一种基于卷积神经网络的视网膜血管分割方法技术

本发明专利技术公开了一种基于卷积神经网络的视网膜血管分割方法，包括：对视网膜眼底图像进行预处理；对训练集图像进行块提取；构建血管分割卷积神经网络，用提取到的图像块进行训练；在预测阶段，对每张图像提取多个连续的重叠片段，对多个预测结果取平均获得每个像素的分类概率，得到最后的分割结果图。本发明专利技术针对视网膜血管分割提出的新的卷积神经网络结构，是一种基于Encoder‑Decoder结构的对称网络，在Encoder部分和Decoder部分之间添加了两种跳过连接。网络不仅可以实现视网膜图像端到端的分割，而且能在有限的数据集上得到精确的分割结果，并能有效避免梯度消失的问题，相比于现有技术的算法，具有一定的优势。

【技术实现步骤摘要】
一种基于卷积神经网络的视网膜血管分割方法
本专利技术涉及医学图像处理及计算机视觉
，具体涉及一种基于卷积神经网络的视网膜血管分割方法。
技术介绍
视网膜眼底图像已被广泛应用于多种心血管和眼科疾病的诊断，筛选和治疗，视网膜血管的分析，在许多临床应用中，揭示全身性疾病的重要信息，具有十分重要的意义。视网膜血管的分割是定量分析的基本步骤。分割的血管树可以用来提取血管的形态属性，如长度，宽度，分支和角度。此外，血管树作为图像中最稳定的特征，已被采用在多模式视网膜图像配准，由于其独特性，血管树也被用于生物识别。手动分割视网膜图像中的血管树是一项繁琐的任务，需要经验和技巧。在开发眼科疾病的计算机辅助诊断系统时，视网膜血管的自动分割已经被认为是一个重要且具有挑战性的步骤。广泛地说，现有的算法可以分为有监督和无监督的方法。无监督方法主要包括：基于匹配滤波、基于模型的方法等；有监督方法是集中在特征向量的提取以及使用特征作为输入的分类器的设计以区分血管像素和背景。监督方法的性能通常优于无监督方法，对视网膜图像能自动分割并且能产生良好的效果。大多数监督方法采用支持向量机(SVM)或人工神经网络(ANN)作为分类器。与SVM相比，多层神经网络可以模拟更复杂的输入和输出之间的关系。Marin等人提出了一种基于神经网络的监督方法，训练一个神经网络(NN)进行像素分类。它们同时使用基于灰度和矩不变量的特征来构建7维特征矢量，并利用多层前馈神经网络进行训练和分类。他们的方法报告的准确性，敏感性和特异性分别为0.9452,0.7067和0.9801(DRIVE数据库)，和0.9526,0.6944和0.9819(STARE数据库)。决策树也被用于血管分割，Fraz等人提出了使用增强型决策树的集合方法来进行血管分割。他们利用四种技术来提取特征向量，包括梯度向量场，形态学变换，线特征和Gabor响应。在DRIVE数据库上的平均准确度，灵敏度和特异性分别提高到0.9480,0.7406和0.9807，在STARE数据库上的平均准确度，灵敏度和特异性提高到0.9534,0.7548和0.9763。大多数公开的监督方法使用人工设计的特征来模拟视网膜血管。然而，手动设计特征是一个启发式和艰苦的过程，严重依赖于经验和技能，血管交叉，分支和中心线反射的存在也使得用人工设计的特征精确地分割血管是困难的。而且，为了解决病变，图像噪声等复杂情况，通常需要仔细调整算法中使用的参数。卷积神经网络(CNNs)可自动从训练图像中集中学习高度代表性的分层特征，基于其在医学图像分割中强大的表现，可以用卷积神经网络来提高分割算法的性能，有着很好的效果。Maninis等人提出了一个统一的视网膜图像分析框架，通过使用深度卷积神经网络进行视网膜血管和视盘分割。由于条件随机场(CRF)可以帮助模拟像素之间的长距离相互作用，并且在存在强度下降和噪声的情况下也可以提高分割性能，Hu等人将CRF整合到视网膜血管分割的深度神经网络中。Dasgupta等人提出了进一步的发展，将完全卷积网络(FCN)用于眼底图像中来分割视网膜血管。用于血管分割的FCN用一个或多个去卷积层代替全连接层，使得分割更快和更精确。然而，作为实现图像分割密集预测的常用网络，FCN只是通过单一的双线性插值来执行反卷积操作，并且难以准确重建血管边界的高度非线性结构。另外，边界细节和语义之间存在固有的张力，尽管定义了跳过架构以分别结合来自深层的语义信息和浅层的外观信息。由于视网膜血管的特殊性，需要更多上下文信息来生成逐像素分类。上述的许多用于视网膜血管分割的方法，有些并不适合于实际应用，有些需要较复杂的预处理和后处理步骤，并且想要应用于计算机辅助诊断，对算法实现视网膜血管分割的精确度、灵敏度、特异性等有一定要求。
技术实现思路
本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于卷积神经网络的视网膜血管分割方法，能够实现端到端的网络训练，不需要复杂的后处理方法，在视网膜血管图像分割上达到很好的效果。本专利技术的目的可以通过采取如下技术方案达到：一种基于卷积神经网络的视网膜血管分割方法,包括以下步骤：S1、对数据库中的视网膜血管图像进行预处理，包括灰度转换、标准化、对比度受限直方图均衡化和Gamma校正；S2、对数据库训练集中的经过预处理的图片进行块提取，进行样本扩充，用于作为神经网络结构的训练样本，增加训练数据，提高训练网络模型的泛化能力；S3、基于Encoder-Dercoder结构构建视网膜血管分割卷积神经网络，将步骤S2提取的图像块作为卷积神经网络的输入，对网络进行训练，得到视网膜血管图像分割的模型参数；所述的卷积神经网络的结构分为Encoder部分和Decoder部分，Encoder部分由四个Encoder卷积块组成，依次为第一Encoder卷积块、第二Encoder卷积块、第三Encoder卷积块和第四Encoder卷积块；Decoder部分由四个Decoder卷积块组成，依次为第一Decoder卷积块、第二Decoder卷积块、第三Decoder卷积块和第四Decoder卷积块；将相应层次Encoder卷积块的输出连接到Decoder卷积块的输入：第一Encoder卷积块的输出连接到第四Decoder卷积块的输入、第二Encoder卷积块的输出连接到第三Decoder卷积块的输入、第三Encoder卷积块的输出连接到第二Decoder卷积块的输入、第四Encoder卷积块的输出连接到第一Decoder卷积块的输入，从而形成跳过连接；并在每个Encoder卷积块和Decoder卷积块的内部将输入直接连接到输出，形成另一个跳过连接，由此形成了对称的网络结构；S4、将测试样本输入网络，在每个测试图像中提取多个连续的重叠片段，对多个预测结果进行平均获得每个像素的分类概率，得到视网膜血管的分割结果图。进一步地，所述的步骤S1、对数据库中的视网膜血管图像进行预处理的过程如下：S11、对每一幅彩色视网膜图像进行灰度转换，赋予R、G、B三个通道的值不同的权重，根据公式Gray＝R*0.299+G*0.587+B*0.114，将原始图像转化为单通道灰度图；S12、由于图像采集过程中存在的误差，将灰度图进行归一化处理，以防止在训练过程中进行梯度下降类似的优化算法时，最终值被数值大的特征所主导。图像归一化后也可以相应提高迭代求解的收敛速度和精度；S13、对图像进行对比度受限直方图均衡化(CLAHE)处理以及Gamma校正来调节图像的对比度，提高图像的质量。进一步地，所述的步骤S2中,图像块提取方法具体为：在每张经过预处理的图像中随机提取一定数量的图像块，图像块的大小可以根据训练结果修改设定，由此，图像块可以在图片任意位置取得，通过在每张图像上进行块提取，训练样本数量得到有效扩增。进一步地，所述的步骤S3中,基于Encoder-Decoder结构对称的卷积神经网络，Encoder部分用于提取输入图像块的特征，并且利用池化层减少像素空间；Decoder部分通过上采样重建目标的细节，恢复像素空间，以此实现图像视网膜血管的分割。在块间添加的跳过连接使得每个Decoder卷积块的输入为上一层的输出和相应Encoder卷积块输出的本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的视网膜血管分割方法,其特征在于，所述的视网膜血管分割方法包括以下步骤：S1、对数据库中的视网膜血管图像进行预处理，包括灰度转换、标准化、对比度受限直方图均衡化和Gamma校正；S2、对数据库训练集中的经过预处理的图片进行块提取，进行样本扩充，用于作为神经网络结构的训练样本；S3、基于Encoder‑Dercoder结构构建视网膜血管分割卷积神经网络，将步骤S2提取的图像块作为卷积神经网络的输入，对网络进行训练，得到视网膜血管图像分割的模型参数；所述的卷积神经网络的结构分为Encoder部分和Decoder部分，Encoder部分包括四个Encoder卷积块，依次为顺序连接的第一Encoder卷积块、第二Encoder卷积块、第三Encoder卷积块和第四Encoder卷积块，并且每个Encoder卷积块后面均连接一个池化层和ReLU层；Decoder部分包括四个Decoder卷积块，依次为顺序连接的第一Decoder卷积块、第二Decoder卷积块、第三Decoder卷积块和第四Decoder卷积块，并且每个Decoder卷积块前面连接一个反卷积层和ReLU层；其中，第一Encoder卷积块的输出连接到第四Decoder卷积块的输入、第二Encoder卷积块的输出连接到第三Decoder卷积块的输入、第三Encoder卷积块的输出连接到第二Decoder卷积块的输入、第四Encoder卷积块的输出连接到第一Decoder卷积块的输入，从而形成跳过连接；S4、将测试样本输入卷积神经网络，在每个测试图像中提取多个连续的重叠片段，对多个预测结果进行平均获得每个像素的分类概率，得到视网膜血管的分割结果图。...

【技术特征摘要】
1.一种基于卷积神经网络的视网膜血管分割方法,其特征在于，所述的视网膜血管分割方法包括以下步骤：S1、对数据库中的视网膜血管图像进行预处理，包括灰度转换、标准化、对比度受限直方图均衡化和Gamma校正；S2、对数据库训练集中的经过预处理的图片进行块提取，进行样本扩充，用于作为神经网络结构的训练样本；S3、基于Encoder-Dercoder结构构建视网膜血管分割卷积神经网络，将步骤S2提取的图像块作为卷积神经网络的输入，对网络进行训练，得到视网膜血管图像分割的模型参数；所述的卷积神经网络的结构分为Encoder部分和Decoder部分，Encoder部分包括四个Encoder卷积块，依次为顺序连接的第一Encoder卷积块、第二Encoder卷积块、第三Encoder卷积块和第四Encoder卷积块，并且每个Encoder卷积块后面均连接一个池化层和ReLU层；Decoder部分包括四个Decoder卷积块，依次为顺序连接的第一Decoder卷积块、第二Decoder卷积块、第三Decoder卷积块和第四Decoder卷积块，并且每个Decoder卷积块前面连接一个反卷积层和ReLU层；其中，第一Encoder卷积块的输出连接到第四Decoder卷积块的输入、第二Encoder卷积块的输出连接到第三Decoder卷积块的输入、第三Encoder卷积块的输出连接到第二Decoder卷积块的输入、第四Encoder卷积块的输出连接到第一Decoder卷积块的输入，从而形成跳过连接；S4、将测试样本输入卷积神经网络，在每个测试图像中提取多个连续的重叠片段，对多个预测结果进行平均获得每个像素的分类概率，得到视网膜血管的分割结果图。2.根据权利要求1所述的一种基于卷积神经网络的视网膜血管分割方法，其特征在于，所述的步骤S1、对数据库中的视网膜血管图像进行预处理的过程如下：S11、对每一幅彩色视网膜图像进行灰度转换，赋予R、G、B三个通道的值不同的权重，根据公式Gray＝R*0.299+G*0.587+B*0.114，将原始图像转化为单通道灰度图；S12、将灰度图进行归一化处理；S13、对图像进行对比度受限直方图均衡化处理以及Gamma校正来调节图像的对比度。3.根据权利要求1所述的一种基于卷积神经网络的视网膜血管分割方法，其特征在于...

【专利技术属性】
技术研发人员：周叶萍，陆以勤，覃健诚，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44