一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法技术

一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法，包括以下步骤：1)对眼底视网膜图像进行预处理；2)将预处理后的图像分割成图像块进行数据扩充；3)构建卷积神经网络模型，并利用扩充后的数据进行网络训练；4)将训练好的模型进行测试，得到分割结果。本发明专利技术通过连接一种编码和两种不同的解码结构，并采用多种跳过连接，可以克服血管图像数据集数量少、图像质量低导致的分割精度低等缺点，更加充分地融合不同深度的特征，并且有效缓解由网络深度增加导致的梯度消失问题，与传统分割方法相比，拥有更高的准确率与较高的鲁棒性。

A vascular segmentation method of fundus image based on multi-scale features of full convolution neural network

【技术实现步骤摘要】
一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法
本专利技术涉及医学图像处理以及计算机视觉领域，具体涉及一种基于卷积神经网络的眼底图像血管分割方法。
技术介绍
眼底视网膜微血管网络同人脸、指纹、掌纹等人体特征一样，也具有个体唯一性，每个人的视网膜血管的分布、走向、粗细、曲率等特征都不相同，因此眼底信息可用于生物识别。此外，在人体所有较深层的微血管循环网络中，唯一可以使用无创便直接观察的就是视网膜微血管的网络。通常情况下该血管网络是长期保持不变的，但糖尿病、高血压等心脑血管疾病可导致视网膜微血管网络的结构形态等发生变化。然而，医生在观察眼底图像时，大多根据个人的诊断经验进行定性判断，因此人工诊断眼底图像存在主观性强、准确率低、劳动强度大、诊断效率低等诸多缺点。由此可见，血管分割是决定眼底图像在临床诊断中能否提供可靠信息的关键。目前对于眼底血管分割的算法主要分为：(1)无监督方法，主要包括：血管跟踪法、基于形变模型的方法和匹配滤波法等；(2)有监督方法，主要指机器学习以及深度学习方法。无监督的分割方法不需要先验标记信息，但是对图像质量本文档来自技高网...

【技术保护点】
1.一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法，其特征在于，所述方法包括以下步骤：/n1)对用于训练的眼底图像进行预处理；/n2)对于预处理后的图片分割成指定大小的图像块，进行数据扩充；/n3)使用扩充好的样本训练多尺度特征卷积神经网络，得到模型参数；/n4)将用于测试的图片进行同样的预处理步骤，并分割成与训练图片相同大小，利用训练好的多尺度特征卷积神经网络对测试图片进行分割，得到最终分割结果。/n

【技术特征摘要】
1.一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法，其特征在于，所述方法包括以下步骤：
1)对用于训练的眼底图像进行预处理；
2)对于预处理后的图片分割成指定大小的图像块，进行数据扩充；
3)使用扩充好的样本训练多尺度特征卷积神经网络，得到模型参数；
4)将用于测试的图片进行同样的预处理步骤，并分割成与训练图片相同大小，利用训练好的多尺度特征卷积神经网络对测试图片进行分割，得到最终分割结果。


2.根据权利要求1所述的一种基于全卷积神经网...

【专利技术属性】
技术研发人员：刘义鹏，芮雪，蒋莉，王海霞，陈朋，梁荣华，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33