，该处理流程包括：

S201，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。

本发明实施例事先会获取一定数量的血管多普勒OCT强度图和对应的血管多普勒OCT相位图，作为样本，来对建立的基础模型进行训练和测试。其中的血管多普勒OCT强度图即作为样本血管多普勒OCT强度图，血管多普勒OCT相位图即作为样本血管多普勒OCT相位图。因此本步骤对样本血管多普勒OCT强度图和样本血管多普勒OCT相位图进行预处理，分别得到训练集I_train(x,y)、P_train(x,y)以及测试集I_test(x,y)，P_test(x,y)。

可以理解的是，对于全卷积神经网络算法架构，在网络建立完成后，其输入尺寸是确定的，如采用的全卷积神经网络U-net算法架构的输入是512*512大小的灰度图像，则在输入网络进行训练之前，需要将图像通过二次插值的方式改变其分辨率以适应网络架构。

S202，对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，并基于血管壁轮廓的标签集，对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。

本发明实施例制作训练集的金标准，作为训练网络的素材。标注用于训练的强度图I_train(x,y)，得到血管壁轮廓的标签集I_label(x,y)，将强度图的标签集映射到对应的相位图P_train(x,y)上，去掉其背景干扰得到P’_train(x,y)，标注用于训练的相位图P’_train(x,y)，得到血流区域的标签集P’_label(x,y)；同时对测试集进行标定获取金标准，作为评估网络模型分割的一个评价指标。

S203，利用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，获取第一级全卷积神经网络。

在上述处理的基础上，本发明实施例利用强度图训练集和对应的血管壁轮廓的标签集，对全卷积神经网络进行训练，并对强度图的测试集I_test(x,y)进行分割测试，得到第一级全卷积神经网络。具体而言，第一轮训练时，卷积层的权重是随机产生的，第二轮的卷积层的权重是由第一次训练得到的网络模型决定的，即每一轮的训练都是在上一轮的训练基础上优化进行，损失函数收敛后，通过对比每轮的损失函数、准确率，并对比网络分割I_test(x,y)结果与金标准的相似度，得到第一级全卷积神经网络用于级联分割血管强度图得到血管壁轮廓。

S204，利用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，获取第二级全卷积神经网络。

本发明实施例利用相位图训练集和对应的血流区域的标签集，对全卷积神经网络进行多轮训练，并对相位图的测试集P_test(x,y)进行分割测试，得到第二级全卷积神经网络。具体而言，与训练第一级全卷积神经网络的过程相似，第一轮训练时，卷积层的权重是随机产生的，第二轮的卷积层的权重是由第一次训练得到的网络模型决定的，即每一轮的训练都是在上一轮的训练基础上优化进行，损失函数收敛后，通过对比每轮的损失函数、准确率，并对比网络分割P_test(x,y)结果与金标准的相似度，得到第二级全卷积神经网络用于级联分割血管相位图得到血流区域轮廓。

S205，将第一级全卷积神经网络与第二级全卷积神经网络进行级联，获取级联全卷积神经网络模型。

在根据上述处理得到第一级全卷积神经网络和第二级全卷积神经网络的基础上，将二者进行级联连接，得到级联全卷积神经网络模型。训练得到的最优模型第一级全卷积神经网络和第二级全卷积神经网络级联起来，第一级全卷积神经网络的输出用来作为第二级全卷积神经网络输入的掩模，确定用于输入第二级全卷积神经网络的相位图的有效分割区域，从而减少相位图中的背景里的随机噪声的影响，使得网络能够更准确的分割血流区域，这对于血流区域的精准分割具有必不可少的作用。

其中，根据上述各实施例可选的，基于血管壁轮廓的标签集，对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；对各去干扰的样本相位图分别进行血流区域标注，获取血流区域的标签集。

本发明实施例在进行训练样本和测试样本的标注时，训练集和标签集要一一对应，可以由经验丰富的医生进行标注，也可以由计算机进行自动标注。另外，标注用于训练的强度图I_train(x,y)得到血管壁轮廓，作为标签集I_label(x,y)，将强度图的标签集映射到对应的相位图P_train(x,y)上，去掉其背景干扰得到P’_train(x,y)，同时标注用于训练的相位图P’_train(x,y)得到血流区域，作为其标签集P’_label(x,y)；利用同样的方法对测试集的强度图I_test(x,y)和相位图P_test(x,y)进行标注得到金标准，在测试过程中，可以根据网络模型对测试集的分割结果与测试集的金标准相似程度，评估网络分割的准确程度。

另外，在上述各实施例的基础上，在利用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，本发明实施例的方法还包括：依次采用平移、旋转、剪切、水平翻转和反射变换的方式，对强度图训练集和对应的血管壁轮廓的标签集以及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，分别对第一基础全卷积神经网络和第二基础全卷积神经网络进行迭代训练的处理流程。

由于用来训练模型的训练集素材相对较少，血栓具有复杂的结构形状和无规律的分布，这就需要足够丰富的素材用于训练，提高分割结果。为此，本发明实施例分别对训练集强度图I_train(x,y)和对应的标签集I_label(x,y)，以及训练集相位图P’_train(x,y)和对应的标签集P’_label(x,y)进行数据增强，采用平移、旋转、剪切、水平翻转和反射变换的方式，对训练集和标签集进行数据增强。另外，数据增强还可以减少网络训练过程中出现过拟合问题，体现了数据增强过程的必要性和特异性。

其中，根据上述各实施例可选的，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：将血管多普勒OCT强度图输入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，将血管壁概率图谱进行二值化，获取血管壁的轮廓图。

具体而言，根据上述各实施例，首先将强度图I(x,y)输入第一级全卷积神经网络模型，获取血管壁概率图谱I_PR-map(x,y)。之后，采用阈值化处理法，将该血管壁概率图谱I_PR-map(x,y)进行二值化处理，得到血管壁的轮廓图I_mask(x,y)，并将其映射到血管多普勒OCT强度图I(x,y)上。

其中，根据上述各实施例可选的，基于血管壁的轮廓图，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：将血管壁的轮廓图作为血管多普勒OCT相位图的掩模，并根据掩模，去除血管多普勒OCT相位图中的背景噪声，获取处理后的血管多普勒OCT相位图。

具体而言，根据上述各实施例，将得到的血管壁的轮廓图I_mask(x,y)映射到血管多普勒OCT相位图P(x,y)上，作为P(x,y)的掩模，并据此去除P(x,y)中的背景噪声，得到处理后的血管多普勒OCT相位图P’(x,y)。

其中，根据上述各实施例可选的，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：将处理后的血管多普勒OCT相位图输入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，对血流区域概率图谱进行二值化，获取血流区域的轮廓图。

根据上述各实施例，将得到的处理后的血管多普勒OCT相位图P’(x,y)输入到预先训练好的第二级全卷积神经网络中，获得血流区域概率图谱P_PR-map(x,y)，并采用阈值化处理法，对血流区域概率图谱P_PR-map(x,y)进行二值化处理，得到血流区域的轮廓图P_mask(x,y)，并将其映射到P(x,y)上。

为进一步说明本发明实施例的技术方案，本发明实施例根据上述各实施例提供如下具体实施例的处理流程，但不对本发明实施例的保护范围进行限制。

本发明实施例提供的血管OCT图像中血管壁及血流区域的分割方法，基于级联全卷积神经网络实现，包括图像预处理、网络训练以及级联网络自动分割三部分，其中网络训练包括：标注金标准、数据增强、训练网络和分割测试。

首先，对血管OCT图像的强度图和相位图进行预处理，得到512*512尺寸大小的图像，以符合网络模型的输入尺寸大小。之后，利用预处理后的图像构成强度图训练集I_train(x,y)和相位图训练集P_train(x,y)，同时构建强度图测试集I_test(x,y)和相位图测试集P_test(x,y)，

其次，进行网络模型的训练。图3为根据本发明实施例提供的血管OCT图像中血管壁及血流区域的分割方法中训练网络模型的流程示意图，如图3所示，该处理流程包括以下步骤：

步骤3-1，标注用于训练的强度图I_train(x,y)，得到血管壁轮廓的标签集I_label(x,y)，将I_label(x,y)映射到对应的相位图P_train(x,y)上，去掉其背景干扰得到P’_train(x,y)，同时标注用于训练的相位图P’_train(x,y)，得到血流区域的标签集P’_label(x,y)；其中，I_train(x,y)和I_label(x,y)一一对应，用于第一级全卷积神经网络模型的输入；P’_train(x,y)和P’_label(x,y)一一对应，用于第二级全卷积神经网络模型的输入。

步骤3-2，对步骤3-1中的强度图I_train(x,y)和对应的标签集I_label(x,y)，以及相位图P’_train(x,y)和对应的标签集P’_label(x,y)进行数据增强，由于用来训练的训练集素材相对较少，血栓具有复杂的结构形状和无规律的分布，因此需要足够丰富的素材用于训练，提高分割结果，为了使得网络具有不变性和鲁棒性，我们采用平移、旋转、剪切、水平翻转和反射变换的方式对训练集和标签集进行2倍的数据增强。另外，数据增强还可以减少网络训练过程中出现过拟合问题，体现出数据增强过程的必要性。

步骤3-3，利用步骤3-2增强后的强度图I_train(x,y)和对应的标签集I_label(x,y)训练全卷积神经网络，在第一轮训练时，卷积层的权重是随机产生的，第二轮的卷积层的权重是由第一次训练得到的网络模型决定的，即每一轮的训练都是在上一轮的训练基础上进行优化，损失函数收敛后，通过对比每轮的损失函数、准确率，并对比50张I_test(x,y)的分割结果与测试集I_test(x,y)金标准的相似度，得到第一级全卷积神经网络用于级联分割血管强度图得到血管壁的轮廓。

步骤3-4，利用步骤3-2增强后的相位图P’_train(x,y)和对应的标签集P’_label(x,y)训练全卷积神经网络，过程与训练第一级全卷积神经网络的过程类似，并对比50张P_test(x,y)的分割结果与测试集P_test(x,y)金标准的相似度，得到第二级全卷积神经网络模型用于级联分割血管相位图得到血流区域的轮廓。

再次，利用训练完成的级联全卷积神经网络模型进行血管壁及血流区域的自动分割。图4为本发明另一实施例提供的血管OCT图像中血管壁及血流区域的分割方法的流程示意图，如图4所示，该处理流程包括以下步骤：

步骤4-1，将经过预处理的I(x,y)、P(x,y)输入级联网络(如图4(a)和(d))；

步骤4-2，将步骤4-1的强度图I(x,y)输入第一级全卷积神经网络模型，获取血管壁概率图谱I_PR-map(x,y)(如图4(b))。

步骤4-3，将步骤4-2中得到的概率图谱I_PR-map(x,y)采用阈值化处理法，进行二值化，得到血管壁的轮廓图I_mask(x,y)(如图4(c))；

步骤4-4：将步骤4-3中得到的轮廓图I_mask(x,y)作为P(x,y)的掩模，去除背景噪声，得到P’(x,y)(如图4(e))；

步骤4-5，将步骤4-4中得到的P’(x,y)输入到预先训练好的第二级全卷积神经网络中，获得血流区域概率图谱P_PR-map(x,y)(如图4(f))；

步骤4-6，将步骤4-5中得到的P_PR-map(x,y)采用阈值化处理法，进行二值化，得到血流区域的轮廓图P_mask(x,y)(如图4(g))。

为了验证本发明实施例的有效性，选取一组250帧多普勒OCT血管图像作为实验样本，进行分割实验，分割结果显示采用本发明实施例的分割方法可以分割出完整的血管壁和准确的血流区域。另外，将此250帧多普勒OCT图像的分割结果进行3D配准重建，采用亚像素图像配准的方法，将250帧多普勒OCT的分割轮廓二值图进行配准，再采用ImageJ软件将其3D重建，试验结果再一次验证了本发明实施例提出的基于级联全卷积神经网络分割多普勒OCT血管图像的有效性，同时可以保证较好的分割特异性和准确性。

作为本发明实施例的另一个方面，本发明实施例根据上述各实施例提供一种血管OCT图像中血管壁及血流区域的分割装置，该装置用于在上述各实施例中实现血管OCT图像中血管壁及血流区域的分割。因此，在上述各实施例的血管OCT图像中血管壁及血流区域的分割方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解，具体可参考上述实施例，此处不在赘述。

根据本发明实施例的一个实施例，血管OCT图像中血管壁及血流区域的分割装置的结构如图5所示，为本发明实施例提供的血管OCT图像中血管壁及血流区域的分割装置的结构示意图，该装置可以用于实现上述各方法实施例中血管OCT图像中血管壁及血流区域的分割，该装置包括：第一分割模块501和第二分割模块502。其中：

第一分割模块501用于基于血管多普勒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；第二分割模块502用于基于血管壁的轮廓图，对血管多普勒OCT相位图进行去背景噪声处理，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。

具体而言，第一分割模块501利用训练完成的级联全卷积神经网络模型，来对血管壁的轮廓图进行分割。第一分割模块501将血管多普勒OCT强度图输入级联全卷积神经网络模型，利用级联全卷积神经网络模型的第一级全卷积神经网络，可以对血管多普勒OCT强度图进行特征提取，并基于该特征进行分析计算，得到血管壁概率图谱，并最终得到血管壁的轮廓图。

之后，第二分割模块502利用上述血管壁的轮廓图对相应的血管多普勒OCT相位图进行处理，去除血管多普勒OCT相位图中血管壁以外的背景噪声，得到处理后的血管多普勒OCT相位图。之后，第二分割模块502将该处理后的血管多普勒OCT相位图输入级联全卷积神经网络模型中的第二级全卷积神经网络，利用第二级全卷积神经网络进行多普勒OCT相位图的特征提取和血流区域分割计算，分割出血流区域的轮廓图。

本发明实施例提供的血管OCT图像中血管壁及血流区域的分割装置，通过设置相应的执行模块，利用级联全卷积网络，进行多普勒OCT血管特征提取，结合多普勒信号使得血流区域的分割更加准确，能够有效降低血管OCT图像中血管壁及血流区域的分割难度，方便有效的分割出图像中的血管壁及血流区域。

可以理解的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且，本发明实施例的血管OCT图像中血管壁及血流区域的分割装置利用上述各程序模块，能够实现上述各方法实施例的血管OCT图像中血管壁及血流区域的分割流程，在用于实现上述各方法实施例中血管OCT图像中血管壁及血流区域的分割时，本发明实施例的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。

作为本发明实施例的又一个方面，本实施例根据上述各实施例提供一种电子设备，参考图6，为本发明实施例提供的电子设备的实体结构示意图，包括：至少一个存储器601、至少一个处理器602、通信接口603和总线604。

其中，存储器601、处理器602和通信接口603通过总线604完成相互间的通信，通信接口603用于该电子设备与血管OCT图像设备之间的信息传输；存储器601中存储有可在处理器602上运行的计算机程序，处理器602执行该计算机程序时，实现如上述各实施例所述的血管OCT图像中血管壁及血流区域的分割方法。

可以理解，该电子设备中至少包含存储器601、处理器602、通信接口603和总线604，且存储器601、处理器602和通信接口603通过总线604形成相互间的通信连接，并可完成相互间的通信，如处理器602从存储器601中读取血管OCT图像中血管壁及血流区域的分割方法的程序指令等。另外，通信接口603还可以实现该电子设备与血管OCT图像设备之间的通信连接，并可完成相互间信息传输，如通过通信接口603实现血管OCT图像中血管壁及血流区域的分割等。

电子设备运行时，处理器602调用存储器601中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：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，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等。

上述的存储器601中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还根据上述各实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行如上述各实施例所述的血管OCT图像中血管壁及血流区域的分割方法，例如包括：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，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等。

本发明实施例提供的电子设备和非暂态计算机可读存储介质，通过执行上述各实施例所述的血管OCT图像中血管壁及血流区域的分割方法，利用级联全卷积网络，进行多普勒OCT血管特征提取，结合多普勒信号使得血流区域的分割更加准确，能够有效降低血管OCT图像中血管壁及血流区域的分割难度，方便有效的分割出图像中的血管壁及血流区域。

可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上实施方式的描述，本领域的技术人员可以清楚地了解，各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备(如个人计算机，服务器，或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。

另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。

然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明实施例的单独实施例。

最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。

Claims (7)

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。

5.一种血管OCT图像中血管壁及血流区域的分割装置，其特征在于，包括：

第一分割模块，用于基于血管多普勒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；

第二分割模块，用于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。

6.一种电子设备，其特征在于，包括：至少一个存储器、至少一个处理器、通信接口和总线；

所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信，所述通信接口还用于所述电子设备与血管OCT图像设备之间的信息传输；

所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至4中任一所述的方法。

7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4中任一所述的方法。

Images