基于分层扩散模型的眼底血管图像分割方法及系统技术方案

本公开提供了基于分层扩散模型的眼底血管图像分割方法及系统，涉及眼底血管分割技术领域，包括获取原始眼底图像；将原始眼底图像输入至轻量级级联网络进行特征提取，获取血管的上下文信息和血管细节位置信息，输出初始粗糙血管分割图像；基于初始粗糙血管分割图像，利用形态学膨胀原理提取血管骨架，获取血管骨架图像；将获取的初始粗糙血管分割图像以及血管骨架图像作为引导条件输入至扩散模型中，依次输出每个时间步的中间过渡血管分割图像；再将原始眼底图像作为条件，利用改进的扩散模型的去噪过程迭代细化每个时间步的中间过渡血管分割图像，输出最终的精细的血管分割图像

【技术实现步骤摘要】
基于分层扩散模型的眼底血管图像分割方法及系统


[0001]本公开涉及眼底血管分割
，具体涉及一种基于分层扩散模型的眼底血管图像分割方法及系统
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术
。
[0003]随着计算机视觉的出现，眼底视网膜血管分割取得了重大进展
。
据了解，视网膜血管可以用作监测和评估各种疾病的窗口，包括患者的心血管和脑血管状况
。
分析视网膜动脉的几何复杂性可以作为眼底血管和脑血管疾病的有价值的诊断生物标志物，而视网膜血管网络的变化可以诊断视网膜病变的发展和进展状况
。
然而，视网膜血管结构的复杂性和可变性以及用于获取眼底图像的技术使得视网膜血管分割具有挑战性
。
传统方法中人工分割视网膜血管的准确度不高，受主观因素影响较大
。
因此，采用计算机视觉技术开发一种能够可靠地分割视网膜血管并从眼底图像中提取血管特征的算法，对于辅助医务人员在眼科
、
心脑血管疾病诊断中发挥着重要作用
。
[0004]近年来，一些研究人员提出了许多用于分割眼底图像中视网膜血管的评估算法，这些算法可以大致分为三类：基于血管跟踪的方法
、
基于匹配滤波的方法和基于机器学习的方法
。
[0005]然而，专利技术人发现，当前的血管分割方法仍然存在显著的问题，各种疾病或病变会显著降低图像清晰度，使得视网膜血管分割具有挑战性
。
目前的方法通常难以捕获较细的血管，导致不完整的血管分割
。

技术实现思路

[0006]本公开为了解决上述问题，提出了基于分层扩散模型的眼底血管图像分割方法及系统，将血管分割作为条件生成任务，通过提取血管骨架
、
粗糙血管分割图像以及原始的眼底图像作为扩散模型中的条件，获取眼底血管的相关信息，以此实现血管分割准确性的提高
。
[0007]根据一些实施例，本公开采用如下技术方案：
[0008]基于分层扩散模型的眼底血管图像分割方法，包括：
[0009]获取原始眼底图像；
[0010]将原始眼底图像输入至轻量级级联网络进行特征提取，获取血管的上下文信息和血管细节位置信息，输出初始粗糙血管分割图像；
[0011]基于初始粗糙血管分割图像，利用形态学膨胀原理提取血管骨架，获取血管骨架图像；
[0012]将获取的初始粗糙血管分割图像以及血管骨架图像作为引导条件输入至扩散模型中，依次输出每个时间步的中间过渡血管分割图像；再将原始眼底图像作为条件，利用改
进的扩散模型的去噪过程迭代细化每个时间步的中间过渡血管分割图像，输出最终的精细的血管分割图像
。
[0013]根据一些实施例，本公开采用如下技术方案：
[0014]基于分层扩散模型的眼底血管图像分割系统，包括：
[0015]基础分割模块，获取原始眼底图像，将原始眼底图像输入至轻量级级联网络进行特征提取，获取血管的上下文信息和血管细节位置信息，输出初始粗糙血管分割图像；
[0016]血管骨架提取模块，用于基于初始粗糙血管分割图像，利用形态学膨胀原理提取血管骨架，获取血管骨架图像；
[0017]双引导模块，用于将获取的初始粗糙血管分割图像以及血管骨架图像作为引导条件输入至扩散模型中，依次输出每个时间步的中间过渡血管分割图像；
[0018]细化引导分割模块，用于再将原始眼底图像作为条件，利用改进的扩散模型的去噪过程迭代细化每个时间步的中间过渡血管分割图像，输出最终的精细的血管分割图像
。
[0019]与现有技术相比，本公开的有益效果为：
[0020]本公开的一种基于分层扩散模型的眼底血管分割方法，通过眼底图像增强来生成双引导条件，利用层次化的去噪扩散模型，以由粗到细的策略获取血管位置最相关的信息，以此实现眼底血管识别准确性的提高
。
[0021]本公开将生成的条件应用于扩散模型分割中，形态学处理扩张了细血管和粗血管到统一宽度，增强对细血管的关注并提供了关于血管的更多信息
。
学习与血管位置相关的信息，剔除不相关的信息，获得血管位置更准确的特征
。
[0022]本公开提出一种迭代细化的方法，利用原始眼底图像作为参考条件，以优化生成过程的每个时间步处的中间过渡血管图像，从而进一步提高血管分割的准确性
。
附图说明
[0023]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定
。
[0024]图1为本公开实施例的眼底血管分割方法的流程示意图；
[0025]图2为本公开实施例的最终精细的眼底血管分割图；
[0026]图3为本公开实施例的消融实验的眼底血管分割对比图；
[0027]图4为本公开实施例的最终检测结果对比图
。
具体实施方式
[0028]下面结合附图与实施例对本公开作进一步说明
。
[0029]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明
。
除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义
。
[0030]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式
。
如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和
/
或“包括”时，其指明存在特征
、
步骤
、
操作
、
器件
、
组件和
/
或它们的组合
。
[0031]实施例1[0032]本公开的一种实施例中提供了一种基于分层扩散模型的眼底血管图像分割方法，包括以下步骤：
[0033]步骤一：获取原始眼底图像；
[0034]步骤二：将原始眼底图像输入至轻量级级联网络进行特征提取，获取血管的上下文信息和血管细节位置信息，输出初始粗糙血管分割图像；
[0035]步骤三：基于初始粗糙血管分割图像，利用形态学膨胀原理提取血管骨架，获取血管骨架图像；
[0036]步骤四：将获取的初始粗糙血管分割图像以及血管骨架图像作为引导条件输入至扩散模型中，依次输出每个时间步的中间过渡血管分割图像；
[0037]步骤五：再将原始眼底图像作为条件，利用改进的扩散模型的去噪过程迭代细化每个时间步的中间过渡血管分割图像，输出最终的精细的血管分割图像
。
[0038]作为一种实施例，本公开的一种基于分层扩散模型的眼底血管分割方法的具体实施过程为：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于分层扩散模型的眼底血管图像分割方法，其特征在于，包括：获取原始眼底图像；将原始眼底图像输入至轻量级级联网络进行特征提取，获取血管的上下文信息和血管细节位置信息，输出初始粗糙血管分割图像；基于初始粗糙血管分割图像，利用形态学膨胀原理提取血管骨架，获取血管骨架图像；将获取的初始粗糙血管分割图像以及血管骨架图像作为引导条件输入至扩散模型中，依次输出每个时间步的中间过渡血管分割图像；再将原始眼底图像作为条件，利用改进的扩散模型的去噪过程迭代细化每个时间步的中间过渡血管分割图像，输出最终的精细的血管分割图像
。2.
如权利要求1所述的基于分层扩散模型的眼底血管图像分割方法，其特征在于，所述轻量级级联网络为以级联方式合并每个鲁棒块生成的接受域，在编码器和解码器之间采用对称的多尺度跳跃连接，增强深和浅的细节的集成，每个输出后面都有一个
Sigmoid
层，每个鲁棒块具体包括：卷积层
、Dropout
层
、BatchNorm
层和
Swish
激活函数
。3.
如权利要求1所述的基于分层扩散模型的眼底血管图像分割方法，其特征在于，所述轻量级级联网络，采用具有地面真实值的监督的损失函数，具体表示为：其中，
V
表示初始粗糙血管分割图像；
p
i
∈[0,1]
表示模型对于具有标签的类的估计概率，并且
γ
是可调聚焦参数；令
V
表示为轻量级级联网络的输出，后跟
Sigmoid
层
。4.
如权利要求1所述的基于分层扩散模型的眼底血管图像分割方法，其特征在于，基于初始粗糙血管分割图像，利用形态学膨胀原理提取血管骨架，获取血管骨架图像，然后将血管骨架均匀的扩展到特定宽度，提取的方式为：其中，
S
是血管骨架，
B
是卷积核，并且
V
是初始粗糙血管分割图像；将卷积核
B
与图像
V
卷积，并且计算卷积核
B
区域中的像素点的最大值并将其分配给与参考点相对应的像素
。5.
如权利要求1所述的基于分层扩散模型的眼底血管图像分割方法，其特征在于，所述扩散模型的生成过程具体表示为：其中，
β
t
∈[0,1]
是固定方差；因此，来自
x0的噪声目标
x
t
分布表示为：分布表示为：其中，所述扩散模型利用
UNet
深度神经网络，通过将

【专利技术属性】
技术研发人员：黄文慧，刘凤婷，郑元杰，巩庆涛，苏烨，黄珂，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：