一种视网膜图像血管自动分割方法技术

一种视网膜图像血管自动分割方法，本发明专利技术首先通过深度卷积神经网络卷积层提取图像的局部特征，然后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，最后融合上采样层和前面卷积层的特征得到更为精确的分割结果。本发明专利技术方法在准确性、灵敏度、特异性方面优于传统分割方法，在眼科疾病计算机辅助诊断系统中有很大的应用前景。

An automatic blood vessel segmentation method for retinal images

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(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565×584。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。本专利技术将所述视网膜图像的血管图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；采用一个所述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。本专利技术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分割标准图之间的误差；在训练过程中反复迭代误差损失函数，当损失函数尽可能小时，训练得到模型已能够有效提取视网膜图像与分割标准图之间的映射规律，通过所学到的规律准确分割视网膜图像的血管图；整个视网膜图像血管分割过程包括图像块的提取、神经网络映射转换和血管图的合成三部分组成。本专利技术基于所述全卷积神经网络架构设计了一个能够有效提取视网膜图像特征的神经网络；该网络包含特征粗提取和特征重建两部分；该网络的主要思想是修改一个逐层收缩的全卷积神经网络，即在网络结构后半部分用上采样操作代替池化操作，并将上采样的结果与特征粗提取中卷积层提取的特征图叠加，这样不仅在线降低和恢复图像分辨率使训练规模变得简单，而且基于叠加的综合特征信息可以使分割结果更为精确。本专利技术采用改进的全卷积神经网络是一种重复架构，每次重复中都有两个同样尺寸的卷积层，其卷积核的大小均为3x3，且每个卷积层后都有一个线性激活函数ReLU；在连续两个卷积层之后是一个大小为2x2，步长为2的最大池化层，用于降低图像分辨率，将池化层后的卷积层的特征通道数量加倍粗提取视网膜图像的深度特征；特征重建部分的第一步是上采样操作，主要是恢复图像分辨率，上采样操作后将卷积层的特征通道数量减半，并将上采样的结果与之前卷积层提取的特征图叠加起来，并对叠加后的特征图进行两次3x3的卷积；最后一层卷积核的大小为1x1，将32通道的特征图转化为深度为2的特征图；神经网络的输入层彩色视网膜图像块，输出层是对应的血管图。本文专利技术是基于深度学习框架Keras，以TensorFlow为后端引擎，运行在GPU工作站上，使用的测试平台：处理器为Inteli5-7500CPU，内存为8GB，显卡NVIDIAGeForceGTX1050。由于GPU内存不大，所以规模较大的神经网络无法在现有的机器中运行，这也是本实验对视网膜图像进行裁剪、采用小规模训练神经网络的原因。为了与传统的方法进行一个定量的比较，本文使用公开的DRIVE数据集对提出的方法进行评估。训练集中的20幅视网膜图像经过数据扩增后将其中90％的图像块用于神经网络的训练，剩下的10％用于训练过程中模型的优化和参数的调整，测试集中的20幅视网膜图像全部用于测试和评估本文方法的性能。目前很多有监督和无监督分割方法用于视网膜图像的血管分割，但是对于图像中存在的低对比度微型血管的分割仍然是分割任务中面临的重要挑战之一。从DRIVE数据库中挑选出一些低对比度的图像进行实验，对比第一专家和第二专家标注的血管图及本专利技术方法对测试图像局部区域低对比度微血管的分割结果。可以看出本文方法能将第一专家标注血管图中忽略的微血管有效地识别出来，并且分割结果十分接近第二专家标注的血管结果图，表明该方法对微血管网络有很强的分割能力，具有专家级的水平。本专利技术的效果是：提出了一种新的采用有监督训练方法的神经网络对视网膜图像的血管进行分割。首先，对视网膜图像进行对比度增强、数据归一化等预处理操作，并将视网膜图像和对应的血管图通过图像裁剪成大小的图像块作为神经网络的输入样本。通过神经网络的特征粗提取部分获得视网膜图像不同层次的深度特征，并将提取的特征经过上采样操作实现网络端到端的训练，从而获得视网膜图像的血管分割结果。本文方法在准确性、灵敏度、特异性方面均优于传统的视网膜血管分割方法，且在对比度较低的血管区域也能实现良好的分割，该方法精度高、鲁棒性好，在视网膜图像诊断系统中具有广阔的应用前景。附图说明图1为本专利技术图像预处理:(a)为彩色视网膜图像(b)第一专家标注图(c)第二专家标注图(d)掩膜；图2图像的预处理示例：(a)原图像(b)自适应直方图均衡化(c)数据归一化；图3本专利技术采用的视网膜图像血管分割整体框架图；图4本专利技术采用的改进深度神经网络结构图；图5本专利技术方法的分割结果：(a)和(e)为原图像，(b)和(f)为归一化图像，(c)和(g)为第一专家分割的血管图，(d)和(h)为本专利技术方法分割的血管图。具体实施方法见图1，图2，图3，图4，图5一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(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；DRIV本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：柏正尧，李琼，
申请(专利权)人：云南大学，
类型：发明
国别省市：云南,53