眼底图像分割的系统框架

基于眼底图像分割的人工智能算法系统框架见图3-7。首先，将从眼科医院获得的眼底图像分为训练集和测试集。测试集中分出一部分为验证集，用于训练过程中的交叉验证，防止网络的过拟合。再将训练集中的眼底图像进行预处理，预处理步骤大致包括数据归一化、标准化和对比度增强，前两步用于加快网络的收敛速度和增强网络的泛化性能。由于医学图像的复杂性，前景和背景之间往往难以划分边界，因此最后一步用于增强前景与背景的对比度，通常包括灰度变换、对比度受限的自适应直方图均衡化和伽马变换等。由于医学上的标注图像往往难以获取，因此从眼科医院获得的带标注的眼底图像十分稀少，为了避免网络的过拟合、保证训练过程中的稳定性、增强网络的分割性能，对训练数据进行扩增是必要的。最后将经过预处理和数据扩增的训练数据集输入分割网络训练，在训练迭代过程中，采用预定的指标和相应的损失函数达到学习目的，使用真实标签监督损失变化和保存网络参数模型。预测过程中使用预定指标评估的最优模型对测试集图像进行预测，以评估模型在特定任务中的分割性能。

图3-7　基于眼底图像分割的人工智能算法系统框架