一种早产儿视网膜病变典型病灶自动分割方法技术

本发明专利技术公开了一种早产儿视网膜病变典型病灶自动分割方法，包括以下步骤：S1、收集ROP图像，筛除其中不合格的图像，将合格的ROP图像打标签后作为ROP病灶分割数据集，将数据集划分为训练集、验证集和测试集；S2、构建深度神经网络模型；S3、对训练集进行预处理后使用训练集对深度神经网络模型进行训练，计算损失，对网络参数进行优化，经过若干次迭代后得到最优模型；S4、使用测试集对最优模型进行测试，得到该模型在测试集上的分割性能评价指标。本方法与传统技术相比，能够更好的区分背景和4种病灶结构，降低误判率，实现ROP眼底图病灶的自动像素级分割，最终达到提高网络分割性能的目标。标。标。

【技术实现步骤摘要】
一种早产儿视网膜病变典型病灶自动分割方法


[0001]本专利技术涉及人工智能及计算机辅助医疗
，更具体地，涉及一种早产儿视网膜病变典型病灶自动分割方法。

技术介绍

[0002]早产儿视网膜病变(Retinopathy of Prematurity，ROP)是一种发生于早产儿或低出生体重儿的未成熟视网膜的纤维血管增值引起的一种潜在致盲性视网膜疾病，被认为是儿童失明的主要可预防原因之一。ROP约占全世界儿童失明原因的19％，常见于妊娠周少于32周和出生体重低于1500克的早产儿。随着全球高危儿童数量的增加，高危儿童早产儿视网膜病变筛查变得尤为重要。
[0003]在临床实践中，眼科医生通常通过眼底图像中是否存在分界线(line)、嵴(ridge)、纤维(fiber)、视网膜部分脱落(semi
‑
detachment of retina)和视网膜全脱落(detachment of retina)来诊断ROP。1期是初始阶段，在此阶段末梢血管会出现闭塞，视网膜有血管区和周边无血管区之间形成一条又细又平的白色分界线。2期，白本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种早产儿视网膜病变典型病灶自动分割方法，其特征在于，包括以下步骤：S1、收集早产儿视网膜病变图像，筛除其中不合格的图像，将合格的早产儿视网膜病变图像打标签后作为早产儿视网膜病变病灶分割数据集，将数据集划分为训练集、验证集和测试集；S2、构建深度神经网络模型；S3、对训练集进行预处理后使用训练集对深度神经网络模型进行训练，计算损失，对深度神经网络模型的网络参数进行优化，使用验证集验证当前模型，并保存最高评价指标的模型为当前最优模型，经过若干次迭代后最小化总损失，得到最优模型；S4、使用测试集对最优模型进行测试，得到该模型在测试集上的分割性能评价指标。2.根据权利要求1所述的一种早产儿视网膜病变典型病灶自动分割方法，其特征在于，步骤S1具体为：收集早产儿视网膜病变图像，筛除由于客观条件导致无法辨别早产儿视网膜病变病灶的图像，对剩余图像标注像素级标签，并将标注后得到的掩码图作为早产儿视网膜病变病灶分割数据集，将数据集划分为训练集、验证集和测试集；其中，对测试集图像标注像素级标签具体为：对早产儿视网膜病变图像眼底图中分界线、嵴、纤维和视网膜半脱落这四种结构用不同颜色的线框起来。3.根据权利要求1所述的一种早产儿视网膜病变典型病灶自动分割方法，其特征在于，步骤S2中，深度神经网络模型包括有主干分割网络、辅助分割模块和图像级顺序编码向量学习模块，将预处理后的早产儿视网膜病变图像训练集作为深度神经网络模型的输入，模型输出早产儿视网膜病变病灶分割图Y
′
、早产儿视网膜病变病灶辅助分割图Y1′
，Y2′
，Y3′
、特征图Y
f
′
和图像级顺序编码向量V
′
；具体为：将早产儿视网膜病变图像数据集进行数据增强后作为主干分割网络的输入，主干分割网络输出高级特征F，高级特征F作为辅助分割模块的输入，辅助分割模块分别输出特征F
′
和特征图Y
f
′
，特征F
′
与特征F相加后再输入主干分割网络继续进行分割，图像级顺序编码向量学习模块的作用为获得模型输出结果的顺序编码向量，并将其和真实的顺序编码计算损失，并通过反向传播技术优化主干分割网络的参数。4.根据权利要求3所述的一种早产儿视网膜病变典型病灶自动分割方法，其特征在于，所述主干分割网络包括有编码器和解码器，所述编码器为由多个卷积层构成的STDC网络，用于特征提取；所述解码器使用双线性插值法，用于将高级特征图恢复到原图的分辨率大小；所述辅助分割模块包括有空间注意力模块、通道注意力模块、卷积层和sigmoid函数。5.根据权利要求4所述的一种早产儿视网膜病变典型病灶自动分割方法，其特征在于，在训练阶段的一轮训练中，将一张早产儿视网膜病变图像I∈R
H
×
W
×3作为模型的输入，输出早产儿视网膜病变病灶分割图Y
′
、早产儿视网膜病变病灶辅助分割图Y
′1，Y
′2，Y
′3、特征图Y
′
f
和图像级顺序编码向量V
′
；对真实像素级标签Y进行处理，得到图像块级标签Y
f
和图像级顺序编码向量标签V，再将通过网络得到的输出与真实标签作对比，计算损失函数并使用优化器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；其中，和预测结果Y
′
、Y
′1，Y
′2，Y
′3计算损失的是真实标签Y，和Y
′
f
计算损失的是对真实标签进行multy
‑
hot编码的标签Y
f
，和V
′
计算损失的是对真实标签进行顺序编码的标签V。6.根据权利要求5所述的一种早产儿视网膜病变典型病灶自动分割方法，其特征在于，
得到图像块级标签Y
f
具体为：得到图像块级标签第c通道第i行第j列的值其数学表达式具体为：式具体为：其中，H，W表示输入图片的高和宽，h，w表示输出特征图的高和宽，其中，H，W表示输入图片的高和宽，h，w表示输出特征图的高和宽，为向上取整，i＝0,1,......,h
‑
1，j＝0,1,......,w
‑
1，当Y中包含第c类病灶时T(Y,c)＝1，否则T(Y,c)＝0，c为病灶类别索引，c＝0,1,....

【专利技术属性】
技术研发人员：贾西平，邱建英，项道满，刘恬，聂栋，廖秀秀，刘海珠，
申请(专利权)人：广州市妇女儿童医疗中心，
类型：发明
国别省市：