[发明专利]基于双向引导网络的AMD病变OCT图像的分类分割方法及系统

说明书

本发明涉及一种基于双向引导网络的AMD病变OCT图像的分类分割方法及系统，包括以下步骤：获取OCT图像，将所述OCT图像分成训练集、验证集和测试集；构建掩模互补卷积神经网络以用于OCT图像的分类；采用Grad‑CAM算法计算掩模互补卷积神经网络的类激活图，获得类激活图的输出；构建类激活图引导的U型分割网络以用于OCT图像中病变区域的分割；通过训练集和验证集对网络进行训练，获得优化后的掩模互补卷积神经网络和类激活图引导的U型分割网络；将测试集代入优化后的掩模互补卷积神经网络和类激活图引导的U型分割网络中，实现OCT图像的分类和分割。其能够对含有玻璃膜疣、CNV以及正常视网膜OCT图像进行准确的分类，并给出病变区域精确的分割结果。

技术领域

本发明涉及OCT图像处理技术领域，尤其是指一种基于双向引导网络的AMD病变OCT图像的分类分割方法及系统。

背景技术

年龄相关性黄斑变性(Age-related Macular Degeneration，AMD)是世界上第三大致盲眼科疾病，严重危害老年人的视力健康。AMD可分为干性AMD与湿性AMD，玻璃膜疣与脉络膜新生血管分别是这两种类型的表现。光学相干断层成像技术(Optical CoherenceTomography,OCT)常用于观测玻璃膜疣与脉络膜新生血管病灶。

玻璃膜疣是由于视网膜色素上皮层运送营养和废料的能力下降，导致废料在RPE层的下方堆积。在OCT图像中表现为RPE层下方小的毛刺状的突起。早期的玻璃膜病灶区域较小，与正常视网膜图像比较接近，后期随着病变区域的进一步发展，部分患者会发展成为湿性AMD，这使得玻璃膜疣的分类较为困难。而且OCT图像中玻璃膜疣病变区域较小，以及成像过程中光束波长及视网膜内部组织的不同影响，在OCT图像中会存在较多的散斑噪声，对玻璃膜疣病变区域的精确分割具有一定的干扰性。早期对于OCT图像中玻璃膜疣的研究尝试采用阈值法结合二次曲线拟合来分割病变区域，但是这种方法的预处理步骤较为繁琐，且泛化能力较差。之后随着深度学习的快速发展，科研工作者们也考虑采用卷积神经网络(Convolutional Neural Network，CNN)的方法来自动分割OCT图像中玻璃膜疣的病变区域。虽然较传统的图像处理方法来说泛化能力更强，也能较好的分割出病变区域，但是仅仅针对玻璃膜疣这一种疾病设计一种算法，目标单一，适用范围小。

脉络膜新生血管(Choroidal Neovascularization，CNV)是指来自脉络膜的增殖血管穿过布鲁赫膜，长入色素上皮(Retinal Pigment Epithelium，RPE)层下方或者穿过RPE层长入视网膜神经纤维层。随着CNV增殖血管的不断扩大、渗漏以及破裂出血，可导致视力减退、视物变形，出现中心或者旁中心暗点。症状反复发作者，黄斑部分将搜到严重破坏，造成永久视力障碍。OCT图像中脉络膜新生血管的病变区域形态、大小等有所差异，并且伴随着上下边界模糊、内部像素灰度不一致、以及OCT图像中的噪声和其他疾病因素的干扰，为CNV的研究带来了较大的难度。对于OCT图像中脉络膜新生血管的研究，有基于传统的算法，如反应扩散模型结合有限元方法、基于传统特征的随机森林等，也有基于卷积神经网络的多尺度并行分支CNN以及信息注意力CNN等。上述方法为脉络膜新生血管的研究提供了一些解决思路，但在分类精度、分割的可靠性上依然存在提升空间。

近些年来，学者们对于年龄相关性黄斑变性OCT图像的研究主要分为两个方向，第一种方向对年龄相关性黄斑变性中的某一类病灶展开深入的研究，尽可能地取得较高的识别率及准确的病变区域分割，如前面所述；另一种方向是对年龄相关性黄斑变性中多种病灶的分类。支持向量机、随机森林、卷积神经网络等常用算法均被用于AMD的分类，但是无法同时给出精细的病变区域，不利于病变的定量分析。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中支持向量机、随机森林、卷积神经网络等常用算法均被用于AMD的分类，但是无法同时给出精细的病变区域，不利于病变的定量分析的技术缺陷。

为解决上述技术问题，本发明提供了一种基于双向引导网络的AMD病变OCT图像的分类分割方法，包括以下步骤：