[发明专利]基于神经网络与约束图搜索算法的OCT图像层分割方法

权利要求书

1.一种基于神经网络与约束图搜索算法的OCT图像层分割方法，其特征在于，包括：

训练神经网络分类器；在训练神经网络分类器时，将OCT图像的多个层结构分割为了n个分类标记区域，各区域分别具有上表面；提取了OCT图像中的m个特征；

确定待分割OCT图像区域1的初始上表面S1的初始表面，基于多分辨图搜索算法得到上表面的最终形状SF1；

提取待分割OCT图像与训练神经网络分类器时相同的m个特征，使用神经网络分类器，对待分割OCT图像进行分类标记为n个区域，找到区域2至区域n中各个区域上表面的初始表面S2……Sn，基于各区域上表面的初始表面分别各自使用约束图搜索算法，得到各区域上表面的最终形状SF2……SFn，其中n为正整数；

其中，约束图搜索算法具体包括：

A1：待分割的OCT图像使用各向异性滤波后的OCT图像并根据亮层结构响应公式计算多尺度亮层结构响应σ_t表示尺度；根据暗层结构响应公式计算多尺度暗层结构响应

A2：建立约束图，约束图中的结点V(x,y,z)与OCT图像中像素一一对应，另外添加两个虚拟结点：源结点S和汇结点T；约束图包含三类有向边：列内边E^intra、列间边E^inter和终端边E^terminal，定义如下：

E^intra＝V(x,y,z),V(x,y,z-1)

E^inter＝V(x,y,z),V(x',y',z-u)

其中，x'＝x-1或者x+1，y'＝y-1或者y+1，ω(V(x,y,z))表示结点的权重，定义为

其中，C(V(x,y,z))表示结点的代价，对应OCT图像的边界图像，使用Sobel算子计算合成图像的边界图像，合成图像计算为

其中，θ、表示合成加权系数；

列内边E^intra和列间边E^inter的权重设为无穷大，终端边E^terminal的权重设为各结点V(x,y,z)权重的绝对值|ω(V(x,y,z))|，使用最大流/最小割算法找到上表面。

2.根据权利要求1所述的基于神经网络与约束图搜索算法的OCT图像层分割方法，其特征在于，还包括：确定上、下设置的两上表面的最终形状SFi、SFj之间的新生血管与积液的步骤，具体方法包括：将上表面的最终形状SFi、SFj之间由上至下划分为若干子区域，各子区域分别具有一上表面，且各子区域均位于该子区域上表面和相邻子区域上表面之间，对各区域的上表面的初始表面分别各自使用约束图搜索算法，得到各子区域上表面的最终形状；

使用凸包算法得到该子区域上表面的凸包上表面，计算该子区域上表面与凸包上表面之间高度差，判断所述的高度差是否大于或等于预定个像素，

若大于或等于预定个像素，则确定该子区域存在新生血管，在该子区域使用阈值分割得到新生血管；

若小于预定个像素，则该子区域不存在新生血管；

在SFi与SFj之间使用阈值方法分割积液。