视网膜血管分割方法、装置及模型构建方法制造方法及图纸

本申请涉及一种视网膜血管分割方法、装置、计算机设备、存储介质和模型构建方法，通过将待分割血管图像输入至对称网络；对称网络包括编码网络和解码网络，通过编码网络中的各个密集连接块对待分割血管图像进行特征提取，得到对应的血管特征图，并输入至解码网络；通过解码网络中的各卷积模块对编码网络中的各个密集连接块输出的血管特征图进行特征提取，得到对应的血管特征图；将解码网络中的各卷积模块输出的血管特征图与编码网络中的各个密集连接块输出的血管特征图进行融合，得到融合的血管特征图；通过对融合的血管特征图进行卷积处理，得到血管分割图。本申请能够高效地捕获血管的细粒度细节，提升血管精细部位分割结果准确性。

【技术实现步骤摘要】
视网膜血管分割方法、装置及模型构建方法
本申请涉及图像分割
，特别是涉及一种视网膜血管分割方法、装置、计算机设备、存储介质和模型构建方法。
技术介绍
在视网膜眼底图像中，血管呈树状网络结构布满整个眼底图像，是眼底图像中可观察的最重要的结构。视网膜眼底图像是判断眼部疾病的重要依据，同时对糖尿病、高血压、动脉硬化等疾病的诊断具有重要作用。手动分割视网膜血管是一项非常繁琐的任务，并需要经验和技巧。基于计算机自动提取分割视网膜血管的辅助诊断系统，在医学诊断中有着重要的应用价值。在传统技术中，采用基于U型网络或类似U型网络的方法实现眼底图像血管的端到端的分割，且这些方法中的跳转连接是将编码模块的特征图与解码模块的特征图直接连接，从而导致语义差别较大的特征图相组合。然而，传统技术中在血管末梢等血管精细部位的分割结果仍不够准确。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够高效地捕获血管的细粒度细节，提升血管精细部位分割结果准确性的视网膜血管分割方法、装置、计算机设备、存储介质和模型构建方法。一本文档来自技高网...

【技术保护点】
1.一种视网膜血管分割方法，其特征在于，所述方法包括：/n将待分割血管图像输入至对称网络；所述对称网络包括编码网络和解码网络，所述编码网络与所述解码网络连接成对称结构，所述编码网络包括若干个依次连接的密集连接块；/n通过所述编码网络中的各个密集连接块对所述待分割血管图像进行特征提取，得到对应的血管特征图，并输入至所述解码网络；所述解码网络包括若干个层次，各个所述层次包括若干个依次连接的卷积模块，且除第一个之外的其它卷积模块与之前的每个卷积模块均具有跳转连接；/n通过所述解码网络中的各卷积模块对所述编码网络中的各个密集连接块输出的血管特征图进行特征提取，得到对应的血管特征图；/n通过各所述卷积模...

【技术特征摘要】
1.一种视网膜血管分割方法，其特征在于，所述方法包括：
将待分割血管图像输入至对称网络；所述对称网络包括编码网络和解码网络，所述编码网络与所述解码网络连接成对称结构，所述编码网络包括若干个依次连接的密集连接块；
通过所述编码网络中的各个密集连接块对所述待分割血管图像进行特征提取，得到对应的血管特征图，并输入至所述解码网络；所述解码网络包括若干个层次，各个所述层次包括若干个依次连接的卷积模块，且除第一个之外的其它卷积模块与之前的每个卷积模块均具有跳转连接；
通过所述解码网络中的各卷积模块对所述编码网络中的各个密集连接块输出的血管特征图进行特征提取，得到对应的血管特征图；
通过各所述卷积模块之间的跳转连接关系，将所述解码网络中的各卷积模块输出的血管特征图与所述编码网络中的各个密集连接块输出的血管特征图进行融合，得到融合的血管特征图；
通过对所述融合的血管特征图进行卷积处理，得到血管分割图。


2.根据权利要求1所述的方法，其特征在于，所述编码网络还包括一个卷积块，所述卷积块之后依次连接各所述密集连接块；所述通过所述编码网络中的各个密集连接块对所述待分割血管图像进行特征提取，得到对应的血管特征图，包括：
通过所述编码网络中的卷积块对所述待分割血管图像进行卷积处理，得到对应的中间血管特征图；
依次通过所述编码网络中的各个所述密集连接块对所述卷积块输出的中间血管特征图进行卷积处理，得到对应的血管特征图。


3.根据权利要求2所述的方法，其特征在于，所述密集连接块包括若干层的卷积层；所述通过所述编码网络中的各个所述密集连接块对所述卷积块输出的中间血管特征图进行卷积处理，包括：
将所述卷积块输出的中间血管特征图输入所述密集连接块；
针对任一个所述密集连接块中的各卷积层，将当前卷积层之前的各卷积层输出的中间血管特征图在深度通道上进行拼接，得到拼接特征图；
将所述拼接特征图输入至所述当前卷积层，通过所述当前卷积层对所述拼接特征图进行卷积处理。


4.根据权利要求1至3任一项所述的方法，其特征在于，所述将所述解码网络中的各卷积模块输出的血管特征图与所述编码网络中的各个密集连接块输出的血管特征图进行融合，得到融合的血管特征图，包括：
针对所述解码网络中第一层次上的第一个卷积模块，对所述编码网络中当前层次上的当前卷积模块之前的卷积块输出的血管特征图、下一层次密集连接块的输出经上采样后的血管特征图进行融合，得到融合的血管特征图；
针对所述解码网络中除第一层次之外的其他各层次上的第一个卷积模块，将当前层次密集连接块输出的血管特征图以及下一层次密集连接块的输出经上采样后的血管特征图进行融合，得到融合的血管特征图；
针对所述解码网络中各层次上的除第一个之外的其他卷积模块，将当前层次密集连接块输出的血管特征图、当前层次上的当前卷积模块之前的各卷积模块输出的血管特征图以及下一层次上的当前卷积模块之前的卷积模块的输出经上采样后的血管特征图进行融合，得到融合的血管特征图；
所述通过对所述融合的血管特征图进行卷积处理，得到血管分割图，包括：
将所述融合的血管特征图输入至所述解码网络中当前层次上的当前卷积模块；
重复执行上述对所述融合的血管特征图进行卷积处理的步骤，直至所述解码网络中的最后一个卷积模块，通过所述解码网络中的最后一个卷积模块对融合的血管特征图进行卷积处理，得到血管分割图。


5.根据权利要求1所述的方法，其特征在于，所述通过对所述融合的血管特征图进行卷积处理，得到血管分割图，包括：
通过对所述融合的血管特征图进行卷积处理，得到预测概率图；
根据预设阈值对所述预测概率图进行二值化处理，并根据二值化处理的结果，生成所述血管分割图。


6.根据权利要求5所述的方法，其特征在于，所述对称网络的训练方式，包括：
构建训练样本集；所述训练样本集包括若干样本血管图像，所述样本...

【专利技术属性】
技术研发人员：赵荔君，黄迪锋，谭启超，王建峰，王恩超，高原，张玲玲，梁波，
申请(专利权)人：苏州超云生命智能产业研究院有限公司，
类型：发明
国别省市：江苏;32