CN117291846B - 一种应用于喉显微外科手术的oct系统及图像去噪方法 - Google Patents
一种应用于喉显微外科手术的oct系统及图像去噪方法 Download PDFInfo
- Publication number
- CN117291846B CN117291846B CN202311588730.3A CN202311588730A CN117291846B CN 117291846 B CN117291846 B CN 117291846B CN 202311588730 A CN202311588730 A CN 202311588730A CN 117291846 B CN117291846 B CN 117291846B
- Authority
- CN
- China
- Prior art keywords
- layer
- lens
- residual
- plano
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002406 microsurgery Methods 0.000 title claims abstract description 15
- 239000000523 sample Substances 0.000 claims abstract description 48
- 238000003384 imaging method Methods 0.000 claims abstract description 16
- 230000003068 static effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000001356 surgical procedure Methods 0.000 claims description 2
- 239000000835 fiber Substances 0.000 claims 1
- 230000003902 lesion Effects 0.000 description 6
- 239000013307 optical fiber Substances 0.000 description 6
- 238000004806 packaging method and process Methods 0.000 description 6
- 210000001260 vocal cord Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 230000009854 mucosal lesion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 235000012434 pretzels Nutrition 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Endoscopes (AREA)
Abstract
本发明公开了一种应用于喉显微外科手术的OCT系统及图像去噪方法，包括以下步骤：S1、在相同条件下的同一视野内，通过OCT探头连续两次成像，获取一对静态样本图像；S2、将每一对静态样本图像不重叠地切分成256×256像素的图像小块，分别作为噪声图像的输入和真值；S3、噪声图像的输入经第一卷积层后提取出浅层特征层，将浅层特征层作为残差学习模块的输入，经残差学习模块提取后输出深层特征层，浅层特征层与深层特征层相加，再经过结果卷积层，得到单通道的重建图像；S4、将重建图像重新拼接获得结果图像；本发明同时提供一种易于封装的封装OCT系统。本发明的图像去噪方法，在获得良好的图像质量的同时，避免了采集对齐的无噪声图像的困难。
Description
技术领域
本发明涉及喉镜技术领域，具体涉及一种应用于喉显微外科手术的OCT系统及图像去噪方法。
背景技术
喉显微外科手术是利用支撑喉镜暴露声带病变，在显微镜或内镜辅助下对病变进行切除的一种微创手术方式。目前声带病变最主要的评估手段是内镜检查，包含白光喉镜、频闪喉镜及窄带成像，它们主要针对于黏膜病变突出于表面的部分，比较容易观察，而无法直接探测病变位于组织内的深层信息，即浸润程度，而最终确诊仍依靠有创的病理活检。
在体OCT探头作为一种无创的断层成像探头，可用于检测患者声带黏膜2-3mm深度处的结构变化，从而为手术医生提供辅助诊断和导航信息，在完整、切底切除病变的同时尽最大程度减少对周围结构的损伤，进而保护患者的发音质量。喉显微外科手术术中利用支撑喉镜暴露声带病变，其为管状结构，通过连接支撑架进行固定，允许手术医生将相关的喉显微外科手术器械深入其中进行手术操作，其近端呈扁圆形，前端呈水滴形，面向术中声带成像的OCT探头可从该通道中通过，深入患者声带进行成像。
现有的喉部OCT探头设计主要基于准直器、扫描镜、聚焦物镜和一个节距的自聚焦透镜实现，扫描方式为空间光扫描。自聚焦透镜是一种折射率随径向逐渐减小的柱状透镜，能够使入射其中的光产生连续折射，以正弦轨迹传播。其节距指的是光线在透镜中传播的部分占一个完整正弦波周期的比例。因此，入射一个节距为1的自聚焦透镜的光会在另一个端面上相同的位置处以相同的角度出射，这通常在内窥镜中用作光学延迟透镜，将光从探头的近端传输到远端。自聚焦透镜作为一根细长、易碎的柱状透镜，其封装极其困难，通常需要在显微镜下仔细地在套管和自聚焦透镜的缝隙中注入光学胶，将其固定在套管内。该过程对工艺的要求极高，稍有不慎就会使得固定在套管内的自聚焦透镜角度歪斜，或部分端面被光学胶污染。且使用过程中自聚焦透镜一旦损坏或松动，很难维护，只能为探头更换新的前端或重新封装。因此，该方案只适用于实验室研究和初步临床验证，难以大规模生产并推广到临床。
另外，随着设备的小型化和成像光路的复杂化，在OCT成像中噪声成为了越来越不可忽视的问题。OCT图像中最广泛存在的噪声包括加性噪声和椒盐噪声。其中，前者与图像本身强度无关，来自于光传输过程和信号记录过程中固有的干扰；后者则主要包括在变换域中引入的误差，在OCT中难以避免。噪声的存在严重影响了图像的质量和后续医学诊断环节的准确实施。目前，已经有广泛的图像去噪算法应用于医学领域，其中，基于深度学习的一类方法凭借其强大的特征提取能力和泛化能力取得了领先的性能。然而，大部分此类方法需要成对的含噪声和不含噪声的对齐图像作为训练数据，由于实验中噪声是固有存在的，因而不含噪声的图像很难直接获得，这很大程度上阻碍了其现实应用。
发明内容
本发明的目的是提供一种尺寸合适，且易于制造、维护，能够大规模制造的喉部OCT探头，用于在基于支撑喉镜的手术中进行辅助成像；与OCT探头的成像结果配套地，需要同时配置对应的OCT图像去噪技术以优化图像质量，且该技术可避免采集无噪声图像这一困难。
本发明为达到上述目的，具体通过以下技术方案得以实现的：
一种应用于喉显微外科手术的OCT系统的图像去噪方法，包括以下步骤：
S1、在相同条件下的同一视野内，通过OCT探头连续两次成像，获取一对静态样本图像；
S2、将每一对静态样本图像不重叠地切分成256×256像素的图像小块，分别作为噪声图像的输入和真值；
S3、噪声图像的输入经第一卷积层后提取出浅层特征层，将浅层特征层作为残差学习模块的输入，经残差学习模块提取后输出深层特征层，浅层特征层与深层特征层相加，再经过一个结果卷积层，得到单通道的重建图像；
其中，残差学习模块为三层残差通道注意力网络，其包含连接的至少10个残差组和第二卷积层；每一残差组包含连接的至少20个残差通道注意力块和第三卷积层；每一残差通道注意力块包含第四卷积层、ReLU激活函数、第五卷积层和特征加权层；
S4、将重建图像重新拼接获得结果图像。
进一步地，残差通道注意力块的输入经过第四卷积层、ReLU激活函数和第五卷积层提取后，得到特征层f，特征层f再经特征加权层获得加权特征层；将加权特征层与残差通道注意力块的输入相加，获得残差通道注意力块的输出。
进一步地，特征加权层为采用自适应平均池化法将特征层f的每个通道描述为单点，再通过下通道采样卷积层将通道数下采样，并经过ReLU激活函数激活；然后通过上通道采样卷积层将通道数上采样，并由Sigmoid函数激活，最后将该激活后的结果与特征层f相乘，获得加权特征层。
进一步地，残差组的输入经过至少20个残差通道注意力块和一个第三卷积层提取后获得第三卷积层输出，第三卷积层输出与残差组的输入相加得到残差组的输出。
进一步地，浅层特征层作为残差学习模块的输入，经过至少10个残差组和一个第二卷积层提取后最终输出深层特征层。
进一步地，采用均方差作为损失函数对该三层残差通道注意力网络进行训练。
进一步地，步骤S2中，用于训练的成对的图像小块数量应在5000张以上。
进一步地，第一卷积层、第二卷积层和第三卷积层的卷积核均为3×3；第四卷积层和第五卷积层的卷积核为1×1。
本发明还提供一种应用于喉显微外科手术的OCT系统，包括连接的OCT处理模块和OCT探头，所述OCT探头包括沿光路依次连接的物镜、透镜组件和光纤准直器，所述物镜为双胶合消色差透镜，所述透镜组件为沿光路依次连接的四组透镜套筒和分别安装在各透镜套筒内的第一平凸透镜、第二平凸透镜、第三平凸透镜和第四平凸透镜，第一平凸透镜和第二平凸透镜的凸面相对设置，间距为两平凸透镜焦距相加；第三平凸透镜和第四平凸透镜的凸面相对设置，间距为两平凸透镜焦距相加。
进一步地，透镜套筒内部设置内螺纹，各平凸透镜通过卡环固定在透镜套筒内；透镜套筒一端设置与内螺纹匹配的外螺纹，相邻透镜套筒通过螺纹连接。
本发明的图像去噪方法，通过本发明OCT探头获得的原始OCT图像，采用了一种仅利用含噪声图像作为输入的神经网络结构，以在获得良好的图像质量的同时，避免了采集对齐的无噪声图像的困难。
本发明提供的OCT探头，使用定制的透镜套筒和卡环进行探头前端的封装，套筒与套筒间可通过螺纹连接，通过卡环将所用平凸透镜分别固定在透镜套筒中，再将装有各个透镜的套筒通过螺纹拧接在一起，即完成了前端探头的封装，透镜间的距离调整可以通过改变卡环位置而轻易实现，该封装方法简易便捷，且易于调试和维护。
附图说明
图1为本发明中的OCT探头图像去噪方法流程图；
图2为本发明的三层残差通道注意力网络的结构图；
图3为本发明的OCT探头光路示意图；
图4为本发明中透镜套筒的结构示意图。
图中，1-物镜；2-透镜组件；3-光纤准直器；21-透镜套筒；211-内螺纹；212-外螺纹；22-平凸透镜；22a-第一平凸透镜；22b-第二平凸透镜；22c-第三平凸透镜；22d-第四平凸透镜；23-卡环组件。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
如图1和图2所示，本发明的一种应用于喉显微外科手术的OCT系统的图像去噪方法，包括以下步骤：
S1、在相同条件下的同一视野内，通过OCT探头连续两次成像，获取一对静态样本图像。具体操作上，对静态样本采用提出的OCT探头连续进行两次成像作为一对图像，然后移动探头采集下一个视野。
S2、将每一对静态样本图像不重叠地切分成256×256像素的图像小块，分别作为噪声图像的输入x和真值y；优选的，用于训练的成对的图像小块数量应在5000张以上。
S3、噪声图像的输入x经第一卷积层后提取出浅层特征层，将浅层特征层作为残差学习模块的输入，经残差学习模块提取后输出深层特征层，浅层特征层与深层特征层相加，再经过一个结果卷积层，得到单通道的重建图像；
其中，残差学习模块为三层残差通道注意力网络，其包含连接的至少10个残差组和第二卷积层；每一残差组包含连接的至少20个残差通道注意力块和第三卷积层；每一残差通道注意力块(RCAB)包含第四卷积层、ReLU激活函数、第五卷积层和特征加权层。
S4、将重建图像重新拼接获得结果图像。在实际应用中，可采用本发明提出的OCT探头进行成像后，将原始采集结果切分为256*256像素的图像小块，分别输入到训练好的网络模型中，将网络输出进行重新拼接，以得到最终结果。
由于OCT图像中以加性高斯噪声和椒盐噪声为主，根据噪声分布的性质，这两类噪声均在较大样本量时服从零均值分布。在这种情况下，普通全监督神经网络的训练目标可以表示为：
其中，表示神经网络作用，x是噪声图像的网络输入，y是对应的真值，L是损失函数，E是期望。根据该式，将期望值等于真值的数据替代真值不影响优化目标的实现过程。因此，在保持数据集规模的情况下，将无噪声图像y替换为具有零均值噪声的对齐图像，也可以实现网络的训练。
本发明提出的去噪网络结构是以残差通道注意力网络为基础的网络模型，该模型的架构包括三层残差学习的范式，并在内层残差学习的过程中引入通道注意力的信息。在实际操作中，采用了3*3卷积核进行卷积处理、线性整流函数（ReLU）激活、以及长跳跃连接等神经网络常用结构。一实施例中具体的，对输入图像首先进行一次卷积用于浅层特征提取，产生64个特征层，然后采用这些浅层特征作为外层残差学习部分的输入，该残差学习模块包含10个残差组和一个卷积层，最终输出64个深层特征层并与通过长跳跃连接得到的浅层特征相加。最后将加和结果经过一个卷积层得到单通道的重建图像。
实施例中优选的，残差通道注意力块的输入经过第四卷积层、ReLU激活函数和第五卷积层提取后，得到特征层f，特征层f再经特征加权层获得加权特征层；将加权特征层与残差通道注意力块的输入相加，获得残差通道注意力块的输出。
进一步优选的，特征加权层为采用自适应平均池化法将特征层f的每个通道描述为单点，再通过下通道采样卷积层将通道数下采样，并经过ReLU激活函数激活；然后通过上通道采样卷积层将通道数上采样，并由Sigmoid函数激活，最后将该激活后的结果与特征层f相乘，获得加权特征层。
优选的，残差组的输入经过至少20个残差通道注意力块和一个第三卷积层提取后获得第三卷积层输出，第三卷积层输出与残差组的输入相加得到残差组的输出。残差通道注意力块则提供了内层残差学习的范式，首先经过一个卷积层、一个ReLU激活和一个卷积层处理得到特征f，通道数仍为64不变。然后采用自适应平均池化方法将特征f的每个通道描述为单点，然后通过一个通道下采样卷积层（卷积核大小为1*1）将通道数下采样为4并经过ReLU激活，然后通过一个通道上采样卷积层（卷积核大小为1*1）将通道数上采样为64并由Sigmoid函数激活，最后将该结果与此前得到的特征f相乘。这种操作的目的是得到不同通道的特征的权重，从而使网络的学习注意力集中在更重要的通道上。最终，将加权后的64层特征与残差通道注意力块的输入相加，得到该模块的输出。
优选的，浅层特征层作为残差学习模块的输入，经过至少10个残差组和一个第二卷积层提取后最终输出深层特征层。残差组的构造也采用了残差学习的思路，即中层的残差学习，其中每个残差组包括了20个残差通道注意力块和一个卷积层，其输入和输出通道数均保持不变。最后，卷积层的输出与该残差组的输入相加得到残差组的最终输出。
优选的，采用均方差作为损失函数对该三层残差通道注意力网络进行训练。
优选的，步骤S2中，用于训练的成对的图像小块数量应在5000张以上。
优选的，第一卷积层、第二卷积层和第三卷积层的卷积核均为3×3；第四卷积层和第五卷积层的卷积核为1×1。
如图3和图4所示，本发明还提供一种应用于喉显微外科手术的OCT系统，包括连接的OCT处理模块和OCT探头，其中OCT处理模块可以采用上述OCT系统的图像去噪方法；所述OCT探头包括沿光路依次连接的物镜1、透镜组件2和光纤准直器3，所述物镜1为双胶合消色差透镜，所述透镜组件2为沿光路依次连接的四组透镜套筒21和分别安装在各透镜套筒21内的平凸透镜22，平凸透镜包括第一平凸透镜22a、第二平凸透镜22b、第三平凸透镜22c和第四平凸透镜22d，第一平凸透镜22a和第二平凸透镜22b的凸面相对设置，间距为两平凸透镜焦距相加；第三平凸透镜22c和第四平凸透镜22d的凸面相对设置，间距为两平凸透镜焦距相加。
平凸透镜22可使用NBK-7玻璃材质制成，该类透镜作为大规模生产的光学元件，可轻易购得；为了达到喉镜操作的必要长度，可使用四个直径6 mm、焦距为30 mm的平凸透镜22组成光学延迟系统，可将OCT探头前端长度延长至23cm，且几乎不改变探头出射光斑的尺寸，即不影响成像结果的横向分辨率。
本发明采用四个直径6 mm、焦距30 mm的平凸透镜，以及一个用作物镜的直径5mm、焦距7.5 mm的双胶合消色差透镜，共同组成本设计的OCT探头。光源的光通过光纤传输到光纤准直器3，后者将光纤中的光准直为一束平行的空间光；MEMS扫描镜在±3°的角度范围内做周期性扫描，将平行空间光反射入探头前端；经反射后的平行光进入光学延迟系统的第一平凸透镜22a，在透镜后30 mm的位置处聚焦，聚焦后的空间光进一步发散，沿光轴再次传播30 mm后入射第二平凸透镜22b，光束再次平行；平行后的光接着重复上述过程，依次经过第三平凸透镜22c、第四平凸透镜22d，再次被聚焦、平行，将准直光束传输到物镜1；物镜1最终将平行光聚焦在待成像的样品上。
优选的，透镜套筒21内部设置内螺纹211，各平凸透镜22通过卡环组件23固定在透镜套筒21内；透镜套筒21一端设置与内螺纹211匹配的外螺纹212，相邻透镜套筒21通过螺纹连接。
本发明的透镜组件2使用定制的透镜套筒21和卡环组件23进行探头前端的封装，卡环组件23包含两个卡环，卡环外周刻有和透镜套筒21同样型号的外螺纹，因此能够被拧入透镜套筒21内部，其在透镜套筒21内的位置通过卡环扳手调节。卡环扳手上刻有标准尺，凭借该刻度可以判断卡环在套筒内的深度位置。利用两个卡环，就能将平凸透镜22固定在透镜套筒21内，再将装有各个平凸透镜22的透镜套筒21通过螺纹拧接在一起，即完成了OCT前端探头的封装，透镜间的距离调整可以通过改变卡环组件23位置而轻易实现，该封装方法简易便捷，且易于调试和维护。
在封装过程中，先将一个卡环拧入透镜套筒21内的某个预先计算好的深度位置处，例如第一平凸透镜22a和第二平凸透镜22b焦距相同，其间距应在两倍的焦距，即60 mm左右，则当透镜套筒的总长度为57 mm，第一平凸透镜22a被拧入第一个透镜套筒内的深度为53 mm时，第二平凸透镜22b在第二个透镜套筒中的深度约为57-（60-53）=50 mm；然后将平凸透镜22放入透镜套筒21，拧入第二个卡环，使两个卡环分别紧贴平凸透镜22的前后端面，从而将透镜固定在透镜套筒21内。物镜1也可安装在一个透镜套筒内，将四个平凸透镜22和物镜1都固定在各自的套筒内后，按照透镜排列的顺序将各个套筒通过螺纹连接在一起，即完成了探头前端的封装。根据探头的成像结果，利用卡环扳手微调各个透镜在透镜套筒内的位置，进行优化。本发明中的探头基于直径6 mm的透镜设计，封装后的探头尺寸为直径7-9 mm，满足支撑喉镜所允许的尺寸范围（28 mm×12 mm）；长度20-23cm，接近喉部手术中使用的手术设备长度，因此基于该探头的OCT成像便于与其他术中操作配合。
本发明中的具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (8)
1.一种应用于喉显微外科手术的OCT系统的图像去噪方法，其特征在于，包括以下步骤：
S1、在相同条件下的同一视野内，通过OCT探头连续两次成像，获取一对静态样本图像；
S2、将每一对静态样本图像不重叠地切分成256×256像素的图像小块，分别作为噪声图像的输入和真值；
S3、噪声图像的输入经第一卷积层后提取出浅层特征层，将浅层特征层作为残差学习模块的输入，经残差学习模块提取后输出深层特征层，浅层特征层与深层特征层相加，再经过一个结果卷积层，得到单通道的重建图像；
其中，残差学习模块为三层残差通道注意力网络，其包含连接的至少10个残差组和第二卷积层；每一残差组包含连接的至少20个残差通道注意力块和第三卷积层；每一残差通道注意力块包含第四卷积层、ReLU激活函数、第五卷积层和特征加权层；
残差通道注意力块的输入经过第四卷积层、ReLU激活函数和第五卷积层提取后，得到特征层f，特征层f再经特征加权层获得加权特征层；将加权特征层与残差通道注意力块的输入相加，获得残差通道注意力块的输出；
特征加权层为采用自适应平均池化法将特征层f的每个通道描述为单点，再通过下通道采样卷积层将通道数下采样，并经过ReLU激活函数激活；然后通过上通道采样卷积层将通道数上采样，并由Sigmoid函数激活，最后将该激活后的结果与特征层f相乘，获得加权特征层；
S4、将重建图像重新拼接获得结果图像。
2.根据权利要求1所述的应用于喉显微外科手术的OCT系统的图像去噪方法，其特征在于，残差组的输入经过至少20个残差通道注意力块和一个第三卷积层提取后获得第三卷积层输出，第三卷积层输出与残差组的输入相加得到残差组的输出。
3.根据权利要求1所述的应用于喉显微外科手术的OCT系统的图像去噪方法，其特征在于，浅层特征层作为残差学习模块的输入，经过至少10个残差组和一个第二卷积层提取后最终输出深层特征层。
4.根据权利要求1所述的应用于喉显微外科手术的OCT系统的图像去噪方法，其特征在于，采用均方差作为损失函数对该三层残差通道注意力网络进行训练。
5.根据权利要求1所述的应用于喉显微外科手术的OCT系统的图像去噪方法，其特征在于，步骤S2中，用于训练的成对的图像小块数量应在5000张以上。
6.根据权利要求1所述的应用于喉显微外科手术的OCT系统的图像去噪方法，其特征在于，第一卷积层、第二卷积层和第三卷积层的卷积核均为3×3；第四卷积层和第五卷积层的卷积核为1×1。
7.一种应用于喉显微外科手术的OCT系统，其特征在于，包括连接的OCT处理模块和OCT探头，所述OCT处理模块采用如权利要求1-6任一所述的OCT系统的图像去噪方法，所述OCT探头包括沿光路依次连接的物镜（1）、透镜组件（2）和光纤准直器（3），所述物镜为双胶合消色差透镜，所述透镜组件为沿光路依次连接的四组透镜套筒（21）和分别安装在各透镜套筒内的平凸透镜（22），平凸透镜包括第一平凸透镜（22a）、第二平凸透镜（22b）、第三平凸透镜（22c）和第四平凸透镜（22d），第一平凸透镜和第二平凸透镜的凸面相对设置，间距为两平凸透镜焦距相加；第三平凸透镜和第四平凸透镜的凸面相对设置，间距为两平凸透镜焦距相加。
8.根据权利要求7所述的应用于喉显微外科手术的OCT系统，其特征在于，透镜套筒内部设置内螺纹（211），各平凸透镜通过卡环组件（23）固定在透镜套筒内；透镜套筒一端设置与内螺纹匹配的外螺纹（212），相邻透镜套筒通过螺纹连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311588730.3A CN117291846B (zh) | 2023-11-27 | 2023-11-27 | 一种应用于喉显微外科手术的oct系统及图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311588730.3A CN117291846B (zh) | 2023-11-27 | 2023-11-27 | 一种应用于喉显微外科手术的oct系统及图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291846A CN117291846A (zh) | 2023-12-26 |
| CN117291846B true CN117291846B (zh) | 2024-02-27 |
Family
ID=89244819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311588730.3A Active CN117291846B (zh) | 2023-11-27 | 2023-11-27 | 一种应用于喉显微外科手术的oct系统及图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291846B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696038A (zh) * | 2020-05-26 | 2020-09-22 | 新华三大数据技术有限公司 | 图像超分辨率方法、装置、设备及计算机可读存储介质 |
| CN113298710A (zh) * | 2021-05-10 | 2021-08-24 | 天津大学 | 基于外部注意力机制的光学相干层析超分辨率成像方法 |
| CN113643189A (zh) * | 2020-04-27 | 2021-11-12 | 深圳市中兴微电子技术有限公司 | 图像去噪方法、装置和存储介质 |
| WO2022083026A1 (zh) * | 2020-10-21 | 2022-04-28 | 华中科技大学 | 一种超声图像去噪模型建立方法及超声图像去噪方法 |
| CN114429422A (zh) * | 2021-12-22 | 2022-05-03 | 山东师范大学 | 基于残差通道注意力网络的图像超分辨率重建方法及系统 |
| CN115423685A (zh) * | 2022-09-02 | 2022-12-02 | 济宁安泰矿山设备制造有限公司 | 用于智能泵腔体内窥镜故障诊断的图像超分辨率重建方法 |
-
2023
- 2023-11-27 CN CN202311588730.3A patent/CN117291846B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643189A (zh) * | 2020-04-27 | 2021-11-12 | 深圳市中兴微电子技术有限公司 | 图像去噪方法、装置和存储介质 |
| CN111696038A (zh) * | 2020-05-26 | 2020-09-22 | 新华三大数据技术有限公司 | 图像超分辨率方法、装置、设备及计算机可读存储介质 |
| WO2022083026A1 (zh) * | 2020-10-21 | 2022-04-28 | 华中科技大学 | 一种超声图像去噪模型建立方法及超声图像去噪方法 |
| CN113298710A (zh) * | 2021-05-10 | 2021-08-24 | 天津大学 | 基于外部注意力机制的光学相干层析超分辨率成像方法 |
| CN114429422A (zh) * | 2021-12-22 | 2022-05-03 | 山东师范大学 | 基于残差通道注意力网络的图像超分辨率重建方法及系统 |
| CN115423685A (zh) * | 2022-09-02 | 2022-12-02 | 济宁安泰矿山设备制造有限公司 | 用于智能泵腔体内窥镜故障诊断的图像超分辨率重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 雷戈等."结合残差块和MLP卷积的真实图像去噪网络".《电子器件》.2023,第46卷(第5期),第1325-1331页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291846A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3010389B1 (en) | Omni-directional viewing apparatus and method | |
| US9791317B2 (en) | Spectrally-encoded endoscopy techniques and methods | |
| CA2703102C (en) | Depth of field extension for optical tomography | |
| US6031619A (en) | Imaging spectrometer | |
| US8149418B2 (en) | Method and apparatus for optical imaging via spectral encoding | |
| US20200217642A1 (en) | Apparatus and methods for mirror tunnel imaging device and for providing pseudobessel beams in a miniaturized optical system for imaging | |
| EP2235576B1 (en) | Grin lens microscope system | |
| US20070191682A1 (en) | Optical probes for imaging narrow vessels or lumens | |
| US11179028B2 (en) | Objective lens arrangement for confocal endomicroscopy | |
| CN102028477A (zh) | 一种测量眼底视网膜血氧饱和度的装置及方法 | |
| Yang et al. | Development of a small-diameter and high-resolution industrial endoscope with CMOS image sensor | |
| Kang et al. | Comprehensive volumetric confocal microscopy with adaptive focusing | |
| CN117291846B (zh) | 一种应用于喉显微外科手术的oct系统及图像去噪方法 | |
| Kester et al. | Real-time hyperspectral endoscope for early cancer diagnostics | |
| KR101931751B1 (ko) | 비침습적 방법에 의하여 복수의 동시 영상화가 가능한 검이경 | |
| CN209899367U (zh) | 基于液体透镜自聚焦的双模态内窥镜装置 | |
| US20060245087A1 (en) | Microscope objectives | |
| RU215019U1 (ru) | Оптически прозрачный датчик для оптоакустической микроскопии оптического разрешения | |
| Kang et al. | Optical design and simulation of an integrated OCT and video rigid laryngoscope | |
| AU2021312548A1 (en) | An optical element | |
| Kamal | Reflective optics-based line-scanning spectral domain optical coherence tomography system | |
| EP4326138A2 (en) | Systems and methods for an imaging device | |
| WO2011105962A1 (en) | Optical coherence imaging device, and method for forming an optical coherence imaging device | |
| WO2019140152A1 (en) | System and apparatus for forward-view imaging |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |