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方案

本发明专利技术公开了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，涉及图像信息处理技术领域，本发明专利技术包括采集若干幅眼底图像，对眼底图像进行预处理，得到训练图像样本集和验证图像样本集；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，得到最佳W‑Net‑Mcon全卷积神经网络；将待分割眼底图像预处理后输入最佳W‑Net‑Mcon全卷积神经网络，得到预测目标结果图；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，进而得到杯盘比，最后得出青光眼初步筛查结果，本发明专利技术可以有效的多尺寸提取图像语义信息，并将不同层次的特征进行融合，全局特征与细节特征相融合，鼓励特征复用，提升了梯度的反向传播，提高了图像的分割精度。

Method and system of optic cup and optic disc segmentation of fundus image for glaucoma screening

【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，有针对性的对较大概率病变的组织结构进行更加全面与细致的分析，有助于提高诊断的准确性。因此，青光眼计算机辅助诊断系统有助于降低医生阅片负担、提高诊断准确率以及降低漏诊和误诊的比例。与此同时，眼底图像分割算法是青光眼筛查计算机辅助诊断系统进行青光眼诊断的核心功能。传统的眼底图像分割算法在复杂场景中的分割效果并不理想，对于对比度较低和图像质量较差的眼底图像无法获得较高分割精度以实现计算机辅助系统做出准确判断。主要是由于传统图像分割方法看待问题和应对的分割场景并不十分全面。随着计算机技术的发展和“大数据时代”的到来，以数据驱动、自动提取强区分度特征的全卷积深度神经网络在眼底图像分割中取得了不错的分割效果，有利于实现青光眼计算机辅助诊断系统的建立和推广到大规模的青光眼筛查中。现有的医学图像分割方法主要分为两大类：传统的图像分割方法和基于深度学习的图像分割方法。传统的图像分割方法主要包括了基于边缘的图像分割、基于阈值的图像分割、基于区域的图像分割、基于图论的图像分割以及基于主动轮廓模型的图像分割。传统的图像分割方法很受被分割图像的浅层视觉特征的影响，如边缘、条纹、亮度、对比度等。而忽视许多图像内部的深层次特征。此外，传统的方法一般需要利用手工来构造特征从而获得分割结果，这就导致很难为不同的应用程序设计具有代表性的特征和对某一种类型图像效果很好的手工构造特征在另一类型的图像中效果很差，从而缺乏通用的特征构造方法，其泛化性能不高。随着卷积神经网络(CNN)在图像领域的发展，基于深度学习的自动特征提取算法已经成为了医学图像分割的可行方法。基于深度学习的医学图像分割方法是基于像素分类的学习方法，与传统手工构造特征的像素或超像素分类方法不同，深度学习自动学习特征，克服手工特征的局限性。早期的深度学习方法大多是基于图像块的，它的主要缺点是基于图像块的滑动窗口会导致冗余计算和网络无法学习到全局特征。为了解决这些问题，一种端到端的全卷积神经网络出现了Ronneberger等人提出了用于生物医学图像分割的U型网络(U-Net)，它在许多种类的医学图像分割中取得了较高的分割精度，已经成为生物医学图像分割任务中一种流行的神经网络体系结构。对于不同的医学图像分割任务，U-Net已经有了不同程度的变形。Fu等人提出了一个M型网络(M-Net)来用于医学图像中的眼底图像的视杯视盘联合分割。但是U-Net及其改进网络的一个共同的限制是对于语义信息的层次不足，深、浅层次特征融合的不足，导致视杯视盘分割效果不佳。
技术实现思路
本专利技术的目的在于：为了解决现有的网络结构对于眼底图像语义信息的层次不足，深浅层次特征融合不足，导致视杯视盘分割效果不理想的问题，本专利技术提供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，能够提高眼底图像视杯视盘分割的精度以得到准确的杯盘比，进而为青光眼自动筛查提供有利辅助。本专利技术为了实现上述目的具体采用以下技术方案：用于辅助青光眼筛查的眼底图像视杯视盘分割方法，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。进一步的，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。进一步的，所述S3中对待分割眼底图像进行预处理，步骤为：S3.1：利用视盘定位法确定待分割眼底图像的视盘中心，以视盘中心为截取中心，在待分割眼底图像中截取相应的感兴趣区域图像；S3.2：对S3.1截取的感兴趣区域图像进行极坐标变换。进一步的，由于眼底图像中，存在一个有效的几何约束，即视杯包含于视盘之中，但是这种包含关系很难在笛卡尔坐标系中体现出来，因此所述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，方便引入其先验知识。具体来说，在分割预测图生成阶段的视杯分割结果中，视杯像素不可能存在于预测标注图像的下方1/2处，因此可直接将其设置为背景部分，同理，在视盘分割的预测标注图像的下方1/3处可以直接将其设置为背景部分。进一步的，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，实现本文档来自技高网...

【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