[发明专利]一种基于多任务学习的眼底视盘和渗出联合分割方法

权利要求书

1.一种基于多任务学习的眼底视盘和渗出联合分割方法，其特征在于，包括如下步骤：

步骤(1)、获取眼底图像，进行数据预处理；

步骤(2)、对预处理后的数据进行扩增；

步骤(3)、构建眼底视盘和渗出物联合分割的深度学习网络，将扩增后的眼底图像输入网络中进行模型训练；

步骤(4)、采用大津法对眼底视盘和渗出物的分割结果进行阈值分割后处理，获得最终的联合分割结果。

2.根据权利要求1所述的一种基于多任务学习的眼底视盘和渗出联合分割方法，其特征在于，所述步骤(1)数据预处理，首先对原始输入图像计算均值和方差；其次将图像减去图像均值，除以每张图像的方差，对输入图像进行归一化。

3.根据权利要求1所述的一种基于多任务学习的眼底视盘和渗出联合分割方法，其特征在于，所述步骤(2)数据扩增是利用预处理后的图像进行数据扩增，对图像随机进行旋转或尺寸变化，达到数据扩增的目的。

4.根据权利要求所述的一种基于多任务学习的眼底视盘和渗出联合分割方法，其特征在于，所述步骤(3)具体包括：

A.构建眼底视盘和渗出物联合分割的深度学习网络

所述深度学习网络为U-net网络，在U-net的基础上，将解码部分每次上采样的输出都与最后的网络输出相连接，获得一种新的深度学习网络，称之为S-net网络，S-net具有编码器和解码器，编码器结构与U-net的编码器结构相同，而解码器结构与U-net的解码器结构不同，其上采样层的每个输出都与最后一个上采样层的输出串联在一起。

基于S-net构建多任务分割网络W-net，W-net的编码器结构和S-net的编码器结构相同，解码器结构中，为第二个任务添加了相同的解码器结构，两个解码器共享同一个编码器，分别生成眼底视盘和眼底渗出的分割结果；

在W-net的编码器结构中，两个具有3×3卷积核的卷积层与一个下采样层构成一个编码模块，图像经过3个编码模块后，再经过两个具有3×3卷积核的卷积层输出特征图给解码器；

W-net的两个解码器结构完全相同，在W-net的解码器结构中，一个上采样层和两个具有3×3卷积核的卷积层构成一个解码模块，图像在经过3次解码模块后，再经过一个卷积层输出最终的分割结果；在每次上采样之后，将编码器结构中相同大小的特征图与解码器对应特征图相结合，作为下一次卷积的输入；每个上采样层的输出都与最后一个上采样层的输出串联在一起；

B.网络模型训练：

首先对多个眼底图进行眼底视盘和渗出物进行人工分割标注；然后将标注好的分割结果和对应的眼底图作为一个三元图像对，送入网络学习；最后，设定网络学习的损失函数，利用网络分割结果与标注分割结果之间的损失对网络学习进行指导，待损失小于预定阈值或者训练代数达到设定的代数，停止网络训练，获得最终网络模型。