[发明专利]一种U型网络及角膜图像中神经纤维的分割方法

说明书

本发明公开了一种U型网络及角膜图像中神经纤维的分割方法，所述U型网络包括编码器和解码器，编码器和解码器均为4层，对称跨层连接；解码器部分上采样操作之后加入了多尺度分离及融合模块；该U型网络减少了参数量，增加了感受野、提高了分割性能；所述分割方法采用前述训练好的U型网络，损失函数采用预测图与金标准之间纤维长度差异和Dice损失结合来共同约束U型网络。本发明能够对细小角膜神经纤维进行准确分割，提高角膜神经纤维的分割精度。

技术领域

本发明涉及一种U型网络及角膜图像中神经纤维的分割方法，属于图像处理技术领域。

背景技术

角膜神经图像的分割与分析越来越受到人们的关注。这些通过角膜共聚焦显微镜获得的图像可以记录角膜神经的变化。角膜损伤和角膜疾病常与角膜神经纤维的改变有关。神经纤维的分割为角膜损伤的术后再生和修复、长期佩戴隐形眼镜的影响、不同程度的糖尿病周围神经病变等的定量分析提供了有用的信息。

传统角膜神经图像分割方法不能很好地分割神经纤维。例如，神经纤维图像中角膜细胞的存在可能是一种干扰；另外对于有疾病的角膜，角膜神经图像中的异常区域可能会降低其分割精度，细的神经纤维的分割也是一个很大的挑战。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种U型网络及角膜图像中神经纤维的分割方法，应用于角膜神经图像分割中能够提高角膜神经纤维的分割精度。

为达到上述目的，本发明提供了如下技术方案：

第一方面，本发明提供了一种U型网络，包括对称跨层连接的编码器和解码器；

所述编码器共有四层，前三层的每层包含了2个卷积层和1个池化层，最后一层包含了2个卷积层，通道数逐层增加；

译码器也有四层，第一层包含1个上采样，后三层的每一层包含1个多尺度分离及融合模块、2个卷积层和1个上采样，通道数逐层递减；

编码器每层的输出端连接到与之对称的译码器输入端；译码器后三层的每层通过各自的多尺度分离及融合模块与前一层相连。

结合第一方面，进一步的，所述多尺度分离及融合模块包括第一卷积、第二卷积、第三卷积、第四卷积、第五卷积、分离模块和融合模块；所述第一卷积和第二卷积为1×1卷积，第三卷积、第四卷积和第五卷积为9×9卷积；

特征图经第一卷积后被分离模块分割为4个子通道，第四个子通道直连融合模块输入端；第三个子通道经第五卷积后连接第四卷积输入端及融合模块输入端；第二个子通道经第四卷积后连接第三卷积输入端及融合模块输入端；第一个子通道经第三卷积连接融合模块输入端；所述融合模块将四个子通道输出的特征信息融合后经融合模块输出。

第二方面，本发明提供了一种角膜图像中神经纤维的分割方法，所述方法包括如下步骤：采用训练好的权利要求1或2所述的U型网络对角膜图像进行分割，获取角膜神经纤维图像；

其中，训练所述U型网络所使用的损失函数为：

Loss＝α×L_Dice

式中：Loss为预设计的损失函数；α＝1+mr，l_x表示金标准图像x中的角膜神经纤维总长度，l_y表示二值分割图像y中的角膜神经纤维总长度，二值分割图像y是对U型网络输出图像进行阈值法处理后得到的；N表示每张图的像素总个数，g_i表示金标准图像中第i个像素点的像素值；p_i表示二值分割图像y中第i个像素点的像素值。

结合第二方面，进一步的，所述方法还包括：

对待分割的角膜图像进行数据增强处理；

所述数据增强处理包括水平或垂直翻转、仿射变换和加性高斯噪声处理。