CN113724203A - 一种oct图像中目标特征的分割方法及装置 - Google Patents

一种oct图像中目标特征的分割方法及装置 Download PDF

Info

Publication number
CN113724203A
CN113724203A CN202110885125.7A CN202110885125A CN113724203A CN 113724203 A CN113724203 A CN 113724203A CN 202110885125 A CN202110885125 A CN 202110885125A CN 113724203 A CN113724203 A CN 113724203A
Authority
CN
China
Prior art keywords
training
image
post
target
model
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.)
Granted
Application number
CN202110885125.7A
Other languages
English (en)
Other versions
CN113724203B (zh
Inventor
彭勇
区初斌
叶重荣
韦喜飞
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.)
Weizhi Medical Technology Foshan Co ltd
Original Assignee
Weizhi Medical Technology Foshan Co ltd
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 Weizhi Medical Technology Foshan Co ltd filed Critical Weizhi Medical Technology Foshan Co ltd
Priority to CN202110885125.7A priority Critical patent/CN113724203B/zh
Publication of CN113724203A publication Critical patent/CN113724203A/zh
Application granted granted Critical
Publication of CN113724203B publication Critical patent/CN113724203B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种OCT图像中目标特征的分割方法及装置，该方法包括：获取第一图像信息；第一图像信息包括待处理OCT图像、待处理OCT图像对应的第一金标准图像和待处理OCT图像对应的目标特征的第一位置先验信息图像；根据第一图像信息，以及预设的神经网络模型，确定出目标特征对应的分割结果图像。可见，本发明能够通过获取包括待处理OCT图像、待处理OCT图像对应的第一金标准图像和待处理OCT图像对应的目标特征的第一位置先验信息图像在内的第一图像信息，并通过神经网络模型对待处理OCT图像的目标特征进行层分割，得到分割结果图像，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。

Description

一种OCT图像中目标特征的分割方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种OCT图像中目标特征的分割方法及装置。
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图像，B-scan图像也即通常所看到的OCT截面图(也可以理解为OCT图像)，是医学诊断中OCT最主要的成像方式。
在实际应用中，诊断设备对于眼底疾病的诊断通常依赖于OCT图像中目标特征的分割后的目标特征分割结果，如视网膜积液分割结果。然而实践发现，基于直方图、边界分割和区域分割等传统分割技术的OCT图像中目标特征的分割方法对OCT图像进行层分割得到的目标特征分割结果的精度不高。因此，提供一种OCT图像中目标特征的分割方法以提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率显得尤为重要。
发明内容
本发明所要解决的技术问题在于，提供一种OCT图像中目标特征的分割方法及装置，能够通过获取包括待处理OCT图像、待处理OCT图像对应的第一金标准图像和待处理OCT图像对应的目标特征的第一位置先验信息图像在内的第一图像信息，并通过神经网络模型对待处理OCT图像的目标特征进行层分割，得到分割结果图像，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
为了解决上述技术问题，本发明实施例第一方面公开了一种OCT图像中目标特征的分割方法，所述方法包括：
获取第一图像信息；所述第一图像信息包括待处理OCT图像、所述待处理OCT图像对应的第一金标准图像和所述待处理OCT图像对应的目标特征的第一位置先验信息图像；
根据所述第一图像信息，以及预设的神经网络模型，确定出所述目标特征对应的分割结果图像。
作为一种可选的实施方式，在本发明实施例第一方面中，所述神经网络模型基于以下方式训练得到：
由训练装置获取训练样本图像集；所述训练样本图像集包括若干张目标域OCT图像和若干个训练样本，每个所述训练样本包括源域OCT图像、所述源域OCT图像对应的第二金标准图像和所述源域OCT图像对应的目标特征的第二位置先验信息图像；
由所述训练装置利用M个所述目标域OCT图像和N个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型；所述M和所述N均为正整数；
由所述训练装置利用L个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型；所述L为正整数；
由所述训练装置根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述由所述训练装置利用M个所述目标域OCT图像和N个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型，包括：
由所述训练装置从M个所述目标域OCT图像和N个所述训练样本中任选出一个所述训练样本和与该训练样本对应的目标域OCT图像，并利用该目标域OCT图像和该训练样本对应的源域OCT图像、前置训练模型和预设的前置损失函数，确定出第一前置损失函数值；
由所述训练装置判断所述第一前置损失函数值是否满足第一前置终止条件，得到第一判断结果；
当所述第一判断结果表示所述第一前置损失函数值满足第一前置终止条件时，由所述训练装置确定所述第一前置损失函数值对应的前置训练模型为待选前置训练模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述由所述训练装置利用该目标域OCT图像和该训练样本对应的源域OCT图像、前置训练模型和预设的前置损失函数，确定出第一前置损失函数值，包括：
由所述训练装置将该目标域OCT图像和该训练样本对应的源域OCT图像输入前置训练模型进行处理，得到第一目标域图像信息；
由所述训练装置根据所述第一目标域图像信息和所述前置损失函数，计算出所述第一前置损失函数值。
作为一种可选的实施方式，在本发明实施例第一方面中，所述由所述训练装置利用L个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型，包括：
由所述训练装置冻结所述待选前置训练模型对应的第一权重参数；
由所述训练装置从L个所述训练样本中任选出一个训练样本，并将该训练样本对应的源域OCT图像输入所述待选前置训练模型，确定出第二目标域图像；
由所述训练装置将所述第二目标域图像、该训练样本对应的第二金标准图像和该训练样本对应的第二位置先验信息图像输入到后置训练模型进行处理，得到第一待选目标分割图；
由所述训练装置根据所述第一待选目标分割图、该训练样本对应的第二金标准图像和预设的后置损失函数，计算出第一后置损失函数值；
由所述训练装置判断所述第一后置损失函数值是否满足第一后置终止条件，得到第二判断结果；
当所述第二判断结果表示所述第一后置损失函数值满足第一后置终止条件时，由所述训练装置确定所述第一后置损失函数值对应的后置训练模型为待选后置训练模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述由所述训练装置根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型，包括：
由训练装置利用P个所述目标域OCT图像和Q个所述训练样本对所述待选前置训练模型和所述待选后置训练模型进行联合训练，确定出所述神经网络模型；所述P和所述Q为正整数。
作为一种可选的实施方式，在本发明实施例第一方面中，所述神经网络模型包括前置网络模型和后置网络模型；
所述根据所述第一图像信息，以及预设的神经网络模型，确定出所述目标特征对应的分割结果图像，包括：
利用所述前置网络模型对所述待处理OCT图像进行处理，得到第一目标域图像；
利用所述后置网络模型对所述第一目标域图像、所述第一金标准图像和所述第一位置先验信息图像进行处理，得到所述目标特征对应的分割结果图像。
作为一种可选的实施方式，在本发明实施例第一方面中，所述第一图像信息还包括所述待处理OCT图像对应的图像尺寸信息；
在所述利用所述前置网络模型对所述待处理OCT图像进行处理，得到第一目标域图像之前，所述方法还包括：
根据所述图像尺寸信息，确定出所述神经网络模型对应的结构单元数量信息；所述结构单元数量信息包括所述前置网络模型对应的前置残差模块的数量，和/或，所述后置网络模型对应的第二编码单元的数量。
作为一种可选的实施方式，在本发明实施例第一方面中，所述神经网络模型包括前置网络模型和后置网络模型；
所述由训练装置利用P个所述目标域OCT图像和Q个所述训练样本对所述待选前置训练模型和所述待选后置训练模型进行联合训练，确定出所述神经网络模型，包括：
由所述训练装置解冻所述待选前置训练模型对应的第一权重参数；
由所述训练装置从P个所述目标域OCT图像和Q个所述训练样本中任选出一个所述训练样本和与该训练样本对应的目标域OCT图像，并利用该目标域OCT图像、该训练样本对应的源域OCT图像、所述待选前置训练模型和所述前置损失函数，确定出第三目标域图像和第二前置损失函数值；
由所述训练装置将所述第三目标域图像、该训练样本对应的第二金标准图像和该训练样本对应的第二位置先验信息图像输入到所述待选后置训练模型进行处理，得到第二待选目标分割图；
由所述训练装置根据所述第二待选目标分割图、该训练样本对应的第二金标准图像和预设的后置损失函数，计算出第二后置损失函数值；
判断所述第二前置损失函数值和所述第二后置损失函数值是否满足联合终止条件，得到第三判断结果；
当所述第三判断结果表示所述第二前置损失函数值和所述第二后置损失函数值满足联合终止条件时，确定所述第二前置损失函数值对应的待选前置训练模型和所述第二后置损失函数值对应的待选后置训练模型分别为所述前置网络模型和所述后置网络模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述后置网络模型包括第一编码模块和第一解码模块；
所述利用所述后置网络模型对所述第一目标域图像、所述第一金标准图像和所述第一位置先验信息图像进行处理，得到所述目标特征对应的分割结果图像，包括：
利用所述第一编码模块对所述第一目标域图像、所述第一金标准图像和所述第一位置先验信息图像进行处理，得到第一中间特征；
利用所述第一解码模块对所述第一中间特征进行处理，得到所述目标特征对应的分割结果图像。
作为一种可选的实施方式，在本发明实施例第一方面中，所述第一解码模块包括第一解码单元和第二解码单元；
所述利用所述第一解码模块对所述第一中间特征进行处理，得到所述目标特征对应的分割结果图像，包括：
利用所述第一解码单元对所述第一中间特征进行卷积和上采样，得到第二中间特征；
利用所述第二解码单元对所述第一中间特征和所述第二中间特征进行处理，得到所述目标特征对应的分割结果图像。
作为一种可选的实施方式，在本发明实施例第一方面中，所述第二编码模块包括至少一个第二编码单元；
所述后置网络模型包括第二编码模块和与所述第二编码模块对应的第二解码模块；
对于任一第二编码单元，该第二编码单元对应唯一一个所述第二解码模块对应的后置解码单元。
本发明实施例第二方面公开了一种OCT图像中目标特征的分割装置，装置包括：
获取模块，用于获取第一图像信息；所述第一图像信息包括待处理OCT图像、所述待处理OCT图像对应的第一金标准图像和所述待处理OCT图像对应的目标特征的第一位置先验信息图像；
第一确定模块，用于根据所述第一图像信息，以及预设的神经网络模型，确定出所述目标特征对应的分割结果图像。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述装置还包括：
训练模块，用于执行以下步骤以训练得到神经网络模型：
获取训练样本图像集；所述训练样本图像集包括若干张目标域OCT图像和若干个训练样本，每个所述训练样本包括源域OCT图像、所述源域OCT图像对应的第二金标准图像和所述源域OCT图像对应的目标特征的第二位置先验信息图像；
利用M个所述目标域OCT图像和N个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型；所述M和所述N均为正整数；
利用L个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型；所述L为正整数；
根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述训练模块利用M个所述目标域OCT图像和N个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型的具体方式为：
从M个所述目标域OCT图像和N个所述训练样本中任选出一个所述训练样本和与该训练样本对应的目标域OCT图像，并利用该目标域OCT图像和该训练样本对应的源域OCT图像、前置训练模型和预设的前置损失函数，确定出第一前置损失函数值；
判断所述第一前置损失函数值是否满足第一前置终止条件，得到第一判断结果；
当所述第一判断结果表示所述第一前置损失函数值满足第一前置终止条件时，确定所述第一前置损失函数值对应的前置训练模型为待选前置训练模型。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述训练模块利用该目标域OCT图像和该训练样本对应的源域OCT图像、前置训练模型和预设的前置损失函数，确定出第一前置损失函数值的具体方式为：
将该目标域OCT图像和该训练样本对应的源域OCT图像输入前置训练模型进行处理，得到第一目标域图像信息；
根据所述第一目标域图像信息和所述前置损失函数，计算出所述第一前置损失函数值。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述训练模块利用L个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型的具体方式为：
冻结所述待选前置训练模型对应的第一权重参数；
从L个所述训练样本中任选出一个训练样本，并将该训练样本对应的源域OCT图像输入所述待选前置训练模型，确定出第二目标域图像；
将所述第二目标域图像、该训练样本对应的第二金标准图像和该训练样本对应的第二位置先验信息图像输入到后置训练模型进行处理，得到第一待选目标分割图；
根据所述第一待选目标分割图、该训练样本对应的第二金标准图像和预设的后置损失函数，计算出第一后置损失函数值；
判断所述第一后置损失函数值是否满足第一后置终止条件，得到第二判断结果；
当所述第二判断结果表示所述第一后置损失函数值满足第一后置终止条件时，确定所述第一后置损失函数值对应的后置训练模型为待选后置训练模型。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述训练模块根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型的具体方式为：
利用P个所述目标域OCT图像和Q个所述训练样本对所述待选前置训练模型和所述待选后置训练模型进行联合训练，确定出所述神经网络模型；所述P和所述Q为正整数。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述神经网络模型包括前置网络模型和后置网络模型；
所述第一确定模块包括第一处理子模块和第二处理子模块，其中：
所述第一处理子模块，用于利用所述前置网络模型对所述待处理OCT图像进行处理，得到第一目标域图像；
所述第二处理子模块，用于利用所述后置网络模型对所述第一目标域图像、所述第一金标准图像和所述第一位置先验信息图像进行处理，得到所述目标特征对应的分割结果图像。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述第一图像信息还包括所述待处理OCT图像对应的图像尺寸信息；
所述装置还包括：
第二确定模块，用于在所述第一处理子模块利用所述前置网络模型对所述待处理OCT图像进行处理，得到第一目标域图像之前，根据所述图像尺寸信息，确定出所述神经网络模型对应的结构单元数量信息；所述结构单元数量信息包括所述前置网络模型对应的前置残差模块的数量，和/或，所述后置网络模型对应的第二编码单元的数量。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述神经网络模型包括前置网络模型和后置网络模型；
所述训练模块利用P个所述目标域OCT图像和Q个所述训练样本对所述待选前置训练模型和所述待选后置训练模型进行联合训练，确定出所述神经网络模型的具体方式为：
解冻所述待选前置训练模型对应的第一权重参数；
从P个所述目标域OCT图像和Q个所述训练样本中任选出一个所述训练样本和与该训练样本对应的目标域OCT图像，并利用该目标域OCT图像、该训练样本对应的源域OCT图像、所述待选前置训练模型和所述前置损失函数，确定出第三目标域图像和第二前置损失函数值；
将所述第三目标域图像、该训练样本对应的第二金标准图像和该训练样本对应的第二位置先验信息图像输入到所述待选后置训练模型进行处理，得到第二待选目标分割图；
根据所述第二待选目标分割图、该训练样本对应的第二金标准图像和预设的后置损失函数，计算出第二后置损失函数值；
判断所述第二前置损失函数值和所述第二后置损失函数值是否满足联合终止条件，得到第三判断结果；
当所述第三判断结果表示所述第二前置损失函数值和所述第二后置损失函数值满足联合终止条件时，确定所述第二前置损失函数值对应的待选前置训练模型和所述第二后置损失函数值对应的待选后置训练模型分别为所述前置网络模型和所述后置网络模型。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述后置网络模型包括第一编码模块和第一解码模块；
所述第二处理子模块利用所述后置网络模型对所述第一目标域图像、所述第一金标准图像和所述第一位置先验信息图像进行处理，得到所述目标特征对应的分割结果图像的具体方式为：
利用所述第一编码模块对所述第一目标域图像、所述第一金标准图像和所述第一位置先验信息图像进行处理，得到第一中间特征；
利用所述第一解码模块对所述第一中间特征进行处理，得到所述目标特征对应的分割结果图像。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述第一解码模块包括第一解码单元和第二解码单元；
所述第二处理子模块利用所述第一解码模块对所述第一中间特征进行处理，得到所述目标特征对应的分割结果图像的具体方式为：
利用所述第一解码单元对所述第一中间特征进行卷积和上采样，得到第二中间特征；
利用所述第二解码单元对所述第一中间特征和所述第二中间特征进行处理，得到所述目标特征对应的分割结果图像。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述第二编码模块包括至少一个第二编码单元；
所述后置网络模型包括第二编码模块和与所述第二编码模块对应的第二解码模块；
对于任一第二编码单元，该第二编码单元对应唯一一个所述第二解码模块对应的后置解码单元。
本发明第三方面公开了另一种OCT图像中目标特征的分割装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的OCT图像中目标特征的分割方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的OCT图像中目标特征的分割方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，获取第一图像信息；第一图像信息包括待处理OCT图像、待处理OCT图像对应的第一金标准图像和待处理OCT图像对应的目标特征的第一位置先验信息图像；根据第一图像信息，以及预设的神经网络模型，确定出目标特征对应的分割结果图像。可见，本发明能够通过获取包括待处理OCT图像、待处理OCT图像对应的第一金标准图像和待处理OCT图像对应的目标特征的第一位置先验信息图像在内的第一图像信息，并通过神经网络模型对待处理OCT图像的目标特征进行层分割，得到分割结果图像，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种OCT图像中目标特征的分割方法的流程示意图；
图2是本发明实施例公开的第一目标域图像信息元素构成示意图；
图3是本发明实施例公开的另一种OCT图像中目标特征的分割方法的流程示意图；
图4是本发明实施例公开的一种OCT图像中目标特征的分割装置的结构示意图；
图5是本发明实施例公开的另一种OCT图像中目标特征的分割装置的结构示意图；
图6本发明实施例公开的又一种OCT图像中目标特征的分割装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种OCT图像中目标特征的分割方法及装置，能够通过获取包括待处理OCT图像、待处理OCT图像对应的第一金标准图像和待处理OCT图像对应的目标特征的第一位置先验信息图像在内的第一图像信息，并通过神经网络模型对待处理OCT图像的目标特征进行层分割，得到分割结果图像，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种OCT图像中目标特征的分割方法的流程示意图。其中，图1所描述的OCT图像中目标特征的分割方法应用于对断层扫描图像的目标特征分割的图像处理系统中，如用于对OCT图像的视网膜积液分割等，本发明实施例不做限定。如图1所示，该OCT图像中目标特征的分割方法可以包括以下操作：
101、获取第一图像信息。
本发明实施例中，该第一图像信息包括待处理OCT图像、待处理OCT图像对应的第一金标准图像和待处理OCT图像对应的目标特征的第一位置先验信息图像。
102、根据第一图像信息，以及预设的神经网络模型，确定出目标特征对应的分割结果图像。
可选的，该待处理OCT图像对应的目标特征的第一位置先验信息图像包含目标特征的先验信息。具体的该先验信息可以为目标特征的位置信息，也可以为用于定位目标特征的关联特征的位置信息，本发明实施例不做限定。举例来说，当需要对OCT图像中的视网膜积液进行分割处理时，即目标特征为视网膜积液，该视网膜积液位于上下视网膜层之间，可采用上下视网膜层的位置信息作为先验信息。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够通过获取的第一图像信息，以及预设的神经网络模型得到分割了目标特征的OCT图像，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在一个可选的实施例中，上述神经网络模型基于以下方式训练得到：
由训练装置获取训练样本图像集；训练样本图像集包括若干张目标域OCT图像和若干个训练样本，每个训练样本包括源域OCT图像、源域OCT图像对应的第二金标准图像和源域OCT图像对应的目标特征的第二位置先验信息图像；
由训练装置利用M个目标域OCT图像和N个训练样本对预设的前置训练模型进行训练，得到待选前置训练模型；M和N均为正整数；
由训练装置利用L个训练样本和待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型；L为正整数；
由训练装置根据待选前置训练模型和待选后置训练模型，确定出神经网络模型。
本发明实施例中，在利用训练样本图像集训练得到神经网络模型之后，还可利用样本图像验证集和样本图像测试集对上述神经网络模型以验证测试神经网络模型的准确性。
可选的，上述训练样本图像集中的源域OCT图像可以是对同一位置采集的多张OCT图像。进一步的，对于任一源域OCT图像，需要预先处理得到与之相对应的第二金标准图像和目标特征的第二位置先验信息图像。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够利用训练样本图像集对前置训练模型和后置训练模型进行训练，进而得到神经网络模型，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在另一个可选的实施例中，上述由训练装置利用M个目标域OCT图像和N个训练样本对预设的前置训练模型进行训练，得到待选前置训练模型，包括：
由训练装置从M个目标域OCT图像和N个训练样本中任选出一个训练样本和与该训练样本对应的目标域OCT图像，并利用该目标域OCT图像和该训练样本对应的源域OCT图像、前置训练模型和预设的前置损失函数，确定出第一前置损失函数值；
由训练装置判断第一前置损失函数值是否满足第一前置终止条件，得到第一判断结果；
当第一判断结果表示第一前置损失函数值满足第一前置终止条件时，由训练装置确定第一前置损失函数值对应的前置训练模型为待选前置训练模型。
本发明实施例中，由训练装置对前置训练模型进行训练时，每对该前置训练模型进行一次训练，需将目标域OCT图像和源域OCT图像输入到前置训练模型中，得到转目标域风格的OCT图像，即第一目标域图像，并根据前置损失函数确定出第一前置损失函数值，再确定出在给定的约束条件下的最小化第一前置损失函数值，并根据该最小化第一前置损失函数值对前置网络模型的第一权重参数进行更新，以确定出待选前置训练模型。
具体的，训练过程中，利用预设的前置梯度下降优化算法对前置网络参数进行权重参数更新，以确定出新的第一权重参数和第一前置软阈值。
可选的，上述第一前置软阈值包括设定轮次内前置损失函数的下降值。
可选的，在确定出第一前置损失函数值和第一前置软阈值之后，对该第一前置损失函数值进行判别，以确定其是否满足终止训练前置训练模型的第一前置终止条件。
进一步的，该第一前置终止条件可以为第一前置损失函数阈值，或者，第一前置梯度下降阈值，或者，第一前置迭代次数阈值中的一种或多种。
可选的，上述第一前置梯度下降阈值包括设定轮次内前置损失函数的下降阈值。
在该可选的实施例中，作为一种可选的实施方式，当第一前置终止条件为第一前置损失函数阈值时，由训练装置判断第一前置损失函数值是否满足第一前置终止条件，得到第一判断结果具体为：
由训练装置判断第一前置损失函数值是否小于或等于第一前置损失函数阈值；
当第一前置损失函数值小于或等于第一前置损失函数阈值时表示第一前置损失函数值满足第一前置终止条件。
在可选的实施例中，作为另一种可选的实施方式，当第一前置终止条件为第一前置梯度下降阈值时，由训练装置判断第一前置损失函数值是否满足第一前置终止条件，得到第一判断结果具体为：
由训练装置判断第一前置软阈值是否小于或等于第一前置梯度下降阈值；
当第一前置软阈值小于或等于第一前置梯度下降阈值时表示该前置训练模型满足第一前置终止条件。
在可选的实施例中，作为又一种可选的实施方式，当第一前置终止条件为第一前置损失函数阈值和第一前置梯度下降阈值时，由训练装置判断第一前置损失函数值是否满足第一前置终止条件，得到第一判断结果具体为：
由训练装置判断第一前置损失函数值是否小于或等于第一前置损失函数阈值；
由训练装置判断第一前置软阈值是否小于或等于第一前置梯度下降阈值；
当第一前置损失函数值小于或等于第一前置损失函数阈值，且第一前置软阈值小于或等于第一前置梯度下降阈值时表示第一前置损失函数值满足第一前置终止条件。
在可选的实施例中，作为又一种可选的实施方式，当第一前置终止条件为第一前置迭代次数阈值时，由训练装置判断第一前置损失函数值是否满足第一前置终止条件，得到第一判断结果具体为：
由训练装置判断第一前置损失函数值对应的前置迭代次数是否等于第一前置迭代次数阈值；
当第一前置损失函数值对应的前置迭代次数等于第一前置迭代次数阈值时表示第一前置损失函数值满足第一前置终止条件。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够利用目标域OCT图像、训练样本和前置损失函数对前置训练模型进行训练，进而得到待选前置训练模型，为确定出精准有效的神经网络模型提供了一种实现路径，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，上述由训练装置利用该目标域OCT图像和该训练样本对应的源域OCT图像、前置训练模型和预设的前置损失函数，确定出第一前置损失函数值，包括：
由训练装置将该目标域OCT图像和该训练样本对应的源域OCT图像输入前置训练模型进行处理，得到第一目标域图像信息；
由训练装置根据第一目标域图像信息和前置损失函数，计算出第一前置损失函数值。
可选的，上述前置损失函数包括对抗损失函数和循环一致性损失函数。
可选的，上述对抗损失函数LGAN(G,DB,A,B)与源域OCT图像和目标域OCT图像相关，其可表示为：
Figure BDA0003193753260000131
Figure BDA0003193753260000132
Figure BDA0003193753260000133
其中，G为生成器A，A为源域OCT图像，B为目标域OCT图像，EA为源域OCT图像的数据分布的数学期望，EB为目标域OCT图像的数据分布的数学期望，Pdata(A)为源域OCT图像被判别器B判别为源域OCT图像的概率，Pdata(B)为目标域OCT图像被判别器B判别为目标域OCT图像的概率，DB(B)为判别器B。
本发明实施例中，如图2所示，上述第一目标域图像信息包括第一目标域图像、第一源域图像、第一目标域转风格图像、第二目标域转风格图像。具体的，上述第一目标域图像为源域OCT图像(Real A)经生成器A处理后得到的源目OCT图像(Fake A)；上述第一源域图像为源目OCT图像经生成器B处理后得到的源目源OCT图像(Recoved A)；上述第一目标域转风格图像为目标域OCT图像(Real B)经生成器B处理后得到的目源OCT图像(Fake B)；上述第二目标域转风格图像为目源OCT图像经生成器A处理后得到的目源目OCT图像(RecovedB)。可选的，循环一致性损失函数Lcyc(G,F)与第一目标域图像信息相关，其可表示为：
Figure BDA0003193753260000141
其中，F为生成器B，||·||为范数。
可选的，前置损失函数L(G,F,DA,DB)可表示为：
L(G,F,DA,DB)＝LGAN(G,DB,A,B)+LGAN(G,DA,B,A)+λ·Lcyc(G,F)
其中，λ为前置网络总损失的平衡因子，DA为判别器A。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够利用目标域OCT图像、训练样本中的源域OCT图像和前置损失函数确定出第一前置损失函数值，进而有利于确定出待选前置训练模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，上述由训练装置利用L个训练样本和待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型，包括：
由训练装置冻结待选前置训练模型对应的第一权重参数；
由训练装置从L个训练样本中任选出一个训练样本，并将该训练样本对应的源域OCT图像输入待选前置训练模型，确定出第二目标域图像；
由训练装置将第二目标域图像、该训练样本对应的第二金标准图像和该训练样本对应的第二位置先验信息图像输入到后置训练模型进行处理，得到第一待选目标分割图；
由训练装置根据第一待选目标分割图、该训练样本对应的第二金标准图像和预设的后置损失函数，计算出第一后置损失函数值；
由训练装置判断第一后置损失函数值是否满足第一后置终止条件，得到第二判断结果；
当第二判断结果表示第一后置损失函数值满足第一后置终止条件时，由训练装置确定第一后置损失函数值对应的后置训练模型为待选后置训练模型。
本发明实施例中，由训练装置对后置训练模型进行训练时，先冻结待选前置训练模型对应的第一权重参数，再对该后置训练模型进行一次训练，需将目标域OCT图像和源域OCT图像输入到前置训练模型中，输出得到第二目标域图像，再将该第二目标域图像、该训练样本对应的第二金标准图像和该训练样本对应的第二位置先验信息图像输入到后置训练模型进行处理，输出得到第一待选目标分割图，并根据后置损失函数确定出第一后置损失函数值，再确定出在给定的约束条件下的最小化第一后置损失函数值，并根据该最小化第一后置损失函数值对后置网络模型的第二权重参数进行更新，以确定出待选后置训练模型。
具体的，训练过程中，利用预设的后置梯度下降优化算法对后置网络参数进行权重参数更新，以确定出新的第二权重参数和第一后置软阈值。
可选的，上述第一后置软阈值包括设定轮次内后置损失函数的下降值。
可选的，在确定出第一后置损失函数值和第一后置软阈值之后，对该第一后置损失函数值进行判别，以确定其是否满足终止训练后置训练模型的第一后置终止条件。
进一步的，该第一后置终止条件可以为第一后置损失函数阈值，或者，第一后置梯度下降阈值，或者，第一后置迭代次数阈值中的一种或多种。
可选的，上述第一后置梯度下降阈值包括设定轮次内后置损失函数的下降阈值。
在该可选的实施例中，作为一种可选的实施方式，当第一后置终止条件为第一后置损失函数阈值时，由训练装置判断第一后置损失函数值是否满足第一后置终止条件，得到第二判断结果具体为：
由训练装置判断第一后置损失函数值是否小于或等于第一后置损失函数阈值；
当第一后置损失函数值小于或等于第一后置损失函数阈值时表示第一后置损失函数值满足第一后置终止条件。
在可选的实施例中，作为另一种可选的实施方式，当第一后置终止条件为第一后置梯度下降阈值时，由训练装置判断第一后置损失函数值是否满足第一后置终止条件，得到第二判断结果具体为：
由训练装置判断第一后置软阈值是否小于或等于第一后置梯度下降阈值；
当第一后置软阈值小于或等于第一后置梯度下降阈值时表示第一后置损失函数值满足第一后置终止条件。
在可选的实施例中，作为又一种可选的实施方式，当第一后置终止条件为第一后置损失函数阈值和第一后置梯度下降阈值时，由训练装置判断第一后置损失函数值是否满足第一后置终止条件，得到第二判断结果具体为：
由训练装置判断第一后置损失函数值是否小于或等于第一后置损失函数阈值；
由训练装置判断第一后置软阈值是否小于或等于第一后置梯度下降阈值；
当第一后置损失函数值小于或等于第一后置损失函数阈值，且第一后置软阈值小于或等于第一后置梯度下降阈值时表示第一后置损失函数值满足第一后置终止条件。
在可选的实施例中，作为又一种可选的实施方式，当第一后置终止条件为第一后置迭代次数阈值时，由训练装置判断第一后置损失函数值是否满足第一后置终止条件，得到第二判断结果具体为：
由训练装置判断第一后置损失函数值对应的后置迭代次数是否等于第一后置迭代次数阈值；
当第一后置损失函数值对应的后置迭代次数等于第一后置迭代次数阈值时表示第一后置损失函数值满足第一后置终止条件。
可选的，上述后置损失函数可以多类别交叉熵函数，或者，Dice损失函数，本发明实施例不做限定。进一步的，上述第一后置损失函数值与第一待选目标分割图、第二金标准图像相关。举例来说，第一后置损失函数值为第一待选目标分割图与第二金标准图像的差异值。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够在冻结待选前置训练模型的第一权重参数后，利用训练样本对后置训练模型进行训练，进而确定出待选后置训练模型，为确定出精准有效的神经网络模型提供了一种实现路径，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，上述由训练装置根据待选前置训练模型和待选后置训练模型，确定出神经网络模型，包括：
由训练装置利用P个目标域OCT图像和Q个训练样本对待选前置训练模型和待选后置训练模型进行联合训练，确定出神经网络模型；P和Q为正整数。
本发明实施例中，在确定出前置训练模型和待选后置训练模型之后，利用训练样本图像集对前置训练模型和待选后置训练模型进行联合训练，以确定出最终的神经网络模型。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够利用训练样本对待选前置训练模型和待选后置训练模型进行进一步的训练，进而确定出精准有效的神经网络模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，神经网络模型包括前置网络模型和后置网络模型；
上述由训练装置利用P个目标域OCT图像和Q个训练样本对待选前置训练模型和待选后置训练模型进行联合训练，确定出神经网络模型，包括：
由训练装置解冻待选前置训练模型对应的第一权重参数；
由训练装置从P个目标域OCT图像和Q个训练样本中任选出一个训练样本和与该训练样本对应的目标域OCT图像，并利用该目标域OCT图像、该训练样本对应的源域OCT图像、待选前置训练模型和前置损失函数，确定出第三目标域图像和第二前置损失函数值；
由训练装置将第三目标域图像、该训练样本对应的第二金标准图像和该训练样本对应的第二位置先验信息图像输入到待选后置训练模型进行处理，得到第二待选目标分割图；
由训练装置根据第二待选目标分割图、该训练样本对应的第二金标准图像和预设的后置损失函数，计算出第二后置损失函数值；
判断第二前置损失函数值和第二后置损失函数值是否满足联合终止条件，得到第三判断结果；
当第三判断结果表示第二前置损失函数值和第二后置损失函数值满足联合终止条件时，确定第二前置损失函数值对应的待选前置训练模型和第二后置损失函数值对应的待选后置训练模型分别为前置网络模型和后置网络模型。
本发明实施例中，在训练得到待选前置训练模型和待选后置训练模型之后，解冻待选前置训练模型的第一权重参数，再将待选前置训练模型和待选后置训练模型进行联合训练，即每进行一次联合训练，得到一个对应的第一权重参数和第二权重参数，并将该第一权重参数和第二权重参数确定为待选前置训练模型和待选后置训练模型的新权重参数，在联合训练得到待选前置训练模型和待选后置训练模型满足训练终止条件时，将待选前置训练模型和待选后置训练模型确定为神经网络模型的前置网络模型和神经网络模型的后置网络模型。
具体的，训练过程中，利用预设的前置梯度下降优化算法对前置网络参数进行权重参数更新，以确定出新的第一权重参数和第二前置软阈值。
与此同时，利用预设的后置梯度下降优化算法对后置网络参数进行权重参数更新，以确定出新的第二权重参数和第二后置软阈值。
可选的，在联合训练过程中的联合迭代次数为联合训练过程的循环训练次数。
进一步的，判断第二前置损失函数值和第二后置损失函数值是否满足联合终止条件，得到第三判断结果，并根据第三判断结果确定出神经网络模型的前置网络模型和神经网络模型的后置网络模型。
可选的，上述联合终止条件包括第二前置损失函数阈值和第二后置损失函数阈值，或者，第二前置梯度下降阈值和第二后置梯度下降阈值，或者，迭代次数阈值中的一种或多种。进一步，满足联合终止条件的情形包括：当第二前置损失函数值小于或等于第二前置损失函数阈值且第二后置损失函数值小于或等于第二后置损失函数阈值时，和/或，第二前置软阈值小于或等于第二前置梯度下降阈值且第二后置软阈值小于或等于第二后置梯度下降阈值时，和/或，联合迭代次数等于迭代次数阈值时中的一种或多种，本发明实施例不做限定。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够利用训练样本对待选前置训练模型和待选后置训练模型进行进一步的训练，进而确定出精准有效的神经网络模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
实施例二
请参阅图3，图3是本发明实施例公开的另一种OCT图像中目标特征的分割方法的流程示意图。其中，图3所描述的OCT图像中目标特征的分割方法应用于对断层扫描图像的目标特征分割的图像处理系统中，如用于对OCT图像的视网膜积液分割等，本发明实施例不做限定。如图3所示，该OCT图像中目标特征的分割方法可以包括以下操作：
201、获取第一图像信息。
本发明实施例中，神经网络模型包括前置网络模型和后置网络模型。
202、利用前置网络模型对待处理OCT图像进行处理，得到第一目标域图像。
203、利用后置网络模型对第一目标域图像、第一金标准图像和第一位置先验信息图像进行处理，得到目标特征对应的分割结果图像。
本发明实施例中，针对步骤201的具体技术细节和技术名词解释，可以参照实施例一中针对步骤101的详细描述，本发明实施例不再赘述。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够通过获取的第一图像信息，利用神经网络的前置网络模型对第一图像信息中的待处理OCT图像进行处理，再利用神经网络的后置网络模型对图形做进一步的处理，以得到分割了目标特征的OCT图像，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在一个可选的实施例中，第一图像信息还包括待处理OCT图像对应的图像尺寸信息；
上述步骤202之前，上述OCT图像中目标特征的分割还包括：
根据图像尺寸信息，确定出神经网络模型对应的结构单元数量信息；结构单元数量信息包括前置网络模型对应的前置残差模块的数量，和/或，后置网络模型对应的第二编码单元的数量。
本发明实施例中，上述图像尺寸信息包括待处理OCT图像的大小信息。根据该图像尺寸信息可确定出前置网络模型中的残差模块的数量。进一步的，上述前置网络模型的结构为全卷积网络，前置网络模型的输入和输出的图像尺寸大小是相同的。
在该可选的实施例中，作为一种可选的实施方式，当图像尺寸信息为256*256或者更大的尺寸时，确定前置网络模型中的残差模块的数量为9个。
在该可选的实施例中，作为另一种可选的实施方式当图像尺寸信息为128*128或者更小的尺寸时，确定前置网络模型中的残差模块的数量为6个。
可选的，当后置网络模型的结构为全卷积网络，后置网络模型的输入和输出的图像尺寸大小是相同的。根据该图像尺寸信息可确定出后置网络模型的第二编码单元的数量。
可选的，后置网络模型的第二编码单元的数量与图像尺寸信息中的尺寸大小正相关。
在该可选的实施例中，作为又一种可选的实施方式，当图像尺寸信息为256*256或者更大的尺寸时，确定后置网络模型的第二编码单元的数量为6。
在该可选的实施例中，作为又一种可选的实施方式，当图像尺寸信息为128*128或者更小的尺寸时，确定后置网络模型的第二编码单元的数量为4。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够利用图像尺寸信息确定出前置网络模型和后置网络模型的结构单元数量，进而可根据不同大小的待处理OCT图像进行个性化处理，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在另一个可选的实施例中，后置网络模型包括第一编码模块和第一解码模块；
上述步骤203中利用后置网络模型对第一目标域图像、第一金标准图像和第一位置先验信息图像进行处理，得到目标特征对应的分割结果图像，包括：
利用第一编码模块对第一目标域图像、第一金标准图像和第一位置先验信息图像进行处理，得到第一中间特征；
利用第一解码模块对第一中间特征进行处理，得到目标特征对应的分割结果图像。
本发明实施例中，第一编码模块包括多尺度模块、多个后置残差模块。进一步的，上述后置残差模块可以是由多种类型的卷积单元构成的。可选的，上述后置残差模块至少包括2种类型的残差模块。
可选的，上述多尺度模块和后置残差模块均可以处理得到第一中间特征。举例来说，将第一目标域图像、第一金标准图像和第一位置先验信息图像输入多尺度模块中，通过提取图像的多尺度特征，以得到多尺度模块对应的第一中间特征，并由3个复合后置残差模块处理得到3个不同的第一复合后置残差模块对应的第一中间特征，上述第一复合后置残差模块包括1个第一后置残差模块和2个第二后置残差模块，且第一后置残差模块在第二后置残差模块之前对数据进行处理。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够根据后置网络模型中独特的编解码结构对OCT图像进行更精准的处理，以得到更为精确的目标特征对应的分割结果图像，以利于得到高性能的神经网络模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，第一解码模块包括第一解码单元和第二解码单元；
上述利用第一解码模块对第一中间特征进行处理，得到目标特征对应的分割结果图像，包括：
利用第一解码单元对第一中间特征进行卷积和上采样，得到第二中间特征；
利用第二解码单元对第一中间特征和第二中间特征进行处理，得到目标特征对应的分割结果图像。
本发明实施例中，第一解码单元包括1个可用的网络结构、1个残差模块和1个上采样层。
可选的，第二解码单元包括多个不同的第二复合后置残差模块。进一步的，每个第二复合后置残差模块包括1个连接层、2个第二后置残差模块和1个上采样层。
可选的，每个第二复合后置残差模块对第一编码模块产生的第一中间特征和第一解码模块产生的第二中间特征进行处理。具体的连接层对第一中间特征和第二中间特征进行拼接融合。
可选的，第二解码单元对第一编码模块的数据进行卷积和上采样，以恢复图像各层级的分辨率大小。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够通过卷积和上采样等操作对第一中间特征进行处理，并通过对第一中间特征和第二中间特征的进一步处理以得到目标特征对应的分割结果图像，以利于得到高性能的神经网络模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，上述第二编码模块包括至少一个第二编码单元；
后置网络模型包括第二编码模块和与第二编码模块对应的第二解码模块；
对于任一第二编码单元，该第二编码单元对应唯一一个第二解码模块对应的后置解码单元。
本发明实施例中，当后置网络模型为全卷积网络时，后置网络模型包括至少一个第二编码单元和与第二编码模块对应的后置解码单元。进一步的，第二编码单元的数量为第二编码模块中第二编码单元的层级数，后置网络模型的输入对应于第一层级的第二编码单元。
可选的，下一层级的第二编码模块中的第二编码单元的数量小于上一层的第二编码模块中的第二编码单元的数量。举例来说，当后置网络模型的第二编码模块包括3层级的第二编码单元，当第一层级的第二编码单元有4个第二编码层，第二层级的有3个第二编码层，第三层级的则只有2个第二编码层，解码单元也对应有3层级，每层级均只有1个第二解码层。
可选的，每个层级的第二解码模块对应于唯一一个后置解码单元。进一步，上述后置解码单元为第二解码层。
可选的，上一层的第二编码单元中的第二编码层与下一层级的第二编码单元中的第二编码层通过下采样单元相连接。进一步的，下采样单元可以为步幅为2的卷积或最大池化层或平均池化层。
可选的，上一层的第二解码模块中的第二解码层与下一层级的第二解码模块中的第二解码层通过上采样单元相连接。进一步的，上采样单元可以为步幅为2的反卷积或上采样层。
可选的，同一层级的第二编码层与第二解码层间可以带有短连接。
可选的，每个第二编码层或者第二解码层由若干个卷积单元组成。进一步的，每个卷积单元中依次包含3x3或5x5卷积核大小的卷积层、归一化层、激活层。
可选的，上述归一化层可以为批归一化层，或者，实例归一化层，或者，空缺，本发明实施例不做限定。
可选的，上述激活层可以为ReLe，或者，ReLe的变种(PReLU或者LeakyReLU)，本发明实施例不做限定。
可选的，两个或多个卷积单元中也可带有有助于梯度传播的短连接，上述短连接可使神经网络更容易训练。
可见，实施本发明实施例所描述的OCT图像中目标特征的分割方法能够提供包括不同若干编解码单元的编解码模块，可提高对OCT图像的处理质量，以利于得到高性能的神经网络模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
实施例三
请参阅图4，图4是本发明实施例公开的一种OCT图像中目标特征的分割装置的结构示意图。其中，图4所描述的装置应用于对断层扫描图像的目标特征分割的图像处理系统中，如用于对OCT图像的视网膜积液分割等，本发明实施例不做限定。如图4所示，该装置可以包括：
获取模块301，用于获取第一图像信息；第一图像信息包括待处理OCT图像、待处理OCT图像对应的第一金标准图像和待处理OCT图像对应的目标特征的第一位置先验信息图像；
第一确定模块302，用于根据第一图像信息，以及预设的神经网络模型，确定出目标特征对应的分割结果图像。
可见，实施图4所描述的OCT图像中目标特征的分割装置能够通过获取的第一图像信息，以及预设的神经网络模型得到分割了目标特征的OCT图像，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在另一个可选的实施例中，如图5所示，装置还包括：
训练模块303，用于执行以下步骤以训练得到神经网络模型：
获取训练样本图像集；训练样本图像集包括若干张目标域OCT图像和若干个训练样本，每个训练样本包括源域OCT图像、源域OCT图像对应的第二金标准图像和源域OCT图像对应的目标特征的第二位置先验信息图像；
利用M个目标域OCT图像和N个训练样本对预设的前置训练模型进行训练，得到待选前置训练模型；M和N均为正整数；
利用L个训练样本和待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型；L为正整数；
根据待选前置训练模型和待选后置训练模型，确定出神经网络模型。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够利用训练样本图像集对前置训练模型和后置训练模型进行训练，进而得到神经网络模型，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图5所示，训练模块303利用M个目标域OCT图像和N个训练样本对预设的前置训练模型进行训练，得到待选前置训练模型的具体方式为：
从M个目标域OCT图像和N个训练样本中任选出一个训练样本和与该训练样本对应的目标域OCT图像，并利用该目标域OCT图像和该训练样本对应的源域OCT图像、前置训练模型和预设的前置损失函数，确定出第一前置损失函数值；
判断第一前置损失函数值是否满足第一前置终止条件，得到第一判断结果；
当第一判断结果表示第一前置损失函数值满足第一前置终止条件时，确定第一前置损失函数值对应的前置训练模型为待选前置训练模型。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够利用目标域OCT图像、训练样本和前置损失函数对前置训练模型进行训练，进而得到待选前置训练模型，为确定出精准有效的神经网络模型提供了一种实现路径，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图5所示，训练模块303利用该目标域OCT图像和该训练样本对应的源域OCT图像、前置训练模型和预设的前置损失函数，确定出第一前置损失函数值的具体方式为：
将该目标域OCT图像和该训练样本对应的源域OCT图像输入前置训练模型进行处理，得到第一目标域图像信息；
根据第一目标域图像信息和前置损失函数，计算出第一前置损失函数值。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够利用目标域OCT图像、训练样本中的源域OCT图像和前置损失函数确定出第一前置损失函数值，进而有利于确定出待选前置训练模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图5所示，训练模块303利用L个训练样本和待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型的具体方式为：
冻结待选前置训练模型对应的第一权重参数；
从L个训练样本中任选出一个训练样本，并将该训练样本对应的源域OCT图像输入待选前置训练模型，确定出第二目标域图像；
将第二目标域图像、该训练样本对应的第二金标准图像和该训练样本对应的第二位置先验信息图像输入到后置训练模型进行处理，得到第一待选目标分割图；
根据第一待选目标分割图、该训练样本对应的第二金标准图像和预设的后置损失函数，计算出第一后置损失函数值；
判断第一后置损失函数值是否满足第一后置终止条件，得到第二判断结果；
当第二判断结果表示第一后置损失函数值满足第一后置终止条件时，确定第一后置损失函数值对应的后置训练模型为待选后置训练模型。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够在冻结待选后置训练模型的第一权重参数后，利用训练样本对后置训练模型进行训练，进而确定出待选后置训练模型，为确定出精准有效的神经网络模型提供了一种实现路径，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图5所示，训练模块303根据待选前置训练模型和待选后置训练模型，确定出神经网络模型的具体方式为：
利用P个目标域OCT图像和Q个训练样本对待选前置训练模型和待选后置训练模型进行联合训练，确定出神经网络模型；P和Q为正整数。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够利用训练样本对待选前置训练模型和待选后置训练模型进行进一步的训练，进而确定出精准有效的神经网络模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图5所示，神经网络模型包括前置网络模型和后置网络模型；
第一确定模块302包括第一处理子模块3021和第二处理子模块3022，其中：
第一处理子模块3021，用于利用前置网络模型对待处理OCT图像进行处理，得到第一目标域图像；
第二处理子模块3022，用于利用后置网络模型对第一目标域图像、第一金标准图像和第一位置先验信息图像进行处理，得到目标特征对应的分割结果图像。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够通过获取的第一图像信息，利用神经网络的前置网络模型对第一图像信息中的待处理OCT图像进行处理，再利用神经网络的后置网络模型对图形做进一步的处理，以得到分割了目标特征的OCT图像，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图5所示，第一图像信息还包括待处理OCT图像对应的图像尺寸信息；
装置还包括：
第二确定模块304，用于在第一处理子模块3021利用前置网络模型对待处理OCT图像进行处理，得到第一目标域图像之前，根据图像尺寸信息，确定出神经网络模型对应的结构单元数量信息；结构单元数量信息包括前置网络模型对应的前置残差模块的数量，和/或，后置网络模型对应的第二编码单元的数量。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够利用图像尺寸信息确定出前置网络模型和后置网络模型的结构单元数量，进而可根据不同大小的待处理OCT图像进行个性化处理，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图5所示，神经网络模型包括前置网络模型和后置网络模型；
训练模块303利用P个目标域OCT图像和Q个训练样本对待选前置训练模型和待选后置训练模型进行联合训练，确定出神经网络模型的具体方式为：
解冻待选前置训练模型对应的第一权重参数；
从P个目标域OCT图像和Q个训练样本中任选出一个训练样本和与该训练样本对应的目标域OCT图像，并利用该目标域OCT图像、该训练样本对应的源域OCT图像、待选前置训练模型和前置损失函数，确定出第三目标域图像和第二前置损失函数值；
将第三目标域图像、该训练样本对应的第二金标准图像和该训练样本对应的第二位置先验信息图像输入到待选后置训练模型进行处理，得到第二待选目标分割图；
根据第二待选目标分割图、该训练样本对应的第二金标准图像和预设的后置损失函数，计算出第二后置损失函数值；
判断第二前置损失函数值和第二后置损失函数值是否满足联合终止条件，得到第三判断结果；
当第三判断结果表示第二前置损失函数值和第二后置损失函数值满足联合终止条件时，确定第二前置损失函数值对应的待选前置训练模型和第二后置损失函数值对应的待选后置训练模型分别为前置网络模型和后置网络模型。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够利用训练样本对待选前置训练模型和待选后置训练模型进行进一步的训练，进而确定出精准有效的神经网络模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图5所示，后置网络模型包括第一编码模块和第一解码模块；
第二处理子模块3022利用后置网络模型对第一目标域图像、第一金标准图像和第一位置先验信息图像进行处理，得到目标特征对应的分割结果图像的具体方式为：
利用第一编码模块对第一目标域图像、第一金标准图像和第一位置先验信息图像进行处理，得到第一中间特征；
利用第一解码模块对第一中间特征进行处理，得到目标特征对应的分割结果图像。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够根据后置网络模型中独特的编解码结构对OCT图像进行更精准的处理，以得到更为精确的目标特征对应的分割结果图像，以利于得到高性能的神经网络模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图5所示，第一解码模块包括第一解码单元和第二解码单元；
第二处理子模块3022利用第一解码模块对第一中间特征进行处理，得到目标特征对应的分割结果图像的具体方式为：
利用第一解码单元对第一中间特征进行卷积和上采样，得到第二中间特征；
利用第二解码单元对第一中间特征和第二中间特征进行处理，得到目标特征对应的分割结果图像。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够通过卷积和上采样等操作对第一中间特征进行处理，并通过对第一中间特征和第二中间特征的进一步处理以得到目标特征对应的分割结果图像，以利于得到高性能的神经网络模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
在又一个可选的实施例中，如图5所示，第二编码模块包括至少一个第二编码单元；
后置网络模型包括第二编码模块和与第二编码模块对应的第二解码模块；
对于任一第二编码单元，该第二编码单元对应唯一一个第二解码模块对应的后置解码单元。
可见，实施图5所描述的OCT图像中目标特征的分割装置能够提供包括不同若干编解码单元的编解码模块，可提高对OCT图像的处理质量，以利于得到高性能的神经网络模型，更有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。
实施例四
请参阅图6，图6是本发明实施例公开的又一种OCT图像中目标特征的分割装置的结构示意图。其中，图6所描述的装置能够通过获取的OCT图像，以及预设的神经网络模型得到分割了视网膜积液层的OCT图像，有利于提升对OCT图像中目标特征的分割精度，进而提升眼底疾病的诊断设备的诊断准度和诊断效率。如图6所示，该装置可以包括：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，用于执行实施例一或实施例二所描述的OCT图像中目标特征的分割方法中的步骤。
实施例五
本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的OCT图像中目标特征的分割方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二所描述的OCT图像中目标特征的分割方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种OCT图像中目标特征的分割方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种OCT图像中目标特征的分割方法，其特征在于，所述方法包括：
获取第一图像信息；所述第一图像信息包括待处理OCT图像、所述待处理OCT图像对应的第一金标准图像和所述待处理OCT图像对应的目标特征的第一位置先验信息图像；
根据所述第一图像信息，以及预设的神经网络模型，确定出所述目标特征对应的分割结果图像。
2.根据权利要求1所述的OCT图像中目标特征的分割方法，其特征在于，所述神经网络模型基于以下方式训练得到：
由训练装置获取训练样本图像集；所述训练样本图像集包括若干张目标域OCT图像和若干个训练样本，每个所述训练样本包括源域OCT图像、所述源域OCT图像对应的第二金标准图像和所述源域OCT图像对应的目标特征的第二位置先验信息图像；
由所述训练装置利用M个所述目标域OCT图像和N个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型；所述M和所述N均为正整数；
由所述训练装置利用L个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型；所述L为正整数；
由所述训练装置根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型。
3.根据权利要求2所述的OCT图像中目标特征的分割方法，其特征在于，所述由所述训练装置利用M个所述目标域OCT图像和N个所述训练样本对预设的前置训练模型进行训练，得到待选前置训练模型，包括：
由所述训练装置从M个所述目标域OCT图像和N个所述训练样本中任选出一个所述训练样本和与该训练样本对应的目标域OCT图像，并利用该目标域OCT图像和该训练样本对应的源域OCT图像、前置训练模型和预设的前置损失函数，确定出第一前置损失函数值；
由所述训练装置判断所述第一前置损失函数值是否满足第一前置终止条件，得到第一判断结果；
当所述第一判断结果表示所述第一前置损失函数值满足第一前置终止条件时，由所述训练装置确定所述第一前置损失函数值对应的前置训练模型为待选前置训练模型。
4.根据权利要求3所述的OCT图像中目标特征的分割方法，其特征在于，所述由所述训练装置利用该目标域OCT图像和该训练样本对应的源域OCT图像、前置训练模型和预设的前置损失函数，确定出第一前置损失函数值，包括：
由所述训练装置将该目标域OCT图像和该训练样本对应的源域OCT图像输入前置训练模型进行处理，得到第一目标域图像信息；
由所述训练装置根据所述第一目标域图像信息和所述前置损失函数，计算出所述第一前置损失函数值。
5.根据权利要求3所述的OCT图像中目标特征的分割方法，其特征在于，所述由所述训练装置利用L个所述训练样本和所述待选前置训练模型对预设的后置训练模型进行训练，得到待选后置训练模型，包括：
由所述训练装置冻结所述待选前置训练模型对应的第一权重参数；
由所述训练装置从L个所述训练样本中任选出一个训练样本，并将该训练样本对应的源域OCT图像输入所述待选前置训练模型，确定出第二目标域图像；
由所述训练装置将所述第二目标域图像、该训练样本对应的第二金标准图像和该训练样本对应的第二位置先验信息图像输入到后置训练模型进行处理，得到第一待选目标分割图；
由所述训练装置根据所述第一待选目标分割图、该训练样本对应的第二金标准图像和预设的后置损失函数，计算出第一后置损失函数值；
由所述训练装置判断所述第一后置损失函数值是否满足第一后置终止条件，得到第二判断结果；
当所述第二判断结果表示所述第一后置损失函数值满足第一后置终止条件时，由所述训练装置确定所述第一后置损失函数值对应的后置训练模型为待选后置训练模型。
6.根据权利要求5所述的OCT图像中目标特征的分割方法，其特征在于，所述由所述训练装置根据所述待选前置训练模型和所述待选后置训练模型，确定出所述神经网络模型，包括：
由训练装置利用P个所述目标域OCT图像和Q个所述训练样本对所述待选前置训练模型和所述待选后置训练模型进行联合训练，确定出所述神经网络模型；所述P和所述Q为正整数。
7.根据权利要求1所述的OCT图像中目标特征的分割方法，其特征在于，所述神经网络模型包括前置网络模型和后置网络模型；
所述根据所述第一图像信息，以及预设的神经网络模型，确定出所述目标特征对应的分割结果图像，包括：
利用所述前置网络模型对所述待处理OCT图像进行处理，得到第一目标域图像；
利用所述后置网络模型对所述第一目标域图像、所述第一金标准图像和所述第一位置先验信息图像进行处理，得到所述目标特征对应的分割结果图像。
8.根据权利要求7所述的OCT图像中目标特征的分割方法，其特征在于，所述第一图像信息还包括所述待处理OCT图像对应的图像尺寸信息；
在所述利用所述前置网络模型对所述待处理OCT图像进行处理，得到第一目标域图像之前，所述方法还包括：
根据所述图像尺寸信息，确定出所述神经网络模型对应的结构单元数量信息；所述结构单元数量信息包括所述前置网络模型对应的前置残差模块的数量，和/或，所述后置网络模型对应的第二编码单元的数量。
9.一种OCT图像中目标特征的分割装置，其特征在于，所述装置包括：
获取模块，用于获取第一图像信息；所述第一图像信息包括待处理OCT图像、所述待处理OCT图像对应的第一金标准图像和所述待处理OCT图像对应的目标特征的第一位置先验信息图像；
第一确定模块，用于根据所述第一图像信息，以及预设的神经网络模型，确定出所述目标特征对应的分割结果图像。
10.一种OCT图像中目标特征的分割装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-8任一项所述的OCT图像中目标特征的分割方法。
CN202110885125.7A 2021-08-03 2021-08-03 应用于oct图像中目标特征分割的模型训练方法及装置 Active CN113724203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110885125.7A CN113724203B (zh) 2021-08-03 2021-08-03 应用于oct图像中目标特征分割的模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110885125.7A CN113724203B (zh) 2021-08-03 2021-08-03 应用于oct图像中目标特征分割的模型训练方法及装置

Publications (2)

Publication Number Publication Date
CN113724203A true CN113724203A (zh) 2021-11-30
CN113724203B CN113724203B (zh) 2024-04-23

Family

ID=78674721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110885125.7A Active CN113724203B (zh) 2021-08-03 2021-08-03 应用于oct图像中目标特征分割的模型训练方法及装置

Country Status (1)

Country Link
CN (1) CN113724203B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565586A (zh) * 2022-03-02 2022-05-31 小荷医疗器械(海南)有限公司 息肉分割模型的训练方法、息肉分割方法及相关装置
CN115984949A (zh) * 2023-03-21 2023-04-18 威海职业学院(威海市技术学院) 一种带有注意力机制的低质量人脸图像识别方法及设备
CN116616727A (zh) * 2023-06-06 2023-08-22 湖南敬凯投资管理有限公司 一种脉搏定位、采集、分析方法及装置

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120075638A1 (en) * 2010-08-02 2012-03-29 Case Western Reserve University Segmentation and quantification for intravascular optical coherence tomography images
CN102760236A (zh) * 2012-03-20 2012-10-31 苏州迪凯尔医疗科技有限公司 基于组合稀疏模型的先验形状建模方法
CN106846338A (zh) * 2017-02-09 2017-06-13 苏州大学 基于混合模型的视网膜oct图像视乳头结构分割方法
CN109472781A (zh) * 2018-10-29 2019-03-15 电子科技大学 一种基于串行结构分割的糖尿病视网膜病变检测系统
CN109493317A (zh) * 2018-09-25 2019-03-19 哈尔滨理工大学 基于级联卷积神经网络的3d多椎骨分割方法
US20190130220A1 (en) * 2017-10-27 2019-05-02 GM Global Technology Operations LLC Domain adaptation via class-balanced self-training with spatial priors
CN109934832A (zh) * 2019-03-25 2019-06-25 北京理工大学 基于深度学习的肝脏肿瘤分割方法及装置
CN111028242A (zh) * 2019-11-27 2020-04-17 中国科学院深圳先进技术研究院 一种肿瘤自动分割系统、方法及电子设备
US20200134815A1 (en) * 2018-10-30 2020-04-30 Diagnocat, Inc. System and Method for an Automated Parsing Pipeline for Anatomical Localization and Condition Classification
CN111199550A (zh) * 2020-04-09 2020-05-26 腾讯科技（深圳）有限公司 图像分割网络的训练方法、分割方法、装置和存储介质
US20200372301A1 (en) * 2019-05-21 2020-11-26 Retrace Labs Adversarial Defense Platform For Automated Dental Image Classification
CN112150469A (zh) * 2020-09-18 2020-12-29 上海交通大学 一种基于无监督领域自适应的激光散斑衬比图像分割方法
CN112200889A (zh) * 2020-10-30 2021-01-08 上海商汤智能科技有限公司 样本图像生成、图像处理、智能行驶控制方法及装置
CN112614144A (zh) * 2020-12-30 2021-04-06 深圳市联影高端医疗装备创新研究院 一种图像分割方法、装置、设备及存储介质
CN112991353A (zh) * 2021-03-12 2021-06-18 北京航空航天大学 一种跨域遥感图像的无监督语义分割方法
CN113096137A (zh) * 2021-04-08 2021-07-09 济南大学 一种oct视网膜图像领域适应分割方法及系统
CN113538277A (zh) * 2021-07-16 2021-10-22 唯智医疗科技(佛山)有限公司 一种基于神经网络的断层扫描图降噪方法及装置

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120075638A1 (en) * 2010-08-02 2012-03-29 Case Western Reserve University Segmentation and quantification for intravascular optical coherence tomography images
CN102760236A (zh) * 2012-03-20 2012-10-31 苏州迪凯尔医疗科技有限公司 基于组合稀疏模型的先验形状建模方法
CN106846338A (zh) * 2017-02-09 2017-06-13 苏州大学 基于混合模型的视网膜oct图像视乳头结构分割方法
US20190130220A1 (en) * 2017-10-27 2019-05-02 GM Global Technology Operations LLC Domain adaptation via class-balanced self-training with spatial priors
CN109493317A (zh) * 2018-09-25 2019-03-19 哈尔滨理工大学 基于级联卷积神经网络的3d多椎骨分割方法
CN109472781A (zh) * 2018-10-29 2019-03-15 电子科技大学 一种基于串行结构分割的糖尿病视网膜病变检测系统
US20200134815A1 (en) * 2018-10-30 2020-04-30 Diagnocat, Inc. System and Method for an Automated Parsing Pipeline for Anatomical Localization and Condition Classification
CN109934832A (zh) * 2019-03-25 2019-06-25 北京理工大学 基于深度学习的肝脏肿瘤分割方法及装置
US20200372301A1 (en) * 2019-05-21 2020-11-26 Retrace Labs Adversarial Defense Platform For Automated Dental Image Classification
CN111028242A (zh) * 2019-11-27 2020-04-17 中国科学院深圳先进技术研究院 一种肿瘤自动分割系统、方法及电子设备
CN111199550A (zh) * 2020-04-09 2020-05-26 腾讯科技（深圳）有限公司 图像分割网络的训练方法、分割方法、装置和存储介质
CN112150469A (zh) * 2020-09-18 2020-12-29 上海交通大学 一种基于无监督领域自适应的激光散斑衬比图像分割方法
CN112200889A (zh) * 2020-10-30 2021-01-08 上海商汤智能科技有限公司 样本图像生成、图像处理、智能行驶控制方法及装置
CN112614144A (zh) * 2020-12-30 2021-04-06 深圳市联影高端医疗装备创新研究院 一种图像分割方法、装置、设备及存储介质
CN112991353A (zh) * 2021-03-12 2021-06-18 北京航空航天大学 一种跨域遥感图像的无监督语义分割方法
CN113096137A (zh) * 2021-04-08 2021-07-09 济南大学 一种oct视网膜图像领域适应分割方法及系统
CN113538277A (zh) * 2021-07-16 2021-10-22 唯智医疗科技(佛山)有限公司 一种基于神经网络的断层扫描图降噪方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
DA MA等: "Cascade Dual-branch Deep Neural Networks for Retinal Layer and fluid Segmentation of Optical Coherence Tomography Incorporating Relative Positional Map", 《MEDICAL IMAGING WITH DEEP LEARNING》, 31 December 2020 (2020-12-31), pages 493 - 502 *
LING ZHANG等: "Generalizing Deep Learning for Medical Image Segmentation to Unseen Domains via Deep Stacked Transformation", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 39, no. 7, 12 February 2020 (2020-02-12), pages 2531 - 2540, XP011796127, DOI: 10.1109/TMI.2020.2973595 *
PHILIPP SEEBOCK等: "Using Cyclegans for Effectively Reducing Image Variability Across OCT Devices and Improving Retinal Fluid Segmentation", 《2019 IEEE 16TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2019)》, 11 July 2019 (2019-07-11), pages 605 - 609 *
吴敬红: "OCT视网膜图像分类与分割算法研究", 《中国优秀硕士学位论文全文数据库：医药卫生科技辑》, no. 2020, 15 August 2020 (2020-08-15), pages 073 - 73 *
戴百生: "基于彩色视网膜图像的眼底病相关目标检测方法研究", 《中国博士学位论文全文数据库：医药卫生科技辑》, no. 2018, 15 January 2018 (2018-01-15), pages 073 - 8 *
朱其奎: "基于智能化理论的医学数据分割与诊断算法研究", 《中国博士学位论文全文数据库：医药卫生科技辑》, no. 2021, 15 March 2021 (2021-03-15), pages 054 - 2 *
林浩辉等: "基于双摄像机瞳孔距离定位研究", 《仪器仪表用户》, vol. 27, no. 11, 10 November 2020 (2020-11-10), pages 8 - 12 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565586A (zh) * 2022-03-02 2022-05-31 小荷医疗器械(海南)有限公司 息肉分割模型的训练方法、息肉分割方法及相关装置
CN114565586B (zh) * 2022-03-02 2023-05-30 小荷医疗器械(海南)有限公司 息肉分割模型的训练方法、息肉分割方法及相关装置
CN115984949A (zh) * 2023-03-21 2023-04-18 威海职业学院(威海市技术学院) 一种带有注意力机制的低质量人脸图像识别方法及设备
CN116616727A (zh) * 2023-06-06 2023-08-22 湖南敬凯投资管理有限公司 一种脉搏定位、采集、分析方法及装置

Also Published As

Publication number Publication date
CN113724203B (zh) 2024-04-23

Similar Documents

Publication Publication Date Title
CN109584254B (zh) 一种基于深层全卷积神经网络的心脏左心室分割方法
CN113724203A (zh) 一种oct图像中目标特征的分割方法及装置
Balakrishna et al. Automatic detection of lumen and media in the IVUS images using U-Net with VGG16 Encoder
CN111784671A (zh) 基于多尺度深度学习的病理图像病灶区域检测方法
CN110706246A (zh) 一种血管图像分割方法、装置、电子设备和存储介质
CN113538277B (zh) 一种基于神经网络的断层扫描图降噪方法及装置
CN109767448B (zh) 分割模型训练方法及装置
CN112308846B (zh) 血管分割方法、装置及电子设备
CN111369574B (zh) 一种胸腔器官的分割方法及装置
CN110074809B (zh) Ct图像的肝静脉压力梯度分类方法以及计算机设备
CN113674291B (zh) 一种全类型主动脉夹层真假腔图像分割方法及系统
CN112949654A (zh) 图像检测方法及相关装置、设备
CN110853048A (zh) 基于粗、精训练的mri图像分割方法、装置和存储介质
CN112529918A (zh) 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN106504199B (zh) 一种眼底图像增强方法及系统
EP4442196A1 (en) Cirrhotic portal hypertension diagnosing method, apparatus, device, and medium
CN114693671A (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN112651960B (zh) 一种图像处理方法、装置、设备及存储介质
CN116862930B (zh) 适用于多模态的脑血管分割方法、装置、设备和存储介质
CN116740076B (zh) 视网膜色素变性眼底图像中色素分割的网络模型设计方法
CN115359046B (zh) 一种脏器血管分割方法、装置、存储介质及电子设备
US20240062047A1 (en) Mri reconstruction based on generative models
US20240312008A1 (en) Automatic method for segmentation of a thrombus and a lesion in a three-dimensional brain image
CN116580187A (zh) 基于人工智能的膝关节图像分割方法、装置及电子设备
CN116228781A (zh) 冠脉血管分割方法、装置、电子设备及存储介质

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