[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

说明书

本发明公开了一种基于深层网络聚合的眼底图像病灶分割方法，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，构建训练集及测试集；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，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)利用眼底图像病灶分割模型对待分割眼底图像进行分割，该方法能够有效的解决现有技术中基于深度卷积神经网络的眼底图像病灶分割效果差的问题。

技术领域

本发明属于图像处理领域，涉及一种基于深层网络聚合的眼底图像病灶分割方法。

背景技术

图像分割是计算机视觉领域研究的热点，其旨在根据颜色、亮度、纹理等特征将的给定图像划分为若干个互不相交的区域。图像分割技术为医学影像等应用提供了丰富的视觉感知信息，特别是使糖尿病视网膜病变患者的眼底图像病灶分割成为可能。眼底图像的病灶分割和自然图像的分割有较大的差异，首先，眼底图像的图片尺寸往往较大，但是对应的病灶区域比较小，而且病灶在图像中的位置相对比较分散；所以，眼底图像的病灶分割一直是图像分割领域的一个难点。随着深度学习技术的兴起与不断发展，基于深度学习的眼底图像病灶分割渐渐表现出很好的性能。因而，基于深层网络聚合的眼底图像病灶分割方法应运而生。

深度学习是一种特定类型的机器学习，通过较简单的表示来表达复杂的表示。深度学习模型由称为隐藏层的多个处理层组成，相较于传统的机器学习方法，具有更高的灵活性和自主学习能力，显著地提高了计算机视觉、模式识别、图像处理和许多其他领域如生物领域的最新技术的性能。

随着深度学习技术的发展和成熟，深度卷积神经网络作为深度学习的重要分支被广泛应用于医学图像分割领域。J.Long等人在2015年提出了全卷积网络模型FCN，这是卷积神经网络用于图像语义分割的开山之作。该方法的出色之处在于，其利用了现存的CNN网络作为其模块之一来产生层次化的特征。将现存的知名的分类模型包括AlexNet、VGG-16、GoogLeNet和ResNet等均转化为全卷积模型，将其全连接层均替换为卷积层，输出为空间映射而不是分类分数。这些映射由小步幅卷积上采样(又称反卷积)得到，来产生密集的像素级别的标签。语义分割需要对多种空间尺度的信息予以整合，也需要对局部与全局信息进行平衡。在医学图像分割领域最负盛名的U-Net系列就是通过多尺度聚合来对分割结果进行调优。O.Ronneberger等人在2015年提出的U-Net建立在FCN的网络架构上，作者修改并扩大了这个网络框架。首先，对解码器进行了加卷积加深处理；其次，采用了跳跃连接的操作，在FCN中，跳跃连接的联合是通过对应像素的求和，而U-Net则是对其的通道的拼接过程，U-Net使其能够使用很少的训练图像就得到很精确的分割结果。由于眼底图像的图片尺寸较大，但是病灶区域比较小，而且病灶在图像中的位置比较分散。所以经典的医学图像分割模型如U-Net等在眼底图像上面的分割效果不是特别好，并不能够做准确的预测。

由于眼底医学图像本身的复杂性，训练出高鲁棒性且高精度的病灶分割模型一直是一个挑战。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于深层网络聚合的眼底图像病灶分割方法，该方法能够有效的解决现有技术中基于深度卷积神经网络的眼底图像病灶分割效果差的问题。

为达到上述目的，本发明所述的基于深层网络聚合的眼底图像病灶分割方法包括以下步骤：

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；