本发明涉及图像处理，尤其涉及一种oct图像的分割方法、评分方法及处理装置。
背景技术：
1、高反射点是指在oct影像中分布于视网膜上的一类直径≤30μm，无伪影和反射率类似于视网膜神经纤维层的点，在彩色眼底图像和enface oct（结构oct）扫描上被证明不对应任何特定的病变（如血管和渗出物）。目前研究认为高反射点主要是来源于视网膜内活化的小胶质细胞或血液中单核-巨噬细胞的聚合体，其数量和分布在多种炎性相关性眼底疾病，如糖尿病性视网膜病变、糖尿病性黄斑水肿、年龄相关性黄斑变性中发生明显改变，被认为是oct影像学上视网膜神经炎性反应的生物标志物。因此，自动检测和分割oct图像中的高反射点，识别高反射点的数量和分布区域的变化对视网膜炎性疾病的早期诊断、评估疾病进展和预后、建立精准治疗方案等方面具有重要的指导意义。
2、以往高反射点主要依赖于专业人员对其进行人工识别和计数，需要消耗大量时间和精力，并且存在一定的不准确性。随着科学技术的进步，也有研究者基于一些传统算法如形态分量分析、区域生长算法、形态学重构和组件树及传统图像识别方法等对高反射点进行分割，但是基于这些传统算法的高反射点识别算法大多步骤繁杂，并且需要研究者进行复杂的特征提取，导致该算法准确度及精确性欠佳。深度学习算法可以避免传统算法的局限性，可以通过训练来自动学习数据。因此，基于深度学习算法建立一种更为精确、自动化和科学的图像处理及分割方法来提高对高反射点识别的准确性及科学性，对提高医务人员工作效率，为患者提供精准治疗建议具有重要意义。
3、例如，申请公布号为cn116386820a的专利申请公开了一种基于深度学习的相似病例信息的推荐方法，包括：控制oct扫描设备按照预设扫描模式进行眼底扫描，以采集眼底黄斑区的眼底oct扫描图像；将眼底oct扫描图像输入至已训练的oct多病灶分类模型，得到眼底oct扫描图像的病灶特征，以及将眼底oct扫描图像的病灶特征输入至已训练的特征生成模型，生成眼部维度的病灶特征；将眼部维度的病灶特征与多个已标注病灶特征进行比对，在多个已标注病灶特征中，得到与眼部维度的病灶特征匹配的目标病灶特征，并将目标病灶特征对应的oct病例信息，作为眼底oct扫描图像的相似病例信息。该专利的技术方案就是通过提取复杂的特征来识别病灶中的高反射点。这种方法的缺陷包括：需要工作经验丰富的医务人员对于识别的目标病灶特征进行确认。
4、因此，如何提高识别oct图像中高反射点的识别准确率，是当前现有技术需要解决的技术问题。
5、此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于申请人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。
技术实现思路
1、目前对oct（光学相干断层扫描）图像中高反射点的识别主要依赖于专业人员对其进行人工识别、计数，要消耗大量时间和精力，并且存在一定的不准确性。例如，目前在临床上对oct图像高反射点的识别方式仅仅是由临床医生简单地看下数量，鲜少直接定量；对其准确的识别和定量通常需要专业计数人员人工分区、识别、定量其数目。人工对oct图像进行分层及定量是一项重复而繁杂的工作，需要耗费大量的人力和时间，并且准确性欠佳。本发明主要解决的技术问题是克服现有技术的缺点与不足，提高高反射点识别的准确性和效率。
2、现有技术已经出现通过oct技术对目标病灶进行图像采集并对所采集的oct图像进行分析以得到病灶严重程度的技术方案。例如，公布号为cn115345811a的专利文献公开了一种引导式钙化斑块的检测评分方法，该方法包括：获取目标管腔的oct图像序列，将oct图像序列输入预设的分割模型中处理，输出得到oct图像序列的掩膜图像序列，掩膜图像序列用于标识oct图像序列中的钙化斑块区域，根据掩膜图像序列计算oct图像序列中的钙化斑块的尺寸参数，并根据尺寸参数确定目标管腔的钙化斑块的严重程度评分。然而，该技术方案主要针对的是沿血管壁表面延伸分布的面积型钙化病灶，目的是为了更准确地获得这些病灶在血管内壁的分布状态，同时其需要尽量采集更贴近血管表面结构的oct图像，才能准确获得钙化病灶在血管表面的蔓延分布状态，这与本发明所针对的视网膜炎性疾病检测评价指标不同。本发明主要针对的是沿视网膜深度不同层次分布的病灶，这些病灶在不同的视网膜层及区域上呈现点状分布，如果仅采用针对面积型病灶的处理方式无法获得视网膜层上不同层厚处的病灶分布状态。因此，如果依靠现有技术的面积型病灶oct图像分析方式将无法确定视网膜炎性疾病生物标志物的具体分布状态，也无法根据具体的分布状态准确评估视网膜炎性疾病的严重程度。因此，本发明避免采用上述现有技术的oct图像分析处理方式。
3、针对现有技术之不足，本发明从第一方面提供一种oct图像的分割方法，方法包括：读取一张oct图像，oct图像是以视网膜上的黄斑中心凹为中心点生成的水平剖视图；通过对oct图像进行像素级标注的方式来确定背景图、视网膜神经纤维层、内层视网膜、外层视网膜和高反射点；利用所读取的原始oct图像与标注后的oct图像在使用人工智能模型的情况下进行训练，得到训练后的自动识别模型；将若干oct图像输入至自动识别模型，由自动识别模型来自动确定背景图、视网膜神经纤维层、内层视网膜、外层视网膜和高反射点。其中，在利用自动识别模型执行自动确定的过程中，黄斑中心凹是按照如下步骤来识别的：针对自动识别模型自动分割得到的内层视网膜，通过与图形形态相关的图像处理算法将内层视网膜进行处理，以确定内层视网膜的最狭窄位置；将所确定的最狭窄位置识别为oct图像的黄斑中心凹；以黄斑中心凹为中心点，以其预设直径来确定内层视网膜和外层视网膜的位置以及高反射点的数量。
4、与现有技术不同的是，本发明选择使用视网膜黄斑中心凹的水平剖视角度的原始oct图像。然后，将该原始oct图像与经过像素级标注的oct图像结合起来，通过人工智能模型进行训练，从而形成自动识别模型。基于上述区别技术特征，本发明要解决的问题可以包括：如何准确识别视网膜层不同深度的高反射点，以明确视网膜疾病的炎症性质和程度。具体地，对视网膜进行oct检测所获得的高反射点信息是oct影像中分布于视网膜上的点，高反射点主要来源于视网膜内活化的小胶质细胞或血液中单核-巨噬细胞的聚合体，其数量和分布状态等信息能够作为多种炎性相关性眼底疾病的生物标志物。视网膜上的高反射点信息主要分布在视网膜层的不同空间位置上，通常具有不同的深度和数量。因此，为了获取更准确的高反射点在oct影像中的信息，需要将通过视网膜黄斑中心凹的水平剖视角的原始oct图像作为分析基础，并且需要避免采用类似于上述现有技术中仅针对被测对象表面病灶进行oct图像分析的技术方案，否则，将无法准确获取视网膜不同层厚的高反射点信息，进而无法准确识别炎性眼底疾病的生物标志物。
5、本发明通过人工智能模型对待评测的oct图像中的高反射点进行识别和分割，可实现自动地检测待评测的oct图像中的高反射点，可以在很大程度上节约计数人员和临床医生工作的时间成本和人力成本，提高准确性，进而有利于为患者提供精准治疗建议。
6、根据一个优选实施方式，方法还包括：对自动识别模型的自动分割结果进行处理，处理方式包括：应用形态学运算平滑分割边界；利用增加注意力机制的u-net深度学习网络结构对分割结果进行微调；生成分割结果的可视化图像，包括使用不同颜色标记各个分割区域。
7、对分割结果进行微调，可以有效减少分割过程中产生的锯齿效应和噪声伪影，使得分割边界更加平滑和连续，从而提高了分割的精度和准确性。对分割结果进行微调，可以修正自动分割模型在特定区域的误差，进一步提高了分割结果的精细度。标记分割区域，使得分割结果更加直观和易于理解。各层视网膜结构清晰分明，不同颜色的标记有助于临床医生快速识别和评估视网膜的不同病变区域，提高诊断效率。
8、根据一个优选实施方式，像素级标注的方式包括：按照待评测的oct图像中的与各个特征区域对应的像素特征来标注背景图、视网膜神经纤维层、内层视网膜、外层视网膜和高反射点。其中，高反射点以类似于视网膜神经纤维层的亮度来显示，高反射点的亮度与内层视网膜和外层视网膜的亮度存在差异。待评测的oct图像中的各个部位的像素分辨率是存在差异的。通过像素特征来标注，有助于将待评测的oct图像的各个区域进行有效划分和准确识别，避免人工智能模型的错误分割。
9、根据一个优选实施方式，在高反射点位于水肿区域的情况下，将高反射点分类至与水肿区域所处的位置所对应的内层视网膜或外层视网膜之一。识别高反射点所处的视网膜位置，有助于判断病变时期。一般地，在病程初期，高反射点主要位于内层视网膜，中晚期则主要位于外层视网膜。
10、根据一个优选实施方式，方法还包括：对高反射点的像素级标注包括：
11、设定像素亮度阈值，将超过像素亮度阈值的像素初步标记为高反射点候选区域；对候选区域进行连通域分析，剔除面积小于预设阈值的区域，以减少噪声影响；对剩余区域进行形态学处理，以优化高反射点的形状和大小。
12、通过设定像素亮度阈值，将超过阈值的像素初步标记为高反射点候选区域，实现了对高反射点的初步识别。这种方法能够有效区分高反射点与背景噪声，从而提高候选区域的标记精度。采用连通域分析技术，对初步标记的候选区域进行处理，剔除面积小于预设阈值的区域。此步骤有效减少了图像中的噪声点和小面积伪影，使得最终识别的高反射点更加准确、可靠。
13、根据一个优选实施方式，人工智能模型为u-net深度学习网络结构，u-net深度学习网络结构针对高反射点的识别方式包括：u-net深度学习网络结构的编码器部分增加注意力机制，以提高对小尺寸高反射点的敏感度；在解码器部分使用多尺度特征融合，以更好地捕捉不同大小的高反射点。
14、注意力机制能够赋予模型更好的聚焦能力，使其在处理具有复杂背景的oct图像时，可以更准确地识别和分离出小尺寸的高反射点，有效提高了小尺寸高反射点的识别率。多尺度特征融合通过整合来自不同尺度的信息，增强了模型对高反射点形态和大小的综合理解能力，从而提高了整体识别精度和鲁棒性。
15、本发明从第二方面提供一种oct图像的评分方法，方法包括：向训练后的自动识别模型输入待评测的oct图像；由自动识别模型来自动确定所输入的oct图像的背景图、视网膜神经纤维层、内层视网膜、外层视网膜和高反射点；其中，在利用自动识别模型执行自动确定的过程中，黄斑中心凹是按照如下步骤来识别的：针对自动识别模型自动分割得到的内层视网膜，通过与图形形态相关的图像处理算法将内层视网膜进行处理，以确定内层视网膜的最狭窄位置；将所确定的最狭窄位置识别为oct图像的黄斑中心凹；以黄斑中心凹为中心点，以其预设直径来确定内层视网膜和外层视网膜的位置以及高反射点的数量；根据预设的高反射点数量阈值来确定所输入的oct图像的内层视网膜和外层视网膜的炎症评分；计算视网膜各层的厚度变化；利用机器学习算法，结合高反射点的数量和视网膜厚度变化，生成综合评分。
16、本发明基于高反射点的数量来确定炎症情况，为医务人员提供可靠的参考信息。不仅如此，有研究认为在炎症活动过程中，与炎症相关的影像高反射点是由内层向外层发展的，通过本发明方法能够持续跟踪炎症变化的相关假说，从科学统计的角度为开展更为精细的眼底病变研究开创了一个新的工作路径，并且为临床治疗方案的选择提供精准依据。
17、根据一个优选实施方式，评分方法中，高反射点的统计方法包括：对自动识别模型输出的高反射点概率图进行二值化处理；使用连通域标记算法，将相邻的高反射点像素归为一个高反射点；分别计算内层视网膜和外层视网膜中高反射点的数量。
18、二值化处理确保了高反射点的清晰定位，有效提高了初步标记的准确性和一致性。使用连通域标记算法，将相邻的高反射点像素归为一个高反射点。这一处理方法能够高效地将连通的高反射点像素群进行整合，避免了重复计数和误判，有助于准确统计实际存在的高反射点的数量。分别计算内层视网膜和外层视网膜中高反射点的数量，实现了对不同视网膜层的高反射点进行独立统计。这种分层统计方法能够提供更为详细和精确的统计结果。
19、根据一个优选实施方式，评分方法中，方法还包括：计算高反射点的形态学特征，形态学特征包括面积、周长和圆形度；根据高反射点的数量和形态学特征，对炎症的严重程度进行更精细的分级。形态学特征可以提供关于高反射点的大小、形状和结构的详细信息，有助于更全面地了解其形态学特性。本发明不仅考虑了高反射点的数量，还综合考虑了其形态学特征，使得炎症分级更加细致和准确，有助于提升诊断的精度。
20、本发明从第三方面提供一种oct图像处理装置，包括处理器和显示终端，处理器与显示终端通信连接，处理器内设置有自动识别模型；将若干oct图像输入至自动识别模型，由自动识别模型来自动确定背景图、视网膜神经纤维层、内层视网膜、外层视网膜和高反射点；其中，在利用自动识别模型执行自动确定的过程中，黄斑中心凹是按照如下步骤来识别的：针对自动识别模型自动分割得到的内层视网膜，通过与图形形态相关的图像处理算法将内层视网膜进行处理，以确定内层视网膜的最狭窄位置；将所确定的最狭窄位置识别为oct图像的黄斑中心凹；以黄斑中心凹为中心点，以其预设直径来确定内层视网膜和外层视网膜的位置以及高反射点的数量。
21、本发明的装置，处理器使用自动识别模型，能够高效地处理输入的若干oct图像。通过自动确定背景图、视网膜神经纤维层、内层视网膜、外层视网膜和高反射点，极大地减少了人工干预和处理时间，提高了数据处理的速度和效率。装置能够准确地识别内层视网膜的最狭窄位置，进而确定黄斑中心凹。这一过程确保了黄斑中心凹位置的准确识别，提供了精确的参考点，使后续的内层视网膜和外层视网膜位置确定及高反射点的数量统计更加准确；不仅如此，还使得以黄斑中心凹为基准进行的其他结构定位更加可靠，从而提升了整体成像质量。设定预设直径来确定内层视网膜和外层视网膜的位置及高反射点的数量，提供了一个完整的视网膜成像方案。这样的成像方法确保了视网膜各层和病变的综合可视化，使医生能够更全面地评估视网膜健康状况。
22、根据一个优选实施方式，自动识别模型按照待评测的oct图像中的与各个特征区域对应的像素特征来标注背景图、视网膜神经纤维层、内层视网膜、外层视网膜和高反射点，其中，高反射点以类似于视网膜神经纤维层的亮度来显示，高反射点的亮度与内层视网膜和外层视网膜的亮度存在差异。本发明的处理装置，通过图像中的亮度差异来显示各个部位的层分布，并且清楚地显示高反射点的分布位置，便于医务人员快速确定高反射点的分布和数量，进而判断炎症情况。
23、根据一个优选实施方式，处理器中的自动识别模型对oct图像的内层视网膜和外层视网膜的炎症进行评分，显示终端显示处理后的oct图像及其评分；其中，评分的方法包括：以黄斑中心凹为中心点，以黄斑中心凹的预设直径来确定内层视网膜和外层视网膜的位置以及高反射点的数量；统计内层视网膜和外层视网膜之内的高反射点的数量；根据预设的高反射点数量阈值来确定所输入的待评测的oct图像的内层视网膜和外层视网膜的炎症的评分。
24、本发明的处理装置，能够通过对高反射点的位置和数量进行统计并确定炎症的评分，通过显示终端显示并为医务人员提供眼部炎症情况的参考信息，减少高反射点的识别对工作经验丰富的医务人员的依赖，使得医务人员根据处理装置提供的信息就能够得到准确的判断。
1.一种oct图像的分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的oct图像的分割方法，其特征在于，所述方法还包括：对所述自动识别模型（210）的自动分割结果进行处理，处理方式包括：应用形态学运算平滑分割边界；
3.根据权利要求2所述的oct图像的分割方法，其特征在于，所述像素级标注的方式包括：按照所述oct图像（100）中的与各个特征区域对应的像素特征来标注所述背景图（110）、所述视网膜神经纤维层（120）、所述内层视网膜（130）、所述外层视网膜（140）和所述高反射点（150），
4.根据权利要求3所述的oct图像的分割方法，其特征在于，在所述高反射点（150）位于水肿区域的情况下，将所述高反射点（150）分类至与所述水肿区域所处的位置所对应的所述内层视网膜（130）或所述外层视网膜（140）之一。
5.根据权利要求1~4任一项所述的oct图像的分割方法，其特征在于，所述方法还包括：对所述高反射点（150）的像素级标注包括：
6.根据权利要求1~4任一项所述的oct图像的分割方法，其特征在于，所述人工智能模型为u-net深度学习网络结构，所述u-net深度学习网络结构针对所述高反射点（150）的识别方式包括：
7.一种oct图像的评分方法，其特征在于，所述方法包括：
8.根据权利要求7所述的oct图像的评分方法，其特征在于，所述高反射点（150）的统计方法包括：
9.根据权利要求8所述的oct图像的评分方法，其特征在于，所述方法还包括：
10.一种oct图像处理装置，包括处理器和显示终端（300），处理器（200）与显示终端（300）通信连接，其特征在于，所述处理器（200）内设置有自动识别模型（210）；
