一种OCT图像中脉络膜新生血管分割算法的制作方法

本发明涉及一种oct图像中脉络膜新生血管分割算法，属于视网膜图像分割技术领域。

背景技术：

现有的脉络膜新生血管自动分割技术大部分基于眼底荧光素血管造影图像。相比较眼底荧光素血管造影，oct图像具有无创、高速、高分辨率、三维成像等优点，其对于老年性变性黄斑等临床常见眼科疾病的辅助诊断具有更重要的临床意义。

目前尚未有基于oct图像的脉络膜新生血管分割算法。oct图像中的脉络膜新生血管分割面临诸多挑战：纹理变化较大、存在灰度不同质性、形状和大小不一致、边界模糊、存在大量斑噪声等。这些问题使得传统的方法很难取得较为精准的分割效果。卷积神经网络具有强大的学习能力，其在医学图像分割(例如，mr脑图像的灰白质分割、电子显微镜下细胞膜的分割、乳腺病理图像的有丝分裂检测等)中已取得了巨大的成功。所以考虑将该框架用于oct图像中的脉络膜新生血管分割任务中。然而，由于oct图像特点较为复杂，直接使用卷积神经网络对脉络膜新生血管进行分割存在两个不足：(1)传统的方法首先需要将图像分成若干小块(patch)，然后基于patch训练卷积神经网络分割模型。然而，patch与patch是存在一些结构相关性(例如局部相似性)，传统的方法在训练卷积神经网络分割模型时并未考虑到这种有效的结构信息，从而限制了模型的分割性能。(2)传统的模型是建立在单一尺度patch上的。脉络膜新生血管的大小是不固定的，所以单一尺度的patch很难获取有效的上下文信息，从而影响了分割精度。

技术实现要素：

本发明所要解决的技术问题是，提供一种能够提高oct图像中脉络膜新生血管的分割精度的基于多尺度结构先验卷积神经网络的oct图像中脉络膜新生血管分割算法。

为解决上述技术问题，本发明采用的技术方案为：

一种oct图像中脉络膜新生血管分割算法包括以下步骤：

s01：对训练图像设计一种结构先验学习方法，构建结构先验矩阵，所述结构先验矩阵用于区分脉络膜新生血管区域和背景区域，包括以下步骤：

a：对训练图像进行超像素分割得到若干超像素；

b：提取特征；

c：根据所述训练图像的正确标注将每个所述超像素标记为2类，分别为脉络膜新生血管区域和背景区域；

d：使用标记好的若干所述超像素构造字典；

e：对所有所述超像素进行分类，得到全局结构先验图；

f：基于所述全局结构先验图，计算局部相似结构先验，求得所述结构先验矩阵；

s02：基于所述结构先验矩阵将oct原图像转换为显著性增强图像，用于增强脉络膜新生血管区域的显著性；

s03：在所述显著性增强图像上使用多尺度分析，将所述显著性增强图像划分为m个尺度；

s04：基于每种尺度训练得到m个训练好的卷积神经网络模型；

s05：利用步骤s01中步骤a、b、e、f对测试图像进行超像素分割、提取特征、分类以及计算结构先验矩阵，利用步骤s02基于s05中得到的所述结构先验矩阵对测试图像进行图像转换，利用步骤s03将转换后的所述测试图像划分为m个尺度，利用步骤s04中训练好的所述卷积神经网络模型进行测试，输出m个分割结果，对m个分割进行融合即为最终的分割结果。

使用slic算法进行超像素分割。

所述特征包括每个所述超像素的平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征。

使用k-means算法构造词典，假设在训练集中有n个病人的数据，每个数据包括2分类，使用k-means聚成k类，则n个病人的数据共可聚成2kn类，获得2kn个聚类中心，所述聚类中心组成字典d，如公式(1)所示：

d＝[c1,1,c1,2…c1,k,b1,1,b1,2,..b1,k,…cn,k..bn,k…cn,1,..cn,k,bn,1,..bn,k](1)

式中，cn,k表示第n个病人的来自脉络膜新生血管区域的第k个聚类中心；bn,k表示第n个病人的来自背景区域的第k个聚类中心，n＝1,2,…n,k＝1,2,…k。

使用稀疏表示对每个所述超像素进行分类，分类过程形式化如公式(2)所示，式中，x为要求的稀疏系数，y为所述超像素；

argminx||x||1subjecttodx＝y(2)

公式(2)使用slep工具箱进行求解，获得x的解；使用公式(3)获得所述超像素的分类结果，式中xi表示第i类的稀疏系数，i＝1,2,…2kn；

ri(y)＝||y-dxi||2(3)

根据公式(3)计算得到2kn个ri(y)，当r(y)的值最小时，此时的类别就是所述超像素的类别；对每幅图像的所有所述超像素分类，即可得到全局空间结构先验图。

基于所述全局空间结构先验图，利用高斯概率密度函数计算局部相似结构先验，如下式所示：

m(a,b)＝exp(-(cor(a,b)-c)²/u²)(4)

式中，cor(a,b)是所述全局空间结构先验图中每个点的坐标，c是所述全局空间结构先验图中脉络膜新生血管的中心，u作为所述全局空间结构先验图中脉络膜的半径，是根据中心c与脉络膜边界点的距离的平均值求得，求得的矩阵m即为所述结构先验矩阵。

使用所述结构先验矩阵m对图像进行转换，转换公式如公式(5)：

is＝mi0(5)

式中，i0是原图像，is是显著性增强图像。

步骤s05中所述融合方法采用最大投票准则。

本发明所达到的有益效果：结构先验矩阵能够获取patch之间的结构相关性信息，利用结构先验学习方法来计算图像中的结构先验矩阵，可用于增强来自脉络膜新生血管区域和背景区域的patch之间的相关性，多尺度分析能够获取不同尺度的有效上下文信息，进一步提高oct图像中脉络膜新生血管的分割精度。

附图说明

图1是基于多尺度结构先验卷积神经网络的脉络膜新生血管分割流程图；

图2是典型的卷积神经网络框架图；

图3是脉络膜新生血管分割示例图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例1

一种oct图像中脉络膜新生血管分割算法，如图1所示，本方法主要包括2个阶段：训练阶段和测试阶段，具体步骤如下：

(1)训练阶段，主要包括“结构先验学习”和“多尺度结构先验卷积神经网络训练”两部分，具体步骤如下：

s01：对训练图像设计一种结构先验学习方法，构建结构先验矩阵，所述结构先验矩阵用于区分脉络膜新生血管区域和背景区域；

所述结构先验学习方法包括以下步骤：

a：对训练图像进行超像素分割得到若干超像素区域，采用slic算法进行分割；

b：提取特征，所述特征包括每个所述超像素的平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；

c：根据所述训练图像的正确标注将每个所述超像素标记为2类，分别为脉络膜新生血管区域和背景区域；

d：使用标记好的若干所述超像素构造字典，使用k-means算法构造词典，假设在训练集中有n个病人的数据，每个数据包括2分类，使用k-means聚成k类，则n个病人的数据共可聚成2kn类，获得2kn个聚类中心，所述聚类中心组成字典d，如公式(1)所示：

d＝[c1,1,c1,2…c1,k,b1,1,b1,2,..b1,k,…cn,k..bn,k…cn,1,..cn,k,bn,1,..bn,k](1)

式中，cn,k表示第n个病人的来自脉络膜新生血管区域的第k个聚类中心；bn,k表示第n个病人的来自背景区域的第k个聚类中心；

e：对所有所述超像素进行分类，得到全局结构先验，使用稀疏表示对每个所述超像素进行分类，分类过程形式化如公式(2)所示，式中，x为要求的稀疏系数，y为所述超像素；

argminx||x||1subjecttodx＝y(2)

公式(2)使用slep工具箱进行求解，获得x的解；使用公式(3)获得所述超像素的分类结果，式中xi表示第i类的稀疏系数，i＝1,2,…2kn；

ri(y)＝||y-dxi||2(3)

根据公式(3)计算得到2kn个ri(y)，当r(y)的值最小时，此时的类别就是所述超像素的类别；对每幅图像的所有所述超像素分类，即可得到全局空间结构先验图；

f：基于所述全局结构先验，利用高斯概率密度函数计算局部相似结构先验，求得所述结构先验矩阵，利用局部势函数计算局部相似结构先验，如下式所示：

m(a,b)＝exp(-(cor(a,b)-c)²/u²)(4)

式中，cor(a,b)是所述全局空间结构先验图中每个点的坐标，c是所述全局空间结构先验图中脉络膜新生血管的中心，u作为所述全局空间结构先验图中脉络膜的半径，是根据中心c与脉络膜边界点的距离的平均值求得，求得的矩阵m即为结构先验矩阵，图1给出了结构先验映射，从映射中可以看出该矩阵的局部区域内的元素有着相似的值，从全局的角度来看，脉络膜新生血管和背景区域内的元素有着显著不同的值，因此，该先验矩阵应该可以用于改进分割模型对于背景区和目标区域的区分性。

s02：基于所述结构先验矩阵将oct原图像转换为显著性增强图像，用于增强脉络膜新生血管区域的显著性，使用所述结构先验矩阵m对图像进行转换，转换公式如公式(5)：

is＝mi0(5)

式中，i0是原图像，is是显著性增强图像，如图1所示，经过图像转换后，脉络膜新生血管的显著性确实增强了，这是由于显著性增强图像融入了结构先验信息；

s03：在所述显著性增强图像上使用多尺度分析，将所述显著性增强图像划分为m个尺度；

s04：基于每种尺度训练得到m个训练好的卷积神经网络模型，针对每种尺度提取图像的patch，对每种尺度的patch，训练一个结构先验卷积神经网络模型，最后则可获得m个训练好的结构先验卷积神经网络模型，每个patch的提取方法：以图像中某个像素点p为中心，提取一个边长为s的方块区域，像素的类标记即是该patch的类标记，通过使用卷积神经网络对patch进行分类，从而完成对像素的分类，即完成分割任务，所述卷积神经网络采用经典的卷积神经网络，如图2所示，在一个卷积神经网络中，主要由输入层、卷积层、池化层、全连接层和输出层组成。卷积层一般有c个卷积核，对图像分别做卷积，输出不同的映射。卷积层能够学到图像中不同层次的局部特点。一般来说，卷积层后面会加一个池化层，卷积层的输出是池化层的输入，池化层一般采用最大池化法对输入映射进行降采样，即在一个邻域内选择该邻域内最大的点来代表该邻域。池化层能够减少映射的大小，从而降低计算复杂度。经过后面几层的卷积层-池化层循环之后，连接一个全连接层，该层将池化层的所有输出映射转换为一个列向量，一般一个全连接层后面连接一个输出层，输出层经过一个softmax函数输出每个输入图片属于每个类的概率，选择概率最大的作为该输入图片的类别，通常使用随机梯度下降法对卷积神经网络的权重进行求解；

(2)测试阶段

利用步骤s01中步骤a、b、e、f对测试图像进行超像素分割、提取特征、分类以及计算结构先验矩阵，利用步骤s02基于s05中得到的所述结构先验矩阵对测试图像进行图像转换，利用步骤s03将转换后的所述测试图像划分为m个尺度，利用步骤s04中训练好的所述卷积神经网络模型进行测试，输出m个分割结果，对m个分割结果进行融合即为最终的分割结果，所述融合方法采用最大投票准则。

(3)实验结果

在15个患有脉络膜新生血管的病人数据上进行了本发明方法的测试。采用三折交叉验证方法来检验本方法的可行性和有效性。

如图3所示，给出了8个脉络膜新生血管分割的示例图，其中红线表示专家手动分割的脉络膜新生血管的边界区域，白色区域表示本发明自动分割的区域，由图3的分割结果可见，本方法能有效地分割出脉络膜新生血管区域，与手工分割结果误差较小，采用戴斯相似系数(dsc)，真阳性率(tpvf)、假阳性率(fpvf)和p值(p-values)作为评估方法的客观指标，结果见表1以及表2。

表1多尺度结构先验卷积神经网络和基于稀疏表达的分割性能

表2多尺度结构先验卷积神经网络和卷积神经网络的分割性能

结果显示，采用本方法分割脉络膜新生血管显著优于基于稀疏表示以及卷积神经网络的分割效果。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。