一种针对于视网膜图像的血管分割方法、装置及设备制造方法及图纸

本申请公开了一种针对于视网膜图像的血管分割方法、装置及设备，包括：获取目标视网膜图像，将目标视网膜图像输入至预先训练得到的全卷积网络模型中，并基于全卷积网络模型的输出结果确定该目标视网膜图像的血管分割图像，其中，该全卷积网络模型的解码网络中包括密集连接卷积网络，并且该全卷积网络模型预先已基于历史视网膜图像以及历史视网膜图像所已知的血管分割图像进行训练。由于全卷积网络模型中的密集连接卷积网络能够保证不同层之间的图像特征的上下文联系，有效的缓解了该全卷积网络模型中的梯度消失或者梯度爆炸的问题，从而可以有效减少图像特征在传输过程中的特征损耗，从而提高针对于该视网膜图像的血管分割的准确性。

A blood vessel segmentation method, device and equipment for retinal image

【技术实现步骤摘要】
一种针对于视网膜图像的血管分割方法、装置及设备
本申请涉及图像分割
，特别是涉及一种针对于视网膜图像的血管分割方法、装置及设备。
技术介绍
近年来，随着人工智能的快速发展，计算机辅助诊断技术也逐渐得到一定程度的发展。其中，计算机辅助诊断技术是指通过医学图像处理等技术，辅助影像医生快速、准确地发现病灶，提高诊断的效率。在利用计算机辅助诊断技术实现视网膜血管病变检测时，通常需要实现对视网膜图像中的血管进行分割。目前，在对视网膜图像中的血管进行分割时，通常是基于深度学习的方法自动提取出视网膜图像中的图像特征，进而根据所提取的图像特征分割出视网膜图像中的血管。但是，基于已有的深度学习方法无法精准的分割出视网膜图像中血管对比度不明显区域处的血管，以及视网膜图像中的较为细小的血管分支，从而使得针对于视网膜图像中血管的分割结果不是很理想。
技术实现思路
本申请实施例提供了一种针对于视网膜图像的方法、装置及设备，以使得对于视网膜图像中血管对比度不明显区域处的血管，以及视网膜图像中的较为细小的血管分支，也能精准的分割出来，从而提高视网膜图像中血管分割的准确性。第一方面，本申请实施例提供了一种针对于视本文档来自技高网...

【技术保护点】
1.一种针对于视网膜图像的血管分割方法，其特征在于，所述方法包括：获取目标视网膜图像；将所述目标视网膜图像输入至全卷积网络模型中，所述全卷积网络模型的解码网络中包括密集连接卷积网络，所述全卷积网络模型预先已基于历史视网膜图像以及所述历史视网膜图像已知的血管分割图像进行了训练；根据所述全卷积网络模型的输出结果确定所述目标视网膜图像的血管分割图像。

【技术特征摘要】
1.一种针对于视网膜图像的血管分割方法，其特征在于，所述方法包括：获取目标视网膜图像；将所述目标视网膜图像输入至全卷积网络模型中，所述全卷积网络模型的解码网络中包括密集连接卷积网络，所述全卷积网络模型预先已基于历史视网膜图像以及所述历史视网膜图像已知的血管分割图像进行了训练；根据所述全卷积网络模型的输出结果确定所述目标视网膜图像的血管分割图像。2.根据权利要求1所述方法，其特征在于，所述密集连接卷积网络包括卷积网络单元，所述卷积网络单元包括多个并联的不同网络分支，所述网络分支包括最大池化层和/或卷积层，所述卷积网络单元的输出结果基于所述多个网络分支的输出结果得到。3.根据权利要求1所述的方法，其特征在于，所述密集连接卷积网络包括第一卷积网络单元、第二卷积网络单元，所述第一卷积网络单元的输入是所述密集连接卷积网络的输入，所述第二卷积网络单元的输入包括所述第一卷积网络单元的输出与所述密集连接卷积网络的输入。4.根据权利要求1所述的方法，其特征在于，所述获取目标视网膜图像，包括：获取原始视网膜图像，所述原始视网膜图像上呈现有视网膜血管；从所述原始视网膜图像中分离出绿色通道的图像，得到通道分离图像；基于所述通道分离图像确定所述目标视网膜图像。5.根据权利要求4所述的方法，其特征在于，所述基于所述通道分离图像确定所述目标视网膜图像，包括：利用中值滤波算法计算出所述通道分离图像中各个像素点的像素值，得到第一图像；将所述第一图像确定为所述目标视网膜图像。...

【专利技术属性】
技术研发人员：陈磊，
申请(专利权)人：东软医疗系统股份有限公司，
类型：发明
国别省市：辽宁,21