[发明专利]用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统

说明书

本发明公开了一种用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统，涉及图像信息处理技术领域，本发明包括采集若干幅眼底图像，对眼底图像进行预处理，得到训练图像样本集和验证图像样本集；利用训练图像样本集对构造的W‑Net‑Mcon全卷积神经网络进行训练，得到最佳W‑Net‑Mcon全卷积神经网络；将待分割眼底图像预处理后输入最佳W‑Net‑Mcon全卷积神经网络，得到预测目标结果图；利用极坐标反变换和椭圆拟合对预测目标结果图进行处理，得到最终分割结果，进而得到杯盘比，最后得出青光眼初步筛查结果，本发明可以有效的多尺寸提取图像语义信息，并将不同层次的特征进行融合，全局特征与细节特征相融合，鼓励特征复用，提升了梯度的反向传播，提高了图像的分割精度。

技术领域

本发明涉及图像信息处理技术领域，更具体的是涉及一种用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统。

背景技术

青光眼是全世界第二大致盲原因(仅次于白内障)，也是造成不可逆失明的首要原因。由于青光眼造成的视力损伤是不可逆的，所以早期对于青光眼的筛查与诊断是至关重要的。眼底图像由于其成本较低并容易获得等优点，已经成为医生进行青光眼诊断的重要参考信息，在记录青光眼病变过程、诊断青光眼疾病、评估治疗效果、预防某些潜在青光眼病变等方面发挥着巨大作用。当下一种主流的青光眼筛查技术是用眼底图像中的视神经头来评估，采用一个二分类来判断是否患有青光眼疾病。在临床上，医生主要采用杯盘比(CDR)来评估视神经头。在彩色眼底图像中，视盘呈现亮黄色且形状接近椭圆，可分为两个明显的区域：中间明亮区(视杯)和外围区(视神经网膜边缘)。杯盘比CDR是指垂直杯径与垂直盘径的比。通常情况下，CDR值越大，则患青光眼的几率越大。因此，准确的分割出视杯视盘是评估CDR的关键。

医生需阅览大量眼底图像并做出诊断，是一个耗时繁琐的过程，容易受到主观经验和疲劳程度的影响。医生在疲倦时遗漏眼底图像中的某些细节信息的风险会增加，从而造成漏诊、误诊的情况发生，且仅仅依靠医生来进行判断不适用于大规模的青光眼筛查。

随着医学图像数量的快速增长，基于计算机的自动医学图像分割成为现代医学影像学的主要研究方向之一。青光眼筛查计算机辅助诊断系统首先会给出医学图像中可能的病变位置，医生可以根据系统提醒，有针对性的对较大概率病变的组织结构进行更加全面与细致的分析，有助于提高诊断的准确性。因此，青光眼计算机辅助诊断系统有助于降低医生阅片负担、提高诊断准确率以及降低漏诊和误诊的比例。与此同时，眼底图像分割算法是青光眼筛查计算机辅助诊断系统进行青光眼诊断的核心功能。

传统的眼底图像分割算法在复杂场景中的分割效果并不理想，对于对比度较低和图像质量较差的眼底图像无法获得较高分割精度以实现计算机辅助系统做出准确判断。主要是由于传统图像分割方法看待问题和应对的分割场景并不十分全面。随着计算机技术的发展和“大数据时代”的到来，以数据驱动、自动提取强区分度特征的全卷积深度神经网络在眼底图像分割中取得了不错的分割效果，有利于实现青光眼计算机辅助诊断系统的建立和推广到大规模的青光眼筛查中。

现有的医学图像分割方法主要分为两大类：传统的图像分割方法和基于深度学习的图像分割方法。传统的图像分割方法主要包括了基于边缘的图像分割、基于阈值的图像分割、基于区域的图像分割、基于图论的图像分割以及基于主动轮廓模型的图像分割。传统的图像分割方法很受被分割图像的浅层视觉特征的影响，如边缘、条纹、亮度、对比度等。而忽视许多图像内部的深层次特征。此外，传统的方法一般需要利用手工来构造特征从而获得分割结果，这就导致很难为不同的应用程序设计具有代表性的特征和对某一种类型图像效果很好的手工构造特征在另一类型的图像中效果很差，从而缺乏通用的特征构造方法，其泛化性能不高。