【技术实现步骤摘要】
一种血管域泛化及多任务的眼底图像血管分割方法
[0001]本专利技术涉及视网膜眼底图像分析领域，更具体地，涉及一种血管域泛化及多任务的眼底图像血管分割方法、系统、设备、计算机可读存储介质及其应用。
技术介绍
[0002]视网膜动脉和静脉的形态学改变对于提示心血管疾病和全身性疾病具有重要的临床意义。例如，小静脉口径与糖尿病性视网膜病变和中风风险相关，高血压性视网膜病变可导致动脉狭窄和较低的小动脉与小静脉比率(AVR)，而动脉粥样硬化会导致动脉狭窄。
[0003]眼底动静脉分类任务是一项具有挑战性的任务。第一，视网膜血管结构复杂，是一种细长的树状结构不仅需要局部信息来区分动脉和静脉，还需要在眼底范围内保持同一分支的统一性。第二，各个公开数据集的可用于训练的动静脉分割图片数量少，并且由于不同注释者的主观判断导致不正确或不一致的标签(即噪声标签)。第三，基于深度学习的动静脉分割方法已经证明了以端到端方法分割A/V的潜力，需要大量标注数据，且强依赖于医生经验标注，分割性能仍不尽如人意，目前难以实现眼底图像细小动脉准确分割。
【技术保护点】
【技术特征摘要】
1.一种眼底图像动静脉血管分割模型的构建方法，所述构建方法包括：S1：获取眼底图像及其真实分类标注图像，基于眼底图像进行预处理，得到均衡化的眼底图像；S2：对所述均衡化的眼底图像进行特征提取，得到眼底图像特征；S3：将眼底图像特征输入到基于通道自注意力和空间自注意力融合解码的由深度学习网络构建的动静脉血管分割模型，得到动静脉血管图和/或全血管图；S4：计算所述动静脉血管图和/或全血管图与真实分类标注图像间的损失值，根据损失值修正网络参数并优化模型，得到训练好的动静脉血管分割模型。2.根据权利要求1所述的眼底图像动静脉血管分割模型的构建方法，其特征在于，所述预处理包括对眼底图像RGB各通道进行域泛化、自适应均衡和图像增强，得到均衡化的眼底图像；优选的，所述对眼底图像RGB各通道进行域泛化，通过计算所有眼底图像RGB各通道的平均值，然后基于像素分布和RGB各通道的平均值将每张图像的RGB各通道进行域泛化，所述域泛化的计算公式如下：述域泛化的计算公式如下：述域泛化的计算公式如下：其中，表示所有眼底图像通道均值，表示单张眼底图像对应通道均值，Gap表示单张眼底图像通道均值与所有眼底图像对应通道均值之间的差距，x
ij
代表原单张眼底图像每个像素点的值，是对x
ij
进行通道域泛化后的值。3.根据权利要求1所述的眼底图像动静脉血管分割模型的构建方法，其特征在于，所述对所述均衡化的眼底图像进行特征提取，还包括基于空间坐标位置结合上下文信息以滑动窗口的形式将所述均衡化的眼底图像及其真实分类标注图像切割成大小一致的切片，得到多个局部图像，基于得到的多个局部图像进行特征提取，进而得到相应的眼底图像特征；优选的，所述切割基于空间坐标位置信息将均衡化的眼底图像及其真实分类标注图像以顺序滑窗、有交叠方式进行；可选的，所述交叠包括动态和随机；优选的，所述切片的大小为224*224。4.根据权利要求1所述的眼底图像动静脉血管分割模型的构建方法，其特征在于，所述眼底图像特征包括通过特征提取得到的图像切片之间的上下文信息和空间位置信息。5.根据权利要求1所述的眼底图像动静脉血管分割模型的构建方法，其特征在于，所述动静脉血管分割模型由深度学习网络构建，根据图像切片之间的上下文信息和空间位置信息，通过通道自注意力和空间自注意力对所述眼底图像特征进行融合解码得到；可选的，所述深度学习网络包括下列模型中的任意一种或几种组合：SwinTransformer、MT
‑
UNet、HaloNet、Point
‑
BERT、Unet++、RefineNet、DeepLab；优选的，所述动静脉血管分割模型基于Swin
‑
Unet为骨架网络进行迁移学习，根据所述上下文信息和空间位置信息，通过融合通道自注意力和空间自注意力进行解码，得到动脉血管、静脉血
管、全血管这三类的多分类预测结果。6.根据权利要求1所述的眼底图像动静脉血管分割模型的构建方法，其特征在于，所述动静脉血管图和/或全血管图与真实分类标注图像间的损失值的计算通过损失函数实现；优选的，所述损失值的具体计算过程如下公式定义：优选的，所述损失值的具体计算过程如下公式定义：L
A/V/Vessel
＝L
DICE
...
【专利技术属性】
技术研发人员：于晓光，杜政霖，邢世来，
申请(专利权)人：温州谱希基因科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。