【技术实现步骤摘要】
基于生成式对抗网络的血管分割网络及方法
本专利技术涉及卷积神经网络和视网膜血管分割
，尤其涉及一种基于生成式对抗网络的血管分割网络及方法。
技术介绍
眼睛是人体最重要的感觉器官之一，但世界上却有许多人正遭受失明的折磨。在众多致盲眼病中，老年黄斑性病变，糖尿病视网膜病变、高血压性视网膜病变等眼底疾病更是致盲的主要原因。从临床角度看，这些疾病的存在与视网膜血管的直径，曲度，分支形式或角度的形态学改变有密切关系，眼科医生可通过观察分割后的眼底视网膜血管图像来了解其他脏器血管情况，对眼病和全身多种疾病进行诊断。然而，在实际的临床诊断中，眼科专家主要依据本领域专业知识及个人经验对视网膜血管图像进行人工分割。但由于医患人数不均衡，近年来医学影像数量不断增加，使得人工分割方法耗时耗力，且对于临床经验不足的新手医生，分割的准确性难以保证，人工分割方法不利于大规模的疾病筛查和诊断工作。所以近年来视网膜血管的自动分割方法成为了领域的研究热点。目前，在病理照片图像分割领域出现了大量的视网膜血管自动分割方法，但由于视网膜血管结构复杂，...
【技术保护点】
1.基于生成式对抗网络的血管分割网络，其特征在于：包括生成模型和判别模型两个子模型；生成模型采用编码-解码对称结构对输入的特征图进行端到端的分割，生成模型编码部分采用四个卷积模块对输入图像进行抽象特征的提取，每个卷积模块由两层卷积结构组成，卷积结构均采用3×3大小的卷积核且每个卷积块后均加一层2×2的最大池化层；判别模型的网络整体结构采用深度卷积网络，包括三个卷积模块、两个密集连接模块和两个压缩层。/n
【技术特征摘要】
1.基于生成式对抗网络的血管分割网络，其特征在于：包括生成模型和判别模型两个子模型；生成模型采用编码-解码对称结构对输入的特征图进行端到端的分割，生成模型编码部分采用四个卷积模块对输入图像进行抽象特征的提取，每个卷积模块由两层卷积结构组成，卷积结构均采用3×3大小的卷积核且每个卷积块后均加一层2×2的最大池化层；判别模型的网络整体结构采用深度卷积网络，包括三个卷积模块、两个密集连接模块和两个压缩层。
2.根据权利要求1所述的基于生成式对抗网络的血管分割网络，其特征在于：所述生成模型的编码部分中，每个卷积结构的卷积层后紧跟BatchNormlazation层和非线性单元层。
3.根据权利要求1所述的基于生成式对抗网络的血管分割网络，其特征在于：所述密集连接模块由三个BN-Relu-Conv复合层结构组成。
4.根据权利要求1所述的基于生成式对抗网络的血管分割网络，其特征在于：所述判别模型的池化层kernelsize均为2×2，stride为2的最大池化。
5.采用权利要求1所述基于生成式对抗网络的血管分割网络的分割方法，其特征在于：包括以下步骤：
A、建立基于生成式对抗网络的训练模型和样本集；训练模型包括生成模型和判别模型两个子模型，样本集包括彩色眼底图像及人工标注后的真实样本，彩色眼底图像与真实样本一一对应；
B、将样本集中彩色眼底图像输入生成模型，提取图像特征信息后输出视网膜血管概率图像作为生成样本；
C、将生成样本和对应的真实样本同时输入判别模型，判别模型分别赋予真实样本和生成样本以不同的标签，对真实样本和生成样本进行区分；
D、对生成模型和判别模型进行交替训练优化，直至判别模型与生成模型之间达到纳什平衡，网络训练完成，训练完成的训练模型即为生成式对抗网络的分割模型；
达到纳什动态平衡时，生成模型能够生成接近真实样本的新样本，生成模型能够恢复真实的样本分布，判别模型的判别结果为真实样本和生成样本各占50％，无法区分真实样本和生成样本，至此，网络训练完成；
E、将待分割视网膜血管彩色图像输入分割模型，输出血管分割结果。
6.根据权利要求5所述的基于生成式对抗网络的血管分割方法，其特征在于：样本输入步骤A所述判别模型后的具体过程为：
a1：输入样本至判别模型的第一个卷积模块，经过多层卷积提取...
【专利技术属性】
技术研发人员：杨铁军，武婷婷，朱春华，李磊，樊超，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南;41
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。