[發明專利]一種基于半監督條件生成式對抗網絡的眼底圖視盤和視杯分割方法

有效

• 申請號: 201811333832.X
• 申請日: 2018-11-09
• 公開（公告）號: CN109615632B
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 劉少鵬;賈西平;關立南;林智勇;廖秀秀;梁杰鵬;洪佳明;嚴繼利
• 申請（專利權）人: 廣東技術師范學院
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/0464;G06N3/084
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種基于半監督條件生成式對抗網絡的眼底圖視盤和視杯分割方法，其特征在于，包括以下步驟：組建網絡框架，所述網絡框架包括視盤語義分割和視杯語義分割兩個階段；所述兩個階段均包括語義分割網絡S_i、生成器G_i和判別器D_i；

語義分割網絡S_i利用有標注與無標注的眼底圖生成視盤或視杯分割圖；生成器G_i將真實的視盤或視杯分割圖作為輸入來生成眼底圖；判別器D_i鑒別眼底圖及其視盤或視杯分割圖的數據配對是真實的還是偽造的，引導生成器G_i和語義分割網絡S_i學習眼底圖及其分割圖的聯合分布，最后將兩個語義分割階段的結果進行合并，得到眼底圖的視盤和視杯分割圖；

所述網絡框架的對抗損失L_GAN(S_i，G_i，D_i)定義為：

其中α∈(0，1)，反映S_i和G_i在對抗學習中的重要程度；以對抗損失的minmax形式為優化目標函數，當且僅當：

minmax達到均衡；但是最優解條件無法保證S_i和G_i學習到眼底圖和分割圖的聯合分布，因此加入監督學習的損失，并且對抗損失L_GAN(S_i，G_i，D_i)改為：

仍以對抗損失的minmax形式為優化目標函數，當取得全局最優時：

該最優解條件表明S_i和G_i學習到眼底圖和分割圖的聯合分布；為進一步提升S_i和G_i生成圖像的質量，增加L₁(S_i，G_i)損失函數：

因此，模型最終的損失函數L(S_i，G_i，D_i)定義如下：

L(S_i，G_i，D_i)＝L_GAN(S_i，G_i，D_i)+L₁(S_i，G_i)

全局優化目標如下：

對于D_i，其目標是最大化對抗損失L_GAN，而S_i和G_i則是最小化對抗損失L_GAN和L₁損失；訓練后的兩個不同階段的S_i，可分別用于識別眼底圖的視盤和視杯，進而計算CDR指標，為青光眼篩查提供參考依據。

2.根據權利要求1所述的一種基于半監督條件生成式對抗網絡的眼底圖視盤和視杯分割方法，其特征在于，所述語義分割網絡S_i、生成器G_i和判別器D_i使用相同的網絡架構。

3.根據權利要求2所述的一種基于半監督條件生成式對抗網絡的眼底圖視盤和視杯分割方法，其特征在于，所述語義分割網絡S_i為全連接卷積神經網絡，具體包括全卷積、上采樣和跳躍連接；其中所述全卷積將卷積神經網絡中的全連接層轉化為卷積層；所述上采樣操作通過轉置卷積實現，通過對最后一個卷積層的特征圖進行上采樣，使它放大恢復到輸入圖像相同的尺寸，從而預測每個像素分類；所述跳躍連接操作能夠將不同池化層的特征圖合并，再進行上采樣，可優化最終的語義分割結果。