[发明专利]基于全卷积神经网络的眼底图像结构分割方法

说明书

本发明公开了一种基于全卷积神经网络的眼底图像结构分割方法，首先对每幅眼底图像样本中的黄斑、视盘、视杯三个目标结构进行标示，生成每幅眼底图像样本对应的目标结果图，将每幅眼底图像样本和对应的目标结果图作为一对训练图像样本，得到训练图像样本集；采用训练图像样本集对全卷积神经网络进行训练，将待分割的眼底图像输入全卷积神经网络，得到对应的目标结果图，再采用K均值聚类和椭圆拟合进行后处理得到分割结果。本发明可以提高眼底图像分割的精度，更好地将眼底正常的生理结构区分开来。

技术领域

本发明属于眼底图像处理技术领域，更为具体地讲，涉及一种基于全卷积神经网络的眼底图像结构分割方法。

背景技术

眼底图像可以用于诊断诸如青光眼、眼底黄斑性病变等眼底疾病，也可以为诊断糖尿病、高血压等疾病提供参考依据。传统的视网膜图像处理方式主要是分阶段处理，受制于医生经验，耗时耗力，效率不高。通过计算机辅助自动检测得到患者眼底图像中的参数，既可以为医生在诊断疾病时提供方便，也可以大大缩短时间达到高效医学检测疾病的效果。

国内外许多学者都曾经进行过这方面的研究，并提出了多种进行眼底图像中视盘的识别方法。这些方法可以大致分为三类：第一类是基于视盘区域自身的形态特征进行视盘识别，这类方法通常计算速度较快，有较高的效率，但是因为以眼底图像中视盘的形态特征为依据，所以在因病变而导致视盘形态特征发生改变的眼底图像中难以获得准确的结果；第二类是基于血管结构信息进行视盘识别，由于血管结构不易发生严重改变，所以相对于基于视盘形态特征进行识别的方法，这类方法的稳定性较好，在有病变情况的眼底图像中也可以较准确的识别视盘，但是此类方法通常需要较复杂精确的计算，难以在短时间内完成视盘识别工作；第三类是以上两类方法的结合。

与眼底图像视盘识别技术相比，眼底图像中黄斑识别技术的研究时间更短、研究过程更加困难，已有的方法也较少。目前研究人员已经提出的眼底图像黄斑识别方法可以大致分为三类：第一类是基于黄斑的形态特征进行黄斑识别，这类方法计算时间较短，效率高，但是与根据视盘形态特征进行视盘识别类似，当因为病变导致黄斑的形态特征不明显时，此类方法的识别效果不好；第二类是基于视盘识别结果推断黄斑信息进行黄斑识别，这类方法计算速度较快，但是由于这类方法依据了视盘的识别结果，导致黄斑识别的精确性和稳定性受到所采用的视盘识别方法的精确性和稳定性的限制；第三类是基于血管结构信息进行黄斑识别，由于眼底视网膜血管结构不易因为病变而发生严重改变，所以这类方法的稳定性较好，对于有病变情况的眼底图像也能得到较好的结果，但是这类方法的计算量较大，效率较低。

对于眼底图像中的视杯来说，现有文献中的视杯分割方法主要包括基于阈值的方法，这类方法首先提取图像的绿色通道，然后以全局或局部阈值来分割视杯。算法有时也会使用动态阈值，即先统计局部区域直方图，然后进行相应像素的阈值设置；区域生长法,这类方法首先设定合适的种子点，然后根据视杯的亮度和边缘特征，对种子点进行扩张得到视杯轮廓；基于模型的方法(例如主动轮廓模型(Active Contour Modeling，ACM)，水平集算法，椭圆拟合等)，主动轮廓模型首先确定目标的大概轮廓，在外部约束力和内部能量的推动下轮廓线不断的演化，进而得到视杯轮廓，主动轮廓模型简明易用，但在背景血管颜色较复杂时分割效果不理想。水平集方法虽然精度高且稳定，但运算量大，为解决此问题，不少学者先用直方图中灰度值分布来定位视杯大致轮廓，然后用水平集分割算法得到视杯最终轮廓。椭圆拟合算法一般与其他视杯分割算法结合使用，在视杯粗分割后，对视杯边缘进行椭圆拟合得到光滑的视杯轮廓，但视杯并非都是椭圆形结构，因而算法会有一定误差；基于临床先验信息的方法，这类算法主要根据部分视杯边缘存在着血管转折点这一临床特征，对血管转折点组成的边缘进行校正平滑来确定视杯轮廓，虽然一定程度提高了视杯分割准确性，但血管转折点的提取非常困难和耗时，且部分视杯边缘并不存在血管转折点；像素分类法，这类方法首先对图像进行特征提取，而后进行图像训练分类，进而得到视杯区域。