本发明专利技术涉及人工智能及数字医疗，提供一种OCT图像分割方法、装置、电子设备及存储介质，通过原始OCT图像的多个分层掩膜确定边缘线，根据所述边缘线计算得到第一梯度权重及根据所述原始OCT图像计算得到第二梯度权重，第一梯度权重和第二梯度权重加入了边缘感知的注意力机制，对于层间的边缘加以区分，为边缘处赋予更大的权重，使得网络在学习时，更注重边缘处的惩罚，获得更准确的边缘特征，提高了模型的分割性能，提高了对OCT图像的分割的准确度。度。度。
【技术实现步骤摘要】
OCT图像分割方法、装置、电子设备及存储介质
[0001]本专利技术涉及图像处理
，具体涉及一种OCT图像分割方法、装置、电子设备及存储介质。
技术介绍
[0002]光学相干断层扫描(Optical CoherenceTomography，OCT)因无接触、非侵入性的特点，已成为眼部疾病诊疗中的常规检查，可为医生提供视网膜结构图像。分割眼部OCT图像中的病灶区域，如视网膜下积液、视网膜内积液、视网膜下高反射物质和色素上皮脱落等，是进行可靠的眼底疾病诊断的基础。
[0003]目前，许多学者对黄斑OCT扫描中眼底结构的分割进行了研究，包括视网膜神经纤维层RNFL、神经节细胞
‑
内网状层GCIPL和脉络膜层。随着计算方式的革新，基于深度学习的OCT图像分割方法也大量出现。
[0004]现有技术中，由于OCT层间边缘模糊，导致基于深度学习的思想训练OCT图像分割模型时，存在层间分割准确率低的问题。
技术实现思路
[0005]鉴于以上内容，有必要提出一种OCT图像分割方法、装置、电子设备及存储介质，能够提高OCT图像分割的准确度。
[0006]本专利技术的第一方面提供一种OCT图像分割方法，所述方法包括：
[0007]获取原始OCT图像的多个分层掩膜；
[0008]基于所述多个分层掩膜确定边缘线；
[0009]根据所述边缘线计算得到第一梯度权重；
[0010]根据所述原始OCT图像计算得到第二梯度权重；
[0011]使用所述原始OCT图像及对应的所述第一梯度权重和所述第二梯度权重训练得到OCT图像分割模型；
[0012]调用所述OCT图像分割模型对待分割OCT图像进行分割。
[0013]在一个可选的实施方式中，所述使用所述原始OCT图像及对应的所述第一梯度权重和所述第二梯度权重训练得到OCT图像分割模型包括：
[0014]根据所述第一梯度权重和所述第二梯度权重计算得到所述原始OCT图像的像素级权重；
[0015]使用所述原始OCT图像及对应的所述像素级权重训练得到OCT图像分割模型。
[0016]在一个可选的实施方式中，所述根据所述第一梯度权重和所述第二梯度权重计算得到所述原始OCT图像的像素级权重包括：
[0017]判断所述原始OCT图像中每个像素点对应的所述第二梯度权重是否大于预设梯度权重阈值；
[0018]当所述原始OCT图像中第一像素点对应的所述第二梯度权重大于所述预设梯度权
重阈值时，将所述第一像素点对应的所述第二梯度权重确定为所述第一像素点的像素级权重；
[0019]当所述原始OCT图像中第二像素点对应的所述第二梯度权重小于所述预设梯度权重阈值时，将所述第二像素点对应的所述第二梯度权重及所述第一梯度权重的乘积确定为所述第二像素点的像素级权重。
[0020]在一个可选的实施方式中，所述使用所述原始OCT图像及对应的所述像素级权重训练得到OCT图像分割模型包括：
[0021]将所述原始OCT图像及对应的所述像素级权重输入预设分割网络中进行分割处理，得到分割图像及分割标签；
[0022]根据所述分割图像与对应的金标准图像计算得到第一损失函数值；
[0023]根据所述分割标签与对应的分层标签计算得到第二损失函数值；
[0024]基于所述第一损失函数值及所述第二损失函数值计算得到总损失函数值；
[0025]基于所述总损失函数值对所述预设分割网络进行迭代训练得到OCT图像分割模型。
[0026]在一个可选的实施方式中，在所述获取原始OCT图像的多个分层掩膜之前，所述方法还包括：
[0027]对所述原始OCT图像进行仿射变换，得到变换图像；
[0028]对所述变换图像中的每个像素点生成一个在x和y方向的位移，得到随机位移场；
[0029]对所述随机位移场进行滤波；
[0030]根据预设形变控制因子对滤波后的随机位移场进行形变控制；
[0031]根据形变后的随机位移场对所述原始OCT图像进行处理，得到增强OCT图像；
[0032]所述获取原始OCT图像的多个分层掩膜包括获取所述增强OCT图像的多个分层掩膜。
[0033]在一个可选的实施方式中，所述对所述变换图像中的每个像素点生成一个在x和y方向的位移，得到随机位移场包括：
[0034]获取所述变换图像中的每个像素点的坐标值；
[0035]对所述坐标值及预设坐标值的范围进行比较，得到比较结果；
[0036]根据所述比较结果将所述像素点划分为中间像素点和边缘像素点；
[0037]对所述中间像素点生成一个在x和y方向的第一位移；
[0038]对所述边缘像素点生成一个在x和y方向的第二位移；
[0039]根据所述第一位移及所述第二位移得到所述随机位移场；
[0040]其中，所述第一位移大于所述第二位移。
[0041]在一个可选的实施方式中，所述基于所述多个分层掩膜确定边缘线包括：
[0042]将所述多个分层掩膜叠加至一副图像中，得到叠加图像；计算所述叠加图像的梯度值；根据所述梯度值确定所述边缘线；或者
[0043]对每个所述分层掩膜进行形态学膨胀处理，得到膨胀图像；对每个所述分层掩膜进行形态学腐蚀处理，得到腐蚀图像；根据每个所述膨胀图像与对应的腐蚀图像计算得到差分图像；根据所述差分图像得到所述边缘线。
[0044]本专利技术的第二方面提供一种OCT图像分割装置，所述装置包括：
[0045]获取模块，用于获取原始OCT图像的多个分层掩膜；
[0046]确定模块，用于基于所述多个分层掩膜确定边缘线；
[0047]第一计算模块，用于根据所述边缘线计算得到第一梯度权重；
[0048]第二计算模块，用于根据所述原始OCT图像计算得到第二梯度权重；
[0049]训练模块，用于使用所述原始OCT图像及对应的所述第一梯度权重和所述第二梯度权重训练得到OCT图像分割模型；
[0050]分割模块，用于调用所述OCT图像分割模型对待分割OCT图像进行分割。
[0051]本专利技术的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述OCT图像分割方法。
[0052]本专利技术的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述OCT图像分割方法。
[0053]本专利技术提供的OCT图像分割方法、装置、电子设备及存储介质，通过原始OCT图像的多个分层掩膜确定边缘线，根据所述边缘线计算得到第一梯度权重及根据所述原始OCT图像计算得到第二梯度权重，第一梯度权重和第二梯度权重加入了边缘感知的注意力机制，对于层间的边缘加以区分，为边缘处赋予更大的权重，使得网络在学习时，更注重边缘处的惩罚，获得更准确的边缘特征，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种OCT图像分割方法，其特征在于，所述方法包括：获取原始OCT图像的多个分层掩膜；基于所述多个分层掩膜确定边缘线；根据所述边缘线计算得到第一梯度权重；根据所述原始OCT图像计算得到第二梯度权重；使用所述原始OCT图像及对应的所述第一梯度权重和所述第二梯度权重训练得到OCT图像分割模型；调用所述OCT图像分割模型对待分割OCT图像进行分割。2.如权利要求1所述的OCT图像分割方法，其特征在于，所述使用所述原始OCT图像及对应的所述第一梯度权重和所述第二梯度权重训练得到OCT图像分割模型包括：根据所述第一梯度权重和所述第二梯度权重计算得到所述原始OCT图像的像素级权重；使用所述原始OCT图像及对应的所述像素级权重训练得到OCT图像分割模型。3.如权利要求2所述的OCT图像分割方法，其特征在于，所述根据所述第一梯度权重和所述第二梯度权重计算得到所述原始OCT图像的像素级权重包括：判断所述原始OCT图像中每个像素点对应的所述第二梯度权重是否大于预设梯度权重阈值；当所述原始OCT图像中第一像素点对应的所述第二梯度权重大于所述预设梯度权重阈值时，将所述第一像素点对应的所述第二梯度权重确定为所述第一像素点的像素级权重；当所述原始OCT图像中第二像素点对应的所述第二梯度权重小于所述预设梯度权重阈值时，将所述第二像素点对应的所述第二梯度权重及所述第一梯度权重的乘积确定为所述第二像素点的像素级权重。4.如权利要求3所述的OCT图像分割方法，其特征在于，所述使用所述原始OCT图像及对应的所述像素级权重训练得到OCT图像分割模型包括：将所述原始OCT图像及对应的所述像素级权重输入预设分割网络中进行分割处理，得到分割图像及分割标签；根据所述分割图像与对应的金标准图像计算得到第一损失函数值；根据所述分割标签与对应的分层标签计算得到第二损失函数值；基于所述第一损失函数值及所述第二损失函数值计算得到总损失函数值；基于所述总损失函数值对所述预设分割网络进行迭代训练得到OCT图像分割模型。5.如权利要求1至4中任意一项所述的OCT图像分割方法，其特征在于，在所述获取原始OCT图像的多个分层掩膜之前，所述方法还包括：对所述原始OCT图像进行仿射变换，得到变换图像；对所述变换图像中的每个像素点生成一个在x和y方向...
【专利技术属性】
技术研发人员：张潇月，苏昊，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。