[发明专利]一种视盘和视杯联合分割方法与系统

说明书

本发明涉及一种视盘和视杯联合分割方法及系统。通过获取眼底图像数据集，眼底图像数据集的图像包括视盘、视杯和背景；对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；将处理后的眼底图像数据集输入至训练后的ARDSENet网络模型中，得到视盘和视杯分割结果。采用本发明能够实现视盘和视杯的联合分割，提高分割的准确性。

技术领域

本发明涉及视盘和视杯分割领域，特别是涉及一种视盘和视杯分割联合方法与系统。

背景技术

青光眼是一种成为世界上不可逆转的视力损失的眼科疾病。据估计，到2040年将有1.118亿人受到青光眼的影响。当患者被诊断为青光眼时，对视觉功能的损害是渐进的、不可逆转的。并且视野缺损在青光眼早期并不明显，因此，早期青光眼的筛查是至关重要的。

目前，视网膜彩色眼底图像是早期青光眼筛查中最广泛使用的成像技术，因为它具有成本效益。图1为眼底图像。1(a)为眼底图像的主要结构，(b)为正常和青光眼彩色眼底图像的垂直杯直径(VCD)和垂直盘直径(VDD)。视网膜眼底图像包含各种不同的结构，如视盘、视杯、血管、黄斑和眼窝等，如图1(a)所示。图1(b)显示了垂直杯直径(VCD)与垂直盘直径(VDD)的比率称为杯盘比(cup-to-disc ratio，CDR)，是青光眼筛查的主要衡量指标。如果CDR值大于0.5，则可诊断患有青光眼。由此可见，CDR的计算取决于对视盘和视杯的精准分割，但是手工分割这些区域总会面临不同的问题，例如，缺乏合格的眼科医生，个体间阅读的差异性和耗时。因此，提取有用的特征实现自动的精准的视盘和视杯分割有利于青光眼筛查。

最近，研究者研发了一系列基于彩色眼底图像的自动视盘和视杯分割方法，用于青光眼诊断，这些方法可以分为基于启发式的方法和基于深度学习的方法。对于基于启发式的方法，首先通过手工设计或选取特征，如颜色、梯度和纹理特征，然后进行视盘和视杯分割。然而，这些手工特征的提取容易受到眼底结构和图像质量等众多因素的影响，从而影响视盘和视杯分割的结果。基于深度学习的方法成为当今各领域的主流方法。大量基于深度学习的分割方法被提出，并取得了较高的视盘和视杯分割的准确性。然而，它们仍然面临如下具有挑战性的问题：视盘和视杯是独立分割的，或者需要通过预处理程序来提取视盘中心区域。因此，不仅会增加计算的复杂性，而且由于单独操作而降低分割的准确性。

发明内容

本发明的目的是提供一种视盘和视杯联合分割方法与系统，能够实现视盘和视杯的联合分割，提高分割的准确性。

为实现上述目的，本发明提供了如下方案：

一种视盘和视杯联合分割方法包括：

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。

可选地，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。

可选地，所述ARDSENet网络模型为编码器-解码器结构网络模型。

可选地，所述构建ARDSENet网络模型，具体包括：