[发明专利]基于神经网络与约束图搜索算法的OCT图像层分割方法

摘要

本发明涉及一种基于神经网络与约束图搜索算法的OCT图像分割方法，为了精确的分割视网膜层与新生血管而设计。本发明基于神经网络与约束图搜索算法的OCT图像分割方法，包括：得到OCT图像特征训练神经网络分类器；多分辨图搜索算法获得最终的SF1；提取OCT图像的24个特征，使用神经网络分类器找到初始表面S1，S2,…,S8；根据初始边界S2至S8，使用约束图搜索算法依次找到精确的SF2至SF8；在SF7与SF8之间分割新生血管与积液，本发明基于神经网络与约束图搜索算法的OCT图像分割方法，操作简单、检测结果准确。克服现有的对于病变OCT图像分割算法识别率较低、分割效果较差等问题。

主权项

一种基于神经网络与约束图搜索算法的OCT图像层分割方法，其特征在于，包括：训练随机森林分类器；在训练神经网络分类器时，将OCT图像的多个层结构分割为了n个分类标记区域，各区域分别具有上表面；提取了OCT图像中的m个特征；确定待分割OCT图像区域1的上表面SF1的初始形状，基于多分辨图搜索算法得到上表面的最终形状SF1；提取待分割OCT图像与训练神经网络分类器时相同的m个特征，使用神经网络分类器，对待分割OCT图像进行分类标记为n个区域，找到区域2至区域n中各个区域上表面的初始形状S2……Sn，基于各区域上表面的初始形状分别各自使用约束图搜索算法，得到各区域上表面的最终形状SF2……SFn，其中n为正整数；其中，约束图搜索算法具体包括：A1：待分割的OCT图像使用各向异性滤波后的OCT图像并根据多尺度亮层结构响应公式计算亮层结构响应σt表示尺度；根据多尺度暗层结构响应公式计算多尺度暗层结构响应其中，σt,min,σt,max表示最小和最大尺度；A2：建立约束图，约束图中的结点V(x,y,z)与OCT图像中像素一一对应，另外添加两个虚拟结点：源结点S和汇结点T；约束图包含三类有向边：列内边Eintra、列间边Einter和终端边Eterminal，定义如下：Eintra＝<V(x,y,z),V(x,y,z‑1)>Einter＝<V(x,y,z),V(x',y',z‑u)>Eterminal=<S,V(x,y,z)>,ω(V(x,y,z))>0;<V(x,y,z),T>,ω(V(x,y,z))≤0;]]>其中，x'＝x‑1或者x+1，y'＝y‑1或者y+1，ω(V(x,y,z))表示结点的权重，定义为ω(V(x,y,z))=-C(V(x,y,z))+C(V(x,y,z-1)),z>1;-C(V(x,y,z)),z=1;]]>其中，C(V(x,y,z))表示结点的代价，对应OCT图像的边界图像，使用Sobel算子计算合成图像的边界图像C(V(x,y,z))，合成图像计算为其中，θ、表示合成加权系数；列内边Eintra和列间边Einter的权重设为无穷大，终端边Eterminal的权重设为各结点V(x,y,z)权重的绝对值|ω(V(x,y,z))|，使用最大流/最小割算法找到上表面。