[發明專利]一種OCT圖像中脈絡膜新生血管分割算法

有效

• 申請號: 201710512064.3
• 申請日: 2017-06-28
• 公開（公告）號: CN107369160B
• 公開（公告）日: 2020-04-03
• 發明（設計）人: 陳新建;襲肖明
• 申請（專利權）人: 蘇州比格威醫療科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/194;G06K9/46;G06K9/62
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.一種OCT圖像中脈絡膜新生血管分割算法，其特征是，包括以下步驟：

S01：對訓練圖像設計一種結構先驗學習方法，構建結構先驗矩陣，所述結構先驗矩陣用于區分脈絡膜新生血管區域和背景區域，包括以下步驟：

a：對訓練圖像進行超像素分割得到若干超像素；

b：提取特征；

c：根據所述訓練圖像的正確標注將每個所述超像素標記為2類，分別為脈絡膜新生血管區域和背景區域；

d：使用標記好的若干所述超像素構造字典；

e：對所有所述超像素進行分類，得到全局結構先驗圖；

f：基于所述全局結構先驗圖，計算局部相似結構先驗，求得所述結構先驗矩陣；

S02：基于所述結構先驗矩陣將OCT原圖像轉換為顯著性增強圖像，用于增強脈絡膜新生血管區域的顯著性；

S03：在所述顯著性增強圖像上使用多尺度分析，將所述顯著性增強圖像劃分為m個尺度；

S04：基于每種尺度訓練得到m個訓練好的卷積神經網絡模型；

S05：利用S01中步驟a、b、e、f對測試圖像進行超像素分割、提取特征、分類以及計算結構先驗矩陣，利用S02基于S05中得到的所述結構先驗矩陣對測試圖像進行圖像轉換，利用S03將轉換后的所述測試圖像劃分為m個尺度，利用S04中訓練好的所述卷積神經網絡模型進行測試，輸出m個分割結果，對m個分割結果進行融合即為最終的分割結果。

2.根據權利要求1所述的一種OCT圖像中脈絡膜新生血管分割算法，其特征是，使用SLIC算法進行超像素分割。

3.根據權利要求2所述的一種OCT圖像中脈絡膜新生血管分割算法，其特征是，所述特征包括每個所述超像素的平均灰度值、基于共生矩陣的紋理特征以及局部灰度特征。

4.根據權利要求1所述的一種OCT圖像中脈絡膜新生血管分割算法，其特征是，使用K-means算法構造詞典，假設在訓練集中有N個病人的數據，每個數據包括2分類，使用K-means聚成K類，則N個病人的數據共可聚成2KN類，獲得2KN個聚類中心，所述聚類中心組成字典D，如公式(1)所示：

D＝[C_1,1,C_1,2…C_1,K,B_1,1,B_1,2,..B_1,K,…C_n,k..B_n,k…C_N,1,..C_N,K,B_N,1,..B_N,K] (1)

式中，C_n,k表示第n個病人的來自脈絡膜新生血管區域的第k個聚類中心；B_n,k表示第n個病人的來自背景區域的第k個聚類中心，n＝1,2,…N,k＝1,2,…K。

5.根據權利要求4所述的一種OCT圖像中脈絡膜新生血管分割算法，其特征是，使用稀疏表示對每個所述超像素進行分類，分類過程形式化如公式(2)所示，式中，x為要求的稀疏系數，y為所述超像素；

arg min_x||x||₁subject to Dx＝y (2)

公式(2)使用SLEP工具箱進行求解，獲得x的解；使用公式(3)獲得所述超像素的分類結果，式中x_i表示第i類的稀疏系數，i＝1,2,…2KN；

r_i(y)＝||y-Dx_i||₂ (3)

根據公式(3)計算得到2KN個r_i(y)，當r(y)的值最小時，此時的類別就是所述超像素的類別；對每幅圖像的所有所述超像素分類，即可得到全局空間結構先驗圖。