The present invention relates to a vascular segmentation method for FCN retinal images, which combines depth-separable convolution with channel weighting. The method comprises: 1) CLAHE and Gamma correction for green channels of fundus images to enhance contrast; 2) segmentation of enhanced images to expand data for adapting to network training; 3) depth-separable convolution. Instead of the standard convolution method, the network width is increased, and the channel weighting module is introduced to explicitly model the dependency of feature channels in a learning way, so as to improve the distinguishability of features. The combination of the two methods is applied to FCN network, and the result of expert manual identification is used as supervisor in DRIVE database for experiment. The results show that this method can achieve more accurate retinal image vascular segmentation, and has high robustness.
【技术实现步骤摘要】
结合深度可分离卷积与通道加权的FCN视网膜图像血管分割
本专利技术涉及一种结合深度可分离卷积与通道加权的FCN视网膜图像血管分割方法,在灵敏度、特异性以及准确性方面比现有技术较优,具有很好的分割性能,属于医学图像处理、深度学习领域。
技术介绍
研究表明,糖尿病视网膜病变、动脉硬化、白血病等疾病都会对眼底血管产生影响,导致其长度、宽度、角度的变化以及血管增生。临床上经常通过眼底视网膜图像对疾病进行筛查、分析和诊断。因此,为了对疾病进行定量分析,眼底血管分割成为视网膜相关工作中的关键步骤,对人类疾病的诊断有着指导意义,是科学造福人类的体现。眼底图像血管分割问题已被广泛关注,目前存在一些难点:(1)对于存在组织损伤的病理图片,其中的病变区域对血管的分割起到很大的干扰作用;(2)在有些眼底图片中,血管的中心线呈现高亮状态,类似拍照反光现象,这种现象对血管分割也造成了一定的难度;(3)眼底图像中微细血管与背景的低对比度给毛细血管的识别带来了困难。传统的眼底图像血管分割方法有很多种,但是存在很多弊端。人工手动的分割方法依赖操作者的技术经验,受主观因素较大,重复性低,效率也较低;无监督的分割方法不需要先验标记信息,但是对于存在组织损伤的病理图片分割效果较差;有监督的方法主要基于提取的特征训练分类器以达到识别血管与非血管的目的,但是对于特征训练分类器的要求很高,并且需要大量的预先分割好的视网膜血管图像作为训练样本来保证模型的精确度,对医学图像要求比较高。近年来,深度学习算法取得了重大突破,通过组合浅层特征形成抽象的深层特征,并据此发现数据的分布式特征。FCN这种结构的提出 ...
【技术保护点】
1.一种结合深度可分离卷积与通道加权的FCN视网膜图像血管分割方法,包括下列步骤:步骤1:对DRIVE库的部分眼底视网膜图像的绿色通道进行CLAHE及Gamma校正以增强对比度;步骤2:对步骤1中预处理后的图像进行数据扩充以适应网络训练的数据规模,并构建眼底视网膜图像数据集;步骤3:以深度可分离卷积代替标准的卷积方式,同时考虑到特征通道之间的相互依赖关系,引入通道加权模块,将其嵌入FCN网络结构中形成改进的FCN网络;步骤4:将步骤2中得到的眼底视网膜图像数据集输入改进的FCN网络进行有监督训练,利用训练好的分割模型在测试集进行测试。
【技术特征摘要】
1.一种结合深度可分离卷积与通道加权的FCN视网膜图像血管分割方法,包括下列步骤:步骤1:对DRIVE库的部分眼底视网膜图像的绿色通道进行CLAHE及Gamma校正以增强对比度;步骤2:对步骤1中预处理后的图像进行数据扩充以适应网络训练的数据规模,并构建眼底视网膜图像数据集;步骤3:以深度可分离卷积代替标准的卷积方式,同时考虑到特征通道之间的相互依赖关系,引入通道加权模块,将其嵌入FCN网络结构中形成改进的FCN网络;步骤4:将步骤2中得到的眼底视网膜图像数据集输入改进的FCN网络进行有监督训练,利用训练好的分割模型在测试集进行测试。2.根据权利要求1所述的结合深度可分离卷积与通道加权的FCN视网膜图像血管分割方法,其特征在于,步骤1中,选取DRIVE库眼底视网膜图像对比度较高的绿色通道进行处理,并对绿色通道图像进行归一化操作,之后对其进行CLAHE及Gamma校正以增强对比度。3.根据权利要求1所述的结合深度可分...
【专利技术属性】
技术研发人员:耿磊,高增来,肖志涛,张芳,吴骏,邱玲,
申请(专利权)人:天津工业大学,
类型:发明
国别省市:天津,12
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。