技术摘要：
本发明公开了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，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，将该数据集划分为预训练数据集及测试数据集，对预训练数据集中的数据进行随机平移，得到训练数据集；根据构建的分割网络及对应的损失  全部
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(Optical  coherence  tomography,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(Diabetic  macular  edema,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 4 CN 111583291 A 说　明　书 2/10 页 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 5 CN 111583291 A 说　明　书 3/10 页 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。 6 CN 111583291 A 说　明　书 4/10 页 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。