一种用于眼底视网膜血管图像分割的粗糙集神经网络方法技术

本发明专利技术提供了一种用于眼底视网膜血管图像分割的粗糙集神经网络方法，包括如下步骤：S10图像预处理，获得基于粗糙集增强眼底视网膜血管图像；S20构建U‑net神经网络模型；S30利用粒子群优化算法(PSO)对所述U‑net神经网络模型进行优化训练，获得PSO‑U‑net神经网络模型；以及S40将待测彩色眼底视网膜血管图像采用粗糙集理论进行图像增强预处理后使用所述PSO‑U‑net神经网络模型对所述待测彩色眼底视网膜血管图像分割。本发明专利技术的一种用于眼底视网膜血管图像分割的粗糙集神经网络方法，减少了医护人员的工作量，避免了医护人员经验和技能的差别对同一幅眼底图像分割结果存在的差异，有效的进行彩色眼底视网膜血管图像分割，获得更高的分割精度和效率。

【技术实现步骤摘要】
一种用于眼底视网膜血管图像分割的粗糙集神经网络方法
本专利技术涉及医学图像处理
，具体涉及一种用于眼底视网膜血管图像分割的粗糙集神经网络方法。
技术介绍
眼底图像中视网膜血管的健康状况对于医生早期诊断糖尿病心脑血管疾病及其多种眼科疾病具有重要的意义与价值，但由于视网膜血管自身结构复杂，同时易受采集环境中光照因素的影响，使得临床上手动分割视网膜血管不仅工作量巨大而且对医疗人员的经验和技能要求颇高。另外不同的医疗人员对同一幅眼底图像的分割结果可能存在差异，手动分割已不能满足临床的需要。随着计算机技术的不断发展，利用人工智能技术对眼底视网膜血管图像进行自动分割，可有效对眼科疾病进行早期的辅助诊断和决策，目前已成为国内外学者关注的研究热点。深度学习中的卷积神经网络模型凭借其局部感知、参数共享的特殊结构在医学图像处理方面有着独特的优越性。由于图像信息具有较强的空间复杂性、相关性，以及图像处理过程中会遇到不完整性和不确定性等问题，因此将粗糙集理论应用到图像处理中，在很多场合具有比传统方法更好的效果。
技术实现思路
为了解决上述问题，本专利技术提供一种用于眼底视网膜血管图像分割的粗糙集神经网络方法，减少了医护人员的工作量，避免了医护人员经验和技能的差别对同一幅眼底图像分割结果存在的差异，有效的进行彩色眼底视网膜血管图像分割，获得更高的分割精度和效率。为了实现以上目的，本专利技术采取的一种技术方案是：一种用于眼底视网膜血管图像分割的粗糙集神经网络方法，包括如下步骤：S10图像预处理，将每一张大小为M×M×3的标准RGB彩色眼底视网膜血管图像采用粗糙集理论进行图像增强预处理，获得基于粗糙集增强眼底视网膜血管图像；S20构建U-net神经网络模型，对所述基于粗糙集增强眼底视网膜血管图像进行分割获得分割图，将所述分割图与所述标准RGB彩色眼底视网膜血管图像所对应的标准分割标签图之间的误差作为所构U-net神经网络的误差函数，获得所述U-net神经网络模型；S30利用粒子群优化算法(PSO)对所述U-net神经网络模型进行优化训练，将所述基于粗糙集增强的眼底视网膜血管图像作为粒子，通过粒子群不断迭代，得到最优种群粒子，利用梯度下降对所述U-net神经网络参数进行调整，获得PSO-U-net神经网络模型；以及S40将待测彩色眼底视网膜血管图像采用粗糙集理论进行图像增强预处理后使用所述PSO-U-net神经网络模型对所述待测彩色眼底视网膜血管图像分割。进一步地，所述U-net神经网络模型包括输入层、卷积层、ReLU非线性层、池化层、反卷积层以及输出层。进一步地，所述步骤S10包括如下步骤：S11将每一张大小为M×M×3的标准RGB彩色眼底视网膜血管图像存储为三个大小均为M×M的矩阵，分别记为R*、G*以及B*，矩阵中的每个值表示三通道的每个像素点的每个颜色的分量值；通过矩阵R*、G*以及B*建立HSI模型，其中H表示色调，S表示饱和度，I表示亮度：其中S12所述亮度I分量相当于眼底视网膜血管图像的灰度化图，将其看作一个图像信息系统，利用粗糙集理论进行图像预处理，大小为M×M的二维眼底视网膜图像作为论域U，眼底视网膜图像中的每个像素点x表示U中的一个对象，像素点x的灰度值记为f(m,n)，，其中，(m,n)表示像素点x的位置为第m行第n列确定眼底视网膜血管灰度图像的两个条件属性为c1和c2，即C＝{c1,c2}，其中c1表示像素点的灰度值属性，属性值为c1＝{0,1}，c2记为噪声属性，表示两个相邻子块的平均灰度之差的绝对值，属性值为c2＝{0,1}；决策属性D表示像素点的分类，D＝{d1,d2,d3,d4}，其中d1表示较亮无噪声区域，d2表示亮区边缘噪声区，d3表示较暗无噪声区，d4表示暗区边缘噪声区，从而构造一个眼底视网膜血管图像信息系统(U,C∪D)；S13确定灰度值阈值α，对于U中第m行第n列像素点x的灰度值表示为如果满足那么c1＝1，表示像素点x的灰度值为[α+1，255]之间，归为这个等价类，表示该像素点属于眼底视网膜血管图像中的较亮集合；否则c1＝0，表示像素点x的灰度值为[0,α]之间，归为这个等价类，表示该像素点属于眼底视网膜血管图像中较暗集合；S14确定噪声阈值β，将眼底视网膜血管图像按照2×2像素划分子块，表示子块与相邻子块像素灰度平均值之差的绝对值，即其中avg(Si,j)表示子块Si,j的像素平均值，如果满足则c2＝1，表示像素点x有噪声，归为等价类，即该像素属于边缘噪声集合；否则c2＝0，表示像素点x无噪声，归为等价类，即该像素属于无噪声集合；S15根据以上两个条件属性c1和c2，判断像素点所属于的集合，作为决策依据，对像素点进行决策分类，对原眼底视网膜血管图像P进行子图划分，根据灰度值属性c1和噪声属性c2，根据条件属性c2将原图划分为较亮无噪声子图P1、亮区边缘噪声子图P2、较暗无噪声子图P3和暗区边缘噪声子图P4；将较亮无噪声子图P1补全，即在所有较暗和噪声像素位置处，分别用灰度阈值α和噪声阈值β对其进行填充，构成P1′；将较暗无噪声子图P3补全，即在所有较亮和噪声像素位置处，分别用灰度阈值α和噪声阈值β对其进行填充，构成P3′；以及S16分别对P1′和P3′进行增强变换：对P1′作直方图均衡变换，对P3′作直方图指数变换，并对P1′和P3′直方图变换后的图像进行重叠，获得增强的眼底视网膜血管图像P′，并对增强眼底视网膜血管图像P′根据公式(4)进行归一化操作如下：获得基于粗糙集增强眼底视网膜血管图像，其中xi表示眼底视网膜血管图像的第i个像素点值，min(x)和max(x)分别表示眼底视网膜血管图像像素的最小值和最大值。进一步地，所述步骤S20包括如下步骤：S21采用下采样对所述粗糙集增眼底视网膜血管图像行特征提取，利用大小为3×3的卷积核对输入眼底视网膜血管图像进行2次卷积操作，并且选用ReLU激活函数进行非线性变换，然后进行2×2池化操作，重复4次，在每进行一次池化之后的第一个3×3卷积操作，3×3卷积核数量成倍增加；之后再进行2次3×3的卷积操作，继续完成上述下采样特征提取相关操作；对于卷积层的计算，表示如下：其中Mj表示输入的特征图集合，表示第n层的第j个特征图，表示卷积核函数，f()表示激活函数，使用ReLU函数作为激活函数，是偏置参数；对于池化层的计算，表示如下：其中β是下采样层特征图的权值常数，down()是下采样函数；S22采用上采样进行操作，首先进行2次3×3的反卷积操作，对最大池化层的图像进行复制和剪裁，并与反卷积所得图像进行拼接；然后进行3×3的卷积操作，重复4次，在每进行一次拼接之后的第一个3×3卷积操作，3×3卷积核数量成倍减少；最后进行2次3×3的卷积操作和1次1×1的卷积操作，此时完成上采样过程；以及S23经过上采样和下采样过程，通过前向计算出U-net神经网络得到的分割图，与所述标准RGB彩色眼底视网膜血管图像所对应的标准分割标签图进行误差运算，误差函数表示如下本文档来自技高网...

【技术保护点】
1.一种用于眼底视网膜血管图像分割的粗糙集神经网络方法，其特征在于，包括如下步骤：/nS10图像预处理，将每一张大小为M×M×3的标准RGB彩色眼底视网膜血管图像采用粗糙集理论进行图像增强预处理，获得基于粗糙集增强眼底视网膜血管图像；/nS20构建U-net神经网络模型，对所述基于粗糙集增强眼底视网膜血管图像进行分割获得分割图，将所述分割图与所述标准RGB彩色眼底视网膜血管图像所对应的标准分割标签图之间的误差作为所构U-net神经网络的误差函数，获得所述U-net神经网络模型；/nS30利用粒子群优化算法(PSO)对所述U-net神经网络模型进行优化训练，将所述基于粗糙集增强的眼底视网膜血管图像作为粒子，通过粒子群不断迭代，得到最优种群粒子，利用梯度下降对所述U-net神经网络参数进行调整，获得PSO-U-net神经网络模型；以及/nS40将待测彩色眼底视网膜血管图像采用粗糙集理论进行图像增强预处理后使用所述PSO-U-net神经网络模型对所述待测彩色眼底视网膜血管图像分割。/n

【技术特征摘要】
1.一种用于眼底视网膜血管图像分割的粗糙集神经网络方法，其特征在于，包括如下步骤：
S10图像预处理，将每一张大小为M×M×3的标准RGB彩色眼底视网膜血管图像采用粗糙集理论进行图像增强预处理，获得基于粗糙集增强眼底视网膜血管图像；
S20构建U-net神经网络模型，对所述基于粗糙集增强眼底视网膜血管图像进行分割获得分割图，将所述分割图与所述标准RGB彩色眼底视网膜血管图像所对应的标准分割标签图之间的误差作为所构U-net神经网络的误差函数，获得所述U-net神经网络模型；
S30利用粒子群优化算法(PSO)对所述U-net神经网络模型进行优化训练，将所述基于粗糙集增强的眼底视网膜血管图像作为粒子，通过粒子群不断迭代，得到最优种群粒子，利用梯度下降对所述U-net神经网络参数进行调整，获得PSO-U-net神经网络模型；以及
S40将待测彩色眼底视网膜血管图像采用粗糙集理论进行图像增强预处理后使用所述PSO-U-net神经网络模型对所述待测彩色眼底视网膜血管图像分割。


2.根据权利要求1所述的用于眼底视网膜血管图像分割的粗糙集神经网络方法，其特征在于，所述U-net神经网络模型包括输入层、卷积层、ReLU非线性层、池化层、反卷积层以及输出层。


3.根据权利要求2所述的用于眼底视网膜血管图像分割的粗糙集神经网络方法，其特征在于，所述步骤S10包括如下步骤：
S11将每一张大小为M×M×3的标准RGB彩色眼底视网膜血管图像存储为三个大小均为M×M的矩阵，分别记为R*、G*以及B*，矩阵中的每个值表示三通道的每个像素点的每个颜色的分量值；通过矩阵R*、G*以及B*建立HSI模型，其中H表示色调，S表示饱和度，I表示亮度：

其中






S12所述亮度I分量相当于眼底视网膜血管图像的灰度化图，将其看作一个图像信息系统，利用粗糙集理论进行图像预处理，大小为M×M的二维眼底视网膜图像作为论域U，眼底视网膜图像中的每个像素点x表示U中的一个对象，像素点x的灰度值记为f(m,n)，其中，(m,n)表示像素点x的位置为第m行第n列，确定眼底视网膜血管灰度图像的两个条件属性为c1和c2，即C＝{c1,c2}，其中c1表示像素点的灰度值属性，属性值为c1＝{0,1}，c2记为噪声属性，表示两个相邻子块的平均灰度之差的绝对值，属性值为c2＝{0,1}；决策属性D表示像素点的分类，D＝{d1,d2,d3,d4}，其中d1表示较亮无噪声区域，d2表示亮区边缘噪声区，d3表示较暗无噪声区，d4表示暗区边缘噪声区，从而构造一个眼底视网膜血管图像信息系统(U,C∪D)；
S13确定灰度值阈值α，对于U中第m行第n列像素点x的灰度值表示为如果满足那么c1＝1，表示像素点x的灰度值为[α+1，255]之间，归为这个等价类，表示该像素点属于眼底视网膜血管图像中的较亮集合；否则c1＝0，表示像素点x的灰度值为[0,α]之间，归为这个等价类，表示该像素点属于眼底视网膜血管图像中较暗集合；
S14确定噪声阈值β，将眼底视网膜血管图像按照2×2像素划分子块，表示子块与相邻子块像素灰度平均值之差的绝对值，即其中avg(Si,j)表示子块Si,j的像素平均值，如果满足则c2＝1，表示像素点x有噪声，归为等价类，即该像素属于边缘噪声集合；否则c2＝0，表示像素点x无噪声，归为等价类，即该像素属于无噪声集合；
S15根据以上两个条件属性c1和c2，判断像素点所属于的集合，作为决策依据，对像素点进行决策分类，对原眼底视网膜血管图像P进行子图划分，根据灰度值属性c1和噪声属性c2，将原图划分为较亮无噪声子图P1、亮区边缘噪声子图P2、较暗无噪声子图P3和暗区边缘噪声子图P4；将较亮无噪声子图P1补全，即在所有较暗和噪声像素位置处，分别用灰度阈值α和噪声阈值β对其进行填充，构成P1′；将较暗无噪声子图P3补全，即在所有较亮和噪声像素位置处，分别用灰度阈值α和噪声阈值β对其进行填充，构成P3′；以及
S16分别对P1′和P3′进行增强变换：对P1′作直方图均衡变换，对P3′作直方图指数变换，并对P1′和P3′直方图变换后的图像进行重叠，获得增强的眼底视网膜血管图像P′，并对增强眼底视网膜血管图像P′根据公式(4)进行归一化操作如下：



获得所述基于粗糙集增强眼底视网膜血管图像，其中xi表示...

【专利技术属性】
技术研发人员：丁卫平，孙颖，鞠恒荣，张毅，冯志豪，李铭，万杰，曹金鑫，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32