[发明专利]一种基于深度学习的彩色眼底图像视杯分割方法

说明书

本发明涉及一种基于深度学习的彩色眼底图像视杯分割方法。该方法包括：1)输入眼底图像；2)利用Seg‑ResNet网络先对视盘进行分割，分割之后的视盘区作为视杯分割的感兴趣区域，再利用Seg‑ResNet网络对视盘区进行视杯分割，该网络基于残差基础结构，考虑特征通道之间的关系进行通道加权，对通道间的依赖关系建模，自适应地调整各通道的特征响应值，并对多个层进行特征融合，实现在捕获图像语义信息的同时定位像素点的位置信息；3)输出利用Seg‑ResNet网络的视杯分割结果。本发明在公开数据集GlaucomaRepo和Drishti‑GS上进行视杯分割的测试，结果表明测试结果提高了分割准确率及算法鲁棒性。

技术领域

本发明涉及一种基于深度学习的彩色眼底图像视杯分割方法，该方法涉及图像处理、深度学习以及残差网络，能够对彩色眼底图像视杯进行分割。

背景技术

青光眼是由于眼内压升高而导致的视神经纤维受损的视神经性疾病，具有不可逆转性，致盲率非常高，仅次于白内障。临床上，青光眼可以通过杯盘比等参数的测量来进行初步诊断，而且检测视杯有助于建立一个视网膜坐标系统，以此为依据可进一步判断玻璃膜疣、渗出物、出血点等视网膜异常情况及其位置。彩色眼底图像视杯的自动检测技术为眼科疾病的智能化诊断提供了一个稳定、准确、效率高的解决方式。因此，近年来在诊断研究视网膜视神经疾病方面越来越重视眼底图像视杯分割的准确性。虽然医学图像处理技术的发展使得眼底图像处理技术得到很大突破，在诊断眼底疾病领域也取得一些研究成果，然而在复杂问题和非线性条件较多的情况下，传统医学图像处理算法的准确性和稳定性都不能得到保障。眼底图像中视杯面积小、与视盘对比度不高、边缘不明显且血管遮挡严重等因素，导致使用传统算法分割眼底图像中视杯难以满足医学图像辅助诊断系统的要求，仍有很大提升空间。

基于深度学习的特征提取是在大量来自不同拍摄环境下的数据集上进行的，自适应地学习图像的抽象特征，对不同的数据集分割表现稳定，弥补了传统方法操作复杂、鲁棒性低的问题。深度学习分割框架解决了语义级别图像分割的问题，使得图像中的每个像素都可进行目标与背景的二分类，端到端地对每个像素的预测结果。基于深度学习的视杯分割方法较传统技术已经取得了较大突破，但是由于医学图像的特殊性，很难满足深度网络训练需要的大规模数据集的要求，导致目前基于深度学习的视杯分割精度不高。

发明内容

本发明的目的是提高彩色眼底图像中视杯的分割精度，针对目前已有的小规模数据集，结合迁移学习策略，提出了基于深度学习技术的视杯分割方法，为此，本发明采用如下的技术方案：

1.输入眼底图像，提取感兴趣区域视盘区作为视杯分割的区域；

2.对视盘区进行视杯分割；

3.优化残差结构；

4.采用通道加权结构调整各特征通道的响应值；

5.将高层特征与底层特征融合；

6.输出利用Seg-ResNet网络的视杯分割结果。

步骤1中：由于视杯面积小，与视盘亮度特征相近，为了避免视盘对视杯分割的干扰，在分割视杯之前需要先分割视盘并把视盘区域作为视杯分割的感兴趣区域。

步骤2中：把分割得到的视盘区作为感兴趣区域进行视杯分割。

步骤3中：优化残差块计算，使用1×1+3×3+1×1的三层卷积替换3×3的两层卷积，首先在一个1×1卷积滤波下降低维度减少了计算，优化结构中的中间3×3的卷积层，最后通过另一个1×1的卷积滤波还原维度。