一种循环裁剪分割与多模型融合的视盘分割方法及装置

技术特征：

1.一种循环裁剪分割与多模型融合的视网膜视盘分割方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的循环裁剪分割与多模型融合的视网膜视盘分割方法，其特征在于，所述方法还包括对若干视盘分割模型的分割结果进行融合，得到每个像素的预测结果。

3.根据权利要求2所述的循环裁剪分割与多模型融合的视网膜视盘分割方法，其特征在于，所述对若干视盘分割模型的分割结果进行融合，得到每个像素的预测结果，具体包括：

4.根据权利要求1所述的循环裁剪分割与多模型融合的视网膜视盘分割方法，其特征在于，对视盘分割模型进行训练前，对训练数据集进行数据扩增，所述数据扩增包括将训练数据集中的图像进行水平翻转，垂直翻转和图像增强。

5.根据权利要求1所述的循环裁剪分割与多模型融合的视网膜视盘分割方法，其特征在于，对视盘分割模型进行训练过程中，采用平均交并比miou系数和dice系数来评估模型性能，具体表达式为：其中x和y分别代表分割得到的视盘和专家手动标注的视盘，|x∩y|是x和y之间的交集的像素个数，|x|和|y|分别表示x和y的像素的个数。

6.一种循环裁剪分割与多模型融合的视网膜视盘分割装置，其特征在于，包括：

7.根据权利要求6所述的循环裁剪分割与多模型融合的视网膜视盘分割装置，其特征在于，所述装置还包括分割结果融合单元，用于对若干视盘分割模型的分割结果进行融合，得到每个像素的预测结果。

8.根据权利要求6所述的循环裁剪分割与多模型融合的视网膜视盘分割装置，其特征在于，所述分割结果融合单元包括：

技术总结
本发明公开了一种循环裁剪分割与多模型融合的视网膜视盘分割方法及装置。该方法包括：收集视盘分割数据集；挑选适合视盘分割的深度学习神经网络；循环先裁减后分割视盘；综合分析各个神经网络模型的优点，进行模型融合。本发明使用多种不同的神经网络模型，多种模型融合方案，在多个视盘分割数据集上进行训练，测评各个模型及模型融合的分割效果。实验结果表明，与任何单个子网络模型相比，模型融合方案取得更好的分割效果。

技术研发人员：徐勇,孙赢利
受保护的技术使用者：哈尔滨工业大学（深圳）
技术研发日：
技术公布日：2024/1/13