[发明专利]一种适用于视网膜光学相干断层扫描图像中高反射亮斑分割的自适应网络

说明书

本申请实施例公开一种适用于视网膜光学相干断层扫描图像中高反射亮斑分割的自适应网络，包括特征编码模块、自适应SA模块、特征解码模块；特征编码模块包括特征提取单元、双重残差DR模块，双重残差DR模块包括两个残差块；自适应SA模块包括特征输入端、可变形卷积层、矩阵乘法、像素级求和；特征解码模块重构自适应SA模块产生的高层特征，并通过2×2反卷积层反卷积逐渐与双重残差DR模块引导的局部信息进行特征拼接，通过一个1×1卷积层卷积得到的结果作为特征解码模块的输出。本申请可以在增强特征提取的同时简化整体网络的学习过程并增强梯度传播，并能够适应不同尺寸的分割目标。

技术领域

本申请涉及视网膜OCT图像分割技术领域，具体是一种适用于视网膜光学相干断层扫描图像中高反射亮斑分割的自适应网络。

背景技术

硬性渗出是糖尿病视网膜病变的一种显著的眼底改变，在光学相干断层扫描成像时表现为高反射亮斑。近年来，在视网膜眼底彩照上对于硬性渗出进行检测的研究有很多，例如基于支持向量机的硬性渗出检测方法、基于k近邻图区域合并的自动检测方法、基于阈值法的检测方法等。类似的研究还有在偏振敏感型光学相干断层图像(Polarization-Sensitive Optical Coherence Tomography，PS-OCT)中分割出亮斑。但是基于深度学习的分割方法却不多见。目前，很多基于卷积神经网络(CNN)的深度学习方法如U-Net被广泛应用于医学图像分割。U-Net由于采用了编解码器结构以及跳跃连接，大大提高了医学图像分割的性能。由于高反射亮斑在视网膜OCT图像中目标比较小，且存在着形状不规则、边界模糊、尺寸不均匀等问题，分割任务存在着很大的挑战，需要分割网络同时提取和利用全局特征和局部特征，实现局部信息的动态融合以及网络特征提取感受野对目标尺寸的自适应。而原始U-Net的编码器-解码器结构不能实现全局特征的有效提取和利用，且不能自适应各种形状和大小的分割对象，以及对小目标分割性能较差的问题。

发明内容

本申请旨在解决上述技术问题，提供一种适用于视网膜光学相干断层扫描图像中高反射亮斑分割的自适应网络，可以在增强特征提取的同时简化整体网络的学习过程并增强梯度传播，并能够适应不同尺寸的分割目标。

为实现上述目的，本申请公开了一种适用于视网膜光学相干断层扫描图像中高反射亮斑分割的自适应网络，包括特征编码模块、应用于所述编码器模块深层的自适应SA模块、设置于解码器通道中的多个特征解码模块；

所述特征编码模块包括特征提取单元、嵌入于所述特征提取单元下采样位置的双重残差DR模块，所述双重残差DR模块包括两个残差块，所述残差块包括依次设置的1×1卷积层、3×3卷积层、1×1卷积层、批量归一化处理层、ReLU激活函数；

所述自适应SA模块包括特征输入端、可变形卷积层、矩阵乘法、像素级求和，所述特征输入端与所述特征编码模块相连，所述可变形卷积层包括设置于常规网格采样位置上的2D偏移量，用于使采样网格自由变形；

所述特征解码模块重构所述自适应SA模块产生的高层特征，并通过2×2反卷积层反卷积逐渐与所述双重残差DR模块引导的局部信息进行特征拼接，通过一个1×1卷积层卷积得到的结果作为所述特征解码模块的输出。

作为优选，所述特征提取单元为U-Net编码器层，所述特征提取单元的第四层的输出与所述特征输入端相连。

作为优选，所述自适应SA模块包括三个并行的所述可变形卷积层，所述特征输入端接收所述特征编码模块输出的特征图，该特征图通过其中两个所述可变形卷积层生成一个空间注意力图来描述特征的任意两个像素之间的空间关系，再与第三个所述可变形卷积层的输出进行所述矩阵乘法，得到的结果与所述自适应SA模块输入的特征图进行所述像素级求和，并将所述像素级求和的结果作为所述自适应SA模块的输出，用于像素级预测。