一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法技术

一种U‑Net与区域增长PCNN相结合的视网膜视盘分割方法，将视网膜视盘数据集图片进行灰度化处理；将灰度化处理后的数据集图片进行CLAHE处理，增强视网膜视盘图像中视盘与背景之间的对比度；视网膜视盘图像分块；U‑Net神经网络模型的搭建、训练以及图片粗提取；区域增长PCNN神经网络模型的搭建；使用区域增长PCNN，进行视网膜视盘分割。本发明专利技术一方面提出了一种基于改进后的U‑Net视网膜视盘图像粗提取方法，通过这种粗提取，显著抑制背景，凸显视盘区域，增加图片对比度，从而提升数据集图片质量；另一方面提出了一种基于改进的区域增长PCNN的视盘图像分割方法，通过改变种子选取方式、PCNN初始点火阈值选取方式以及区域增长结束条件，提高PCNN分割性能，实现完整视盘的分割。

【技术实现步骤摘要】
一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法
本专利技术涉及视盘识别
，具体涉及一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法。
技术介绍
青光眼的危害极大，是造成不可逆失明的首要原因，在其早期阶段若不加以干预和治疗，极易致人失明。而视盘的大小形状及深度变化与青光眼的发病与否、症状程度有着密切的关系。因此，视盘的识别对于青光眼诊断和治疗起着至关重要的作用，具有巨大的研究价值。但医生需阅览大量眼底图像才能做出诊断，这是一个耗时繁琐的过程，容易受到主观经验和疲劳程度的影响。医生在疲倦时遗漏眼底图像中的某些细节信息的风险会增加，从而造成漏诊、误诊的情况发生，且仅仅依靠医生来进行判断不适用于大规模的青光眼筛查。总之，目前视网膜图像中的视盘分割任务存在诸多难点：1)、眼底图像中视盘与背景之间的对比度低。由于采集设备和采集环境的影响如光照不均等因素，加之人生理变化对视盘的影响，造成对比度低、图片质量差的情况；2)、目前大多数分割方法所得到的视盘图像都存在误判，细节信息不足，从而导致分割效果不佳。所以，设计一种视网膜视盘的精准分割方案显得尤为重要。传统视网膜视盘分割方法中常用的方法是基于边缘检测的图像分割。文献[1]中国专利“综合眼底图像边缘信息和亮度信息的视盘分割方法”(申请号：201610915463.X)利用IsotropicSobel算子提取对比度增强后眼底图像的垂直边缘和水平边缘图像，根据边缘差值曲线，定位视盘水平坐标，再提取血管密集度特征和视盘亮度特征，将血管密度特征与视盘亮度特征相乘得到关于视盘垂直坐标的特征曲线，曲线上最大值对应的坐标即为视盘垂直坐标，然后定位出视盘中心坐标，利用CV水平集模型进行视盘的分割。文献[2]中国专利“一种视盘定位方法及装置”(申请号：201710405139.8)改进模糊收敛、边缘检测、明亮区域检测、模版匹配等算法，每个算法产生一个或多个输出，对所有输出进行融合定位视盘，再将视盘定位及边缘检测结果作为视盘分割的初始参数，椭圆拟合确定视盘大致轮廓，可变形轮廓拟合视盘边缘，最终完成视盘分割。但是传统的眼底图像分割算法在复杂场景中的分割效果并不理想，对于对比度较低和图像质量较差的眼底图像无法获得较高分割精度,以实现计算机辅助系统做出准确判断。深度学习技术迅猛发展，在医学图像处理领域表现出巨大的优势。众多研究者将深度学习技术应用到眼底图像中的视盘分割任务。文献[3]中国专利“基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型”(申请号：201910711320.0)通过特征提取模块提取输入图像的第一图像特征，注意力映射模块提取第二图像特征，以及根据第一图像特征中的高级特征、低级特征以及第二图像特征得到第一特征，通过多尺度空洞卷积模块，对高级特征进行多次卷积得到第二特征，输出模块根据第一特征以及第二特征来得到视盘分割结果。文献[4]中国专利“一种视杯视盘分割模型的确定方法、装置及存储介质”(申请号：201910964739.7)将图像输入全卷积神经网络定位视盘，引入空间约束模块和联合损失语义分割算法搭建视盘视分割网络，得到视盘ROI分割结果。这些方法通过逐层提取特征的方式丢失了许多有用信息，加之眼底图像数据集图片质量差别大、数量不足，导致模型最终学得的参数不能完全刻画视盘的特征，无法满足医护人员的需求。在深度学习领域中，有着众多网络模型，其中文献[5]OlafRonneberger,PhilippFischer,ThomasBrox.U-Net:ConvolutionalNetworksforBiomedicalImageSegmentation.MICCAI,2015:234-241，记载的神经网络对于数据集稀少的医学图像处理比较友好，展现了巨大优势。文献[6]中国专利“结合多尺度特征卷积神经网络视网膜血管图像分割方法”(申请号：201810635753.8)利用U-Net网络对眼底影像图进行分割，得到的预测分割图像输送到生成对抗网络的判别器网络中进行鉴定真假，将得到的损失返回U-Net网络模型更新权重，最终得到视盘分割模型。文献[7]中国专利“一种基于病灶彩色视网膜眼底图像的视盘分割方法”(申请号：201811142896.1)搭建两个U-Net模型分别进行血管检测和视盘检测，获取血管概率图和视盘概率图。先由血管概率图获取主血管拟合直线图，获取主血管拟合直线图的概率图，再从视盘连通区域中选取视盘区域并估算出视盘的中心和半径，从而分割出视盘。这些方法使用硬阈值分割视盘，导致视盘边缘处低灰度级像素被误分为背景，高灰度级像素被误分为视盘，降低分割精度，干扰医护人员的判断，图1就是U-Net使用硬阈值分割的结果，红色为误分为视盘的背景。还有一些研究人员改进了U-Net模型。文献[8]ShuangYu,YgesanKanagasingam,etal.Robustopticdiscandcupsegmentationwithdeeplearningforglauxomadetection,ComputerizedMedicalImageandGraphics,2019,74:61-71.记载的U-Net的编码器部分改为已经经过预训练的ResNet34网络，解码器部分未改动，后续结果进行形态学处理。由于ResNet34参数在U-Net模型训练时被冻结，不能更新，导致分割结果准确率等性能指标下降。文献[9]ArtemSeveastopolsky,OpticDiscandCupSegmentationMethodsforGlaucomaDectionwithModificationofU-NetConvolutionNeuralNetwork,PatternRecognitionandImageAnalysis,2017,27(3):618-624，记载减少U-Net卷积层中卷积核的个数，所有卷积层卷积核个数都为64，这样加快训练速度，但是每层提取特征图像太少了，导致最后准确度不高，提升不明显。而且这些改进方法最后对分割概率图仍未逃离硬阈值分割的问题。目前有众多自适应阈值算法可用于图像二值化分割，常用的自适应算法有OTSU算法如文献[10]NobuyukiOtsu,Athresholdselectionmethodfromgraylevelhistograms,IEEETrans.syst.manCybern,1979,9(1):62-66中记载；最大熵阈值分割法，如文献[11]AbutalebAS,AutomaticThresholdingofGray-LevelPictureUsingTwo-DimensionalEntropies,PatternRecognition,1989,47(1):22-32中记载。OTSU算法利用阈值将图像分为目标与背景两个部分，再最大化两类像素之间的方差，此时阈值为分割阈值。最大熵阈值分割法同样将图像分为目标与背景两部分，在计算两部分的信息熵，本文档来自技高网...

【技术保护点】
1.一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法，其特征在于包括以下步骤：/n步骤1：将视网膜视盘数据集图片进行灰度化处理；/n步骤2：将步骤1灰度化处理后的数据集图片进行CLAHE处理，增强视网膜视盘图像中视盘与背景之间的对比度，/n步骤3：视网膜视盘图像分块；/n步骤4：U-Net神经网络模型的搭建、训练以及图片粗提取；/n步骤5：区域增长PCNN神经网络模型的搭建；/n步骤6：使用区域增长PCNN，进行视网膜视盘分割。/n

【技术特征摘要】
1.一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法，其特征在于包括以下步骤：
步骤1：将视网膜视盘数据集图片进行灰度化处理；
步骤2：将步骤1灰度化处理后的数据集图片进行CLAHE处理，增强视网膜视盘图像中视盘与背景之间的对比度，
步骤3：视网膜视盘图像分块；
步骤4：U-Net神经网络模型的搭建、训练以及图片粗提取；
步骤5：区域增长PCNN神经网络模型的搭建；
步骤6：使用区域增长PCNN，进行视网膜视盘分割。


2.根据权利要求1所述一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法，其特征在于：所述步骤3包括以下步骤：
步骤3.1：训练集图片的分块是在图片中随机选取48×48大小的图片；
步骤3.2：测试集图片分块是在图像中随机选取48×48的图像块；
步骤3.3：判断图块中心像素在不在眼底图像区域内，若是，则保留，选取下一块；若不是，则丢弃，重新选取，这样就保证图块所有像素都在眼底图像区域内。


3.根据权利要求1所述一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法，其特征在于：所述步骤4包括以下步骤：
步骤4.1：
针对数据集图片质量参差不齐的问题，搭建U-Net神经网络模型作为进行粗提取，提升图片质量，U-Net神经网络模型是一个具有U型对称结构的全卷积神经网络，其包括编码器、解码器各4个，均为3次横向卷积；
每个编码器由第一卷积层、第一批标准化层、第一激活层、第一正则化层、最大池化层组成，在网络的训练中能够对输入图像进行路径收缩从而捕捉到全局信息，每经过一个编码器，输出图像缩小到输入图像的1/4，采用的激活函数是Leaky-ReLU函数；
解码器由上采样层、第二卷积层、第二批标准化层、第二激活层、第二正则化层组成，每经过一次上采样层，输出图像扩大到输入图像的4倍，再经过第二卷积层二维卷积，第二批标准化层拉伸第二卷积层输出到正态分布，Leaky-ReLU函数进行非线性映射，第二正则化层以一定概率丢弃神经元激活值，输出层激活函数为softmax函数；
步骤4.2：在模型训练阶段，每一轮训练时选取训练集中90％的数据用于训练，将剩余10％的数据用作验证，U-Net神经网络模型中使用交叉熵代价函数计算误差，然后使用随机梯度下降的方式来最小化代价，然后反向传播更新权重和偏置；
步骤4.3：将初步处理过的测试集图片，输入训练好的改进U-Net神经网络模型，进行视盘粗提取。


4.根据权利要求1所述一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法，其特征在于：所述步骤5具...

【专利技术属性】
技术研发人员：徐光柱，陈莎，林文杰，雷帮军，石勇涛，周军，刘蓉，王阳，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北;42