增强特征一致性预处理视网膜血管图像分割方法技术

本发明专利技术提供的一种增强特征一致性预处理视网膜血管图像分割方法，包括以下步骤：

【技术实现步骤摘要】
增强特征一致性预处理视网膜血管图像分割方法


[0001]本专利技术涉及一种图像分割方法，尤其涉及一种增强特征一致性预处理视网膜血管图像分割方法
。

技术介绍

[0002]视网膜血管图像分割在视网膜血管疾病的诊断中具有重要意义，视网膜血管的形态结构可以显著反映各种眼部疾病的早期迹象，通过对视网膜血管图像进行分割，可以获取到血管管径
、
分支角度及分支长度等血管结构信息，这有助于后续对相关疾病进行客观标准的定量分析
。
[0003]由于视网膜血管图像的局部血管像素之间存在差异，该差异包括两种情况：第一种情况：由于光照条件不适合，造成血管与背景之间对比度低，使得一些血管像素变得模糊不清；第二种情况：由于视网膜病变和渗出物等因素的影响，局部血管像素的特征可能会有较大的变化，因此，现有技术中的视网膜血管图像的分割方法不能准确的对视网膜血管图像进行分割，也就是说其分割结果精度低，其原因为：
(1)
没有充分利用视网膜血管的结构冗余信息
。(2)
忽略了由于光照不适当
、
渗出物遮挡
、
视网膜病变等因素影响，同一区域的血管像素特征可能存在显著差异的问题，尤其是受噪声干扰的血管容易导致分割网络获取到带有噪声的语义特征，从而容易造成该类血管被误分割的情况
。
[0004]因此，为了解决上述技术问题，亟需提出一种新的技术手段
。

技术实现思路

[0005]有鉴于此，本专利技术的目的是提供一种增强特征一致性预处理视网膜血管图像分割方法用以解决上述技术问题
。
[0006]本专利技术提供的一种增强特征一致性预处理视网膜血管图像分割方法，包括以下步骤：
[0007]S1.
获取具有标签的视网膜血管图像，并将具有标签的视网膜血管图像进行预处理；
[0008]S2.
构建基于增强特征一致性预处理的图像分割网络，所述图像分割网络包括增强特征一致性预处理网络和分割网络，所述增强特征一致性预处理网络的输出端连接于分割网络的输入端，分割网络输出分割结果；
[0009]S3.
将预处理后的具有标签的视网膜血管图像输入至基于增强特征一致性预处理的图像分割网络中对基于增强特征一致性预处理的图像分割网络进行训练；
[0010]S4.
获取实时采集的视网膜血管图像，并将实时视网膜血管图像输入至训练完成后的基于增强特征一致性预处理的图像分割网络中处理得到分割结果
。
[0011]进一步，所述增强特征一致性预处理网络包括动态边卷积模块
、
维度变换模块以及局部类激活映射模块；
[0012]所述动态边卷积模块的输出端连接于维度变换模块的输入端，维度变换模块的输
出端连接于局部类激活映射模块的输入端，局部类激活映射模块的输出端向分割网络的输入端输出预处理结果；
[0013]所述动态边卷积模块将预处理后的视网膜血管图像映射为图结构；
[0014]维度变换模块将动态边卷积模块输出的图结构转换为特征图并将特征图输入至局部类激活映射模块；
[0015]所述局部类激活映射模块将特征图映射成激活图并将激活图输入至分割网络中
。
[0016]进一步，所述动态边卷积模块包括三层边卷积，由输入至输出方向三层边卷积的特征维度分别为
32、64
和
128
；
[0017]动态边卷积模块将输入的视网膜血管图像转换为图节点矩阵；
[0018]采用
K
近邻算法找到中心节点
x
i
的
K
近邻域
N
K
(x)
，计算中心节点
x
i
与其邻居节点
x
j
∈N
K
(x)
的边权值：
[0019]e
′
ijm
＝
LeakyReLU(
θ
m
·
x
i
+
φ
m
·
x
j
)
[0020]其中：表示内积，
θ
m
和
φ
m
表示与中心节点
x
i
维度相同的可训练参数，
M
表示动态边卷积模块的滤波器的个数，
m
表示第
m
个滤波器；
LeakyReLU(
·
)
表示激活函数；
[0021]计算节点
x
i
第
m
维的特征
x'
im
：
[0022][0023]将所有节点的所有维度的特征组成图节点矩阵，然后将该图节点矩阵通过维度变换模块处理后形成特征图
X
in
，再将特征图
X
in
输入至局部类激活映射模块
。
[0024]进一步，所述分割网络为
U
‑
net
网络
。
[0025]进一步，所述基于增强特征一致性预处理的图像分割网络的损失函数为
L
：
[0026]L
＝
Loss
seg
+Loss
pa
；
[0027]增强特征一致性预处理网络的损失函数
Loss
pa
为：
[0028][0029]其中：为增强特征一致性预处理网络的预测值，为生成标签
γ
>0
为可调节因子；
[0030][0031]分割网络的损失函数
Loss
seg
为：
[0032][0033]其中：表示分割网络的预测结果，表示真实标注
。
[0034]进一步，局部类激活映射模块处理过程如下：
[0035]A
c
＝
Conv1×1(X'
in
)
；
[0036]A
c
表示激活图，
X'
in
表示矩阵特征图
X
in
通过维度变换模块处理后的特征图；
[0037]计算分类概率
S
c
：
[0038]S
c
＝
Sigmoid(AvgPool
S
×
S
(A
c
))
；
[0039]S
表示切块数目，
A
c
被划分为
S
×
S
块，
B
表示类别数；
[0040]将
B
类的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种增强特征一致性预处理视网膜血管图像分割方法，其特征在于：包括以下步骤：
S1.
获取具有标签的视网膜血管图像，并将具有标签的视网膜血管图像进行预处理；
S2.
构建基于增强特征一致性预处理的图像分割网络，所述图像分割网络包括增强特征一致性预处理网络和分割网络，所述增强特征一致性预处理网络的输出端连接于分割网络的输入端，分割网络输出分割结果；
S3.
将预处理后的具有标签的视网膜血管图像输入至基于增强特征一致性预处理的图像分割网络中对基于增强特征一致性预处理的图像分割网络进行训练；
S4.
获取实时采集的视网膜血管图像，并将实时视网膜血管图像输入至训练完成后的基于增强特征一致性预处理的图像分割网络中处理得到分割结果
。2.
根据权利要求1所述增强特征一致性预处理视网膜血管图像分割方法，其特征在于：所述增强特征一致性预处理网络包括动态边卷积模块
、
维度变换模块以及局部类激活映射模块；所述动态边卷积模块的输出端连接于维度变换模块的输入端，维度变换模块的输出端连接于局部类激活映射模块的输入端，局部类激活映射模块的输出端向分割网络的输入端输出预处理结果；所述动态边卷积模块将预处理后的视网膜血管图像映射为图结构；维度变换模块将动态边卷积模块输出的图结构转换为特征图并将特征图输入至局部类激活映射模块；所述局部类激活映射模块将特征图映射成激活图并将激活图输入至分割网络中
。3.
根据权利要求2所述增强特征一致性预处理视网膜血管图像分割方法，其特征在于：所述动态边卷积模块包括三层边卷积，由输入至输出方向三层边卷积的特征维度分别为
32、64
和
128
；动态边卷积模块将输入的视网膜血管图像转换为图节点矩阵；采用
K
近邻算法找到中心节点
x
i
的
K
近邻域
N
K
(x)
，计算中心节点
x
i
与其邻居节点
x
j
∈N
K
(x)
的边权值：
e
′
ijm
＝
LeakyReLU(
θ
m
·
x
i
+
φ
m
·
x
j
)
其中：
·
表示内积，
θ
m
和
φ
m
表示与中心节点
x
i
维度相同的可训练参数，
M
表示动态边卷积模块的滤波器的个数，
m
表示第...

【专利技术属性】
技术研发人员：吕佳，王泽宇，
申请(专利权)人：重庆师范大学，
类型：发明
国别省市：