欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019107623186
申请人: 苏州大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于GCS‑Net进行OCT图像脉络膜自动分割方法,其特征是,包括以下步骤:数据获取和预处理,数据集为人眼三维OCT图像,对上述数据进行预处理作为训练集样本;

构建GCS‑Net网络模型,利用训练集样本对所述GCS‑Net网络进行训练,所述GCS‑Net网络采用U‑Net结构作为基础网络,在编码路径与解码路径之间的每层跨越连接层采用组间通道膨胀模块(GCD)进行连接,在解码路径中每层反卷积层后采用组间空间膨胀模块(GSD)进行层间连接;

所述组间通道膨胀模块将输入的特征图分为多组,对分组的特征图分别进行不同膨胀率的膨胀卷积操作,同时对分组的特征图进行特征提取、输出,获得所有分组的通道信息,将分组的通道信息作为通道权重与膨胀卷积操作后的所有分组特征图对应相乘得到各组特征图,将所有分组特征图拼接后与输入的特征图进行残差操作输出该模块的预测图;

所述组间空间膨胀模块将输入的特征图分为多组,对分组的特征图分别进行不同膨胀率的膨胀卷积操作,同时对分组的特征图进行特征提取、输出,获得所有分组的空间信息,将分组的空间信息作为空间权重与膨胀卷积操作后的所有分组特征图对应相乘得到各组特征图,将所有分组特征图拼接后与输入的特征图进行残差操作输出该模块的预测图;

对训练好的GCS‑Net网络模型进行测试;

将待分割图像输入构建好的模型中,输出对应的脉络膜分割图。

2.根据权利要求1所述的一种基于GCS‑Net进行OCT图像脉络膜自动分割方法,其特征是,所述GCS‑Net网络模型采用的损失函数为二值交叉熵(BCE)损失和戴斯(Dice)损失组合构成的联合损失函数,戴斯损失LDice和二值交叉熵损失LBCE的公式如下:这里的N是预测图中总的像素数量,pi∈[0,1]和gi∈{0,1}分别表示像素i预测为目标前景的概率和金标准的真实标签,ε是平滑因子;

最终的联合损失函数LTotal的公式为:LTotal=LDice+λLBCE          (3)这里的λ是Dice损失和BCE损失的平衡系数。

3.根据权利要求1所述的一种基于GCS‑Net进行OCT图像脉络膜自动分割方法,其特征是,数据预处理方法为将大小为512×992的原始OCT图像双线性插值下采样到256×512,并通过对图像进行随机的左右翻转以模拟左右眼图像的方式进行数据增强。

4.根据权利要求1所述的一种基于GCS‑Net进行OCT图像脉络膜自动分割方法,其特征是,所述GCS‑Net网络结构为4层结构的U‑Net网络,编码路径每层采用两个3×3卷积层和最大池化层进行特征提取,每层特征图经所述组间通道膨胀模块连接对应的解码层,在解码路径每层采用3×3卷积层、上采样层以及1×1卷积层进行恢复,每层特征图经所述组间空间膨胀模块连接对应的解码层,输出层采用3×3卷积层以及1×1卷积层进行输出,除输出层以外的所有卷积层均加入批正则化(BN)和修正线性单元(ReLU)来校正数据分布。

5.根据权利要求4所述的一种基于GCS‑Net进行OCT图像脉络膜自动分割方法,其特征是,所述组间通道膨胀模块将特征图平均分为4组,每组分别进行膨胀率为1、2、4、6的膨胀卷积操作。

6.根据权利要求1所述的一种基于GCS‑Net进行OCT图像脉络膜自动分割方法,其特征是,所述组间通道膨胀模块中对分组的特征图进行特征提取输出步骤包括:平均池化、卷积、批正则化以及激活操作后,通过softmax回归获得所有分组的通道信息。

7.根据权利要求4所述的一种基于GCS‑Net进行OCT图像脉络膜自动分割方法,其特征是,所述组间空间膨胀模块将特征图平均分为3组,每组分别进行膨胀率为1、3、5的膨胀卷积操作。

8.根据权利要求1所述的一种基于GCS‑Net进行OCT图像脉络膜自动分割方法,其特征是,所述组间空间膨胀模块对分组的特征图进行特征提取输出步骤包括:下采样、卷积、批正则化、激活、上采样、卷积、批正则化、激活操作后,通过softmax回归获得所有分组的空间信息。

9.根据权利要求1所述的一种基于GCS‑Net进行OCT图像脉络膜自动分割方法,其特征是,所述分割方法用于病理性近视或含视神经乳头(ONH)的视网膜三维OCT图像分割。