基于视网膜眼底图像的视网膜血管分割方法及系统技术方案

本发明专利技术公开了一种基于视网膜眼底图像的视网膜血管分割方法及系统，属于图像处理技术领域，包括：获取待检测视网膜眼底图像；根据视网膜眼底图像特征构建基础模块；通过级联N个基础模块作为最终的网络模型，将待检测视网膜眼底图像作为整体网络模型的输入，得到视网膜血管的分割结果。通过将前一个基础模块的前景特征和原始图片一起传入到下一个基础模块中，使得后边的基础模块可以继承前边基础模块的学习经验，从而加速了训练过程并有效的解决了数据不平衡的问题；将待检测视网膜眼底图像作为整体模型S‑UNet的输入，得到视网膜血管的分割结果更加准确。

【技术实现步骤摘要】
基于视网膜眼底图像的视网膜血管分割方法及系统
本专利技术涉及图像处理
，特别涉及一种基于视网膜眼底图像的视网膜血管分割方法及系统。
技术介绍
眼科医生通常通过检查视网膜眼底图像来评估视网膜血管的临床状况，这是诊断各种眼科疾病的重要指标。然而，这些图像中视网膜血管的手工标记费时、繁琐，需要较丰富的临床经验。因此，视网膜血管的实时自动分割是非常必要的，近年来亦颇受关注。现有的视网膜血管分割方法可以分为无监督和有监督方法，对于无监督方法，需要根据给定的数据样本手工设计特征提取规则，从而根据提取的特征区分血管和背景组织。例如利用二维核函数拟合视网膜血管特征，生成血管高斯强度剖面；通过视网膜图像计算三维方向评分，然后通过多尺度导数增强血管；采用眼底血管形态学、自适应阈值分割以及血管分割的中心线检测方法进行分割。无监督方法具有样本数据要求低、数据采集成本低等优点。然而，来自小数据集的特性通常是明显的个体特性，尤其血管极具复杂性。在有监督方法中，视网膜血管分割被视为一个分类问题。在这个问题中，血管和其他组织被认为是两类，并在逐像素的基础本文档来自技高网...

【技术保护点】
1.一种基于视网膜眼底图像的视网膜血管分割方法，其特征在于，包括：/n获取待检测视网膜眼底图像；/n根据视网膜眼底图像特征构建整体网络模型，该整体网络模型包括采用注意力机制级联的N个基础模块，该基础模块为根据视网膜眼底图像特征所构建，N为正整数且N≥1；/n将待检测视网膜眼底图像作为整体网络模型的输入，得到视网膜血管的分割结果。/n

【技术特征摘要】
1.一种基于视网膜眼底图像的视网膜血管分割方法，其特征在于，包括：
获取待检测视网膜眼底图像；
根据视网膜眼底图像特征构建整体网络模型，该整体网络模型包括采用注意力机制级联的N个基础模块，该基础模块为根据视网膜眼底图像特征所构建，N为正整数且N≥1；
将待检测视网膜眼底图像作为整体网络模型的输入，得到视网膜血管的分割结果。


2.如权利要求1所述的基于视网膜眼底图像的视网膜血管分割方法，其特征在于，所述根据视网膜眼底图像特征构建整体网络模型，包括：
根据视网膜眼底图像的特征，对经典的分割网络进行简化得到所述基础模块；
获取视网膜眼底图像及其对应的手工血管分割图像，构成数据集；
将所述数据集分为训练样本集、验证样本集和测试样本集；
利用训练样本集和验证样本集分别对所述基础模块进行训练和验证，并通过对测试集测试确定所述基础模块的参数；
确定所述基础模块的参数后，采用注意力机制级联N个所述基础模块，得到所述整体网络模型。


3.如权利要求2所述的基于视网膜眼底图像的视网膜血管分割方法，其特征在于，所述基础模块包括SPP-Net、SegNet、FCN、U-Net和Attention-Net经典网络。


4.如权利要求3所述的基于视网膜眼底图像的视网膜血管分割方法，其特征在于，在所述基础模块为经简化经典的U-Net模型得到时，所述基础模块网络结构包括输入层input、卷积核为3×3的卷积层conv、归一化网络层BN、激活函数Relu、concat层、反卷积层deconv、池化层maxpool、卷积核为1×1的卷积层conv以及输出层output。


5.如权利要求1所述的基于视网膜眼底图像的视网膜血管分割方法，其特征在于，所述注意力机制包括归一化注意力网络、sigmoid注意力网络和局部及全局注意力网络机制。


6.如权利要求1所述的基于视网膜眼底图像的视网膜血管分割方法，其特征在于，在所述获取待检测视网膜眼底图像之后，还包括...

【专利技术属性】
技术研发人员：张冀聪，王华，胡静斐，
申请(专利权)人：北京航空航天大学，北京航空航天大学合肥创新研究院，
类型：发明
国别省市：北京;11