本發(fā)明涉及圖像處理，尤其涉及一種基于深度學習的oct圖像智能分類處理方法及系統(tǒng)。

背景技術：

1、oct圖像即光學相干斷層成像，是一種具有無接觸、高分辨率等特點的新型眼科醫(yī)學診斷方法,現(xiàn)在已經作為醫(yī)生臨床診斷眼科疾病的重要參考物，尤其對于視網膜病變早期發(fā)現(xiàn)和臨床診斷來說至關重要。然而，oct圖像種類繁多，目前對于oct圖像分類主要依賴于人工經驗，不僅費時費力，給醫(yī)生帶來了較大的工作負擔，同時其分類的準確度也無法保證，從而影響診斷質量。

技術實現(xiàn)思路

1、為了解決上述提出的至少一個技術問題，本發(fā)明提供一種基于深度學習的oct圖像智能分類處理方法及系統(tǒng)。

2、第一方面，本發(fā)明提供了一種基于深度學習的oct圖像智能分類處理方法，所述方法包括：

3、獲取目標對象的oct圖像，對所述oct圖像進行降噪處理；

4、從降噪后的oct圖像中提取原始roi區(qū)域，對所述原始roi區(qū)域進行數(shù)據偏置場校正處理，得到目標roi區(qū)域；

5、對所述目標roi區(qū)域中每一種類型的特征進行局部特征提取，利用pca算法對所提取的每種特征的局部特征進行特征降維，生成目標特征；

6、將所述目標特征輸入至訓練好的oct圖像分類模型，生成分類結果。

7、優(yōu)選地，對所述oct圖像進行降噪處理，包括：

8、利用改進的卷積網絡模型對所述oct圖像進行降噪，所述改進的卷積網絡模型包括稀疏局部注意力模塊、深度提取模塊、全局注意力模塊和殘差模塊；

9、所述稀疏局部注意力模塊包括空洞卷積層、批歸一化層、relu激活層和卷積層；

10、所述深度提取模塊采用三層卷積提取網絡，每層卷積提取網絡包括批歸一化層、relu激活層和卷積層；

11、所述全局注意力模塊采用卷積核對于所述稀疏局部注意力模塊、所述深度提取模塊提取的特征進行壓縮，生成權重向量；所述權重向量用于調整所述稀疏局部注意力模塊、所述深度提取模塊的網絡權重。

12、優(yōu)選地，在所述利用改進的卷積網絡模型對所述oct圖像進行降噪之后，還包括：

13、利用評價指標對于降噪效果進行評價，所述評價指標為：

14、

15、式中，fpsnr表示峰值信噪比，max(i)表示圖像i中像素的最大灰度值，fmse為降噪圖像與真值圖像之間的均方誤差；w、h分別表示圖像的寬度和高度，id(x,y)表示降噪圖像的灰度值，ic(x,y)表示真值圖像的灰度值，(x,y)表示圖像像素點的坐標。

16、優(yōu)選地，所述從降噪后的oct圖像中提取原始roi區(qū)域，包括：

17、基于降噪后的oct圖像，去除空白邊緣，利用oct圖像中背景像素的平均值填補圖像的空白區(qū)域；

18、對填補后圖像進行全局閾值處理，生成第一視網膜結構圖像；

19、對閾值處理后的圖像進行中值濾波，去除視網膜中的黑色斑點，生成第二視網膜結構圖像；

20、對第二視網膜結構圖像進行二次多項式擬合，生成擬合曲線；

21、將不同視網膜結構圖像進行對齊，在對齊后將每一列像素向上或向下平移若干個像素，使得所述擬合曲線上的像素點位于同一水平線后，切割出原始roi區(qū)域。

22、優(yōu)選地，對所述目標roi區(qū)域中每一種類型的特征進行局部特征提取，包括：

23、將所述目標roi區(qū)域分割為若干個矩形塊，在每個所述矩形塊中計算每個像素的量化系數(shù)；

24、在每個所述矩形塊上生成量化系數(shù)的直方圖，將所有所述直方圖合并，得到每一種特征的局部特征；

25、其中，所述局部特征的表達式為：

26、

27、式中，(x,y)為像素點坐標，wu表示頻率為u的二維離散傅里葉變換的基向量，表示基向量wu的轉置，j表示第j個分量，fx表示nx中m2個像素的灰度值所組成的向量，nx為m×m的矩形鄰域。

28、優(yōu)選地，所述oct圖像分類模型采用mobilenet網絡訓練得到；所述mobilenet網絡包括：

29、多特征融合模塊，用于將所述目標特征進行多特征融合，生成融合特征圖；所述多特征融合包括通道層特征融合和空間層特征融合；

30、通道注意力模塊，用于將所述融合特征圖進行平均池化，將平均池化后的壓縮圖像經過兩次卷積，并通過sigmoid函數(shù)激活，將激活后的特征圖和輸入的融合特征圖相乘，得到通道輸出特征圖；

31、空間注意力模塊，用于對所述通道輸出特征圖依次進行最大池化和平均池化進行處理，將處理后的特征圖輸入至卷積核為8×8的卷積層中，在通過sigmoid函數(shù)激活之后與所述通道輸出特征圖相乘，生成最終的分類特征圖。

32、優(yōu)選地，所述目標特征的表達式為：

33、

34、公式中，fadd為目標特征，ki表示卷積核，*表示卷積，di視網膜平伏程度，zi為黃斑中心凹陷程度，vi為視網膜神經纖維寬度，i＝1,2,3…n。

35、第二方面，本發(fā)明還提供了一種基于深度學習的oct圖像智能分類處理系統(tǒng)，所述系統(tǒng)包括：

36、降噪單元，用于獲取目標對象的oct圖像，對所述oct圖像進行降噪處理；

37、roi區(qū)域生成單元，用于從降噪后的oct圖像中提取原始roi區(qū)域，對所述原始roi區(qū)域進行數(shù)據偏置場校正處理，得到目標roi區(qū)域；

38、目標特征生成單元，用于對所述目標roi區(qū)域中每一種類型的特征進行局部特征提取，利用pca算法對所提取的每種特征的局部特征進行特征降維，生成目標特征；

39、oct圖像分類單元，用于將所述目標特征輸入至訓練好的oct圖像分類模型，生成分類結果。

40、第三方面，本發(fā)明還提供了一種電子設備，包括：處理器和存儲器，所述存儲器用于存儲計算機程序代碼，所述計算機程序代碼包括計算機指令，當所述處理器執(zhí)行所述計算機指令時，所述電子設備執(zhí)行如上述第一方面及其任意一種可能實現(xiàn)的方式的方法。

41、第四方面，本發(fā)明還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令當被電子設備的處理器執(zhí)行時，使所述處理器執(zhí)行如上述第一方面及其任意一種可能實現(xiàn)的方式的方法。

42、與現(xiàn)有技術相比，本發(fā)明的有益效果在于：

43、本發(fā)明提供了一種基于深度學習的oct圖像智能分類處理方法，首先獲取目標對象的oct圖像，對所述oct圖像進行降噪處理。在降噪處理時主要利用改進的卷積網絡模型進行無監(jiān)督降噪，該模型包含了稀疏局部注意力模塊、深度提取模塊、全局注意力模塊和殘差模塊，能夠在數(shù)據集不充分時依然實現(xiàn)良好的降噪性能，泛化能力強，為后續(xù)處理提供了質量較優(yōu)的圖像樣本。在提取roi區(qū)域時，通過像素填補、全局閾值處理、中值濾波、多項式擬合及圖像切割，生成原始roi區(qū)域，進一步經過偏置場校正得到目標roi區(qū)域；在特征提取時，通過對多種類型的特征進行局部特征提取，以及利用pca算法實現(xiàn)的特征降維，能夠大大降低運算量，提高識別效率。最后將多特征融合，基于改進的mobilenet網絡進行oct圖像分類，能夠快速、準確地完成oct圖像，相比于人工經驗分類來說，具有效率高、準確度高的優(yōu)點。

44、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，而非限制本公開。