本发明涉及视网膜图像分割，尤其涉及一种基于潜在噪点聚类和近似精度损失函数的视网膜图像分割方法。
背景技术：
1、医学图像诊断是指医生通过非侵入式的方式取得内部组织的影像数据来对疾病进行定量或定性分析。医学图像记录的患者信息已成为医生诊断的关键依据，对治疗方法的选择上起到决定性的作用。作为一种成熟的光学诊断技术，频域光学相干断层扫描(spectral-domain optical coherence tomography，sd-oct)具有高分辨率、高灵敏度以及无创性等诸多优点，为眼底疾病的诊断、随访和鉴别提供了一种可靠的技术方案。
2、视网膜下积液(srf)通常被视为增殖性糖尿病视网膜病变的常见类型。sd-oct分割技术通过定量分析病变区域来发现早期的srf，以辅助医生进行临床诊断和治疗。传统的医学图像分割方法依赖于复杂的数学模型和领域知识，难以适用于医学大数据场景。基于深度学习的医学图像分割方法允许使用具有多个处理层的计算模型来自动学习具有多个抽象级别的数据表示，为眼底图像分割提供了一种极具吸引力的解决方案。
3、尽管深度学习技术改善了sd-oct影像的分割性能，但依然面临许多问题亟待解决。深度网络缺乏可解释性，并且参数繁多，使得训练过程需要大量的计算资源。光学成像系统的分辨率限制、眼部病理变化(如血管水肿、出血、渗出等)、成像过程中晶体介质散射、眼球的微小运动或患者的非配合性造成的运动伪影、散斑噪声引发oct层分离中的强度波动以及个体差异引起眼部组织的光学属性不均匀分布，都会导致sd-oct眼底图像的某些区域模糊或失真，但大多数深度网络未具备描述不确定性的专用模块。受限于模型的特征提取能力，对视网膜病变区域进行分割时会引起相邻视网膜层对比度降低，使得网络既没有关注视网膜结构的全局信息，也没有关注视网膜层的边界信息，从而难以区分不同患者之间病灶的细微差异。
技术实现思路
1、鉴于此，本发明的目的在于提供一种基于潜在噪点聚类和近似精度损失函数的视网膜图像分割方法，以准确描述sd-oct影像中存在的样本模糊性，提高srf病变区域的分割精度。
2、为实现上述发明目的，本发明提供一种基于潜在噪点聚类和近似精度损失函数的视网膜图像分割方法，所述方法包括以下步骤：
3、s101、获取sd-oct(spectral-domain optical coherence tomography，频域光学相干断层扫描)眼底图像，对其进行模糊聚类后输出不同分割区域的隶属度函数；
4、s102、确定像元之间的模糊关系，以及隶属度函数与像元之间的模糊关系；
5、s103、根据隶属度函数与像元之间的模糊关系构建模糊粗糙模型，根据模糊粗糙模型得到遗传算法(ga)的适应度函数，通过ga找到最佳的断点集合；
6、s104、将断点集合用于sd-oct眼底图像的特征离散化处理；
7、s105、将特征离散化后的sd-oct眼底图像输入到frcnn网络中进行处理，输出对视网膜下积液(srf)的分割结果。
8、与现有技术相比，本发明的有益效果是：
9、(1)本发明在初始化各分割区域中心点的过程中通过灰度直方图筛选出参与聚类的像素点，接着将每种类型的分割区域视为一个模糊簇，根据模糊簇的数目，采用模糊聚类推导每种分割区域的隶属度函数，同时根据潜在的噪点到各聚类中心的距离确定其隶属度，并通过计算像元之间的距离来确立模糊关系，能够准确描述sd-oct眼底图像中的不确定性信息。
10、(2)本发明将模糊集与粗糙集相结合来构建应用于sd-oct眼底图像特征离散化的模糊粗糙模型，并使用断点数目以及所有分割区域类别的模糊粗糙集的平均近似精度作为适应度函数中两个关键的优化目标来对所有像元值进行离散化处理，以消除信息冗余和噪声干扰带来的负面影响，减小算法的时空开销并增强模型的鲁棒性。
11、(3)本发明将经过特征离散化后的影像作为输入数据，并在全卷积神经网络架构中利用具有混合内核卷积的双重注意力模块来捕获多尺度信息，并通过加入模糊粗糙模型的近似精度损失项来构建新的损失函数，以提升分割精度和可解释性。
12、(4)本发明能够在兼顾可解释性的同时准确地分割出srf病变区域，为理论研究和临床应用提供有力支撑。
1.一种基于潜在噪点聚类和近似精度损失函数的视网膜图像分割方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s101具体包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，步骤s101中，随机选取灰度直方图的峰值作为模糊聚类中心的初始值，将sd-oct眼底图像中出现频次最低的灰度值所对应的像素点确定为潜在噪点，当模糊聚类中心不再更新后，根据潜在噪点与各个模糊聚类中心的聚类确定潜在噪点的隶属度，潜在噪点不参与模糊聚类过程。
4.根据权利要求3所述的方法，其特征在于，步骤s102具体包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，步骤s103中，根据隶属度函数与像元之间的模糊关系构建模糊粗糙模型，根据模糊粗糙模型得到遗传算法(ga)的适应度函数，具体包括以下步骤：
6.根据权利要求5所述的方法，其特征在于，步骤s105中，frcnn网络由具有编码器-解码器架构的骨干网络和阶段性注意力细化模块组成，将基于模糊粗糙集的特征离散化模型作为frcnn网络的前置模块。
7.根据权利要求6所述的方法，其特征在于，所述骨干网络使用向前跳跃连接和具有残差连接的卷积，骨干网络每个stage的输入由两个3×3×3卷积层处理，每个卷积块的输入和输出之间添加一个残差连接，每个stage中的两个卷积层之间引入空间注意力和通道注意力的双注意力机制，以对空间维度和通道维度的语义相互依赖性进行建模，其中空间注意力通过所有位置的特征加权和来选择性地聚集每个位置的特征，同时通道注意力通过整合所有通道图之间的相关特征，选择性地强调相互依赖的通道图，在骨干网络中提取一系列不同分辨图的特征图，其中较浅的特征图包含能够准确地描绘srf边界所需的高分辨率的细节，较深的特征图包含有助于预测srf整体轮廓的粗略信息和高级信息。
8.根据权利要求7所述的方法，其特征在于，所述阶段性注意力细化模块对骨干网络每个阶段生成的特征图进行不同倍数的上采样操作，并输出相同大小的精细注意力特征图，阶段性注意力细化模块包括两层组卷积块，然后是特征级联和1×1×1瓶颈卷积块，阶段性注意力细化模块输出的特征图通过concat函数进行拼接，特征图拼接具体为将多个特征图在通道维度上进行堆叠，以增加特征图的深度，特征图在经过两个卷积层之后进行bn和relu的处理，从而产生srf概率图，对srf的分割结果在边缘检测后在原图上进行显示。
9.根据权利要求8所述的方法，其特征在于，frcnn网络的损失函数包括dice损失、交叉熵损失、深度监督分支的加权交叉熵损失和模糊粗糙近似精度损失，损失函数表示为：
