CN116569210A - 归一化oct图像数据 - Google Patents
归一化oct图像数据 Download PDFInfo
- Publication number
- CN116569210A CN116569210A CN202180079356.7A CN202180079356A CN116569210A CN 116569210 A CN116569210 A CN 116569210A CN 202180079356 A CN202180079356 A CN 202180079356A CN 116569210 A CN116569210 A CN 116569210A
- Authority
- CN
- China
- Prior art keywords
- image data
- oct
- condition
- specific
- unified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012014 optical coherence tomography Methods 0.000 claims description 184
- 238000000034 method Methods 0.000 claims description 69
- 238000003860 storage Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 230000002085 persistent effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000010412 Glaucoma Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/456—Optical coherence tomography [OCT]
Abstract
在用于生成装置特定的OCT图像的一个方面中,一个或多个处理器可以被配置成用于在统一域生成器处接收与由一个或多个OCT装置捕获的OCT图像扫描相对应的第一图像数据;由所述统一域生成器处理所述第一图像数据以生成与所述OCT图像扫描的统一表示相对应的第二图像数据;由统一鉴别器确定与具有满足第一条件的基本分辨率和满足第二条件的基本噪声类型的所述OCT图像扫描的所述统一表示的质量子集对应的第三图像数据;以及使用条件生成器处理第三图像数据以生成与具有满足第三条件的装置特定分辨率和满足第四条件的装置特定噪声类型的装置特定OCT图像扫描对应的第四图像数据。
Description
背景技术
本发明总体上涉及图像处理领域,并且更具体地涉及归一化独立于扫描仪的光学相干断层扫描(OCT)图像以生成装置特定OCT扫描。
不同图像处理解决方案采用机器学习模型作为用训练图像集合训练的深度学习网络,以将特定图像集合分类为用于训练模型的图像类型中的一者。深度学习模型可以被配置为卷积神经网络(CNN),卷积神经网络是生成不良网络(GAN)训练的模型或深度神经网络。GAN可包含组合使用以产生高分辨率和低噪声图像的生成器网络和鉴别器网络。
许多医疗设施使用无数不同类型的计算装置来捕捉和处理在医疗诊断期间使用的图像。随着越来越多的图像被上传到云服务器和数据库,这些图像以不同的格式、分辨率和噪声类型出现。医学专业人员可能发现很难将在使用不同图像捕捉设备技术的不同医学设施处捕捉的医学图像与在其驻留医学设施处捕捉的具有不同图像特性的医学图像进行比较。
发明内容
在公开用于生成装置特定OCT图像数据的方法、计算机程序产品和计算机系统的各种实施例中描述了本发明。本公开的一个实施例是一种用于生成装置特定OCT图像数据的计算机实现的方法,所述计算机实现方法可以包括一个或多个处理器,所述一个或多个处理器被配置成用于:在统一域生成器处接收与由一个或多个OCT装置捕获的OCT图像扫描相对应的第一图像数据;由所述统一域生成器处理所述第一图像数据以生成与所述OCT图像扫描的统一表示相对应的第二图像数据。所述计算机实施方法还可包含一个或多个处理器,所述一个或多个处理器经配置以用于通过统一鉴别器确定对应于所述OCT图像扫描的所述统一表示的具有满足第一条件的基本分辨率和满足第二条件的基本噪声类型的质量子集的第三图像数据。所述计算机实现的方法还可以包括一个或多个处理器,所述一个或多个处理器被配置成用于:由条件生成器处理所述第三图像数据以生成对应于具有满足第三条件的装置特定分辨率和满足第四条件的装置特定噪声类型的装置特定OCT图像扫描的第四图像数据;以及将所述第四图像数据输出至计算装置的用户接口。
在一个实施例中,所述计算机实现的方法可以包括一个或多个处理器,所述一个或多个处理器被配置成用于确定所述OCT图像扫描中的每个OCT图像扫描的分辨率和噪声类型并且确定用于捕获所述OCT图像扫描的每个OCT装置的分辨率和噪声类型。
在一个实施例中,所述计算机实现的方法可以包括一个或多个处理器,所述一个或多个处理器被配置成用于确定对应于具有满足所述第三条件的所述装置特定分辨率和满足所述第四条件的所述装置特定噪声类型的所述装置特定OCT图像扫描的装置空间子集的第五图像数据。
在一个实施例中,所述计算机实施方法可包含一个或多个处理器,所述一个或多个处理器经配置以用于使用统一空间图像数据训练所述统一鉴别器以产生高质量归一化OCT图像扫描。
在实施例中,可以使用卷积神经网络(CNN)生成器确定第二图像数据,该卷积神经网络生成器被配置成用于将OCT图像扫描映射到统一表示。
在一个实施例中,OCT图像扫描可以由各自具有一个或多个分辨率值中的一个和一个或多个噪声类型值中的一个的OCT装置生成。
在实施例中,第一条件可以是基本分辨率超过第一预定阈值并且第二条件是基本噪声类型小于第二预定阈值。
在实施例中,第三条件可以是装置特定的分辨率在第三预定阈值内,并且第四条件可以是装置特定的噪声类型在第四预定阈值内。
附图说明
图1示出了根据本发明实施例的用于生成装置特定的OCT图像数据的系统的框图;
图2描绘了根据本发明的实施例的用于生成装置特定OCT图像数据的模型的框图;
图3描绘了根据本发明的实施例的用于生成装置特定OCT图像数据的训练模型的框图;
图4描绘了根据本发明的一个实施方式的用于生成装置特定的OCT图像数据的计算机实现的方法的流程图;以及
图5描绘了根据本发明的实施例的图1的系统的计算装置的框图。
具体实施方式
本发明解决了比较由不同图像捕捉装置拍摄的同一对象的图像的问题。
本发明的实施例提供了一种用于使用机器学习模型来生成装置特定OCT图像扫描的系统和计算机实现的方法。由不同OCT图像捕捉装置捕捉的图像具有不同特性,这些特性可以在OCT图像捕捉装置的范围内显著变化。在变化的特性中,分辨率和噪声类型是最重要的,因为分辨率和噪声类型确定医学专业人员在图像中可以看到的细节的量。计算机实现的方法可以被配置成用于变换OCT图像,从而使得经变换的图像具有另一个装置的特征。
在实施例中,所述方法可以包括:从不同的OCT图像捕获装置接收OCT图像数据,以及将所述OCT图像数据归一化以包括在整个OCT图像数据集合中通常一致的图像特性。进一步地,该方法可以包括通过分辨率和噪声类型对OCT装置进行分类,并且使用统一域生成器网络(例如,CNN生成器)将OCT图像扫描映射至统一表示。进一步地,该方法可以包括选择具有最低噪声水平和最高分辨率的图像,其中,那些选择的图像可以以统一表示来表示来自所映射的OCT图像扫描的最高质量图像。可使用条件GAN来变换图像,其中分辨率和噪声类型是到条件GAN的输入参数。
进一步,所述方法可包含使用鉴别器作为GAN的一部分来区分归一化的和统一的OCT图像扫描。进一步地,该方法可以包括训练统一域生成器网络(例如,CNN生成器)以生成高质量的归一化OCT图像扫描,然后将归一化OCT图像扫描馈送到条件生成器网络中,该条件生成器网络取决于所选择的分辨率和噪声类型可以被配置成用于产生或生成装置特定的OCT图像扫描。本发明的实施例提供OCT装置特性,所述OCT装置特性可以包括例如轴向分辨率和扫描速度。
具有约50%成功的鉴别器性能且已避免模式崩溃的经成功训练的GAN从训练数据集产生跨越可能模式集合的全范围随机输出。所生成的输出类似于训练数据集样本但通常与训练数据集样本不同。
在实施例中,该方法利用云或边缘云资源来训练GAN的模型的生成器和鉴别器网络。训练后,GAN要么驻留在本地,要么驻留在云或边缘云资源上以供使用。使用时,GAN根据训练后的分布函数和训练数据集生成随机输出。例如,用手写数字字符的图像训练的GAN生成看起来是手写的数字字符的图像。类似地,用手写的字母字符训练的GAN生成看起来是手写的字母字符的图像,用人脸的图像训练的GAN生成看起来是人脸的图像,并且用音频文件训练的GAN输出类似的音频文件。在每个示例中,GAN根据训练生成输出,而不是简单地从训练数据集再现样本。在每个示例中,GAN产生与训练数据集样本类似但不简单地选自训练数据集样本的输出。
在实施例中,所述方法可以被配置成用于将源OCT图像扫描转换成所述OCT图像扫描的统一表示,其中,所述OCT图像扫描可以使用CNN生成器映射到所述统一表示。该方法还可以配置成使用GAN将OCT图像扫描的统一表示转换成期望格式的目标图像,所述期望格式对应于特定OCT装置的特定分辨率和噪声类型。这使得医学专业人员能够比较在不同医疗设施中拍摄的同一患者的图像。
本发明的实施例提供了一种用于生成装置特定OCT图像数据的计算机实现的方法,该方法可以包括一个或多个处理器,该一个或多个处理器被配置成用于在统一域生成器处接收与由一个或多个OCT装置捕获的OCT图像扫描相对应的第一图像数据。
在一个实施例中,所述计算机实现的方法可以包括一个或多个处理器,所述一个或多个处理器被配置成用于由所述统一域生成器处理所述第一图像数据以生成对应于所述OCT图像扫描的统一表示的第二图像数据。
在一个实施例中,所述计算机实现的方法还可以包括一个或多个处理器,所述一个或多个处理器被配置成用于确定对应于具有满足第一条件的基本分辨率和满足第二条件的基本噪声类型的所述OCT图像扫描的所述统一表示的质量子集的第三图像数据。
该计算机实现的方法还可以包括一个或多个处理器,所述一个或多个处理器被配置成用于处理所述第三图像数据以生成对应于具有满足第三条件的装置特定分辨率和满足第四条件的装置特定噪声类型的装置特定OCT图像扫描的第四图像数据。
所述计算机实施的方法还可包含经配置以用于将所述第四图像数据输出到计算装置的用户接口的一个或多个处理器。
在一个实施例中,计算机实现的方法可以包括一个或多个处理器,所述一个或多个处理器被配置成用于针对每个OCT图像扫描确定分辨率和噪声类型。
在一个实施例中,计算机实现的方法可以包括一个或多个处理器,所述一个或多个处理器被配置成用于确定用于捕获OCT图像扫描的每个OCT装置的分辨率和噪声类型。
在一个实施例中,所述计算机实现的方法可以包括一个或多个处理器,所述一个或多个处理器被配置成用于确定对应于具有满足所述第三条件的所述装置特定分辨率和满足所述第四条件的所述装置特定噪声类型的所述装置特定OCT图像扫描的装置空间子集的第五图像数据。
在实施例中,可以使用卷积神经网络(CNN)生成器确定第二图像数据,该卷积神经网络生成器被配置成用于将OCT图像扫描映射到统一表示。OCT图像扫描可以由各自具有一个或多个分辨率值中的一个和一个或多个噪声类型值中的一个的OCT装置生成。第一条件可以是基本分辨率超过第一预定阈值并且第二条件是基本噪声类型小于第二预定阈值。第三条件可以是装置特定的分辨率在第三预定阈值内,并且第四条件可以是装置特定的噪声类型在第四预定阈值内。
在一个实施例中,所述计算机实施方法可包含一个或多个处理器,所述一个或多个处理器经配置以用于使用统一空间图像数据训练所述统一鉴别器以产生高质量归一化OCT图像扫描。在训练期间,统一鉴别器接收对应于由统一域生成器生成的图像的图像数据和对应于统一表示的真实图像。真实图像可包含从生成高质量(例如,最高分辨率和最低噪声)图像的装置中选择的统一参考图像。统一鉴别器可经配置以对所生成的和真实图像两者进行分类且计算损失以惩罚不正确分类。不正确的分类可包括将生成的图像分类为真实图像或者将真实图像分类为生成的图像。结果,训练生成器(例如,统一域或有条件的)以产生看起来像真实图像的图像。
在示例场景中,可以在使用第一OCT装置的第一医疗设施中监测已经被诊断为青光眼的患者。在两年监测之后,患者可能改变其居住地到另城市,并且因此必须在使用第二OCT装置的第二医疗设施中进行监测,该第二OCT装置使用与第一OCT装置不同的图像捕获参数(例如,分辨率、噪声类型)。此外,医疗专业人员可能需要将在第二医疗设施处使用第二OCT装置捕获的第二OCT图像与在第一医疗设施处使用第一OCT装置捕获的第一OCT图像进行比较。因此,医学专业人员可以请求第一OCT图像,将本实施例的方法应用于第一OCT图像以对第一OCT图像进行变换,使得它们看起来是用第二OCT装置捕获。在变换期间,使用第二OCT装置的分辨率和噪声类型来进行变换操作。因此,可以使第二医疗设施能够继续监测青光眼诊断的进展,而不会由于改变医疗设施和使用不同的OCT图像捕获设备参数而中断图像一致性。
现在将参考附图详细描述本发明。
图1示出了根据本发明实施例的用于生成装置特定的OCT图像数据的系统100的框图。图1仅提供了本发明的一个实施方式的示图,并且不暗示关于其中可以实施不同实施方式的环境的任何限制。在所示实施例中,系统100包括通过网络110互连的计算装置120、服务器125、数据库124、统一域生成器(UDG)130、条件生成器132、统一鉴别器140和装置鉴别器142。网络110作为计算网络来操作,该计算网络可以是例如局域网(LAN)、广域网(WAN)或两者的组合,并且可以包括有线、无线或光纤连接。一般而言,网络110可以是将支持计算装置120、服务器125、数据库124、统一域生成器(UDG)130、条件生成器132、统一鉴别器140和装置鉴别器142之间的通信的连接和协议的任何组合。系统100还可包括附加的服务器、计算机、传感器或未示出的其他装置。
计算装置120进行操作以执行用于生成装置特定OCT图像数据的计算机程序的至少一部分。计算装置120被配置为从网络110或从连接到网络110的任何其他装置发送和/或接收数据。在一些实施例中,计算装置120可以是管理服务器、网络服务器或能够接收和发送数据的任何其他电子装置或计算系统。在一些实施例中,计算装置120可以是膝上型计算机、平板计算机、上网本计算机、个人计算机(PC)、台式计算机、智能电话、或能够经由网络110与数据库124、服务器125进行通信的任何可编程电子装置。计算装置120可包含如图5中进一步详细描述的组件。
计算装置120还可经配置以接收、存储和处理在统一域生成器(UDG)130、条件生成器132、统一鉴别器140和装置鉴别器142之间处理的图像。计算装置120可经配置以将图像数据存储在计算装置120的存储器中或经由网络110将图像数据发射到数据库124或服务器125。图像数据可由与计算装置120通信的一个或多个处理器(例如,统一域生成器(UDG)130、条件生成器132、统一鉴别器140和装置鉴别器142)或由与云计算网络中的服务器125相关联的一个或多个处理器处理。
数据库124操作为用于流向网络110和来自网络110的数据的存储库。数据的示例包括图像数据、OCT图像数据、网络数据和对应于在系统100内处理的图像的数据。数据库是有组织的数据集合。数据库124可用能够存储可由计算装置120访问和利用的数据和配置文件的任何类型的存储装置来实现,诸如数据库服务器、硬盘驱动器或闪存。在一实施例中,数据库124由计算装置120存取以存储对应于在系统100内处理的图像的数据。在另一实施例中,数据库124由计算装置120存取以存取用户数据、装置数据、网络数据和对应于在系统100内处理的图像的数据。在另一实施例中,数据库124可驻留在系统100内的其他地方,只要数据库124可访问网络110。
服务器125可以是独立的计算装置、管理服务器、web服务器、或能够接收、发送和处理数据并且能够经由网络110与计算装置120通信的任何其他电子装置或计算系统。在其他实施例中,服务器125表示利用多个计算机作为服务器系统的服务器计算系统,诸如云计算环境。在其他实施例中,服务器125表示利用集群计算机和组件(例如,数据库服务器计算机、应用服务器计算机等)的计算系统,所述集群计算机和组件在系统100内被访问时充当单个无缝资源池。服务器125可包括如图5中进一步详细描述的组件。
在一个实施例中,用于生成装置特定光学相干断层扫描(OCT)图像数据的系统100可以包括被配置用于在统一域生成器(UDG)130(例如,CNN生成器)处接收与由一个或多个OCT装置捕获的OCT图像扫描相对应的OCT图像数据(例如,第一图像数据)的一个或多个处理器。对UDG 130的输入可以包括输入图像数据,该输入图像数据对应于目标OCT装置的图像和OCT装置参数(例如,分辨率、噪声类型、噪声水平)的统一表示。
在一个实施例中,系统100可以包括一个或多个处理器,所述一个或多个处理器用于通过UDG 130处理OCT图像数据(例如,第一图像数据)以生成与OCT图像扫描的统一表示相对应的统一图像数据(例如,第二图像数据)G。来自UDG 130的输出可以包括与指定的OCT装置参数下的OCT图像相对应的装置特定图像数据(例如,输出图像数据)。
在一个实施例中,系统100可以包括一个或多个处理器,所述一个或多个处理器用于通过统一鉴别器(UD)140来确定与OCT图像扫描的统一表示的质量子集相对应的第三图像数据R’,所述OCT图像扫描的统一表示的质量子集具有满足第一条件的基本分辨率和满足属于所述统一空间的第二条件的基本噪声类型。例如,UD140可以被配置为接收与由UDG130生成的OCT图像(例如,第二图像数据G)和具有与最高质量的OCT装置参数一致的图像特性的真实图像R的统一表示相对应的统一图像数据。UD140可以被配置为对所生成的和真实的图像分类并且计算损失以惩罚不正确的分类。不正确的分类可包括将生成的图像分类为真实图像或者将真实图像分类为生成的图像。结果,训练生成器(例如,统一域或有条件的)以产生看起来像真实图像的图像。第二图像数据可以使用卷积神经网络(CNN)生成器来确定,该卷积神经网络生成器被配置成用于将OCT图像扫描映射到统一表示。在实施例中,第一条件可以是基本分辨率超过第一预定阈值并且第二条件是基本噪声类型小于第二预定阈值。
在一个实施例中,系统100可以包括一个或多个处理器,所述一个或多个处理器用于使用条件生成器(CG)132对属于统一空间的统一图像数据(例如,第三图像数据)进行处理,以便生成与具有满足第三条件的装置特定分辨率和满足第四条件的装置特定噪声类型的装置特定OCT图像扫描相对应的装置特定图像数据(未示出)(例如,第四图像数据)。例如,到CG 132的输入可以包括对应于统一表示的图像的统一图像数据以及目标OCT装置的OCT装置参数(例如,分辨率、噪声类型、噪声水平)。来自CG 132的输出可以包括与指定的OCT装置参数下的OCT图像相对应的装置特定图像数据。对OCT装置参数的调节使得CG 132能够生成具有任意分辨率、噪声类型和噪声水平的OCT图像。
在一个实施例中,系统100可以包括一个或多个处理器,所述一个或多个处理器被配置成用于针对每个OCT图像扫描确定OCT装置参数(例如,分辨率、噪声类型、噪声水平)。例如,可以在训练阶段期间确定OCT装置参数,其中,OCT装置参数来自针对其生成用于比较的OCT图像的目标OCT装置。在测试阶段期间,可能不需要鉴别器。然而,用户可以选择目标装置类型、分辨率、噪声类型和噪声水平,并且系统100可以被配置为依次执行计算机实现方法(如图4所描述的)以获得结果。例如,与计算装置120相关联的用户可以与计算装置120的用户接口进行交互以输入OCT装置参数(例如,分辨率、噪声类型、噪声水平)以供进一步处理。在另一实施例中,可以基于从OCT装置接收的图像数据来确定OCT装置参数,其中,可以处理图像数据以识别分辨率、噪声类型和噪声水平。
在一个实施例中,系统100可以包括一个或多个处理器,所述一个或多个处理器被配置成用于确定用于捕获OCT图像扫描的每个OCT装置的分辨率和噪声类型。
在一个实施例中,系统100可以包括一个或多个处理器,所述一个或多个处理器被配置成用于确定对应于具有满足所述第三条件的所述装置特定分辨率和满足所述第四条件的所述装置特定噪声类型的所述装置特定OCT图像扫描的装置空间子集的第五图像数据。在一个实施例中,OCT图像扫描可以由各自具有一个或多个分辨率值中的一个和一个或多个噪声类型值中的一个的OCT装置生成。
在实施例中,第三条件可以是装置特定的分辨率在第三预定阈值内,并且第四条件可以是装置特定的噪声类型在第四预定阈值内。
在一个实施例中,系统100可包含一或多个处理器,所述一或多个处理器经配置以用于使用统一空间图像数据训练所述统一鉴别器以生成高质量归一化OCT图像扫描。
在一实施例中,系统100可包含用于将第四图像数据输出到计算装置120的用户接口的一个或多个处理器。进一步,在系统100内接收、处理或生成的任何数据可以在实施所描述的实施例期间的任何阶段被输出到计算装置120的用户接口。
图1提供了根据本发明的实施例的GAN 101的示意图。如图所示,统一域生成器(UDG)130可以被配置为根据从网络110接收的用于训练UDG 130的图像数据来生成输出G。
GAN 101可被配置为向统一鉴别器(UD)140提供G和真实输出R以供考虑。UD 140可被配置为依次考虑每个输入,并将该输入分类为真实R或假/生成的G。训练良好的GAN从其噪声输入向量生成输出,鉴别器50%的时间将所述输出分类为真实。GAN 101可以在利用多个计算机作为服务器系统的服务器计算系统(例如云计算环境)上运行。在其他实施例中,GAN 101可以在利用集群计算机和组件(例如,数据库服务器计算机、应用服务器计算机等)的计算系统上运行,所述集群计算机和组件在系统100内被访问时充当单个无缝资源池。
虽然前面描述并图2示出了GAN模型的实现(例如,具有统一判别器230的统一域生成器220、具有装置判别器232的条件生成器222),但是本公开不限于此。在至少一些实施例中,模型200可实施经配置以执行上文相对于模型200所描述的过程的经训练的组件或经训练的模型。经训练的组件可以包括一个或多个机器学习模型,包括但不限于一个或多个分类器、一个或多个神经网络、一个或多个概率图、一个或多个决策树等。在其他实施例中,经训练的组件可包括基于规则的引擎、一个或多个基于统计的算法、一个或多个映射函数或其他类型的函数/算法,以确定自然语言输入是复杂的还是非复杂的自然语言输入。在一些实施例中,经训练的组件可以被配置为执行二进制分类,其中自然语言输入可以被分类为两个类/类别中的一个。在一些实施例中,经训练的组件可以被配置为执行多类或多项式分类,其中,自然语言输入可以被分类为三个或更多个类/类别中的一个。在一些实施例中,经训练的组件可以被配置为执行多标签分类,其中,自然语言输入可以与多于一个的类/类别相关联。
不同机器学习技术可用于训练和操作经训练的组件以执行本文描述的不同过程。可根据不同机器学习技术来训练和操作模型。此类技术可包括例如神经网络(诸如深度神经网络和/或复发性神经网络)、推断引擎、经训练的分类器等。经训练的分类器的示例包括支持向量机(SVM)、神经网络、决策树、与决策树组合的AdaBoost(简称为“自适应增强”)和随机森林。集中于SVM作为示例,SVM是具有相关联的学习算法的监督学习模型,所述学习算法分析数据并且识别数据中的模式,并且通常用于分类和回归分析。给定一组训练示例,每个训练示例被标记为属于两个类别之一,SVM训练算法建立将新示例分配到一个类别或另一类别中的模型,使其成为非概率性二进制线性分类器。可以利用识别两个以上类别的训练集建立更复杂的SVM模型,其中SVM确定哪个类别与输入数据最相似。SVM模型可以被映射成使得单独的类别的示例被清楚的间隙划分。新示例随后被映射到该相同空间中,并基于它们落在间隙的哪一侧上,被预测为属于某类别。分类器可以发出“得分”,其指示数据最紧密地匹配哪个类别。分数可以提供数据有多紧密地匹配类别的指示。
为了应用机器学习技术,机器学习过程本身需要被训练。训练机器学习组件需要为训练示例建立“基础事实”。在机器学习中,术语“基础事实”是指针对监督学习技术的训练集的分类的准确度。不同技术可用于训练模型,包含反向传播、统计学学习、监督学习、半监督学习、随机学习或其他已知技术。
图2描绘了根据本发明的实施例的用于生成装置特定OCT图像数据的模型200的框图。模型200示出了包括图1所示的GAN 101的块处理模型,组件在特定阶段接收图像数据以及在各个阶段接收用户输入,其中用户输入包括OCT装置特定参数(例如,分辨率、噪声类型)。模型200可以包括被配置成用于接收图像数据(例如,OCT图像扫描210)的统一域生成器220。统一域生成器220可经配置以接收多个输入图像并产生模型输出数据(例如,统一表示212)作为对应于每一图像的特征向量且将模型输出数据发射到一系列全连接层。来自全连接层的输出数据可以表示用于全学习的分类。此模型输出数据可为每一分类的置信度得分或概率的形式。在实施例中,OCT装置参数(例如,分辨率、噪声类型、噪声水平)可以作为模型输入数据的一部分或者单独地在不同的通道输入上提供给模型200。
在实施例中,OCT图像扫描210可被提供给UDG 220(例如,装置2U)以产生OCT图像扫描210的统一表示212(例如,统一图像数据)。统一表示212可包含具有表示良好质量图像的、超过预定阈值的分辨率和低于预定阈值的噪声水平的图像数据。
在一实施例中,可将表示为统一表示212和统一空间图像214的输入图像数据提供到统一鉴别器230以在所生成的统一图像(例如,统一表示212)与真实的统一图像(例如,统一空间图像214)之间进行区分。统一鉴别器230可经配置以生成与输入图像数据是否属于统一空间的分类对应的输出数据。输出数据可经由网络110传输到计算装置120以用于处理和显示在计算装置120的用户接口上。
在实施例中,属于统一空间的统一表示212可以作为输入图像数据与特定OCT装置的噪声类型和分辨率一起被提供给条件生成器222(例如,U2装置),以生成包括装置特定OCT扫描216的输出图像数据。条件生成器222可经配置以接收统一空间中的图像数据且产生具有对应于给定分辨率和噪声类型的特定装置的性质的图像数据。
在实施例中,装置鉴别器232可经配置以接收表示为装置特定OCT扫描216的输入图像数据以及特定OCT装置的噪声类型和分辨率,以生成对应于输入图像数据是否属于装置空间的分类的输出图像数据。在测试阶段中,用户可以选择目标OCT装置类型、分辨率和噪声类型,并且模型200可以被配置成用于顺序地执行这些模块以获得结果。
图3描绘了根据本发明的实施例的用于生成装置特定OCT图像数据的训练模型300的框图。
在实施例中,模型300可以经历测试阶段,其中可以选择目标装置类型和相应的目标装置参数。一旦被选择,模型300就可以被配置为顺序地执行模型300的步骤以获得根据特定装置参数生成的OCT图像。例如,OCT图像扫描310可被提供给统一域生成器(UDG)320(描绘为装置2U)以生成与OCT图像扫描310的统一表示212相对应的图像数据。与OCT图像扫描310的统一表示相对应的图像数据可以被提供给条件生成器(CG)322,当与目标分辨率和目标噪声类型一起被处理时,条件生成器(CG)322可以被配置为生成与装置特定OCT图像316相对应的图像数据。
在实施例中,在训练阶段期间,可以通过检查目标OCT装置的设置来确定OCT装置参数。OCT装置参数可以包括分辨率、噪声类型和噪声水平。
图4描绘了根据本发明的一个实施方式的用于生成装置特定的OCT图像扫描的计算机实现的方法400的流程图。
本发明的实施例提供用于生成装置特定OCT图像数据的计算机实现的方法400,其可以包括一个或多个处理器,所述一个或多个处理器被配置成用于在统一域生成器处接收402与由一个或多个OCT装置捕获的OCT图像扫描相对应的第一图像数据。在一个实施例中,计算机实现的方法400可以包括一个或多个处理器,所述一个或多个处理器被配置成用于针对每个OCT图像扫描确定分辨率和噪声类型。在一个实施例中,计算机实现的方法400可以包括一个或多个处理器,所述一个或多个处理器被配置成用于确定用于捕获OCT图像扫描的每个OCT装置的分辨率和噪声类型。
在一个实施例中,计算机实现的方法400可以包括一个或多个处理器,所述一个或多个处理器被配置成用于由统一域生成器处理404第一图像数据以生成对应于OCT图像扫描的统一表示的第二图像数据。在一个实施例中,OCT图像扫描可以由各自具有一个或多个分辨率值中的一个和一个或多个噪声类型值中的一个的OCT装置生成。在实施例中,可以使用卷积神经网络(CNN)生成器确定第二图像数据,该卷积神经网络生成器被配置成用于将OCT图像扫描映射到统一表示。
在一个实施例中,计算机实施的方法400还可包含一个或多个处理器,所述一个或多个处理器经配置以用于由统一鉴别器确定(406)与OCT图像扫描的统一表示的质量子集对应的具有满足第一条件的基本分辨率和满足第二条件的基本噪声类型的第三图像数据。在实施例中,第一条件可以是基本分辨率超过第一预定阈值并且第二条件是基本噪声类型小于第二预定阈值。在一些实施例中,计算机实施的方法400可包含一或多个处理器,所述一或多个处理器经配置以用于使用统一空间图像数据训练所述统一鉴别器以生成高质量归一化OCT图像扫描。在一些实施例中,OCT图像扫描可以由各自具有一个或多个分辨率值中的一个和一个或多个噪声类型值中的一个的OCT装置生成。
计算机实现的方法400还可以包括一个或多个处理器,所述一个或多个处理器被配置成用于通过条件生成器处理408第三图像数据以生成对应于具有满足第三条件的装置特定分辨率和满足第四条件的装置特定噪声类型的装置特定OCT图像扫描的第四图像数据。
计算机实施的方法400还可包含经配置以用于将第四图像数据输出410到计算装置的用户接口的一个或多个处理器。
在一些实施例中(未描绘),计算机实现的方法400可以包括一个或多个处理器,所述一个或多个处理器被配置成用于确定与具有满足第三条件的装置特定分辨率和满足第四条件的装置特定噪声类型的装置特定OCT图像扫描的装置空间子集相对应的第五图像数据。在实施例中,第三条件可以是装置特定的分辨率在第三预定阈值内,并且第四条件可以是装置特定的噪声类型在第四预定阈值内。
在一个实施例中,所述计算机实施方法可包含一个或多个处理器,所述一个或多个处理器经配置以用于使用统一空间图像数据训练所述统一鉴别器以生成高质量归一化OCT图像扫描,其中高质量归一化OCT图像扫描满足第一条件。在实施例中,第一条件可以是基本分辨率超过第一预定阈值并且第二条件是基本噪声类型小于第二预定阈值。
在实施例中,第三条件可以是装置特定的分辨率在第三预定阈值内,并且第四条件可以是装置特定的噪声类型在第四预定阈值内。
图5描绘了根据本发明的实施例的系统100的计算装置的框图。图5描绘了根据本发明的说明性实施例的适用于运行GAN 101的计算装置120的计算装置500的框图。应当理解,图5仅提供一个实现方式的图示并且不暗示关于其中可以实现不同实施例的环境的任何限制。可以对所描绘的环境做出许多修改。
计算装置500包括通信结构502,其提供高速缓存516、存储器506、永久性存储器508、通信单元510和输入/输出(I/O)接口512之间的通信。通信结构502可以用被设计用于在处理器(诸如微处理器、通信和网络处理器等)、系统存储器、外围设备和系统内的任何其他硬件组件之间传递数据和/或控制信息的任何架构来实现。例如,通信结构502可以用一个或多个总线或纵横开关来实现。
存储器506和永久性存储器508是计算机可读存储介质。在该实施例中,存储器506包括随机存取存储器(RAM)。一般而言,存储器506可包括任何合适的易失性或非易失性计算机可读存储介质。高速缓存516是快速存储器,其通过保存来自存储器506的最近访问的数据和接近访问的数据的数据来增强计算机处理器504的性能。
程序可以存储在永久性存储器508和存储器506中,用于由一个或多个相应的计算机处理器504经由高速缓存516执行和/或访问。在实施例中,永久性存储器508包括磁性硬盘驱动器。可替代地,或除了磁性硬盘驱动之外,永久性存储器508可以包括固态硬盘驱动、半导体存储设备、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、闪存、或能够存储程序指令或数字信息的任何其他计算机可读存储介质。
由永久性存储器508使用的介质也可以是可移动的。例如,可移动硬盘驱动器可以用于永久性存储器508。其他示例包括光盘和磁盘、拇指驱动器和智能卡,它们被插入到驱动器中以便转移到也是永久存储器508的一部分的另一计算机可读存储介质上。
在这些示例中,通信单元510提供与其他数据处理系统或装置的通信。在这些示例中,通信单元510包括一个或多个网络接口卡。通信单元510可通过使用物理和无线通信链路中的任一者或两者提供通信。如本文中所描述的程序可以通过通信单元510下载到永久性存储器508。
I/O接口512允许与可连接到计算装置500的其他装置进行数据的输入和输出。例如,I/O接口512可以提供到外部装置518(诸如图像传感器、键盘、小键盘、触摸屏、和/或一些其他合适的输入装置)的连接。外部装置518还可以包括便携式计算机可读存储介质,诸如例如拇指驱动器、便携式光盘或磁盘、以及存储卡。用于实施本发明的实施例的软件和数据514可以存储在这种便携式计算机可读存储介质上并且可以通过I/O接口512加载到永久性存储器508上。I/O接口512还连接到显示器520。
显示器520提供向用户显示数据的机制,并且可以是例如计算机监视器。
在此描述的软件和数据514是基于在本发明的具体实施例中针对其实现的应用来标识的。然而,应当理解,本文中的任何特定程序术语仅为了方便而使用,并且因此本发明不应局限于仅在由这样的术语标识和/或暗示的任何特定应用中使用。
本发明可以是任何可能的技术细节集成度的系统、方法和/或计算机程序产品。计算机程序产品可包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质(或多个介质)。
计算机可读存储介质可为可保留和存储供指令执行装置使用的指令的有形装置。计算机可读存储介质可以是,例如但不限于,电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式紧凑盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、诸如穿孔卡之类的机械编码设备或具有记录在其上的指令的槽中的凸出结构、以及上述各项的任何合适的组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如,穿过光纤电缆的光脉冲)或通过电线发射的电信号。
本文中所描述的计算机可读程序指令可以经由网络(例如,互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备,或者下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令,并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种程序设计语言的任何组合编写的源代码或目标代码,这些程序设计语言包括面向对象的程序设计语言(诸如Smalltalk、C++等)和过程程序设计语言(诸如“C”程序设计语言或类似程序设计语言)。计算机可读程序指令可以完全地在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者可连接到外部计算机(例如,使用互联网服务提供商通过互联网)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令,以便执行本发明的各方面。
下面将参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可被提供给计算机或其他可编程数据处理装置的处理器以产生机器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的或多个框中指定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置、和/或其他设备以特定方式工作,从而,其中存储有指令的计算机可读存储介质包括包含实现流程图和/或框图中的或多个方框中规定的功能/动作的方面的指令的制造品。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤,以产生计算机实现的处理,使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图中的或多个方框中规定的功能/动作。
附图中的流程图和框图示出了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此,流程图或框图中的每个框可表示指令的模块、段或部分,其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些备选实现中,框中标注的功能可以不按照图中标注的顺序发生。例如,连续示出的两个方框实际上可以作为一个步骤完成,同时、基本上同时、以部分或完全时间上重叠的方式执行,或者方框有时可以以相反的顺序执行,这取决于所涉及的功能。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作或执行特定硬件与计算机指令的组合的特定的基于硬件的系统来实现。
已经出于说明的目的呈现了本发明的各种实施方式的描述,但并不旨在是详尽的或者限于所公开的实施方式。在不背离本发明的范围的情况下,许多修改和变化对于本领域普通技术人员来说是显而易见的。在此所使用的术语被选择来最好地解释实施例的原理、实际应用、或优于市场中所发现的技术的技术改进、或使得本领域普通技术人员能够理解在此所披露的实施例。
Claims (20)
1.一种用于生成装置特定的光学相干断层扫描(OCT)图像数据的计算机实现的方法,包括:
由一个或多个处理器在统一域生成器处接收与由一个或多个OCT装置捕获的OCT图像扫描对应的第一图像数据;
由所述一个或多个处理器由所述统一域生成器处理所述第一图像数据以生成对应于所述OCT图像扫描的统一表示的第二图像数据;
由所述一个或多个处理器由统一鉴别器确定与具有满足第一条件的基本分辨率和满足第二条件的基本噪声类型的所述OCT图像扫描的所述统一表示的质量子集对应的第三图像数据;
由所述一个或多个处理器使用条件生成器对所述第三图像数据进行处理,以生成与具有满足第三条件的装置特定分辨率和满足第四条件的装置特定噪声类型的装置特定OCT图像扫描相对应的第四图像数据;以及
将所述第四图像数据输出至计算装置的用户接口。
2.根据权利要求1所述的计算机实现的方法,其中,使用被配置为将所述OCT图像扫描映射到所述统一表示的卷积神经网络(CNN)生成器确定所述第二图像数据。
3.根据权利要求1所述的计算机实现的方法,其中,所述OCT图像扫描各自由所述一个或多个OCT装置中的一个生成,所述一个或多个OCT装置中的每个具有相应的分辨率值和相应的噪声类型值。
4.根据权利要求1所述的计算机实现的方法,其中,所述第一条件是所述基本分辨率超过第一预定阈值,并且所述第二条件是所述基本噪声类型小于第二预定阈值。
5.根据权利要求1所述的计算机实现的方法,进一步包括:
由所述一个或多个处理器由装置鉴别器确定与具有所述装置特定分辨率和所述装置特定噪声类型的所述装置特定OCT图像扫描的装置空间子集对应的第五图像数据。
6.根据权利要求1所述的计算机实现的方法,其中,所述第三条件是所述装置特定的分辨率在第三预定阈值内,并且其中,所述第四条件是所述装置特定的噪声类型在第四预定阈值内。
7.根据权利要求1所述的计算机实现的方法,进一步包括:
由所述一个或多个处理器使用统一空间图像数据来训练所述统一鉴别器以生成高质量归一化OCT图像扫描。
8.一种用于生成装置特定的OCT图像数据的计算机程序产品,所述计算机程序产品包括:
一个或多个计算机可读存储介质和存储在所述一个或多个计算机可读存储介质上的程序指令,所述程序指令包括:
用于在统一域生成器处接收与由一个或多个OCT装置捕获的OCT图像扫描对应的第一图像数据的程序指令;
用于由所述统一域生成器处理所述第一图像数据以生成与所述OCT图像扫描的统一表示相对应的第二图像数据的程序指令;
用于通过统一鉴别器确定与具有满足第一条件的基本分辨率和满足第二条件的基本噪声类型的所述OCT图像扫描的所述统一表示的质量子集对应的第三图像数据的程序指令;
用于使用条件生成器处理所述第三图像数据以生成与具有满足第三条件的装置特定分辨率和满足第四条件的装置特定噪声类型的装置特定OCT图像扫描对应的第四图像数据的程序指令;以及
将所述第四图像数据输出至计算装置的用户接口。
9.根据权利要求8所述的计算机程序产品,其中,使用被配置为将所述OCT图像扫描映射到所述统一表示的卷积神经网络(CNN)生成器确定所述第二图像数据。
10.根据权利要求8所述的计算机程序产品,其中,所述OCT图像扫描分别由各自具有相应的分辨率值和相应的噪声类型值的所述一个或多个OCT装置中的一个生成。
11.根据权利要求8所述的计算机程序产品,其中,所述第一条件是所述基本分辨率超过第一预定阈值,并且所述第二条件是所述基本噪声类型小于第二预定阈值。
12.根据权利要求8所述的计算机程序产品,进一步包括:
用于由装置鉴别器确定与具有所述装置特定分辨率和所述装置特定噪声类型的所述装置特定OCT图像扫描的装置空间子集对应的第五图像数据的程序指令。
13.根据权利要求8所述的计算机程序产品,其中,所述第三条件是在第三预定阈值内的所述装置特定的分辨率,并且其中,所述第四条件是在第四预定阈值内的所述装置特定的噪声类型。
14.根据权利要求8所述的计算机程序产品,进一步包括:
用于使用统一空间图像数据来训练所述统一鉴别器以生成高质量归一化OCT图像扫描的程序指令。
15.一种用于生成装置特定的OCT图像数据的计算机系统,所述计算机系统包括:
一个或多个计算机处理器;
一个或多个计算机可读存储介质;
存储在所述一个或多个计算机可读存储介质上的程序指令,用于由所述一个或多个处理器中的至少一个执行,所述程序指令包括:
用于在统一域生成器处接收与由一个或多个OCT装置捕获的OCT图像扫描对应的第一图像数据的程序指令;
用于由所述统一域生成器处理所述第一图像数据以生成与所述OCT图像扫描的统一表示相对应的第二图像数据的程序指令;
用于由统一鉴别器确定与具有满足第一条件的基本分辨率和满足第二条件的基本噪声类型的所述OCT图像扫描的所述统一表示的质量子集对应的第三图像数据的程序指令;
用于使用条件生成器处理所述第三图像数据以生成与具有满足第三条件的装置特定分辨率和满足第四条件的装置特定噪声类型的装置特定OCT图像扫描对应的第四图像数据的程序指令;以及
将所述第四图像数据输出至计算装置的用户接口的程序指令。
16.根据权利要求15所述的计算机系统,其中,使用被配置为将所述OCT图像扫描映射到所述统一表示的卷积神经网络(CNN)生成器确定所述第二图像数据。
17.根据权利要求15所述的计算机系统,其中,所述OCT图像扫描分别由各自具有相应的分辨率值和相应的噪声类型值的所述一个或多个OCT装置中的一个生成。
18.根据权利要求15所述的计算机系统,其中,所述第一条件是所述基本分辨率超过第一预定阈值,并且所述第二条件是所述基本噪声类型小于第二预定阈值;并且其中所述第三条件是在第三预定阈值内的所述装置特定的分辨率;并且其中所述第四条件是在第四预定阈值内的所述装置特定的噪声类型。
19.根据权利要求16所述的计算机系统,进一步包括:
用于由装置鉴别器确定与具有所述装置特定分辨率和所述装置特定噪声类型的所述装置特定OCT图像扫描的装置空间子集对应的第五图像数据的程序指令。
20.根据权利要求15所述的计算机系统,进一步包括:
用于使用统一空间图像数据来训练所述统一鉴别器以生成高质量归一化OCT图像扫描的程序指令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/114,924 US11727534B2 (en) | 2020-12-08 | 2020-12-08 | Normalizing OCT image data |
US17/114,924 | 2020-12-08 | ||
PCT/CN2021/126860 WO2022121544A1 (en) | 2020-12-08 | 2021-10-28 | Normalizing oct image data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116569210A true CN116569210A (zh) | 2023-08-08 |
Family
ID=81849154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180079356.7A Pending CN116569210A (zh) | 2020-12-08 | 2021-10-28 | 归一化oct图像数据 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11727534B2 (zh) |
JP (1) | JP2023551787A (zh) |
CN (1) | CN116569210A (zh) |
DE (1) | DE112021005678T5 (zh) |
GB (1) | GB2617026A (zh) |
WO (1) | WO2022121544A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11727534B2 (en) | 2020-12-08 | 2023-08-15 | International Business Machines Corporation | Normalizing OCT image data |
CN115379061B (zh) * | 2022-08-10 | 2024-04-30 | 珠海金山办公软件有限公司 | 拍照扫描方法及装置 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5475803A (en) | 1992-07-10 | 1995-12-12 | Lsi Logic Corporation | Method for 2-D affine transformation of images |
US5649032A (en) | 1994-11-14 | 1997-07-15 | David Sarnoff Research Center, Inc. | System for automatically aligning images to form a mosaic image |
CN101793823A (zh) | 2002-01-24 | 2010-08-04 | 通用医疗公司 | Lci和oct信号的测距和降噪的装置和方法 |
AU2004225188B2 (en) | 2003-03-31 | 2010-04-15 | The General Hospital Corporation | Speckle reduction in optical coherence tomography by path length encoded angular compounding |
US7330270B2 (en) | 2005-01-21 | 2008-02-12 | Carl Zeiss Meditec, Inc. | Method to suppress artifacts in frequency-domain optical coherence tomography |
US8259303B2 (en) | 2008-05-15 | 2012-09-04 | Axsun Technologies, Inc. | OCT combining probes and integrated systems |
WO2010017356A2 (en) | 2008-08-08 | 2010-02-11 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Establishing compatibility between two-and three dimensional optical coherence tomography scans |
CN103025229A (zh) | 2010-04-29 | 2013-04-03 | 麻省理工学院 | 适用于光学相干断层扫描技术的移动修正和图像增强的方法和装置 |
US8417043B2 (en) | 2011-03-30 | 2013-04-09 | Mckesson Financial Holdings | Method, apparatus and computer program product for normalizing and processing medical images |
JP6045355B2 (ja) | 2013-01-11 | 2016-12-14 | オリンパス株式会社 | 画像処理装置、顕微鏡システム、及び画像処理プログラム |
WO2014194334A2 (en) | 2013-05-31 | 2014-12-04 | Suzhou Optoring Technology Co. Ltd. | Reconstruction of optical coherent tomography (oct) images of morphological features |
US10502846B2 (en) | 2013-06-24 | 2019-12-10 | Massachusetts Institute Of Technology | Normalization correction for multiple-detection enhanced emission tomography |
US9189686B2 (en) | 2013-12-23 | 2015-11-17 | King Fahd University Of Petroleum And Minerals | Apparatus and method for iris image analysis |
US9844315B2 (en) | 2014-10-08 | 2017-12-19 | University of Pittsburgh—of the Commonwealth System of Higher Education | Signal normalization among multiple optical coherence tomography devices |
CN110168612B (zh) * | 2017-01-06 | 2023-08-15 | 皇家飞利浦有限公司 | 用于正电子发射断层摄影成像中改善的结果稳健性的标准化的摄取值指导的重建控制 |
EP3413264B1 (en) | 2017-06-06 | 2020-01-29 | Siemens Healthcare GmbH | Providing a normalized image |
CN109753978B (zh) * | 2017-11-01 | 2023-02-17 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置以及计算机可读存储介质 |
US11222415B2 (en) * | 2018-04-26 | 2022-01-11 | The Regents Of The University Of California | Systems and methods for deep learning microscopy |
US11704791B2 (en) | 2018-08-30 | 2023-07-18 | Topcon Corporation | Multivariate and multi-resolution retinal image anomaly detection system |
CN113412491A (zh) | 2018-12-18 | 2021-09-17 | 诺基亚技术有限公司 | 基于机器学习的数据降噪 |
US11727534B2 (en) | 2020-12-08 | 2023-08-15 | International Business Machines Corporation | Normalizing OCT image data |
-
2020
- 2020-12-08 US US17/114,924 patent/US11727534B2/en active Active
-
2021
- 2021-10-28 CN CN202180079356.7A patent/CN116569210A/zh active Pending
- 2021-10-28 WO PCT/CN2021/126860 patent/WO2022121544A1/en active Application Filing
- 2021-10-28 GB GB2310138.9A patent/GB2617026A/en active Pending
- 2021-10-28 DE DE112021005678.6T patent/DE112021005678T5/de active Pending
- 2021-10-28 JP JP2023527723A patent/JP2023551787A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
DE112021005678T5 (de) | 2023-09-07 |
GB2617026A (en) | 2023-09-27 |
US11727534B2 (en) | 2023-08-15 |
US20220180479A1 (en) | 2022-06-09 |
GB202310138D0 (en) | 2023-08-16 |
WO2022121544A1 (en) | 2022-06-16 |
JP2023551787A (ja) | 2023-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11645833B2 (en) | Generative adversarial network medical image generation for training of a classifier | |
US10540578B2 (en) | Adapting a generative adversarial network to new data sources for image classification | |
US10937540B2 (en) | Medical image classification based on a generative adversarial network trained discriminator | |
US11416772B2 (en) | Integrated bottom-up segmentation for semi-supervised image segmentation | |
US11048718B2 (en) | Methods and systems for feature engineering | |
US20180285778A1 (en) | Sensor data processor with update ability | |
CN111414946B (zh) | 基于人工智能的医疗影像的噪声数据识别方法和相关装置 | |
EP4177792A1 (en) | Ai model updating method and apparatus, computing device and storage medium | |
CN112400187A (zh) | 用于检测生物医学图像中的异常的敲除自动编码器 | |
US10796203B2 (en) | Out-of-sample generating few-shot classification networks | |
WO2022121544A1 (en) | Normalizing oct image data | |
JP2017527013A (ja) | サービスとしての適応特徴化 | |
US11790492B1 (en) | Method of and system for customized image denoising with model interpretations | |
US20210166105A1 (en) | Method and system for enhancing training data and improving performance for neural network models | |
US11783201B2 (en) | Neural flow attestation | |
CN115699041A (zh) | 利用专家模型的可扩展迁移学习 | |
CN117616431A (zh) | 针对大规模数据的可解释的机器学习 | |
CN110059743B (zh) | 确定预测的可靠性度量的方法、设备和存储介质 | |
US20230419170A1 (en) | System and method for efficient machine learning | |
US20230062313A1 (en) | Generating 2d mapping using 3d data | |
US20210342642A1 (en) | Machine learning training dataset optimization | |
KR20230057455A (ko) | 텍스트를 이용한 어수선한 비디오 장면들에서의 동작-물체 인식 | |
US11514311B2 (en) | Automated data slicing based on an artificial neural network | |
US20220036159A1 (en) | System, method and network node for generating at least one classification based on machine learning techniques | |
Singh et al. | Application of error level analysis in image spam classification using deep learning model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |