[发明专利]基于交互信息引导的深度学习方法的医学图像分割和定量分析方法、计算机设备、存储介质

说明书

本发明涉及基于交互信息引导的深度学习方法与医学图像分割和定量分析方法、计算机设备、存储介质，包括：(1)构建深度卷积神经网络，并直接利用已有的CNV标注数据进行训练，得到自动分割模型；(2)在不改变主要网络结构的基础上，在训练集上结合模拟的交互信息，将网络输入特征图增加一个通道用来表示交互信息，使用相同的CNV掩码进行微调训练得到模型A；(3)在测试或使用时，医生提供OCT图像，利用自动分割模型对输入的OCT图像进行自动检测、分割CNV，若医生对分割效果满意，则停止，否则，允许医生将交互信息输入模型A，得到更准确的结果。本发明分割性能提高，更加鲁棒、更加准确。

技术领域

本发明涉及基于交互信息引导的深度学习方法的医学图像分割和定量分析方法、计算机设备、存储介质，属于计算机图像处理技术领域。

背景技术

糖尿病视网膜病变(DR)是糖尿病在眼部的常见并发症，是糖尿病患者致盲的主要原因，其症状程度一般表现在视网膜微血管病变。当前，临床上通常使用OCT(光学相干断层扫描成像)来观察、评估、分级DR患者的视网膜血管病变进展程度。其中，脉络膜新生血管(CNV)是糖尿病患者的一种脉络膜血管异常表现，严重威胁视网膜组织的正常功能。因此，通过OCT技术对CNV进行观察、检测对诊断糖尿病具有重要临床价值。而研究CNV与DR进展程度的关系离不开从OCT图像中对CNV进行分割、提取、量化分析。传统的对CNV手工分割不仅费时费力，也容易造成偏差。借助于深度学习在医学图像分析上的应用，一些自动化分割CNV的方法被提了出来。然而，不同病变程度、不同患者所表现的OCT图像复杂多变，结构多样，单纯依赖自动化分割具有较大的风险，也很难对所有OCT图像达到满意的结果。

传统的交互式分割方法，例如，种子点区域生长法、图割法、活动轮廓模型方法，由于视网膜OCT图像通常具有散斑噪声且对比度低、边缘弱化，因此，这些方法很难直接应用于CNV的精准分割。

现有的采用的技术列举如下：

中国专利文献CN 106558030 A公开了三维大视野扫频光学相干断层成像中脉络膜的分割方法：图像增强处理；视盘区域检测：用改进的算子检测视网膜上表面和内一外视网膜分界面,通过检测内一外视网膜分界面的缺失,得到视盘区域的二维投影；脉络膜上表面分割：在内外视网膜分界面下方,去除视盘区域后,用三维多分辨率图搜算法,基于梯度代价函数,获得脉络膜上表面；脉络膜下表面分割：在脉络膜下表面下方,去除视盘区域后,用三维多分辨率图搜算法,基于梯度代价函数,获得脉络膜上表面的初步分割结果；根据初步分割结果,计算梯度信息与区域信息相结合的代价函数,用三维图搜算法获得精确分割结果。

中国专利文献CN 110415253 A公开了一种基于深度神经网络的点交互式医学图像分割方法：该算法从专家提供的肿瘤中心位置出发，按照中心扩散方式密集采集16个大小为32×32的图像块，形成图像块序列，并使用具有序列学习的深度分割网络学习目标内外变化趋势，确定目标边缘，实现对肾肿瘤的分割。该方法能够克服医学图像对比度低、目标位置多变、目标边缘模糊的影响，适用于器官分割和肿瘤分割任务。

中国专利文献CN111292338A公开了一种从眼底OCT图像中分割脉络膜新生血管的方法及系统：采集包含脉络膜新生血管病变的眼底OCT图像，构建类U-Net神经网络模型，使用OCT图像和病变标记进行训练。在测试阶段，直接将待分割OCT图像输入网络，得到脉络膜新生血管。

上述专利技术上存在一些缺陷或不足：1)传统的CNV分割方法计算速度慢，参数较难调整，适应性低；2)仅采用深度学习的CNV分割方法，主要问题在于用作训练的标注数据较难获取，影响了泛化能力，在遇到复杂的CNV病变图像时，分割性能显著下降；3)当前结合交互信息和深度学习的相关方法，其采用图像块的处理，处理过程复杂，确定的目标边缘缺乏连续性保证，导致准确性降低。

发明内容

针对现有技术的不足，本发明提供了基于交互信息引导的深度学习方法的医学图像分割和定量分析方法；