[发明专利]超声图像中眼球区域分割方法

权利要求书

1.一种超声图像中眼球区域分割方法，其特征在于，包括：

利用一定数量的、且经专家进行眼球区域标注的眼科超声图像构建训练集；

分别计算训练集中的每一眼科超声图像的有向符号距离场矩阵，由训练集中的所有图像构成训练集有向符号距离场矩阵；

利用训练集以及有向符号距离场矩阵训练预先搭建的卷积神经网络SS-Unet；

将待分割的眼科超声图像输入至训练完毕的卷积神经网络SS-Unet，从而完成眼球区域分割；

其中，所述卷积神经网络SS-Unet包括：特征提取路径、语义嵌入路径和上采样路径；其中：

特征提取路径包括五个网络阶段，记为downstage1～downstage5；每个网络阶段的输入数据先经过两个卷积模块，每个卷积模块包含1个卷积层，1个归一化层和1个使用ReLU函数的激活层，随后通过1个池化层后输出，并作为下一个网络阶段的输入；

语义嵌入路径包括两个语义嵌入模块；第一个语义嵌入模块将特征提取路径中网络阶段downstage3、downstage4以及downstage5的输出分别通过1个卷积层和1个采用双线性插值的上采样层后，与网络阶段downstage2的输出逐像素相乘作为网络阶段downstage2的新的输出；第二个语义嵌入模块将特征提取路径中网络阶段downstage4与downstage5的输出分别通过1个卷积层和1个采用双线性插值的上采样层后，与网络阶段downstage3的输出逐像素相乘作为网络阶段downstage3的新的输出；

上采样路径包括五个阶段，记为upstage 1～upstage5；上采样路径的阶段upstage 5即特征提取路径的网络阶段downstage5；第i个阶段upstagei的输出经过上采样后与网络阶段downstage i-1的输出拼接，再通过2个卷积层作为upstage i-1的输出；

在upstage 1输出特征图后，再接一个卷积层将通道数降为1，得到m×n大小的预测输出；

所述利用训练集以及有向符号距离场矩阵训练预先搭建的卷积神经网络SS-Unet包括：

将训练集有向符号距离场矩阵中对应于输入眼科超声图像的有向符号距离场向量变形为m×n大小的有向符号距离场矩阵以卷积神经网络SS-Unet的预测输出与有向符号距离场矩阵间的均方误差作为网络损失函数：

其中，m、n分别为眼科超声图像的长和宽，x_ij为卷积神经网络SS-Unet的预测输出中第i行第j列处的像素值，y_ij为有向符号距离场矩阵中第i行第j列处的数值；

求出损失函数值后，依据链式法则求出其对应于每个神经元的梯度，通过误差反向传播更新参数，学习率由Adam算法自动调节；卷积神经网络SS-Unet的参数学习过程一直持续到损失函数值收敛为止。

2.根据权利要求1所述的一种超声图像中眼球区域分割方法，其特征在于，所述经专家进行眼球区域标注的眼科超声图像是指，由专家对眼科超声图像中眼球所在区域进行标注，眼球区域标注为黑色，背景区域标注为白色；

对于标注过的眼科超声图像进行数据扩充，从而构建训练集；数据扩充方式包括：缩放、旋转与平移。