本發(fā)明涉及光學(xué)成像，特別涉及一種基于oct信號(hào)的生物組織光學(xué)衰減系數(shù)提取方法。

背景技術(shù)：

1、光學(xué)相干層析成像(opt?i?ca?l?coherence?tomography,oct)是一種日益成熟的光學(xué)成像技術(shù)，因其具有無(wú)創(chuàng)、實(shí)時(shí)及高分辨率等優(yōu)勢(shì)，在臨床上得到了越來(lái)越廣泛的應(yīng)用。盡管oct技術(shù)在形態(tài)學(xué)成像上表現(xiàn)出色，傳統(tǒng)的oct成像結(jié)果長(zhǎng)期以來(lái)面臨一個(gè)局限，即它們主要揭示組織的結(jié)構(gòu)形態(tài)，而對(duì)于組織內(nèi)部的物理特性和生理狀態(tài)的信息尚不夠充分?，F(xiàn)階段臨床上對(duì)oct成像結(jié)果的識(shí)別方法仍主要依賴(lài)于醫(yī)生的主觀判斷，這導(dǎo)致對(duì)一些特征相近的病灶評(píng)估過(guò)程效率低、標(biāo)準(zhǔn)模糊且缺乏客觀的評(píng)價(jià)量化標(biāo)準(zhǔn)。光學(xué)衰減系數(shù)的定量分析在多種組織的分類(lèi)評(píng)估中已被證實(shí)具有獨(dú)特且重要的意義，精確量化生物組織的光學(xué)衰減系數(shù)，能夠?yàn)椴±矸治鎏峁└陀^且統(tǒng)一的定量分析工具。

2、在目前經(jīng)典的基于oct信號(hào)的光學(xué)衰減系數(shù)提取方法中，深度分辨模型是一種常見(jiàn)的方法，但其所提取的光學(xué)衰減系數(shù)值極易受到oct信號(hào)中噪聲的干擾。另有一種基于迭代蒙特卡洛模擬以求解組織光學(xué)特征參數(shù)的方法，但由于蒙特卡洛模擬的時(shí)間復(fù)雜性，通過(guò)迭代擬合參數(shù)的方式在臨床應(yīng)用中是不可接受的。除了對(duì)蒙特卡洛模擬進(jìn)行加速外，還可以從使用數(shù)據(jù)驅(qū)動(dòng)的方式訓(xùn)練模型來(lái)完成這項(xiàng)任務(wù)。但是數(shù)據(jù)驅(qū)動(dòng)方法最重要的是需要足夠的數(shù)據(jù)用于訓(xùn)練，從實(shí)際組織中標(biāo)注光學(xué)特征參數(shù)是非常困難的。

3、為解決上述問(wèn)題，這里提出一種基于oct信號(hào)的生物組織光學(xué)衰減系數(shù)提取方法。

技術(shù)實(shí)現(xiàn)思路

1、本公開(kāi)的實(shí)施例旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題之一，提供一種基于oct信號(hào)的生物組織光學(xué)衰減系數(shù)提取方法，通過(guò)快速蒙特卡洛模擬生成不同噪聲水平的oct仿真數(shù)據(jù)，并利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，實(shí)現(xiàn)了在含有噪聲的oct成像條件下實(shí)時(shí)準(zhǔn)確地估計(jì)生物組織的光學(xué)衰減系數(shù)，提高了診斷精度和效率，減少了主觀誤差，增強(qiáng)了系統(tǒng)的魯棒性，提高了實(shí)際臨床應(yīng)用的可行性。

2、本公開(kāi)的第一方面，提供一種基于oct信號(hào)的生物組織光學(xué)衰減系數(shù)提取方法，包括：

3、使用蒙特卡洛模擬方法生成包含不同噪聲水平的oct仿真結(jié)果的仿真結(jié)果數(shù)據(jù)集；

4、將所述仿真結(jié)果數(shù)據(jù)集輸入光學(xué)衰減系數(shù)訓(xùn)練模型并利用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行訓(xùn)練，得到光學(xué)衰減系數(shù)估計(jì)模型；

5、利用所述光學(xué)衰減系數(shù)估計(jì)模型估計(jì)不同oct成像結(jié)果下的光學(xué)衰減系數(shù)。

6、進(jìn)一步的，所述使用蒙特卡洛模擬方法生成包含不同噪聲水平的oct仿真結(jié)果包括：

7、創(chuàng)建網(wǎng)格化的三維組織模型并將其劃分為多個(gè)四棱錐單元，每個(gè)單元可被賦予特定的物理與光學(xué)屬性；

8、在所述三維組織模型上設(shè)定多個(gè)光子，并追蹤每一個(gè)光子從進(jìn)入所述三維組織模型到離開(kāi)所述三維組織模型表面，或是被所述三維組織模型完全吸收的軌跡；

9、根據(jù)所述光子的軌跡，利用光學(xué)干涉原理計(jì)算得到所述三維組織模型oct仿真結(jié)果；

10、將每個(gè)所述三維組織模型oct仿真結(jié)果的光學(xué)特性參數(shù)對(duì)應(yīng)地量化為與仿真分辨率匹配的矩陣形式，建立仿真結(jié)果數(shù)據(jù)集。

11、進(jìn)一步的，所述創(chuàng)建網(wǎng)格化的三維組織模型并將其劃分為多個(gè)四棱錐單元包括：

12、確立坐標(biāo)系(x，y，z)，將所述三維組織模型的深度軸正向定義為沿z軸方向；

13、在所述坐標(biāo)系上定義一系列點(diǎn)及由點(diǎn)構(gòu)成的四棱錐單元，得到多個(gè)所述的四棱錐單元及其編號(hào)，并在每個(gè)四棱錐單元中定義光學(xué)特征參數(shù)。

14、進(jìn)一步的，所述在所述三維組織模型上設(shè)定多個(gè)光子并追蹤其軌跡包括通過(guò)下列公式：

15、

16、

17、模擬高斯聚焦光束特性設(shè)定多個(gè)光子的初始發(fā)射位置及其傳播方向，其中(x',y',z')為光子經(jīng)過(guò)被聚焦前的位置向量，zf是高斯聚焦光束焦點(diǎn)的z坐標(biāo)，(x,y,z)和(vx,vy,vz)分別為經(jīng)過(guò)虛擬透鏡后的光子位置和方向向量，f為透鏡的焦距，r(z)是高斯光束深度z處的曲率半徑，其中，

18、

19、zr為瑞利長(zhǎng)度,zr＝πw02/λ，λ為光的波長(zhǎng),w0為焦點(diǎn)處的光束半徑。

20、進(jìn)一步的，所述根據(jù)所述光子軌跡，利用光學(xué)干涉原理計(jì)算得到oct在所述三維組織模型指定位置的a掃描仿真結(jié)果包括根據(jù)公式計(jì)算：

21、

22、其中，i(z)為所述三維組織模型在指定位置的a掃描仿真結(jié)果，i0為表征成像系統(tǒng)的常數(shù)，np為光子總數(shù)，wi為光子返回時(shí)剩余的權(quán)重，λ為光的波長(zhǎng)，z為成像深度，li為光子總計(jì)走過(guò)的路程長(zhǎng)度，lc為光源相干長(zhǎng)度。

23、進(jìn)一步的，通過(guò)改變發(fā)射器的位置，可以運(yùn)行oct的b掃描和c掃描仿真。

24、進(jìn)一步的，所述方法還包括對(duì)計(jì)算所述三維組織模型oct仿真結(jié)果的加速處理，所述加速處理包括：

25、使用openmp預(yù)處理器指令在cpu上實(shí)現(xiàn)多線程并行運(yùn)算，針對(duì)運(yùn)算中沒(méi)有串行邏輯的部分進(jìn)行并行優(yōu)化；

26、和/或使用cuda在gpu上的并行運(yùn)算，將計(jì)算密集的光子傳輸過(guò)程在核函數(shù)中實(shí)現(xiàn)在gpu上并行計(jì)算，并將不同層級(jí)的數(shù)據(jù)合理的放置在gpu不同的內(nèi)存結(jié)構(gòu)中，其余i/o數(shù)據(jù)處理部分則在主機(jī)上執(zhí)行。

27、進(jìn)一步的，所述建立仿真結(jié)果數(shù)據(jù)集包括：

28、將每次仿真所得仿真結(jié)果的圖像平面的光學(xué)特性參數(shù)對(duì)應(yīng)地量化為與仿真分辨率匹配的矩陣形式；

29、引入隨機(jī)噪聲增強(qiáng)，通過(guò)拼接與復(fù)制進(jìn)行數(shù)據(jù)增廣，生成256*256大小的數(shù)據(jù)對(duì)，按照17:2:1的比例將所有數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

30、進(jìn)一步的，所述將所述仿真結(jié)果數(shù)據(jù)集輸入光學(xué)衰減系數(shù)訓(xùn)練模型并利用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行訓(xùn)練，得到光學(xué)衰減系數(shù)估計(jì)模型包括：

31、將所述仿真結(jié)果數(shù)據(jù)集輸入光學(xué)衰減系數(shù)訓(xùn)練模型；

32、利用u-net網(wǎng)絡(luò)通過(guò)優(yōu)化損失函數(shù)不斷優(yōu)化模型，所述損失函數(shù)為均方誤差損失函數(shù)mse，所述優(yōu)化模型中使用adam優(yōu)化器，以0.001的初始學(xué)習(xí)率進(jìn)行訓(xùn)練，學(xué)習(xí)率以每個(gè)批次10-6的速率減少，以每次24組數(shù)據(jù)的大小同時(shí)進(jìn)行訓(xùn)練，訓(xùn)練100個(gè)迭代周期。

33、本公開(kāi)的第二方面，提供一種電子設(shè)備，包括：

34、一個(gè)或多個(gè)處理器；

35、存儲(chǔ)單元，用于存儲(chǔ)一個(gè)或多個(gè)程序，當(dāng)所述一個(gè)或多個(gè)程序被所述一個(gè)或多個(gè)處理器執(zhí)行時(shí)，能使得所述一個(gè)或多個(gè)處理器實(shí)現(xiàn)上述中任一項(xiàng)基于oct信號(hào)的生物組織光學(xué)衰減系數(shù)提取方法。

36、本公開(kāi)的第三方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)能實(shí)現(xiàn)上述中任一項(xiàng)基于oct信號(hào)的生物組織光學(xué)衰減系數(shù)提取方法。

技術(shù)特征：

1.一種基于oct信號(hào)的生物組織光學(xué)衰減系數(shù)提取方法，其特征在于，所述提取方法包括：

2.根據(jù)權(quán)利要求1所述的提取方法，其特征在于，所述使用蒙特卡洛模擬方法生成包含不同噪聲水平的oct仿真結(jié)果包括：

3.根據(jù)權(quán)利要求2所述的提取方法，其特征在于，所述創(chuàng)建網(wǎng)格化的三維組織模型并將其劃分為多個(gè)四棱錐單元包括：

4.根據(jù)權(quán)利要求2所述的提取方法，其特征在于，所述在所述三維組織模型上設(shè)定多個(gè)光子并追蹤其軌跡包括通過(guò)下列公式：

5.根據(jù)權(quán)利要求2所述的提取方法，其特征在于，所述根據(jù)所述光子軌跡，利用光學(xué)干涉原理計(jì)算得到oct在所述三維組織模型指定位置的a掃描仿真結(jié)果包括根據(jù)公式計(jì)算：

6.根據(jù)權(quán)利要求2所述的提取方法，其特征在于，所述方法還包括對(duì)計(jì)算所述三維組織模型oct仿真程序的加速處理，所述加速處理包括：

7.根據(jù)權(quán)利要求2所述的提取方法，其特征在于，所述建立仿真結(jié)果數(shù)據(jù)集包括：

8.根據(jù)權(quán)利要求1所述的提取方法，其特征在于，所述將所述仿真結(jié)果數(shù)據(jù)集輸入光學(xué)衰減系數(shù)訓(xùn)練模型并利用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行訓(xùn)練，得到光學(xué)衰減系數(shù)估計(jì)模型包括：

9.一種電子設(shè)備，其特征在于，包括：

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)能實(shí)現(xiàn)根據(jù)權(quán)利要求1至8中任一項(xiàng)所述基于oct信號(hào)的生物組織光學(xué)衰減系數(shù)提取算法。

技術(shù)總結(jié)
本公開(kāi)提供一種基于OCT信號(hào)的生物組織光學(xué)衰減系數(shù)提取方法，包括：使用蒙特卡洛模擬方法生成包含不同噪聲水平的OCT仿真結(jié)果的仿真結(jié)果數(shù)據(jù)集，將仿真結(jié)果數(shù)據(jù)集輸入光學(xué)衰減系數(shù)訓(xùn)練模型并利用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行訓(xùn)練，得到光學(xué)衰減系數(shù)估計(jì)模型，利用光學(xué)衰減系數(shù)估計(jì)模型估計(jì)不同OCT成像結(jié)果下的光學(xué)衰減系數(shù)。本公開(kāi)的實(shí)施例提供的一種基于OCT信號(hào)的生物組織光學(xué)衰減系數(shù)提取方法，通過(guò)快速蒙特卡洛模擬生成不同噪聲水平的OCT仿真數(shù)據(jù)，并利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，實(shí)現(xiàn)了在含有噪聲的OCT成像條件下實(shí)時(shí)準(zhǔn)確地估計(jì)生物組織的光學(xué)衰減系數(shù)，提高了診斷精度和效率，減少了主觀誤差，增強(qiáng)了系統(tǒng)的魯棒性，提高了實(shí)際臨床應(yīng)用的可行性。

技術(shù)研發(fā)人員：李勤,魏宇康,張曉,魏澤文,胡曉明
受保護(hù)的技術(shù)使用者：北京理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10