[发明专利]一种视网膜图像病变区域自动分割方法及系统

权利要求书

1.一种视网膜图像病变区域自动分割方法，其特征是，包括以下步骤：

采集视网膜图像，配置训练集与测试集；

配置全卷积神经网络模型，修改损失函数，利用训练集中图像数据训练全卷积神经网络模型；

利用训练好的全卷积神经网络模型对测试集中图像数据进行初步分割，并对初步分割结果进行两步补偿，得到概率图；

对概率图进行阈值分割，得到EZ-BM区域和CSC病变区域；

采用二值图像边缘检测方法提取EZ-BM区域的椭圆体带-布鲁赫膜区域上下边界，得到椭圆体带层与布鲁赫膜层的分割结果；

所述对初步分割结果进行两步补偿的方法为：

通过保留EZ-BM二值图中最大面积区域，去除位于在EZ-BM区域外的异常的外丛状层检测误差，得到EZ-BM区域概率图；

采用最大化CSC病变区域边缘邻域最小值的均值的方法迭代寻找最佳α值，将测试集中视网膜图像的像素值与得到的α值相乘，得到新的视网膜图像，利用训练好的全卷积神经网络模型重新对测试集中新的图像数据进行分割，得到最佳CSC病区概率图。

2.根据权利要求1所述的视网膜图像病变区域自动分割方法，其特征是，还包括：

采集到视网膜图像后，将视网膜图像分割成EZ-BM区域与CSC病变区域，并将两区域叠加整合，同时令背景区域作为第一类，去除CSC病变区域的EZ-BM区域作为第二类，CSC病变区域作为第三类，将这三类作为全卷积神经网络模型分割标准。

3.根据权利要求1所述的视网膜图像病变区域自动分割方法，其特征是，所述全卷积神经网络模型采用基于VGG-16的FCN-8s网络结构。

4.根据权利要求1所述的视网膜图像病变区域自动分割方法，其特征是，所述对测试集中图像数据进行初步分割的方法为：

采用视网膜图像属于第二类的概率大于0.5作为提取EZ-BM区域的判定标准，视网膜图像属于第三类的概率大于0.5作为提取CSC病变区域的判定标准，利用训练好的全卷积神经网络对视网膜图像初步分割，得到初步的自动分割二值结果，包括EZ-BM二值图和CSC二值图。

5.根据权利要求1所述的视网膜图像病变区域自动分割方法，其特征是，所述采用最大化CSC病变区域边缘邻域最小值的均值的方法迭代寻找最佳α值的步骤包括：

判断CSC二值图边缘每一个像素8邻域最小值的均值是否等于1；

若CSC二值图边缘每一个像素8邻域最小值等于1，则输出α值与相对应的CSC二值图，结束迭代；

若CSC二值图边缘每一个像素8邻域最小值的均值不等于1，则判断α是否到达α＝3的上限；

若到达上限，则寻找CSC二值图边缘每一个像素8邻域最小值的均值所对应的α与分类结果，并输出α与相对应的CSC二值图，结束迭代；

若α未到达α＝3的上限，则使α＝α+0.1重新开始继续迭代。