CN110310284A - 一种基于个性化的层级卷积神经网络的cnv分割方法 - Google Patents
一种基于个性化的层级卷积神经网络的cnv分割方法 Download PDFInfo
- Publication number
- CN110310284A CN110310284A CN201910385079.7A CN201910385079A CN110310284A CN 110310284 A CN110310284 A CN 110310284A CN 201910385079 A CN201910385079 A CN 201910385079A CN 110310284 A CN110310284 A CN 110310284A
- Authority
- CN
- China
- Prior art keywords
- cnv
- type
- image
- network
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 53
- 230000002708 enhancing effect Effects 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims 1
- 206010060823 Choroidal neovascularisation Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 208000005590 Choroidal Neovascularization Diseases 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于个性化的层级卷积神经网络的CNV分割方法,涉及数据处理技术领域；根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，将二型CNV的图像作为训练集进行训练，得到分割网络；将测试图像输入到层级卷积神经网络中，得到最终的分割结果。
Description
技术领域
本发明公开一种基于个性化的层级卷积神经网络的CNV分割方法,涉及数据处理技术领域。
背景技术
脉络膜新生血管(ChoroidalNeoVascularisation，CNV)已成为致盲的主要因素之一。OCT图像是脉络膜新生血管辅助检查的常用工具之一。OCT图像灰度分布不均，CNV边缘模糊且形状大小不规则，使得现有分割方法很难取得令人满意的性能。针对现有方法难以精确分割CNV问题，本发明提出了一种基于个性化的层级卷积神经网络的CNV分割方法，提出的网络主要由三个子网络构成，第一个子网络是类型预判网络，通过对CNV的图像占比进行预测，将CNV 分为一型和二型，一型表示CNV在图像占比较小，其余为二型。第二个子网络是一型增强网络，该网络主要对一型CNV进行超分辨率生成，从而提高后期对该类CNV的分割精度。该子网络使用TP-GAN。第三个子网络即分割网络，实现对CNV的分割。相比较现有方法，提出的网络能够显著提高CNV的分割精度，尤其是提高二型CNV的分割精度。
发明内容
本发明针对现有技术的问题，提供一种基于个性化的层级卷积神经网络的 CNV分割方法，可用于智慧医疗等领域，识别精度的提高则可提高产品竞争力，更加有助于在“医疗大数据”领域的业务蓬勃发展，可以带来良好的经济效益和社会效益。
本发明提出的具体方案是：
一种基于个性化的层级卷积神经网络的CNV分割方法：根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，
建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，
建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，
将二型CNV的图像作为训练集进行训练，得到分割网络；
将测试图像输入到层级卷积神经网络中，得到最终的分割结果。
所述的方法中利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT图像训练集进行训练，获得类型预判子网络的参数。
所述的方法中利用TP-GAN建立一型CNV的增强网络，将一型CNV的图像进行超分辨率转换，通过学习一型CNV的图像的超分辨率特点，利用一型CNV的图像生成二型CNV的超分辨率图像。
所述的方法中将二型CNV的图像作为训练集利用全卷积神经网络进行训练，得到分割网络。
所述的方法中将测试图像输入到层级卷积神经网络中，先经过类型预判子网络对CNV的类型进行预判，
如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；
如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。
一种基于个性化的层级卷积神经网络的CNV分割工具，包括标记单元、预判单元、转化单元、分割单元及输入单元，
标记单元根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，
预判单元建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，
转化单元建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，
分割单元将二型CNV的图像作为训练集进行训练，得到分割网络；
输入单元将测试图像输入到所述的CNV分割工具中，得到最终的分割结果。
所述的工具中预判单元利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT图像训练集进行训练，获得类型预判子网络的参数。
所述的工具中转化单元利用TP-GAN建立一型CNV的增强网络，将一型CNV 的图像进行超分辨率转换，通过学习一型CNV的图像的超分辨率特点，利用一型CNV的图像生成二型CNV的超分辨率图像。
所述的工具中分割单元将二型CNV的图像作为训练集利用全卷积神经网络进行训练，得到分割网络。
所述的工具中输入单元将测试图像输入到所述的CNV分割工具中，先经过类型预判子网络对CNV的类型进行预判，
如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；
如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。
本发明的有益之处是：
本发明提供一种基于个性化的层级卷积神经网络的CNV分割方法，提出的网络主要由三个子网络构成，第一个子网络是类型预判网络，通过对CNV的图像占比进行预测，将CNV分为一型和二型，方便进一步处理CNV的图像，提高分割精度，第二个子网络是一型增强网络，该网络主要对一型CNV进行超分辨率生成，使一型CNV图像转换为二型CNV图像，从而提高后期对该类CNV的分割精度，第三个子网络即分割网络，实现对二型CNV的图像的分割，相比较现有方法，提出的网络能够显著提高CNV的分割精度，可用于智慧医疗等领域，识别精度的提高则可提高产品竞争力，更加有助于在“医疗大数据”领域的业务蓬勃发展，可以带来良好的经济效益和社会效益。
附图说明
图1是本发明方法流程示意图。
具体实施方式
本发明提供一种基于个性化的层级卷积神经网络的CNV分割方法：根据OCT 图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，
建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，
建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，
将二型CNV的图像作为训练集进行训练，得到分割网络；
将测试图像输入到层级卷积神经网络中，得到最终的分割结果。
同时提供与上述方法相对应的一种基于个性化的层级卷积神经网络的CNV 分割工具，包括标记单元、预判单元、转化单元、分割单元及输入单元，
标记单元根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，
预判单元建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，
转化单元建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，
分割单元将二型CNV的图像作为训练集进行训练，得到分割网络；
输入单元将测试图像输入到所述的CNV分割工具中，得到最终的分割结果。
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
利用本发明方法，具体过程为：
根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，可根据疾病鉴别的类型及临床特点进行一型CNV或二型CNV的分类，
利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT 图像训练集进行训练，获得类型预判子网络的参数，
利用TP-GAN建立一型CNV的增强网络，将一型CNV的图像输入到一型CNV 的增强网络即TP-Gan网络中，，通过学习一型CNV的图像的超分辨率特点，将一型CNV的低分辨率图像生成二型CNV的超分辨率图像，
将二型CNV的超分辨率图像作为训练集进行训练，利用全卷积神经网络进行训练，训练得到分割网络；
将测试图像输入到层级卷积神经网络中，先经过类型预判子网络对CNV的类型进行预判，
如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；
如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。
利用本发明工具，具体过程为：
标记单元根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，可根据疾病鉴别的类型及临床特点进行一型CNV或二型CNV的分类，
预判单元利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT图像训练集进行训练，获得类型预判子网络的参数，
转化单元利用TP-GAN建立一型CNV的增强网络，将一型CNV的图像输入到一型CNV的增强网络即TP-Gan网络中，，通过学习一型CNV的图像的超分辨率特点，将一型CNV的低分辨率图像生成二型CNV的超分辨率图像，
分割单元将二型CNV的超分辨率图像作为训练集进行训练，利用全卷积神经网络进行训练，训练得到分割网络；
输入单元将测试图像输入到层级卷积神经网络中，先经过类型预判子网络对CNV的类型进行预判，
如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；
如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。
利用本发明方法或工具可以形成新的CNV分割方案，可用于智慧医疗等领域。识别精度的提高则可提高产品竞争力，更加有助于公司在“医疗大数据”领域的业务蓬勃发展，可以带来良好的经济效益和社会效益。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于个性化的层级卷积神经网络的CNV分割方法，其特征是
根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，
建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，
建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，
将二型CNV的图像作为训练集进行训练，得到分割网络；
将测试图像输入到层级卷积神经网络中，得到最终的分割结果。
2.根据权利要求1所述的方法，其特征是利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT图像训练集进行训练，获得类型预判子网络的参数。
3.根据权利要求1或2所述的方法，其特征是利用TP-GAN建立一型CNV的增强网络，将一型CNV的图像进行超分辨率转换，通过学习一型CNV的图像的超分辨率特点，利用一型CNV的图像生成二型CNV的超分辨率图像。
4.根据权利要求3所述的方法，其特征是将二型CNV的图像作为训练集利用全卷积神经网络进行训练，得到分割网络。
5.根据权利要求1或4所述的方法，其特征是将测试图像输入到层级卷积神经网络中，先经过类型预判子网络对CNV的类型进行预判，
如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；
如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。
6.一种基于个性化的层级卷积神经网络的CNV分割工具，其特征是包括标记单元、预判单元、转化单元、分割单元及输入单元，
标记单元根据OCT图像训练集中CNV的图像占比将CNV标记为一型CNV或二型CNV，
预判单元建立类型预判子网络，通过对OCT图像训练集进行训练，获得类型预判子网络的参数，
转化单元建立一型CNV的增强网络，将一型CNV的图像转化成二型CNV的图像，
分割单元将二型CNV的图像作为训练集进行训练，得到分割网络；
输入单元将测试图像输入到所述的CNV分割工具中，得到最终的分割结果。
7.根据权利要求6所述的工具，其特征是预判单元利用Resnet作为类型预判子网络，通过误差逆传播和梯度下降法对OCT图像训练集进行训练，获得类型预判子网络的参数。
8.根据权利要求6或7所述的工具，其特征是转化单元利用TP-GAN建立一型CNV的增强网络，将一型CNV的图像进行超分辨率转换，通过学习一型CNV的图像的超分辨率特点，利用一型CNV的图像生成二型CNV的超分辨率图像。
9.根据权利要求8所述的工具，其特征是分割单元将二型CNV的图像作为训练集利用全卷积神经网络进行训练，得到分割网络。
10.根据权利要求6或9所述的工具，其特征是输入单元将测试图像输入到所述的CNV分割工具中，先经过类型预判子网络对CNV的类型进行预判，
如果是一型CNV的图像，则将一型CNV的图像输入到一型CNV增强网络中，生成对应的二型CNV的超分辨率图像，再输入到分割网络进行分割，得到最终的分割结果；
如果是二型CNV的图像，则输入到分割网络进行分割，得到最终的分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910385079.7A CN110310284A (zh) | 2019-05-09 | 2019-05-09 | 一种基于个性化的层级卷积神经网络的cnv分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910385079.7A CN110310284A (zh) | 2019-05-09 | 2019-05-09 | 一种基于个性化的层级卷积神经网络的cnv分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110310284A true CN110310284A (zh) | 2019-10-08 |
Family
ID=68074632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910385079.7A Pending CN110310284A (zh) | 2019-05-09 | 2019-05-09 | 一种基于个性化的层级卷积神经网络的cnv分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110310284A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392909A (zh) * | 2017-06-22 | 2017-11-24 | 苏州大学 | 基于神经网络与约束图搜索算法的oct图像层分割方法 |
| WO2018237011A1 (en) * | 2017-06-20 | 2018-12-27 | University Of Louisville Research Foundation, Inc. | SEGMENTATION OF RETINIAN BLOOD VESSELS IN OPTICAL COHERENCE TOMOGRAPHY ANGIOGRAPHY IMAGES |
| CN109214376A (zh) * | 2018-11-22 | 2019-01-15 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度层次化的指纹识别方法及装置 |
| CN109584251A (zh) * | 2018-12-06 | 2019-04-05 | 湘潭大学 | 一种基于单目标区域分割的舌体图像分割方法 |
-
2019
- 2019-05-09 CN CN201910385079.7A patent/CN110310284A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018237011A1 (en) * | 2017-06-20 | 2018-12-27 | University Of Louisville Research Foundation, Inc. | SEGMENTATION OF RETINIAN BLOOD VESSELS IN OPTICAL COHERENCE TOMOGRAPHY ANGIOGRAPHY IMAGES |
| CN107392909A (zh) * | 2017-06-22 | 2017-11-24 | 苏州大学 | 基于神经网络与约束图搜索算法的oct图像层分割方法 |
| CN109214376A (zh) * | 2018-11-22 | 2019-01-15 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度层次化的指纹识别方法及装置 |
| CN109584251A (zh) * | 2018-12-06 | 2019-04-05 | 湘潭大学 | 一种基于单目标区域分割的舌体图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| XIAOMING XI: "Automated segmentation of choroidal neovascularization in optical coherence tomography images using multi-scale convolutional neural networks with structure prior", 《MULTIMEDIA SYSTEMS》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及系统 | |
| CN110415230B (zh) | 一种基于深度学习的ct切片图像语义分割系统及方法 | |
| CN107622104A (zh) | 一种文字图像识别标注方法及系统 | |
| CN106780466A (zh) | 一种基于卷积神经网络的宫颈细胞图像识别方法 | |
| CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
| CN109685811A (zh) | 基于双路径U-net卷积神经网络的PET/CT高代谢淋巴结分割方法 | |
| CN110555835B (zh) | 一种脑片图像区域划分方法及装置 | |
| CN107507162A (zh) | 一种基于多模态脑影像的基因型分析方法 | |
| CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
| CN107424145A (zh) | 基于三维全卷积神经网络的核磁共振图像的分割方法 | |
| CN112750106B (zh) | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 | |
| CN110298831A (zh) | 一种基于分块深度学习的医学图像处理系统及其方法 | |
| CN109543728A (zh) | 一种基于迁移学习的甲状腺相关性眼病检测方法 | |
| CN101403743A (zh) | 一种x型交叠、粘连染色体自动分割方法 | |
| CN109102498A (zh) | 一种宫颈涂片图像中簇型细胞核分割的方法 | |
| CN104599262A (zh) | 基于多通道脉冲耦合神经网络的彩色图像分割技术 | |
| CN105138975B (zh) | 一种基于深度信念网络的人体肤色区域分割方法 | |
| CN103247049A (zh) | 一种smt焊点图像分割方法 | |
| CN110533583A (zh) | 一种基于宫颈液基细胞的自适应图像增广系统 | |
| CN106056141A (zh) | 一种使用空间稀疏编码的目标识别与角度粗估计算法 | |
| Fatma et al. | Identification and classification of acute leukemia using neural network | |
| CN110008992A (zh) | 一种用于前列腺癌辅助诊断的深度学习方法 | |
| Bhavana et al. | Fusion of MRI and PET images using DWT and adaptive histogram equalization | |
| CN110309713A (zh) | 表情识别模型训练方法、装置、设备和存储介质 | |
| CN110797097B (zh) | 人工智能云诊断平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |
|
| RJ01 | Rejection of invention patent application after publication |