一种不确定性引导的视网膜血管图像分割方法及系统技术方案

本发明专利技术公开了一种不确定性引导的视网膜血管图像分割方法及系统，属于医学图像处理领域。本发明专利技术首先构建不确定性网络来量化眼底图像中的不确定性得到不确定性映射矩阵，并将所述不确定性网络输出的均值作为先验映射矩阵；再构建基于UNet的分割网络，将编码阶段得到的特征图与不确定性映射矩阵进行多次特征融合，以学习眼底图像中不确定性区域；分割网络的损失函数由先验损失函数和交叉熵损失函数结合组成，其中先验损失函数基于先验映射矩阵构建；再将眼底图像训练集输入至所述分割网络训练所述分割网络；最后将眼底图像输入训练完成的分割网络后即可得到视网膜血管分割图像，本发明专利技术有效提高了视网膜血管分割性能，具有实际的临床价值。的临床价值。的临床价值。

【技术实现步骤摘要】
一种不确定性引导的视网膜血管图像分割方法及系统


[0001]本专利技术属于医学图像处理领域，更具体地，涉及一种不确定性引导的视网膜血管图像分割方法及系统。

技术介绍

[0002]在疾病的诊断中，眼底图像作为一种非侵入式的血管成像手段，由于其方便获得的性质，已经成为医生疾病的重要参考材料。视网膜中包含了数量极为丰富、交织错落的血管，这些视网膜血管分支构成完整的血管树。该血管树的枝丫形态，包括离视盘近处与远处的血管口径、血管分支处的分支角度以及血管的弯曲程度都体现了人体的健康程度。因此，在临床应用中，对采集到的眼底图像进行精准的血管提取或者血管分割具有重要意义。
[0003]目前，视网膜血管分割中主要使用匹配滤波、形态学处理以及多尺度分析等传统方法以及基于深度学习的方法。虽然很多深度学习方法通过修改网络结构来充分捕获上下文信息，也有部分工作关注到了数据集中的噪声标签问题，但这些方法忽略了对视网膜图像中先验知识的利用，并且很少关注视网膜血管分割结果的不确定性所引发的医疗风险。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种不确定性引导的视网膜血管图像分割方法及系统，其目的在于提高视网膜血管分割的准确性。
[0005]为实现上述目的，第一方面，本专利技术提供了一种不确定性引导的视网膜血管图像分割网络的训练方法，所述方法包括：
[0006]使用MC Dropout方法构建贝叶斯网络来量化眼底图像中的不确定性得到不确定性映射矩阵，并将所述贝叶斯网络输出的均值作为先验映射矩阵；
[0007]构建基于UNet的分割网络，在所述分割网络中，将编码阶段得到的特征图与所述不确定性映射矩阵进行多次特征融合，用于学习眼底图像中不确定性的区域；所述分割网络的损失函数由先验损失函数和交叉熵损失函数结合组成，其中所述先验损失函数基于先验映射矩阵构建；
[0008]将眼底图像训练集输入至所述分割网络进行网络训练，直至所述分割网络训练完成。
[0009]优选的，所述不确定性映射矩阵和所述先验映射矩阵分别为：
[0010][0011][0012]其中，T是采样的次数；为网络的预测输出；为网络的模型参数；Sigmoid()为激活函数。
[0013]优选的，所述分割网络的损失函数为：
[0014]L＝α
·
L
prior
+(1
‑
α)
·
L
hard
‑
log(α
·
(1
‑
α))
[0015]其中，L
prior
为先验损失函数；L
hard
为交叉熵损失函数；α为0到1之间的因子；
[0016][0017][0018][0019]其中，μ为先验映射矩阵；为所述分割网络的预测；y为二值化的真实标签；Sigmoid()为激活函数；ε为自适应的参数；e为自然常数。
[0020]优选的，在基于UNet的所述分割网络中，在每个最大池化操作和卷积操作之间，将卷积操作得到的特征图与不确定性映射矩阵进行特征融合；将经过所述特征融合后得到的特征图经最大池化操作和平均池化操作后在通道维度拼接，再进行一次卷积操作恢复到原来的通道数。
[0021]第二方面，本专利技术提供了一种不确定性引导的视网膜血管图像分割方法，所述方法包括：
[0022]将眼底图像输入至所述分割网络；
[0023]所述分割网络输出视网膜血管分割图像；
[0024]其中所述分割网络是根据第一方面中一种或多种方法训练得到的。
[0025]第三方面，本专利技术提供了一种不确定性引导的视网膜血管图像分割网络的训练装置，所述装置包括：
[0026]不确定性提取模块，用于使用MC Dropout方法构建贝叶斯网络来量化眼底图像中的不确定性得到不确定性映射矩阵，并将所述贝叶斯网络输出的均值作为先验映射矩阵；
[0027]分割网络构建模块，用于构建基于UNet的分割网络，在所述分割网络中，将编码阶段得到的特征图与所述不确定性映射矩阵进行多次特征融合，用于学习眼底图像中不确定性的区域；所述分割网络的损失函数由先验损失函数和交叉熵损失函数结合组成，其中所述先验损失函数基于先验映射矩阵构建；
[0028]分割网络训练模块，用于将眼底图像训练集输入至所述分割网络进行网络训练，直至所述分割网络训练完成。
[0029]优选的，不确定性映射矩阵和所述先验映射矩阵分别为：
[0030][0031][0032]其中，T是采样的次数；为网络的预测输出；为网络的模型参数；Sigmoid()为激活函数。
[0033]优选的，所述分割网络的损失函数为：
[0034]L＝α
·
L
prior
+(1
‑
α)
·
L
hard
‑
log(α
·
(1
‑
α))
[0035]其中，L
prior
为先验损失函数；L
hard
为交叉熵损失函数；α为0到1之间的因子；
[0036][0037][0038][0039]其中，μ为先验映射矩阵；为所述分割网络的预测；y为二值化的真实标签；Sigmoid()为激活函数；ε为自适应的参数；e为自然常数。
[0040]优选的，在基于UNet的所述分割网络中，在每个最大池化操作和卷积操作之间，将卷积操作得到的特征图与不确定性映射矩阵进行特征融合；将经过所述特征融合后得到的特征图经最大池化操作和平均池化操作后在通道维度拼接，再进行一次卷积操作恢复到原来的通道数。
[0041]第四方面，本专利技术提供了一种不确定性引导的视网膜血管图像分割系统，所述系统包括：
[0042]输入模块，用于将眼底图像输入至所述分割网络；
[0043]分割模块，用于通过所述分割网络输出视网膜血管分割图像；
[0044]其中所述分割网络是根据第一方面中一种或多种方法训练得到的。
[0045]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：
[0046]本专利技术方法中，首先通过构建不确定性网络量化眼底图像中的不确定性得到不确定性映射矩阵，并将该阶段不确定网络多次输出的均值作为先验知识；并将不确定性映射矩阵融合到分割网络中，使其可以重点学习眼底图像中高度不确定性的区域，同时本专利技术设计了一个自适应的损失函数，通过将先验损失和交叉熵损失的权重设置为算法可学习的超参数，避免错误的先验知识对算法性能的影响；由此，本专利技术方法有效缓解了眼底图像中的不确定性对分割算法性能的影响问题，解决了视网膜血管分割算法中先验知识难以设计以及如何学习正确的先验知识的问题；本专利技术有效提高了视网膜血管分割方法的性能，具有实际的临床价值。
附图说明
[0047]图1是本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种不确定性引导的视网膜血管图像分割网络的训练方法，其特征在于，所述方法包括：使用MC Dropout方法构建贝叶斯网络来量化眼底图像中的不确定性得到不确定性映射矩阵，并将所述贝叶斯网络输出的均值作为先验映射矩阵；构建基于UNet的分割网络，在所述分割网络中，将编码阶段得到的特征图与所述不确定性映射矩阵进行多次特征融合，用于学习眼底图像中不确定性的区域；所述分割网络的损失函数由先验损失函数和交叉熵损失函数结合组成，其中所述先验损失函数基于先验映射矩阵构建；将眼底图像训练集输入至所述分割网络进行网络训练，直至所述分割网络训练完成。2.根据权利要求1所述的方法，其特征在于，所述不确定性映射矩阵和所述先验映射矩阵分别为：阵分别为：其中，T是采样的次数；其中，T是采样的次数；为网络的预测输出；为网络的模型参数；Sigmoid()为激活函数。3.根据权利要求1所述的方法，其特征在于，所述分割网络的损失函数为：L＝α
·
L
prior
+(1
‑
α)
·
L
hard
‑
log(α
·
(1
‑
α))其中，L
prior
为先验损失函数；L
hard
为交叉熵损失函数；α为0到1之间的因子；为交叉熵损失函数；α为0到1之间的因子；为交叉熵损失函数；α为0到1之间的因子；其中，μ为先验映射矩阵；为所述分割网络的预测；y为二值化的真实标签；Sigmoid()为激活函数；ε为自适应的参数；e为自然常数。4.根据权利要求1所述的方法，其特征在于，在基于UNet的所述分割网络中，在每个最大池化操作和卷积操作之间，将卷积操作得到的特征图与不确定性映射矩阵进行特征融合；将经过所述特征融合后得到的特征图经最大池化操作和平均池化操作后在通道维度拼接，再进行一次卷积操作恢复到原来的通道数。5.一种不确定性引导的视网膜血管图像分割方法，其特征在于，所述方法包括：将眼底图像输入至所述分割网络；所述分割网络输出视网膜血管分割图像；其中所述分割网络是根据权利要求1
‑
4任意一项所述方法训练得到的。6.一种不确定性引导的视网膜血管图像分割网络的训练装置，其特...

【专利技术属性】
技术研发人员：徐晨星，叶松涛，谢夏，胡月明，
申请(专利权)人：海南大学，
类型：发明
国别省市：