The invention discloses a retinal fundus image segmentation method based on a depth full convolution neural network, which comprises: selecting a training set and a test set, extracting the retinal fundus image to obtain the image of the optic disc location area and removing the blood vessel; constructing a depth full convolution neural network, and taking the image of the optic disc location area as its transmission. In addition, the training of the disc segmentation model is carried out on the training set based on the trained weight parameters as the initial values to fine-tune the model parameters, and then the parameters of the cup segmentation model are fine-tuned; the cup and disc are segmented on the test set by the trained cup segmentation model, and the final segmentation result is ellipsed. Circle fitting is used to calculate the vertical cup-disc ratio according to the segmentation boundary of cup and disc, and the cup-disc ratio is used as an important basis for glaucoma diagnosis. The invention realizes automatic segmentation of the optic disc and the visual cup of the retinal fundus image, and has high precision and fast speed.
【技术实现步骤摘要】
基于深度全卷积神经网络的视网膜眼底图像分割方法
本专利技术涉及一种基于深度全卷积神经网络的视网膜眼底图像分割方法,属于医学图像处理领域。
技术介绍
青光眼是一种慢性眼疾病,它是由于视神经的逐渐损伤导致的视觉功能缺失。目前青光眼已经成为导致失明的第二大原因。尽管青光眼是一种不可治愈的不可逆眼部视觉损伤,但通过有效且及时的治疗可以减缓疾病的恶化。因此,对于青光眼的及时诊断显得至关重要。视杯视盘垂直比是一种被广泛使用的青光眼诊断的重要依据,在目前的临床实践中,杯盘比大多通过医生人工测量和计算,但是人工测量不仅耗时费力,而且不同医生的测量结果存在一定的主观性,因而不适于进行大规模的疾病筛查。因此自动的视杯视盘分割的杯盘比计算越发受到人们的关注。视网膜眼底图像的视杯视盘分割方法大致可以分成三大类:基于模板的方法、基于形变模型的方法和基于像素点分类的方法,前两种方法主要基于视杯视盘的边缘特征,算法功能的实现好坏极大依赖于视杯视盘边缘和其他结构区域的边缘差异,当出现易混淆的病变时分割算法效果不佳,并且基于形变模型的方法对于初始点的选择相对敏感,对于好的初始化点的选择相对困难。基于像素点分类的方法极大受限于高分辨率图像的较高像素点数量,要实现在像素级别的模型优化十分困难。同时上述分割方法处理过程相对复杂,在图像分割时所需时间也相对较长。
技术实现思路
专利技术目的:本专利技术目的在于针对现有技术的不足,提供一种基于深度全卷积神经网络的视网膜眼底图像分割方法,实现视网膜眼底图像的视盘与视杯的自动分割,精度高,速度快。技术方案:本专利技术所述基于深度全卷积神经网络的视网膜眼底图像 ...
【技术保护点】
1.基于深度全卷积神经网络的视网膜眼底图像分割方法,其特征在于,包括如下步骤:(1)选取视网膜眼底图像数据集作为训练集和测试集,对视网膜眼底图像的视盘区域进行定位和提取得到视盘定位区域图像;(2)对提取的视盘定位区域图像进行血管去除操作;(3)在深度学习工具Caffe库中构建用于图像分割的深度全卷积神经网络,所述深度全卷积神经网络分为视盘分割和视杯分割;(4)将血管去除后的视盘定位区域图像作为深度全卷积神经网络的输入,输入时对视盘定位区域图像进行各个通道的减均值预处理操作,以在视盘分割数据集DRIONS‑DB上预训练好的模型参数作为训练的初始值,在训练集上进行视盘分割模型的训练以微调模型参数;(5)在训练好的视盘分割模型参数上进行视杯分割模型的参数微调;(6)用训练好的视杯分割模型在测试集上进行视杯和视盘的分割,对最终分割的结果进行椭圆拟合以获得光滑的椭圆分割边缘,依据视杯和视盘的分割边界计算垂直杯盘比,并将杯盘比结果作为青光眼辅助诊断的重要依据。
【技术特征摘要】
1.基于深度全卷积神经网络的视网膜眼底图像分割方法,其特征在于,包括如下步骤:(1)选取视网膜眼底图像数据集作为训练集和测试集,对视网膜眼底图像的视盘区域进行定位和提取得到视盘定位区域图像;(2)对提取的视盘定位区域图像进行血管去除操作;(3)在深度学习工具Caffe库中构建用于图像分割的深度全卷积神经网络,所述深度全卷积神经网络分为视盘分割和视杯分割;(4)将血管去除后的视盘定位区域图像作为深度全卷积神经网络的输入,输入时对视盘定位区域图像进行各个通道的减均值预处理操作,以在视盘分割数据集DRIONS-DB上预训练好的模型参数作为训练的初始值,在训练集上进行视盘分割模型的训练以微调模型参数;(5)在训练好的视盘分割模型参数上进行视杯分割模型的参数微调;(6)用训练好的视杯分割模型在测试集上进行视杯和视盘的分割,对最终分割的结果进行椭圆拟合以获得光滑的椭圆分割边缘,依据视杯和视盘的分割边界计算垂直杯盘比,并将杯盘比结果作为青光眼辅助诊断的重要依据。2.根据权利要求1所述的基于深度全卷积神经网络的视网膜眼底图像分割方法,其特征在于:所述步骤(2)中的血管去除操作为血管分割和基于掩膜的图像修复操作。3.根据权利要求1所述...
【专利技术属性】
技术研发人员:万程,牛笛,周鹏,刘江,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:江苏,32
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。