[发明专利]多种视网膜积液联合分割的上下文关注与融合网络系统

说明书

本申请公开一种适用于多种视网膜积液联合分割的上下文关注与融合网络，包括特征编码模块、上下文收缩编码CSE模块、上下文金字塔引导CPG模块、特征解码模块，上下文收缩编码CSE模块嵌入于特征编码模块中，上下文金字塔引导CPG模块设置于特征编码模块、特征解码模块之间，上下文收缩编码CSE模块与特征解码模块跳跃连接；视网膜OCT图像通过特征编码模块和上下文收缩编码CSE模块对各层次特征进行选择性聚合，再通过上下文金字塔引导CPG模块获得多尺度上下文信息输入到特征解码模块中，特征解码模块输出分割结果。本申请的适用于多种视网膜积液联合分割的上下文关注与融合网络，克服了现有技术中存在的特征聚合无选择性、多尺度信息提取能力低下等问题。

技术领域

本申请涉及医学图像分割技术领域，具体是一种多种视网膜积液联合分割的上下文关注与融合网络系统。

背景技术

针对视网膜光学相干断层扫描(OCT)图像中视网膜积液的分割技术，主要分为基于传统图像处理方法的分割技术和基于深度学习的分割技术。

传统图像处理的分割技术中，常常需要人工设计特征，利用视网膜积液区域的大小、位置和形状等低阶视觉信息来确定视网膜积液的轮廓。例如传统算法中采用图搜索方法对视网膜进行自动分层，获得积液区域的初始分割结果，再基于手动提取的特征采用AdaBoost分类算法优化初始分割结果，最后利用数学形态学方法进行后处理的方法。该方法存在分割精度低、分割效率差、鲁棒性低等缺点。

近年来，很多基于卷积神经网络的深度学习方法，由于具备较好的特征提取能力，被广泛的应用在医学图像分割领域。其中U-Net采用了对称的编码器和解码器结构，并结合跳跃连接，在医学图像分割精度上有了很大提高，但仍存在不足：(1)单个编码器层的特征提取能力仍然不够充分，忽略全局上下文信息无选择性地对特征进行聚合，这将引入不相关的干扰信息，进而导致分割错误。(2)在分割具有形状多样性、种类多样性的复杂结构目标时，需要有效提取多尺度上下文信息，而简单的编-解码器结构不能做到对多尺度上下文信息的有效提取和利用。

现有技术中的视网膜光学相干断层扫描(OCT)图像中视网膜积液的分割技术，例如DFN网络采用通道注意力机制指导编-解码器学习全局特征进行选择性特征聚合、Deeplab-v3采用多个不同感受野的卷积分支来提高模型获取多尺度信息的能力。但是，二者均无法同时解决上述两个问题。

发明内容

本发明旨在解决上述技术问题，提供一种多种视网膜积液联合分割的上下文关注与融合网络系统，克服现有的U型结构网络中因上下文信息提取能力不足导致的特征聚合无选择性、多尺度信息提取能力低下等问题。

为实现上述目的，本发明公开了一种多种视网膜积液联合分割的上下文关注与融合网络系统，包括特征编码模块、上下文收缩编码CSE模块、上下文金字塔引导CPG模块和特征解码模块，所述上下文收缩编码CSE模块嵌入于所述特征编码模块中，所述上下文金字塔引导CPG模块设置于所述特征编码模块、所述特征解码模块之间，所述上下文收缩编码CSE模块与所述特征解码模块跳跃连接；视网膜OCT图像通过所述特征编码模块和所述上下文收缩编码CSE模块对各层次特征进行选择性聚合，再通过所述上下文金字塔引导CPG模块获得多尺度上下文信息输入到所述特征解码模块中，所述特征解码模块输出对视网膜积液的分割结果。

作为优选，所述特征编码模块包括第一层编码器、与所述第一层编码器下采样操作连接的第二层编码器、与所述第二层编码器下采样操作连接的第三层编码器、与所述第三层编码器下采样操作连接的第四层编码器、与所述第四层编码器下采样操作连接的第五层编码器，所述上下文收缩编码CSE模块设置于所述第一层编码器的、所述第二层编码器的、所述第三层编码器的、所述第四层编码器的、所述第五层编码器的连续两个3×3卷积之后。