一种视网膜血管图像分割方法、装置及计算机设备制造方法及图纸

本发明专利技术属于医学图像处理领域，具体涉及一种视网膜血管图像分割方法、装置及计算机设备；所述方法包括获取视网膜血管图像并预处理；将预处理后的图像输入到训练完成的U

【技术实现步骤摘要】
一种视网膜血管图像分割方法、装置及计算机设备


[0001]本专利技术属于医学图像处理领域，具体涉及一种视网膜血管图像分割方法、装置及计算机设备。

技术介绍

[0002]视网膜血管具有长度、宽度、角度各异的多种形态结构。由于在眼底图像中血管分布复杂、大小不均匀以及目标血管与背景图像对比度较低，导致人工分割视网膜血管耗时耗力，且存在较大的主观性。因此利用计算机技术实现精确、高效的视网膜血管分割对于辅助诊疗具有十分重要的意义。
[0003]许多国内外学者对视网膜血管分割进行了研究。Delibasis利用一种基于模型的自动血管跟踪算法并在种子像素初始化时引入多尺度滤波器，实现对视网膜血管的分割。Alhussein采用形态学滤波对图像去噪，利用不同尺度Hessian矩阵分别提取厚血管和薄血管增强图像，最后利用不同的阈值分割方法对薄血管和后血管进行分割得到最终的视网膜血管分割图像。Li将连通管MPP模型提取血管网络，然后利用管道分割算法应用于扩展的管道目标区域进行血管分割。
[0004]随着人工智能技术的发展，卷积神经网络在医学图像处理领域得到了广泛的应用。Francia提出利用两个卷积神经网络相互链接的新方法，第二个CNN采用残差网络块设计，从第一个模块加入到信息流中，实现血管的准确分割。Jin提出了可变形的血管分割网络，它以端到端的方式利用视网膜血管的局部特征对血管进行分割。Zhou利用CNN提取血管特征和使用一组滤波器增强细小血管，减少细血管和粗血管的强度差，最后利用密集型CRF分割血管。U
‑r/>Net结合DenseNet网络，充分利用了输出层特征信息，并在网络中融入空洞卷积，提升网络感受野，可以分割出更多的血管。Li提出一种基于U形网络的视网膜血管分割方法，该方法利用可变形卷积和双注意模块的优点对视网膜血管进行分割。Guo提出了利用密集块代替传统U型网络中的跳跃连接实现特征融合，在训练阶段采用生成性对抗网络，将基于初始模块的稠密U网络作为GAN的发生器，建立多层神经网络作为GAN的鉴别器，实现对视网膜血管的分割。
[0005]上虽然上述的一些方法在对视网膜血管分割上总体表现良好，但是由于视网膜血管结构信息复杂、形状差异较大，以及受到病灶等影响，会导致某些血管轮廓信息的丢失，难以分割出完整的视网膜血管，因此，急需一种适用于视网膜血管图像分割模型进行图像分割处理。

技术实现思路

[0006]为解决以上现有技术存在的问题，本专利技术提出了一种视网膜血管图像分割方法、装置及计算机设备，通过改进U
‑
Net网络来实现完整的分割出视网膜血管图像，即通过获取待分割的视网膜血管图像，对获取的视网膜血管图像进行预处理以及数据扩充；将处理好的图像输入到训练好的改进的U
‑
Net网络中进行图像识别分割，得到分割后的血管图像；改
进的U
‑
Net网络包括编码器、解码器、残差金字塔卷积以及跳跃连接部分。
[0007]在本专利技术的第一方面，本专利技术提供了一种视网膜血管图像分割方法，所述方法包括：
[0008]获取视网膜血管图像，并对所述视网膜血管图像进行预处理；
[0009]将预处理后的视网膜血管图像输入到训练完成的U
‑
Net网络中；
[0010]利用U
‑
Net网络中编码器的各残差金字塔卷积层与对应的池化层提取出视网膜血管图像在不同层级的卷积特征和池化特征；
[0011]将每一层的卷积特征通过跳跃连接的方式传递至对应的注意力机制层，并从每一层的卷积特征中选择出视网膜血管图像目标区域的注意力特征；
[0012]将最后一层的池化特征输入到U
‑
Net网络中解码器的第一个残差金字塔卷积层中，并利用上采样层输出采样特征；
[0013]利用U
‑
Net网络中解码器的各残差金字塔卷积层与对应的上采样层，将上采样层的采样特征与对应的注意力特征进行拼接，并传递至解码器的最后一个残差金字塔卷积层，输出得到的特征图；
[0014]将输出得到的特征图经过一个1
×
1卷积，最后得到视网膜血管的分割结果。
[0015]在本专利技术的第二方面，本专利技术还提供了一种视网膜血管图像分割装置，所述装置包括：
[0016]图像获取模块，用于获取视网膜血管图像；
[0017]图像处理模块，用于对获取的所述视网膜血管图像进行预处理；
[0018]图像输入模块，用于将预处理后的视网膜血管图像输入到训练完成的U
‑
Net网络中；
[0019]编码器模块，利用U
‑
Net网络中编码器的各残差金字塔卷积层与对应的池化层提取出视网膜血管图像在不同层级的卷积特征和池化特征；
[0020]跳跃连接模块，用于将每一层的卷积特征通过跳跃连接的方式传递至对应的注意力机制层；
[0021]注意力机制模块，用于从每一层的卷积特征中选择出视网膜血管图像目标区域的注意力特征；
[0022]特征连接模块，用于将最后一层的池化特征输入到U
‑
Net网络中解码器的第一个残差金字塔卷积层中，并利用上采样层输出采样特征；
[0023]解码器模块，用于利用U
‑
Net网络中解码器的各残差金字塔卷积层与对应的上采样层，将上采样层的采样特征与对应的注意力特征进行拼接，并传递至解码器的最后一个残差金字塔卷积层；
[0024]图像输出模块，用于将最后一个残差金字塔卷积层的的特征图经过一个1
×
1卷积，得到视网膜血管的分割结果。
[0025]在本专利技术的第三方面，本专利技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如本专利技术第一方面所述方法的步骤。
[0026]本专利技术的有益效果：
[0027]本专利技术针对视网膜血管尺度信息与形态结构复杂多变导致分割精度低等问题，提
出一种视网膜血管图像分割方法、装置及计算机设备。本专利技术以U
‑
Net网络为基础，在编码阶段使用残差金字塔模块RPC，利用不同大小和深度的卷积核对视网膜血管图像进行特征提取，以捕获不同尺度视网膜血管信息；在跳跃连接中引入注意力机制，聚焦目标区域的特征信息，降低干扰；最后，通过SoftMax激活函数得到最终的分割结果。
附图说明
[0028]图1为本专利技术实施例中一种视网膜血管图像分割方法流程图；
[0029]图2为本专利技术优选实施例中一种视网膜血管图像分割方法流程图；
[0030]图3为本专利技术的改进的U
‑
Net网络结构示意图；
[0031]图4为本专利技术的金字塔卷积模块图；
[0032]图5为本专利技术的残差金字塔卷积层图；
[0033]图6为本专利技术的残差金字塔卷积模块图；
[0034]图7为本专利技术的改进注意力机制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视网膜血管图像分割方法，其特征在于，所述方法包括：获取视网膜血管图像，并对所述视网膜血管图像进行预处理；将预处理后的视网膜血管图像输入到训练完成的U
‑
Net网络中；利用U
‑
Net网络中编码器的各残差金字塔卷积层与对应的池化层提取出视网膜血管图像在不同层级的卷积特征和池化特征；将每一层的卷积特征通过跳跃连接的方式传递至对应的注意力机制层，并从每一层的卷积特征中选择出视网膜血管图像目标区域的注意力特征；将最后一层的池化特征输入到U
‑
Net网络中解码器的第一个残差金字塔卷积层中，并利用上采样层输出采样特征；利用U
‑
Net网络中解码器的各残差金字塔卷积层与对应的上采样层，将上采样层的采样特征与对应的注意力特征进行拼接，并传递至解码器的最后一个残差金字塔卷积层，输出得到的特征图；将输出得到的特征图经过一个1
×
1卷积，最后得到视网膜血管的分割结果。2.根据权利要求1所述的一种视网膜血管图像分割方法，其特征在于，对所述视网膜血管图像进行预处理包括对获取的视网膜血管图像进行去噪和增强对比度处理，并采用不同的颜色通道对视网膜血管图像进行处理，得到血管和背景对比度最高的视网膜血管图像。3.根据权利要求1所述的一种视网膜血管图像分割方法，其特征在于，对所述视网膜血管图像进行预处理还包括对获取的视网膜血管图像进行数据扩充操作，将每张视网膜血管图像进行相同尺寸的随机裁剪组合，从而获得扩充后的视网膜血管图像。4.根据权利要求1所述的一种视网膜血管图像分割方法，其特征在于，U
‑
Net网络的训练过程包括将作为视网膜血管图像的分割结果与其对应的标签图像进行逐像素比对，得到误差图像；根据所述误差图像计算U
‑
Net网络的目标损失函数，对所述目标损失函数采用反向传播计算出梯度值，采用随机下降算法确定所述目标损失函数的最小值，当所述目标损失函数最小时，完成U
‑
Net网络模型的训练。5.根据权利要求1所述的一种视网膜血管图像分割方法，其特征在于，所述残差金字塔卷积层包括两个串联的金字塔卷积模块，并通过残差连接层将第一金字塔卷积模块的输出与第二金字塔卷积模块的输出进行连接；每一个金字塔卷积模块包括两个第一单元和一个第二单元，且两个第一单元之间通过第二单元连接，所述第一单元包括批量归一化层、卷积层和激活函数层；所述第二单元包括批量归一化层、金字塔卷积层和激活函数层；每个所述金字塔卷积层包括多种不同大小的卷积核。6.根据权利要求...

【专利技术属性】
技术研发人员：胡敏，万飞龙，黄宏程，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：