一种基于多损失函数的视网膜血管细化分割方法、模块、设备以及存储介质技术

本申请实施例提供了一种基于多损失函数的视网膜血管细化分割方法、模块、设备以及存储介质，本申请通过获取视网膜血管训练样本，所述视网膜血管训练样本集中包含多张标注血管区域得视网膜血管图像，基于图像特征提取编码器和多交互逐步细化编码器构建视网膜血管分割模型，通过多交互逐步细化编码器能够根据上层语义预测指导底层纹理预测的过程逐步细化分割结果的特点，实现提升视网膜血管分割模型的训练精确度，最后利用所述视网膜血管训练样本对所述视网膜血管分割模型进行训练，直至模型收敛，以从实际视网膜血管图像中分割出血管区域。管区域。管区域。

【技术实现步骤摘要】
一种基于多损失函数的视网膜血管细化分割方法、模块、设备以及存储介质


[0001]本专利技术涉及图像处理领域，特别涉及一种基于多损失函数的视网膜血管细化分割方法、模块、设备以及存储介质。

技术介绍

[0002]眼睛是一种视觉系统，同时也是人类最重要的感觉器官，眼底图像包含视网膜在内的多个结构，现代成像技术可以直接通过眼底图像观测到视网膜的血管结构，实现对视网膜生理特征的相关研究。
[0003]视网膜血管分割是眼底图像研究的基础，但是基于现阶段的血管分割方法，无论是结合滤波器的分割方法，还是依赖于初始种子点的跟踪方法，分割结果都不尽如人意。

技术实现思路

[0004]为了解决上述现有技术中的技术问题，本申请提供了一种基于多损失函数的视网膜血管细化分割方法、模块、设备以及存储介质。
[0005]第一方面，本申请提供了一种基于多损失函数的视网膜血管细化分割方法，所述方法包括：
[0006]获取视网膜血管训练样本，所述视网膜血管训练样本集中包含多张标注血管区域得视网膜血管图像；
[0007]基于图像特征提取编码器和多交互逐步细化编码器构建视网膜血管分割模型，以使所述视网膜血管分割；
[0008]利用所述视网膜血管训练样本对所述视网膜血管分割模型进行训练，直至模型收敛，以从实际视网膜血管图像中分割出血管区域。
[0009]可选地，所述图像特征提取编码器包括：
[0010]所述图像特征提取编码器在ImageNet上预训练得到ResNet
‑
50基干网络，其中，所述ResNet
‑
50基干网络将最高层的全连接层去除，从所述ResNet
‑
50基干网络的前五层中提取残差单元，每个残差单元包括卷积层、激活层和归一化层，其中，所述ResNet
‑
50基干网络的每一层输出的卷积网络将特征图通道数量减少至16，以使所述分割模型运算量减少。
[0011]可选地，所述多交互逐步细化编码器包括：
[0012]f
i
‑1＝f
i
‑1×
δ(Conv3(f
i
))+f
i
‑1,i＝1,2,3,4,5
[0013]其中，f
i
表示第i层编码器的特征图，Conv3表示将特征图通道数量缩减到1，δ表示Sigmoid激活函数函数。f
i
‑1表示增强后的特征图，所述多交互逐步细化编码器通过上层语义预测指导底层纹理预测的过程逐步细化分割结果。
[0014]可选地，基于图像特征提取编码器和多交互逐步细化编码器构建视网膜血管分割模型的步骤，包括：
[0015]定义所述视网膜血管分割模型的多损失函数为L；
[0016]所述L的表达式如下
[0017]其中k表示损失函数来自第k层。α
k
表示各层损失函数的权重指标,Σ表示求和操作。
[0018]可选地，利用所述视网膜血管训练样本对所述视网膜血管分割模型进行训练，直至模型收敛的步骤，包括：
[0019]基于所述标准交叉熵L，利用所述视网膜血管训练样本对所述视网膜血管分割模型进行训练的表达式如下：
[0020][0021]其中和分别表示交叉熵损失，平滑损失，和交并比损失，所述交叉熵损失的表达式如下：
[0022][0023]其中(x,y)表示像素值坐标。G表示真实视网膜血管分割图，P表示预测视网膜血管分割图,所述平滑损失表达式如下：
[0024][0025]其中表示在方向的偏微分。Ψ定义如下α设置为10，所述交并比损失表达式如下：
[0026][0027]其中参数设定为α
k
＝1(k＝1,2,3,4,5),β1＝β2＝β3＝1。
[0028]可选地，利用所述视网膜血管训练样本对所述视网膜血管分割模型进行训练，直至模型收敛的步骤，包括：
[0029]基于所述损失函数L，计算L对Φ
t
的偏导
▽
L(Φ
t
)，依据梯度下降法，结合Adam优化函数进行反向传播，对Φ
t
进行权值更新得到更新结果Φ
t+1
；
[0030]在每次训练迭代结束后，获得测试集的均方差指标,当所述均方差指标不再下降或达到最大迭代次数为T，停止训练。
[0031]可选地，均方差指标(MAE)表达如下包括：
[0032][0033]其中(x,y)表示像素值坐标。G表示真实息肉分割图，P表示预测息肉分割图。
[0034]第二方面，本申请提供了一种基于多损失函数的视网膜血管细化分割模块，包括：
[0035]获取模块，用于获取视网膜血管训练样本，所述视网膜血管训练样本集中包含多张标注血管区域得视网膜血管图像；
[0036]构建模块，用于基于图像特征提取编码器和多交互逐步细化编码器构建视网膜血管分割模型，以使所述视网膜血管分割；
[0037]训练模块，用于利用所述视网膜血管训练样本对所述视网膜血管分割模型进行训练，直至模型收敛，以从实际视网膜血管图像中分割出血管区域。
[0038]第三方面，本申请提供了一种电子设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如第一方面任一项所述的基于多损失函数的视网膜血管细化分割方法。
[0039]第四方面，本申请提供了一种计算机存储介质，存储有计算机程序，所述计算程序被计算机执行时，实现如第一方面任一项所述的基于多损失函数的视网膜血管细化分割方法。
[0040]本申请通过获取视网膜血管训练样本，所述视网膜血管训练样本集中包含多张标注血管区域得视网膜血管图像，基于图像特征提取编码器和多交互逐步细化编码器构建视网膜血管分割模型，通过多交互逐步细化编码器能够根据上层语义预测指导底层纹理预测的过程逐步细化分割结果的特点，实现提升视网膜血管分割模型的训练精确度，最后利用所述视网膜血管训练样本对所述视网膜血管分割模型进行训练，直至模型收敛，以从实际视网膜血管图像中分割出血管区域。
附图说明
[0041]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0043]图1为本申请实施例提供的一种基于多损失函数的视网膜血管细化分割方法的流程图；
[0044]图2为本申请实施例提供的分割模型构建流程示意图；
[0045]图3为本申请实施例提供的精度对比数据图；
[0046]图4是本申请实施例提供的一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多损失函数的视网膜血管细化分割方法，其特征在于，所述方法包括：获取视网膜血管训练样本，所述视网膜血管训练样本集中包含多张标注血管区域得视网膜血管图像；基于图像特征提取编码器和多交互逐步细化编码器构建视网膜血管分割模型；利用所述视网膜血管训练样本对所述视网膜血管分割模型进行训练，直至模型收敛，以从实际视网膜血管图像中分割出血管区域。2.根据权利要求1所述的基于多损失函数的视网膜血管细化分割方法，其特征在于，所述图像特征提取编码器包括：所述图像特征提取编码器在ImageNet上预训练得到ResNet
‑
50基干网络，其中，所述ResNet
‑
50基干网络将最高层的全连接层去除，从所述ResNet
‑
50基干网络的前五层中提取残差单元，每个残差单元包括卷积层、激活层和归一化层，其中，所述ResNet
‑
50基干网络的每一层输出的卷积网络将特征图通道数量减少至16，以使所述分割模型运算量减少。3.根据权利要求1所述的基于多损失函数的视网膜血管细化分割方法，其特征在于，所述多交互逐步细化编码器包括：f
i
‑1＝f
i
‑1×
δ(Conv3(f
i
))+f
i
‑1,i＝1,2,3,4,5其中，f
i
表示第i层编码器的特征图，Conv3表示将特征图通道数量缩减到1，δ表示Sigmoid激活函数函数。f
i
‑1表示增强后的特征图，所述多交互逐步细化编码器通过上层语义预测指导底层纹理预测的过程逐步细化分割结果。4.根据权利要求1所述的基于多损失函数的视网膜血管细化分割方法，其特征在于，基于图像特征提取编码器和多交互逐步细化编码器构建视网膜血管分割模型的步骤，包括：定义所述视网膜血管分割模型的多损失函数为L；所述L的表达式如下其中k表示损失函数来自第k层。α
k
表示各层损失函数的权重指标,Σ表示求和操作。5.根据权利要求4所述的基于多损失函数的视网膜血管细化分割方法，其特征在于，利用所述视网膜血管训练样本对所述视网膜血管分割模型进行训练，直至模型收敛的步骤，包括：基于所述标准交叉熵L，利用所述视...

【专利技术属性】
技术研发人员：马骏，杨钰群，
申请(专利权)人：北京芯联心科技发展有限公司，
类型：发明
国别省市：