[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

说明书

本发明公开了一种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，所述方法包括：获取医疗系统中各节点区域的视网膜OCT数据集，将该数据集划分为预训练数据集及测试数据集，对预训练数据集中的数据进行随机平移，得到训练数据集；根据构建的分割网络及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，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，将联合损失值反向传播，通过预设周期长度的迭代训练得到分割网络模型；通过测试数据集对分割网络模型进行测试，以验证分割网络模型的可靠性。本发明能够提高分割网络泛化能力与类别分割准确率。

技术领域

本发明涉及眼底图像分割技术领域，特别是涉及一种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。

背景技术

视网膜是眼睛中最重要的结构之一，是非常精细和脆弱的一个组织。在众多眼科疾病中，视网膜疾病由于发病率高和致盲率高，一直以来都是重点研究对象。光学相干断层扫描(Optical coherence tomography,OCT)是一种生物组织的成像方式，具有非接触和非侵入性，高成像速度和高分辨率的特点，已被广泛用于对视网膜横截面进行成像。

目前，很多疾病会引起视网膜疾病的并发症，比如糖尿病会引起糖尿病性黄斑水肿(Diabetic macular edema,DME)，即糖尿病患者的高血糖会破坏视网膜血管上皮和视网膜液体运转细胞，使得泄漏的液体积聚在视网膜层之间，且视网膜层次也会发生不同程度上的严重变形。

由于OCT成像过程中会产生斑点噪声且视网膜层次结构复杂。眼疾患者视网膜层次变形严重且对比度弱，为了使组织结构更加直观清晰，辅助医生对以上眼疾进行更准确的检测，提高诊断效率，给予患者更好的治疗方案，防止患者失明情况的发生，对患者视网膜OCT图像进行层次和积液的自动精准分割就成了医生诊断的关键步骤，具有重要的医用价值。

然而，现有传统视网膜分层方法需要专家先验知识，基于机器学习的方法需要手动设计特征，均无法适应视网膜层次的变形和OCT图像噪声的存在，因此分割准确率低且泛化能力不足。

发明内容

为了解决上述问题，本发明的目的是提供一种能够在模型在训练数据匮乏的情况下，提高分割网络泛化能力与准确性的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。

一种基于深度学习的视网膜层和积液区域的层分割方法，所述方法包括：

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。