晶状体分割方法、装置及存储介质制造方法及图纸

本发明专利技术涉及图像分析技术领域，具体涉及一种晶状体分割方法、装置及存储介质。包括：从原始图像中获取包含晶状体的ROI图像；基于所述ROI图像判断图像分割难度，并且，基于所述ROI图像通过实时分割网络获取晶状体分割结果。通过预处理算法提取目标区域，大幅降低了待分割图像大小，减少了冗余信息的干扰，降低了分割网络算法的计算量。

Lens segmentation method, device and storage medium

【技术实现步骤摘要】
晶状体分割方法、装置及存储介质
本专利技术涉及图像分析
，具体涉及一种晶状体分割方法、装置及存储介质。
技术介绍
白内障是一种因眼睛晶状体蛋白质变性，导致晶状体产生混浊而造成视力缺损的疾病。前段光学相干断层扫描(AnteriorSegmentOpticalCoherenceTomography,AS-OCT)是一种无创的高分辨率眼前节成像技术，常用于辅助诊断眼科疾病，例如白内障和青光眼等。晶状体密度是衡量白内障等疾病严重程度的重要指标，晶状体结构分割是晶状体密度计算的重要依据和前提。目前，国际上采用晶状体混浊分类系统（LensOpacitiesClassificationSystemIII，LOCSIII）分类标准对活体白内障进行分类，以判定晶状体混浊的范围和程度。该方法的缺点主要在于：分类需人为干预，且结构分级结果严重依赖于医生经验，分级质量差异显著。申请公布号CN110176007A，申请公布日2019年8月27日的专利技术专利申请公开的晶状体分割方法，通过预设神经网络模型及形状模板可实现对晶状体结构的自动分割，从而在降低人工成本的同时，提高晶状体结构分割的准确度。该方法需要预先训练得到U形全卷积神经网络模型和形状模板，稳定性和精度依赖于训练结果，并且计算量大、算法运算时间长。
技术实现思路
本专利技术为解决上述技术问题，提供了一种晶状体分割方法，其特征在于，包括：从原始图像中获取包含晶状体的ROI图像；基于所述ROI图像判断图像分割难度，并且，基于所述ROI图像通过实时分割网络获取晶状体分割结果。通过预处理算法提取目标区域，大幅降低了待分割图像大小，减少了冗余信息的干扰，降低了分割网络算法的计算量。进一步地，所述从原始图像中获取包含晶状体的ROI图像包括：对原始图像进行滤波处理后输入到ShuffleSeg网络获得分割结果图像，从分割结果图像获取ROI图像的左、右、上、下边界，根据获取的左、右、上、下边界从原始图像中截取出ROI图像。ROI图像的提取采用了图像分割的思想，避免了传统方法以及深度学习检测算法存在的鲁棒性差，易超出检测边界等问题，稳定性和精度明显提升。进一步地，所述基于所述ROI图像判断图像分割难度包括：将ROI图像输入到ShuffleNet网络进行编码并且将编码后的特征图输入到SkipNet网络进行解码，对编码结果和解码结果分别平均池化后进行融合之后接全连接层以获得图像分割难度。晶状体的分割难度等级可以作为对图像分割结果置信度的评估。进一步地，所述基于ROI图像通过实时分割网络获取晶体状分割结果，包括：将ROI图像输入到ShuffleNet网络编码以提取图像特征，基于提取的图像特征采用SkipNet网络解码进行上采样以计算最终类别概率图。基于ShuffleNet和SkipNet的分割网络，能够在保证一定精度的同时，大幅降低计算量，实现实时分割，对实际应用具有重大意义。进一步地，在所述从原始图像中获取包含晶状体的ROI图像之前，判断原始图像是否可分割，如果不可分割则判断图像分割难度最大。图像是否可分割的质量控制模块，可提高分割效率。进一步地，所述判断原始图像是否可分割包括：将所述原始图像输入到ShuffleNet网络进行编码在编码后的输出层添加平均池化层之后连接全连接层以输出判断结果。本专利技术还提供一种晶状体分割系统，其特征在于，包括：ROI图像提取模块，用于从原始图像中获取包含晶状体的ROI图像；分割难度分级模块，基于输入的ROI图像判断图像分割难度；实时分割模块，对输入的ROI图像进行实时晶状体分割；所述ROI图像提取模块从输入的原始图像中提取ROI图像并输入到所述分割难度分级模块和所述实时分割模块中。本专利技术在提取感兴趣区域的预处理过程中，采用图像分割思想进行边界寻找，避免了传统方法以及深度学习检测算法存在的鲁棒性差，易超出检测边界等问题，稳定性和精度明显提升。同时，通过预处理算法提取目标区域，大幅降低了待分割图像大小，减少了冗余信息的干扰，降低了分割网络算法的计算量。作为优选，还包括是否可分割判断模块，用于判断输入的原始图像是否可分割；所述是否可分割判断模块，在判断输入的原始图像可分割时使所述ROI图像提取模块提取图像ROI区域，在判断输入的原始图像不可分割时判断图像分割难度最大。本专利技术还提供一种计算机可读存储介质，其特征在于，包括计算机可读指令，当处理器读取并执行所述计算机可读指令时，使得所述处理器执行权利要求1-6中任一项所述的操作。本专利技术具有下述有益效果：（1）包含了图像是否可分割的质量控制、感兴趣区域提取、分割难度级别预测以及结构分割四个模块。在保证分割精度的同时，能够降低人为因素的影响，实现分割的可重复性，极大提升分割效率，对白内障疾病的诊断具有重要意义。（2）在提取感兴趣区域的预处理过程中，采用图像分割思想进行边界寻找，避免了传统方法以及深度学习检测算法存在的鲁棒性差，易超出检测边界等问题，稳定性和精度明显提升。同时，通过预处理算法提取目标区域，大幅降低了待分割图像大小，减少了冗余信息的干扰，降低了分割网络算法的计算量。（3）基于ShuffleNet和SkipNet的ShuffleSeg分割网络，能够在保证一定精度的同时，大幅降低计算量，实现实时分割，对实际应用具有重大意义。（4）在本专利技术中的分割难度级别预测以及结构分割两部分操作共用了ShuffleNet特征提取网络提取的特征，在此基础上，能够有效利用所提特征，通过分类和分割两个网络分支，高效实现不同任务，大幅节省算法运行时间。（5）本专利技术针对AS-OCT图像的分割框架，抗干扰能力强，具有良好的泛化能力，分割框架思想能够在其他图像分割领域方便应用。附图说明图1为AS-OCT图像的晶状体结构分割整体流程图；图2为是否可分割判断模块的网络结构图；图3为获取ROI图像的流程图；图4为获取ROI图像过程示意图；图5为分割难度分级模块的网络结构图；图6为晶状体结构分割流程示意图；图7为实时分割模块模块的网络结构图；图8为ShuffleNet单元示意图。具体实施方式这里使用的术语仅用于描述特定实施例的目的，而不意图限制本专利技术。除非另外定义，否则本文使用的所有术语具有与本专利技术所属领域的普通技术人员通常理解的相同的含义。将进一步理解的是，常用术语应该被解释为具有与其在相关领域和本公开内容中的含义一致的含义。本公开将被认为是本专利技术的示例，并且不旨在将本专利技术限制到特定实施例。实施例一一种晶状体分割方法，包括：从原始图像中获取包含晶状体的ROI图像；基于所述ROI图像判断图像分割难度，并且，基于所述ROI图像通过实时分割网络获取晶状体分割结果。通过预处理算法提取目标区域，大幅降低了待分割图像大小，减少了冗余信息的干扰，降低了分割网络算法的计算量。在图像分割难度本文档来自技高网...

【技术保护点】
1.一种晶状体分割方法，其特征在于，包括：/n从原始图像中获取包含晶状体的ROI图像；/n基于所述ROI图像判断图像分割难度，并且，基于所述ROI图像通过实时分割网络获取晶状体分割结果。/n

【技术特征摘要】
1.一种晶状体分割方法，其特征在于，包括：
从原始图像中获取包含晶状体的ROI图像；
基于所述ROI图像判断图像分割难度，并且，基于所述ROI图像通过实时分割网络获取晶状体分割结果。


2.根据权利要求1所述的一种晶状体分割方法，其特征在于，所述从原始图像中获取包含晶状体的ROI图像包括：
对原始图像进行滤波处理后输入到ShuffleSeg网络获得分割结果图像，从分割结果图像获取ROI图像的左、右、上、下边界，根据获取的左、右、上、下边界从原始图像中截取出ROI图像。


3.根据权利要求1所述的一种晶状体分割方法，其特征在于，所述基于所述ROI图像判断图像分割难度包括：
将ROI图像输入到ShuffleNet网络进行编码并且将编码后的特征图输入到SkipNet网络进行解码，对编码结果和解码结果分别平均池化后进行融合之后接全连接层以获得图像分割难度。


4.根据权利要求1所述的一种晶状体分割方法，其特征在于，所述基于ROI图像通过实时分割网络获取晶体状分割结果，包括：
将ROI图像输入到ShuffleNet网络编码以提取图像特征，基于提取的图像特征采用SkipNet网络解码进行上采样以计算最终类别概率图。


5.根据权利要求1所述的一种晶状体分割方法，其特征在于：
在...

【专利技术属性】
技术研发人员：曹桂平，刘江，
申请(专利权)人：中国科学院宁波工业技术研究院慈溪生物医学工程研究所，广州视源电子科技股份有限公司，
类型：发明
国别省市：浙江;33