[發(fā)明專利]一種改進(jìn)的DME水腫區(qū)域神經(jīng)網(wǎng)絡(luò)分割模型的構(gòu)建方法

有效

• 申請?zhí)枺?/td>: 202010083621.6
• 申請日: 2020-02-10
• 公開（公告）號: CN111340829B
• 公開（公告）日: 2023-02-28
• 發(fā)明（設(shè)計(jì)）人: 王振華;鐘元芾;蔣沁;李超鵬;顏標(biāo);李秀苗;姚牧笛
• 申請（專利權(quán)）人: 上海海洋大學(xué);南京醫(yī)科大學(xué)眼科醫(yī)院
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T5/10;G06T5/00
• 代理公司: 北京金智普華知識產(chǎn)權(quán)代理有限公司 11401
• 代理人: 楊采良

1.一種改進(jìn)的DME水腫區(qū)域神經(jīng)網(wǎng)絡(luò)分割模型的構(gòu)建方法，其特征在于，所述改進(jìn)的DME水腫區(qū)域神經(jīng)網(wǎng)絡(luò)分割模型的構(gòu)建方法包括以下步驟：

步驟一，基于小波變換的OCT圖像去噪預(yù)處理，進(jìn)行OCT圖像的去噪增強(qiáng)；

步驟二，利用遷移學(xué)習(xí)的方法，使用OCT圖像DME小樣本數(shù)據(jù)集對DeepLab神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，微調(diào)特征提取層參數(shù)，訓(xùn)練特征解析層參數(shù)；

步驟三，通過改進(jìn)的DeepLab神經(jīng)網(wǎng)絡(luò)使用空洞卷積和空間金字塔池化模塊，對DME水腫區(qū)域進(jìn)行粗分割，得到DME水腫區(qū)域分割模型；

步驟四，引入全連接條件隨機(jī)場優(yōu)化DME水腫區(qū)域邊界：面向DME水腫區(qū)域邊界粗分割結(jié)果，結(jié)合OCT圖像任意像素點(diǎn)與其余像素點(diǎn)間的關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)病變部位細(xì)粒度分割；

步驟五，精度評價(jià)：使用骰子系數(shù)DSC、精確度Precision和靈敏度Sensitive作為模型分割性能的評價(jià)指標(biāo)，對模型精度進(jìn)行評價(jià)；

步驟一中，基于小波變換的OCT圖像增強(qiáng)方法包括：

利用小波變換對OCT圖像進(jìn)行分解，將OCT圖像分解為一個低頻子波段和三個高頻子波段，其中噪聲多分布于低頻子波段；而邊緣及紋理信息多分布于三個高頻子波段；通過分解，可對低頻子波段單獨(dú)處理，去除低頻子波段中的噪聲而不影響高頻子波段的邊緣及紋理信息；若一次分解無法滿足圖像增強(qiáng)需求，可進(jìn)一步進(jìn)行小波分解，直至圖像的對比度滿足分割要求；

（1）單幅圖像的噪聲閾值NT的計(jì)算公式如下式所示：

；

式中，i和j為噪聲區(qū)域像素點(diǎn)的橫縱坐標(biāo)，為噪聲區(qū)域像素點(diǎn)的像素值，噪聲閾值NT為該區(qū)域像素點(diǎn)像素值的中值；

（2）多幅圖像的噪聲閾值NT的計(jì)算方式為如下形式：

；

式中，n為選取用于計(jì)算噪聲閾值NT的圖片數(shù)量；

（3）通過如下公式對OCT圖像中每個像素點(diǎn)像素值進(jìn)行閾值化處理，去除低頻子波段中的噪聲：

；

式中，i、j為OCT圖像像素點(diǎn)的橫縱坐標(biāo)，為去噪處理前圖像像素點(diǎn)像素值，為去噪處理后像素點(diǎn)像素值；當(dāng)大于等于NT時(shí)，令=；當(dāng)?shù)慕^對值小于NT時(shí)，令=0；當(dāng)小于等于負(fù)NT時(shí)，令=；

步驟二中，基于遷移學(xué)習(xí)的DME水腫區(qū)域分割網(wǎng)絡(luò)訓(xùn)練實(shí)現(xiàn)方法如下：

利用遷移學(xué)習(xí)的方法，引入Kermany眼部疾病分類公共數(shù)據(jù)集；在Kermany數(shù)據(jù)集上訓(xùn)練一個四分類的ResNet101殘差網(wǎng)絡(luò)，遷移ResNet101網(wǎng)絡(luò)參數(shù)，作為DeepLab神經(jīng)網(wǎng)絡(luò)特征提取層的初始值；使用OCT圖像DME小樣本數(shù)據(jù)集對DeepLab神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，微調(diào)特征提取層參數(shù)，訓(xùn)練特征解析層參數(shù)，得到DME水腫區(qū)域分割模型；

步驟四中，基于全連接條件隨機(jī)場的DME水腫區(qū)域邊界優(yōu)化，具體包括：

全連接條件隨機(jī)場是一種判別型概率圖模型，所述全連接條件隨機(jī)場的定義為：假設(shè)一幅圖像P包含n個像素點(diǎn)，則為基于圖像的觀測量，X={}為隨機(jī)變量集合，X的每個變量值域?yàn)長={} ，其中k代表標(biāo)記的類別，構(gòu)成條件隨機(jī)場，其概率分布服從Gibbs分布，可表示為：

；

式中，為歸一化因子，為能量函數(shù)，即CRF的最大后驗(yàn)概率問題轉(zhuǎn)化為能量函數(shù)的最小化問題，能量函數(shù)可表示為：

；

式中，為單個隨機(jī)變量的一元能量函數(shù)項(xiàng)，表示為某個類別的代價(jià)，在模型中代表DeepLab神經(jīng)網(wǎng)絡(luò)的輸出；為關(guān)于相互連接的兩個隨機(jī)變量的二元成對能量函數(shù)，表示兩個變量類別一致性代價(jià)，可表示為高斯核函數(shù)的線性組合：

；

式中，為高斯核函數(shù)，為線性組合權(quán)值，為類標(biāo)一致性參數(shù)，和分別為變量和的特征向量，表示形式如下：

；

式中，為3維度顏色向量，為2維像素點(diǎn)坐標(biāo)向量，、為尺度參；尺度參數(shù)控制高斯核的大小；通過全連接條件隨機(jī)場推理得到圖像像素的最終類標(biāo)之后，實(shí)現(xiàn)DME水腫區(qū)域的分割邊界優(yōu)化。