[发明专利]基于丰富上下文网络的视杯视盘分割方法及成像方法

说明书

本发明公开了一种基于丰富上下文网络的视杯视盘分割方法，包括获取现有的彩色眼底图像数据并处理得到训练数据集；构建视杯视盘分割原始模型并训练得到视杯视盘分割模型；采用视杯视盘分割模型对目标彩色眼底图像进行分割得到最终的视杯视盘分割结果。本发明还公开了一种采用所述基于丰富上下文网络的视杯视盘分割方法的成像方法。本发明提出了一种基于卷积神经网络、并能够获取充足上下文信息的分割结构进行视盘视杯分割；因此本发明方法能够提高视盘视杯的分割性能，解决视杯边缘分割不够平滑的问题，而且精确度高、可靠性好且分割效果较好。

技术领域

本发明属于图像处理领域，具体涉及一种基于丰富上下文网络的视杯视盘分割方法及成像方法。

背景技术

随着经济技术的发展和人们生活水平的提高，人们对于健康的关注也越来越高。

眼底图像是临床医疗图像的重要组成部分。眼底图像中，常用的指标包括杯盘比(视杯视盘垂直方向半径的比值)、盘半径、盘沿视盘面积比等。而获取上述指标的前提，就是需要在眼底图像中，对视杯和视盘进行分割，从而获取更具有参考性的视杯视盘图像。

在彩色眼底图像中，视盘是一个亮黄色的椭圆形结构，它由视杯和视网膜神经纤维(rim)组成(如图1所示)。视盘和视杯的精确分割，是指标获取的关键。但是，视杯边缘没有明显的轮廓，多数方法得到的视杯分割结果边缘部分不够精确。

对于视盘的分割，传统的方法主要基于边缘、颜色和超像素等特征；常见的方法包括颜色阈值判定、区域分割和边缘检测等。对于视杯的分割，有研究者用视杯边缘血管会发生弯曲这一特性来定位视杯区域。但是，有的血管弯曲点并不在视杯的边界上，这会导致较严重的识别错误。另外，血管弯曲尺度小，不易检测到。这些方法虽然简单，易于操作，但是只利用了少量的局部信息和非常有限的上下文，性能较差，而且极易受到病变的影响，不稳定。

近年来，研究者将基于深度学习的方法引入到视盘和视杯的分割中，最常见的方法是将分割问题视为像素级的分类任务。这类方法大多基于UNet结构，因为其可以利用较少的数据量进行训练，得到很好的结果，适用于处理医学图像。基于UNet结构的方法，其将多尺度或多模态的数据输入网络，通过编码-解码的方式同时获取语义信息和细节信息，得到表示能力较强的特征，从而提高视杯和视盘分割的性能。例如，在M-Net中，利用了UNet编码解码的基础结构，将多个尺度的图像输入编码器，从而提取多尺度信息；在解码阶段，编码器提取的low-level特征通过skip连接重用，补偿解码器的high-level的特征。此外，现有的方法一般还通过特征金字塔来挖掘多尺度信息。由于提取了高级别的特征，相比于传统方法，基于深度学习的方法取得了较好分割结果。但是，现有的深度学习方法，对于上下文信息的利用率依旧不高，因此对边界不清晰的视杯，现有方法依然难以得到较准确的分割结果。

发明内容

本发明的目的之一在于提供一种精确度高、可靠性好且分割效果较好的基于丰富上下文网络的视杯视盘分割方法。

本发明的目的之二在于提供一种包括了所述基于丰富上下文网络的视杯视盘分割方法的成像方法。

本发明提供的这种基于丰富上下文网络的视杯视盘分割方法，包括如下步骤：

S1.获取现有的彩色眼底图像数据；

S2.对步骤S1获取的彩色眼底图像数据进行处理，从而得到训练数据集；

S3.构建视杯视盘分割原始模型；

S4.采用步骤S2得到的训练数据集对步骤S3构建的视杯视盘分割原始模型进行训练，从而得到视杯视盘分割模型；

S5.采用步骤S4得到的视杯视盘分割模型，对目标彩色眼底图像进行分割，从而得到最终的视杯视盘分割结果。