[发明专利]眼底医学影像中视杯视盘的联合分割方法

说明书

本发明公开了一种眼底医学影像中视杯视盘的联合分割方法，先构建基于U‑Net网络的联合分割网络，该联合分割网络中引入全局信息提取模块和多路径空洞卷积模块；再将待处理的眼底医学影像输入至所述联合分割网络中进行视杯视盘的联合分割。本发明能够对眼底医学影像中全局上下文信息和多尺度上下文信息进行充分提取，提升了眼底医学影像中视杯视盘的联合分割效果。

技术领域

本发明涉及医学影像处理技术领域，具体涉及一种眼底医学影像中视杯视盘的联合分割方法。

背景技术

医学影像，是指为了医疗或医学研究目的，对人体或人体某部分以非侵入方式取得内部组织器官影像的技术与处理过程，根据其实现步骤不同，医学影像包括医学成像技术和医学处理技术，借助医学影像技术，医疗人员可以更清晰地了解人体特定的组织器官状况进而给出更为精准和合理的诊疗方案。而医学图像分割是现代医学影像处理中的关键技术，它是正常组织和病变组织的三维重建、定量分析等后续操作的基础。

在眼底医学彩照图像中，视杯和视盘的分割是后续垂直杯盘比等定量分析的基础，但眼底彩照图像中视杯和视盘存在对比度低、边界模糊和血管遮挡严重等问题，因此视盘和视杯的分割仍然存在着很大的挑战性。

针对眼底彩照图像的视杯、视盘分割技术，主要分为基于传统图像处理方法的分割方法和基于深度学习的分割方法。

传统图像分割方法，需要人工设计特征，利用视杯、视盘的亮度或者定位血管在杯沿处弯折点来确定视杯、视盘的轮廓，例如基于阈值的眼底彩照图像视杯分割方法，利用视杯的亮度特征，在获取感兴趣的区域后采用大津阈值法提取视盘，在获取视盘的基础上根据阈值采用水平集模型对彩照图像的蓝色通道图像进行分割，再经过椭圆拟合得到视杯。上述传统图像分割方法存在分割精度低、计算复杂度高和鲁棒性低等缺点。

深度学习图像分割方法是在多个公共数据集的多种场景图像中精确地分割出多种分割目标，相较于传统图像分割方法，其具有高准确度和高泛化性的优点，鉴于深度学习图像分割方法的上述优点，U-Net作为一种典型的深度学习图像分割网络，被广泛应用在医学图像分割领域。U-Net采用了编码器和解码器结构，并结合跳跃连接，在医学图像分割精度上有了很大提高，但是该分割网络对于图像的上下文信息的提取仍旧不够充分，这会导致网络对于图像的多尺度信息提取不够，容易丢失细节特征信息；另外其跳跃连接只是将编码器端的特征信息传递到解码器端，忽略了对全局信息的利用，从而导致网络对具有边界模糊和对比度低等特点的目标进行分割时，容易出现误分割。

因此，现有的医学图像分割方法，存在着对眼底彩照图像全局上下文信息和多尺度上下文信息提取不充分等缺点，影响了分割效果，无法满足眼底医学影像中视杯视盘的分割需求。

发明内容

本发明要解决的技术问题是提供一种眼底医学影像中视杯视盘的联合分割方法，能够对眼底医学影像中全局上下文信息和多尺度上下文信息进行充分提取，利于提升了眼底医学影像中视杯视盘的联合分割效果。

为了解决上述技术问题，本发明提供的技术方案如下：

一种眼底医学影像中视杯视盘的联合分割方法，包括以下步骤：

S1)构建基于U-Net网络的联合分割网络；

所述U-Net网络包括编码网络和解码网络，所述编码网络包括多个编码器，所述解码网络包括多个解码器，所述编码器和所述解码器一一对应，每个所述编码器和对应的解码器形成一层编解码层，至少一层编解码层的所述编码器和解码器之间设置有全局信息提取模块，所述全局信息提取模块用于将所在编解码层的编码器的输出特征图和其他至少一层编解码层的编码器的输出特征图进行融合得到初步融合特征图，并对所述初步融合特征图进行全局上下文信息提取处理后输出至相应的解码器；