一种基于糖尿病视网膜病变的极小病灶自动分割方法技术

本发明专利技术公开了一种基于糖尿病视网膜病变的极小病灶自动分割方法、系统及计算机可读存储介质，方法包括：S1：获取DR眼底图数据集；S2：对所述数据集中的图像和对应的真实标签进行预处理，利用图像的真实标签得到第一特征级标签、第二特征级标签；S3：将预处理后的图像、真实标签、第一特征级标签、第二特征级标签划分为训练集、验证集和测试集，并构建带有辅助分割模块的分割网络模型；S4：利用训练集和验证集对分割网络模型进行训练，得到训练后的分割网络模型；S5：将测试集输入训练好的分割网络模型输出分割结果，并将输出结果与真实标签对比，得到分割评价指标。本发明专利技术能够更好的区分背景与病灶结构，实现对背景和病灶的像素级分割。割。割。

【技术实现步骤摘要】
一种基于糖尿病视网膜病变的极小病灶自动分割方法


[0001]本专利技术涉及图像处理
，更具体地，涉及一种基于糖尿病视网膜病变的极小病灶自动分割方法、系统及计算机可读存储介质。

技术介绍

[0002]糖尿病视网膜病变(DR)已成为世界范围内大量糖尿病患者的主要医疗问题，是当今工作年龄人口失明的主要原因。然而，到目前为止，还没有有效的治疗方法来完全治愈这种疾病。最公认的治疗方法是早期诊断和干预，以控制疾病的进展，避免最终视力的丧失。在临床实践中，眼科医生通常通过存在微动脉瘤(MA)、软渗出(SE)、硬渗出(EX)和出血(HE)来诊断DR，所以DR病灶的分割对DR的诊断和治疗具有重大的意义。
[0003]糖尿病视网膜病变(DR)的筛查和诊断是由经验相对丰富的眼科专业医生来完成，但是由于专家资源有限且分布不均、人工诊断DR结果不稳定，存在一定比例的误判误诊，可能耽误病人及时治疗。
[0004]近年来，随着深度神经网络在医学图像分析中的广泛应用，越来越多的深度神经网络模型被设计用于DR病灶的分割。根据调研文献发现，目前很多研究对DR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于糖尿病视网膜病变的极小病灶自动分割方法，其特征在于，包括以下步骤：S1：获取DR眼底图数据集；S2：对所述数据集中的图像和对应的真实标签进行预处理，利用图像的真实标签分别得到预设的第一特征级标签、第二特征级标签；S3：将预处理后的图像、真实标签、第一特征级标签、第二特征级标签划分为训练集、验证集和测试集，并构建带有辅助分割模块的分割网络模型；S4：利用训练集和验证集对所述分割网络模型进行训练，得到训练后的分割网络模型；S5：将测试集输入训练好的分割网络模型输出分割结果，并将输出结果与真实标签对比，得到分割评价指标。2.根据权利要求1所述的一种基于糖尿病视网膜病变的极小病灶自动分割方法，其特征在于，对所述数据集中的图像和对应的真实标签进行预处理包括：对DR眼底图数据集中图像及其对应标签依次进行随机缩放，其中标签与图像缩放比例完全相同；将缩放后的图像进行归一化；将标签和归一化后的图像随机裁剪为预设尺寸，其中标签和归一化后的图像预设尺寸相同、裁剪方式相同。3.根据权利要求1所述的一种基于糖尿病视网膜病变的极小病灶自动分割方法，其特征在于，利用图像的真实标签分别得到预设的第一特征级标签具体步骤为：设置真实标签的高和宽为H、W，第一特征级标签的高和宽为h、w，size_h＝H/h，size_w＝W/w，则第一特征级标签的大小为h*w*c，c为病灶的种类+1；每size_h*size_w大小的真实标签中，若有一个像素属于类别c的，对应的特征级标签中的c通道的数值为1，若没有像素属于类别c，该类别的病灶则为0。4.根据权利要求1所述的一种基于糖尿病视网膜病变的极小病灶自动分割方法，其特征在于，利用图像的真实标签分别得到预设的第二特征级标签具体步骤为：设置真实标签的高和宽为H、W，第二特征级标签的高和宽为h、w，size_h＝H/h，size_w＝W/w，第二特征级标签的大小为h*w，特征图在位置i,j的数值等于真实标签位置第i个size_h到第j个size_w中最大的数值，其中i的数值从0到h，j的数值从0到w。5.根据权利要求1所述的一种基于糖尿病视网膜病变的极小病灶自动分割方法，其特征在于，分割网络模型包括：主干分割网络、辅助分割模块、嵌入式模块，其中，主干分割网络包括：编码器、解码器以及特征图前向反向融合机制，所述编码器为基于ResNet18网络的编码器，用于特征提取，解码器对特征图进行上采样从而恢复特征图的分辨率大小，特征图前向反向融合机制用于实现解码器中多尺度特征图的融合，进而尽可能缓解空间信息的丢失；所述辅助分割模块使用第一特征级标签和辅助分割模块输出的第一特征图作对比，增强前景类的特征表现；所述嵌入模块用特征级的向量作对比，拉近同类病灶的特征向量，拉远不同类病灶的特征向量。6.根据权利要求1所述的一种基于糖尿病视网膜病变的极小病灶自动分割方法，其特征在于，利用训练集和验证集对所述分割网络模型进行训练，得到训练后的分割网络模型，
具体步骤为：初始化预设的最优评价指标，将训练集输入至分割网络模型，得到最终分割结果、辅助分割结果以及特征级输出；将最终分割结果以及辅助分割结果与真实标签对比，将特征级输出和特征级标签作对比，计算损失，反向传播损失，使用优化器SGD更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，从而最小化损失函数，得到最优模型；将验证集中的图像逐张输...

【专利技术属性】
技术研发人员：贾西平，邱建英，聂栋，凌士奇，刘恬，彭瑞萍，包天城，崔怀林，廖秀秀，张倩，刘海珠，程颖，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：