【技术实现步骤摘要】
用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统
本专利技术涉及图像信息处理
,更具体的是涉及一种用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统。
技术介绍
青光眼是全世界第二大致盲原因(仅次于白内障),也是造成不可逆失明的首要原因。由于青光眼造成的视力损伤是不可逆的,所以早期对于青光眼的筛查与诊断是至关重要的。眼底图像由于其成本较低并容易获得等优点,已经成为医生进行青光眼诊断的重要参考信息,在记录青光眼病变过程、诊断青光眼疾病、评估治疗效果、预防某些潜在青光眼病变等方面发挥着巨大作用。当下一种主流的青光眼筛查技术是用眼底图像中的视神经头来评估,采用一个二分类来判断是否患有青光眼疾病。在临床上,医生主要采用杯盘比(CDR)来评估视神经头。在彩色眼底图像中,视盘呈现亮黄色且形状接近椭圆,可分为两个明显的区域:中间明亮区(视杯)和外围区(视神经网膜边缘)。杯盘比CDR是指垂直杯径与垂直盘径的比。通常情况下,CDR值越大,则患青光眼的几率越大。因此,准确的分割出视杯视盘是评估CDR的关键。医生需阅览大量眼底图像并做出诊断,是一个耗时繁琐的过程,容易受到主观经验和疲劳程度的影响。医生在疲倦时遗漏眼底图像中的某些细节信息的风险会增加,从而造成漏诊、误诊的情况发生,且仅仅依靠医生来进行判断不适用于大规模的青光眼筛查。随着医学图像数量的快速增长,基于计算机的自动医学图像分割成为现代医学影像学的主要研究方向之一。青光眼筛查计算机辅助诊断系统首先会给出医学图像中可能的病变位置,医生可以根据系统提醒,有针对性 ...
【技术保护点】
1.用于辅助青光眼筛查的眼底图像视杯视盘分割方法,其特征在于,包括如下步骤:/nS1:采集若干幅眼底图像,对每幅眼底图像进行预处理,分别得到训练图像样本集和验证图像样本集;/nS2:利用训练图像样本集对构造的W-Net-Mcon全卷积神经网络进行训练,并且每一训练周期利用验证图像样本集对W-Net-Mcon全卷积神经网络进行评估,当达到预设的训练周期,输出最佳W-Net-Mcon全卷积神经网络;/nS3:将待分割眼底图像进行预处理后,输入最佳W-Net-Mcon全卷积神经网络,得到预测目标结果图;/nS4:利用极坐标反变换和椭圆拟合对预测目标结果图进行处理,得到最终分割结果,基于最终分割结果计算得到杯盘比,将杯盘比与预设的阈值作比较得出青光眼初步筛查结果。/n
【技术特征摘要】
1.用于辅助青光眼筛查的眼底图像视杯视盘分割方法,其特征在于,包括如下步骤:
S1:采集若干幅眼底图像,对每幅眼底图像进行预处理,分别得到训练图像样本集和验证图像样本集;
S2:利用训练图像样本集对构造的W-Net-Mcon全卷积神经网络进行训练,并且每一训练周期利用验证图像样本集对W-Net-Mcon全卷积神经网络进行评估,当达到预设的训练周期,输出最佳W-Net-Mcon全卷积神经网络;
S3:将待分割眼底图像进行预处理后,输入最佳W-Net-Mcon全卷积神经网络,得到预测目标结果图;
S4:利用极坐标反变换和椭圆拟合对预测目标结果图进行处理,得到最终分割结果,基于最终分割结果计算得到杯盘比,将杯盘比与预设的阈值作比较得出青光眼初步筛查结果。
2.根据权利要求1所述的一种用于辅助青光眼筛查的眼底图像视杯视盘分割方法,其特征在于,所述S1中对眼底图像进行预处理,具体为:
S1.1:在每幅眼底图像中对视盘和视杯两个目标结构进行标示,得到对应的目标结果图;
S1.2:利用视盘定位法确定眼底图像中的视盘中心,以视盘中心为截取中心,分别在眼底图像和其对应的目标结果图中截取相同范围的感兴趣区域图像;
S1.3:分别对两感兴趣区域图像进行极坐标变换;
S1.4:由眼底图像截取的感兴趣区域图像与其对应的目标结果图截取的感兴趣区域图像构成一对训练图像样本,由多对训练图像样本构成训练图像样本集;
S1.5:由眼底图像截取的感兴趣区域图像构成验证图像样本集。
3.根据权利要求2所述的一种用于辅助青光眼筛查的眼底图像视杯视盘分割方法,其特征在于,所述S1.3中,对感兴趣区域图像进行极坐标变换,具体是:在极坐标系统下,将视杯和视盘的几何约束转换为空间关系,使得视杯、视盘和背景呈现有序层结构。
4.根据权利要求1所述的一种用于辅助青光眼筛查的眼底图像视杯视盘分割方法,其特征在于,所述W-Net-Mcon全卷积神经网络包括多尺度输入层、W型编解码卷积网络和侧输出层,其中多尺度输入层用于构造图像金字塔输入以丰富原始语义信息;W型编解码卷积网络用于学习图像中所包含的不同层次特征中的强区分度特征中的强区分度特征;侧输出层作为早期分类器以生成局部预测输出并实现不同网络深度层次的输出监控。
5.根据权利要求4所述的一种用于辅助青光眼筛查的眼底图像视杯视盘分割方法,其特征在于,所述W型编解码卷积网络包括级联的前U-Net网络和后U-Net网络,其中前U-Net网络与多尺度输入层连接,为后U-Net网络提供浅层语义表达,后U-Net网络与侧输出层连接,对前U-Net网络提供的浅层语义表达进行语义抽象与增强,前U-Net网络和后U-Net网络之间跳跃连接,实现深浅层次特征融合;所述前U-Net网络和后U-Net网络均包括编码路径、解...
【专利技术属性】
技术研发人员:郑秀娟,袁鑫,李淼,吉彬,于舒扬,李彬,刘凯,
申请(专利权)人:四川大学,
类型:发明
国别省市:四川;51
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。