[发明专利]一种基于条件生成式对抗网络在ICGA图像上分割漆裂纹的方法

说明书

本发明公开了一种基于条件生成式对抗网络在ICGA图像上分割漆裂纹的方法，包括以下步骤：（1）收集原始ICGA图像，提取完整的眼底造影图像，对其进行金标准标注，将眼底造影图像与金标准进行归一化处理后，拼接为一组图像作为样本数据，按比例将样本分配为训练集与测试集；（2）基于条件生成式对抗网络原理，构建生成器和判别器网络；（3）将训练集数据输入网络进行对抗训练，定义损失函数，训练生成器生成与原图对应的漆裂纹图像；（4）测试阶段，输入测试集数据，通过训练好的生成器G，得到对应的漆裂纹分割结果图。本发明提供的分割方法可用于解决ICGA图像样本量较少、造影图像获取困难的问题，具有分割结果准确性高的特点。

技术领域

本发明涉及一种基于条件生成式对抗网络在ICGA图像上分割漆裂纹的方法，属于图像处理技术领域。

背景技术

近年来，随着大数据的迅速发展，深度学习网络已经被广泛应用于计算机视觉、人工智能等领域。其中，生成式对抗网络(GAN)更是解决图像翻译问题的一个重要的网络工具，它被称为是“20年来机器学习领域最酷的想法”。

与传统的图模型相比，GAN是更好的生成模型，它在某种意义上避免了马尔科夫链式的学习机制，这使得它能够区别于传统的概率生成模型。传统概率生成模型一般都需要进行马可夫链式的采样和推断，而GAN避免了这个计算复杂度特别高的过程，直接进行采样和推断，从而提高了GAN的应用效率，所以其实际应用场景也就更为广泛。

其次GAN是一个非常灵活的设计框架，各种类型的损失函数都可以整合到GAN模型当中，这样使得针对不同的任务，我们可以设计不同类型的损失函数，都会在GAN的框架下进行学习和优化。

最重要的一点是，当概率密度不可计算的时候，传统依赖于数据自然性解释的一些生成模型就不可以在上面进行学习和应用。但是GAN在这种情况下依然可以使用，这是因为GAN引入了一个非常聪明的内部对抗训练机制，可以逼近一些不是很容易计算的目标函数。

因此，使用GAN生成图像不需要一个严格生成数据的表达式，唯一需要的仅仅是随机噪声向量以及一系列真实数据，GAN中的生成器与判别器通过博弈达到平衡，使网络趋于稳定，得出真实的生成图像。目前，在图像修改方面，包括单图像超分辨率、交互式图像生成、图像编辑和图像到图像的翻译都可以应用GAN得到较为完美的解决方案。

另一方面，人工智能在医学领域的应用也在迅速发展。尤其是人们对与眼科疾病的关注，使得眼科影像处理分析成为了当今人工智能领域的热门研究课题。眼睛是心灵的窗户，许多心血管疾病早期都会通过眼睛有所表现。因此，对眼科影像的自动处理与分析，不仅可以减轻医生的负担，高效地对眼科疾病患者进行分析与治疗；同时也可以进行相关疾病的筛查，对疑似患者安排出切实可性的诊断与治疗方案。

近年来，高度近视已成为眼科影像领域重点关注的疾病之一。它所引起的视网膜脱离、黄斑出血和后巩膜葡萄肿等病变，均是导致失明的重要危险因素。在高度近视病变中，漆裂纹样损害和萎缩斑(Fuchs斑)是高度近视眼底特有的病变，严重损害视功能，甚至导致失明，日益引起眼科界的重视。

漆裂纹样病变多发生与高度近视眼的进展期，最早由Salzmann描述。他在研究高度近视眼的脉络膜病变时，发现玻璃膜有枝状或网状裂隙，眼底表现为不规则的黄白色条纹，形似旧漆器上的裂纹。漆裂纹样病变主要为玻璃膜破裂和色素上皮萎缩所致。发生机制可能与遗传因素相关，更可能与生物力学异常，如眼轴延长、眼压升高，眼内层变形及玻璃膜牵引撕裂等因素有关，同时血液循环障碍、年龄增长也会对其有所影响。

对于漆裂纹样病变的观察，目前主要依靠荧光血管造影图像。相关实验证明使用吲哚菁绿血管造影(ICGA)图像比荧光素造影图像更容易对漆裂纹样进行判断与识别，因此在吲哚菁绿血管造影图像上对漆裂纹进行分割与定量分析对漆裂纹样的分析与生长预测有着重大的意义。

发明内容