基于深度学习的视网膜层和积液区域的层分割方法及系统与流程

本发明涉及眼底图像分割技术领域，特别是涉及一种基于深度学习的视网膜层和积液区域的层分割方法及系统。

背景技术：

视网膜是眼睛中最重要的结构之一，是非常精细和脆弱的一个组织。在众多眼科疾病中，视网膜疾病由于发病率高和致盲率高，一直以来都是重点研究对象。光学相干断层扫描(opticalcoherencetomography,oct)是一种生物组织的成像方式，具有非接触和非侵入性，高成像速度和高分辨率的特点，已被广泛用于对视网膜横截面进行成像。

目前，很多疾病会引起视网膜疾病的并发症，比如糖尿病会引起糖尿病性黄斑水肿(diabeticmacularedema,dme)，即糖尿病患者的高血糖会破坏视网膜血管上皮和视网膜液体运转细胞，使得泄漏的液体积聚在视网膜层之间，且视网膜层次也会发生不同程度上的严重变形。

由于oct成像过程中会产生斑点噪声且视网膜层次结构复杂。眼疾患者视网膜层次变形严重且对比度弱，为了使组织结构更加直观清晰，辅助医生对以上眼疾进行更准确的检测，提高诊断效率，给予患者更好的治疗方案，防止患者失明情况的发生，对患者视网膜oct图像进行层次和积液的自动精准分割就成了医生诊断的关键步骤，具有重要的医用价值。

然而，现有传统视网膜分层方法需要专家先验知识，基于机器学习的方法需要手动设计特征，均无法适应视网膜层次的变形和oct图像噪声的存在，因此分割准确率低且泛化能力不足。

技术实现要素：

为了解决上述问题，本发明的目的是提供一种能够在模型在训练数据匮乏的情况下，提高分割网络泛化能力与准确性的基于深度学习的视网膜层和积液区域的层分割方法及系统。

一种基于深度学习的视网膜层和积液区域的层分割方法，所述方法包括：

获取医疗系统中各节点区域的视网膜oct数据集，将所述视网膜oct数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集；

根据构建的改进型unet分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中的数据进行前向传播，以得到分割预测图；

根据联合损失函数公式计算分割预测图与专家像素级标记图像进行one-hot编码后的标准概率图之间的联合损失值，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型；

通过所述测试数据集对分割网络模型进行测试，以验证所述分割网络模型的可靠性。

根据本发明提供的基于深度学习的视网膜层和积液区域的层分割方法，通过获取医疗系统中各节点区域的视网膜oct数据集，将所述视网膜oct数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集；根据构建的改进型unet分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中的数据进行前向传播，以得到分割预测图；根据联合损失函数公式计算分割预测图与专家像素级标记图像经过one-hot编码后的标准概率图之间的联合损失值，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型；通过所述测试数据集对分割网络模型进行测试，以验证所述分割网络模型的可靠性。本发明通过采用训练数据集训练分割网络，测试数据集测试所得到的最优分割网络的准确率，以提高视网膜层和积液区域的层分割的准确性，通过对预训练数据集中的视网膜oct图像及对应的专家像素级标记图像进行随机平移操作，以提高数据的广泛性，能够提升网络的泛化能力和鲁棒性能，以解决模型在训练数据匮乏的情况下，分割网络泛化能力不足的问题，满足了实际应用需求。

另外，根据本发明上述的基于深度学习的视网膜层和积液区域的层分割方法，还可以具有如下附加的技术特征：

进一步地，将所述视网膜oct数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集的方法包括：

分别将第一数量患者及第二数量患者的视网膜oct图像和其对应的专家像素级标记图像裁剪填充为预设大小后作为预训练数据集及测试数据集，其中，所述视网膜oct图像与专家像素级标记图像的尺寸一致；

将所述预训练数据集中的视网膜oct图像及其对应的专家像素级标记图像进行随机平移操作，以得到训练数据集。

进一步地，根据构建的改进型unet分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中的数据进行前向传播，以得到分割预测图的方法包括：

在unet网络中的每个编码模块和解码模块的3*3卷积块之前增加一个1*1卷积层，在该1*1卷积层之后分别建立一个se模块和空分支，se模块的分支和3*3卷积块并联，空分支和3*3卷积块的输出端连接，以得到改进型unet分割网络，其中所述3*3卷积块为两个3*3卷积层的串联，se模块用于获取每个特征通道的重要程度；

将所述训练数据集中的数据输入改进型unet分割网络后，先通过第一个改进后的编码块，以得到经1*1卷积层输出的第一特征图、经3*3卷积块输出的第二特征图及经se模块输出的第三特征图；

将所述第一特征图、第二特征图及第三特征图以残差的方式进行相加融合得到的特征图作为第一个下采样层即2*2最大池化层的输入，再通过分割网络剩余池化层和卷积层等的前向传播以得到分割预测图。

进一步地，所述分割网络对应的损失函数为：

lseg＝λmcelmce+λdiceldice

其中，λmce、λdice为权重系数，lmce、ldice分别为加权多类交叉熵损失函数、dice损失函数。

进一步地，所述分割预测图的大小为n*c*h*w，其中，n为图像批次尺寸，c为分割类别数，h为图像高度，w为图像宽度。

进一步地，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型的方法包括：

通过所述损失函数对网络权重参数进行逐层求偏导，并利用优化方法和学习率策略更新分割网络权重参数，以得到更新分割网络；

将下一批视网膜oct图像送入所述更新分割网络中进行前向传播，以得到分割预测概率图；

计算所述分割概率图与相对应的标准概率图之间的联合损失值，并利用集成了sgd的一阶动量和rmsprop的二阶动量的adam优化器进行优化，在预设周期内不断迭代，直至最小化损失函数值时，将当前的更新分割网络作为分割网络模型。

进一步地，所述联合损失值用来表征分割预测图与其相对应的专家像素级标记图像经过one-hot编码后的标准概率图之间的误差；所述one-hot编码为将专家像素级标记图像中各个类别的像素用一个通道的特征图表示，在每个通道中，除了该类别的像素的对应位置为1，其余均为0。

本发明的另一实施例提出一种基于深度学习的视网膜层和积液区域的层分割系统，解决现有传统视网膜分层方法需要专家先验知识，基于机器学习的方法需要手动设计特征，均无法适应视网膜层次的变形和oct图像噪声的存在，因此分割准确率低且泛化能力不足的问题。

根据本发明实施例的基于深度学习的视网膜层和积液区域的层分割系统，包括：

获取模块，用于获取医疗系统中各节点区域的视网膜oct数据集，将所述视网膜oct数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集；

分割模块，用于根据构建的改进型unet分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中的数据进行前向传播，以得到分割预测图；

训练模块，用于根据联合损失函数公式计算分割预测图与专家像素级标记图像进行one-hot编码后的标准概率图之间的联合损失值，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型；

测试模块，用于通过所述测试数据集对分割网络模型进行测试，以验证所述分割网络模型的可靠性。

本发明的另一个实施例还提出一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

本发明的另一个实施例还提出一种智能设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。

附图说明

图1是本发明第一实施例提出的基于深度学习的视网膜层和积液区域的层分割方法的流程图；

图2是图1中步骤s101的具体流程图；

图3是图1中步骤s102的具体流程图；

图4为改进型unet分割网络中编码块的结构示意图；

图5为se模块结构示意图

图6是图1中步骤s103的具体流程图；

图7是本发明第二实施例提出的基于深度学习的视网膜层和积液区域的层分割系统的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明第一实施例提出的一种基于深度学习的视网膜层和积液区域的层分割方法，其中，包括步骤s101～s104：

步骤s101，获取医疗系统中各节点区域的视网膜oct数据集，将所述视网膜oct数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集。

如上所述，为了提高本发明实施的可靠性，将医疗系统划分为多个节点区域，每个节点区域内设置有多个医疗设备，每个医疗设备中存储有多张多个患者的视网膜oct图像和对应的专家像素级标记图像，将上述图像数据作为视网膜oct数据集，并将所述视网膜oct数据集划分为预训练数据集及测试数据集，以便于提高视网膜层与积液区域分割的可靠性，且通过对预训练数据集中的数据进行随机平移以使数据集的规模达到预设水平，从而提高数据训练的可靠性。

请参阅图2，将所述视网膜oct数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集的方法包括如下步骤：

步骤s1011，分别将第一数量患者及第二数量患者的视网膜oct图像和其对应的专家像素级标记图像裁剪填充为预设大小后作为预训练数据集及测试数据集。其中，所述网膜原始oct图像与专家像素级标记图像的尺寸一致。

如上所述，本发明的实施过程分为两个阶段，分别为训练阶段和测试阶段，我们将部分患者的视网膜oct图像与其对应的专家像素级标记图像裁剪填充为预设大小后作为训练数据集，部分患者的视网膜oct图像和对应的专家像素级标记图像做测试数据集。其中训练数据集用来训练我们的分割网络，测试数据集用来测试我们保存的最优的分割网络模型的分割准确率。

进一步地，本实发明以10名糖尿病性黄斑水肿患者为例，对每名患者采集66张视网膜oct图像，其中仅11张图像专家进行了视网膜层边界和积液区域的像素级标注，且每张视网膜oct图像的大小为496*768，其对应的层标记区域宽度不等，故我们统一将原始图像和对应的专家像素级标记图像裁剪填充为512*512大小。视网膜oct图像及与其对应的专家像素级标记图像的大小进行调整后得到视网膜oct数据集，将所述视网膜oct数据集平均/按比例划分为预训练数据集及测试数据集，即所述预训练数据集中的数据可以与测试数据集中的数据量相等或呈相应的比例，在此不做限制。

步骤s1012，将所述预训练数据集中的视网膜oct图像及对应的专家像素级标记图像进行随机平移操作，以得到训练数据集。

如上所述，考虑到数据规模过小时，其所训练的模型的准确性会比较低，因此需对所述预训练数据集中的数据量进行扩充。本实施例中采用对预训练数据集中数据进行随机平移的操作。可以理解的，在本发明其他实施例中，还可以采用数据随机生成算法对预训练数据集中数据进行随机变换，从而实现对预训练数据集中数据的扩充。

步骤s102，根据构建的改进型unet分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中的数据进行前向传播，以得到分割预测图。

如上所述，本发明以经典医学图像分割网络unet为基准，进行分割网络的构建，并对分批次送入该分割网络的训练数据集中的视网膜oct图像进行前向传播，从而得到分割预测图。其中，所述分割预测图的大小可表示为n*c*h*w，其中，n为图像批次尺寸，c为分割类别数，h为图像高度，w为图像宽度。本实施例中，n＝4，c＝1，h＝512，w＝512。

请参阅图3，根据构建的分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中数据进行前向传播，以得到分割预测图的方法包括如下步骤：

步骤s1021，在unet网络中的每个编码模块和解码模块的3*3卷积块之前增加一个1*1卷积层，在该1*1卷积层之后分别建立一个se模块和空分支，se模块的分支和3*3卷积块并联，空分支和3*3卷积块的输出端连接，以得到改进型unet分割网络。其中所述3*3卷积块为2个3*3卷积层的串联，se模块用于获取每个特征通道的重要程度。

步骤s1022，将所述训练数据集中的数据输入改进型unet分割网络后，先通过第一个改进后的编码块，以得到经1*1卷积层输出的第一特征图、经3*3卷积块输出的第二特征图及经se模块输出的第三特征图；

步骤s1023，将所述第一特征图、第二特征图及第三特征图以残差的方式进行相加融合得到的特征图作为第一个下采样层即2*2最大池化层的输入，再通过分割网络剩余池化层和卷积层等的前向传播以得到分割预测图。

进一步地，当把所述训练数据集中数据输入改进型unet分割网络时，以第一个编码块为例，得到的se模块分支输出的第一特征图、3*3卷积块输出的第二特征图及1*1卷积层输出的第三特征图以残差的方式进行相加融合。所述se模块能够通过学习的方式来自动获取到每个特征通道的重要程度，然后依照每个特征通道的重要程度去提升对当前任务有用的特征并抑制对当前任务用处不大的特征。

进一步地，在对所述分割网络进行训练的过程中，由于需要最小化损失函数，因此本发明采用了dice损失函数、加权多类交叉熵损失函数及训练数据集配合作用来对分割网络进行不断训练。

所述分割网络对应的损失函数为：

lseg＝λmcelmce+λdiceldice

其中，λmce、λdice为权重系数，lmce、ldice分别为加权多类交叉熵损失函数、dice损失函数。

具体的，经典医学图像分割网络unet网络通常包括特征提取部分及上采样部分，特征提取部分和常用的特征提取网络vgg的结构类似；跟分类任务不同，分割任务在提取深度特征之后还需上采样还原到原图大小。

其中，特征提取部分由4个编码块和1个底层块组成，每个编码块由2个3*3卷积层和relu激活函数、1个2*2最大池化层，底层块由网络最底部的2个3*3卷积层组成；每经过一个池化层就有一个尺度，包括原图尺度一共有5个尺度，并且每经过一个下采样层即最大池化层之后通道数就会加倍，以提取图像更深层次更抽象的特征。

其中，上采样部分由4个解码块组成，每个解码块由2*2上卷积层、2个3*3卷积层和relu激活函数组成，每上采样一次，就和特征提取部分对应的相同尺度特征图进行通道融合，但是融合之前要将其crop。这里的融合是通道拼接。

具体实施时，本发明以经典医学图像分割网络unet网络为基准，在该unet网络中的每个编码模块和解码模块的3*3卷积块之前增加一个1*1卷积层，其中卷积块为两个串联的卷积层，在该1*1卷积层之后分别建立一个se模块和空分支，se模块的分支和3*3卷积块并联，所述se模块为squeezeandexcitation模块，用于获取每个特征通道的重要程度，最终空分支和3*3卷积块的输出端连接，以得到改进型unet分割网络，以提升网络的泛化能力和鲁棒性能，从而解决模型在训练数据匮乏的情况下，分割网络泛化能力不足的问题。

请参阅图4至图5分别为改进型unet分割网络中编码块的结构示意图及se模块结构示意图。

通过对输入特征图x(尺寸大小为c'*h'*w'，c'为通道数)卷积得到的特征图u(尺寸大小为c*h*w，c为通道数)进行处理，即使用se(sequeezeandexcitation)模块中的sequeeze对特征图u(尺寸大小为c*h*w)进行globalaveragepooling，得到1*1*c大小的特征图，即一个和通道数一样的一维向量作为每个通道的评价分数，这个特征图可以理解为具有全局感受野；再使用excitation对sequeeze之后的结果做一个非线性变换，其中excitation是一个全连接网络，最后在使用excitation得到的结果作为权重，乘到输入特征u对应的通道上进行特征重标定，得到其结果x'(尺寸大小为c*h*w，c为通道数)。

具体地，以本发明所设计的分割网络的第一个编码块为例，当把所述训练数据集中批数据(大小尺寸为n*c1*h*w，n为图像批尺寸，c为通道数，h为图像高度，w为图像宽度)输入改进型unet分割网络时，其中c1为1，因为输入的视网膜oct图像为灰度图像，经过第一个核尺寸为1*1，输入通道数为c1，输出通道数为c2的卷积层和relu激活函数之后得到第一个特征图(大小尺寸为n*c2*h1*w1)，其中relu激活函数用来增加特征图的非线性，c2为64，h1为特征图的高度，w1为特征图的宽度，该特征图在经过核尺寸均为3*3，输入通道数为c2，输出通道数为c3的两个卷积层和relu激活函数得到第二个特征图(尺寸大小为n*c3*h2*w2)，其中c3为64，然后第一个输出特征图在作为se模块的分支的输入计算得到第三个特征图(大小尺寸和第一特征图一致)，将得到的se模块分支输出的第一特征图、3*3卷积块输出的第二特征图及1*1卷积层输出的第三特征图以残差的方式进行相加融合的特征图作为第一个下采样层即第一个2*2最大池化层的输入，通过特征降维来提出重要信息输出第四个特征图，以此类推到上采样部分的最后一个解码器(上采样部分从下往上数)的输出特征图(尺寸大小为n*c4*h3*w3),其中c4为64，该输出特征图在经过一个1*1卷积层来得到输出分割预测图(尺寸大小为n*c*h4*w4)，其中c为输入图像所要分割的类别数，在本发明实施例中，要分割的类别数为视网膜七个层次、积液区域、上下背景总共10个类别，即c为10。

步骤s103，根据联合损失函数公式计算分割预测图与专家像素级标记图像经过one-hot编码后的标准概率图之间的损失值，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型。其中，所述联合损失值用来表征分割预测图与其相对应的专家像素级标记图像经过one-hot编码后的标准概率图之间的误差。如上所述，通过根据联合损失函数公式计算分割预测图与专家像素级标记图像经过one-hot编码后的标准概率图之间的损失值进行反向传播，以便于对权重参数进行更新，通过预设周期长度的迭代训练，以最小化损失函数值，从而得到训练好的分割网络模型用于测试。

请参阅图6，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型的方法包括如下步骤：

步骤s1031，通过所述损失函数对网络权重参数进行逐层求偏导，并利用优化算法和学习率策略更新分割网络权重参数，以得到更新分割网络。

步骤s1032，将下一批视网膜oct图像送入所述更新分割网络中进行前向传播，以得到分割预测概率图。

步骤s1033，计算所述分割预测概率图与相对应的标准概率图之间的联合损失值，并利用集成了sgd的一阶动量和rmsprop的二阶动量的adam优化器进行优化，在预设周期内不断迭代，直至最小化损失函数值时，将当前的更新分割网络作为分割网络模型。

如上所述，通过根据联合损失函数公式计算分割预测图与专家像素级标记图像经过one-hot编码后的标准概率图之间的损失值进行反向传播，再利用集成了sgd的一阶动量和rmsprop的二阶动量的adam优化器进行优化，更新网络参数，在预设周期长度内不断迭代训练，直至最小化损失函数值，得到最优的训练分割网络模型，从而使得到的模型具有较高的鲁棒性。其中所one-hot编码指将专家像素级标记图像中各个类别的像素用一个通道的特征图表示，在每个通道中，除了该类别的像素的对应位置为1，其余均为0，标准概率图的大小和分割预测图的大小一致。

步骤s104，通过所述测试数据集对分割网络模型进行测试，以验证所述分割网络模型的可靠性。

如上所述，为保证分割网络模型的准确性与最优性，因此需对分割网络模型进行测试，以便于根据测试结果对所述分割网络模型的可靠性进行验证与分析。

根据本发明提供的基于深度学习的视网膜层和积液区域的层分割方法，获取医疗系统中各节点区域的视网膜oct数据集，将所述视网膜oct数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集；根据构建的分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中数据进行前向传播，以得到分割预测图；根据联合损失函数公式计算分割预测图与专家像素级专家像素级标记图像经过one-hot编码的标准概率图之间的联合损失值，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型；通过所述测试数据集对分割网络模型进行测试，以验证所述分割网络模型的可靠性。本发明通过采用训练数据集训练分割网络，测试数据集测试所得到的最优分割网络的准确率，以提高视网膜层和积液区域的层分割的准确性，通过对预训练数据集中的视网膜oct图像及其对应的专家像素级标记图像进行随机平移操作，以提高数据的广泛性，能够提升网络的泛化能力和鲁棒性能，以解决模型在训练数据匮乏的情况下，分割网络泛化能力不足的问题，满足了实际应用需求。

请参阅图7，基于同一发明构思，本发明第二实施例提供的基于深度学习的视网膜层和积液区域的层分割系统，包括：

获取模块10，用于获取医疗系统中各节点区域的视网膜oct数据集，将所述视网膜oct数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集。

进一步地，所述获取模块10包括：

获取单元，用于分别将第一数量患者及第二数量患者的视网膜oct图像和对应的专家像素级标记图像裁剪填充为预设大小尺寸后，作为预训练数据集及测试数据集，其中，所述视网膜oct图像与专家专家像素级标记图像的尺寸一致。

操作单元，用于将所述预训练数据集中的视网膜oct图像及其相对应的专家专家像素级标记图像进行随机平移操作，以得到训练数据集。

分割模块20，用于根据构建的改进型unet分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中的数据进行前向传播，以得到分割预测图。

进一步地，所述分割模块10包括：

构建单元，用于在unet网络中的每个编码模块和解码模块的3*3卷积块之前增加一个1*1卷积层，在该1*1卷积层之后分别建立一个se模块和空分支，se模块的分支和3*3卷积块并联，空分支和3*3卷积块的输出端连接，以得到改进型unet分割网络，其中所述se模块用于获取每个特征通道的重要程度。

分割单元，将所述训练数据集中的数据输入改进型unet分割网络后，先通过第一个改进后的编码块，以得到经1*1卷积层输出的第一特征图、经3*3卷积块输出的第二特征图及经se模块输出的第三特征图；

融合单元，用于将所述第一特征图、第二特征图及第三特征图以残差的方式进行相加融合得到的特征图作为第一个下采样层即2*2最大池化层的输入，再通过分割网络剩余池化层和卷积层等的前向传播以得到分割预测图。

所述分割网络对应的损失函数为：

lseg＝λmcelmce+λdiceldice

其中，λmce、λdice为权重系数，lmce、ldice分别为加权多类交叉熵损失函数、dice损失函数。

所述分割预测图的大小为n*c*h*w，其中，n为图像批次尺寸，c为分割类别数，h为图像高度，w为图像宽度。

训练模块30，用于根据联合损失函数公式计算分割预测图与专家像素级标记图像进行one-hot编码后的标准概率图之间的联合损失值，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型。其中，所述one-hot编码为将专家像素级标记图像中各个类别的像素用一个通道的特征图表示，在每个通道中，除了该类别的像素的对应位置为1，其余均为0。

进一步地，所述训练模块30包括：

更新单元，用于通过所述损失函数对网络权重参数进行逐层求偏导，并利用优化方法及学习率策略更新分割网络参数，以得到更新分割网络。

训练单元，用于将下一批视网膜oct图像送入所述更新分割网络中进行前向传播，以得到分割预测概率图。

优化单元，用于计算所述分割概率图与相对应的标准概率图之间的联合损失值，并利用集成了sgd的一阶动量和rmsprop的二阶动量的adam优化器进行优化，在预设周期内不断迭代，直至最小化损失函数值时，将当前的更新分割网络作为分割网络模型。

测试模块40，用于通过所述测试数据集对分割网络模型进行测试，以验证所述分割网络模型的可靠性。

根据本发明提供的基于深度学习的视网膜层和积液区域的层分割系统，通过获取医疗系统中各节点区域的视网膜oct数据集，将所述视网膜oct数据集划分为预训练数据集及测试数据集，并对所述预训练数据集中的数据进行随机平移，以得到训练数据集；根据构建的改进型unet分割网络及该分割网络对应的损失函数，对分批次送入该分割网络的训练数据集中的数据进行前向传播，以得到分割预测图；根据联合损失函数公式计算分割预测图与专家像素级标记图像经过one-hot编码后的标准概率图之间的联合损失值，将所述联合损失值进行反向传播，并通过预设周期长度的迭代训练得到分割网络模型；通过所述测试数据集对分割网络模型进行测试，以验证所述分割网络模型的可靠性。本发明通过采用训练数据集训练分割网络，测试数据集测试所得到的最优分割网络的准确率，以提高视网膜层和积液区域的层分割的准确性，通过对预训练数据集中的视网膜oct图像及对应的专家像素级标记图像进行随机平移操作，以提高数据的广泛性，能够提升网络的泛化能力和鲁棒性能，以解决模型在训练数据匮乏的情况下，分割网络泛化能力不足的问题，满足了实际应用需求。

本发明实施例提出的基于深度学习的视网膜层和积液区域的层分割系统的技术特征和技术效果与本发明实施例提出的方法相同，在此不予赘述。

此外，本发明的实施例还提出一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

此外，本发明的实施例还提出一种智能设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述方法的步骤。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。