CN111340829B - 一种改进的dme水肿区域神经网络分割模型的构建方法 - Google Patents

一种改进的dme水肿区域神经网络分割模型的构建方法 Download PDF

Info

Publication number
CN111340829B
CN111340829B CN202010083621.6A CN202010083621A CN111340829B CN 111340829 B CN111340829 B CN 111340829B CN 202010083621 A CN202010083621 A CN 202010083621A CN 111340829 B CN111340829 B CN 111340829B
Authority
CN
China
Prior art keywords
dme
segmentation
edema
image
neural network
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.)
Active
Application number
CN202010083621.6A
Other languages
English (en)
Other versions
CN111340829A (zh
Inventor
王振华
钟元芾
蒋沁
李超鹏
颜标
李秀苗
姚牧笛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Eye Hospital Nanjing Medical University
Shanghai Ocean University
Original Assignee
Eye Hospital Nanjing Medical University
Shanghai Ocean University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Eye Hospital Nanjing Medical University, Shanghai Ocean University filed Critical Eye Hospital Nanjing Medical University
Priority to CN202010083621.6A priority Critical patent/CN111340829B/zh
Publication of CN111340829A publication Critical patent/CN111340829A/zh
Application granted granted Critical
Publication of CN111340829B publication Critical patent/CN111340829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于网络数据处理技术领域，公开了一种改进的DME水肿区域神经网络分割模型的构建方法，进行OCT图像去噪预处理；基于改进的DeepLab神经网络实现DME水肿区域的粗分割，利用空洞卷积和空间金字塔池化模块设计DeepLab神经网络结构；引入全连接条件随机场优化DME水肿区域边界；利用模型分割性能的评价指标对分割模型精度进行评价。本发明能够提高图像的对比度，在去除噪声的同时保留了病变部位的边缘纹理信息，为水肿区域的精确识别与分割奠定了较好的图像数据基础；能够获得良好的病变部位分割性能，增大感受视野、增强分割性能，提高OCT图像的分割速度。

Description

一种改进的DME水肿区域神经网络分割模型的构建方法
技术领域
本发明属于DME水肿区域神经网络分割模型构建技术领域，涉及一种改进的DME水肿区域神经网络分割模型的构建方法，尤其涉及一种结合小波变换与全连接条件随机场改进的DME水肿区域神经网络分割模型。
背景技术
目前，糖尿病视网膜病变是糖尿病在眼部主要并发症，是我国四大致盲眼病之一。随着我国人民生活水平的提高，糖尿病视网膜病变近年来的发病率及致盲率有明显增高趋势，其严重影响着患者的视力功能和生活质量。糖尿病性黄斑水肿(DME)是导致糖尿病患者视力损害的常见原因，DME主要指由于糖尿病引起的黄斑中心凹一个视盘直径范围内的细胞外液积聚所致的视网膜增厚或硬性渗出沉积。早期的发现和监测DME对于治疗糖尿病视网膜病变，预防患者视力损伤具有积极的意义。
光学相干断层成像(OCT)是一种无创、无接触的成像方法，可提供视网膜形态组织信息，对水肿区域的可视化非常有效。OCT图像已用于检测和定量的评估DME水肿区域，医务工作者可通过DME区域大小等来诊断DME的严重程度。受OCT图像的异质性、DME区域特征多样性、以及DME区域边界的模糊性等特性影响，DME水肿区域的目视解译具有耗时多，精度不稳定等问题。面向DME水肿区域的自动化分割可为医师进行DME识别，提供诊断和决策的提供技术支撑。
目前已有许多基于机器学习和深度学习的方法实现DME区域的自动化分割。Haeker等人将OCT图像看做图模型，像素值当做一个节点，基于图论对水肿部位进行分割，但以像素为节点增大了神经网络的训练时间，且分割结果灵敏度较低；Roy等人提出一种基于U-net神经网络的视网膜分割算法，但浅层网络无法提取高维抽象特征，在部分病理共存的复杂图像上分割精度较低；Kermany等人实现了一种基于Inception网络的多眼病检测方法，但该模型侧重病理分类，无法对病变部位进行精准分割。
综上所述，现有技术利用OCT图像对DME水肿区域进行快速、高精度分割存在以下几个方面的问题：(1)多源OCT图像的异质性影响着分割模型的计算精度：受生产OCT图像的仪器，操作人员水平，外部环境以及病原体本身等因素影响；OCT图像存在较大的异质性，部分OCT图像出现质量低，存在散斑噪声和机械噪声等现象(如图9所示)。
(2)DME区域特征的多样性影响着分割模型的计算效率：DME水肿区域存在外观不均匀、形状可变性大的问题，部分DME区域与机械噪声区域轮廓相似等特性，提升了区域边界分割的难度。同时，DME水肿区域的目视解译具有耗时多、精度不稳定等问题。
(3)DME区域边界的模糊性对分割模型的实用性提出了挑战：病理的共存会使病变部位整体的外观变的复杂，如何得到高精度的病变区域边界是分割模型待解决的问题。
(4)现有的基于机器学习和深度学习的实现DME区域的自动化分割的方法中，基于图论对水肿部位进行分割，但以像素为节点增大了神经网络的训练时间，且分割结果灵敏度较低；浅层网络无法提取高维抽象特征，在部分病理共存的复杂图像上分割精度较低；现有模型侧重病理分类，无法对病变部位进行精准分割。
解决上述技术问题的难度：OCT图像来源多、DME区域特征多样性、以及DME区域边界的模糊性等特性影响，DME水肿区域的目视解译具有耗时多，精度不稳定等问题。如何提高面向DME水肿区域的自动化分割的效率和精度是上述技术问题的难点。
解决上述技术问题的意义：该技术可提高DME水肿区域的分割精度和效率，为临床医生的诊断提供数据参考和技术支撑。
发明内容
针对现有技术存在的问题，本发明结合小波变换与全连接条件随机场提供了一种改进的DME水肿区域神经网络分割模型的构建方法。本发明结合小波变换方法与全连接条件随机场方法，改进了神经网络分割模型，提高了OCT图像DME水肿区域分割的精度和效率，为提高临床诊断的自动化性提供了技术参考。
本发明是这样实现的，一种改进的DME水肿区域神经网络分割模型的构建方法，所述改进的DME水肿区域神经网络分割模型的构建方法包括以下步骤：
步骤一，基于小波变换的OCT图像去噪预处理，实现OCT图像的去噪增强。
步骤二，利用迁移学习的方法，使用OCT图像DME小样本数据集对DeepLab神经网络进行训练，微调特征提取层参数，训练特征解析层参数，得到DME水肿区域分割模型。
步骤三，通过改进的DeepLab神经网络使用空洞卷积和空间金字塔池化模块对DME水肿区域进行粗分割。
步骤四，引入全连接条件随机场优化DME水肿区域边界：面向DME水肿区域边界粗分割结果，结合OCT图像任意像素点与其余像素点间的关联关系，实现病变部位细粒度分割。
步骤五，精度评价：使用骰子系数DSC、精确度Precision和灵敏度Sensitive作为模型分割性能的评价指标，对模型精度进行评价。
进一步，步骤一中，所述基于小波变换的OCT图像增强方法具体包括：
利用小波变换对OCT图像进行分解，将OCT图像分解为一个低频子波段和三个高频子波段，其中噪声多分布于低频子波段；而边缘及纹理信息多分布于三个高频子波段；通过分解，可对低频子波段单独处理，去除低频子波段中的噪声而不影响高频子波段的边缘及纹理信息。若一次分解无法满足图像增强需求，可进一步进行小波分解，直至图像的对比度满足分割要求。
(1)单幅图像的噪声阈值NT的计算公式如下式所示：
NT＝median(|nij|)；
式中，i和j为噪声区域像素点的横纵坐标，nij为噪声区域像素点的像素值，噪声阈值NT为该区域像素点像素值的中值。
(2)多幅图像的噪声阈值NT的计算方式为如下形式：
Figure BDA0002381214910000041
式中，n为选取用于计算噪声阈值NT的图片数量。
(3)通过如下公式对OCT图像中每个像素点像素值进行阈值化处理，去除低频子波段中的噪声：
Figure BDA0002381214910000042
式中，i、j为OCT图像像素点的横纵坐标，pij为去噪处理前图像像素点像素值，P′ij为去噪处理后像素点像素值。当pij大于等于NT时，令P′ij＝pij-NT；当pij的绝对值小于NT时，令P′ij＝0；当pij小于等于负NT时，令P′ij＝pij+NT。通过此方法对OCT图像每个像素值进行阈值化处理，达到去噪效果。
进一步，步骤二中，所述基于迁移学习的DME水肿区域分割网络训练实现方法如下：
针对OCT图像数量少的问题，利用迁移学习的方法，引入Kermany眼部疾病分类公共数据集。在Kermany数据集上训练一个四分类的ResNet101残差网络，迁移ResNet101网络参数，作为DeepLab神经网络特征提取层的初始值。使用OCT图像DME小样本数据集对DeepLab神经网络进行训练，微调特征提取层参数，训练特征解析层参数，得到DME水肿区域分割模型。利用该迁移学习的方法，实现DeepLab神经网络在小样本数据集上的训练，使DeepLab神经网络在300副小数量的DME数据集中也能学习得到水肿区域的特征，获得良好的病变部位分割性能。
进一步，步骤三中，所述通过改进的DeepLab神经网络使用空洞卷积和空间金字塔池化模块对DME水肿区域进行粗分割的方法如下：
空洞卷积，即膨胀卷积，在原始卷积和的基础上增加参数r，将原始卷积核中未被占用的区域用0填充，得到的新卷积核大小，计算公式为：
Figure BDA0002381214910000051
式中，r为膨胀系数(rate)；fhfw为原始卷积核高和宽；FhFw为膨胀卷积核高和宽。膨胀卷积可提取更密集的特征，增大卷积核相应的感受野。
金字池化模块(ASPP)由不同膨胀系数大小的空洞卷积块组成，在DeepLab神经网络中加入金字塔池化模块，可解决OCT图像中DME水肿区域的多尺度信息提取问题，同时增加网络模型对图像的理解，解决OCT图像的异质性和DME区域的多样性问题。
在输入一张OCT图像时，使用1个1×1卷积和3个3×3的膨胀率为6、12、18的空洞卷积并行执行，增加不同尺度范围内语义信息的提取和区分；同时向金字塔池化模块中添加了平均池化层，将特征做全局平均池化，经过卷积再融合，在增大感受视野的同时，融合了局部范围内的图像语义信息，实现对病变部位的粗分割。
使用DeepLab神经网络网络实现了对DME水肿区域的粗分割，由于病变部位的结构纹理复杂，粗分割结果不能很好的满足识别需要，因此引入全连接条件随机场对粗分割结果进行优化，实现细粒度的分割。
进一步，步骤四中，所述基于全连接条件随机场的DME水肿区域边界优化，具体包括：
全连接条件随机场是一种判别型概率图模型，将其引入到OCT图像的DME水肿区域分割中，不仅能兼顾全局空间上下文信息，且反映了观测变量之间的相互依赖关系，可剔除了较小的误分割区域，优化DME水肿区域的分割结果。
全连接条件随机场的定义为：假设一副图像P包含n个像素点，则I＝{I1，I2，…In}为基于图像的观测量，X＝{X1，X2，X3，...Xn}为随机变量集合，X的每个变量值域为L＝{L1，L2，...Lk}，其中k代表标记的类别，(X，I)构成条件随机场，其概率分布服从Gibbs分布，可表示为：
Figure BDA0002381214910000061
式中，Z(I)为归一化因子，E(X|I)为能量函数，即CRF的最大后验概率问题转化为能量函数的最小化问题，能量函数可表示为：
Figure BDA0002381214910000062
式中，θi(Xi)为单个随机变量Xi的一元能量函数项，表示Xi为某个类别的代价，在本发明模型中代表DeepLab神经网络的输出。θij(Xi，Xj)为关于相互连接的两个随机变量(Xi，Xj)的二元成对能量函数，表示两个变量类别一致性代价，可表示为高斯核函数的线性组合：
Figure BDA0002381214910000063
式中，k(m)为高斯核函数，w(m)为线性组合权值，μ为类标一致性参数，fi和fj分别为变量Xi和Xj的特征向量，表示形式如下：
Figure BDA0002381214910000064
式中，I为3维度颜色向量，P为2维像素点坐标向量，θα、θβ为尺度参。尺度参数控制高斯核的大小。通过全连接条件随机场推理得到图像像素的最终类标之后，实现DME水肿区域的分割边界优化。
进一步，所述全连接条件随机场中θα、θβ参数的确定方法为：
全连接条件随机场模型的分割精度与θα、θβ两个参数的取值高度相关，它们分别控制了相邻像素的位置相似度和像素值相关度。首先，固定第一个参数θα＝1，考虑θβ参数的影响。设置参数θβ的值域为1～20，步长为1。使用10幅由两名专业眼科专家标注的DME水肿区域OCT图像作为验证数据，绘制出θα＝1骰子系数DSC为因变量，θβ为自变量的折线。改变θα的取值，值域为1～20，步长为1，绘制出θα为不同取值时骰子系数DSC为因变量，θβ为自变量的不同折线。
进一步，步骤五中，所述模型精度评价中，使用骰子系数DSC，精确度Precision，灵敏度Sensitive作为模型分割性能的评价指标，各系统的计算公式如下所示：
Figure BDA0002381214910000071
Figure BDA0002381214910000072
Figure BDA0002381214910000073
式中，Vs和Vg分别代表模型分割得到的病变区域面积和目视解译得到的病变区域面积。
本发明另一目的在于提供一种改进的DME水肿区域神经网络分割模型的构建系统，包括：
图像去噪增强模块，用于基于小波变换的OCT图像去噪预处理，实现OCT图像的去噪增强；
图像特征分割解析模块，用于利用迁移学习的方法，使用OCT图像DME小样本数据集对DeepLab神经网络进行训练，微调特征提取层参数，训练特征解析层参数，得到DME水肿区域分割模型；通过改进的DeepLab神经网络使用空洞卷积和空间金字塔池化模块对DME水肿区域进行粗分割；
图像细分割模块，用于引入全连接条件随机场优化DME水肿区域边界：面向DME水肿区域边界粗分割结果，结合OCT图像任意像素点与其余像素点间的关联关系，实现病变部位细分割；
精度评价模块，用于使用骰子系数DSC、精确度Precision和灵敏度Sensitive作为模型分割性能的评价指标，对模型精度进行评价。
本发明另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施改进的DME水肿区域神经网络分割模型的构建方法。
本发明另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的改进的DME水肿区域神经网络分割模型的构建方法。
综上所述，本发明的优点及积极效果为：本发明提供的改进的DME水肿区域神经网络分割模型的构建方法，基于小波变换的OCT图像去噪预处理，解决了图像质量较低、存在散斑噪声的问题，提高图像的对比度。在去除噪声的同时保留了病变部位的边缘纹理信息，为水肿区域的精确识别与分割奠定了较好的图像数据基础。
本发明通过改进DeepLab神经网络实现了DME水肿区域边界粗分割，使DeepLab神经网络在300副小数量的DME数据集中也能学习得到水肿区域的特征，获得良好的病变部位分割性能，解决了医学图像数量少、神经网络训练难的问题。针对OCT图像的异质性和DME区域的多样性问题，DeepLab神经网络使用空洞卷积和空间金字塔池化模块对图像特征进行解析，能增大感受视野、增强分割性能。
本发明利用全连接条件随机场优化了DME水肿区域边界，面向DME水肿区域边界粗分割结果，结合OCT图像任意像素点与其余像素点间的关联关系，实现病变部位由粗到细的分割，解决了分割结果边界纹理不清晰的问题。
本发明通过实验使用300幅DME水肿区域OCT图像图，其中250幅为训练集，50幅为测试集。使用由两名专业眼科医生人工标注的DME水肿区域图像作为真实结果图，将本发明模型与U-net网络模型、水平集模型进行对比。实验结果评价中，本发明提供的分割模型的骰子系数DSC、精确度Precision、敏感性Sensitive指数分别为：91.42％、91.26％、91.95％，说明本发明方法具有较强的鲁棒性。
附图说明
图1是本发明实施例提供的改进的DME水肿区域神经网络分割模型的构建方法流程图。
图2是本发明实施例提供的改进的DME水肿区域神经网络分割模型架构图。
图3是本发明实施例提供的基于小波变换的图像分解原理示意图；
图中：图(a)是一级分解示意图；图(b)是二级分解示意图。
图4是本发明实施例提供的基于小波变换的OCT图像分解图；
图中：图(a)是原始图像；图(b)是各子波段图像。
图5是本发明实施例提供的噪声区域选择示意图。
图6是本发明实施例提供的基于小波变换的OCT图像对比图；
图中：图(a)是原始OCT图像；图(b)是去噪前A1子波段图像；图(c)是去噪后A1子波段图像；图(d)是去噪后OCT图像。
图7是本发明实施例提供的全连接条件随机场模型参数选择示意图。
图8是本发明实施例提供的基于不同分割模型的DEM水肿区域分割结果对比图。
图9是本发明实施例提供的OCT图像噪声示意图。
图10是本发明实施例提供的改进的DME水肿区域神经网络分割模型的构建系统图。
图中：1、图像去噪增强模块；2、图像特征分割解析模块；3、图像细粒度分割模块；4、精度评价模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种改进的DME水肿区域神经网络分割模型的构建方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的改进的DME水肿区域神经网络分割模型的构建方法包括以下步骤：
S101，基于小波变换的OCT图像去噪预处理，实现OCT图像的去噪增强。
S102，利用迁移学习的方法，使用OCT图像DME小样本数据集对DeepLab神经网络进行训练，微调特征提取层参数，训练特征解析层参数，得到DME水肿区域分割模型。
S103，通过改进的DeepLab神经网络使用空洞卷积和空间金字塔池化模块对DME水肿区域进行粗分割。
S104，引入全连接条件随机场优化DME水肿区域边界：面向DME水肿区域边界粗分割结果，结合OCT图像任意像素点与其余像素点间的关联关系，实现病变部位细粒度分割。
S105，精度评价：使用骰子系数DSC、精确度Precision和灵敏度Sensitive作为模型分割性能的评价指标，对模型精度进行评价。
本发明实施例提供的改进的DME水肿区域神经网络分割模型具体包括以下三个方面：
(I)基于小波变换的图像增强：基于小波变换的OCT图像去噪预处理，解决了图像质量较低、存在散斑噪声的问题，提高图像的对比度。在去除噪声的同时保留了病变部位的边缘纹理信息，为水肿区域的精确识别与分割奠定了较好的图像数据基础。
(II)改进DeepLab神经网络实现DME水肿区域边界粗分割：1)针对OCT图像数量少的问题，利用迁移学习的方法，引入Kermany眼部疾病分类公共数据集。在Kermany数据集上训练一个4分类的ResNet101残差网络，迁移ResNet101网络参数，作为DeepLab神经网络特征提取层的初始值。使用OCT图像DME小样本数据集对DeepLab神经网络进行训练，微调特征提取层参数，训练特征解析层参数，得到DME水肿区域分割模型。使用该迁移学习的方法，使DeepLab神经网络在300副小数量的DME数据集中也能学习得到水肿区域的特征，获得良好的病变部位分割性能。解决了医学图像数量少，神经网络训练难的问题。2)针对OCT图像的异质性和DME区域的多样性问题，DeepLab神经网络使用空洞卷积和空间金字塔池化模块对图像特征进行解析，能增大感受视野、增强分割性能。
(III)利用全连接条件随机场优化DME水肿区域边界：面向DME水肿区域边界粗分割结果，结合OCT图像任意像素点与其余像素点间的关联关系，实现病变部位由粗到细的分割，解决了分割结果边界纹理不清晰的问题。
下面结合实施例对本发明作进一步描述。
实施例1
如图2所示，本发明实施例提供的改进的DME水肿区域神经网络分割模型的构建方法，具体包括：
1.1 基于小波变换的OCT图像增强
OCT图像存在图像噪声和病变区域不清晰等特点，影响了DME水肿区域的分割精度。小波变换可对OCT图像进行去噪处理。利用小波变换对OCT图像进行分解，将OCT图像分解为一个低频子波段和三个高频子波段，其中噪声多分布于低频子波段；而边缘及纹理信息多分布于三个高频子波段；通过分解，可对低频子波段单独处理，去除低频子波段中的噪声而不影响高频子波段的边缘及纹理信息。若一次分解无法满足图像增强需求，可进一步进行小波分解，直至图像的对比度满足分割要求。
图3给出了基于小波变换的图像分解原理，对于二维图像，基于一级小波变换，图像被分解为4个子带，其中，如图3(a)所示A1代表一级低频细节子波段；H1代表一级水平细节子波段；V1代表一级垂直细节子波段；D1代表一级对角细节子波段。基于二级小波变换，图像的低频细节子波段被进一步分解。如图3(b)所示，A2代表二级低频细节子波段，H2代表二级水平细节子波段，V2代表二级垂直细节子波段，D2代表二级对角细节子波段。
通过实验验证，基于OCT图像的DEM水肿区域边界分割，需对OCT图像完成二级分解以实现噪声的去除。选择OCT图像中一个没有任何边缘纹理特征的噪声区域计算A2子带中的噪声系数。单幅图像的噪声阈值NT的计算公式如公式(1)所示：
NT＝median(|nij|) (1)
式中，i和j为噪声区域像素点的横纵坐标，nij为噪声区域像素点的像素值，噪声阈值NT为该区域像素点像素值的中值。通过如下公式(2)对OCT图像中每个像素点像素值进行阈值化处理，去除低频子波段中的噪声：
Figure BDA0002381214910000121
式中，i、j为OCT图像像素点的横纵坐标，pij为去噪处理前图像像素点像素值，P′ij为去噪处理后像素点像素值。当pij大于等于NT时，令P′ij＝pij-NT；当pij的绝对值小于NT时，令P′ij＝0；当pij小于等于负NT时，令P′ij＝pij+NT。通过此方法对OCT图像每个像素值进行阈值化处理，达到去噪效果。
1.2 利用DeepLab神经网络的DME水肿区域粗分割模型
空洞卷积，即膨胀卷积，在原始卷积和的基础上增加参数r，将原始卷积核中未被占用的区域用0填充，得到的新卷积核大小，计算公式为：
Figure BDA0002381214910000122
式中，r为膨胀系数(rate)；fhfw为原始卷积核高和宽；FhFw为膨胀卷积核高和宽。膨胀卷积可提取更密集的特征，增大卷积核相应的感受野。
金字池化模块(ASPP)由不同膨胀系数大小的空洞卷积块组成，在DeepLab神经网络中加入金字塔池化模块，可解决OCT图像中DME水肿区域的多尺度信息提取问题，同时增加网络模型对图像的理解，解决OCT图像的异质性和DME区域的多样性问题。
在输入一张OCT图像时，使用1个1×1卷积和3个3×3的膨胀率为6、12、18的空洞卷积并行执行，增加不同尺度范围内语义信息的提取和区分；同时向金字塔池化模块中添加了平均池化层，将特征做全局平均池化，经过卷积再融合，在增大感受视野的同时，融合了局部范围内的图像语义信息，实现对病变部位的分割。
使用DeepLab神经网络网络实现了对DME水肿区域的粗分割，由于病变部位的结构纹理复杂，粗分割结果不能很好的满足识别需要，因此引入全连接条件随机场对粗分割结果进行优化，实现细粒度的分割。
1.3 基于全连接条件随机场的DME水肿区域边界优化
全连接条件随机场是一种判别型概率图模型，将其引入到OCT图像的DME水肿区域分割中，不仅能兼顾全局空间上下文信息，且反映了观测变量之间的相互依赖关系，可剔除了较小的误分割区域，优化DME水肿区域的分割结果。
全连接条件随机场的定义为：假设一副图像P包含n个像素点，则I＝{I1，I2，...In}为基于图像的观测量，X＝{X1，X2，X3，...Xn}为随机变量集合，X的每个变量值域为L＝{L1，L2，...Lk}，其中k代表标记的类别，(X，I)构成条件随机场，其概率分布服从Gibbs分布，可表示为：
Figure BDA0002381214910000131
式中，Z(I)为归一化因子，E(X|I)为能量函数，即CRF的最大后验概率问题转化为能量函数的最小化问题，能量函数可表示为：
Figure BDA0002381214910000132
式中，θi(Xi)为单个随机变量Xi的一元能量函数项，表示Xi为某个类别的代价，在本发明模型中代表DeepLab神经网络的输出。θij(Xi，Xj)为关于相互连接的两个随机变量(Xi，Xj)的二元成对能量函数，表示两个变量类别一致性代价，可表示为高斯核函数的线性组合：
Figure BDA0002381214910000141
式中，k(m)为高斯核函数，w(m)为线性组合权值，μ为类标一致性参数，fi和fj分别为变量Xi和Xj的特征向量，表示形式如下：
Figure BDA0002381214910000142
式中，I为3维度颜色向量，P为2维像素点坐标向量，θα、θβ为尺度参。尺度参数控制高斯核的大小。通过全连接条件随机场推理得到图像像素的最终类标之后，实现DME水肿区域的分割边界优化。
实施例2
2.1 精度评价
使用骰子系数DSC，精确度Precision，灵敏度Sensitive作为模型分割性能的评价指标，各系统的计算公式如下所示：
Figure BDA0002381214910000143
Figure BDA0002381214910000144
Figure BDA0002381214910000145
其中，Vs和Vg分别代表模型分割得到的病变区域面积和目视解译得到的病变区域面积。
2.2 基于小波变换的OCT图像去噪实现
利用小波变换将图像分解成4个子波段，针对每个子波段重构出对应波段的图像，如图4所示(为了便于观察，本发明改变了图像的颜色图)。结果表明，散斑噪声主要分布在A1子波段中，其代表了图像的低频近似系数。
图4(b)为经过小波变换分解的图4(a)的各个子波段图像，根据视网膜OCT图像的知识，选取A1子波段的左上角区域，可看出该区域为噪声区域，噪声区域中未包含视网膜组织以及DME水肿部位(如图5所示)。
改变公式(1)的计算方式为如下形式：
Figure BDA0002381214910000151
其中，n为选取用于计算噪声阈值NT的图片数量。本发明选用10幅具有代表性的DME水肿区域OCT图像用于噪声阈值的计算(即n＝10)。噪声阈值NT为10副图像所计算出的噪声阈值的均值，经计算NT＝14.35。使用公式(2)对A1子波段的每个像素值进行阈值化处理。如图6所示，从图6(c)中可以看出A1子波段中的噪声已明显去除，图6(d)为去噪后的OCT图像。
2.3 基于迁移学习的DME水肿区域分割网络训练实现
本发明引入了Kermany数据集，该数据集由Kermany等人于2018年提供，为一个独立的OCT眼部疾病分类数据集。该数据集是一个分类数据集共40000张眼部视网膜OCT图像，并将OCT图像分为CNV，DME，DRUSEN三类疾病图片以及NORMAL一类正常图片，各类图片10000张。
本发明利用Kermany数据集训练一个四分类的resnet101网络，该网络能充分学习得到OCT视网膜图片的各种高维抽象特征，其中包括了DME水肿区域的特征。将充分训练后的resnet101网络参数迁移至DeepLab神经网络，作为其为特征提取层的初值。使用300幅DME水肿区域OCT图像对DeepLab神经网络进行训练，微调特征提取层参数，学习特征解析层参数。利用该迁移学习的方法，实现DeepLab神经网络在小样本数据集上的训练。
2.4 全连接条件随机场中θα、θβ参数的确定
全连接条件随机场模型的分割精度与θα、θβ两个参数的取值高度相关，它们分别控制了相邻像素的位置相似度和像素值相关度。首先，固定第一个参数θα＝1，考虑θβ参数的影响。设置参数θβ的值域为1～20，步长为1。使用10幅由两名专业眼科专家标注的DME水肿区域OCT图像作为验证数据，绘制出θα＝1骰子系数DSC为因变量，θβ为自变量的折线。改变θα的取值，值域为1～20，步长为1，绘制出θα为不同取值时骰子系数DSC为因变量，θβ为自变量的不同折线。如图7所示(图像保留θα取值为14～18，θβ为5～15的折线)。
图7中，圆形标注的点即为取得最高DSC值得点，即参数θα＝16，θβ＝8时，全连接条件随机场模型能获得最好的分割结果。
2.5 DME水肿区域分割结果对比分析
为了验证本发明的可行性，本发明选取了大小不等的3张OCT图像为例，分别基于U-net模型，水平集C-V模型，目视解译法和本发明模型对水肿区域进行了分割。基于不同分割模型的水肿区域分割结果如图8所示。
本发明模型和U-net模型分割出的水肿区域，C-V模型分割出的水肿区域为。本发明将基于目视解译法的水肿区域分割结果作为真值，比较了不同分割模型的水肿区域分割精度，量化结果如表1所示。
表1不同模型分割结果对比
Figure BDA0002381214910000161
从图8可以看出：
(1)图像1中存在两块DME水肿区域与视网膜像素值近似，受图像散斑噪声的影响U-net网络不能对其进行正确的识别与分割。本发明模型通过小波变换的方法，在保留病变部位边缘纹理的基础上去除了散斑噪声，增强了病变部位与正常视网膜组织的对比度，本发明模型能对DME水肿区域进行正确的识别与分割。
(2)U-net模型是只有6层的浅层神经网络，不能学习得到DME水肿区域的高维抽象特征，在图像2中存在大量的错误分割区域。本发明模型使用101层的ResNet残差网络作为特征提取网络，能充分学习得到DME水肿区域的高维抽象特征，对图8中3组视网膜切片的DME水肿区域都能进行正确识别。
(3)C-V模型只能通过像素、纹理等低纬特征对病变部位进行区分，虽然对DME水肿区域能进行较好的分割且边界清晰，但会把大量正常眼部组织当做病变部位进行分割，依旧存在大量错误分割区域。
从表1可以看出：
(1)本发明模型取得了最优的DSC得分和Precision得分，分别为91.42％和91.26％；Sensitive得分为91.95％，本发明方法具有较强的鲁棒性。
(2)U-net模型对病变部位特征的学习不足，存在大量错误分割区域，DSC得分和Precision得分仅为54.78％和45.04％，低于本发明提出的方法。
(3)Sensitive的计算公式为正确分割出的病变区域面积与目视解译得出的病变区域面积的比值，疾病监测的首要目标是在保证Precision的条件下提升Sensitive，C-V模型虽然取得了96.13％的最高Sensitive得分，但其53.59％的Precision得分和68.53％的DSC得分远低于本发明提出的方法，不具有较强的鲁棒性，不适用于DME水肿区域的分割。
图9是本发明实施例提供的OCT图像噪声示意图。
如图10所示，本发明提供一种改进的DME水肿区域神经网络分割模型的构建系统，包括：
图像去噪增强模块1，用于基于小波变换的OCT图像去噪预处理，实现OCT图像的去噪增强。
图像特征分割解析模块2，用于利用迁移学习的方法，使用OCT图像DME小样本数据集对DeepLab神经网络进行训练，微调特征提取层参数，训练特征解析层参数，对DME水肿区域进行粗分割，得到DME水肿区域分割模型；通过改进的DeepLab神经网络使用空洞卷积和空间金字塔池化模块对图像特征进行解析。
图像细粒度分割模块3，用于引入全连接条件随机场优化DME水肿区域边界：面向DME水肿区域边界粗分割结果，结合OCT图像任意像素点与其余像素点间的关联关系，实现病变部位细粒度分割。
精度评价模块4，用于使用骰子系数DSC、精确度Precision和灵敏度Sensitive作为模型分割性能的评价指标，对模型精度进行评价。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种改进的DME水肿区域神经网络分割模型的构建方法，其特征在于，所述改进的DME水肿区域神经网络分割模型的构建方法包括以下步骤：
步骤一，基于小波变换的OCT图像去噪预处理，进行OCT图像的去噪增强；
步骤二，利用迁移学习的方法，使用OCT图像DME小样本数据集对DeepLab神经网络进行训练，微调特征提取层参数，训练特征解析层参数；
步骤三，通过改进的DeepLab神经网络使用空洞卷积和空间金字塔池化模块，对DME水肿区域进行粗分割，得到DME水肿区域分割模型；
步骤四，引入全连接条件随机场优化DME水肿区域边界：面向DME水肿区域边界粗分割结果，结合OCT图像任意像素点与其余像素点间的关联关系，实现病变部位细粒度分割；
步骤五，精度评价：使用骰子系数DSC、精确度Precision和灵敏度Sensitive作为模型分割性能的评价指标，对模型精度进行评价；
步骤一中，基于小波变换的OCT图像增强方法包括：
利用小波变换对OCT图像进行分解，将OCT图像分解为一个低频子波段和三个高频子波段，其中噪声多分布于低频子波段；而边缘及纹理信息多分布于三个高频子波段；通过分解，可对低频子波段单独处理，去除低频子波段中的噪声而不影响高频子波段的边缘及纹理信息；若一次分解无法满足图像增强需求，可进一步进行小波分解，直至图像的对比度满足分割要求；
（1）单幅图像的噪声阈值NT的计算公式如下式所示：
Figure DEST_PATH_IMAGE002
；
式中，i和j为噪声区域像素点的横纵坐标，
Figure DEST_PATH_IMAGE004
为噪声区域像素点的像素值，噪声阈值NT为该区域像素点像素值的中值；
（2）多幅图像的噪声阈值NT的计算方式为如下形式：
Figure DEST_PATH_IMAGE006
；
式中，n为选取用于计算噪声阈值NT的图片数量；
（3）通过如下公式对OCT图像中每个像素点像素值进行阈值化处理，去除低频子波段中的噪声：
Figure DEST_PATH_IMAGE008
；
式中，i、j为OCT图像像素点的横纵坐标，
Figure DEST_PATH_IMAGE010
为去噪处理前图像像素点像素值，
Figure DEST_PATH_IMAGE012
为去噪处理后像素点像素值；当
Figure 556378DEST_PATH_IMAGE010
大于等于NT时，令
Figure 270256DEST_PATH_IMAGE012
=
Figure DEST_PATH_IMAGE014
；当
Figure 883947DEST_PATH_IMAGE010
的绝对值小于NT时，令
Figure 75894DEST_PATH_IMAGE012
=0；当
Figure 687004DEST_PATH_IMAGE010
小于等于负NT时，令
Figure 56936DEST_PATH_IMAGE012
=
Figure DEST_PATH_IMAGE016
；
步骤二中，基于迁移学习的DME水肿区域分割网络训练实现方法如下：
利用迁移学习的方法，引入Kermany眼部疾病分类公共数据集；在Kermany数据集上训练一个四分类的ResNet101残差网络，迁移ResNet101网络参数，作为DeepLab神经网络特征提取层的初始值；使用OCT图像DME小样本数据集对DeepLab神经网络进行训练，微调特征提取层参数，训练特征解析层参数，得到DME水肿区域分割模型；
步骤四中，基于全连接条件随机场的DME水肿区域边界优化，具体包括：
全连接条件随机场是一种判别型概率图模型，所述全连接条件随机场的定义为：假设一幅图像P包含n个像素点，则
Figure DEST_PATH_IMAGE018
为基于图像的观测量，X={}为随机变量集合，X的每个变量值域为L={} ，其中k代表标记的类别，
Figure DEST_PATH_IMAGE020
构成条件随机场，其概率分布服从Gibbs分布，可表示为：
Figure DEST_PATH_IMAGE022
；
式中，
Figure DEST_PATH_IMAGE024
为归一化因子，
Figure DEST_PATH_IMAGE026
为能量函数，即CRF的最大后验概率问题转化为能量函数的最小化问题，能量函数可表示为：
Figure DEST_PATH_IMAGE028
；
式中，
Figure DEST_PATH_IMAGE030
为单个随机变量
Figure DEST_PATH_IMAGE032
的一元能量函数项，表示
Figure 294276DEST_PATH_IMAGE032
为某个类别的代价，在模型中代表DeepLab神经网络的输出；
Figure DEST_PATH_IMAGE034
为关于相互连接的两个随机变量
Figure DEST_PATH_IMAGE036
的二元成对能量函数，表示两个变量类别一致性代价，可表示为高斯核函数的线性组合：
Figure DEST_PATH_IMAGE038
；
式中，
Figure DEST_PATH_IMAGE040
为高斯核函数，
Figure DEST_PATH_IMAGE042
为线性组合权值，
Figure DEST_PATH_IMAGE044
为类标一致性参数，
Figure DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE048
分别为变量
Figure 916012DEST_PATH_IMAGE032
和
Figure DEST_PATH_IMAGE050
的特征向量，表示形式如下：
Figure DEST_PATH_IMAGE052
；
式中，
Figure DEST_PATH_IMAGE054
为3维度颜色向量，
Figure DEST_PATH_IMAGE056
为2维像素点坐标向量，
Figure DEST_PATH_IMAGE058
、
Figure DEST_PATH_IMAGE060
为尺度参；尺度参数控制高斯核的大小；通过全连接条件随机场推理得到图像像素的最终类标之后，实现DME水肿区域的分割边界优化。
2.如权利要求1所述的改进的DME水肿区域神经网络分割模型的构建方法，其特征在于，步骤三中，所述通过改进的DeepLab神经网络使用空洞卷积和空间金字塔池化模块对待分割的图像进行DME水肿区域边界分割，具体方法如下：
空洞卷积，即膨胀卷积，在原始卷积和的基础上增加参数r，将原始卷积核中未被占用的区域用0填充，得到的新卷积核大小，计算公式为：
Figure DEST_PATH_IMAGE062
；
式中，r为膨胀系数；
Figure DEST_PATH_IMAGE064
为原始卷积核高和宽；
Figure DEST_PATH_IMAGE066
为膨胀卷积核高和宽；膨胀卷积可提取更密集的特征；金字池化模块ASPP由不同膨胀系数大小的空洞卷积块组成；
在输入一张OCT图像时，使用1个1×1卷积和3个3×3的膨胀率为6、12、18的空洞卷积并行执行，增加不同尺度范围内语义信息的提取和区分；同时向金字塔池化模块中添加平均池化层，将特征做全局平均池化，进行卷积再融合。
3.如权利要求1所述的改进的DME水肿区域神经网络分割模型的构建方法，其特征在于，所述全连接条件随机场中
Figure DEST_PATH_IMAGE068
、
Figure DEST_PATH_IMAGE070
参数的确定方法为：
全连接条件随机场模型的分割精度与
Figure 164984DEST_PATH_IMAGE058
、
Figure 955086DEST_PATH_IMAGE060
两个参数的取值高度相关，
Figure 506153DEST_PATH_IMAGE058
、
Figure 289170DEST_PATH_IMAGE060
两个参数分别控制了相邻像素的位置相似度和像素值相关度；首先，固定第一个参数
Figure DEST_PATH_IMAGE072
，考虑
Figure 422342DEST_PATH_IMAGE060
参数的影响；设置参数的值域为1~20，步长为1；使用10幅由两名专业眼科专家标注的DME水肿区域OCT图像作为验证数据，绘制出
Figure 383345DEST_PATH_IMAGE072
骰子系数DSC为因变量，为自变量的折线；改变
Figure 421708DEST_PATH_IMAGE058
的取值，值域为1~20，步长为1，绘制出
Figure 23065DEST_PATH_IMAGE058
为不同取值时骰子系数DSC为因变量，
Figure 463273DEST_PATH_IMAGE060
为自变量的不同折线。
4.如权利要求1所述的改进的DME水肿区域神经网络分割模型的构建方法，其特征在于，步骤五中，所述模型精度评价中，使用骰子系数DSC，精确度Precision，灵敏度Sensitive作为模型分割性能的评价指标，各系统的计算公式如下所示：
Figure DEST_PATH_IMAGE074
；
Figure DEST_PATH_IMAGE076
；
Figure DEST_PATH_IMAGE078
；
式中，Vs和Vg分别代表模型分割得到的病变区域面积和目视解译得到的病变区域面积。
5.一种实施权利要求1~4任意一项所述改进的DME水肿区域神经网络分割模型的构建方法的改进的DME水肿区域神经网络分割模型的构建系统，其特征在于，所述改进的DME水肿区域神经网络分割模型的构建系统包括：
图像去噪增强模块，用于基于小波变换的OCT图像去噪预处理，实现 OCT图像的去噪增强；
图像特征分割解析模块，用于利用迁移学习的方法，使用OCT图像DME小样本数据集对DeepLab神经网络进行训练，微调特征提取层参数，训练特征解析层参数，得到DME水肿区域分割模型；通过改进的DeepLab神经网络使用空洞卷积和空间金字塔池化模块对DME水肿区域进行粗分割；
图像细粒度分割模块，用于引入全连接条件随机场优化DME水肿区域边界：面向DME水肿区域边界粗分割结果，结合OCT图像任意像素点与其余像素点间的关联关系，实现病变部位细粒度分割；
精度评价模块，用于使用骰子系数DSC、精确度Precision和灵敏度Sensitive作为模型分割性能的评价指标，对模型精度进行评价；
所述基于小波变换的OCT图像增强包括：
利用小波变换对OCT图像进行分解，将OCT图像分解为一个低频子波段和三个高频子波段，其中噪声多分布于低频子波段；而边缘及纹理信息多分布于三个高频子波段；通过分解，可对低频子波段单独处理，去除低频子波段中的噪声而不影响高频子波段的边缘及纹理信息；若一次分解无法满足图像增强需求，可进一步进行小波分解，直至图像的对比度满足分割要求；
（1）单幅图像的噪声阈值NT的计算公式如下式所示：
Figure 657494DEST_PATH_IMAGE002
；
式中，i和j为噪声区域像素点的横纵坐标，
Figure 448733DEST_PATH_IMAGE004
为噪声区域像素点的像素值，噪声阈值NT为该区域像素点像素值的中值；
（2）多幅图像的噪声阈值NT的计算方式为如下形式：
Figure 904378DEST_PATH_IMAGE006
；
式中，n为选取用于计算噪声阈值NT的图片数量；
（3）通过如下公式对OCT图像中每个像素点像素值进行阈值化处理，去除低频子波段中的噪声：
Figure 792569DEST_PATH_IMAGE008
；
式中，i、j为OCT图像像素点的横纵坐标，
Figure 705161DEST_PATH_IMAGE010
为去噪处理前图像像素点像素值，
Figure 298210DEST_PATH_IMAGE012
为去噪处理后像素点像素值；当大于等于NT时，令
Figure 321661DEST_PATH_IMAGE012
=
Figure 313625DEST_PATH_IMAGE014
；当
Figure 397119DEST_PATH_IMAGE010
的绝对值小于NT时，令
Figure 211884DEST_PATH_IMAGE012
=0；当
Figure 711130DEST_PATH_IMAGE010
小于等于负NT时，令
Figure 511596DEST_PATH_IMAGE012
=
Figure 671050DEST_PATH_IMAGE016
；
基于迁移学习的DME水肿区域分割网络训练实现如下：
利用迁移学习的方法，引入Kermany眼部疾病分类公共数据集；在Kermany数据集上训练一个四分类的ResNet101残差网络，迁移ResNet101网络参数，作为DeepLab神经网络特征提取层的初始值；使用OCT图像DME小样本数据集对DeepLab神经网络进行训练，微调特征提取层参数，训练特征解析层参数，得到DME水肿区域分割模型；
基于全连接条件随机场的DME水肿区域边界优化包括：
全连接条件随机场是一种判别型概率图模型，所述全连接条件随机场的定义为：假设一幅图像P包含n个像素点，则
Figure 393019DEST_PATH_IMAGE018
为基于图像的观测量，X={
Figure DEST_PATH_IMAGE080
}为随机变量集合，X的每个变量值域为L={
Figure DEST_PATH_IMAGE082
} ，其中k代表标记的类别，
Figure 758272DEST_PATH_IMAGE020
构成条件随机场，其概率分布服从Gibbs分布，可表示为：
Figure 122564DEST_PATH_IMAGE022
；
式中，
Figure 203653DEST_PATH_IMAGE024
为归一化因子，
Figure 163650DEST_PATH_IMAGE026
为能量函数，即CRF的最大后验概率问题转化为能量函数的最小化问题，能量函数可表示为：
Figure 988386DEST_PATH_IMAGE028
；
式中，
Figure 966707DEST_PATH_IMAGE030
为单个随机变量
Figure 202385DEST_PATH_IMAGE032
的一元能量函数项，表示
Figure 898945DEST_PATH_IMAGE032
为某个类别的代价，在模型中代表DeepLab神经网络的输出；
Figure 74843DEST_PATH_IMAGE034
为关于相互连接的两个随机变量
Figure 907670DEST_PATH_IMAGE036
的二元成对能量函数，表示两个变量类别一致性代价，可表示为高斯核函数的线性组合：
Figure 582758DEST_PATH_IMAGE038
；
式中，
Figure 501036DEST_PATH_IMAGE040
为高斯核函数，
Figure 933154DEST_PATH_IMAGE042
为线性组合权值，
Figure 105640DEST_PATH_IMAGE044
为类标一致性参数，
Figure 699433DEST_PATH_IMAGE046
和
Figure 619853DEST_PATH_IMAGE048
分别为变量
Figure 590083DEST_PATH_IMAGE032
和
Figure 397502DEST_PATH_IMAGE050
的特征向量，表示形式如下：
Figure 912928DEST_PATH_IMAGE052
；
式中，
Figure 805798DEST_PATH_IMAGE054
为3维度颜色向量，
Figure 314140DEST_PATH_IMAGE056
为2维像素点坐标向量，
Figure 228262DEST_PATH_IMAGE058
、
Figure 163857DEST_PATH_IMAGE060
为尺度参；尺度参数控制高斯核的大小；通过全连接条件随机场推理得到图像像素的最终类标之后，实现DME水肿区域的分割边界优化。
6.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1~4任意一项所述改进的DME水肿区域神经网络分割模型的构建方法。
7.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-4任意一项所述的改进的DME水肿区域神经网络分割模型的构建方法。
CN202010083621.6A 2020-02-10 2020-02-10 一种改进的dme水肿区域神经网络分割模型的构建方法 Active CN111340829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010083621.6A CN111340829B (zh) 2020-02-10 2020-02-10 一种改进的dme水肿区域神经网络分割模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010083621.6A CN111340829B (zh) 2020-02-10 2020-02-10 一种改进的dme水肿区域神经网络分割模型的构建方法

Publications (2)

Publication Number Publication Date
CN111340829A CN111340829A (zh) 2020-06-26
CN111340829B true CN111340829B (zh) 2023-02-28

Family

ID=71183603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010083621.6A Active CN111340829B (zh) 2020-02-10 2020-02-10 一种改进的dme水肿区域神经网络分割模型的构建方法

Country Status (1)

Country Link
CN (1) CN111340829B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815608B (zh) * 2020-07-13 2023-08-25 北京小白世纪网络科技有限公司 基于深度学习的新冠肺炎患者康复时间预测方法及系统
CN117765264B (zh) * 2024-02-22 2024-06-21 北京理工大学 基于频率自适应膨胀卷积的图像语义分割方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017071160A1 (zh) * 2015-10-28 2017-05-04 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
CN108776969A (zh) * 2018-05-24 2018-11-09 复旦大学 基于全卷积网络的乳腺超声图像肿瘤分割方法
CN110264484A (zh) * 2019-06-27 2019-09-20 上海海洋大学 一种面向遥感数据的改进海岛岸线分割系统及分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809730B (zh) * 2015-05-05 2017-10-03 上海联影医疗科技有限公司 从胸部ct图像提取气管的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017071160A1 (zh) * 2015-10-28 2017-05-04 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
CN108776969A (zh) * 2018-05-24 2018-11-09 复旦大学 基于全卷积网络的乳腺超声图像肿瘤分割方法
CN110264484A (zh) * 2019-06-27 2019-09-20 上海海洋大学 一种面向遥感数据的改进海岛岸线分割系统及分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Improved S...cer CT Images;Meiling Wang;《CNKI》;20190510;全文 *
改进水平集模型的海岛边界快速分割方法研究;王振华;《CNKI》;20190731;第13卷(第07期);全文 *

Also Published As

Publication number Publication date
CN111340829A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
Wang et al. Breast cancer detection using extreme learning machine based on feature fusion with CNN deep features
Almotiri et al. Retinal vessels segmentation techniques and algorithms: a survey
Miranda et al. A survey of medical image classification techniques
Dong et al. An efficient approach for automated mass segmentation and classification in mammograms
CN105844285B (zh) 基于图像信息的黄瓜病害识别方法及装置
Li et al. A comprehensive review of Markov random field and conditional random field approaches in pathology image analysis
Pathan et al. Automated segmentation and classifcation of retinal features for glaucoma diagnosis
CN104637044B (zh) 钙化斑块及其声影的超声图像提取系统
CN110706225B (zh) 基于人工智能的肿瘤识别系统
CN107358267B (zh) 一种基于互相关特征的乳腺超声图像多元分类系统及方法
CN109635846A (zh) 一种多类医学图像判断方法和系统
Taha et al. Automatic polyp detection in endoscopy videos: A survey
Singh et al. Integrating radiologist feedback with computer aided diagnostic systems for breast cancer risk prediction in ultrasonic images: An experimental investigation in machine learning paradigm
Melekoodappattu et al. Detection and classification of breast cancer from digital mammograms using hybrid extreme learning machine classifier
Molaei et al. FDCNet: Presentation of the fuzzy CNN and fractal feature extraction for detection and classification of tumors
CN108765427A (zh) 一种前列腺图像分割方法
CN111340829B (zh) 一种改进的dme水肿区域神经网络分割模型的构建方法
Rahman et al. Developing a retrieval based diagnostic aid for automated melanoma recognition of dermoscopic images
Zhang et al. Feature-transfer network and local background suppression for microaneurysm detection
Jiang et al. Segmentation of prostate ultrasound images: the state of the art and the future directions of segmentation algorithms
CN106570880B (zh) 结合模糊聚类和马尔科夫随机场的脑组织mri图像分割方法
Wulaning Ayu et al. Pixel Classification Based on Local Gray Level Rectangle Window Sampling for Amniotic Fluid Segmentation.
Song et al. Neural network combining X-ray and ultrasound in breast examination
CN110136112A (zh) 一种基于乳腺x线摄影钙化计算机辅助检测算法
CN113191413B (zh) 基于中央凹残差网络的前列腺多模mr图像分类方法和系统

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
GR01 Patent grant
GR01 Patent grant