一种视网膜血管分割方法及系统技术方案

本发明专利技术涉及一种视网膜血管分割方法及系统。通过获取视网膜图像数据集；对本发明专利技术视网膜图像数据集进行处理，得到处理后的视网膜图像数据集；构建双向ConvLSTM残差UNet模型；对本发明专利技术双向ConvLSTM残差UNet模型进行训练，得到训练后的双向ConvLSTM残差UNet模型；将本发明专利技术处理后的视网膜图像数据集输入至本发明专利技术训练后的双向ConvLSTM残差UNet模型中，得到视网膜血管分割结果。采用本发明专利技术能够从边缘、对比度低等区域的背景中区分小血管，解决过拟合现象，分割出更为完整的血管。分割出更为完整的血管。分割出更为完整的血管。

【技术实现步骤摘要】
一种视网膜血管分割方法及系统


[0001]本专利技术涉及血管分割领域，特别是涉及一种视网膜血管分割方法及系统。

技术介绍

[0002]由于早期眼科和心血管疾病会导致视网膜血管形态发生变化，因此，视网膜血管特征对医生诊断这些疾病发挥重要作用。糖尿病视网膜病变(DR)就是一个典型的例子，也是一种视网膜疾病，成为导致失明的主要原因之一。如果在糖尿病患者的视网膜内观察到视网膜血管舒张，那么需要尤其注意。除此之外，高血压患者体内可能会观察到由于血管狭窄或动脉血压升高而导致血管弯曲，也被称为高血压视网膜病变(HR)。然而，视网膜血管的密度、曲率、厚度等形态学变化信息成为了诊断和发现这些疾病的重要信息。为了医生对这些疾病做出科学的诊断中起到辅助诊断作用，如何精准地分割患者视网膜血管图像成为十分关键。但首先由于视网膜血管的形状和大小差别极大，病理区、视盘区、出血区、渗出物等导致视网膜图像中结构和区域复杂以及许多边缘区域由于对比度较弱，导致准确分割视网膜血管成为一个具有挑战的任务。同时也为自动实现精确分割视网膜图像中血管提出了更高的要求。因此，许多自动分割视网膜血管方法由此应运而生。
[0003]一般来说，视网膜血管分割方法大致可以为分无监督和有监督两类。无监督方法则在训练时不需提供人工标注作为参考。基于过滤器方法就是典型的无监督方法，如Zhang等人提出一种基于滤波器的方法，采用两个三维旋转帧进行视网膜血管分割。又如Azzoprardi等人提出一种移位滤波
‑
响应组合方法可以自动地检测血管。Zhang等人利用自组织映射进行像素聚类，并使用Otsu方法将输出层中的每个神经元划分为视网膜血管神经元或非视网膜血管神经元。此外，基于血管跟踪方法也是一种无监督方法。然而，由于无监督方法缺乏人工标注作为参考，从而导致其性能普遍低于有监督方法。
[0004]近年来，由于深度学习方法具有强大数据处理能力、捕捉高级语义特征的能力以及鲁棒性，深度学习方法被广泛应用到视网膜图像分割领域，并表现出优越的性能。尤其是卷积神经网络被广泛应用于众多的图像处理任务中，并在视网膜血管分割方面迅速得到大量研究人员的关注。Ronneberger等提出一种著名的生物医学图像分割神经网络架构，称为U
‑
Net，该方法最初应用于细胞分割任务。但由于涉及患者数据隐私及伦理等问题，往往难以获得医学图像(如视网膜血管图像)，使得可用的数据集规模都较小，从而导致现有的深度学习模型容易出现过拟合问题。为此，研究学者开始集中研究轻量级模型，而U
‑
Net方法在小规模数据集中能够获得较好的性能。因此，目前大量的视网膜血管分割方法都是基于U
‑
Net方法进行扩展。例如Fu等通过结合横向输出层和条件随机场的模型改进血管分割性能。Zhang等将注意力门机制集成到传统的引导滤波中得到注意力引导滤波器，该模型可将各种分辨率的特征图的结构信息合并，同时恢复空间信息，并去除背景中的复杂噪声成分。Wang等提出DEU
‑
Net模型，该模型的上下文路径用于捕获更多的语义信息，而空间路径用于保留特定的信息。为了获得更好的分割性能，Zhang等基于U
‑
Net中提出一种基于边缘机制。Hu等提出一种结合显著性机制的U
‑
Net变体方法。Guo等引入密集残差网络(DRNet)实现扫
描激光眼视镜(SLO)视网膜图像中的血管分割。Zhang等提出一种金字塔U
‑
Net方法，该方法提出一种金字塔尺度聚合块(PSAB)来聚合多层次特征，从而实现更为精确的视网膜血管分割。虽然上述基于U
‑
Net的方法在一定程度上可以取得可观的效果，但仍存在问题，如：(1)对于边缘、对比度低等区域难以从背景中区分小血管；(2)由于可使用的样本较少，很多模型容易出现过拟合现象，从而不能分割出更为完整的血管。

技术实现思路

[0005]本专利技术的目的是提供一种视网膜血管分割方法及系统，能够从边缘、对比度低等区域的背景中区分小血管，解决过拟合现象，分割出更为完整的血管。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种视网膜血管分割方法包括：
[0008]获取视网膜图像数据集；
[0009]对所述视网膜图像数据集进行处理，得到处理后的视网膜图像数据集；
[0010]构建双向ConvLSTM残差UNet模型；
[0011]对所述双向ConvLSTM残差UNet模型进行训练，得到训练后的双向ConvLSTM残差UNet模型；
[0012]将所述处理后的视网膜图像数据集输入至所述训练后的双向ConvLSTM残差UNet模型中，得到视网膜血管分割结果。
[0013]可选地，所述对所述视网膜图像数据集进行处理，得到处理后的视网膜图像数据集，具体包括：
[0014]对所述视网膜图像数据集进行水平、旋转、对角线和垂直翻转增强处理，得到处理后的视网膜图像数据集。
[0015]可选地，所述双向ConvLSTM残差UNet模型为编码器
‑
解码器结构模型。
[0016]可选地，所述构建双向ConvLSTM残差UNet模型，具体包括：
[0017]设计一种编码器结构模型，提取最具有代表性和判别力的图像高级语义信息特征，所述编码器结构模型的设计由三个步骤组成，每个步骤都包括一个SDRB和一个最大池化操作；
[0018]设计一种解码器结构模型，恢复初始图像信息，所述解码器结构模型包括三个步骤，每一个步都是对前一个步骤的输出执行上采样，采样过程包括步长为2的转置卷积和归一化层操作；
[0019]采用双向卷积长短记忆神经网络模型结合所述编码器结构模型中第一个结构化Dropout残差块的输出和所述解码器结构模型中最后一步上采样的输出。
[0020]可选地，还包括：
[0021]采用准确度、灵敏度、特异度、F1分数、接受者操作特征曲线的曲线下面积、交并比和马修斯相关系数作为评价指标对所述视网膜血管分割结果进行评价。
[0022]一种视网膜血管分割系统包括：
[0023]视网膜图像数据集获取模块，用于获取视网膜图像数据集；
[0024]视网膜图像数据集处理模块，用于对所述视网膜图像数据集进行处理，得到处理后的视网膜图像数据集；
[0025]模型构建模块，用于构建双向ConvLSTM残差UNet模型；
[0026]模型训练模块，用于对所述双向ConvLSTM残差UNet模型进行训练，得到训练后的双向ConvLSTM残差UNet模型；
[0027]视网膜血管分割结果确定模块，用于将所述处理后的视网膜图像数据集输入至所述训练后的双向ConvLSTM残差UNet模型中，得到视网膜血管分割结果。
[0028]可选地，所述视网膜图像数据集处理模块具体包括：
[0029]视网膜图像数据集处理单元，用于对所述视网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视网膜血管分割方法，其特征在于，包括：获取视网膜图像数据集；对所述视网膜图像数据集进行处理，得到处理后的视网膜图像数据集；构建双向ConvLSTM残差UNet模型；对所述双向ConvLSTM残差UNet模型进行训练，得到训练后的双向ConvLSTM残差UNet模型；将所述处理后的视网膜图像数据集输入至所述训练后的双向ConvLSTM残差UNet模型中，得到视网膜血管分割结果。2.根据权利要求1所述的视网膜血管分割方法，其特征在于，所述对所述视网膜图像数据集进行处理，得到处理后的视网膜图像数据集，具体包括：对所述视网膜图像数据集进行水平、旋转、对角线和垂直翻转增强处理，得到处理后的视网膜图像数据集。3.根据权利要求1所述的视网膜血管分割方法，其特征在于，所述双向ConvLSTM残差UNet模型为编码器
‑
解码器结构模型。4.根据权利要求1所述的视网膜血管分割方法，其特征在于，所述构建双向ConvLSTM残差UNet模型，具体包括：设计一种编码器结构模型，提取最具有代表性和判别力的图像高级语义信息特征，所述编码器结构模型的设计由三个步骤组成，每个步骤都包括一个SDRB和一个最大池化操作；设计一种解码器结构模型，恢复初始图像信息，所述解码器结构模型包括三个步骤，每一个步都是对前一个步骤的输出执行上采样，采样过程包括步长为2的转置卷积和归一化层操作；采用双向卷积长短记忆神经网络模型结合所述编码器结构模型中第一个结构化Dropout残差块的输出和所述解码器结构模型中最后一步上采样的输出。5.根据权利要求1所述的视网膜血管分割方法，其特征在于，还包括：采用准确度、灵敏度、特异度、F1分数、接受者操作特征曲线的曲线下面积、交并比和马修斯相关系数作为评价指标对所述视网膜血管分割结果进行评价。6.一种基于权利要求1至5任一项所述的视网膜血管分割方法的系统，其特征在于，包括：视网膜图像数据集获取模块，用于获取视网膜图...

【专利技术属性】
技术研发人员：易玉根，黄龙军，郭常禄，周唯，周斌，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：