[发明专利]一种基于深度学习的视网膜视盘分割方法

说明书

一种基于深度学习的视网膜视盘分割方法，具体步骤如下：步骤1)将视网膜图像进行预处理；步骤2)构建网络模型；步骤3)设置训练策略；步骤4)训练网络和更新参数；5)设置评估模型；6)评估本发明中所提出的模型。本发明是在U‑Net的整体架构上进行改进。加入了并行卷积模块，通过三个并行的空洞卷积，空洞卷积能使网络的感受野在不增加卷积核参数的情况下得到提升，并行的结构能解决空洞卷积中使信息稀疏化的缺点。引入的减法运算和多尺度的池化层能得在编码过程中保留更多的边界信息，并在跳跃连接中串联更多的特征信息。

技术领域

本发明属于深度学习技术领域，应用于医学图像分割方面，具体使用了一种基于深度学习的视网膜视盘分割方法。

背景技术及意义

青光眼是一种不可逆的眼底疾病，会导致失明；青光眼早起可逐渐降低患者的视野。没有明显的症状，最终会导致视力严重恶化。因此，定期筛查和及时发现对于预防青光眼引起的视力下降十分重要。

目前，视神经头评估广泛应用于大规模青光眼筛查，其中杯盘比是视神经头评估的常用方法，在临床实践中，眼科医生通常通过基于彩色眼底图像手动测量杯盘比来评估青光眼，其中识别视盘是最重要的预处理步骤之一。然而人工测量不仅费时费力，而且容易收到眼科医生临床经验、情绪等主观因素的影响，给诊断的准确性带来困难。此外，眼底图像的低对比度、血管干扰、毛细血管周围萎缩等特点，使得眼科医生手工分割视盘更加困难。

传统的视盘分割分为：水平集方法、基于阈值的方法、主动形状建模方法、主动轮廓建模方法、基于组件的方法和基于聚类的方法。近些年来，深度学习在医学图像分割领域得到了广泛的应用，许多基于U-Net网络模型改进的神经网络模型越来越多地被应用到视盘的分割上来，并取得了很好的效果。因此，随着深度学习的不断发展如何更好地优化网络模型并将其应用到医学图像中来，使其分割的精度能更加地准确成了目前研究的主要方向。

发明内容

本发明要克服现有技术的上述不足，提供一种基于深度学习的视网膜视盘分割方法。

本发明建立在U-Net神经网络的框架上，通过对每一层下采样、上采样以及中间跳跃连接的变形得到了一种基于深度学习的视网膜视盘的医学图像分割方法。其中在每一层下采样中，将原先使用两个卷积操作的结构变成了一个并行的包含三个不同扩展率的空洞卷积模块，本文中称之为并行卷积模型，并且每一个下采样都采用两个最大池化层：2x2和4x4，经过4x4池化的部分会与下一层进行串联操作。跳跃连接的部分，不再只与相对应的下采样层所得到特征进行融合，通过串联多个部分的特征可以增强分割图像的边界信息，同时引入了减法运算，减法运算是由传统的边缘检测推动的，可以突出显示各种边缘信息。上采样部分则引入了1x1卷积和dropout层。

为使本发明的目的、技术方案和优点更加清晰，下面就对本发明的技术方案作进一步描述。一种基于深度学习的视网膜视盘医学图像分割方法，包括如下步骤：

步骤1)将视网膜图像进行预处理；

首先将数据集中的图像调整为256x256像素的统一尺寸，并通过对原数据集进行裁剪、翻转、旋转、缩放、位移等方式来扩大数据，然后对数据集进行归一化，以减轻因光照的不同所造成的影响。最后将数据集以6:2:2的比例依次划分为训练集、测试集和验证集。

步骤2)构建网络模型；

2.1.编码部分中的并行卷积模块：