一种医学图像分层方法

本发明属于医学图像处理，尤其涉及一种医学图像分层方法。

背景技术：

1、疾病诊断中，具有层结构信息的医学图像为医生提供了重要的诊断依据。不同的疾病会使得医学图像中的层结构发生不同程度的形变，医生可以通过层结构形变的情况及时对患者做出诊断，早介入，早治疗。

2、近年来，光学相干断层成像(optical coherence tomography，oct)技术逐渐成为了获取层结构医学图像的主流方式，它是一种非侵入性的成像方式。通过低相干光来解析生物组织的内部结构，可以获取具有足够穿透深度的生物组织的高分辨率横断面扫描图像。然而，在诊断时，靠医生对医学图像进行手动标注费时费力，并且该过程取决于标注人员主观的认知，因此医学图像的自动层分割的问题逐渐引起关注。

3、随着深度学习技术在医学图像分割中发挥着越来越重要的作用，出现了很多基于深度学习的医学图像分层方法。这些方法可以在一定程度上得到医学图像的分层结果，但是这些深度学习方法普遍存在感受野受限的问题，致使分层结果受到限制。

技术实现思路

1、本发明的目的在于提供一种医学图像分层方法，其特征在于，包括如下步骤：

2、s1：获取具有层结构的医学图像，并对医学图像进行预处理，得到数据样本；

3、s2：对数据样本进行划分；

4、s3：利用划分后的数据集对深度神经网络模型进行训练，训练后得到层分割模型；

5、s4：对层分割模型进行性能评估。

6、进一步地，s1中，预处理具体为：对具有层结构的医学图像进行灰度归一化和裁剪操作。

7、进一步地，s2中，数据集的划分具体为：将数据样本按照3：1：1的比例随机划分为训练集、验证集和测试集。

8、进一步地，s3中，通过使用训练集中的数据对深度神经网络训练模型进行训练。

9、进一步地，使用训练集中的数据对深度神经网络训练模型进行训练具体包括如下步骤：

10、s31：确定深度神经网络模型的模型架构；

11、s32：将训练集中数据导入深度神经网络模型，选择参数优化算法和损失函数多次对深度神经网络模型进行优化；

12、s33：使用验证集对进行多次优化后的深度神经网络模型的超参数进行调整，最终得到最优的层分割模型和最优的权重。

13、进一步地，s31中，深度神经网络模型的架构具体为：包括编码器和解码器，深度神经网络模型于编码器中结合卷积神经网络和自注意力机制，深度神经网络模型于解码器中将空间注意力机制添加在上采样和跳过连接中，从而学习图像更多的局部特征和全局特征。

14、进一步地，具有层结构的医学图像通过深度神经网络模型直接得到的各个层和积液的分割结果。

15、进一步地，s33中，基于验证集的评价指标实现对深度神经网络的超参数调整。

16、进一步地，s4中，对层分割模型的评估具体为：将测试集中的数据输入最终得到的最优的层结构模型中进行测试，得到分层结果，基于得到的分层结果和测试集数据的实际标签进行损失计算，进而完成对层分割模型的性能评估。

17、进一步地，层分割模型的性能评估结果通过评价指标展示。

18、与现有技术相比，本发明的有益效果主要体现在：

19、1、本发明将图像传入深度神经网络模型中，在模型中同时利用了图像的局部感受野和全局感受野，再结合跳过连接具有注意力机制的u型网络获取的局部特征，两者相结合完成图像分割，更加充分地利用了图像数据。

20、2、本发明根据视网膜数据的特性，将二维特征图转换为一维特征图输入transformer中，不仅增多了进入transformer模块的样本数，还使得整个网络计算速度提高。

21、3、本发明中提出的方法可以显著地提高模型的性能。可以很好地完成医学图像分层任务，辅助专业医生完成对视网膜疾病的诊断。

技术特征：

1.一种医学图像分层方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的医学图像分层方法，其特征在于，所述s1中，所述预处理具体为：对具有层结构的医学图像进行灰度归一化和裁剪操作。

3.根据权利要求2所述的医学图像分层方法，其特征在于，所述s2中，数据集的划分具体为：所述数据样本按照3：1：1的比例随机划分为训练集、验证集和测试集。

4.根据权利要求3所述的医学图像分层方法，其特征在于，所述s3中，通过使用训练集中的数据对深度神经网络训练模型进行训练。

5.根据权利要求4所述的医学图像分层方法，其特征在于，使用训练集中的数据对深度神经网络训练模型进行训练具体包括如下步骤：

6.根据权利要求5所述的医学图像分层方法，其特征在于，所述s31中，所述深度神经网络模型的架构具体为：包括编码器和解码器，所述深度神经网络模型于编码器中结合卷积神经网络和自注意力机制，所述深度神经网络模型于解码器中将空间注意力机制添加在上采样和跳过连接中，从而学习图像更多的局部特征和全局特征。

7.根据权利要求6所述的医学图像分层方法，其特征在于，具有层结构的医学图像通过所述深度神经网络模型直接得到的各个层和积液的分割结果。

8.根据权利要求6所述的医学图像分层方法，其特征在于，所述s33中，基于验证集的评价指标实现对深度神经网络的超参数调整。

9.根据权利要求6所述的医学图像分层方法，其特征在于，所述s4中，对层分割模型的评估具体为：将测试集中的数据输入最终得到的最优的层分割模型中进行测试，得到分层结果，基于得到的分层结果和测试集数据的实际标签进行损失计算，进而完成对层分割模型的性能评估。

10.根据权利要求9所述的医学图像分层方法，其特征在于，所述最优的层分割模型的性能评估结果通过评价指标展示。

技术总结
本发明提供一种医学图像分层方法，属于医学图像处理技术领域，主要基于具有层结构的医学图像，通过建立深度神经网络模型，完成对层结构医学图像的分层，具体包括以下步骤：1)：将获取的医学图像进行灰度归一化以及裁剪处理；2)：将处理好的数据集进行划分；3)：利用划分好的数据集训练深度神经网络模型；4)：对最优的层结构模型的性能进行评估。本发明通过学习特征信息并且优化后的医学图像层分割模型可以对获取到的医学图像进行精确分层，辅助医生进行临床诊断，具有重要的医疗意义。

技术研发人员：武妍,杨嘉敏,曹国刚,彭泽宇,周稚麟,严如刚,张蕴青
受保护的技术使用者：上海应用技术大学
技术研发日：
技术公布日：2024/1/14