The method of retinal vascular segmentation based on depth learning combined with traditional methods involves computer vision and pattern recognition. The two kinds of gray image as the samples of the network, according to the data of retinal images is less of a problem to do the corresponding amplification data including elastic deformation, filtering and so on, to expand the applicability of the invention. The depth of the network through segmentation of retinal blood vessels to construct FCN HNED, the network greatly realized the process of autonomous learning, can not only share the convolution feature of the whole image, reduce redundancy, and can be a category of a plurality of pixels to recover from the abstract features, respectively, the retinal blood vessel image. CLAHE and Gauss matched filtering were the vascular network input segmentation by weighted average to get better and more complete segmentation probability map, this method greatly improves the robustness and accuracy of segmentation of vessels.
【技术实现步骤摘要】
基于深度学习与传统方法相结合的视网膜血管分割方法
本专利技术涉及计算机视觉以及模式识别领域,是一种基于深度学习与传统方法相结合的视网膜血管分割方法。
技术介绍
眼底成像可以通过视网膜成像来判断是否存在异常,其中对于视网膜血管的观察相当重要。青光眼、白内障以及糖尿病等疾病都会造成视网膜眼底血管的病变。视网膜病变患者逐年增加,如果不能及时治疗,通常会导致长期患有这些疾病的患者承受巨大痛苦甚至失明。然而,目前视网膜病是由专科医生进行人工诊断,专科医生首先对患者的眼底图像进行手工血管的标记,然后,再测量所需的血管口径、分叉角度等相关参数。其中,手工标记血管的过程大概需要两个小时左右,诊断过程花费大量时间,为了节约人力物力,自动化提取血管的方法显得尤为重要。不但可以减轻专科医生的负担,也可以有效解决偏远地区缺乏专科医生的问题。鉴于视网膜血管分割的重要性,国内外学者做了许多研究,大致分非监督和监督方法。非监督方法是通过某种规则来提取血管目标,包括匹配滤波,形态学处理,血管追踪,多尺度分析等算法。监督学习也叫作像素特征分类方法或者机器学习技术。通过训练将每个像素分类判断为血管或者非血管。主要分为两个过程:特征提取和分类。特征提取阶段通常包括Gabor滤波,高斯匹配滤波,形态学增强等方法。分类阶段通常包括的分类器有Bayesian(朴素贝叶斯),SVM等分类器。但是,该种对于像素的判断不能很好的考虑每个像素与其周围领域像素之间的联系。因而出现了CNN,它可以根据图像块的特征来判断中心像素为血管或者非血管,通过进行多层结构的自动学习特征,使这些抽象的特征有利于中心像素点的分 ...
【技术保护点】
基于深度学习与传统方法相结合的视网膜血管分割方法,其特征在于,包括以下步骤:(1)、预处理对彩色的视网膜图像的RGB三个通道中绿色通道进行提取,进行归一化处理,对归一化后的视网膜图像进行CLAHE处理,将CLAHE处理之后的视网膜血管进行高斯匹配滤波处理,将CLAHE处理之后的视网膜血管图和高斯匹配滤波图都作为训练的样本;(2)、数据扩增和构建训练样本数据扩增方式:1)将预处理后的图像进行左右上下等平移分别为20个像素,实现网络学习的平移不变性;2)将1)处理后的图像分别进行45°,90°,125°,180°的旋转,截取其中的最大矩形;3)将2)处理后的图像集选取其中25%分别进行3×3和5×5的中值滤波模糊操作;4)将3)处理后的图像集取25%进行随机的弹性变形;5)将4)处理后的图像进行50%和75%的缩放处理,从而扩增数据;对于视网膜血管分割的专家标准图ground truth进行同样的处理,从而与样本一一对应;(3)、FCN‑HNED网络构建构建的网络为:输入层,两个卷积层(C1,C2),第一降采样层(pool1),两个卷积层(C3,C4),第二降采样层(pool2),两个卷积 ...
【技术特征摘要】
1.基于深度学习与传统方法相结合的视网膜血管分割方法,其特征在于,包括以下步骤:(1)、预处理对彩色的视网膜图像的RGB三个通道中绿色通道进行提取,进行归一化处理,对归一化后的视网膜图像进行CLAHE处理,将CLAHE处理之后的视网膜血管进行高斯匹配滤波处理,将CLAHE处理之后的视网膜血管图和高斯匹配滤波图都作为训练的样本;(2)、数据扩增和构建训练样本数据扩增方式:1)将预处理后的图像进行左右上下等平移分别为20个像素,实现网络学习的平移不变性;2)将1)处理后的图像分别进行45°,90°,125°,180°的旋转,截取其中的最大矩形;3)将2)处理后的图像集选取其中25%分别进行3×3和5×5的中值滤波模糊操作;4)将3)处理后的图像集取25%进行随机的弹性变形;5)将4)处理后的图像进行50%和75%的缩放处理,从而扩增数据;对于视网膜血管分割的专家标准图groundtruth进行同样的处理,从而与样本一一对应;(3)、FCN-HNED网络构建构建的网络为:输入层,两个卷积层(C1,C2),第一降采样层(pool1),两个卷积层(C3,C4),第二降采样层(pool2),两个卷积层(C5,C6)...
【专利技术属性】
技术研发人员:蔡轶珩,高旭蓉,邱长炎,崔益泽,王雪艳,孔欣然,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。