【技术实现步骤摘要】
MCSLI图像中条纹损伤的分割方法
本专利技术涉及医学影像处理
,具体涉及一种MCSLI图像中条纹损伤的分割方法。
技术介绍
医学影像,是指为了医疗或医学研究目的,对人体或人体某部分以非侵入方式取得内部组织器官影像的技术与处理过程,根据其实现步骤不同,医学影像包括医学成像技术和医学处理技术,借助医学影像技术,医疗人员可以更清晰地了解人体特定的组织器官状况进而给出更为精准和合理的诊疗方案。而医学图像分割是现代医学影像处理中的关键技术,它是正常组织和病变组织的三维重建、定量分析等后续操作的基础。医学图像分割分为传统图像分割方法和深度学习图像分割方法,其中,传统图像分割方法包括基于阈值分割方法,基于区域的分割方法,基于边缘的分割方法以及基于特定工具的分割方法(如MATLAB等工具)等,相较于传统图像分割方法,深度学习图像分割方法能够在多个公共数据集的多种场景图像中精确地分割出多种分割目标,其具有高准确度和高泛化性的优点,因此,鉴于深度学习图像分割方法的上述优点,自2015年FCN网络提出之后,深度学习图像分割方法被得以广泛应用。SegNet和U-Net等编解码分割网络被广泛应用在医学图像分割中。病理性近视是导致失明的一个主要原因。条纹损伤(如附图1中的箭头所指)是评估病理性近视的一个重要临床表现。现有的眼部成像主要采用ICGA(IndocyanineGreenAngiography,吲哚菁绿血管造影术)和MCSLI(Multi-ColorScanningLaserImaging,炫彩多色扫描激光成像)
【技术保护点】
1.一种MCSLI图像中条纹损伤的分割方法,其特征在于,包括以下步骤:/nS1)构建基于U-Net网络的融合型图像分割网络模型;/n所述U-Net网络包括编码网络和解码网络,所述编码网络包括多个编码器,所述解码网络包括多个解码器,所述编码器和所述解码器一一对应,所述编码器和相应的所述解码器之间设置有注意力门控模块,所述注意力门控模块用于对解码器的输入特征图中的前景和背景分别赋予权重后再输出至解码器,赋予所述前景的权重大于赋予所述背景的权重;/n构建所述融合型图像分割网络模型时,在所述编码网络和解码网络之间设置信息融合模块,所述信息融合模块用于提取多尺度上下文信息和全局上下文信息,并将多尺度上下文信息和全局上下文信息进行融合;/nS2)选取多个MCSLI图像构成训练数据集,并将所述训练数据集输入至步骤1)中构建的所述融合型图像分割网络模型中进行训练,并根据训练结果优化所述融合型图像分割网络模型;/nS3)将待处理的MCSLI图像输入至步骤S2)中优化后的融合型图像分割网络模型中进行条纹损伤的分割。/n
【技术特征摘要】
1.一种MCSLI图像中条纹损伤的分割方法,其特征在于,包括以下步骤:
S1)构建基于U-Net网络的融合型图像分割网络模型;
所述U-Net网络包括编码网络和解码网络,所述编码网络包括多个编码器,所述解码网络包括多个解码器,所述编码器和所述解码器一一对应,所述编码器和相应的所述解码器之间设置有注意力门控模块,所述注意力门控模块用于对解码器的输入特征图中的前景和背景分别赋予权重后再输出至解码器,赋予所述前景的权重大于赋予所述背景的权重;
构建所述融合型图像分割网络模型时,在所述编码网络和解码网络之间设置信息融合模块,所述信息融合模块用于提取多尺度上下文信息和全局上下文信息,并将多尺度上下文信息和全局上下文信息进行融合;
S2)选取多个MCSLI图像构成训练数据集,并将所述训练数据集输入至步骤1)中构建的所述融合型图像分割网络模型中进行训练,并根据训练结果优化所述融合型图像分割网络模型;
S3)将待处理的MCSLI图像输入至步骤S2)中优化后的融合型图像分割网络模型中进行条纹损伤的分割。
2.如权利要求1所述的MCSLI图像中条纹损伤的分割方法,其特征在于,所述编码器和解码器的输出端均设置有通道注意力模块,所述通道注意力模块用于对分割任务响应大的特征通道增大权重,而对分割任务响应小的特征通道减小权重。
3.如权利要求1所述的MCSLI图像中条纹损伤的分割方法,其特征在于,所述信息融合模块包括全局上下文模块、多尺度上下文模块和特征融合模块;
所述全局上下文模块,用于从编码网络输出的特征图中捕捉具有高级语义信息的全局上下文信息,并将捕捉到的全局上下文信息输入到所述多尺度上下文模块;
所述多尺度上下文模块,用于接收所述全局上下文模块输出的全局上下文信息,并从全局上下文信息中获取多尺度上下文信息,然后将全局上下文信息和多尺度上下文信息输出至所述特征融合模块;
所述特征融...
【专利技术属性】
技术研发人员:朱伟芳,罗高辉,陈新建,
申请(专利权)人:苏州大学,
类型:发明
国别省市:江苏;32
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。