(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111628819.9 (22)申请日 2021.12.28 (71)申请人 上海理工大 学 地址 200093 上海市杨 浦区军工路516号 (72)发明人 江旻珊　刘熠翕　张学典　 (74)专利代理 机构 北京东方盛凡知识产权代理 事务所(普通 合伙) 11562 代理人 陈光磊 (51)Int.Cl. G06T 3/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度神经网络的OCTA图像超分辨 率重建方法 (57)摘要 本发明公开了一种基于深度神经网络的 OCTA图像超分辨率重建方法， 包括： 采集OCTA图 像并进行预处理， 获得初始数据集， 将初始数据 集划分为训练集和测试集； 构建神经网络模型， 基于训练集对神经网络模型进行训练， 获得第一 网络模型； 基于测试集对第一网络模型进行测 试， 获得第二网络模型； 基于第二网络模型对 OCTA图像进行超分辨率重建， 获得目标图像。 本 发明重建后的图像能够帮助医生高分辨率地识 别视网膜脉络膜血流运动信息， 对活体组织视网 膜脉络膜 微血管清晰成像， 提高诊断准确率与便 捷性。 权利要求书2页 说明书6页 附图1页 CN 114298907 A 2022.04.08 CN 114298907 A 1.一种基于深度神经网络的OCTA图像超分辨 率重建方法,其特 征在于， 包括： 采集OCTA图像， 对所述OCTA图像进行预处理， 获得初始数据集， 并将所述初始数据集划 分为训练集和 测试集； 构建神经网络模型， 基于所述训练集对所述神经网络模型进行训练， 获得第一网络模 型； 基于所述测试集对所述第一网络模型进行测试， 获得第二网络模型； 基于所述第二网络模型对所述OCTA图像进行超分辨 率重建， 获得目标图像。 2.根据权利要求1所述的基于深度神经网络的OCTA图像超分辨率重建方法， 其特征在 于， 对所述OCTA图像进行 预处理的过程包括对所述OCTA图像进行裁 剪、 翻转； 所述裁剪为将所述OCTA图像裁 剪为512x512大小； 所述翻转为将裁剪后的得到的图片进行90 °、 180°和270°的翻转操作， 获得所述初始数 据集。 3.根据权利要求1所述的基于深度神经网络的OCTA图像超分辨率重建方法， 其特征在 于， 构建所述神经网络模型的过程包括， 在U‑net的基础上将两个3x3卷积替换为3x3卷积和7x7卷积后， 与5x5卷积进行并行运 算， 并引入1x1卷积层， 使用残差链接替换传统U ‑net网络中的简单跳过连接， 先穿过带有残 差连接的卷积层链， 再与解码器特 征连接。 4.根据权利要求3所述的基于深度神经网络的OCTA图像超分辨率重建方法， 其特征在 于， 构建所述神经网络模型还 包括获得第一激活函数GELU； 所述第一激活函数GELU通过在激活时对激活函数引入随机正则思想获得； 所述第一激活函数GELU表达式为： 其中， 5.根据权利要求3所述的基于深度神经网络的OCTA图像超分辨率重建方法， 其特征在 于， 还包括， 在所述解码器开端加入傅立叶通道注意力机制， 根据不同特征之间的频域差 异， 在网络间传播时自适应地调整权 重， 获得网络对低分辨 率图像的层次映射。 6.根据权利要求5所述的基于深度神经网络的OCTA图像超分辨率重建方法， 其特征在 于， 所述傅立叶通道注意力 机制由四个相同的残差组组成， 所述残差组分别由四个傅立叶 通道注意力模块和一个跳跃链接组成。 7.根据权利要求6所述的基于深度神经网络的OCTA图像超分辨率重建方法， 其特征在 于， 基于所述训练集对所述神经网络模型进行训练还包括， 将所述残差组送入由第一激活 函数GELU激活的卷积层， 将所述解码器加入图像去噪层， 基于所述卷积层和Sigmoid函数获 得第一灰度图像。 8.根据权利要求1所述的基于深度神经网络的OCTA图像超分辨率重建方法， 其特征在权　利　要　求　书 1/2 页 2 CN 114298907 A 2于， 获得所述第一网络模型还 包括采用tensorfl ow深度学习框架搭建训练模型。 9.根据权利要求1所述的基于深度神经网络的OCTA图像超分辨率重建方法， 其特征在 于， 基于所述测试集对所述第 一网络模型进行测试的过程包括， 将所述测试集输入所述第 一网络模 型， 获得所述测试集的峰值信噪比， 基于所述峰值信噪比进 行定量评价， 获得评价 指标值。权　利　要　求　书 2/2 页 3 CN 114298907 A 3