[发明专利]一种眼底图片视杯视盘分割方法

说明书

一种眼底图片视杯视盘分割方法，包括：训练阶段：训练定位网络和分割网络，所述分割网络包括生成网络与判别网络，所述定位网络单独训练，所述分割网络训练由所述生成网络与所述判别网络轮流迭代进行训练；预测阶段：通过所述定位网络得到视盘分割图；根据视盘分割图进行感兴趣区域裁剪，感兴趣区域经过对齐变换后通过所述分割网络中的生成网络得到视杯视盘分割结果图和视杯视盘边界分割结果图，将所述分割结果图还原到原来裁剪的位置和尺寸后得到最终结果图。通过生成网络与判别网络迭代共同训练来源不同的数据，能够适应多域并且端到端分割视杯视盘，有效解决数据差异的问题。

技术领域

本发明涉及眼底图像处理领域，特别是涉及一种眼底图片视杯视盘分割方法。

背景技术

眼睛是人类视觉感知的重要器官，外界光线通过人眼神经细胞形成视觉信号并传输至大脑。眼球主要包括巩膜(眼白)、虹膜、角膜、晶状体、脉络膜、视网膜和视神经、瞳孔、等部分[1]。眼底图像辅助诊断由于其操作简单、花费低、对人体伤害小等优点己经成为大规模视网膜疾病筛查方式的首选。眼底视网膜是形成视觉的重要部分，眼科医生常通过非创伤且便捷的眼底图像方式检查眼底视网膜进行眼部疾病的诊断。眼底图像主要由血管、视盘、黄斑等部分组成，其中可能存在多种病灶特征。在眼底图像辅助诊断中，眼底图像中杯盘比即视杯与视盘的垂直直径比或面积比、视杯与盘沿的相对位置关系等参数的测量对青光眼等眼底疾病的诊断有着重要的意义。此外，通过有关部门对遗传指数的测算，杯盘比的遗传因素为61％，环境因素为39％。这些数字说明杯盘面积比在医学遗传领域中也有研究的空间和价值[2-3]。所以在对眼底图像进行视盘定位的基础上，采用有效的方法来对视杯盘进行分割已成为眼底图像处理中非常重要的一项工作。

迁移学习一直是计算机视觉的经典问题，利用一个或多个相关源域中的标记数据在目标域中执行任务。域适应是一种特殊的迁移学习，其设定在一个或多个源域中含有标签数据，目标域中数据标签数据稀少或不含标签信息[4]。通过在不同阶段进行领域自适应可将现有的方法大致分为样本适应，特征层面适应和模型层面适应。生成式对抗网络(GAN)是由Goodfellow等[5]于2014年首次提出，它是通过对抗网来估计生成模型的新框架。同时训练两个模型：生成模型G用来捕获数据样本分布，判别模型D用于判断样本是来自训练数据还是来自G生成的一种概率。该框架训练采用一种最大最小化博弈。Xue Yuan等[6]提出了一种新的端到端的对抗生成网络SeGAN，用于医学图像分割任务。该方法使用多尺度L1损失函数旨在最大限度地缩短像素之间的短距离空间，分割结果比最先进的U-Net分割方法具有更好的性能。

目前，由于拍摄相机型号和角度的不同导致眼底图片存在差异，上述数据来源不同的眼底图片数据无法使用统一模型及参数对视杯视盘进行分割。

参考文献

[1]曾杰.视网膜图像的分析与研究[D].电子科技大学，2016.

[2]陈锦礼.视乳头杯盘比遗传方式的探讨[J].眼科研究，1990(01):58-59.

[3]视乳头杯盘比的遗传及其临床意义[J].同济医科大学学报，1987(03):163.

[4]Shai Ben-David，John Blitzer，Koby Crammer，Alex Kulesza，FernandoPereira，Jennifer Wortman Vaughan.A theory of learning from different domains[J].Machine Learning，2010，79(1-2).

[5]Goodfellow I，Pouget-Abadie J，Mirza M，et al.Generative adversarialnets[C]//Advances in neural information processing systems.2014:2672-2680.