一种基于注意力先验网络的CNV分割方法技术

本发明专利技术提供一种基于注意力先验网络的CNV分割方法，属于医学图像处理技术领域，本发明专利技术提出的方法主要分为三部分：(1)注意力先验学习。利用U‑net先对OCT图像进行预分割，生成一个先验图，能够表示像素分对或分错的先验(2)注意力先验增强。基于先验图，对原始图像进行增强，增强易分错像素的权重。生成注意力增强图像。(3)分割。利用全卷积神经网络对注意力增强图像进行分割。本发明专利技术能够提高易分错像素在训练过程中的重要性，使得分割模型能够学到这类像素足够的知识。

A method of CNV segmentation based on prior attention network

【技术实现步骤摘要】
一种基于注意力先验网络的CNV分割方法
本专利技术涉及医学图像处理技术，尤其涉及一种基于注意力先验网络的CNV分割方法。
技术介绍
黄斑部脉络膜新生血管(ChoroidalNeoVascularisation，CNV)是老年人致盲的主要原因之一。脉络膜新生血管又称视网膜下新生血管，是来自脉络膜毛细血管的增殖血管，通过Bruch膜的裂口而扩展，于Bruch膜与视网膜色素上皮之间、或神经视网膜与视网膜色素上皮之间、或位于视网膜色素上皮与脉络膜之间增殖形成。它较多见于黄斑部，因而严重地损害中心视力。本症极为常见，目前已成为致盲的主要原因之一，早期发现和及时处理，在临床上具有十分重要的意义。早在1876年，Sattle在正常成人眼的组织学检查中就注意到有一半的人，视网膜的周边部与Bruch膜之间有新生血管。Reichling等已证实在眼底的周边部常常出现这类毛细血管网。Friedman等用酶消化技术，发现新生血管出现在锯齿缘区域的Bruch膜和视网膜色素上皮之间，常见于成人眼，且特别常见于60岁以上者。眼底荧光血管造影技术问世以来，临床上对其认识不断深入，特别是对黄斑下脉络膜新生血管的早期诊断和治疗，已取得了重要的进展。CNV的分割对其量化分析具有重要意义。医学影像是CNV辅助检查必不可少的手段。其中，相比较其他影像，OCT图像是最常用工具。然而，OCT图像中的CNV分割具有一系列挑战。例如，OCT图像中CNV和背景具有较大的灰度重叠，CNV病灶的边缘不清晰，且形状大小不固定，从而使得现有分割方法很难取得令人满意的性能。
技术实现思路
针对OCT图像的复杂特点，本专利技术提出了一种基于注意力先验学习网络的CNV分割方法，能够提高易分错像素在训练过程中的重要性，使得分割模型能够学到这类像素足够的知识。本专利技术的技术方案是：一种基于注意力先验网络的CNV分割方法，分为三个步骤：(1)注意力先验学习；利用U-net先对OCT图像进行预分割，生成一个先验图，表示像素分对或分错的先验；(2)注意力先验增强；基于先验图，对原始图像进行增强，增强易分错像素的权重，生成注意力增强图像；(3)分割；利用全卷积神经网络对注意力增强图像进行分割。进一步的，主要通过训练和分割两个阶段完成，其中，训练阶段包括：1)注意力先验模型训练；2)注意力增强图像生成3)分割网络训练。再进一步的，1)注意力先验模型训练收集训练数据，在训练数据上训练U-net，然后利用U-net对训练数据进行分割，生成一个像素级的概率图。对比概率图和图像的groundtruth，如果groundtruth中的CNV在概率图中的CNV概率较小，说明该像素很容易被分错，则需要对其赋予一个50％以上的先验值。利用反操作实现该目的，即得到先验图。2)注意力增强图像生成将先验图加到原始图像中，即得到注意力增强图像；容易分错的像素被赋予50％以上的权值，即可对这类像素进行增强。3)分割网络训练利用U-net在注意力增强图像上进行训练，获得最终的分割网络。再进一步的，分割阶段：1)将测试图像输入到注意力先验模型中，得到注意力先验图；2)结合原始图像和注意力先验图生成注意力增强图像；3)利用分割网络对注意力增强图像进行训练。本专利技术的有益效果是本专利技术生成的注意力增强图像能够提高易分错像素在训练过程中的重要性，使得分割模型能够学到这类像素足够的知识。因此，相比较传统方法，本专利技术提出的方法能够取得更高的分割精度。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提出一种基于注意力先验网络的CNV分割方法，主要分为训练和分割两个阶段。训练阶段：(1)注意力先验模型训练。收集训练数据，在训练数据上训练U-net，然后利用U-net对训练数据进行分割，生成一个像素级的概率图。然后对比概率图和图像的groundtruth，如果groundtruth中的CNV在概率图中的CNV概率较小，说明该像素很容易被分错，则需要对其赋予一个较大的先验值即50％以上。可以利用反操作实现该目的。即得到先验图。在先验图中，容易分错的像素需要赋予较大的注意力。(2)注意力增强图像生成。将先验图加到原始图像中，即得到注意力增强图像。容易分错的像素被赋予较大的权值即50％以上，即可对这类像素进行增强。(3)分割网络训练。利用U-net在注意力增强图像上进行训练，获得最终的分割网络。分割阶段：1)将测试图像输入到注意力先验模型中，得到注意力先验图。2)结合原始图像和注意力先验图生成注意力增强图像。3)利用分割网络对注意力增强图像进行训练。本专利技术生成的注意力增强图像能够提高易分错像素在训练过程中的重要性，使得分割模型能够学到这类像素足够的知识。因此，相比较传统方法，本专利技术提出的方法能够取得更高的分割精度。以上所述仅为本专利技术的较佳实施例，仅用于说明本专利技术的技术方案，并非用于限定本专利技术的保护范围。凡在本专利技术的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本专利技术的保护范围内。本文档来自技高网...

【技术保护点】
1.一种基于注意力先验网络的CNV分割方法，其特征在于，分为三个步骤：(1)注意力先验学习；利用U‑net先对OCT图像进行预分割，生成一个先验图，表示像素分对或分错的先验；(2)注意力先验增强；基于先验图，对原始图像进行增强，增强易分错像素的权重，生成注意力增强图像；(3)分割；利用全卷积神经网络对注意力增强图像进行分割。

【技术特征摘要】
1.一种基于注意力先验网络的CNV分割方法，其特征在于，分为三个步骤：(1)注意力先验学习；利用U-net先对OCT图像进行预分割，生成一个先验图，表示像素分对或分错的先验；(2)注意力先验增强；基于先验图，对原始图像进行增强，增强易分错像素的权重，生成注意力增强图像；(3)分割；利用全卷积神经网络对注意力增强图像进行分割。2.根据权利要求1所述的方法，其特征在于，主要通过训练和分割两个阶段完成，其中，训练阶段包括：1)注意力先验模型训练；2)注意力增强图像生成3)分割网络训练。3.根据权利要求2所述的方法，其特征在于，1)注意力先验模型训练收集训练数据，在训练数据上训练U-net，然后利用U-net对训练数据进行分割，生成一个像素级的概率图。4.根据权利要求3所述的方法，其特征在于，对比概率图和图像的gro...

【专利技术属性】
技术研发人员：于治楼，计晓贇，袭肖明，
申请(专利权)人：山东浪潮人工智能研究院有限公司，
类型：发明
国别省市：山东,37