[发明专利]一种OCT图像中脉络膜新生血管分割算法

权利要求书

1.一种OCT图像中脉络膜新生血管分割算法，其特征是，包括以下步骤：

S01：对训练图像设计一种结构先验学习方法，构建结构先验矩阵，所述结构先验矩阵用于区分脉络膜新生血管区域和背景区域，包括以下步骤：

a：对训练图像进行超像素分割得到若干超像素；

b：提取特征；

c：根据所述训练图像的正确标注将每个所述超像素标记为2类，分别为脉络膜新生血管区域和背景区域；

d：使用标记好的若干所述超像素构造字典；

e：对所有所述超像素进行分类，得到全局结构先验图；

f：基于所述全局结构先验图，计算局部相似结构先验，求得所述结构先验矩阵；

S02：基于所述结构先验矩阵将OCT原图像转换为显著性增强图像，用于增强脉络膜新生血管区域的显著性；

S03：在所述显著性增强图像上使用多尺度分析，将所述显著性增强图像划分为m个尺度；

S04：基于每种尺度训练得到m个训练好的卷积神经网络模型；

S05：利用S01中步骤a、b、e、f对测试图像进行超像素分割、提取特征、分类以及计算结构先验矩阵，利用S02基于S05中得到的所述结构先验矩阵对测试图像进行图像转换，利用S03将转换后的所述测试图像划分为m个尺度，利用S04中训练好的所述卷积神经网络模型进行测试，输出m个分割结果，对m个分割结果进行融合即为最终的分割结果。

2.根据权利要求1所述的一种OCT图像中脉络膜新生血管分割算法，其特征是，使用SLIC算法进行超像素分割。

3.根据权利要求2所述的一种OCT图像中脉络膜新生血管分割算法，其特征是，所述特征包括每个所述超像素的平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征。

4.根据权利要求1所述的一种OCT图像中脉络膜新生血管分割算法，其特征是，使用K-means算法构造词典，假设在训练集中有N个病人的数据，每个数据包括2分类，使用K-means聚成K类，则N个病人的数据共可聚成2KN类，获得2KN个聚类中心，所述聚类中心组成字典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个病人的来自脉络膜新生血管区域的第k个聚类中心；B_n,k表示第n个病人的来自背景区域的第k个聚类中心，n＝1,2,…N,k＝1,2,…K。

5.根据权利要求4所述的一种OCT图像中脉络膜新生血管分割算法，其特征是，使用稀疏表示对每个所述超像素进行分类，分类过程形式化如公式(2)所示，式中，x为要求的稀疏系数，y为所述超像素；

arg min_x||x||₁subject to Dx＝y (2)

公式(2)使用SLEP工具箱进行求解，获得x的解；使用公式(3)获得所述超像素的分类结果，式中x_i表示第i类的稀疏系数，i＝1,2,…2KN；

r_i(y)＝||y-Dx_i||₂ (3)

根据公式(3)计算得到2KN个r_i(y)，当r(y)的值最小时，此时的类别就是所述超像素的类别；对每幅图像的所有所述超像素分类，即可得到全局空间结构先验图。