一种基于循环自适应多目标加权网络的糖尿病视网膜病变区域自动分割方法技术

本申请公开了一种基于循环自适应多目标加权网络的糖尿病视网膜病变区域自动分割方法，涉及医学图像分割技术领域，所述方法包括：获取样本眼底彩照图像；根据样本眼底彩照图像训练糖尿病视网膜病变区域分割模型，糖尿病视网膜病变区域分割模型包括循环自适应多目标加权网络，循环自适应多目标加权网络用于自适应的为不同目标分配权重并增强网络的稳定性，不同目标包括样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE中的至少一种，训练后的视网膜病变分割模型用于对目标眼底彩照图像进行分割。也即通过自适应的为不同目标分配权重，进而缓解子类间不平衡的问题，达到了可以提高网络的分割精度的效果。

【技术实现步骤摘要】
一种基于循环自适应多目标加权网络的糖尿病视网膜病变区域自动分割方法
本专利技术涉及糖尿病视网膜病变区域分割模型训练方法和糖尿病视网膜病变区域分割方法，属于医学图像分割

技术介绍
糖尿病视网膜病变(Diabeticretinopathy,DR)是糖尿病最常见的微血管并发症之一，是一种不可逆转的致盲疾病，也是四大致盲因素之一。早期准确的DR筛查，尤其是出血(Hemorrhages,HE)、硬性渗出(HardExudates,EX)、微血管瘤(Microaneurysms,MA)和棉绒斑(SoftExudates,SE)等病变区域的分割，对于眼科医生制定治疗计划至关重要。然而由于病变区域形状多样、边界模糊、病理特征不明确，多个病灶的联合分割仍然具有很大的挑战。近年来，随着深度学习的迅速发展，许多基于卷积神经网络(ConvolutionalNeuralNetworks，CNN)的深度学习方法应用于DR图像分析。但是，大多数基于CNN的DR分割方法精度不足，且尚未有对DR中的出血HE、硬性渗出EX、微血管瘤MA和棉绒斑SE进行联合分割的研究报道。
技术实现思路
本专利技术的目的在于提供一种糖尿病视网膜病变区域分割模型训练方法和糖尿病视网膜病变区域分割方法，用于解决现有技术中存在的问题。为达到上述目的，本专利技术提供如下技术方案：根据第一方面，本专利技术实施例提供了一种糖尿病视网膜病变区域分割模型训练方法，所述方法包括：获取样本眼底彩照图像；根据所述样本眼底彩照图像训练糖尿病视网膜病变区域分割模型，所述糖尿病视网膜病变区域分割模型包括循环自适应多目标加权网络，所述循环自适应多目标加权网络用于自适应的为不同目标分配权重并增加网络的稳定性，不同目标包括所述样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE中的至少一种，训练后的所述糖尿病视网膜病区域变分割模型用于对目标眼底彩照图像进行分割。可选的，所述循环自适应多目标加权网络包括前向编码解码模块与自适应多目标加权模块，所述前向编码解码模块的输入为三通道的所述样本眼底彩照图像，输出为六通道预测概率图；其中，输出的每个通道分别对应所述样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE。可选的，所述自适应多目标加权模块的输入为所述前向编码解码模块中的编码器提取得到的高级语义特征，输出为为不同目标分配的权重。可选的，所述自适应多目标加权模块的输出为：w＝gAMW(XH)；其中，XH为所述编码器提取得到的高级语义特征，为权重，5为目标的数量；权重与所述前向编码解码模块中的解码器的输出相乘为：Fc和wc分别代表第c个通道对应的预测概率图与权重，×为标量乘法，表示加权后第c个通道的预测概率图；所述循环自适应多目标加权网络的最终预测结果为：可选的，所述循环自适应多目标加权网络还包括反向数据恢复网络，所述反向数据恢复网络的输入为所述前向编码解码模块中的解码器的输出，输出为恢复得到的眼底彩照图像。可选的，所述反向数据恢复网络恢复得到的眼底彩照图像为：XR＝RRN(F)；其中，XR表示恢复后的图像，F为预测概览图。可选的，所述根据所述样本眼底彩照图像训练糖尿病视网膜病变区域分割模型，包括：通过双线性插值方法对所述样本眼底彩照图像进行下采样；对下采样后的所述样本眼底彩照图像进行归一化处理；根据归一化后的所述样本眼底彩照图像训练所述糖尿病视网膜病变区域分割模型。可选的，所述方法还包括：根据二进制交叉熵BCE损失、Dice损失和均方误差MSE损失优化训练后的所述糖尿病视网膜病变区域分割模型。第二方面，提供了一种糖尿病视网膜病变区域分割方法，所述方法包括：获取目标眼底彩照图像；根据训练后的前向编码解码模块对所述目标眼底彩照图像进行分割，所述训练后的所述前向编码解码模块通过第一方面所述的方法训练得到。可选的，所述方法还包括：通过双线性插值方法对所述目标眼底彩照图像进行下采样；对下采样后的所述目标眼底彩照图像进行归一化处理；根据训练后的前向编码解码模块对归一化后的所述目标眼底彩照图像进行分割。通过获取样本眼底彩照图像；根据所述样本眼底彩照图像训练糖尿病视网膜病变区域分割模型，所述糖尿病视网膜病变区域分割模型包括循环自适应多目标加权网络，所述循环自适应多目标加权网络用于自适应的为不同目标分配权重并增加网络的稳定性，不同目标包括所述样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE中的至少一种，训练后的所述糖尿病视网膜病变区域分割模型用于对目标眼底彩照图像进行分割。也即通过自适应的为不同目标分配权重，进而缓解子类间不平衡的问题，达到了可以提高网络的分割精度的效果。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。附图说明图1为本专利技术一个实施例提供的糖尿病视网膜病变区域分割模型训练方法的方法流程图；图2为本专利技术一个实施例提供的样本眼底彩照图像的几种可能的结构示意图；图3为本专利技术一个实施例提供的糖尿病视网膜病变区域分割模型CAMWNet的一种可能的框图；图4为本专利技术一个实施例提供的前向编码解码模块与自适应多目标加权模块的示意图；图5为本专利技术一个实施例提供的反向数据恢复网络的结构示意图；图6为本专利技术一个实施例提供的本申请的方法与现有方案方法的分割结果的对比图；图7为本专利技术一个实施例提供的糖尿病视网膜病变区域分割方法的方法流程图。具体实施方式下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中本文档来自技高网...

【技术保护点】
1.一种糖尿病视网膜病变区域分割模型训练方法，其特征在于，所述方法包括：/n获取样本眼底彩照图像；/n根据所述样本眼底彩照图像训练糖尿病视网膜病变区域分割模型，所述糖尿病视网膜病变区域分割模型包括循环自适应多目标加权网络，所述循环自适应多目标加权网络用于自适应的为不同目标分配权重并增强网络的稳定性，不同目标包括所述样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE中的至少一种，训练后的所述视网膜病变分割模型用于对目标眼底彩照图像进行分割。/n

【技术特征摘要】
1.一种糖尿病视网膜病变区域分割模型训练方法，其特征在于，所述方法包括：
获取样本眼底彩照图像；
根据所述样本眼底彩照图像训练糖尿病视网膜病变区域分割模型，所述糖尿病视网膜病变区域分割模型包括循环自适应多目标加权网络，所述循环自适应多目标加权网络用于自适应的为不同目标分配权重并增强网络的稳定性，不同目标包括所述样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE中的至少一种，训练后的所述视网膜病变分割模型用于对目标眼底彩照图像进行分割。


2.根据权利要求1所述的方法，其特征在于，所述循环自适应多目标加权网络包括前向编码解码模块与自适应多目标加权模块，所述前向编码解码模块的输入为三通道的所述样本眼底彩照图像，输出为六通道预测概率图；其中，输出的每个通道分别对应所述样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE。


3.根据权利要求2所述的方法，其特征在于，所述自适应多目标加权模块的输入为所述前向编码解码模块中的编码器提取得到的高级语义特征，输出为为不同目标分配的权重。


4.根据权利要求3所述的方法，其特征在于，
所述自适应多目标加权模块的输出为：w＝gAMW(XH)；
其中，XH为所述编码器提取得到的高级语义特征，为权重，5为目标的数量；
权重与所述前向编码解码模块中的解码器的输出相乘为：



Fc和wc分别代表第c个通道对应的预测概率图与权重，×为标量乘法，表示加权后第c个通道的预测概率图；
所述循环自适应多目标加权网络的最终预测结果为：



...

【专利技术属性】
技术研发人员：陈新建，汪恋雨，朱伟芳，陈中悦，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32