[发明专利]一种基于生成对抗机制的眼底影像杯盘分割方法

说明书

本发明公开了一种基于生成对抗机制的眼底影像杯盘分割方法，通过对单通道或多通道彩色眼底影像图进行数据增强处理，然后利用U‑Net网络对眼底影像图进行分割，得到的预测分割图像会输送到判别器网络中进行鉴定真假，得到的真假判断损失返回调整U‑Net网络生成的模型，经过多次生成对抗网络的运行，最终得到最优的视盘分割模型和视杯分割模型，实现对视盘和视杯的分割检测。

技术领域

本发明涉及眼部医学影像检测领域，更具体地，涉及一种基于生成对抗机制的眼底影像杯盘分割方法。

背景技术

青光眼是视神经逐渐受损的一种慢性眼部疾病，是排在白内障后的第二大失明致因，杯盘比是国内外检测青光眼最为常用的一种检测方法，相比于视野缺损、眼压等测量方法，杯盘比的计算较为稳定，而用于杯盘比检测的载体一般为眼底图和OCT等眼底影像，可以保存并用于医疗大数据的整理与分析。

利用计算机技术分析和处理数字图像，以检测与分割出眼底影像的视盘和视杯，其结果作为辅助意见供诊断医师参考，通常采用数字图像处理技术的形状匹配方法和主动轮廓方法等检测眼底影像的颜色、形状、纹理等特征，或采用机器学习方法从特定数据集中提取有代表性的特征，从而分割得到视盘与视杯。目前一般采用以下三种方法：

1.形状匹配方法。由于视盘和视杯呈现圆形或椭圆形的特点，在早期对视盘视杯的研究中，一般采用基于形状的方法对视盘和视杯进行分割。有利用圆形霍夫变换方法分割出视盘，利用梯度矢量流模型提高分割的准确性，也有利用椭圆霍夫变换方法拟合椭圆形的视盘与视杯区域。但是这种方法对形状和灰度值的敏感性较强，对于出现病灶区域的图像，或者形变、灰度值相差较大的图像，这种方法对视盘与视杯的检测与分割效果不理想。

2.主动轮廓方法。主动轮廓模型(ActiveContourModel)也称Snake模型，是一条描绘图像中感兴趣区域边缘的闭合曲线，用来表示目标轮廓。由于这种方法是受到亮度、纹理等特征的能量驱动来拟合目标轮廓，比形状匹配方法更具有鲁棒性，许多研究者对此模型提出了多种分割方法，并广泛应用在视盘与视杯的研究中，如基于局部信息的CV图像分割模型、基于椭圆形约束的多相主动轮廓模型、梯度矢量场(GVF)Snake模型。许多研究者提出在擦除血管的基础上再利用主动轮廓方法精确提取视盘和视杯。但是主动轮廓方法的性能很大程度上决定于视盘与视杯边缘的初始化条件，且检测用时较长。

3.机器学习或深度学习方法。机器学习在特定的数据集中提取有代表性的特征，并且需要人工手动提取特征。而深度学习方法自动提取眼底影像的特征，且特征数量庞大，如CNN、U-Net。但是现有机器学习和深度学习方法的分割模型训练时间长。

综上所述，现有视盘与视杯分割的计算机辅助技术仍然不能同时满足青光眼检测对高准确率和低运算时间的需求，也不能在不同成像技术的眼底影像上实现对视盘与视杯的分割。

发明内容

本发明的目的是解决上述一个或多个缺陷，设计一种基于生成对抗机制的眼底影像杯盘分割方法。

为实现以上发明目的，采用的技术方案是：

一种基于生成对抗机制的眼底影像杯盘分割方法，包括以下步骤：

S1：对原图像进行数据增强操作，通过旋转变换和定位裁剪、对比度增强，增加眼底影像图的数量和提取目标图像缩小特征提取的范围、增强视盘和视杯的特征对比度；

S2：通过U-Net网络自动提取视盘与视杯的特征，通过大量数据增强处理后的视盘图像分别训练出视盘分割模型与视杯分割模型，利用收缩路径中的卷积、批标准化、池化和下采样交替缩小视盘图像尺寸，提取出越来越多的视盘与视杯特征；当特征数量达到指定的数量时，利用扩展路径的上采样、卷积、激活、批标准化逐步恢复图像原本尺寸，并与收缩路径中同层次的图像特征进行融合产生新的特征，进而提炼得到最终的二分类或多分类分割图像，同时生成一个视盘分割模型或视杯分割模型；