基于非对称卷积神经网络双通道的视网膜血管分割方法技术

本发明专利技术公开了基于非对称卷积神经网络双通道的视网膜血管分割方法。该方法对数据进行预处理，在血管方向最佳匹配角下利用多尺度的Gabor滤波器提取主血管特征图和细血管特征图。针对性地构建主、细血管特征提取非对称卷积神经网络双通道，其中主血管分割网络引入逐级连接策略进行采样，以卷积层级间的信息互补来减少特征丢失，快速定位和精准分割主血管；细血管补偿网络的编

【技术实现步骤摘要】
基于非对称卷积神经网络双通道的视网膜血管分割方法


[0001]本专利技术属于机器学习与医学图像处理领域，具体涉及一种基于非对称卷积神经网络双通道的视网膜血管分割方法。

技术介绍

[0002]通过分析视网膜血管的形态结构有助于诊断和预测包括青光眼在内的典型眼科疾病，但现有技术采集得到的眼底图像通常存在光照不均匀和血管粗细、对比度不均衡的情况。因此在眼底图像处理中，由于无法有效区分细小血管与复杂背景的干扰，经常会发生细小血管分割精度过低的问题，视网膜血管分割技术已成为提升眼底图像分析性能和效率的重要因素。
[0003]近年来视网膜血管分割研究陆续产生了一些新算法，例如基于多路径网络分割模型，提高血管图像的特征提取性能；还有研究提出一种基于频域分级的眼底图像血管分割方法，将高低频信息分别输入到多路径卷积神经网络中进行特征提取，进而融合高低维特征得到视网膜血管分割图。上述方法虽然考虑到了多路径网络分割的优势，但仍然存在如下问题：(1)血管分割过程中未考虑到血管方向错综复杂且宽度不一，弱化了视网膜血管图像的方向选择和多尺度预处理；(2)网络训练过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于非对称卷积神经网络双通道的视网膜血管分割方法，其特征在于：该方法包括以下步骤：步骤一、获取主、细血管特征图选取视网膜血管图像的绿色通道分量图像作为待处理图像f(x,y)，x、y分别表示图像像素点的横纵坐标，图像的宽度和高度分别为H、W；引入二维Gabor函数模拟视皮层简单细胞的方向选择特性和感知尺度差异特性：其中，γ表示Gabor滤波器的椭圆率；1/λ表示cosine因子的空间调制频率；σ表示Gabor滤波核响应的尺度，即血管尺度；θ表示Gabor滤波器的方向，即血管方向；表示Gabor滤波器的相角；设置血管方向θ∈[0,180
°
)，以15
°
为间隔，选取12个不同的方向，记为θ
i
，i＝1,2,
…
,12；将12个不同方向的Gabor滤波器分别与待处理图像f(x,y)进行卷积，得到卷积响应12；将12个不同方向的Gabor滤波器分别与待处理图像f(x,y)进行卷积，得到卷积响应其中，*表示卷积运算；将卷积响应经过奇偶对称Gabor滤波处理后得到Gabor滤波器响应经过奇偶对称Gabor滤波处理后得到Gabor滤波器响应其中，和表示卷积响应经过奇偶对称Gabor滤波后的响应，其中在σ＝2.5的条件下提取不同方向θ
i
所对应的Gabor滤波器响应的最大值的最大值其中，θ
ZY
为Gabor滤波响应取最大值时所对应的血管方向，即血管方向最佳匹配角；设置Gabor滤波核响应的尺度σ∈(σ
min
,σ
max
]，尺度间隔为tab，选取不同的尺度，记为σ
j
，σ1＝σ
min
+tab；在最佳匹配角θ
ZY
下提取所有尺度σ
j
下的Gabor滤波器响应并计算其熵ENT
j
：
然后获取最大熵值ENT
jmax
及其所对应的尺度σ
jmax
；计算细血管特征图和主血管特征图和主血管特征图和主血管特征图步骤二、分割主血管特征图构建主血管分割网络，将步骤一得到的主血管特征图输入四个由两个3
×
3卷积层和2倍下采样组成的模块中，依次得到尺寸为原图1/2、1/4、1/8、1/16的特征图Q
p
，p＝1,2,3,4：Q
p
＝pool(conv1(Q
p
‑1))
ꢀꢀꢀꢀ
(8)其中，pool表示2
×
2最大池化操作；conv1表示两层3
×
3、步长为1的普通卷积；Q0为主血管特征图引入逐级连接策略，对特征图Q4进行逐级上采样，完成对主血管特征图的分割：其中，unsampling表示采用双线性内插值法的上采样操作，Q
31
表示特征图Q4经过2倍上采样后得到的与特征图Q3尺寸相同的特征图；步骤三、分割细血管特征图构建细血管补偿网络，将步骤一得到的细血管特征图经过编码器由卷积层...

【专利技术属性】
技术研发人员：范影乐，许亚楠，武薇，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：