[发明专利]图像分割模型的构建方法、图像分割方法、装置及介质

权利要求书

1.一种图像分割模型的构建方法，其特征在于，所述方法包括：

获取视网膜OCT图像，并从所述视网膜OCT图像中提取视网膜黄斑中心凹无血管区域另存为标注图像，将所述视网膜OCT图像以及所述标注图像构建数据集；

对所述数据集进行数据扩增，并将扩增后的数据集划分为训练集以及测试集，分别对所述训练集以及测试集中的视网膜OCT图像的图像颜色属性进行扩增调整，重构训练集与测试集；

获取重构后的训练集与测试集，并采用神经网络模型对所述重构后的训练集进行学习与训练，建立用于对所述视网膜OCT图像中的视网膜黄斑中心凹无血管区域进行分割的图像分割模型；

所述图像分割模型包括：

图像编码部分、解码部分和分割结果重建部分；其中，编码部分包括许多个编码器，编码器主要通过卷积不断提取图像特征；每个编码器包括4个卷积层、4个激活层和1个2*2池化层；卷积层用于对图像进行卷积以提取图像特征，激活层用于为神经网络模型加入非线性特性，池化层用于对特征图进行压缩，

当利用该图像分割模型对图像进行分割时，将特征图中的值放入对应的2*2的池化层中记录的最大值的位置，再将其它位置的值设为0，在此过程中特征图会增大两倍，再通过卷积层卷积得到包含图像特征的特征图，特征图通过激活层激活得到激活后的特征图，分割结果重建部分包括1个卷积层和1个激活层，特征图经过卷积层卷积后通过激活层的激活获得分割结果图。

2.根据权利要求1所述的图像分割模型的构建方法，其特征在于，所述获取视网膜OCT图像，并从所述视网膜OCT图像中提取视网膜黄斑中心凹无血管区域另存为标注图像，将所述视网膜OCT图像以及所述标注图像构建数据集，包括：

获取视网膜OCT图像，并通过专家人工标注的方式对所述视网膜OCT图像中的视网膜黄斑中心凹无血管区域进行标记；

从带有所述标记的视网膜OCT图像中提取视网膜黄斑中心凹无血管区域，并将提取的视网膜黄斑中心凹无血管区域另存为标注图像；

将所述视网膜OCT图像以及所述标注图像构建数据集。

3.根据权利要求1所述的图像分割模型的构建方法，其特征在于，所述对所述数据集进行数据扩增，并将扩增后的数据集划分为训练集以及测试集，分别对所述训练集以及测试集中的视网膜OCT图像的图像颜色属性进行扩增调整，重构训练集与测试集，包括：

分别对所述数据集中的视网膜OCT图像以及标注图像进行数据扩增，并按照预设的比例，将扩增后的数据集按照预设的比例划分为训练集与测试集；

分别将所述训练集和测试集中的视网膜OCT图像的图像颜色属性进行扩增，且将所述训练集以及测试集中的标注图像进行对应数量的扩增，获取扩增后的训练集与测试集；

所述图像颜色属性包括：图像的对比度或者亮度。

4.根据权利要求2所述的图像分割模型的构建方法，其特征在于，所述分别对所述数据集中的视网膜OCT图像以及标注图像进行数据扩增，包括：

对所述数据集中的视网膜OCT图像以及标注图像以随机换角度进行选准，并将旋转后的视网膜OCT图像以及标注图像添加至所述数据集中；

或者，对所述数据集中的视网膜OCT图像以及标注图像进行裁剪、平移或图像缩放，并将裁剪、平移或图像缩放后的视网膜OCT图像以及标注图像添加至所述数据集中。

5.根据权利要求4所述的图像分割模型的构建方法，其特征在于，所述分别将所述训练集和测试集中的视网膜OCT图像的图像颜色属性进行扩增，且将所述训练集以及测试集中的标注图像进行对应数量的扩增，获取扩增后的训练集与测试集，包括：

将所述训练集中的视网膜OCT图像的对比度扩增至原先的0.9倍、1.1倍，亮度扩增至原先的0.8倍、0.9倍、1.1倍以及1.2倍，且将所述训练集中的标注图像进行对应数量的扩增；

将所述训练集中的视网膜OCT图像的对比度扩增至原先的0.8倍、0.9倍、1.1倍以及1.2倍，亮度扩增至原先的0.7倍、0.8倍、0.9倍、1.1倍、1.2倍以1.3倍，且将所述训练集中的标注图像进行对应数量的扩增；

获取扩增后的训练集与测试集。