【技术实现步骤摘要】
脉络膜层和脉络膜血管的分割方法、系统及设备
[0001]本专利技术涉及图像处理
,尤其涉及一种脉络膜层和脉络膜血管的分割方法、系统及设备。
技术介绍
[0002]脉络膜是一种重要的血管层,主要作用是为整个眼球提供氧气、养料,并具有隔光的功效使反射的物象更加清晰。脉络膜的变化对于临床和研究任务都是至关重要的。特别地,为了与年龄匹配的数据或先前测量的数据进行比较,经常需要对脉络膜层和脉络膜血管进行分割并随后测量层的厚度(choroidal thickness,CT)、体积(choroidal volume,CV)和脉络膜血管指数(choroidal vascularity index,CVI),记录眼睛的正常老化变化。
[0003]近年来,光学相干断层扫描(optical coherence tomography,OCT)的引入允许为这种分析捕获视网膜和脉络膜的非侵入性高分辨率图像。然而,由人类专家对光学相干断层扫描图像的大数据集进行人工图像分割和分析是一项耗时的任务,并且有必要开发自动分析方法。
[0004]目前,脉络膜自动层分割方法主要分为以下两类:
[0005]一、基于图像处理方法。将用于视网膜表面检测的方法扩展到脉络膜,提出新的准则来构建图形模型并搜索脉络膜表面;然而,该方法过于依赖实验假设,耗时长,限制了其在临床上的应用;而且,该方法往往需要人工干预或者在大量数据上训练和测试,并主要集中在正常眼睛上,一旦在病理眼睛的情况下,则变得不太准确和稳健。
[0006]二、基于深度学 ...
【技术保护点】
【技术特征摘要】
1.一种脉络膜层和脉络膜血管的分割方法,其特征在于,包括:获取目标OCT脉络膜图像;对所述目标OCT脉络膜图像进行预处理,以生成目标脉络膜数据集;将所述目标脉络膜数据集输入事先训练好的ASPP
‑
SE
‑
U
‑
Net网络进行预测,所述ASPP
‑
SE
‑
U
‑
Net网络包括脉络膜CNN模型和脉络膜血管CNN模型,所述将所述目标脉络膜数据集输入事先训练好的ASPP
‑
SE
‑
U
‑
Net网络进行预测的步骤包括:根据所述脉络膜CNN模型生成脉络膜分割预测图,根据所述脉络膜血管CNN模型及脉络膜分割预测图生成脉络膜血管分割预测图,对所述脉络膜分割预测图及脉络膜血管分割预测图进行叠加,生成脉络膜层和脉络膜血管分割图。2.如权利要求1所述的脉络膜层和脉络膜血管的分割方法,其特征在于,所述根据所述脉络膜CNN模型生成脉络膜分割预测图的步骤包括:根据所述脉络膜CNN模型对所述目标脉络膜数据集进行预测,生成脉络膜预测概率图;根据第一预设概率阈值及所述脉络膜预测概率图,生成所述脉络膜分割预测图。3.如权利要求1所述的脉络膜层和脉络膜血管的分割方法,其特征在于,所述根据所述脉络膜血管CNN模型及脉络膜分割预测图生成脉络膜血管分割预测图的步骤包括:将所述脉络膜分割预测图作为掩膜,对所述目标脉络膜数据集进行裁剪;将裁剪后的目标脉络膜数据集输入所述脉络膜血管CNN模型,生成脉络膜血管预测概率图;根据第二预设概率阈值及所述脉络膜血管预测概率图,生成脉络膜血管分割预测图。4.如权利要求1所述的脉络膜层和脉络膜血管的分割方法,其特征在于,所述ASPP
‑
SE
‑
U
‑
Net网络的训练方法包括:获取基准OCT脉络膜图像;对所述基准OCT脉络膜图像进行预处理,以生成基准脉络膜数据集;在所述基准脉络膜数据集在提取训练集,并对所述训练集进行数据增强处理;在深度学习工具pytorch框架中构建ASPP
‑
SE
‑
U
‑
Net网络;将所述训练集输入所述ASPP
‑
SE
‑
U
‑
Net网络中,计算前向传播的输出与脉络膜标签之间的损失,并通过反向传播的方式更新所述ASPP
‑
SE
‑
U
‑
Net网络的模型参数;迭代所述前向传播及反向传播操作直至所述模型参数能表示脉络膜特征,以生成脉络膜CNN模型及脉络膜血管CNN模型。5.如权利要求4所述的脉络膜层和脉络膜血管的分割方法,其特征在于,所述ASPP
‑
SE
‑
U
‑
Net网络的构建步骤包括:构建U
‑
Net网络;在所述U
‑
Net网络的编码器部分添加SE模块;在所述U
‑
Net网络的编码器部分引入ASPP模块;使用残差块替换U
‑
Net网络的卷积层。6.如权利要求4所述的脉络膜层和脉络膜血管的分割方法,其特征在于,所述对所述目标OCT脉络膜图像/基准OCT脉络膜图像进行预处理的步骤包括:对所述目标OCT...
【专利技术属性】
技术研发人员:黄兆豪,王雪花,李睿,杨维,李宇文,黄炫聪,
申请(专利权)人:佛山科学技术学院,
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。