[發明專利]基于豐富上下文網絡的視杯視盤分割方法及成像方法

有效

• 申請號: 202110251870.6
• 申請日: 2021-03-08
• 公開（公告）號: CN112884788B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 陳再良;顏麗;沈海瀾
• 申請（專利權）人: 中南大學
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/11;G06T7/00;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長沙永星專利商標事務所(普通合伙) 43001
• 代理人: 周詠;米中業

本發明公開了一種基于豐富上下文網絡的視杯視盤分割方法，包括獲取現有的彩色眼底圖像數據并處理得到訓練數據集；構建視杯視盤分割原始模型并訓練得到視杯視盤分割模型；采用視杯視盤分割模型對目標彩色眼底圖像進行分割得到最終的視杯視盤分割結果。本發明還公開了一種采用所述基于豐富上下文網絡的視杯視盤分割方法的成像方法。本發明提出了一種基于卷積神經網絡、并能夠獲取充足上下文信息的分割結構進行視盤視杯分割；因此本發明方法能夠提高視盤視杯的分割性能，解決視杯邊緣分割不夠平滑的問題，而且精確度高、可靠性好且分割效果較好。

技術領域

本發明屬于圖像處理領域，具體涉及一種基于豐富上下文網絡的視杯視盤分割方法及成像方法。

背景技術

隨著經濟技術的發展和人們生活水平的提高，人們對于健康的關注也越來越高。

眼底圖像是臨床醫療圖像的重要組成部分。眼底圖像中，常用的指標包括杯盤比(視杯視盤垂直方向半徑的比值)、盤半徑、盤沿視盤面積比等。而獲取上述指標的前提，就是需要在眼底圖像中，對視杯和視盤進行分割，從而獲取更具有參考性的視杯視盤圖像。

在彩色眼底圖像中，視盤是一個亮黃色的橢圓形結構，它由視杯和視網膜神經纖維(rim)組成(如圖1所示)。視盤和視杯的精確分割，是指標獲取的關鍵。但是，視杯邊緣沒有明顯的輪廓，多數方法得到的視杯分割結果邊緣部分不夠精確。

對于視盤的分割，傳統的方法主要基于邊緣、顏色和超像素等特征；常見的方法包括顏色閾值判定、區域分割和邊緣檢測等。對于視杯的分割，有研究者用視杯邊緣血管會發生彎曲這一特性來定位視杯區域。但是，有的血管彎曲點并不在視杯的邊界上，這會導致較嚴重的識別錯誤。另外，血管彎曲尺度小，不易檢測到。這些方法雖然簡單，易于操作，但是只利用了少量的局部信息和非常有限的上下文，性能較差，而且極易受到病變的影響，不穩定。

近年來，研究者將基于深度學習的方法引入到視盤和視杯的分割中，最常見的方法是將分割問題視為像素級的分類任務。這類方法大多基于UNet結構，因為其可以利用較少的數據量進行訓練，得到很好的結果，適用于處理醫學圖像。基于UNet結構的方法，其將多尺度或多模態的數據輸入網絡，通過編碼-解碼的方式同時獲取語義信息和細節信息，得到表示能力較強的特征，從而提高視杯和視盤分割的性能。例如，在M-Net中，利用了UNet編碼解碼的基礎結構，將多個尺度的圖像輸入編碼器，從而提取多尺度信息；在解碼階段，編碼器提取的low-level特征通過skip連接重用，補償解碼器的high-level的特征。此外，現有的方法一般還通過特征金字塔來挖掘多尺度信息。由于提取了高級別的特征，相比于傳統方法，基于深度學習的方法取得了較好分割結果。但是，現有的深度學習方法，對于上下文信息的利用率依舊不高，因此對邊界不清晰的視杯，現有方法依然難以得到較準確的分割結果。

發明內容

本發明的目的之一在于提供一種精確度高、可靠性好且分割效果較好的基于豐富上下文網絡的視杯視盤分割方法。

本發明的目的之二在于提供一種包括了所述基于豐富上下文網絡的視杯視盤分割方法的成像方法。

本發明提供的這種基于豐富上下文網絡的視杯視盤分割方法，包括如下步驟：

S1.獲取現有的彩色眼底圖像數據；

S2.對步驟S1獲取的彩色眼底圖像數據進行處理，從而得到訓練數據集；

S3.構建視杯視盤分割原始模型；

S4.采用步驟S2得到的訓練數據集對步驟S3構建的視杯視盤分割原始模型進行訓練，從而得到視杯視盤分割模型；

S5.采用步驟S4得到的視杯視盤分割模型，對目標彩色眼底圖像進行分割，從而得到最終的視杯視盤分割結果。