[发明专利]一种基于神经网络的图像层间边界确定方法及装置

说明书

本发明公开了一种基于神经网络的图像层间边界确定方法及装置，该方法包括：将待检测图像输入至第一卷积神经网络模型，得到预测边界结果，该预测边界结果包括N个分层边界以及与分层边界对应的N个边界通道；对于任一边界通道中的边界位置，确定与该边界位置相对应的目标像素点集；计算目标像素点集中所有像素点属于该边界通道的概率值的分布集中度，得到该边界位置对应的分布集中度；根据该边界位置对应的分布集中度，确定该边界位置的确定度信息。可见，本发明能够基于神经网络准确分割图像的分层并获取分层边界信息，进而确定识别出的边界信息的准确度信息，有利于提高对图像分层边界识别的准确性。

技术领域

本发明涉及图像分割技术领域，尤其涉及一种基于神经网络的图像层间边界确定方法及装置。

背景技术

随着计算机和医疗技术的快速发展，OCT(Optical Coherence Tomography，光学相干层析成像)技术已被广泛应用于眼底疾病的诊断设备中，对眼科疾病的检测和治疗有着重要意义。OCT属于一种高灵敏度、高分辨率、高速度、无入侵的断层扫描成像方式，利用光的相干性对眼底扫描成像，每次扫描被称为一个A-scan，相邻连续的多次扫描组合在一起称为一个B-scan，B-scan也即通常所看到的OCT截面图，是医学诊断中OCT最主要的成像方式。

在对OCT截面图(如OCT视网膜图像)进行分析处理的实际应用中，精确并自动分割OCT截面图中不同组织层并获取组织层的边界(也即分层边界)具有重大意义。现有技术中，对于分层边界的识别，主要是采用图像搜索或图像识别来实现的，通过搜索或识别图像的灰度、梯度、扫描轮廓等特征达到分层边界的识别目的。然而实践发现，这种方法无法确定识别出的分层边界的置信度，存在分层边界被误判的风险。

发明内容

本发明提供了一种基于神经网络的图像层间边界确定方法及装置，能够基于神经网络准确分割图像的分层并获取分层边界信息，进而确定识别出的边界信息的准确度信息，提高对图像分层边界识别的准确性及效率。

为了解决上述技术问题，本发明第一方面公开了一种基于神经网络的图像层间边界确定方法，所述方法包括：

将待检测图像输入至第一卷积神经网络模型，得到预测边界结果，所述预测边界结果包括所述待检测图像的N个分层边界、与N个所述分层边界对应的N个边界通道以及N个所述边界通道分别对应的概率值集合，其中，所述N大于等于1，每个所述边界通道对应的概率值集合包括所述待检测图像中所有像素点属于每个所述边界通道的概率值；

对于任一所述边界通道中的任一边界位置，确定与该边界位置相对应的目标像素点集，根据所述预测边界结果，计算所述目标像素点集中所有像素点属于该边界通道的概率值的分布集中度，得到该边界位置对应的分布集中度；

对于任一所述边界通道中的任一边界位置，根据该边界位置对应的分布集中度，确定该边界位置的确定度信息，该边界位置的确定度信息用于确定该边界位置的准确度。

作为一种可选的实施方式，在本发明第一方面中，所述对于任一所述边界通道中的任一边界位置，确定与该边界位置相对应的目标像素点集，包括：

对于任一所述边界通道中的任一边界位置，确定该边界通道对应的分层边界的分布方向，当确定出该边界通道对应的分层边界的分布方向是横向时，将该边界通道中该边界位置处的整列像素点确定为与该边界位置相对应的目标像素点集；当确定出该边界通道对应的分层边界的分布方向是纵向时，将该边界位置处的整行像素点确定为与该边界位置相对应的目标像素点集。

作为一种可选的实施方式，在本发明第一方面中，所述根据所述预测边界结果，计算所述目标像素点集中所有像素点属于该边界通道的概率值的分布集中度，得到该边界位置对应的分布集中度，包括：

根据所述预测边界结果，对所述目标像素点集中所有像素点属于该边界通道的概率值执行Softmax回归操作，得到所述目标像素点集中所有像素点属于该边界通道的回归概率值；