[发明专利]一种OCT图像中脉络膜新生血管分割算法

说明书

本发明公开了一种OCT图像中脉络膜新生血管分割算法，包括以下步骤：S01：对训练图像设计一种结构先验学习方法，构建结构先验矩阵，所述结构先验矩阵用于区分脉络膜新生血管区域和背景区域；S02：基于所述结构先验矩阵将OCT原图像转换为显著性增强图像，用于增强脉络膜新生血管区域的显著性；S03：在所述显著性增强图像上使用多尺度分析，将所述显著性增强图像划分为m个尺度；S04：基于每种尺度训练得到m个训练好的卷积神经网络模型；S05：利用步骤S01、S02、S03对测试图像进行处理，利用步骤S04中训练好的所述卷积神经网络模型进行测试，输出m个分割结果，对m个分割结果进行融合即为最终的分割结果，本发明可以显著提高OCT图像中脉络膜新生血管的分割精度。

技术领域

本发明涉及一种OCT图像中脉络膜新生血管分割算法，属于视网膜图像分割技术领域。

背景技术

现有的脉络膜新生血管自动分割技术大部分基于眼底荧光素血管造影图像。相比较眼底荧光素血管造影，OCT图像具有无创、高速、高分辨率、三维成像等优点，其对于老年性变性黄斑等临床常见眼科疾病的辅助诊断具有更重要的临床意义。

目前尚未有基于OCT图像的脉络膜新生血管分割算法。OCT图像中的脉络膜新生血管分割面临诸多挑战：纹理变化较大、存在灰度不同质性、形状和大小不一致、边界模糊、存在大量斑噪声等。这些问题使得传统的方法很难取得较为精准的分割效果。卷积神经网络具有强大的学习能力，其在医学图像分割(例如，MR脑图像的灰白质分割、电子显微镜下细胞膜的分割、乳腺病理图像的有丝分裂检测等)中已取得了巨大的成功。所以考虑将该框架用于OCT图像中的脉络膜新生血管分割任务中。然而，由于OCT图像特点较为复杂，直接使用卷积神经网络对脉络膜新生血管进行分割存在两个不足：(1)传统的方法首先需要将图像分成若干小块(patch)，然后基于patch训练卷积神经网络分割模型。然而，patch与patch是存在一些结构相关性(例如局部相似性)，传统的方法在训练卷积神经网络分割模型时并未考虑到这种有效的结构信息，从而限制了模型的分割性能。(2)传统的模型是建立在单一尺度patch上的。脉络膜新生血管的大小是不固定的，所以单一尺度的patch很难获取有效的上下文信息，从而影响了分割精度。

发明内容

本发明所要解决的技术问题是，提供一种能够提高OCT图像中脉络膜新生血管的分割精度的基于多尺度结构先验卷积神经网络的OCT图像中脉络膜新生血管分割算法。

为解决上述技术问题，本发明采用的技术方案为：

一种OCT图像中脉络膜新生血管分割算法包括以下步骤：

S01：对训练图像设计一种结构先验学习方法，构建结构先验矩阵，所述结构先验矩阵用于区分脉络膜新生血管区域和背景区域，包括以下步骤：

a：对训练图像进行超像素分割得到若干超像素；

b：提取特征；

c：根据所述训练图像的正确标注将每个所述超像素标记为2类，分别为脉络膜新生血管区域和背景区域；

d：使用标记好的若干所述超像素构造字典；

e：对所有所述超像素进行分类，得到全局结构先验图；

f：基于所述全局结构先验图，计算局部相似结构先验，求得所述结构先验矩阵；

S02：基于所述结构先验矩阵将OCT原图像转换为显著性增强图像，用于增强脉络膜新生血管区域的显著性；

S03：在所述显著性增强图像上使用多尺度分析，将所述显著性增强图像划分为m个尺度；

S04：基于每种尺度训练得到m个训练好的卷积神经网络模型；