[發明專利]一種基于掃頻光學相干層析成像的掃頻OCT人眼圖像分割方法

在審

• 申請號: 202011571625.5
• 申請日: 2020-12-27
• 公開（公告）號: CN112598683A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 王建林;郭永奇;付雪松;邱科鵬
• 申請（專利權）人: 北京化工大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種基于掃頻光學相干層析成像的掃頻OCT人眼圖像分割方法，屬于醫學圖像分割領域。首先，在Mask R?CNN網絡采用調制可變形卷積替代規則卷積產生非規則感受野，提升網絡對人眼OCT圖像目標變化的適應能力；其次，結合關系模型(relation model,RM)模塊，學習人眼OCT圖像結構間的位置關系特征圖，利用位置關系特征圖增強網絡特征；然后在此基礎上構建multi?stage mask結構，通過mask多步迭代修正人眼結構的分割誤差。本發明考慮了人眼OCT圖像特點，能夠有效利用人眼結構特征和迭代分割網絡等結構提高人眼OCT圖像分割準確度。

技術領域

本發明涉及一種掃頻OCT人眼圖像分割方法，屬于醫學圖像分割領域，尤其涉及一種基于RM Multi-stage Mask R-CNN網絡的掃頻OCT人眼圖像分割方法。

背景技術

基于掃頻光學相干層析成像(optical coherence tomography，OCT)技術的人眼圖像具有高分辨率、非侵入和實時成像的優點，已廣泛應用于眼科視網膜和眼前節疾病診斷。人眼OCT圖像結構與眼科疾病表征、人眼相關參數測量有著密切的聯系，因此，對人眼OCT圖像結構的準確分割，能夠提高眼科疾病診斷、角膜曲率和眼軸長等人眼參數測量的準確度。

基于機器學習的OCT圖像分割方法將圖像分割問題轉化為分類問題，實現不同類別像素的分割，對同一類目標的形變和不同目標間的形狀差異都具有較強的適應能力。然而人工特征對目標信息的表達能力有限，無法準確分割目標和識別分辨外界干擾，制約了OCT圖像分割的準確度。近年來，深度學習利用深層卷積神經網絡(Convolutional NeuralNetworks,CNN)自主提取和學習目標的深層抽象特征，相比于人工構建的特征，深層抽象特征由網絡自主學習構建，無需人工干擾，能夠為網絡提供豐富準確表征目標信息的特征，進而實現高精度、快速的目標分類、識別及分割。代表性的實例分割方法MaskR-CNN利用區域生成網絡(Region Proposal Network,RPN)從高維特征圖中提取含有目標的區域(Regionof Interest，ROI)，對ROI內的目標進行識別分割，使得感受野和目標區域重合，充分利用了分割感受野，能夠準確識別分割實例目標。然而，該方法應用于人眼OCT圖像分割時，存在以下問題：(1)該方法中的常規卷積形式產生的常規感受野對人眼OCT圖像中的非規則目標形狀擬合度較低；(2)Mask分支的單次上采樣形式無法修正分割誤差，制約了目標分割的精度；(3)該方法將每一個ROI區域進行單獨處理，無法有效利用人眼OCT圖像中結構間的關系，存在誤分割和漏分割，對外界干擾的魯棒性較低。

本發明公開了一種基于RM Multi-stage Mask R-CNN網絡的掃頻OCT人眼圖像分割方法，屬于醫學圖像分割領域。首先，在MaskR-CNN網絡采用調制可變形卷積替代規則卷積產生非規則感受野，提升網絡對人眼OCT圖像目標變化的適應能力；其次，結合關系模型(relation model,RM)模塊，學習人眼OCT圖像結構間的位置關系特征圖，利用位置關系特征圖增強網絡特征；然后在此基礎上構建multi-stage mask結構，通過mask多步迭代修正人眼結構的分割誤差。本發明考慮了人眼OCT圖像特點，能夠有效利用人眼結構解決MaskR-CNN網絡的問題，提高了人眼OCT圖像分割準確度。

發明內容

本發明以提高掃頻人眼OCT圖像分割準確度為目的，提出了一種基于RM Multi-stage Mask R-CNN網絡的掃頻OCT人眼圖像分割方法，包括以下步驟：

步驟一：通過圖像翻轉的數據增強方式對掃頻OCT人眼圖像訓練樣本進行預處理并構建訓練數據集；