[发明专利]基于深度学习的视网膜层和积液区域的层分割方法及系统

权利要求书

1.一种基于深度学习的视网膜层和积液区域的层分割方法，其特征在于，所述方法包括如下步骤：

获取医疗系统中各节点区域的视网膜OCT数据集，将所述视网膜OCT数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集；

根据构建的改进型Unet分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中的数据进行前向传播，以得到分割预测图；

根据联合损失函数公式计算分割预测图与专家像素级标记图像进行one-hot编码后的标准概率图之间的联合损失值，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型；

通过所述测试数据集对分割网络模型进行测试，以验证所述分割网络模型的可靠性；

根据构建的改进型Unet分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中的数据进行前向传播，以得到分割预测图的方法包括：

在Unet网络中的每个编码模块和解码模块的3*3卷积块之前增加一个1*1卷积层，在该1*1卷积层之后分别建立一个SE模块和空分支，SE模块的分支和3*3卷积块并联，空分支和3*3卷积块的输出端连接，以得到改进型Unet分割网络，其中所述3*3卷积块为两个3*3卷积层的串联，SE模块用于获取每个特征通道的重要程度；

将所述训练数据集中的数据输入改进型Unet分割网络后，先通过第一个改进后的编码块，以得到经1*1卷积层输出的第一特征图、经3*3卷积块输出的第二特征图及经SE模块输出的第三特征图；

将所述第一特征图、第二特征图及第三特征图以残差的方式进行相加融合得到的特征图作为第一个下采样层即2*2最大池化层的输入，再通过分割网络剩余池化层和卷积层等的前向传播以得到分割预测图。

2.根据权利要求1所述的基于深度学习的视网膜层和积液区域的层分割方法，其特征在于，将所述视网膜OCT数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集的方法包括：

分别将第一数量患者及第二数量患者的视网膜OCT图像及其对应的专家像素级标记图像裁剪填充为预设大小尺寸后，作为预训练数据集及测试数据集，其中，所述视网膜OCT图像与专家像素级标记图像的尺寸一致；

将所述预训练数据集中的视网膜OCT图像及其对应的专家像素级标记图像进行随机平移操作，以得到训练数据集。

3.根据权利要求1所述的基于深度学习的视网膜层和积液区域的层分割方法，其特征在于，所述分割网络对应的损失函数为：

L_seg＝λ_mceL_mce+λ_diceL_dice

其中，λ_mce、λ_dice为权重系数，L_mce、L_dice分别为加权多类交叉熵损失函数、dice损失函数。

4.根据权利要求1所述的基于深度学习的视网膜层和积液区域的层分割方法，其特征在于，所述分割预测图的大小为N*C*h*w，其中，N为图像批次尺寸，C为分割类别数，h为图像高度，w为图像宽度。

5.根据权利要求1所述的基于深度学习的视网膜层和积液区域的层分割方法，其特征在于，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型的方法包括：

通过所述损失函数对网络权重参数进行逐层求偏导，并利用优化方法和学习率策略更新分割网络权重参数，以得到更新分割网络；

将下一批视网膜OCT图像送入所述更新分割网络中进行前向传播，以得到分割预测概率图；

计算所述分割概率图与相对应的标准概率图之间的联合损失值，并利用集成了SGD的一阶动量和RMSProp的二阶动量的Adam优化器进行优化，在预设周期内不断迭代，直至最小化损失函数值时，将当前的更新分割网络作为分割网络模型。