神经层分割方法和装置、电子设备、存储介质、程序制造方法及图纸

技术编号:18863227 阅读:22 留言:0更新日期:2018-09-05 15:19
本公开实施例提供了一种神经层分割方法和装置、电子设备、存储介质、程序,其中,方法包括:确定视网膜图像的特征图;基于所述特征图,获得至少一组提案区域中每个提案区域的预测概率和预测位置信息,其中,每组提案区域包括对应于相同特征点的至少一个提案区域;基于所述至少一组提案区域中每个提案区域的预测概率和预测位置信息,确定所述视网膜图像的神经层分割结果。本公开上述实施例大大降低了分割任务的复杂度,并提高了任务处理的速度和准确率。

Neural layer segmentation method and device, electronic device, storage medium, and program

The present disclosure embodiment provides a neural layer segmentation method and apparatus, an electronic device, a storage medium, and a program, wherein the method includes: determining a feature map of a retinal image; obtaining, based on the feature map, a prediction probability and a prediction position information of each proposal region in at least one proposal region, wherein each proposal region is presented. The case region includes at least one proposal region corresponding to the same feature point; the neural layer segmentation result of the retinal image is determined based on the prediction probability and prediction position information of each proposal region in the at least one proposal region. The above embodiments of the present disclosure greatly reduce the complexity of partitioning tasks and improve the speed and accuracy of task processing.

【技术实现步骤摘要】
神经层分割方法和装置、电子设备、存储介质、程序
本公开涉及计算机视觉技术,尤其是一种神经层分割方法和装置、电子设备、存储介质、程序。
技术介绍
光学相干成像(OCT)是一种对视网膜成像广泛应用的手段,它具有非入侵,无辐射,获取速度快的特点。OCT对比传统的眼底彩照技术,能提供深度方向的信息,这使得测量某些特定疾病造成的视网膜层的厚度成为了可能。视网膜内的神经层根据生理结构,可以分为NFL神经纤维,GCL节细胞层,IPL内网织层等十多个层,一般根据实际的需要分割其中若干个或所有层。
技术实现思路
本公开实施例提供的一种神经层分割技术。根据本公开实施例的一个方面,提供的一种神经层分割方法,包括:获得视网膜图像的特征图;基于所述特征图在横坐标方向上获得至少一组提案区域,获得所述提案区域的预测概率及所述提案区域对应的预测位置信息,每组提案区域包括在纵坐标方向上的至少一个提案区域;基于所述提案区域的预测概率及所述提案区域对应的预测位置信息,确定所述视网膜图像的神经层位置。可选地,所述预测位置信息包括预测高度和预测中心。可选地,所述基于所述特征图,获得至少一组提案区域中每个提案区域的预测概率和预测位置信息,包括:对所述特征图进行第一卷积操作,得到每个所述提案区域的预测概率;对所述特征图进行第二卷积操作,得到每个所述提案区域的预测位置信息。可选地,所述基于所述至少一组提案区域中每个提案区域的预测概率和预测位置信息,确定所述视网膜图像的神经层分割结果,包括:基于所述至少一组提案区域中每个提案区域的预测概率,从所述至少一组提案区域中为所述特征图确定至少一个目标提案区域;基于所述至少一个目标提案区域的预测位置信息,确定所述视网膜图像的神经层分割结果。可选地,所述基于所述至少一组提案区域中每个提案区域的预测概率,从所述至少一组提案区域中为所述特征图确定至少一个目标提案区域,包括:基于所述特征图的每列特征点对应的多个提案区域中每个提案区域的预测概率,从所述多个提案区域中确定所述每列特征点对应的目标提案区域。可选地,所述基于所述特征图的每列特征点对应的多个提案区域中每个提案区域的预测概率,从所述多个提案区域中确定所述每列特征点对应的目标提案区域,包括:将所述特征图的每列特征点对应的多个提案区域中提案区域预测概率最大且预测概率大于或等于概率阈值的提案区域确定为所述每列特征点对应的目标提案区域。可选地,所述基于所述至少一个目标提案区域的预测位置信息,确定所述视网膜图像的神经层分割结果,包括:基于所述至少一个目标提案区域的预测位置信息,获得所述视网膜图像中的至少一个目标像素区域;将所述视网膜图像中的至少一个目标像素区域确定为所述视网膜图像的神经层分割结果。可选地,所述基于所述至少一个目标提案区域对应的预测位置信息,获得所述视网膜图像中的至少一个目标像素区域之前,还包括:基于条件随机场对所述至少一个目标提案区域的预测位置信息进行调整处理,得到所述至少一个目标提案区域的调整位置信息。可选地,基于条件随机场对所述至少一个目标提案区域的预测位置信息进行调整处理,得到所述至少一个目标提案区域的调整位置信息,包括:基于所述至少一个目标提案区域建立有环图模型,每个所述目标提案区域对应所述有环图模型中的一个节点,对应相邻列的特征点的目标提案区域所对应的节点之间通过边连接;基于条件随机场对所述有环图模型进行优化处理,得到所述至少一个目标提案区域的调整位置信息。可选地,在所述有环图模型中,第一目标提案区域对应的节点和第二目标提案区域对应的节点之间通过边连接,其中,所述第一目标提案区域和所述第二目标提案区域对应于位于所述特征图的横向两侧边界的两列特征点。可选地,所述优化处理后的有环图模型满足以下至少一个条件:所述有环模型图中的第一节点与优化后的所述第一节点之间的第一交并比大于或等于第一预设值;所述第一节点和所述有环模型图中与所述第一节点相邻的第二节点之间的连续度大于或等于第二预设值。可选地,所述第一节点与所述第二节点之间的连续度是基于所述第一节点和所述第二节点对应的外观相似度与所述第一节点和所述第二节点之间的第二交并比确定的。可选地,所述基于条件随机场对所述有环图模型进行优化处理,得到所述至少一个目标提案区域的调整位置信息,包括:基于所述有环图模型中第一节点对应的目标提案区域的预测位置信息,得到所述第一节点的多个候选调整区域;基于所述第一节点的至少一个相邻节点,确定所述第一节点的多个候选调整区域中每个候选调整区域的预测概率;基于所述第一节点的多个候选调整区域中每个候选调整区域的预测概率,确定所述第一节点对应的目标提案区域的调整位置信息。可选地,基于所述第一节点的多个候选调整区域中每个候选调整区域的预测概率,确定所述第一节点对应的目标提案区域的调整位置信息,包括:将所述第一节点的多个候选调整区域中预测概率最大的候选调整区域的位置信息确定为所述第i节点对应的目标提案区域的调整位置信息。可选地,所述确定视网膜图像的特征图,包括:对所述视网膜图像进行卷积操作,确定所述视网膜图像的特征图。可选地,所述视网膜图像具体为标注有神经层实际位置信息的样本视网膜图像;所述方法由神经层分割网络执行,所述方法还包括:基于所述样本视网膜图像的神经层实际位置信息和所述样本视网膜图像的神经层分割结果,训练所述神经层分割网络。可选地,基于所述样本视网膜图像的神经层实际位置信息和所述样本视网膜图像的神经层分割结果,训练所述神经层分割网络,包括:利用分类损失函数,基于所述样本视网膜图像的标注神经层分割结果和所述提案区域的预测概率,得到第一误差;利用回归损失函数,基于所述样本视网膜图像的标注神经层分割结果和所述提案区域的预测位置信息,得到第二误差;基于第一误差和第二误差,训练神经层分割网络。可选地,所述基于所述样本视网膜图像的神经层实际位置信息和所述样本视网膜图像的神经层分割结果,训练所述神经层分割网络之前,还包括:基于所述标注的神经层时间位置信息,将所述样本视网膜图像中的神经层分割为至少一个神经层片段;基于所述神经层片段获得所述样本视网膜图像的标注神经层分割结果。可选地,所述利用回归损失函数,基于所述样本视网膜图像的标注神经层分割结果和所述提案区域的预测位置信息,得到第二误差之前,还包括:基于所述样本视网膜图像的神经层实际位置信息和所述提案区域之间的交并比,获得至少一个有效提案区域;所述利用回归损失函数,基于所述样本视网膜图像的标注神经层分割结果和所述提案区域的预测位置信息,得到第二误差,包括:利用回归损失函数,基于所述样本视网膜图像的神经层实际位置信息和所述有效提案区域的预测位置信息,得到第二误差。可选地,所述神经层实际位置信息包括标注框中心和标注框高度;所述有效提案区域对应的预测位置信息包括预测框中心和预测框高度;所述有效提案区域位置信息包括有效提案区域中心和有效提案区域高度;所述利用回归损失函数,基于所述样本视网膜图像的神经层实际位置信息和所述有效提案区域的预测位置信息,得到第二误差,包括:基于所述预测框中心和所述有效提案区域中心确定预测相对中心,基于所述预测框高度和所述有效提案区域高度确定预测相对高度;基于所述标注框中心和所述有效提案区域中心确定真实相对中心,基于所述标注本文档来自技高网...

【技术保护点】
1.一种神经层分割方法,其特征在于,包括:确定视网膜图像的特征图;基于所述特征图,获得至少一组提案区域中每个提案区域的预测概率和预测位置信息,其中,每组提案区域包括对应于相同特征点的至少一个提案区域;基于所述至少一组提案区域中每个提案区域的预测概率和预测位置信息,确定所述视网膜图像的神经层分割结果。

【技术特征摘要】
1.一种神经层分割方法,其特征在于,包括:确定视网膜图像的特征图;基于所述特征图,获得至少一组提案区域中每个提案区域的预测概率和预测位置信息,其中,每组提案区域包括对应于相同特征点的至少一个提案区域;基于所述至少一组提案区域中每个提案区域的预测概率和预测位置信息,确定所述视网膜图像的神经层分割结果。2.根据权利要求1所述的方法,其特征在于,所述预测位置信息包括预测高度和预测中心。3.根据权利要求1或2所述的方法,其特征在于,所述基于所述特征图,获得至少一组提案区域中每个提案区域的预测概率和预测位置信息,包括:对所述特征图进行第一卷积操作,得到每个所述提案区域的预测概率;对所述特征图进行第二卷积操作,得到每个所述提案区域的预测位置信息。4.根据权利要求1-3任一所述的方法,其特征在于,所述基于所述至少一组提案区域中每个提案区域的预测概率和预测位置信息,确定所述视网膜图像的神经层分割结果,包括:基于所述至少一组提案区域中每个提案区域的预测概率,从所述至少一组提案区域中为所述特征图确定至少一个目标提案区域;基于所述至少一个目标提案区域的预测位置信息,确定所述视网膜图像的神经层分割结果。5.根据权利要求4所述的方法,其特征在于,所述基于所述至少一组提案区域中每个提案区域的预测概率,从所...

【专利技术属性】
技术研发人员:王哲乔宇张秀兰曲国祥李飞石建萍
申请(专利权)人:北京市商汤科技开发有限公司
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1