一种眼底图像中视盘图像的分割方法技术

本发明专利技术涉及一种眼底图像中视盘图像的分割方法，包括：S1、对于待分割的眼底图像，基于生成对抗网络获得数据质量增强的眼底图像；S2、基于第一图像分割网络对数据质量增强的眼底图像进行初次图像分割，获得第一二值图；S3、针对待分割的眼底图像，基于第一二值图和图像分类网络进行裁剪、重采样和分类，得到母视盘图像；S4、对于母视盘图像，基于第二图像分割网络分割得到精细视盘图像；其中，预先训练生成对抗网络所使用的目标风格数据集为基于第二公开数据集得到的图像集；预先训练第一图像分割网络所使用的训练数据为基于第二公开数据集得到的图像集。本发明专利技术的分割方法具有较好的泛化性能和分割精度。泛化性能和分割精度。泛化性能和分割精度。

【技术实现步骤摘要】
一种眼底图像中视盘图像的分割方法


[0001]本专利技术涉及医学图像分割
，尤其涉及一种眼底图像中视盘图像的分割方法。

技术介绍

[0002]医学图像分割是计算机辅助诊断中一项基础的任务，其目的在于从像素级别准确识别分割出器官区域、组织区域、病变区域、肿瘤区域等，准确的分割结果是一些疾病的诊断和治疗的重要依据，其中，准确的视盘和视杯图像分割结果是临床筛查和诊断青光眼的主要标准之一，而基于视盘图像的眼底血管图像分割结果及其几何形态参数是研究阿尔兹海默症等神经退行性疾病的重要参数。因此，对眼底图像中的视盘图像进行精确分割，对临床医学诊断和研究有重大意义。随着人工智能算法的提升，基于深度学习的图像分割方法可以利用训练样本学习彩色眼底图像的特征进行端到端的图像分割。深度学习的一个基本假设是数据样本之间的数据分布是独立同分布的，也就是说，训练样本和测试样本之间的数据分布应该尽可能相似，这样模型的泛化性能才有可能达到理想状态。然而在实际应用中，不同的采集设备和采集模式会使眼底图像在分辨率、尺寸、对比度、清晰度等方面表现出比较大的差异，我们把数据集之间的这种差异性称为数据域迁移。
[0003]通常的，基于深度学习的图像分割网络只在某一个数据集上进行训练，并能在相应的测试集上取得很好的推理性能，而不是针对所有的数据集都能有特别好的泛化性能。因为上述数据域迁移现象的存在，特别是在待分割图像与训练所用的数据集图像的差异比较明显，或者待分割图像对比度不好的情况时，图像分割网络的推理能力急剧下降，致使图像分割网络无法得到有效的分割结果。另外，患者眼底的病态区域的区域特征（例如亮度特征）与视盘图像的区域特征极度相似，这也会干扰图像分割网络的推理能力，使其将这些病态区域也错误地分割为视盘区域，这对后续的参数计算和相关区域的提取都是非常不利的。

技术实现思路

[0004]（一）要解决的技术问题鉴于现有技术的上述缺点、不足，本专利技术提供一种眼底图像中视盘图像的分割方法，其解决了现有的图像分割网络在存在数据域迁移现象时推理性能下降，及对存在病态区域的眼底图像的分割精度较低的技术问题。
[0005]（二）技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：本专利技术实施例提供一种眼底图像中视盘图像的分割方法，包括：S1、对于待分割的眼底图像，基于生成对抗网络进行数据质量增强处理，获得数据质量增强的眼底图像；S2、基于第一图像分割网络对数据质量增强的眼底图像进行初次图像分割，获得
包含至少一个连通域的第一二值图，所述连通域用于标示视盘图像的位置信息；S3、基于第一二值图中每个连通域的位置信息，将待分割的眼底图像中与连通域对应的区域进行裁剪，获得一副或多副第一待选图像，第一待选图像中的至少一幅图像中包含完整的视盘图像；对所述第一待选图像按照第二预设尺寸进行重采样处理，获得与第一待选图像对应的第二待选图像；基于图像分类网络，根据是否包含完整的视盘图像对第二待选图像进行分类，基于分类结果，将包含完整的视盘图像的第二待选图像对应的第一待选图像作为母视盘图像；S4、基于第二图像分割网络对母视盘图像进行二次图像分割，基于二次图像分割的结果，从母视盘图像中提取得到精细视盘图像；其中，预先训练所述生成对抗网络所使用的训练数据包括原始风格数据集和目标风格数据集，所述原始风格数据集为第一公开数据集中获取并经过预处理得到的图像集，所述目标风格数据集为从第二公开数据集中获取并经过预处理得到的图像集；预先训练所述第一图像分割网络所使用的训练数据为从第二公开数据集中获取并经过预处理得到的图像集。
[0006]本专利技术实施例提出的分割方法，首先在S1中基于生成对抗网络对待分割的眼底图像进行数据质量增强，使待分割图像的数据风格向类似第二公开数据集的数据风格迁移，而S2中的第一图像分割网络为基于第二公开数据集中获取的图像训练得到的，因而对具有相同数据风格的上述数据质量增强的眼底图像具有较好的推理能力，从而削弱待分割的眼底图像中存在的数据域迁移现象对第一图像分割网络的影响，提高本分割方法跨数据风格的泛化性能，进而提高本分割方法的鲁棒性。
[0007]此外，本专利技术实施例提出的分割方法，基于S2中的第一图像分割网络得到第一二值图。理论上，第一二值图中的连通域应当只标示出视盘图像的位置信息，但由于现有图像分割网络对视盘图像和病态图像的区分能力较差，因而上述连通域可能也标示出了病态图像的位置信息。因此，在S3中，首先裁剪得到每个连通域对应的小尺寸的第一待选图像，所述第一待选图像有的包含视盘图像，有的包含病态区域图像。对所述第一待选图像进行重采样处理，获得与第一待选图像对应的第二待选图像，以统一输入图像分类网络的图像的尺寸，降低图像尺寸不统一对图像分类网络推理性能的影响，再使用图像分类网络根据是否包含完整视盘图像对第二待选图像进行分类，基于分类结果，将包含完整的视盘图像的第二待选图像对应的第一待选图像作为母视盘图像，所述母视盘图像的尺寸远小于待分割的眼底图像，从而缩小了第二图像分割网络需要进行推理分析的区域，排除病态区域对第二图像分割网络的干扰，然后在S4中将上述母视盘图像输入第二图像分割网络进行精细分割，达到提高本分割方法的分割精度的目的。
[0008]上述S1~S4的步骤中，S2基于S1克服待分割的眼底图像中存在的数据域迁移现象，找到可能存在视盘图像的区域，S3基于S2找到的可能存在视盘图像的区域进行裁剪、重采样和分类，找到包含完整视盘图像的小尺寸母视盘图像，然后再送入第二图像分割网络进行二次图像分割，得到精细视盘图像。上述S1~S4环环相扣，对存在数据域迁移现象，特别是存在病态区域的眼底图像仍然能够产生较好的推理性能，从而保证本分割方法的泛化性能和分割精度，使本分割方法具有较好的鲁棒性。
[0009]可选地，在S4中，所述第二图像分割网络为预先搭建的、且经过第一预先训练过程
得到的具有适配的权重参数的W形分割网络，所述W形分割网络包括下采样支路、第一上采样支路和第二上采样支路，所述下采样支路用于获取母视盘图像至少一个维度的特征图，所述第一上采样支路用于提取所述至少一个维度的特征图中的边界信息，所述第二上采样支路用于提取所述至少一个维度的特征图中的区域信息，并与从对应维度提取的边界信息融合，获得二次图像分割的结果。
[0010]可选地，所述W形分割网络包括15个处理模块，其中，顺序连接的第1~4处理模块为下采样支路，顺序连接的第5~9处理模块为第一上采样支路，顺序连接的第10~15处理模块为第二上采样支路；且第4处理模块的输出端分别连接第5处理模块的输入端和第10处理模块的输入端；其中，第1~4处理模块均为下采样模块；第5处理模块为DAC模块；第6处理模块为RMP模块；第7处理模块为上采样模块；第8处理模块为上采样模块，且第8处理模块的输入端通过跳跃连接模块与第3处理模块和第7处理模块的输出端连接；第9处理模块为上采样模块，且第9处理模块的输入端通过跳跃连接模块与第2处理模块和第8处理模块的输出端连接；第10处理模块为DAC模块；第11处理模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种眼底图像中视盘图像的分割方法，其特征在于，包括：S1、对于待分割的眼底图像，基于生成对抗网络进行数据质量增强处理，获得数据质量增强的眼底图像；S2、基于第一图像分割网络对数据质量增强的眼底图像进行初次图像分割，获得包含至少一个连通域的第一二值图，所述连通域用于标示视盘图像的位置信息；S3、基于第一二值图中每个连通域的位置信息，将待分割的眼底图像中与连通域对应的区域进行裁剪，获得一副或多副第一待选图像，第一待选图像中的至少一幅图像中包含完整的视盘图像；对所述第一待选图像按照第二预设尺寸进行重采样处理，获得与第一待选图像对应的第二待选图像；基于图像分类网络，根据是否包含完整的视盘图像对第二待选图像进行分类，基于分类结果，将包含完整的视盘图像的第二待选图像对应的第一待选图像作为母视盘图像；S4、基于第二图像分割网络对母视盘图像进行二次图像分割，基于二次图像分割的结果，从母视盘图像中提取得到精细视盘图像；其中，预先训练所述生成对抗网络所使用的训练数据包括原始风格数据集和目标风格数据集，所述原始风格数据集为从第一公开数据集中获取并经过预处理得到的图像集，所述目标风格数据集为从第二公开数据集中获取并经过预处理得到的图像集；预先训练所述第一图像分割网络所使用的训练数据为从第二公开数据集中获取并经过预处理得到的图像集。2.根据权利要求1所述的分割方法，其特征在于，在S4中，所述第二图像分割网络为预先搭建的、且经过第一预先训练过程得到的具有适配的权重参数的W形分割网络，所述W形分割网络包括下采样支路、第一上采样支路和第二上采样支路，所述下采样支路用于获取母视盘图像至少一个维度的特征图，所述第一上采样支路用于提取所述至少一个维度的特征图中的边界信息，所述第二上采样支路用于提取所述至少一个维度的特征图中的区域信息，并与从对应维度提取的边界信息融合，获得二次图像分割的结果。3.根据权利要求2所述的分割方法，其特征在于，所述W形分割网络包括15个处理模块，其中，顺序连接的第1~4处理模块为下采样支路，顺序连接的第5~9处理模块为第一上采样支路，顺序连接的第10~15处理模块为第二上采样支路；且第4处理模块的输出端分别连接第5处理模块的输入端和第10处理模块的输入端；其中，第1~4处理模块均为下采样模块；第5处理模块为DAC模块；第6处理模块为RMP模块；第7处理模块为上采样模块；第8处理模块为上采样模块，且第8处理模块的输入端通过跳跃连接模块与第3处理模块和第7处理模块的输出端连接；第9处理模块为上采样模块，且第9处理模块的输入端通过跳跃连接模块与第2处理模块和第8处理模块的输出端连接；第10处理模块为DAC模块；第11处理模块为RMP模块；
第12处理模块为上采样模块，且第12处理模块的输入端通过跳跃连接模块与第6处理模块和第11处理模块的输出端连接；第13处理模块为上采样模块，且第13处理模块的输入端分别通过跳跃连接模块与第12处理模块、第3处理模块和第7处理模块的输出端连接；第14处理模块为上采样模块，且第14处理模块的输入端分别通过跳跃连接模块与第13处理模块、第2处理模块和第8处理模块的输出端连接；第15处理模块为上采样模块，且第15处理模块的输入端分别通过跳跃连接模块与第14处理模块、第1处理模块和第9处理模块的输出端连接，第15处理模块用于输出二次图像分割的结果。4.根据权利要求3所述的分割方法，其特征在于，所述第一预先训练过程包括：获取第一训练数据，基于第一训练数据，对于第一上采样支路采用基于边界的损失函数、对于第二上采样支路采用基于区域的损失函数，对待训练的W形分割网络进行训练，得到具有适配的权重参数的W形分割网络；所述第一训练数据包括多幅包含视盘图像的第一图像，每幅所述第一图像包括用于标示该第一图像上的视盘图像所在区域的标注信息。5.根据权利要求4所述的分割方法，其特征在于，所述对于第一上采样支路采用基于边界的损失函数、对于第二上采样支路采用基于区域的损失函数，对待训练的W形分割网络进行训练包括：在第9处理模块的输出端连接一个上采样模块，用于输出一幅经第一上采样支路处理后得到的边界分割结果；将第一训练数据中的第一图像输入待训练的W形分割网络中，获得边界分割结果和二次图像分割的结果；基于所述边界分割结果与该第一图像包含的标注信息，根据基于边界的损失函数计算边界损失；基于所述二次图像分割的结果与该第一图像包含的标注信息，根据基于区域的损...

【专利技术属性】
技术研发人员：高阳，宋宠宠，王德峰，宁晓琳，刘禹辰，刘展易，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：