一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质技术方案

本发明专利技术公开了一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质，该方法针对现有的眼底图像中视盘视杯分割方法中没有考虑标志点空间分布特性的不足，考虑了大感受野稠密特征，通过提取大感受野稠密特征，并考虑了眼底图像中的血管空间分布差异，通过对血管稠密程度不同的区域学习不同的分类器，来对不同区域的像素进行分类。该方法能够很好地识别出有效的血管弯曲点和无效血管弯曲点，能够很好地分割出视盘和视杯区域。

A space sensitive method, system and readable storage medium for video cup joint segmentation

【技术实现步骤摘要】
一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质
本专利技术属于图像分析
，涉及一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质。
技术介绍
随着图像处理技术的发展，对于眼底图像而言，当前已有的视盘视杯分割方法有以下两种：1、基于手工设计的特征的视盘视杯分割方法，这一类方法主要是根据视盘视杯的表观特征和形状特征进行建模，用于分割。在表观上，视盘与其周围区域呈现出高对比度，视杯与盘沿区域也呈现出一定的对比度；在形状上，二者均呈现圆形或者椭圆形。通过设计特征来对视盘视杯的表观特性、形状特性以及血管局部结构进行编码，进而区分出视盘区域、视杯区域和背景区域。但是这些人工设计的特征的表达能力不强，这些方法对血管遮挡、病理区域、低对比度视盘和视杯区域以及低质量眼底图像敏感。2、基于深度学习特征的视盘视杯分割方法，卷积神经网络在计算机视觉中很多任务上获得巨大成功后，迅速成为医学图像分析领域中的主流方法。在视盘视杯分割任务上，也有一系列的基于深度卷积神经网络的工作。常见的方法是采用一个编码器-解码器网络结构用来进行视盘本文档来自技高网...

【技术保护点】
1.一种空间敏感的视盘视杯联合分割方法，其特征在于，包括以下步骤：/n步骤1)：获取待分割的彩色眼底图像；/n步骤2)：对彩色眼底图像进行极坐标转换，获得极坐标系彩色眼底图像；/n步骤3)：采用空洞卷积网络对极坐标系彩色眼底图像进行特征抽取，得到特征图；/n步骤4)：对得到的特征图从左到右进行均匀划分，得到M个子特征图；/n步骤5)：将M个子特征图分别输入金字塔滤波器模块的M个金字塔滤波器单元，获得多尺度特征图块；/n其中，金字塔滤波器模块由M个金字塔滤波器单元组成，每个金字塔滤波器单元由R个不同尺度的滤波器组成；/n步骤6)：利用像素标签预测模块对M个子特征图每个像素点进行标签预测；/n所述...

【技术特征摘要】
1.一种空间敏感的视盘视杯联合分割方法，其特征在于，包括以下步骤：
步骤1)：获取待分割的彩色眼底图像；
步骤2)：对彩色眼底图像进行极坐标转换，获得极坐标系彩色眼底图像；
步骤3)：采用空洞卷积网络对极坐标系彩色眼底图像进行特征抽取，得到特征图；
步骤4)：对得到的特征图从左到右进行均匀划分，得到M个子特征图；
步骤5)：将M个子特征图分别输入金字塔滤波器模块的M个金字塔滤波器单元，获得多尺度特征图块；
其中，金字塔滤波器模块由M个金字塔滤波器单元组成，每个金字塔滤波器单元由R个不同尺度的滤波器组成；
步骤6)：利用像素标签预测模块对M个子特征图每个像素点进行标签预测；
所述像素标签预测模块包括M个像素标签预测分类单元，每个像素标签预测分类单元通过两个线性变换单元将每个子特征图对应的多尺度特征图块中的每个像素点映射到分割标签空间中，再利用softmax函数进行统计，选取最大概率标签，得到各子特征图中每个像素点的标签预测结果；
步骤7)：将像素标签预测模块得到M组预测结果串联，并进行8倍上采样，得到极坐标系的分割图像；
步骤8)：对极坐标系的分割结果进行逆极坐标变换，得到笛卡尔坐标系的视盘视杯分割结果；并对所得到的分割结果做椭圆拟合，得到最终的分割结果；
其中所述空洞卷积网络、金字塔滤波器模块以及像素标签预测模块中的参数采用训练图像集合中的图像按照步骤2)—步骤7)进行处理，预测得到训练图像集合中各彩色眼底图像对应的极坐标系分割标签图像，以最小化预测得到的所述极坐标系分割图像和极坐标标签图像之间的误差时求得；
所述训练图像集合包括已进行视盘视杯分割标注的彩色眼底图像和对应的分割标签图像。


2.根据权利要求1所述的方法，其特征在于，将每个子特征图对应的多尺度特征图块输入到对应的像素标签预测分类单元中，得到每个子特征图中各像素点的预测结果
第m个像素标签预测分类单元通过以下方式获得第m个子特征图中每个像素点的标签概率，并以最大概率对应的标签作为预测结果：



其中，g1和g2是线性函数，对应的参数分别为和g是Softmax函数；表示第m个子特征图中每个像素点的标签预测结果；表示第m个子特征图对应的第r个尺度的特征图块；ReLU表示非线性激活函数。


3.根据权利要求1所述的方法，其特征在于，所述空洞卷积网络、金字塔滤波器模块以及像素标签预测模块中的参数通过梯度下降法来最小化损失函数获得，所述损失函数如下：



其中，是眼底图像中第m个部分的损失函数：



其中，θfea表示空洞卷积网络的卷积核参数，分别表示第m个金字塔滤波器单元和第m个像素标签预测分类单元的参数；N表示训练图像集合中彩色眼底图像的数量，表示训练图像集合中第i幅彩色眼底图像的第m个区域，xi,j和yi,j分别表示第i幅彩色眼底图像Xi中的第j个像素点的像素值和标签。


4.根据权利要求1所述的一种空间敏感的视盘视杯联合分割方法，其特征在于：所述空洞卷积网络为一个五阶段具有16层的空洞卷积网络，具体如下：
一阶段由两组串联的卷积层和一个MaxPooling层组成，其中卷积层的卷积核大小为3×3，跨度为1，个数为64，MaxPooling层核大小为3×3，跨度为2；
第二个阶段由两组串联的卷积层和一个MaxPooling层组成，其中卷积层的卷积核大小为3×3，跨度为1，个数为127，MaxPooling层核大小为3×3，跨度为2；
第三个阶段由三组串联的卷积层和一个MaxPooling层组成，其中卷积层的卷积核大小为3×3，跨度为1，个数为256，MaxPooling层核大小为3×3，跨度为2；
第四个阶段由三组串联的卷积层和一个MaxPooling层组成，其中卷积层的卷积核大小为3×3，跨度为1，个数为512，MaxPooling层核大小为3×3，跨度为1；
第五个阶段由三组串联的卷积层和一个MaxPooling层组成，其中卷积层的卷积核大小为3×3，跨度为2，个数为512，MaxPooling层核大小为3×3，跨度为1；
每个卷积层后面均配置一个非线性激活单元ReLU；
每个阶段最后一个卷积层经过ReLU后，送入当前阶段的MaxPooling层中，每个MaxPooling层的输出送入到下个阶段的第一个卷积层中，最后一个阶段的MaxPooling层的输出作为空洞卷积网络的输出。


5.一种空间敏感的视盘视杯联合分割系统，其特征在于，包括：
图像获取...

【专利技术属性】
技术研发人员：刘晴，邹北骥，陈再良，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43