本发明专利技术提供一种基于潜在噪点聚类和近似精度损失函数的视网膜图像分割方法，涉及视网膜图像分割技术领域，包括步骤：S101、获取SD‑OCT(Spectral‑Domain Optical Coherence Tomography，频域光学相干断层扫描)眼底图像，对其进行模糊聚类后输出不同分割区域的隶属度函数；S102、确定像元之间的模糊关系，以及隶属度函数与像元之间的模糊关系；S103、根据隶属度函数与像元之间的模糊关系构建模糊粗糙模型，根据模糊粗糙模型得到遗传算法(GA)的适应度函数，通过GA找到最佳的断点集合；S104、将断点集合用于SD‑OCT眼底图像的特征离散化处理；S105、将特征离散化后的SD‑OCT眼底图像输入到FRCNN网络中进行处理，输出对视网膜下积液(SRF)的分割结果，本发明专利技术能够在兼顾可解释性的同时准确地分割出SRF病变区域。
【技术实现步骤摘要】
本专利技术涉及视网膜图像分割，尤其涉及一种基于潜在噪点聚类和近似精度损失函数的视网膜图像分割方法。
技术介绍
1、医学图像诊断是指医生通过非侵入式的方式取得内部组织的影像数据来对疾病进行定量或定性分析。医学图像记录的患者信息已成为医生诊断的关键依据，对治疗方法的选择上起到决定性的作用。作为一种成熟的光学诊断技术，频域光学相干断层扫描(spectral-domain optical coherence tomography，sd-oct)具有高分辨率、高灵敏度以及无创性等诸多优点，为眼底疾病的诊断、随访和鉴别提供了一种可靠的技术方案。
2、视网膜下积液(srf)通常被视为增殖性糖尿病视网膜病变的常见类型。sd-oct分割技术通过定量分析病变区域来发现早期的srf，以辅助医生进行临床诊断和治疗。传统的医学图像分割方法依赖于复杂的数学模型和领域知识，难以适用于医学大数据场景。基于深度学习的医学图像分割方法允许使用具有多个处理层的计算模型来自动学习具有多个抽象级别的数据表示，为眼底图像分割提供了一种极具吸引力的解决方案。
>3、尽管深度学习技本文档来自技高网...
【技术保护点】
1.一种基于潜在噪点聚类和近似精度损失函数的视网膜图像分割方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤S101具体包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，步骤S101中，随机选取灰度直方图的峰值作为模糊聚类中心的初始值，将SD-OCT眼底图像中出现频次最低的灰度值所对应的像素点确定为潜在噪点，当模糊聚类中心不再更新后，根据潜在噪点与各个模糊聚类中心的聚类确定潜在噪点的隶属度，潜在噪点不参与模糊聚类过程。
4.根据权利要求3所述的方法，其特征在于，步骤S102具体包括以下步骤：
5...
【技术特征摘要】
1.一种基于潜在噪点聚类和近似精度损失函数的视网膜图像分割方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s101具体包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，步骤s101中，随机选取灰度直方图的峰值作为模糊聚类中心的初始值，将sd-oct眼底图像中出现频次最低的灰度值所对应的像素点确定为潜在噪点，当模糊聚类中心不再更新后，根据潜在噪点与各个模糊聚类中心的聚类确定潜在噪点的隶属度，潜在噪点不参与模糊聚类过程。
4.根据权利要求3所述的方法，其特征在于，步骤s102具体包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，步骤s103中，根据隶属度函数与像元之间的模糊关系构建模糊粗糙模型，根据模糊粗糙模型得到遗传算法(ga)的适应度函数，具体包括以下步骤：
6.根据权利要求5所述的方法，其特征在于，步骤s105中，frcnn网络由具有编码器-解码器架构的骨干网络和阶段性注意力细化模块组成，将基于模糊粗糙集的特征离散化模型作为frcnn网络的前置模块。
7.根据权利要求6所述的方法，其特征在于，所述骨干网络使用向前跳跃连接和具有残差连接的卷积，骨干网络每个stage的输入由两个3×3×3卷积层处理，每个卷积块...
【专利技术属性】
技术研发人员：陈琼，唐银清，林加论，王景晖，詹何庆，李晓玲，陈燕莹，
申请(专利权)人：海南医科大学海南省医学科学院，
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。