【技术实现步骤摘要】
视网膜图像动静脉的分类装置、设备及存储介质
本专利技术涉及医学图像处理领域，尤其涉及一种视网膜图像动静脉的分类装置、设备及存储介质。
技术介绍
眼底有非常重要的结构，包括视神经、视网膜动静脉血管、黄斑等，通过眼底检查，医生可以发现视神经病变、视网膜血管病变等眼科疾病，以及高血压动脉硬化、糖尿病视网膜病变等心脑血管、内分泌系统疾病。视网膜血管是人体内唯独采用无损伤手段就能直接观察到的较深层次的微血管系统，其动静脉宽度的改变、弯曲程度的变动等都与全身性疾病的发展进程密切相关，是致使人眼视觉出现问题的主要原因。因此，全自动的视网膜血管分割和计算方法，在临床上具有非常实用的价值，对提高医学诊疗水平以及疾病诊断、分型等具有重要临床意义。归纳起来，视网膜动静脉血管分类算法可以分为两大类：传统图像处理的方法和深度学习的方法。传统图像处理的方法，如：基于分类器学习的分类法、基于图算法学习的分类法。深度学习的方法，主要是卷积神经网络。基于分类器学习的方法，首先，采用图像处理方法，如直方图均衡化、伽马校正等，对图像进行预处理；其...
【技术保护点】
1.一种视网膜图像动静脉的分类装置，其特征在于，包括：/n图像获取模块，用于获取待分类图像；/n预处理模块，用于对所述待分类图像进行预处理，得到预处理图像；/n对抗网络模块，包括预先训练的生成器单元，所述预先训练的生成器单元用于根据所述预处理图像输出每个像素点的动静脉分类概率；/n结果输出模块，用于根据所述预处理图像中每个像素点的动静脉分类概率，生成动静脉分类结果。/n
【技术特征摘要】
1.一种视网膜图像动静脉的分类装置，其特征在于，包括：
图像获取模块，用于获取待分类图像；
预处理模块，用于对所述待分类图像进行预处理，得到预处理图像；
对抗网络模块，包括预先训练的生成器单元，所述预先训练的生成器单元用于根据所述预处理图像输出每个像素点的动静脉分类概率；
结果输出模块，用于根据所述预处理图像中每个像素点的动静脉分类概率，生成动静脉分类结果。
2.如权利要求1所述的视网膜图像动静脉的分类装置，其特征在于，所述预先训练包括步骤：
构建生成器模型、鉴别器模型和拓扑结构模型；其中，所述拓扑结构模型为VGG模型；
以经过预处理的视网膜图像作为所述生成器模型的输入，所述生成器模型输出所述经过预处理的视网膜图像的像素点的概率；
合并视网膜动静脉标签和所述经过预处理的视网膜图像作为第一合并信息、合并所述经过预处理的视网膜图像和所述生成器模型的输出作为第二合并信息，以所述第一合并信息和所述第二合并信息作为所述鉴别器模型的输入，所述鉴别器模型输出所述第一合并信息和所述第二合并信息的真假信息；
将所述视网膜动静脉标签和所述像素点的概率输入所述拓扑结构模型，得到固定的拓扑结构模型；
根据所述固定的拓扑结构模型和所述拓扑结构模型的损失函数，对所述生成器模型和所述鉴别器模型进行交替训练，已得到的生成器模型作为所述预先训练的生成器单元。
3.如权利要求2所述的视网膜图像动静脉的分类装置，其特征在于，所述生成器模型的损失函数包括交叉熵损失和总变差损失，所述交叉熵损失和所述总变差损失满足：
其中，Lwce为交叉熵损失，分别为视网膜动静脉标签和生成器的预测概率结果，wa、wv和wb为超参数；ya是y的第一通道的值，并且是动脉的标签，当ya值为1代表是动脉；yv是y的第二通道的值，并且是静脉的标签，当yv值为1代表是静脉；yb是视网膜背景的标签，并且是y的第三通道的值，当yb值为1代表是背景；Ltv为所述总变差损失，表示所述生成器模型的输出的第i行，第j列的像素点的值；wa、wv和wb均为范围[0，1]的实数；
所述鉴别器模型的损失函数满足：
其中，Ladv为所述鉴别器模型的损失函数，D是所述鉴别器模型，G是所述生成器模型，(x,y)分别为所述预处理的视网膜图像和所述视网膜动静脉标签；
所述拓扑结构模型的损失函数满足：
其中，MSSIM表征图像之间的相似度，并且满足：
其中，和为y和对应拓...
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。