基于无监督学习的视网膜OCT图像分割方法技术

本发明专利技术公开了一种基于无监督学习的视网膜OCT图像分割方法，包括以下步骤：S1、从采集的OCT图像中，筛选出正常视网膜图像和异常网膜图像；S2、筛除质量存在问题的图像，余下的作为训练数据集；S3、构建视网膜OCT图像生成网络模型；S4、网络模型训练；S5、通过训练好的网络模型对输入的视网膜OCT图像进行病灶分割。本发明专利技术提供的方法能实现眼底视网膜OCT图像中的病灶精准分割，相比现有的无监督病灶分割方法，本发明专利技术能大大减少预处理步骤，最大程度保留原始的图像信息，对常见的渗出性和水肿型病灶都有较好的分割效果；本发明专利技术对加快眼底相关疾病的临床诊断速度、提高诊断精度和指导检查具有潜在的医学价值。具有潜在的医学价值。具有潜在的医学价值。

【技术实现步骤摘要】
基于无监督学习的视网膜OCT图像分割方法


[0001]本专利技术涉及医学图像处理领域，特别涉及一种基于无监督学习的视网膜OCT图像分割方法。

技术介绍

[0002]光学相干层析成像(OCT)技术可以对视网膜进行在体的三维高分辨率成像，是临床上进行视网膜疾病诊断的重要依据。但视网膜拍摄过程中会产生大量的图片，其中仅有一部分包含病灶，且病灶形态多种多样，仅通过人眼观察十分费力，还容易遗漏某些微小病灶，导致误诊漏诊等情况。因此，通过图像处理的方法将病灶自动分割出来，能有效辅助医生读片，对提高诊断效率、减少眼底疾病漏诊误诊率等方面具有重要意义。
[0003]现存视网膜病灶分割方法根据对标签的需求主要分为两类：有监督方法和无监督方法。有监督方法在训练过程中需要大量的标签数据，鉴于视网膜病灶种类繁多且分散，标签获取十分不易。另外，通过有监督方法训练的模型仅可检测训练集中包含的病灶类型，对于罕见病灶无法识别。无监督学习的方法可以有效的规避有监督学习方法的缺点。现存的无监督分割方法主要通过训练一个能生成正常视网膜OCT图像的生成器，当输入为异常的视网膜时，模型也能将其转换为对应的正常视网膜，对输入和输出进行比较，即可获得病灶部位。此方法要求输入的视网膜正常部位的组织要和输出图像中对应位置对齐，但由于OCT图像中视网膜的结构、位置、形态等的多样性，仅通过正常图像训练的生成器往往无法生成异常图像的匹配图像。现存方法多通过对视网膜进行展平、厚度归一化、裁剪等预处理方式使视网膜匹配，但预处理过程中也丢失了视网膜的形状、厚度等重要信息且生成结果也不够准确。
[0004]所以，现在需要一种更可靠的方案。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中存在的信息丢失和生成结果不准确等问题，提供一种基于无监督学习的视网膜OCT图像分割方法，以实现视网膜OCT图像中的渗出型、水肿型病灶的分割，提供更加有医学应用价值的方案。
[0006]为实现上述目的，本专利技术采用的技术方案是：一种基于无监督学习的视网膜OCT图像分割方法，包括以下步骤：
[0007]S1、从采集的OCT图像中，筛选出正常视网膜图像和异常网膜图像；
[0008]S2、在步骤S1所筛选出来的OCT图像中，筛除正常视网膜图像和异常网膜图像中质量存在问题的图像，余下的作为训练数据集；
[0009]S3、构建视网膜OCT图像生成网络模型，其包括基于U型结构的生成器G1、G2和基于马尔科夫判别器的判别器D1、D2；
[0010]S4、将训练数据集中的正常视网膜图像和异常网膜图像作为两个输入数据集，一起输入到构建的视网膜OCT图像生成网络模型中进行训练，训练中采用的损失函数L包括对
抗损失函数L
GAN
、基于像素空间的损失函数L
pixel
、循环一致性损失函数L
recon
以及多尺度结构相似度损失函数L
msssim
，损失函数L的表达式为：
[0011]L＝L
GAN
+αL
pixel
+βL
msssim
+γL
recon
；
[0012]其中，α、β、γ分别为基于像素空间的损失函数、多尺度结构相似度、循环一致性损失函数的权重；
[0013]S5、将待分割的异常视网膜OCT图像输入到训练好的视网膜OCT图像生成网络模型中，生成对应的正常视网膜OCT图像，对生成图像和输入图像进行后处理得到待分割的异常视网膜OCT图像的病灶分割结果。
[0014]优选的是，其中，异常网膜图像包括渗出型病灶异常图像和水肿型病灶异常图像。
[0015]优选的是，其中，生成器G1用于根据输入的异常视网膜OCT图像生成与其对应的正常视网膜OCT图像，判别器D1用于区分生成的正常视网膜图像和输入的正常视网膜图像；
[0016]生成器G2用于根据输入的正常视网膜OCT图像生成其对应的异常视网膜OCT图像，判别器D2用于区分生成的异常视网膜图像和输入的异常视网膜图像。
[0017]优选的是，所述生成器G1、G2的网络结构相同，均包括上采样模块和下采样模块；
[0018]所述上采样模块包括7个4x4、步长为2的反卷积层，每个反卷积层后面均跟有一个改进的线性整流激活函数：Leaky ReLU；
[0019]所述下采样模块包括7个4x4、步长为2的卷积层，每个卷积层后面均跟有一个改进的线性整流激活函数：Leaky ReLU。
[0020]优选的是，所述判别器D1、D2的网络结构相同，均包括四层卷积核大小为4x4、步长为2的第一卷积层，三层卷积核大小为4x4、膨胀参数分别为2、4、8的空洞卷积层，和两层卷积核大小为3x3、步长为1的第二卷积层；
[0021]除最后一层第二卷积层外，四个第一卷积层、三个空洞卷积层以及第一个第二卷积层后都另接一个改进的线性整流激活函数：Leaky ReLU。
[0022]优选的是，对抗损失函数L
GAN
的表达式为：
[0023][0024]其中，N表示样本数量，I
normal
表示输入的正常视网膜图像，I
abnormal
表示输入的异常视网膜图像。
[0025]优选的是，基于像素空间的损失函数L
pixel
的表达式为：
[0026][0027]其中，W为输入图像的宽，H为输入图像的高x，y分别表示宽和高方向的坐标；
[0028]基于像素空间的损失函数L
pixel
用于保证根据输入的异常视网膜图像I
abnormal
生成的正常视网膜图像和真实的正常视网膜图像I
normal
在内容上的一致性，以及根据输入的正常视网膜图像I
normal
生成的异常视网膜图像和真实的异常视网膜图像I
abnormal
在内容上的一致性。
[0029]优选的是，循环一致性损失函数L
recon
的表达式为：
[0030][0031]循环一致性损失函数L
recon
用于保证根据输入的图像生成正常/异常视网膜图像G1(I
abnormal
)/G2(I
normal
)重建回异常/正常视网膜图像G2(G1(I
abnormal
))/G1(G2(I
normal
))跟原始输入的真实图像在内容上的一致性。
[0032]多尺度结构相似度损失函数L
msssim
的表达式为：
[0033][0034]其中，(I
j
,R
j
)表示第j个尺度的输入和重建图像对，M表示最大下采样倍数。
[0035]优选的是，多尺度结构相似度损失函数从相比亮度、对比度、结构多方面对图像对进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的视网膜OCT图像分割方法，其特征在于，包括以下步骤：S1、从采集的OCT图像中，筛选出正常视网膜图像和异常网膜图像；S2、在步骤S1所筛选出来的OCT图像中，筛除正常视网膜图像和异常网膜图像中质量存在问题的图像，余下的作为训练数据集；S3、构建视网膜OCT图像生成网络模型，其包括基于U型结构的生成器G1、G2和基于马尔科夫判别器的判别器D1、D2；S4、将训练数据集中的正常视网膜图像和异常网膜图像作为两个输入数据集，一起输入到构建的视网膜OCT图像生成网络模型中进行训练，训练中采用的损失函数L包括对抗损失函数L
GAN
、基于像素空间的损失函数L
pixel
、循环一致性损失函数L
recon
以及多尺度结构相似度损失函数L
msssim
，损失函数L的表达式为：L＝L
GAN
+αL
pixel
+βL
msssim
+γL
recon
；其中，α、β、γ分别为基于像素空间的损失函数、多尺度结构相似度、循环一致性损失函数的权重；S5、将待分割的异常视网膜OCT图像输入到训练好的视网膜OCT图像生成网络模型中，生成对应的正常视网膜OCT图像，对生成图像和输入图像进行后处理得到待分割的异常视网膜OCT图像的病灶分割结果。2.根据权利要求1所述的基于无监督学习的视网膜OCT图像分割方法，其特征在于，其中，异常网膜图像包括渗出型病灶异常图像和水肿型病灶异常图像。3.根据权利要求2所述的基于无监督学习的视网膜OCT图像分割方法，其特征在于，其中，生成器G1用于根据输入的异常视网膜OCT图像生成与其对应的正常视网膜OCT图像，判别器D1用于区分生成的正常视网膜图像和输入的正常视网膜图像；生成器G2用于根据输入的正常视网膜OCT图像生成其对应的异常视网膜OCT图像，判别器D2用于区分生成的异常视网膜图像和输入的异常视网膜图像。4.根据权利要求3所述的基于无监督学习的视网膜OCT图像分割方法，其特征在于，所述生成器G1、G2的网络结构相同，均包括上采样模块和下采样模块；所述上采样模块包括7个4x4、步长为2的反卷积层，每个反卷积层后面均跟有一个改进的线性整流激活函数：Leaky ReLU；所述下采样模块包括7个4x4、步长为2的卷积层，每个卷积层后面均跟有一个改进的线性整流激活函数：Leaky ReLU。5.根据权利要求4所述的基于无监督学习的视网膜OCT图像分割方法，其特征在于，所述判别器D1、D2的网络结构相同，均包括四层卷积核大小为4x4、步长为2的第一卷积层，三层卷积核大小为4x4、膨胀参数分别为2、4、8的空洞卷积层，和两层卷积核大小为3x3、步长为1的第二卷积层；除最后一层第二卷积层外，四个第一卷积层、三个空洞卷积层以及第一个第二卷积层后都另接一个改进的线性整流激活函数：Leaky ReLU。6.根据权利要求5所述的基于无监督学习的视网膜OCT图像分割方法，其特征在于，对抗损失函数L
GAN
的表达式为：
其中，N表示样本数量，I
normal
表示输入的正常视网膜图像，I
abnormal
表示输入的异常视网膜图像。7.根据权利要求6所述的基于...

【专利技术属性】
技术研发人员：何益，王晶，陈一巍，樊金宇，叶虹，侯祖军，史国华，李超宏，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：