一种血管图像分割方法技术

本发明专利技术公开了一种血管图像分割方法，首先获取原始血管图像并进行预处理，得到训练集图像；然后利用预处理得到的训练集图像输入神经网络模型进行训练，本发明专利技术中的神经网络模型包括编码模块、解码模块以及残差模块，解码模块中注意块的输入具体包括来自编码模块的第一输入、残差模块的第二输入以及注意块在编码模块中上一层的解码输出，注意块通过融合来自于不同模块的输入，并将融合后的特征输入至解码模块中的反卷积层中，得到解码后的图像，最终利用训练完成的神经网络模型处理血管图像，得到血管图像分割结果。该方法解码模块的各层与底层的残差模块相连接，可以从一个完整的尺度上获取图像中的位置信息，提升了虹膜血管图像分割效果。

【技术实现步骤摘要】
一种血管图像分割方法
本专利技术属于医学图像处理领域，具体涉及一种血管图像分割方法。
技术介绍
斯特奇-韦伯综合征(Sturge-Webersyndrome，SWS)是一种血管畸形疾病，它会导致青光眼，病情严重时可导致失明，具有斯特奇-韦伯综合征的患者通常虹膜血管分布异常，这种异常可能增加流出阻力，进而导致青光眼，因此，如何准确地分割虹膜血管图像已成为计算机辅助诊断中的一个重要问题。现有的血管分割方法主要是针对眼底图像设计的，分割方法主要分为人工分割和自动分割，但人工分割主要依靠眼科医生的观察和手动标记，这个不仅导致效率低，而且具有较大差异性，对眼科医生水平要求较高，无法普及。同时因为虹膜血管结构复杂，存在很多微小血，眼科医生需要耗费大量的时间和精力，往往会耽搁患者的治疗时间。而自动分割，无需眼科医生的协助也可以实现自动化分割血管，并且得到数据较为客观，排除水平不同导致的结果差异，且对微小血管也得到较好的分割效果。然而自动分割方法的优劣，直接会导致最后的图像是否清楚直观，目前现有技术的分割方法效果并不理想。
技术实现思路
为了解决现有技术的上述问题，本专利技术提供一种血管图像分割方法，能够针对于虹膜血管图像进行分割，提升了虹膜血管图像分割效果，本专利技术的技术方案如下：一种血管图像分割方法，其特征在于，所述方法包括：S1、获取原始血管图像并进行预处理，得到训练集图像；S2、利用预处理得到的训练集图像输入神经网络模型进行训练；所述神经网络模型包括编码模块、解码模块以及残差模块，其中，所述编码模块包括四个编码层，每个编码层中包括卷积层以及最大池化层，所述编码模块用于将输入的训练集图像进行下采样操作后得到特征图；所述解码模块包括四个解码层，每个解码层中包括注意块和反卷积层，所述解码模块用于将所述特征图进行上采样操作后得到分割后的图像，所述编码模块与解码模块的结构对应；所述残差模块包括根据所述编码模块下采样所得到的最深层的特征图进行连续四次上采样所得到的四个上采样层；其中，所述解码模块中注意块的输入具体包括来自所述编码模块的第一输入、所述残差模块的第二输入以及第三输入，所述第三输入为所述注意块在编码模块中上一层的解码输出；所述注意块执行的过程包括了将所述第一输入、所述第二输入以及所述第三输入进行叠加并通过函数激活，将激活后的特征进行重采样，并将重采样后的特征与所述第一输入和所述第二输入进行融合，并将融合后的特征输入至所述解码模块中的反卷积层中；S3、利用训练完成的神经网络模型处理血管图像，得到血管图像分割结果。进一步地，所述将重采样后的特征与所述第一输入和所述第二输入通过第一公式进行融合，其中所述第一公式具体包括：其中，i表示编码模块中第i个下采样层，N表示编码模块的所有下采样层，表示编码模块中第2个下采样层，C()表示卷积计算，D()表示下采样运算，U()表示上采样运算，[]表示特征连接。本专利技术的有益效果在于：解码器的各个部分与底层的上采样相连接。通过重复使用高层语义特征图，可以从一个完整的尺度上获取图像中的位置信息，有助于准确分割，尤其是对虹膜血管的细节区域。能够针对于虹膜血管图像进行分割，提升了虹膜血管图像分割效果。附图说明图1是本专利技术血管图像分割方法流程示意图；图2是本专利技术神经网络模型结构图；图3是本专利技术神经网络模型注意块结构图。具体实施方式下面结合附图和实施例，对本专利技术技术方案作进一步描述：本实施例中提供了一种血管图像分割方法，可以通过终端来进行实现，如图1所示，包括：步骤1、终端获取原始血管图像并进行预处理，得到训练集图像，数据集包含50张来自50位不同病人的虹膜血管影像。为了便于后续的网络训练，根据预处理将图像的大小设置为512×512，4:1的比例对训练和测试的数据集进行划分，并使用二进制交叉熵作为优化的损失函数。步骤2、终端利用预处理得到的训练集图像输入神经网络模型进行训练；神经网络模型包括编码模块、解码模块以及残差模块，其中，编码模块包括四个编码层，每个编码层中包括卷积层以及最大池化层，编码模块用于将输入的训练集图像进行下采样操作后得到特征图；解码模块包括四个解码层，每个解码层中包括注意块和反卷积层，解码模块用于将特征图进行上采样操作后得到分割后的图像，编码模块与解码模块的结构对应；残差模块包括根据编码模块下采样所得到的最深层的特征图进行连续四次上采样所得到的四个上采样层；其中，解码模块中注意块的输入具体包括来自编码模块的第一输入、残差模块的第二输入以及第三输入，第三输入为注意块在编码模块中上一层的解码输出；注意块执行的过程包括了将第一输入、第二输入以及第三输入进行叠加并通过函数激活，将激活后的特征进行重采样，并将重采样后的特征与第一输入和第二输入进行融合，并将融合后的特征输入至解码模块中的反卷积层中。在本申请实施例中的一次训练过程中，首先终端将512×512大小的虹膜血管影像输入至神经网络模型，第一次卷积运算使用大小为7×7的卷积核，步长设置为2，将图像大小调整为256×256，并进行最大池操作，最大池操作用于下采样以减小特征映射的大小。在编码模块的第二层中，将得到的256×256的特征图连续进行3次卷积操作，其中每次卷积操作为进行两次3×3的卷积，将图像大小调整为128×128，随后进行编码模块的第二层的最大池操作。在编码模块的第三层中，将得到的128×128的特征图连续进行4次卷积操作，其中每次卷积操作为进行两次3×3的卷积，将图像大小调整为64×64随后进行编码模块的第三层的最大池操作。在编码模块的第四层中，将得到的64×64的特征图连续进行3次卷积操作，其中每次卷积操作为进行两次3×3的卷积，将图像大小调整为32×32随后进行编码模块的第四层的最大池操作。在编码模块的第四层得到的输出进行3次卷积操作，其中每次卷积操作为进行两次3×3的卷积，得到底层特征图为16×16，深度为512。可以看出，编码模块每个层对应的不同深度的特征图，其中i表示编码器的层号。第i层特征图尺寸为512/2i。在残差模块中，底层分辨率16×16特征图经过连续4次卷积，分别得到32×32、64×64、128×128、256×256的特征图，分别对应编码模块中的第四、三、二、一层。在解码模块中包括了注意块(图1中虚线框)，每一层注意块的输入包括了来自同层编码模块、残差模块以及解码模块前一层的输入，解码模块中的具体操作如图2所示，来自编码模块的第一输入、残差模块的第二输入以及编码模块中上一层的第三输入卷积后首先进行叠加并通过Relu函数激活，并进行1×1×1的卷积，再进行Sigmoid函数进行激活并进行重采样，并将重采样后的特征与第一输入和第二输入进行融合，并将融合后的特征输入至解码模块中的反卷积层中。其中重采样后的特征与所述第一输入和所述第二输入通过第一公式进行融合，其中所述第一公式具体包括：...

【技术保护点】
1.一种血管图像分割方法，其特征在于，所述方法包括：/nS1、获取原始血管图像并进行预处理，得到训练集图像；/nS2、利用预处理得到的训练集图像输入神经网络模型进行训练；/n所述神经网络模型包括编码模块、解码模块以及残差模块，其中，所述编码模块包括四个编码层，每个编码层中包括卷积层以及最大池化层，所述编码模块用于将输入的训练集图像进行下采样操作后得到特征图；/n所述解码模块包括四个解码层，每个解码层中包括注意块和反卷积层，所述解码模块用于将所述特征图进行上采样操作后得到分割后的图像，所述编码模块与解码模块的结构对应；/n所述残差模块包括根据所述编码模块下采样所得到的最深层的特征图进行连续四次上采样所得到的四个上采样层；/n其中，所述解码模块中注意块的输入具体包括来自所述编码模块的第一输入、所述残差模块的第二输入以及第三输入，所述第三输入为所述注意块在编码模块中上一层的解码输出；所述注意块执行的过程包括了将所述第一输入、所述第二输入以及所述第三输入进行叠加并通过函数激活，将激活后的特征进行重采样，并将重采样后的特征与所述第一输入和所述第二输入进行融合，并将融合后的特征输入至所述解码模块中的反卷积层中；/nS3、利用训练完成的神经网络模型处理血管图像，得到血管图像分割结果。/n...

【技术特征摘要】
1.一种血管图像分割方法，其特征在于，所述方法包括：
S1、获取原始血管图像并进行预处理，得到训练集图像；
S2、利用预处理得到的训练集图像输入神经网络模型进行训练；
所述神经网络模型包括编码模块、解码模块以及残差模块，其中，所述编码模块包括四个编码层，每个编码层中包括卷积层以及最大池化层，所述编码模块用于将输入的训练集图像进行下采样操作后得到特征图；
所述解码模块包括四个解码层，每个解码层中包括注意块和反卷积层，所述解码模块用于将所述特征图进行上采样操作后得到分割后的图像，所述编码模块与解码模块的结构对应；
所述残差模块包括根据所述编码模块下采样所得到的最深层的特征图进行连续四次上采样所得到的四个上采样层；
其中，所述解码模块中注意块的输入具体包括来自所述编码模块的第一输入、所述残差模块的第二输入...

【专利技术属性】
技术研发人员：王博，赵威，申建虎，张伟，徐正清，
申请(专利权)人：西安智诊智能科技有限公司，
类型：发明
国别省市：陕西;61