申请/专利权人：苏州大学

申请日：2021-08-12

公开（公告）日：2023-10-03

公开（公告）号：CN113724262B

主分类号：G06T7/10

分类号：G06T7/10;G06V10/764;G06V10/80;G06V10/77;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2023.10.03#授权;2021.12.17#实质审查的生效;2021.11.30#公开

摘要：本申请公开了一种视网膜OCT图像中的脉络膜新生血管CNV分割方法，包括：将视网膜OCT图像输入至多尺度信息融合网络，通过多尺度信息融合网络对视网膜OCT图像进行分割；多尺度信息融合网络包括编解码器网络、多尺度自适应感知变形模块MAD和语义细节聚合模块SDA，编解码器网络包括编码器和解码器，编码器用于提取视网膜OCT图像中的语义信息和全局特征，MAD设置在编码器的顶部用于聚合上下文信息，SDA连接编码器和解码器，用于融合多层次的语义信息，解码器用于恢复空间分辨率。基于伪标记数据增强策略的SemiMF‑Net半监督网络结构，利用未标记数据进一步提高CNV分割精度，解决现有技术中对脉络膜新生血管CNV分割时内部结构信息会丢失的问题，达到了提高CNV分割精度的效果。

主权项：1.一种视网膜OCT图像中的脉络膜新生血管CNV分割方法，其特征在于，所述方法包括：将视网膜OCT图像输入至多尺度信息融合网络MF-Net，通过所述多尺度信息融合网络对所述视网膜OCT图像进行分割；所述多尺度信息融合网络包括编解码器网络、多尺度自适应感知变形模块MAD和语义细节聚合模块SDA，所述编解码器网络包括编码器和解码器，所述编码器用于提取所述视网膜OCT图像中的语义信息和全局特征，所述MAD设置在所述编码器的顶部用于聚合上下文信息，包括：并行可变形卷积模块、多重全局空间注意力模块、多重全局通道注意力模块和自适应残差模块；所述并行可变形卷积模块，用于接收所述编码器的输出，并将所述编码器的输出并行输入至多个卷积层中，通过卷积层对信道压缩并提取全局上下文信息，将输出的特征图连接并输入至可变形卷积，所述可变形卷积将连接的特征映射分别输入至所述全局空间注意力模块、所述全局通道注意力模块和所述自适应残差模块；所述多重全局空间注意力模块包括最大池化和平均池化；所述多重全局空间注意力模块，用于将所述并行可变形卷积模块输出的特征映射输入至所述最大池化和所述平均池化，通过所述最大池化和所述平均池化得到注意力特征映射，将所述注意力特征映射输入至所述自适应残差模块；所述多重全局通道注意力模块，用于将所述并行可变形卷积模块输出的特征映射输入两个平行分支，得到全局通道最大值映射和全局通道均值映射，根据所述全局通道最大值映射和所述全局通道均值映射确定通道特征映射，并将所述通道特征映射输入至所述自适应残差模块；所述自适应残差模块，用于将所述并行可变形卷积模块输出的特征映射分别乘以所述多重全局空间注意力模块输出的注意力特征映射和所述多重全局通道注意力模块输出的通道特征映射，根据相乘结果确定最终输出，并将输出结果输出至所述解码器；所述SDA连接所述编码器和所述解码器，用于提取用于分割的语义信息和详细信息对提取到的语义信息和详细信息进行融合，并将融合结果输出至最外层解码器，每个SDA的输出为： 其中Sk为第k个SDA模块的输出，Conv表示卷积，F1和F2分别表示解码器3和SDA1的输出特征映射，@2为速率为2的上采样操作，表示矩阵对应元素相乘，E3-k表示第3-k个编码器的输出特征映射，表示矩阵对应元素相加，D3-k表示第3-k个解码器的输出特征映射；所述解码器用于恢复空间分辨率，结合伪数据增强策略，利用未标记数据，通过所述半监督尺度信息融合网络SemiMF-Net网络结构，进一步提高了脉络膜新生血管CNV分割精度；所述SemiMF-Net半监督网络结构主要包括三个步骤:1利用带标签数据对MF-Net进行预训练，对未带标签的数据进行分割，将这些分割结果作为未带标签数据的伪标签；2将带有伪标签的未标注数据与标注数据混合，基于目标函数L′Pseudo+LReal进行半监督地训练MF-Net；3最后，使用SemiMF-Net半监督网络分割视网膜OCT图像中脉络膜新生血管CNV。

全文数据：

权利要求：

百度查询： 苏州大学 视网膜OCT图像中的脉络膜新生血管CNV分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD