An automatic retinal image blood vessel segmentation method is presented. Firstly, the local features of the image are extracted by the convolution layer of the deep convolution neural network, and then the extracted features are interpolated and reconstructed by the up-sampling operation to obtain the segmentation results. Finally, the features of the up-sampling layer and the front convolution layer are fused to obtain more accurate segmentation results. Fruit. The method of the invention is superior to the traditional segmentation method in accuracy, sensitivity and specificity, and has great application prospect in the computer aided diagnosis system of ophthalmic diseases.
【技术实现步骤摘要】
一种视网膜图像血管自动分割方法
本专利技术是视网膜图像血管自动分割方法,适用于机器学习、模式识别和医学影像处理
技术介绍
视网膜是眼球内壁的一层薄膜,其结构表现为从视盘中心出发,向四周延伸分布动脉和静脉血管。由于其特殊的位置,视网膜血管是人体唯一能够以无创伤的方式直接观察的深层微血管网络。视网膜血管形态能够直接反映出眼睛及身体多处器官的健康状态,许多眼科疾病如黄斑变性眼病、青光眼、糖尿病性视网膜病变和全身性疾病如高血压、动脉硬化、心脑血管疾病等都会对视网膜血管产生影响,导致血管的长度、宽度、角度等发生变化及引起血管增生。因此,对视网膜图像血管的分割和分析是诊断各类眼科疾病和身体疾病的重要依据之一。分割出来的血管树可以很方便地提取血管的各类形态特征,对于与之相关各种疾病的辅助诊断、辅助治疗和后期观察都具有重要的临床医学意义。基于人工手动的分割方法对视网膜图像血管的分割十分依赖操作者的经验和技术,而且往往还存在主观性强、工作强度大,效率低等缺点。因此,对视网膜血管进行自动分割在临床应用中有着及其重要的意义,尤其是随着眼科疾病的深度学习计算机辅助诊断系统的发展,视网膜血管的自动分割技术是目前的一个研究热点。
技术实现思路
本专利技术的目的就是针对视网膜图像血管分割存在主观性强、工作强度大,效率低等缺点,现有监督分割方法对于目前已经存在的视网膜血管分割方法中,依旧存在分割低对比度血管困难的问题。提出一种采用深度学习的视网膜图像血管自动分割方法。本专利技术采用的技术方案是:一种视网膜图像血管自动分割方法,步骤为:1)数据集来源于DRIVE(digitalret ...
【技术保护点】
1.一种视网膜图像血管自动分割方法,其特征在于:步骤为:1)数据集来源于DRIVE(digital retinal images for vessel extraction)公共数据库,该数据库是由Niemeijer等人收集而成的常见视网膜图像数据库;DRIVE数据库包含训练集和测试集,每个子集都有20幅彩色视网膜图像,尺寸均为565x584;其中,训练集中每幅视网膜图像对应第一专家标注的眼底血管图,测试集中每幅视网膜图像对应着第一专家和第二专家标注的血管图;2)对视网膜图像数据进行对比度增强、归一化、剪裁、扩增等预处理;3)用全卷积神经网络通过有监督训练的方法学习视网膜图像和血管标注图之间的对应关系,从而使训练的模型能够自动精确的分割出视网膜图像的血管图;4)通过卷积层提取图像的局部特征,再通过上采样运算对提取的特征进行插值重构得到分割结果;5)单纯进行上采样得到的分割结果比较粗糙,融合上采样层和前面卷积层的特征得到了更为精确的分割结果。
【技术特征摘要】
1.一种视网膜图像血管自动分割方法,其特征在于:步骤为:1)数据集来源于DRIVE(digitalretinalimagesforvesselextraction)公共数据库,该数据库是由Niemeijer等人收集而成的常见视网膜图像数据库;DRIVE数据库包含训练集和测试集,每个子集都有20幅彩色视网膜图像,尺寸均为565x584;其中,训练集中每幅视网膜图像对应第一专家标注的眼底血管图,测试集中每幅视网膜图像对应着第一专家和第二专家标注的血管图;2)对视网膜图像数据进行对比度增强、归一化、剪裁、扩增等预处理;3)用全卷积神经网络通过有监督训练的方法学习视网膜图像和血管标注图之间的对应关系,从而使训练的模型能够自动精确的分割出视网膜图像的血管图;4)通过卷积层提取图像的局部特征,再通过上采样运算对提取的特征进行插值重构得到分割结果;5)单纯进行上采样得到的分割结果比较粗糙,融合上采样层和前面卷积层的特征得到了更为精确的分割结果。2.根据权利要求1所述的一种视网膜图像血管自动分割方法,其特征在于,将所述视网膜图像的血管分割视为一个模式的转化问题,即视网膜图像为第一模式,对应的血管标注图为第二模式,这两种模式的图像在尺寸上大小相同;采用一个改进的全卷积神经网络模拟第一模式和第二模式之间的映射关系。3.根据权利要求1或2所述的一种视网膜图像血管自动分割方法,其特征在于,所述采用一个改进的全卷积神经网络模拟第一模式和第二模式之间的映射关系,用损失函数表示当前神经网络分割结果图与血管标注图之间的误差;在训练过程中反复迭代误差...
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。