【技术实现步骤摘要】
基于对称双向级联网络深度学习的视网膜血管分割方法
本专利技术属于医学图像处理领域，具体涉及一种基于对称双向级联网络深度学习的视网膜血管分割方法。
技术介绍
视网膜血管是人体唯一可以通过无创伤手段观察到的清晰血管。目前医学研究表明，视网膜血管异常不仅表现为青光眼、白内障等眼科疾病，而且与高血压、冠心病、糖尿病、动脉粥样硬化等心血管疾病严重程度有直接联系。眼底视网膜血管的形态结构，能够反映出眼睛及周身血管系统的情况，通过对视网膜图像的分析，能够有效地预测、诊断和防治心血管疾病。因此基于眼底视网膜图像血管分割技术的研究，有助于自动、快速地得到视网膜图像中血管的形态结构，对于辅助诊疗与其相关的各类疾病具有极其重要的临床医学意义和实践价值。以往对于眼底视网膜疾病的治疗，通常由眼科专家依靠经验对视网膜血管进行手动分割。然而视网膜上血管分布错综复杂且往往有病变干扰，血管末梢与背景的对比度低，且存在噪声、光照不均匀的问题，导致视网膜血管难以完全分割。另外人工标注耗时耗力，且具有较大的主观性。因此，依赖传统的手动分割视网膜图像的方法不...
【技术保护点】
1.基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，包括以下步骤：/n步骤1：对眼底视网膜图像进行预处理，通过切块、改变对比度、旋转、缩放和平移对输入的彩色眼底原始图像进行数据增强，实现数据集扩增；/n步骤2：构建基于对称双向级联网络深度学习的视网膜血管分割模型，模型包括五个尺度检测模块，每两个尺度检测模块之间通过池化层相连，每个尺度检测模块中含有两个密集空洞卷积模块，密集空洞卷积模块通过改变膨胀率的大小来提取不同直径尺度的视网膜血管特征，分别从网络的低层到高层和高层到低层两条路径生成两个血管轮廓预测结果，然后将密集空洞卷积模块的两条路径的输出加以融合；/n步...
【技术特征摘要】
1.基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，包括以下步骤：
步骤1：对眼底视网膜图像进行预处理，通过切块、改变对比度、旋转、缩放和平移对输入的彩色眼底原始图像进行数据增强，实现数据集扩增；
步骤2：构建基于对称双向级联网络深度学习的视网膜血管分割模型，模型包括五个尺度检测模块，每两个尺度检测模块之间通过池化层相连，每个尺度检测模块中含有两个密集空洞卷积模块，密集空洞卷积模块通过改变膨胀率的大小来提取不同直径尺度的视网膜血管特征，分别从网络的低层到高层和高层到低层两条路径生成两个血管轮廓预测结果，然后将密集空洞卷积模块的两条路径的输出加以融合；
步骤3：采用类平衡的交叉熵损失函数对血管和背景像素进行分类，以实现视网膜血管的精准分割。
2.如权利要求1所述的基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，尺度检测模块是对称双向级联网络的基本组成单元，每个尺度检测模块最终生成两个血管轮廓预测图，每个尺度检测模块由若干卷积层组成，每个卷积层后紧跟一个密集空洞卷积模块，将多个密集空洞卷积模块的输出融合到两个卷积层中以分别产生两个血管轮廓预测结果和
3.如权利要求1所述的基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，将血管轮廓标签Yd分解为两个互补的血管轮廓标记，其中一个标记忽略直径尺度小于d的血管，另一个忽略直径尺度大于d的血管；这两个标记在每个直径尺度上训练两个血管轮廓检测器，将直径尺度为d的血管轮廓标签的Yd两个互补标记定义为式(1)：
其中，上标l2h表示从网络低层到高层的特征传递，h2l表示从网络高层到低层的特征传递，对于直径尺度为d的血管轮廓预测结果和分别近似等于和因此两者的和近似于Yd，即
采用表示直径尺度为d的血管轮廓预测结果。
4.如权利要求3所述的基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，P1l2h是对称双向级联网络中第一阶段即第一个尺度检测模块的输出之一，此时产生的血管轮廓预测图分辨率与原图一致，因此无需上采样；P1l2h会被送到它之后的所有阶段，与其他尺度检测模块经过上采样的输出相加来计算当前直径尺度下...
【专利技术属性】
技术研发人员：彭延军，郭燕飞，王元红，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37
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。