[发明专利]一种基于改进的U-net网络的OCT图像脉络膜分割方法

说明书

本发明公开了一种基于改进的U‑net网络的OCT图像脉络膜分割方法，该U‑net网络主要改进点包括：(1)通过在网络中增加编码器和译码器的数量来提取更多特征信息；(2)在编码器后面加入精致残差块来增强每一层识别能力；(3)在译码器后面加入注意力模块让高层语义信息指导底层细节信息；(4)损失函数采用传统的L2损失和Dice损失结合来共同约束网络模型，采用本发明改进的U‑net网络可以自动分割无论是正常人眼还是病理性近视人眼脉络膜的上下边界，并且分割结果准确性高。

技术领域

本发明涉及一种基于改进的U-net网络的OCT图像脉络膜分割方法，属于眼底图像分割技术领域。

背景技术

以1050纳米为中心波长的扫频光学相干断层成像(SS-OCT)是一种成像时间短，具有实时性，活检性，高分辨率等优点的最新眼底三维扫描技术。所采集的大视野图像扫描范围包括黄斑中心和视神经乳头(ONH)区域。图像中能够显示完整的脉络膜组织以及部分巩膜结构。

脉络膜是介于视网膜和巩膜之间的一层血管网组织，由丰富的血管和色素组成，其主要作用是为整个眼球提供氧气、养料，并具有隔光的功效，使反射的物象更清晰，同时对人的视觉系统有保护作用，对整个视觉神经有调节作用。很多疾病与脉络膜的形态息息相关，如年龄相关性黄斑病变和近视黄斑病变的一个可视化的特征就是脉络膜的厚度和体积发生变化。实现OCT图像中脉络膜的分割对脉络膜形态和结构的定量分析具有重要的意义。

目前针对OCT图像中脉络膜自动分割的算法大部分都是传统算法，存在以下的缺陷和不足：(1)大部分的算法都是二维算法，仅针对每个切片图像上进行独立的分割，易受到图像噪声和伪影的影响，并且没有考虑到三维图像的空间相关性，从而导致分割结果出现比较大的误差。(2)很多算法只能适应正常OCT图像的脉络膜分割，当脉络膜出现病变时，这些算法将失效，很多算法不具有广泛性和鲁棒性。(3)由于神经乳头(ONH)区域的特殊性，有些算法不适应大视野扫描成像，而有些算法需要进行预处理，导致算法复杂但实际准确率并不高。

发明内容

本发明所要解决的技术问题是，提供一种可以自动且准确分割出脉络膜上下边界的分割方法。

为解决上述技术问题，本发明采用的技术方案为：

一种基于改进的U-net网络的OCT图像脉络膜分割方法，包括以下步骤：

(1)数据获取和预处理，收集原始OCT图像，对其脉络膜上下边界进行专业标注，将含有金标准的图像进行归一化处理后，将处理得到的数据集作为训练集；

(2)构建U-net网络结构，其中U-net网络结构收缩路径中每层由一个卷积层和一个精致残差模块构成，所述精致残差模块为将输入的特征图经过卷积进行通道数转换后，再进行卷积，批处理，激活，卷积，再与第一步卷积得到的特征图进行残差操作，最后再进行激活处理，第一层之外的其它层在精致残差模块后采用批标准化处理，扩张路径中每层由一个反卷积层和一个通道注意力模块组成，所述通道注意力模块为将来自高层和底层的特征图进行串联，对串联后的特征图进行池化、卷积、激活、卷积、激活处理，将优化后的特征图和高层特征图进行相乘，再与底层特征图进行相加；

(3)将训练集输入构建的U-net网络进行训练；

(4)将待分割图像送入训练好的模型中进行图像分割。

步骤(1)中采用双线性插值对图像进行下采样处理。

步骤(2)中增加收缩路径以及扩张路径层数。

将收缩路径以及扩张路径层数增加为8个。

步骤(2)中定义损失函数为Dice损失与L2损失组合，即其中x表示金标准，即专业标注的脉络膜分割图；y表示网络的输出，即网络预测的脉络膜分割图。

步骤(3)中采用Adam算法对网络进行优化。