[发明专利]一种基于深层网络聚合的眼底图像病灶分割方法

权利要求书

1.一种基于深层网络聚合的眼底图像病灶分割方法，其特征在于，包括以下步骤：

1)获取若干眼底病灶图像，对每个眼底病灶图像中的病灶轮廓进行人工分割，得真值标签，然后通过一部分眼底病灶图像构建训练集，通过另一部分眼底病灶图像构建测试集；

2)在U-Net模型的骨干网络中添加深层聚合网络模块；

3)将步骤2)得到的U-Net模型迁移至眼底图像的病灶分割中，再将训练集中的各眼底图像及其对应的病灶轮廓输入到U-Net模型中对U-Net模型进行训练，并将训练后的U-Net模型作为眼底图像病灶分割模型；

4)将测试集中的眼底图像输入到步骤3)得到的眼底图像病灶分割模型中，并将眼底图像病灶分割模型输出的病灶分割轮廓与人工分割得到的真值标签进行比较，得相应的AUPR值，然后利用眼底图像病灶分割模型对待分割眼底图像进行分割；

在对U-Net模型训练的过程中，采用指数对数损失函数来避免病灶区域和背景之间的不平衡引发的训练问题，该指数对数损失函数的表达式为：

L_EXP＝w_dice*L_Dice+w_cross*L_Cross

其中，w_dice是dice loss的权重，L_Dice即为对应的dice loss；w_cross是cross entropyloss的权重，L_Cross即为对应的cross entropy loss；

将训练集中的各眼底图像及其对应的病灶轮廓输入到U-Net模型中对U-Net模型进行训练，使得指数对数损失函数达到最小，完成U-Net模型的训练，并将训练后的U-Net模型作为眼底图像病灶分割模型；

步骤4)的具体操作为：

41)将测试集中的眼底图像输入到步骤3)得到的眼底图像病灶分割模型中，得模型自动分割的病灶分割轮廓；

42)将模型自动分割的病灶分割轮廓与人工分割得到的真值标签进行对比，得AUPR值，然后利用眼底图像病灶分割模型对待分割眼底图像进行分割；

深层聚合网络模块包括1路特征图的输入及1路特征图的输出；输入由3个卷积层、3个批归一化层及1个激活层组成；

眼底图像病灶分割模型由6个卷积层、4个池化层、4个上采样层及4个反卷积层构成，其中，4个池化层分别连接在前4个卷积层后面，后面2个卷积层为1×1卷积，用于降低计算量和促进通道间的信息融合，4个上采样层分别连接在4个反卷积层的后面。