一种视网膜积液图像分割与体积测量方法及系统
本发明涉及医学图像智能处理,尤其涉及一种视网膜积液图像分割与体积测量方法及系统。
背景技术:
1、视网膜积液的典型特征为黄斑区域或视网膜层间液体积聚,其发生通常提示血-视网膜屏障功能受到破坏。视网膜积液是多种致盲性眼科疾病的重要病理特征,例如糖尿病黄斑水肿、视网膜静脉阻塞、葡萄膜炎及视网膜血管炎等。光学相干断层扫描作为一种高分辨率、非侵入性的三维成像技术,能够清晰显示视网膜各层结构及积液的形态分布,已成为眼科临床诊断与随访评估中的重要影像检查手段。因此,在光学相干断层扫描图像中对视网膜积液进行精确分割与量化分析,对于评估疾病严重程度、监测治疗效果以及制定个性化治疗方案具有重要的临床价值。然而,传统医学检查高度依赖经验丰富的医生对视网膜积液区域进行人工观察和标注,不仅耗时费力,而且由于积液边界模糊、对比度较低、尺度大小多变,容易受到医生主观经验的影响,难以满足大规模临床筛查和长期随访中的定量分析需求。因此,开发一种高效、自动化且稳定的视网膜积液分割与量化方法,已成为医学影像智能分析领域亟需解决的重要问题。
技术实现思路
1、本方案针对上文提出的问题和需求,提出一种视网膜积液图像分割与体积测量方法及系统,由于采取了如下技术特征而能够实现上述技术目的,并带来其他多项技术效果。
2、本发明的一个目的在于提出一种视网膜积液图像分割与体积测量方法,包括如下步骤:
3、s10:获取光学相干断层扫描视网膜图像,对光学相干断层扫描视网膜图像进行预处理并划分为训练集、验证集和测试集;
4、s20:构建基于多尺度频空联合门控注意力网络的视网膜积液分割模型,利用训练集完成视网膜积液分割模型训练,保存最优权重;训练过程中依托验证集监控视网膜积液分割模型性能并筛选最优模型;最后将测试集图像输入经验证筛选后的最优模型,输出视网膜积液区域预测分割标签;
5、s30:根据得到的视网膜积液区域的预测标签,提取各b-scan切片中视网膜积液区域的像素信息,并结合光学相干断层扫描图像的空间分辨率参数,基于梯形积分法计算获得视网膜积液体积。
6、另外,根据本发明的视网膜积液图像分割与体积测量方法,还可以具有如下技术特征:
7、在本发明的一个示例中,在步骤s10中,对光学相干断层扫描视网膜图像进行预处理并划分为训练集、验证集和测试集,具体包括如下:
8、对光学相干断层扫描视网膜图像进行归一化、尺寸变换和数据增强,将不同分辨率的光学相干断层扫描视网膜图像转换为适合网络输入的预设尺寸;
9、按照预设比例将预处理后的光学相干断层扫描视网膜图像划分为训练集、验证集和测试集,并对训练集中的图像进行旋转、镜像、裁剪或亮度扰动操作,实现训练集样本数量的扩充;同时,记录所述光学相干断层扫描视网膜图像对应的空间分辨率参数,其中,所述空间分辨率参数包括横向像素物理尺寸、轴向像素物理尺寸以及相邻 b-scan 切片间距。
10、在本发明的一个示例中,在步骤s20中,将测试集图像输入经验证筛选后的最优模型,输出视网膜积液区域预测分割标签,具体包括:
11、利用测试集对所述最优视网膜积液分割模型进行测试,判断所述最优视网膜积液分割模型输出的预测标签的分割精度是否高于预设的精度阈值,若是,则判定所述最优视网膜积液分割模型合格;其中,所述预测标签包括预测的视网膜内积液分割掩码、视网膜下积液分割掩码和色素上皮脱离分割掩码中的至少一种。
12、在本发明的一个示例中,在步骤s20中,构建基于多尺度频空联合门控注意力网络的视网膜积液分割模型,具体包括如下步骤:
13、s21:编码器阶段:采用预训练的 segformer 作为主干编码器,用于对输入的光学相干断层扫描视网膜图像进行多层次特征提取,并输出分辨率依次减小的第一尺度特征图、第二尺度特征图、第三尺度特征图和第四尺度特征图;
14、s22:语义增强阶段:采用可变形空间聚合模块和全局上下文门控模块增强视网膜积液区域的边界特征表达能力和上下文语义建模能力;
15、s23:多尺度语义重构阶段:通过多尺度特征聚合模块对不同尺度的视网膜积液特征进行融合;
16、s24:解码器阶段:采用频空联合门控注意力模块和分割预测模块对融合后的特征进行解码,并输出视网膜积液区域的分割掩码。
17、在本发明的一个示例中,步骤s22具体包括如下步骤:
18、s221:由多尺度可变形卷积分支根据视网膜积液区域的形态变化自适应调整特征采样位置,由方向条带池化分支沿水平方向和垂直方向聚合长程上下文信息,再由通道注意力聚合分支对多分支融合特征进行自适应重标定,其中,可变形空间聚合模块包括多尺度可变形卷积分支、方向条带池化分支和通道注意力聚合分支;
19、s222:通过所述全局上下文门控模块接收相邻尺度的特征图,并通过特征投影、特征融合、全局上下文提取和门控增强,生成用于校准浅层细节特征的注意力掩码。
20、在本发明的一个示例中,步骤s23具体包括如下步骤:
21、s231:所述多尺度特征聚合模块采用双分支并行结构,包括坐标注意力分支和多尺度特征选择聚合分支;
22、s232:所述坐标注意力分支用于沿水平方向和垂直方向分别进行全局池化,以编码视网膜积液区域的空间位置信息,增强模型对积液边界和结构位置的感知能力;
23、s233:所述多尺度特征选择聚合分支通过局部增强选择性聚合模块,对多尺度卷积分支输出的特征进行预聚合、局部上下文增强和分支权重归一化处理,生成各尺度分支的动态权重,并依据所述动态权重对不同感受野的特征进行自适应融合。
24、在本发明的一个示例中,步骤s24具体包括如下步骤:
25、s241:由频空联合门控注意力模块对输入特征进行增强处理,具体包括:多频感知注意力模块基于离散余弦变换进行频域建模并通过频域响应的均值、最大值和最小值统计信息生成通道调制权重,同时空间门控机制对原始空间特征进行自适应补偿与选择性保留;
26、s242:将增强后的特征输入分割预测模块,由所述分割预测模块将特征映射为视网膜积液区域的分割掩码。
27、在本发明的一个示例中,步骤s30具体包括如下步骤:
28、s31:将训练集中的光学相干断层扫描视网膜图像及其对应的真实视网膜积液区域标注输入视网膜积液分割模型进行训练,以获得优化后的视网膜积液分割模型;训练过程中,对输入图像及其对应标注同步进行随机缩放、随机裁剪、随机翻转和光度扰动等数据增强处理,并将处理后的图像调整为适合网络输入的预设尺寸;采用交叉熵损失函数衡量预测标签与真实标签之间的像素级分类误差,并根据该误差更新模型参数;其中,所述交叉熵损失函数表达式为:
29、
30、式中,n表示参与训练的像素数量,c表示分割类别数,表示第i个像素是否属于第c类的真实标签,若属于该类别则=1,否则=0,表示模型预测第 i 个像素属于第c 类的概率;采用 adamw 优化器对模型参数进行迭代更新,并结合线性预热学习率策略和多项式衰减学习率策略调整训练过程中的学习率,其中,多项式衰减学习率策略表示为:
31、
32、式中,表示第 t 次迭代时的学习率,表示初始学习率,表示最小学习率,t表示总迭代次数,power表示多项式衰减系数;
33、s32:训练过程中通过验证集按照预设间隔对最优视网膜积液分割模型进行验证,并采用准确率、dice 系数和交并比作为模型分割性能评价指标;其中,准确率用于衡量模型正确分类的像素占总像素的比例,dice 系数用于衡量预测分割结果与真实分割掩码之间的重叠程度,交并比用于衡量预测区域与真实区域之间交集和并集的比例,其中,所述准确率、dice系数和交并比的计算公式如下所示:
34、
35、
36、
37、式中,tp、fp、tn 和 fn 分别表示真正例、假正例、真负例和假负例;macc、mdice和 miou 分别表示对视网膜积液区域和背景的准确率、dice 系数和交并比取平均后得到的评价结果;
38、s33:训练过程中,根据验证集上的分割性能指标保存模型的最优权重;在测试阶段,加载所述最优权重得到训练完成的视网膜积液分割模型,并将测试集中的光学相干断层扫描视网膜图像输入该模型进行前向推理,输出视网膜积液区域的预测结果;根据所述预测结果生成视网膜积液区域的分割掩码,并基于所述分割掩码计算视网膜积液体积。
39、在本发明的一个示例中,在步骤s33中,基于所述分割掩码计算视网膜积液体积,具体包括如下步骤:
40、s331:根据所述视网膜积液区域的分割掩码,统计oct扫描序列中各 b-scan 图像内被预测为视网膜积液区域的像素数量;
41、s332:获取oct扫描设备的空间分辨率参数,所述空间分辨率参数包括水平像素物理尺寸、轴向像素物理尺寸以及相邻 b-scan 切片间距;
42、s333:根据各b-scan 图像中的视网膜积液像素数量及所述空间分辨率参数,计算各切片中视网膜积液区域的物理横截面积,其中,所述物理横截面积的计算方式如下所示;
43、
44、式中, 为统计第i张切片中被模型预测为该类别的像素数量;为单张 b-scan 图像的水平像素物理尺寸为;为单张 b-scan 图像的轴向像素物理尺寸;
45、s334:采用梯形积分法则,沿 b-scan 序列方向对各切片的物理横截面积进行积分,得到视网膜积液体积,所述视网膜积液体积的计算方式如下所示;
46、
47、式中,为相邻 b-scan 切片间距;n为b-scan 序列切片的数量。
48、本发明的另一个目的在于提出一种视网膜积液图像分割与体积测量系统,包括:
49、数据采集与划分模块,配置为用于获取光学相干断层扫描视网膜图像,对光学相干断层扫描视网膜图像进行预处理并划分为训练集、验证集和测试集;
50、模型构建与训练模块,配置为用于构建基于多尺度频空联合门控注意力网络的视网膜积液分割模型,利用训练集完成视网膜积液分割模型训练,保存最优权重;训练过程中依托验证集监控视网膜积液分割模型性能并筛选最优模型;最后将测试集图像输入经验证筛选后的最优模型,输出视网膜积液区域预测分割标签;
51、积液体积计算模块,配置为用于根据得到的视网膜积液区域的预测标签,提取各b-scan切片中视网膜积液区域的像素信息,并结合光学相干断层扫描图像的空间分辨率参数,基于梯形积分法计算获得视网膜积液体积。
52、相较于现有技术,本发明具有如下有益效果:
53、本发明基于多尺度频空联合门控注意力网络实现oct图像中视网膜积液区域的自动分割,能够提高模型对边界模糊、低对比度、尺度变化显著以及噪声干扰场景下视网膜积液区域的识别能力,降低漏分割和误分割现象。
54、本发明通过可变形空间聚合模块增强不规则积液边界建模能力,通过全局上下文门控模块增强深浅层特征对齐能力,通过多尺度特征聚合模块提升不同尺度积液区域的统一建模能力,并通过频空联合门控注意力模块增强模型的抗噪能力。
55、本发明将二维分割掩码与oct空间分辨率参数相结合,基于梯形积分法实现视网膜积液体积的自动化测量,可为疾病严重程度评估、治疗效果监测及临床长期随访提供客观、可靠的量化依据。
56、下文中将结合附图对实施本发明的最优实施例进行更加详尽的描述,以便能容易理解本发明的特征和优点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com