[发明专利]一种视网膜图像病变区域自动分割方法及系统

说明书

本发明公开了一种视网膜图像病变区域自动分割方法及系统，实现同时分割中心浆液脉络膜病变区域和椭圆体带‑布鲁赫膜区域。该方法包括以下步骤：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；对概率图进行再次分割，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。

技术领域

本公开涉及图像分割领域，具体涉及一种基于全卷积神经网络的OCT视网膜图像椭球带与布鲁赫膜区域自动分割方法及系统。

背景技术

中心性浆液性脉络膜视网膜病变(CSC)是一种常见的视网膜病变，在中青年男性中尤为常见，使得视网膜色素上皮(RPE)继发的神经感觉视网膜浆液脱离。常发生椭球带(EZ)与布鲁赫膜(BM)之间的浆液脱离，导致椭球带异常突出。

光学相干断层扫描(OCT)是一种常用的视网膜形态学观察技术，是观察疾病变化的一种好方法。该技术具有无创、深度分辨、体积成像等优点。发明人在研发过程中发现，现有采用手工分割的方式在OCT视网膜图像中出分割CSC病变区域，但需要大量的时间，并且依赖人工经验，导致分割结果不准确。

发明内容

为了克服上述现有技术的不足，本公开提供了一种基于全卷积神经网络的OCT视网膜图像病变区域自动分割方法及系统，实现同时分割中心浆液脉络膜病变区域和椭圆体带-布鲁赫膜区域。

本公开的第一方面的一种视网膜图像病变区域自动分割方法的技术方案是：

一种视网膜图像病变区域自动分割方法，该方法包括以下步骤：

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。

本公开的第二方面的一种视网膜图像病变区域自动分割系统的技术方案是：

一种视网膜图像病变区域自动分割系统，该系统包括：

图像采集模块，用于采集视网膜图像，配置训练集与测试集；

模型训练模块，用于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；

图像补偿分割模块，用于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；

图像阈值分割模块，用于对概率图进行阈值分割，得到EZ-BM区域和CSC病变区域；

椭圆体带层与布鲁赫膜层分割模块，用于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。

通过上述技术方案，本公开的有益效果是：

(1)本公开采用FCN-8S全卷积神经网络结构同时分割中心浆液脉络膜病变区域和椭圆体带-布鲁赫膜区域，利用两步补偿的方法提高了全卷积神经网络模型在差异较大的数据集中的分割准确性，并且将杰卡德距离损失函数扩展到三分类。