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

本发明专利技术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。本发明专利技术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。

An improved segmentation model of DME edema area based on Neural Network

【技术实现步骤摘要】
一种改进的DME水肿区域神经网络分割模型的构建方法
本专利技术属于DME水肿区域神经网络分割模型构建
，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。
技术介绍
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。
技术实现思路
针对现有技术存在的问题，本专利技术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。本专利技术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。本专利技术是这样实现的，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：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：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，所述通本文档来自技高网...

【技术保护点】
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：/n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；/n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；/n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；/n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；/n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。/n

【技术特征摘要】
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。


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，步骤一中，所述基于小波变换的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：
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：



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：



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。


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，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：
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。


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：



式中，r为膨胀系数；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；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。


5.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...

【专利技术属性】
技术研发人员：王振华，钟元芾，蒋沁，李超鹏，颜标，李秀苗，姚牧笛，
申请(专利权)人：上海海洋大学，南京医科大学眼科医院，
类型：发明
国别省市：上海;31