基于CAS-Net的OCT图像视网膜脱离和劈裂自动分割方法技术

本发明专利技术公开了一种基于CAS

【技术实现步骤摘要】
基于CAS
‑
Net的OCT图像视网膜脱离和劈裂自动分割方法


[0001]本专利技术涉及OCT图像分割
，特别涉及一种基于CAS
‑
Net的OCT图像视网膜脱离和劈裂自动分割方法。

技术介绍

[0002]近视可引起许多的视网膜病理变化，如黄斑孔、脉络膜新生血管、视网膜萎缩、视网膜脱离(Retinal Detachment，RD)和视网膜劈裂(Retinoschisis，RS)。RD和RS是高度近视中最常见的并发症。对于高度近视患者，视网膜黄斑区域的RD和RS严重损害了视觉功能。光学相干断层成像(Optical Coherence Tomography,OCT)可以清晰显示RD和RS的截面，并且是非侵入式的。
[0003]视网膜劈裂以视网膜神经上皮层分裂为特征。根据它发生在视网膜层的位置，视网膜劈裂可分为外层劈裂(Outer Retinoschisis，ORS)、中层劈裂(Middle Retinoschisis，MRS)和内层劈裂(Inner Retinoschisis，IRS)。视网膜脱离是指视网膜神经上皮层和视网膜色素上皮的分离。RS通常发生在早期阶段。随着疾病的发展，将发生更多的RS并且区域将变大。再更进一步，将会发生RD，一旦发生RD，就需要进行手术治疗。RD、ORS、MRS和IRS的定量对于病理性近视的诊断、分期、管理和术后评估具有重要意义。然而，OCT图像中RD、ORS、MRS和IRS的分割面临着一些挑战：(1)类别分布不均匀，因为在一张OCT图像，不是所有类别都一定出现，(2)目标区域变化较大，一些很小，一些在OCT图像中具有很大的跨度，并且(3)不同种类目标的形状和亮度具有相似性。到目前为止还没有人实现OCT图像中视网膜脱离、外层劈裂、中层劈裂和内层劈裂的全自动分割。
[0004]随着卷积神经网络(Convolutional Neural Network，CNN)的兴起，它已被越来越多的用于OCT图像中病灶区域分割任务。其出色的特征提取能力带来了优越的分割性能。捕获上下文信息对于图像分割任务至关重要。除了局部上下文之外，表示全局上下文的长距离依赖关系在处理大的目标区域和在多类分类过程中识别不同的目标类别时尤为重要。一些网络使用全局池化、金字塔式池化或空洞卷积操作来获取有用的上下文信息，但是这只能获得某个像素周围的上下文信息，提高网络的局部感知。还有一些网络通过建立一个点跟所有点之间的联系来获取全局的上下文的长期依赖关系，但这是以巨大的计算复杂度和内存消耗为代价。大多数分割网络对于多类分割任务结果不佳，因为其对于图像中不同类别的鉴别能力比较弱。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种可对OCT图像中RD、ORS、MRS和IRS病灶区域进行自动分割、且分割精确度高的基于CAS
‑
Net的OCT图像视网膜脱离和劈裂自动分割方法。
[0006]为了解决上述问题，本专利技术提供了一种基于CAS
‑
Net的OCT图像视网膜脱离和劈裂自动分割方法，其包括以下步骤：
[0007]S1、获取OCT图像，将所述OCT图像分为训练集、验证集和测试集；
[0008]S2、构建分类辅助分割网络用于OCT图像的分类；所述分类辅助分割网络包括分类网络和分割网络，所述分割网络包括全维度特征融合模块和特征融合解码模块，通过所述全维度特征融合模块融合通道和空间维度的上下文信息，通过所述特征融合解码模块融合所述分类网络和分割网络的特征，所述分类网络用于全局平均池化和卷积，并输出OCT图像中多个类别的存在概率；
[0009]S3、构建整个分类辅助分割网络的损失函数，利用训练集和验证集对分类辅助分割网络进行训练；
[0010]S4、利用测试集对训练后的分类辅助分割网络进行测试，实现对OCT图像的分割。
[0011]作为本专利技术的进一步改进，通过所述全维度特征融合模块融合通道和空间维度的上下文信息，包括：
[0012]A1、将X输入三个平行路径；其中，X∈R
C
×
H
×
W
为一个输入张量，C、H和W分别表示通道数、高度和宽度；
[0013]A2、使用一组可学习的权重a
W
∈R1×1×
W
、a
H
∈R1×1×
H
和a
C
∈R1×1×
C
将X在一个维度上压缩，得出A
W
∈R
C
×
H
×1、A
H
∈R
C
×1×
W
和A
C
∈R1×
H
×
W
；
[0014]A3、将不同维度的压缩特征经过Sigmoid函数后与原始特征图相乘；
[0015]A4、使用由Softmax函数约束的三个可学习参数对来自三个分支的特征图进行加权；
[0016]A5、将三个分支的所有特征图与原始特征图相加得到输出特征图Y∈R
C
×
H
×
W
，实现输出特征图中的每个元素都包含来自输入特征图中同一行、同一列、所有通道的同一空间位置的信息。
[0017]作为本专利技术的进一步改进，所述整个分类辅助分割网络的损失函数如下：
[0018]loss
total
＝loss
Joint
+λloss
category
[0019]loss
Joint
＝loss
Dice
+loss
BCE
[0020]其中，loss
total
为整个分类辅助分割网络的损失函数，loss
Joint
为分类辅助分割网络的联合损失函数，loss
Dice
为分割网络的损失函数，loss
BCE
为分类网络的损失函数，loss
category
为类别损失函数，λ用于加权类别损失函数。
[0021]作为本专利技术的进一步改进，所述分割网络的损失函数为：
[0022][0023]其中，S是一张特征图的总像素数，x(n,i)∈[0,1]和y(n,i)∈{0,1}分别表示第i个像素被预测为类别n的概率和第i个像素是否为类别n的真实标签；N是类别的总数，N＝5。
[0024]作为本专利技术的进一步改进，所述分类网络的损失函数为：
[0025][0026]其中，N代表类别数，t
n
代表输入图像是否含第n个类别的真实标签，p
n
代表分类网络预测的输入图像含第n个类别的概率。
[0027]作为本专利技术的进一步改进，所述类别损失函数为：
[0028][0029]其中，N代表类别数，x(n,i)∈[0,1]代表第i个像素被预测为类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CAS
‑
Net的OCT图像视网膜脱离和劈裂自动分割方法，其特征在于，包括以下步骤：S1、获取OCT图像，将所述OCT图像分为训练集、验证集和测试集；S2、构建分类辅助分割网络用于OCT图像的分类；所述分类辅助分割网络包括分类网络和分割网络，所述分割网络包括全维度特征融合模块和特征融合解码模块，通过所述全维度特征融合模块融合通道和空间维度的上下文信息，通过所述特征融合解码模块融合所述分类网络和分割网络的特征，所述分类网络用于全局平均池化和卷积，并输出OCT图像中多个类别的存在概率；S3、构建整个分类辅助分割网络的损失函数，利用训练集和验证集对分类辅助分割网络进行训练；S4、利用测试集对训练后的分类辅助分割网络进行测试，实现对OCT图像的分割。2.如权利要求1所述的基于CAS
‑
Net的OCT图像视网膜脱离和劈裂自动分割方法，其特征在于，通过所述全维度特征融合模块融合通道和空间维度的上下文信息，包括：A1、将X输入三个平行路径；其中，X∈R
C
×
H
×
W
为一个输入张量，C、H和W分别表示通道数、高度和宽度；A2、使用一组可学习的权重a
W
∈R1×1×
W
、a
H
∈R1×1×
H
和a
C
∈R1×1×
C
将X在一个维度上压缩，得出A
W
∈R
C
×
H
×1、A
H
∈R
C
×1×
W
和A
C
∈R1×
H
×
W
；A3、将不同维度的压缩特征经过Sigmoid函数后与原始特征图相乘；A4、使用由Softmax函数约束的三个可学习参数对来自三个分支的特征图进行加权；A5、将三个分支的所有特征图与原始特征图相加得到输出特征图Y∈R
C
×
H
×
W
，实现输出特征图中的每个元素都包含来自输入特征图中同一行、同一列、所有通道的同一空间位置的信息。3.如权利要求1所述的基于CAS
‑
Net的OCT图像视网膜脱离和劈裂自动分割方法，其特征在于，所述整个分类辅助分割网络的损失函数如下：loss
total
＝loss
Joint
+λloss
category

【专利技术属性】
技术研发人员：石霏，陈新建，杨长青，朱伟芳，
申请(专利权)人：苏州大学，
类型：发明
国别省市：