一种基于生成式对抗网络的显微图像中微血管分割方法技术

一种基于生成式对抗网络的显微图像中微血管分割方法。是为了解决微血管图像，由于算法的限制或者实际成像对比度较低，算法分割结果常常出现血管断裂的现象和血管分支细节存在冗余的问题。本发明专利技术包括如下步骤：建立基于生成式对抗网络的训练模型和样本集；将样本集中彩色眼底图像输入生成模型，提取图像特征信息后输出显微图像下微血管概率图像作为生成样本；对显微图像对比自适应直方图均衡化进行增强处理；增加训练的数据量对预处理单元处理后的显微图像进行再次增强处理；对真实样本和生成样本进行区分；将待分割视网膜血管彩色图像输入分割模型，输出血管分割结果；本发明专利技术应用于显微图像中微血管分割。

【技术实现步骤摘要】
一种基于生成式对抗网络的显微图像中微血管分割方法
本专利技术涉及一种基于生成式对抗网络的显微图像中微血管分割方法。
技术介绍
显微图像下的微血管图像灰度分布不均匀，血管结构复杂，目标血管与图像背景对比度较低，以及图像噪声等影响，显微图像下的微血管分割面临着巨大的挑战。传统分割方法有基于模式识别的方法(监督分类和无监督分类)、基于匹配滤波的、基于数学形态学的、基于追踪的方法等。生成对抗网络(GenerativeAdversarialNetwork，GAN)，其要解决的问题就是如何生成符合真实样本概率分布的新样本。对抗网络可以认为是由一个生成模型和一个判别模型组成。在训练过程中，两个网络交替迭代优化，形成竞争对抗，直到双方达到一个动态的平衡。通过对抗学习，让算法直接学习到数据的分布情况。然而对于复杂的数据，例如高分辨率的图像，无监督的学习到它的像素分布情况是极其困难的。2014年，MehdiMirza将约束条件引入了生成对抗网络，提出条件生成对抗网络(ConditionalGenerativeAdversarialNetwork，CGAN)本文档来自技高网...

【技术保护点】
1.一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：该方法包括如下步骤：/n步骤一：建立基于生成式对抗网络的训练模型和样本集；/n步骤二：将样本集中彩色眼底图像输入生成模型，提取图像特征信息后输出显微图像下微血管概率图像作为生成样本；/n步骤三：采用RGB三通道显微图像进行网络训练，对显微图像对比自适应直方图均衡化进行增强处理；/n步骤四：增加训练的数据量对预处理单元处理后的显微图像进行再次增强处理；/n步骤五：将生成样本和对应的真实样本同时输入判别模型，判别模型分别赋予真实样本和生成样本以不同的标签，对真实样本和生成样本进行区分；/n步骤六：对生成模型和判别模型进行交替训练优化，...

【技术特征摘要】
1.一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：该方法包括如下步骤：
步骤一：建立基于生成式对抗网络的训练模型和样本集；
步骤二：将样本集中彩色眼底图像输入生成模型，提取图像特征信息后输出显微图像下微血管概率图像作为生成样本；
步骤三：采用RGB三通道显微图像进行网络训练，对显微图像对比自适应直方图均衡化进行增强处理；
步骤四：增加训练的数据量对预处理单元处理后的显微图像进行再次增强处理；
步骤五：将生成样本和对应的真实样本同时输入判别模型，判别模型分别赋予真实样本和生成样本以不同的标签，对真实样本和生成样本进行区分；
步骤六：对生成模型和判别模型进行交替训练优化，直至判别模型与生成模型之间达到纳什平衡，网络训练完成，训练完成的训练模型即为生成式对抗网络的分割模型；
步骤七：将待分割视网膜血管彩色图像输入分割模型，输出血管分割结果；
所述的基于生成式对抗网络的显微图像中微血管分割方法的生成网络包括图像预处理单元、数据增强单元、生成模型和判别模型；
所述的生成网络模型中采用将U型网络和resnet网络相结合；
所述的判别模型采用深度卷积网络，包括三个卷积模块、两个密集连接模块和两个压缩层。


2.根据权利要求1所述的一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：所述的生成网络模型包括收缩路径、扩展路径和输出层。


3.根据权利要求2所述的一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：所述的收缩路径主要由多个resnet卷积块和下采样组成，收缩路径中特征提取部分采用resnet网络的思想。


4.根据权利要求3所述的一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：所述的扩展路径主要由反卷积块和上采样组成，在反卷积块进行反卷积之前还使用了concatenate操作，将U型网络左侧收缩路径卷积之后的图像按通道跳跃链接到与之相对应的扩展路径中，卷积变换采用的是2...

【专利技术属性】
技术研发人员：罗中明，骆佳楠，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23