System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理领域,具体涉及基于深度学习的巩膜镜oct图像泪液层分割模型、构建方法、分割方法、介质和计算机设备。
技术介绍
1、角膜疾病相关屈光矫治的是全球难题,传统屈光矫正手段无法矫正严重角膜不规则疾病(如圆锥角膜、严重干眼),而巩膜镜因其镜片直径足够大、与角膜形成了一个可以容纳液体的空间,该空间容纳了泪液和配戴接触镜时所使用的润滑液,可以改善角膜前表面的不规则、重塑光学表面,以达到保护角膜、提升视觉质量的效果。
2、光学相干断层扫描(oct)是一种用于生物组织成像的技术,可以高精度地检测生物组织的形态和结构。在眼科领域中,oct被广泛应用于角膜和视网膜的检测。然而,现有的配戴巩膜镜的角膜oct图像分析仍然主要依赖于手动分割,这种方法既耗时又易出错。因此,开发一种自动、精确的配戴巩膜镜的角膜oct图像分割方法,对于临床医生验配巩膜镜具有重要意义。
3、oct图像中的配戴巩膜镜的角膜自动分割目前尚未有解决方法,但与之相关的角膜及视网膜分割有很多经典的解决方法。比如,利用图论和动态规划,利用阈值分割和聚类分割的方法等等。这些方法有相当的局限性,首先,它们对图像质量相当敏感,难以处理复杂的图像,其次,参数需要手动设计和调整,不够灵活。最重要的是,这些方法往往计算开销大,速度慢。近年来,随着深度学习的发展,以卷积网络为主的u-net网络已经广泛运用在医学图像的分割中。除了基本的u-net分割,还有resunet,u-net++等等。
4、利用u-net网络进行学习训练后,对于大多数oct图像
5、首先,在配戴巩膜镜的角膜oct图像中,镜下泪液层厚薄不一、形态不规则,且各层纹理相似度高,边界模糊。其次由于巩膜镜特有的正午雾化现象引起泪液镜浑浊会影响目标像素精确分割。最后,oct的成像原理属于相干成像,存在大量的散斑噪声,该噪声会掩盖较小的特征,使得组织边界变得模糊。眼睫毛和眼睑等异物遮挡也会造成目标物体的成像不完整。扫描过程中也可能产生额外的中央光带。这些都会影响分割效果。
技术实现思路
1、为了克服
技术介绍
的不足,本专利技术提供基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割方法,主要用于眼前段oct图像中配戴巩膜镜的角膜各层结构同时提取,也可用于具有低组织对比度和严重成像伪影等现象的医学图像的分割,辅助图像兴趣目标的空间定位其形态学特征的量化。
2、本专利技术所采用的技术方案是:
3、基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型,所述模型包括两个不同的网络分支,分别为语义分割子网络和边界探测子网络,实现边界卷积特征引导的图像分割;包括编码器和解码器模块,且编码器和解码器模块具有上下文编码层的多尺度输入模块进行上下文特征的提取和融合的功能。
4、编码器为基于resnet34网络,其网络每一层包含不同数量的残差块;相邻两个卷积层相减可得到对应位置上的信息差异。
5、使用逐元素减法和串联运算处理了resblock和convolutionblock之间的特征图,对输入图像执行编码和下采样操作后,生成的特征图用于生成具有不同维度和层次结构的区域和边界特征图;然后,这些特征图分别用于执行区域语义分割和边界描绘;从而构建一个目标提取编码器,实现目标和边界特征的分别提取。
6、处理后的边界特征图使用2×2的上采样层,将它们与编码上采样和跳跃连接操作一起输入边界解码块,该过程重复多次,最后,利用conv1×1层对输出使用sigmoid激活函数,从而实现精确的边界检测。
7、具有上下文编码层的多尺度输入模块为基于ce-net的密集空洞卷积(dac)块,将上下文编码层应用在多尺度输入上,编码器首先应用空间金字塔对输入图像进行池化,获得了在多个尺度上包含丰富空间信息的多尺度输入图像,然后,编码器用这些多尺度图像来进一步细化其特征图,并以更高的精度对复杂模式进行分类,编码器采用多尺度输入,这些输入经过卷积和dac块操作以产生特征信道,然后添加到编码器的主干中,dac模块利用不同空洞率的空洞卷积从不同大小的tfr中提取特征,并帮助模型提高每个像素的分类精度。
8、如上述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型的构建方法,包括以下步骤:
9、s1,数据收集:实验数据为眼前段oct图像数据,对获取的oct图像数据集进行预处理,减少图像噪声,增强图像对比度;进行标注,图像中的巩膜镜层、泪液层和角膜层均由手工标注;将所述数据集划分为训练集、验证集和测试集;
10、s2,网络设计:形成两个不同的网络分支,分别为语义分割子网络和边界探测子网络,实现边界卷积特征引导的图像分割;构造编码器和解码器模块,且具有上下文编码层的多尺度输入模块进行上下文特征的提取和融合;
11、s3,模型训练,根据整理好的训练集和验证集以及构建好的网络模型开始进行模型的训练;最终得到训练好的网络模型。
12、基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割方法,包括以下步骤,步骤一、向如上所述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型输入待测的oct图像;步骤二、获得分割好的图像。
13、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割方法。
14、一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割方法。
15、本专利技术的有益效果是:本专利技术提供了一种基于边界引导深度学习的图像分割算法,通过设计三个不同的卷积模块和两个不同的子网络,对经典的u-net网络进行改进,从而构建一个具有边界引导特性的图像分割网络,执行图像中兴趣目标及其边界的同时提取,本专利技术可用于图像分割任务中,并且能够获得相对较高的分割精度,可为目标空间定位,病灶探测及其形态量化提供重要理论支撑。
本文档来自技高网...【技术保护点】
1.基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割模型,其特征在于:所述模型包括两个不同的网络分支,分别为语义分割子网络和边界探测子网络,实现边界卷积特征引导的图像分割;包括编码器和解码器模块,且编码器和解码器模块具有上下文编码层的多尺度输入模块进行上下文特征的提取和融合的功能。
2.如权利要求1所述的基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割模型,其特征在于:编码器为基于ResNet34网络,其网络每一层包含不同数量的残差块;相邻两个卷积层相减可得到对应位置上的信息差异。
3.如权利要求2所述的基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割模型,其特征在于:使用逐元素减法和串联运算处理了ResBlock和ConvolutionBlock之间的特征图,对输入图像执行编码和下采样操作后,生成的特征图用于生成具有不同维度和层次结构的区域和边界特征图;然后,这些特征图分别用于执行区域语义分割和边界描绘;从而构建一个目标提取编码器,实现目标和边界特征的分别提取。
4.如权利要求3所述的基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割模型,其特
5.如权利要求4所述的基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割模型,其特征在于:具有上下文编码层的多尺度输入模块为基于CE-Net的密集空洞卷积(DAC)块,将上下文编码层应用在多尺度输入上,编码器首先应用空间金字塔对输入图像进行池化,获得了在多个尺度上包含丰富空间信息的多尺度输入图像,然后,编码器用这些多尺度图像来进一步细化其特征图,并以更高的精度对复杂模式进行分类,编码器采用多尺度输入,这些输入经过卷积和DAC块操作以产生特征信道,然后添加到编码器的主干中,DAC模块利用不同空洞率的空洞卷积从不同大小的TFR中提取特征,并帮助模型提高每个像素的分类精度。
6.如权利要求1-5任意一项所述的基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割模型的构建方法,其特征在于:包括以下步骤:
7.基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割方法,其特征在于:包括以下步骤,步骤一、向如权利要求1-5任意一项所述的基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割模型输入待测的oct图像;步骤二、获得分割好的图像。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求7所述的基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割方法。
9.一种计算机设备,其特征在于:包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求7所述的基于深度学习的巩膜镜戴镜OCT图像泪液角膜层分割方法。
...【技术特征摘要】
1.基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型,其特征在于:所述模型包括两个不同的网络分支,分别为语义分割子网络和边界探测子网络,实现边界卷积特征引导的图像分割;包括编码器和解码器模块,且编码器和解码器模块具有上下文编码层的多尺度输入模块进行上下文特征的提取和融合的功能。
2.如权利要求1所述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型,其特征在于:编码器为基于resnet34网络,其网络每一层包含不同数量的残差块;相邻两个卷积层相减可得到对应位置上的信息差异。
3.如权利要求2所述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型,其特征在于:使用逐元素减法和串联运算处理了resblock和convolutionblock之间的特征图,对输入图像执行编码和下采样操作后,生成的特征图用于生成具有不同维度和层次结构的区域和边界特征图;然后,这些特征图分别用于执行区域语义分割和边界描绘;从而构建一个目标提取编码器,实现目标和边界特征的分别提取。
4.如权利要求3所述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型,其特征在于:处理后的边界特征图使用2×2的上采样层,将它们与编码上采样和跳跃连接操作一起输入边界解码块,该过程重复多次,最后,利用conv1×1层对输出使用sigmoid激活函数,从而实现精确的边界检测。
5.如权利要求4所述的基于深度学习的巩膜镜戴镜oct图像泪液角膜层分割模型,其特征...
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。