1.一种基于深度学习补偿oct采集过程中人眼抖动的方法,其特征在于,所述方法包括:
步骤1,通过oct系统扫描眼球得到视网膜断层的图像序列;
步骤2,通过经采集的图像序列训练深度神经网络得到训练好的深度神经网络;
步骤3,将视网膜断层的图像序列输入到训练好的深度神经网络中得到各个图像之间的相对偏移量;
步骤4,根据相对偏移量进行图像运动补偿得到运动补偿图像;
步骤5,使用运动补偿图像计算出视网膜断层的血流信息图像。
2.根据权利要求1所述的一种基于深度学习补偿oct采集过程中人眼抖动的方法,其特征在于,在步骤1中,所述oct系统至少包括光源、光纤耦合器、参考臂、样本臂、信号收集器五个部分构成,光源发出一束光,经过光纤耦合器分成两束光,一束光进入由一个平面镜构成的参考臂,一束光经过由x-y扫描振镜与透镜组构成的样品臂,通过调整x-y扫描振镜的位置,对视网膜不同断层位置进行扫描;参考臂和样品臂的回光经过光纤耦合器后进入信号收集器部分从而得到oct图像。
3.根据权利要求1所述的一种基于深度学习补偿oct采集过程中人眼抖动的方法,其特征在于,在步骤2中,通过经采集的图像序列训练深度神经网络得到训练好的深度神经网络的方法为:
步骤2.1,抽取任意一段随机大小的已经采集的图像序列,通过人工标定所述图像序列中每两帧图像之间的相对偏移量(dx,dz);
步骤2.2,依次将图像序列中所有的两帧具有标定的相对偏移量的图像都合并成一张图像作为训练数据,以标定的相对偏移量作为这组训练数据的标签;
步骤2.3,将所有带有标签的训练数据,依次送入设计的深度神经网络中进行训练得到训练好的深度神经网络;所述深度神经网络为残差神经网络resnet架构,resnet架构由降采样残差模块与残差模块构成,深度神经网络的输出即为图像序列的各个图像之间的相对偏移量。
4.根据权利要求3所述的一种基于深度学习补偿oct采集过程中人眼抖动的方法,其特征在于,在步骤3中,将视网膜断层的图像序列输入到训练好的深度神经网络中得到各个图像之间的相对偏移量的方法为:
步骤3.1,通过oct系统扫描眼球在视网膜同一断层位置采集视网膜断层的图像序列;
步骤3.2,计算图像序列中的两两图像之间的互相关值p;互相关值p的计算公式为:
步骤3.3,当p值小于阈值t的时候,使用训练好的深度神经网络得到两张图像的相对偏移量(dx,dz);其中,阈值t=0.9。
5.根据权利要求4所述的一种基于深度学习补偿oct采集过程中人眼抖动的方法,其特征在于,在步骤5中,使用运动补偿图像计算出视网膜断层的血流信息图像的方法为:
通过公式
其中,flow代表血流信息图像;ci代表图像序列中第i个图像;n为图像序列中图像的总帧数;i代表第i张图像;x和z代表在图像中像素位置。