[发明专利]一种基于循环自适应多目标加权网络的糖尿病视网膜病变区域自动分割方法

说明书

本申请公开了一种基于循环自适应多目标加权网络的糖尿病视网膜病变区域自动分割方法，涉及医学图像分割技术领域，所述方法包括：获取样本眼底彩照图像；根据样本眼底彩照图像训练糖尿病视网膜病变区域分割模型，糖尿病视网膜病变区域分割模型包括循环自适应多目标加权网络，循环自适应多目标加权网络用于自适应的为不同目标分配权重并增强网络的稳定性，不同目标包括样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE中的至少一种，训练后的视网膜病变分割模型用于对目标眼底彩照图像进行分割。也即通过自适应的为不同目标分配权重，进而缓解子类间不平衡的问题，达到了可以提高网络的分割精度的效果。

技术领域

本发明涉及糖尿病视网膜病变区域分割模型训练方法和糖尿病视网膜病变区域分割方法，属于医学图像分割技术领域。

背景技术

糖尿病视网膜病变(Diabetic retinopathy,DR)是糖尿病最常见的微血管并发症之一，是一种不可逆转的致盲疾病，也是四大致盲因素之一。早期准确的DR筛查，尤其是出血(Hemorrhages,HE)、硬性渗出(Hard Exudates,EX)、微血管瘤(Microaneurysms,MA)和棉绒斑(Soft Exudates,SE)等病变区域的分割，对于眼科医生制定治疗计划至关重要。然而由于病变区域形状多样、边界模糊、病理特征不明确，多个病灶的联合分割仍然具有很大的挑战。

近年来，随着深度学习的迅速发展，许多基于卷积神经网络(ConvolutionalNeural Networks，CNN)的深度学习方法应用于DR图像分析。但是，大多数基于CNN的DR分割方法精度不足，且尚未有对DR中的出血HE、硬性渗出EX、微血管瘤MA和棉绒斑SE进行联合分割的研究报道。

发明内容

本发明的目的在于提供一种糖尿病视网膜病变区域分割模型训练方法和糖尿病视网膜病变区域分割方法，用于解决现有技术中存在的问题。

为达到上述目的，本发明提供如下技术方案：

根据第一方面，本发明实施例提供了一种糖尿病视网膜病变区域分割模型训练方法，所述方法包括：

获取样本眼底彩照图像；

根据所述样本眼底彩照图像训练糖尿病视网膜病变区域分割模型，所述糖尿病视网膜病变区域分割模型包括循环自适应多目标加权网络，所述循环自适应多目标加权网络用于自适应的为不同目标分配权重并增加网络的稳定性，不同目标包括所述样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE中的至少一种，训练后的所述糖尿病视网膜病区域变分割模型用于对目标眼底彩照图像进行分割。

可选的，所述循环自适应多目标加权网络包括前向编码解码模块与自适应多目标加权模块，所述前向编码解码模块的输入为三通道的所述样本眼底彩照图像，输出为六通道预测概率图；其中，输出的每个通道分别对应所述样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE。

可选的，所述自适应多目标加权模块的输入为所述前向编码解码模块中的编码器提取得到的高级语义特征，输出为为不同目标分配的权重。

可选的，所述自适应多目标加权模块的输出为：w＝g_AMW(X_H)；

其中，X_H为所述编码器提取得到的高级语义特征，为权重，5为目标的数量；

权重与所述前向编码解码模块中的解码器的输出相乘为：

F_c和w_c分别代表第c个通道对应的预测概率图与权重，×为标量乘法，表示加权后第c个通道的预测概率图；

所述循环自适应多目标加权网络的最终预测结果为：