[发明专利]一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质

说明书

本发明公开了一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质，该方法针对现有的眼底图像中视盘视杯分割方法中没有考虑标志点空间分布特性的不足，考虑了大感受野稠密特征，通过提取大感受野稠密特征，并考虑了眼底图像中的血管空间分布差异，通过对血管稠密程度不同的区域学习不同的分类器，来对不同区域的像素进行分类。该方法能够很好地识别出有效的血管弯曲点和无效血管弯曲点，能够很好地分割出视盘和视杯区域。

技术领域

本发明属于图像分析技术领域，涉及一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质。

背景技术

随着图像处理技术的发展，对于眼底图像而言，当前已有的视盘视杯分割方法有以下两种：

1、基于手工设计的特征的视盘视杯分割方法，这一类方法主要是根据视盘视杯的表观特征和形状特征进行建模，用于分割。在表观上，视盘与其周围区域呈现出高对比度，视杯与盘沿区域也呈现出一定的对比度；在形状上，二者均呈现圆形或者椭圆形。通过设计特征来对视盘视杯的表观特性、形状特性以及血管局部结构进行编码，进而区分出视盘区域、视杯区域和背景区域。但是这些人工设计的特征的表达能力不强，这些方法对血管遮挡、病理区域、低对比度视盘和视杯区域以及低质量眼底图像敏感。

2、基于深度学习特征的视盘视杯分割方法，卷积神经网络在计算机视觉中很多任务上获得巨大成功后，迅速成为医学图像分析领域中的主流方法。在视盘视杯分割任务上，也有一系列的基于深度卷积神经网络的工作。常见的方法是采用一个编码器-解码器网络结构用来进行视盘视杯的联合分割，如Mnet文献[1]Fu H,Cheng J,Xu Y,et al.Jointoptic disc and cup segmentation based on multi-label deep network and polartransformation[J].IEEE Transactions on Medical Imaging,2018,PP(99):1-1，轻量级UNet文献[2]Sevastopolsky A.Optic disc and cup segmentation methods forglaucoma detection with modification of u-net convolutional neural network[J].Pattern Recognition and Image Analysis,2017 27(3):618-624。然而，这类方法均忽略了眼底图像中空间结构布局的差异性以及血管弯曲点空间分辨率极小且极稀疏的特性，使得这些方法的分割性能受限。

发明内容

针对现有的眼底图像中视盘视杯分割方法中没有考虑标志点空间分布特性的不足，本发明的目的在于提供一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质，该方法考虑了大感受野稠密特征，通过提取大感受野稠密特征，并考虑了眼底图像中的血管空间分布差异，通过对血管稠密程度不同的区域学习不同的分类器，来对不同区域的像素进行分类。该方法能够很好地识别出有效的血管弯曲点和无效血管弯曲点，能够很好地分割出视盘和视杯区域。

一种空间敏感的视盘视杯联合分割方法，包括以下步骤：

步骤1)：获取待分割的彩色眼底图像；

步骤2)：对彩色眼底图像进行极坐标转换，获得极坐标系彩色眼底图像；

步骤3)：采用空洞卷积网络对极坐标系彩色眼底图像进行特征抽取，得到特征图；

以捕获大范围的上下文信息和局部空间细节信息；

步骤4)：对得到的特征图从左到右进行均匀划分，得到M个子特征图；

步骤5)：将M个子特征图分别输入金字塔滤波器模块的M个金字塔滤波器单元，获得多尺度特征图块；

其中，金字塔滤波器模块由M个金字塔滤波器单元组成，每个金字塔滤波器单元由R个不同尺度的滤波器组成；