[发明专利]一种视盘和视杯联合分割方法与系统

权利要求书

1.一种视盘和视杯联合分割方法，其特征在于，包括：

获取眼底图像数据集，所述眼底图像数据集的图像包括视盘、视杯和背景；

对所述眼底图像数据集进行处理，得到处理后的眼底图像数据集；

构建ARDSENet网络模型；

将所述ARDSENet网络模型输入至设置完成的训练环境和参数中进行训练，得到训练后的ARDSENet网络模型；

将所述处理后的眼底图像数据集输入至所述训练后的ARDSENet网络模型中，得到视盘和视杯分割结果。

2.根据权利要求1所述的视盘和视杯联合分割方法，其特征在于，所述对所述眼底图像数据集进行处理，得到处理后的眼底图像数据集，具体包括：

对所述眼底图像数据集中的图像进行水平翻转、垂直翻转、水平和垂直翻转以及平移数据增强操作，得到数据增强后的眼底图像数据集。

3.根据权利要求1所述的视盘和视杯联合分割方法，其特征在于，所述ARDSENet网络模型为编码器-解码器结构网络模型。

4.根据权利要求1所述的视盘和视杯联合分割方法，其特征在于，所述构建ARDSENet网络模型，具体包括：

设计一种基于EfficientNet的编码器，所述编码器包含移动翻转瓶颈卷积模型块；

设计一种基于注意力门的解码器，所述解码器包含残差深度可分离卷积模块；

设计一种加权结合Dice损失和Focal损失的融合损失函数。

5.根据权利要求1所述的视盘和视杯联合分割方法，其特征在于，所述训练环境的网络训练迭代更新30epochs，批次大小为2，采用均方根传播优化器，初始学习率为0.0001，学习率会根据验证集的分数自动衰减，并且自动调整损失。

6.根据权利要求1所述的视盘和视杯联合分割方法，其特征在于，所述参数包括焦点损失参数和可调参数，所述焦点损失参数包括视盘焦点损失参数、视杯焦点损失参数和背景焦点损失参数分别设置为0.75、0.75和0.25，可调参数设置为2。

7.一种基于权利要求1至6任一项所述视盘和视杯联合分割方法的系统，其特征在于，包括：

眼底图像数据集获取模块，用于获取眼底图像数据集，所述眼底图像数据集的图像包括视盘、视杯和背景；

眼底图像数据集处理模块，用于对所述眼底图像数据集进行处理，得到处理后的眼底图像数据集；

ARDSENet网络模型构建模块，用于构建ARDSENet网络模型；

ARDSENet网络模型训练模块，用于将所述ARDSENet网络模型输入至设置完成的训练环境和参数中进行训练，得到训练后的ARDSENet网络模型；

视盘和视杯分割结果确定模块，用于将所述处理后的眼底图像数据集输入至所述训练后的ARDSENet网络模型中，得到视盘和视杯分割结果。

8.根据权利要求7所述的视盘和视杯联合分割系统，其特征在于，所述眼底图像数据集处理模块具体包括：

眼底图像数据集处理单元，用于对所述眼底图像数据集中的图像进行水平翻转、垂直翻转、水平和垂直翻转以及平移数据增强操作，得到数据增强后的眼底图像数据集。

9.根据权利要求7所述的视盘和视杯联合分割系统，其特征在于，所述ARDSENet网络模型为编码器-解码器结构网络模型。

10.根据权利要求7所述的视盘和视杯联合分割系统，其特征在于，所述ARDSENet网络模型构建模块具体包括：

编码器设计单元，用于设计一种基于EfficientNet的编码器，所述编码器包含移动翻转瓶颈卷积模型块；

解码器设计单元，用于设计一种基于注意力门的解码器，所述解码器包含残差深度可分离卷积模块；

融合损失函数设计单元，用于设计一种加权结合Dice损失和Focal损失的融合损失函数。