MCSLI图像中条纹损伤的分割方法技术

本发明专利技术公开了一种MCSLI图像中条纹损伤的分割方法，先构建基于U‑Net网络的融合型图像分割网络模型；再选取多个MCSLI图像构成训练数据集，并将训练数据集输入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；将待处理的MCSLI图像输入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。本发明专利技术能够精确高效地实现MCSLI图像的条纹损伤的自动分割。

【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)成像方式，其中，ICGA图像是是临床诊断条纹损伤的“金标准”，但是该图像的成像方式属于有创检测，图像在成像时需要注射造影剂—吲哚菁绿(ICG)，且造影剂可能引起不良反应，例如过敏，头晕，甚至休克。而MCSLI成像则属于无创成像，它是使用三种不同波长的激光(488nm，515nm，820nm)同时扫描眼底，再通过叠加技术,来清晰显示多层次的视网膜结构，因此MCSLI图像可以比其他无创成像方式(普通眼底彩照和无赤光眼底彩照等)和其他一些有创成像(ICGA)显影更丰富的条纹损伤改变。例如，图1中(a)、(c)为条纹损伤的ICGA图像，图1中(b)、(d)则分别是(a)、(c)对应的MCSL图像。利用现有的深度学习图像分割方法来对MCSLI图像进行条纹损伤的自动分割时，可采用以下两种方式，一种是采用条件生成式对抗网络(conditionalGenerativeAdversarialNetwork，CGAN)来进行条纹损伤自动分割，但是该方式的CGAN模型复杂度较高，超参数过多且CGAN训练过程不稳定；另一种是采用一种尺度感知金字塔融合(SAPF)模块，用以动态融合高级特征中的多尺度上下文信息，从而使用该SAPF模块实现图像中条纹损伤的自动分割，但SAPF模块仅融合了多尺度信息，而不能充分获取全局上下文信息，条纹损伤分割的效果不佳。综上所述，现有的深度学习图像分割方法无法精确高效地实现MCSLI图像的条纹损伤的自动分割。
技术实现思路
本专利技术要解决的技术问题是提供一种MCSLI图像中条纹损伤的分割方法，能够精确高效地实现MCSLI图像的条纹损伤的自动分割。为了解决上述技术问题，本专利技术提供的技术方案如下：一种MCSLI图像中条纹损伤的分割方法，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。在其中一个实施方式中，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。在其中一个实施方式中，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；所述特征融合模块，用于接收所述多尺度上下文模块输出的全局上下文信息和多尺度上下文信息，并将接收到的全局上下文信息和多尺度上下文信息进行融合形成另一特征图并输出至解码网络。在其中一个实施方式中，经所述特征融合模块输出的特征图还需要和编码网络输出的特征图进行加权结合处理，经加权结合处理后特征图再输出至解码网络。在其中一个实施方式中，所述全局上下文模块包括上下文建模模块和特征转换模块；所述上下文建模模块，用于计算编码网络输出的特征图的特征权重，并将计算出的特征权重和编码网络输出的特征图相乘，从而获得一个全局上下文特征并输出至所述特征转换模块；所述特征转换模块，用于将所述上下文建模模块输出的全局上下文特征和编码网络输出的特征图的所有特征通道的特征进行融合而得到全局上下文信息，并将得到的全局上下文信息输入到所述多尺度上下文模块。在其中一个实施方式中，所述多尺度上下文模块由多个不同膨胀率的膨胀卷积并行组成。在其中一个实施方式中，所述多尺度上下文模块中多个不同膨胀率的膨胀卷积采用共享权值。在其中一个实施方式中，，所述步骤S2)中根据训练结果优化所述融合型图像分割网络模型时，采用损失函数对所述融合型图像分割网络模型进行优化，所述损失函数为Dice系数损失函数和交叉熵损失函数相加之和。在其中一个实施方式中，所述步骤S2)中训练数据集中包含多个经数据增强处理的MCSLI图像，数据增强处理方式为：对MCSLI图像进行翻转、旋转或增加高斯噪声处理。本专利技术具有以下有益效果：本专利技术的MCSLI图像中条纹损伤的分割方法，能够精确高效地实现MCSLI图像的条纹损伤的自动分割，为后续条纹损伤的定量分析以及无创检测评估奠定了良好的基础；所构建的融合型图像分割网络模型不需要调整超参数且训练过程相对稳定，整体模型对图像中的条纹损伤的分割效率较高。附图说明...

【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