一种基于U-Net神经网络的眼底视盘分割方法
阅读说明：本技术 一种基于U-Net神经网络的眼底视盘分割方法 (Eye fundus optic disk segmentation method based on U-Net neural network ) 是由 曾亚光 郭学东 熊红莲 韩定安 黄铭斌 许祥丛 王陆权 覃楚渝 刘明迪 翁祥涛 于 2021-02-05 设计创作，主要内容包括：本发明提供了本发明一实施例中的一种基于U-Net神经网络的眼底视盘分割方法,包括如下步骤：采集多张原始眼底图像；对多张原始眼底图像进行预处理；对预处理后的多张原始眼底图像的视盘区域进行标记；构建U-Net神经网络,并利用U-Net神经网络对原始眼底图像以及标记好视盘区域的眼底图像进行训练验证以获取U-Net神经网络模型；利用U-Net神经网络模型对眼底图像的视盘区域进行识别分割。本发明能够辅助医生得出准确而有效的杯盘比,辅助医生作出治疗方法,加快了对患者青光眼轻重程度的辨别速度,减少了医生主观因素导致的误诊情况的发生。(The invention provides a fundus optic disk segmentation method based on a U-Net neural network in one embodiment of the invention, which comprises the following steps: collecting a plurality of original fundus images; preprocessing a plurality of original fundus images; marking the optic disc areas of the preprocessed multiple original fundus images; constructing a U-Net neural network, and utilizing the U-Net neural network to train and verify the original fundus image and the fundus image of the marked optic disc area so as to obtain a U-Net neural network model; and identifying and segmenting the optic disc region of the fundus image by using a U-Net neural network model. The invention can assist doctors to obtain accurate and effective cup-to-tray ratio, assist doctors to make treatment methods, accelerate the speed of distinguishing the degree of glaucoma of patients and reduce misdiagnosis caused by subjective factors of doctors.)
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种基于U-Net神经网络的眼底视盘分割方法。
背景技术
青光眼是一种常见的不可逆致盲眼病。青光眼疾病前期一般没有明显的眼部症状，随着病情的发展，当出现较大的视野损伤时往往错过了最佳的治疗时期。因此，青光眼的及时诊断和治疗是延缓疾病发展的重要途径。大多数青光眼患者视神经损伤是因眼球内的房水循环受阻引起的眼内压升高，超过了视神经所能耐受的眼压限度，造成的视神经缓慢的进行性损伤。青光眼主要表现为视盘的中心亮区域(视杯)的扩增，临床上最常使用的诊断指标是视杯视盘垂直比(简称杯盘比)，越大的杯盘比预示着更大的青光眼患病风险。
现有的青光眼诊断方法一般是先采集患者的原始眼底图像，然后医生根据原始眼底图像判断大致杯盘比并根据杯盘比对患者的青光眼轻重程度进行诊断。
此种诊断方法具有一定主观性，依赖于超声医师医学专业知识和经验，容易导致误诊情况的发生。
发明内容
基于此，为了解决现有青光眼诊断方法具有一定主观性，依赖于超声医师医学专业知识和经验，容易导致误诊情况的发生的问题，本发明提供了一种基于U-Net神经网络的眼底视盘分割方法，其具体技术方案如下：
一种基于U-Net神经网络的眼底视盘分割方法，包括如下步骤：
采集多张原始眼底图像；
对多张所述原始眼底图像进行预处理；
对预处理后的多张所述原始眼底图像的视盘区域进行标记；
构建U-Net神经网络，并利用U-Net神经网络训练对原始眼底图像以及标记好视盘区域的眼底图像进行训练验证以获取U-Net神经网络模型；
利用所述U-Net神经网络模型对眼底图像的视盘区域进行识别分割。
上述基于U-Net神经网络的眼底视盘分割方法先通过对预处理后的原始眼底图像的视盘区域进行标记，然后利用U-Net神经网络训练对原始眼底图像以及标记好视盘区域的眼底图像进行训练验证以获取U-Net神经网络模型，最后利用所述U-Net神经网络模型对眼底图像的视盘区域进行识别分割，能够辅助医生得出准确而有效的杯盘比，辅助医生作出治疗方法，加快了对患者青光眼轻重程度的辨别速度，减少了医生主观因素导致的误诊情况的发生。
进一步地，对多张所述原始眼底图像进行预处理的具体方法包括如下步骤：
对多张所述原始眼底图像进行归一化处理；
对归一化处理后的多张所述原始眼底图像进行滤波处理。
进一步地，对归一化处理后的多张所述原始眼底图像进行滤波处理的具体方法包括如下步骤：
对归一化处理后的多张所述原始眼底图像进行高斯滤波处理；
对高斯滤波处理后的多张所述原始眼底图像进行中值滤波处理。
进一步地，所述归一化处理的公式为其中，I(x,y)为归一化处理前的所述原始眼底图像，L(x,y)以及C(x,y)分别为像素点(x,y)的光照强度漂移因子和对比度漂移因子，I'(x,y)为归一化处理后的所述原始眼底图像。
进一步地，所述U-Net神经网络模型包括上采样网络部分以及下采样网络部分。
进一步地，所述上采样网络部分以及所述下采样网络部分均包括2个卷积层以及1个池化层。
进一步地，所述卷积层的卷积核的像素大小为3×3。
进一步地，所述池化层的步长为2。
进一步地，所述池化层的核的像素大小为2×2。
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的基于U-Net神经网络的眼底视盘分割方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明一实施例中一种基于U-Net神经网络的眼底视盘分割方法的整体流程示意图；
图2是本发明一实施例中一种基于U-Net神经网络的眼底视盘分割方法对眼底图像的视盘区域进行识别分割后的效果示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。
如图1所示，本发明一实施例中的一种基于U-Net神经网络的眼底视盘分割方法，包括如下步骤：
采集多张原始眼底图像；
对多张所述原始眼底图像进行预处理；
对预处理后的多张所述原始眼底图像的视盘区域进行标记；
构建U-Net神经网络，利用所述U-Net神经网络对原始眼底图像以及标记好视盘区域的眼底图像进行训练验证以获取U-Net神经网络模型；
利用所述U-Net神经网络模型对眼底图像的视盘区域进行识别分割，如图2所示。
上述基于U-Net神经网络的眼底视盘分割方法先通过对预处理后的原始眼底图像的视盘区域进行标记，然后利用U-Net神经网络训练对原始眼底图像以及标记好视盘区域的眼底图像进行训练验证以获取U-Net神经网络模型，最后利用U-Net神经网络模型对眼底图像的视盘区域进行快速、精准的识别分割，能够辅助医生得出准确而有效的杯盘比，辅助医生作出治疗方案，加快了对患者青光眼轻重程度的辨别速度，减少了医生主观因素导致的误诊情况的发生。
另外，在利用U-Net神经网络训练对原始眼底图像以及标记好视盘区域的眼底图像进行训练验证以获取U-Net神经网络模型前，先对所述原始眼底图像进行预处理操作，能够有效降低眼底图像的视盘区域的识别定位以及分割的难度。
具体而言，利用所述U-Net神经网络对原始眼底图像以及标记好视盘区域的眼底图像进行训练验证，而后根据所述训练验证结果来获取U-Net卷积神经网络模型。
在其中一个实施例中，所述原始眼底图像通过眼底相机采集。
在其中一个实施例中，对多张所述原始眼底图像进行预处理的具体方法包括如下步骤：
对多张所述原始眼底图像进行归一化处理；
对归一化处理后的多张所述原始眼底图像进行滤波处理。
对所述原始眼底图像进行归一化处理，不仅能够凸显眼底图像的视盘区域，增强原始眼底图像的对比度，还能够有效解决因光照强度不均匀而影响所述U-Net神经网络模型对眼底图像的视盘区域的识别定位以及分割精度的问题。
对归一化处理后的多张所述原始眼底图像进行滤波处理，能够在去除噪声影响的同时，保持眼底图像的边缘，增强眼底图像的梯度变化以及视盘区域的边界特征。
在其中一个实施例中，对归一化处理后的多张所述原始眼底图像进行滤波处理的具体方法包括如下步骤：
对归一化处理后的多张所述原始眼底图像进行高斯滤波处理；
对高斯滤波处理后的多张所述原始眼底图像进行中值滤波处理。
采用高斯滤波，可以滤除原始眼底图像中存在的高斯噪声污染，而采用中值滤波，则可以滤除原始眼底图像中存在的椒盐噪声污染。先后对归一化处理后的多张所述原始眼底图像进行高斯滤波处理以及中值滤波处理，可以同时滤除高斯噪声污染以及椒盐噪声污染，达到最好的噪声过滤效果。
在其中一个实施例中，所述归一化处理的公式为其中，I(x,y)为归一化处理前的所述原始眼底图像，L(x,y)以及C(x,y)分别为像素点(x,y)的光照强度漂移因子和对比度漂移因子，I'(x,y)为归一化处理后的所述原始眼底图像。对于视盘区域的所述像素点(x,y)的光照强度漂移因子和对比度漂移因子，可通过对一定邻域窗内图像灰度分布特性的统计值获取，对于背景的所述像素点(x,y)的光照强度漂移因子和对比度漂移因子，可通过高斯滤波器获取。
在其中一个实施例中，所述U-Net神经网络模型包括上采样网络部分以及下采样网络部分，所述上采样网络部分以及下采样网络部分均采用RelU激活函数，每次下采样获取的特征数量为上一次下采样获取的特征数量的2倍，每次上采样获取的特征数量为上一次上采样获取的特征数量的一半。
在其中一个实施例中，所述上采样网络部分以及所述下采样网络部分均包括2个卷积层以及1个池化层。
在其中一个实施例中，所述卷积层的卷积核的像素大小为3×3，所述池化层的步长为2，所述池化层的核的像素大小为2×2。
在其中一个实施例中，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的基于U-Net神经网络的眼底视盘分割方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于深度学习的双视野眼底图像融合方法