[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

说明书

本发明公开了图像分割模型的构建方法、图像分割方法、装置及介质，方法包括：获取视网膜OCT图像，并提取视网膜黄斑中心凹无血管区域另存为标注图像，将视网膜OCT图像以及标注图像构建数据集；对数据集进行数据扩增，并划分为训练集以及测试集，分别对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重构后的训练集进行学习与训练，建立图像分割模型。本发明能够减少或消除图像颜色属性变化而造成的分割效果不同的影响，提高对不同图像颜色属性的视网膜OCT图像中的视网膜黄斑中心凹无血管区域的判断及分割的准确度。

技术领域

本发明涉及医疗图像分析处理技术领域，尤其涉及的是一种图像分割模型的构建方法、图像分割方法、装置及介质。

背景技术

视网膜黄斑中心凹是视网膜视觉最敏锐的区域。黄斑中心凹周围被毛细血管包绕，留了中央约几百微米大小的无血管区域存在，称之为视网膜黄斑中心凹无血管区域(Foveal Avascular Zone，FAZ)。测量FAZ尺寸大小在许多视网膜疾病的诊断和治疗中发挥着重要作用。糖尿病视网膜病变和视网膜静脉阻塞等疾病都会引起FAZ尺寸大小的变化。因此，精确分割出视网膜黄斑中心凹无血管区域非常重要。

但是，现有的用于FAZ分割的软件都只能针对图像颜色属性固定的图像对FAZ进行分割，当同一图像的图像颜色属性(例如对比度,亮度等)改变时，软件分割出来的FAZ区域也会随之改变。因此，现有的分割方法对图像的图像颜色属性变化的鲁棒性较低，无法对不同图像颜色属性的图像中FAZ进行准确分割。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种图像分割模型的构建方法、图像分割方法、装置及介质，旨在解决现有技术中的分割方法对图像的图像颜色属性变化的鲁棒性较低，无法对不同图像颜色属性的图像中FAZ进行准确分割的问题。

本发明解决技术问题所采用的技术方案如下：

一种图像分割模型的构建方法，其中，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。

优选地，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。

优选地，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；