视网膜血管图像分割方法、装置及相关设备制造方法及图纸

本发明专利技术涉及计算机视觉图像处理领域，公开了一种视网膜血管图像分割方法和装置。所述方法包括：在数据处理阶段，首先获取待检测的视网膜血管图像；然后，对视网膜眼底图像进行数据增强和预处理；在训练阶段，首先构建基于Transformer优化的网络模型，再用处理好的训练图像进行网络模型训练；在测试阶段，将所述视网膜血管图像输入训练好的网络模型中进行图像分割；最后，对网络模型输出的多个视网膜血管图像的预测结果取加权平均获得每个像素的分类概率，得到最终的分割结果图，采用本发明专利技术提高对视网膜血管图像的分割精度。明提高对视网膜血管图像的分割精度。明提高对视网膜血管图像的分割精度。

【技术实现步骤摘要】
视网膜血管图像分割方法、装置及相关设备


[0001]本专利技术涉及图像处理领域，尤其涉及一种视网膜血管图像分割方法、装置及相关设备。

技术介绍

[0002]视网膜检查可为糖尿病视网膜病变等多种视网膜疾病的诊断提供重要临床信息。但人工视网膜检查，需要具有专业知识的临床医生或专家筛查大量的视网膜，这个过程费时乏味并很难实现批处理，且易导致误诊。为了缓解医疗资源的短缺和减轻专家的负担，需要研发出自动、高性能的视网膜血管图像分割装置来进行预筛查和其他检查。视网膜血管图像自动分割装置可快速准确地分割视网膜血管结构特征，其中分支点和弯曲能用于辅助心血管疾病和糖尿病视网膜病变的诊断和分析，而视网膜血管宽度的变化特征，可检测和分析高血压。因此，当前研究视网膜血管图像自动分割方法对相关视网膜疾病的研究具有重要意义。
[0003]一直以来，视网膜血管自动分割技术都在不断地快速发展，研究人员提出了大量的视网膜血管分割方法。一些传统方法成功地对视网膜血管图像进行了自动化分割，并获得了良好的分割结果，但不能完全的表征图像的特征，造成视网膜结构特点检测不充分，导致本文档来自技高网...

【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，所述视网膜血管图像分割方法包括：获取视网膜血管图像，并将所述视网膜血管图像输入分割网络模型中；基于所述分割网络模型的编码模块和解码模块，对所述视网膜血管图像进行特征提取和融合，并对经过特征提取和融合后得到的特征图中的每个像素进行分类，得到至少一个分割处理结果；对所有所述分割处理结果进行加权平均处理，得到所述视网膜血管图像的最终分割结果。2.如权利要求1所述的视网膜血管图像分割方法，其特征在于，在所述获取视网膜血管图像，并将所述视网膜血管图像输入分割网络模型前，所述方法包括：获取训练图像；对所述训练图像进行数据增强处理，得到增强图像；将所述训练图像和所述增强图像作为训练样本；对所述训练样本进行预处理，得到预处理训练样本；将所述预处理训练样本输入初始分割网络模型中进行训练，得到分割网络模型。3.如权利要求2所述的方法，其特征在于，所述对所述训练图像进行数据增强处理，得到增强图像的步骤包括：基于直方图拉伸方式，对所述训练图像进行数据增强处理，得到增强图像。4.如权利要求2所述的方法，其特征在于，所述对所述训练样本进行预处理，得到预处理训练样本的步骤包括：对所述训练图像依次进行高斯变换，随机旋转、随机水平翻转和颜色校正处理，得到预处理训练样本。5.如权利要求1至任一项所述的方法，其特征在于，所述基于所述分割网络模型的编码模块和解码模块，对所述视网膜血管图像进行特征提取和融合具体步骤包括：基于分割网络模型的编码器对应的多层编码块，对所述视网膜血管图像进行下采样处理，得到每一层所述编码块对应的下采样特征；将所述分割网络模型的最底层编码块对应的下采样特征作为当前特征图，并将所述当前特征图对应的所述分割网络模型的解码器中的解码块作为当前解码块；将所述当前特征图输入到所述当前解码块中；基于所述当前解码块，对所述当前特征图进行特征还原处理，得到还原特征；将所述当前特征图对应的编码块的上一层编码块中的下采样特征与所述还原特征进行融合处理，得到上采样特征，并将所述上采样特征与所述当前特征图对应的上一层编码块中的下采样特征进行融合，得到融合特征；将所...

【专利技术属性】
技术研发人员：陈丹妮，杨文忠，谭思翔，林荐壮，王梦婷，
申请(专利权)人：新疆大学，
类型：发明
国别省市：