一种基于深度学习自适应权重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深度学习自适应权重的视网膜血管分割方法，包括：对视网膜血管图像进行样本扩充，并对样本进行分组；构建血管分割全卷积神经网络，用训练样本对网络进行预训练，对视网膜血管图像进行全局自适应权重分割，得到视网膜血管分割初始模型参数；在网络层最后添加条件随机场层，对网络进行调优；采用轮换测试的方法将测试样本输入网络，得到视网膜血管分割结果图。本发明专利技术提出的血管分割全卷积神经网络结构和自适应权重方法能够实现人眼级别的图像分割，在DRIVE和CHASE_DB1两个国际公开视网膜图像数据库上进行测试，平均准确率分别达到了96.00％和95.17％，均高于目前最新的算法。

A retinal blood vessel segmentation method based on adaptive weights of deep learning

The invention discloses a method for segmentation of retinal blood vessels, deep learning based on adaptive weight: on retinal vascular image augmentation, and grouping of samples; construction of full vessel segmentation convolutional neural network, pre training the network with training samples of retinal vascular images globally adaptive weight segmentation, get segmentation of retinal blood vessels the initial model parameters in the network layer; finally adding CRFs layer for tuning network; using the method of rotation test will test the network input samples, get segmentation results of retinal blood vessels. The invention provides the whole vessel segmentation convolutional neural network structure and adaptive weight method can achieve image segmentation of eye level, DRIVE and CHASE_DB1 were tested in two international public retinal image database, the average accuracy rate reached 96% and 95.17%, were higher than that of the new algorithm.

【技术实现步骤摘要】
一种基于深度学习自适应权重的视网膜血管分割方法
本专利技术涉及医学图像处理领域，特别涉及一种基于深度学习自适应权重的视网膜血管分割方法。
技术介绍
视网膜可作为常见疾病，如高血压、糖尿病等重要检测指标，多年来一直是国内外研究的热点。基于计算机的眼底血管自动提取、测量与分析技术，在医学诊断中有着重要的应用价值。视网膜血管图像的分割方法主要分为两大类：基于规则和基于学习。基于规则的方法主要是是利用视网膜图像中血管的特性，设计相应的滤波器完成增强血管特征和抑制背景噪声任务，通常由预处理、分割、后处理三个部分组成。Chaudhuri等人提出了采用高斯曲线估计视网膜血管的灰度值，设计了12个不同方向的匹配滤波器对血管进行增强处理。Al-Rawi等人使用一组参数{L,σ,T}构造了12个模板，沿着不同方向对视网膜图像进行滤波，然后选择出最佳响应，通过遗传算法优化该方法能达到最大的平均准确率为94.22％。Azzopardi等人提出了引入B-COSFIRE滤波器有方向选择性地检测血管，平均准确率为94.42％。匹配滤波器的方法能够很好地检测到血管状物体，但是该方法缺点在于对背景中的纹理缺乏鲁棒性，容易将背景中的纹理提取成为血管。所以该方法对于图像预处理要求较高，需要尽可能减少背景的影响。同时该方法中的参数对血管提取影响很大。等人提出了区域生长的方法，利用在不同尺度下图像的一阶导数和二阶导数作为特征将视网膜血管图像像素分为血管类和非血管类。Zana等人提出了基于数学形态学变换和曲率评估的方法检测血管。Bankhead等人提出了基于各向同性非抽样小波变换(IUWT)的方法，结合基于最大梯度的边缘检测算法，可达到93.71％的准确率。基于学习的视网膜图像血管分割方法大致可以划分为两类：基于传统机器学习的方法和基于深度学习的方法。基于传统机器学习的方法主要是选取有效特征和分类器选择，而基于深度学习的方法关键在于网络结构的设计。Niemeijer等人采用KNN(k-NearestNeighbor)分类器对视网膜数字图像中的每个像素进行分类。Soares等人提出了采用类条件概率密度函数的贝叶斯分类器，其中特征向量由像素强度和二维Gabor小波变换响应组成。Xu等人采用自适应局部阈值将原图像转换成二进制图像，提取出大量连通部分作为血管，然后训练支持向量机对剩余的图像像素进行分类，平均准确率为93.2％。基于固定长度的物体的平均灰度值估计，Ricci等人提出了采用线性检测器和支持向量机对视网膜图像像素进行分类。Melinsca等人提出一个10层的CNN网络用于视网膜图像血管分割，针对视网膜图像进行逐像素的分类以完成分割，可达到94.66％的平均准确率。Maji等人提出使用12个卷积神经网络构成一个集成学习框架，对每幅图像经过12个网络分割后取平均值，以克服单个复杂网络容易造成过拟合的问题，平均准确率为94.7％。Li等人提出一个多隐层的神经网络完成端到端的分块分割，不需要额外的预处理和后处理步骤，但是该网络需要使用自编码器进行预训练以使得网络能够收敛，能够达到95.22％的平均准确率。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于深度学习自适应权重的视网膜血管分割方法，能够实现端到端的网络训练，在视网膜血管图像分割上达到很好的效果。为解决上述技术问题，本专利技术采用的技术方案是：一种基于深度学习自适应权重的视网膜血管分割方法，包括以下步骤：步骤1：对数据库中的视网膜血管图像进行样本扩充，并对扩充后的样本进行分组；步骤2：在Caffe(ConvolutionalArchitectureforFastFeatureEmbedding，快速特征提取卷积框架)库中构建血管分割(SegVessel)全卷积神经网络，将视网膜血管图像训练样本作为血管分割全卷积神经网络的输入，对神经网络进行预训练，对视网膜血管图像进行全局自适应权重分割，得到视网膜血管图像分割预训练的初始模型参数；所述血管分割全卷积神经网络由神经网络块组合而成，每3个神经网络块形成一组，每组内的参数一致；每个神经网络块有三个不同的分支，第一分支直接由输入连接输出结果，形成了快捷连接，第二分支使用带孔的卷积(atrous卷积)，扩大感受野，第三分支用于学习抽象的特征；步骤3：在网络层最后添加条件随机场层，对网络进行调优；条件随机场能量函数包括一元能量项和二元能量项，其中一元能量项是基于每个像素属于各个类别的概率，二元能量项是基于图像中任意两像素之间的灰度值差异和空间距离的能量；步骤4：采用轮换测试方法将测试样本输入血管分割全卷积神经网络，得到视网膜血管图像分割结果图。根据上述方案，在步骤1中，对视网膜血管图像进行扩充处理，具体包括上下平移、左右平移、旋转90°、旋转180°、旋转270°、上下对称变换、左右对称变换和亮度变换。根据上述方案，所述步骤4中，轮换测试方法具体为：对数据进行分组，每5张图片作为一组；当其中一组作为测试数据时，另外所有样本都作为训练数据训练一个模型，用训练的模型测试此5张图片；以此类推，所有图片都能被测试到。根据上述方案，所述步骤2中的全局自适应权重分割，其针对视网膜血管图像分割结果中的误分割像素动态地分配较大的权重，对正确分割的像素分配较小的权重，随着迭代的进行不断更新像素在损失函数中的权重。与现有技术相比，本专利技术的有益效果是：通过提出新的血管分割全卷积神经网络结构，能够实现端到端的网络训练，在视网膜图像分割上达到了很好的效果。在DRIVE和CHASE_DB1两个国际公开视网膜图像数据库上进行测试，平均准确率分别达到了96.00％和95.17％，均高于目前最新的算法。本专利技术还提出了自适应权重的方法，促使神经网络的损失函数主要来自于误分割的区域，一方面消除了由于背景像素和血管像素比例差异较大而导致的类不均衡问题，另一方面也使得网络专注于学习误分割的区域，加速了网络的收敛，有效避免了图像背景中类似血管状的纹理引入的干扰，提高了分割精度。附图说明图1是视网膜血管图像分割流程示意图。图2是血管分割全卷积神经网络块示意图。图3是血管分割全卷积神经网络框架图。图4是权重在迭代过程中的变化图之迭代0次。图5是权重在迭代过程中的变化图之迭代40次。图6是权重在迭代过程中的变化图之迭代267次。图7是权重在迭代过程中的变化图之迭代2522次。图8是DRIVE数据库血管图像分割准确率与阀值曲线图。图9是DRIVE数据库血管图像分割ROC曲线图。具体实施方式本专利技术方法首先对视网膜血管图像进行样本扩充，并对样本进行分组；针对感受野较小和收敛速度慢的问题，建立血管分割全卷积神经网络结构，用训练样本对网络进行预训练，得到视网膜血管分割初始模型参数；为了解决视网膜图像中血管像素和背景像素比例不平衡的问题，提出一种全局自适应权重的方法，能够随着迭代的进行更新像素在损失函数中的权重，促使神经网络的损失函数主要来自误分割的区域，同时加速网络收敛；在网络层最后添加条件随机场层，增强特征的空间约束，对网络进行调优；最后采用轮换测试的方法将测试样本输入网络，得到视网膜血管分割结果图。下面通过实例对本专利技术方法及效果进行详细说明。步骤1：对数据库中的视网膜血管图像进行样本扩充，并对样本进行分本文档来自技高网...

【技术保护点】
一种基于深度学习自适应权重的视网膜血管分割方法，其特征在于，包括以下步骤：步骤1：对数据库中的视网膜血管图像进行样本扩充，并对扩充后的样本进行分组；步骤2：在Caffe库中构建血管分割全卷积神经网络，将视网膜血管图像训练样本作为血管分割全卷积神经网络的输入，对神经网络进行预训练，对视网膜血管图像进行全局自适应权重分割，得到视网膜血管图像分割预训练的初始模型参数；所述血管分割全卷积神经网络由9个神经网络块组合而成，每3个神经网络块形成一组，每组内的参数一致；每个神经网络块有三个不同的分支，第一分支直接由输入连接输出结果，形成了快捷连接，第二分支使用带孔的卷积，扩大感受野，第三分支用于学习抽象的特征；步骤3：在网络层最后添加条件随机场层，对网络进行调优；条件随机场能量函数包括一元能量项和二元能量项，其中一元能量项是基于每个像素属于各个类别的概率，二元能量项是基于图像中任意两像素之间的灰度值差异和空间距离的能量；步骤4：采用轮换测试方法将测试样本输入血管分割全卷积神经网络，得到视网膜血管图像分割结果图。

【技术特征摘要】
1.一种基于深度学习自适应权重的视网膜血管分割方法，其特征在于，包括以下步骤：步骤1：对数据库中的视网膜血管图像进行样本扩充，并对扩充后的样本进行分组；步骤2：在Caffe库中构建血管分割全卷积神经网络，将视网膜血管图像训练样本作为血管分割全卷积神经网络的输入，对神经网络进行预训练，对视网膜血管图像进行全局自适应权重分割，得到视网膜血管图像分割预训练的初始模型参数；所述血管分割全卷积神经网络由9个神经网络块组合而成，每3个神经网络块形成一组，每组内的参数一致；每个神经网络块有三个不同的分支，第一分支直接由输入连接输出结果，形成了快捷连接，第二分支使用带孔的卷积，扩大感受野，第三分支用于学习抽象的特征；步骤3：在网络层最后添加条件随机场层，对网络进行调优；条件随机场能量函数包括一元能量项和二元能量项，其中一元能量项是基于每个像素属于各个类别的概率，二元能量项是基于图像中任意两像素之间的灰度值差异和空间距离的能量；步骤4：采用轮换测...

【专利技术属性】
技术研发人员：程洪，徐宏，罗院生，杨路，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51