[发明专利]基于距离调制损失的迭代式眼底图像血管分割方法

说明书

本发明公开一种基于距离调制损失的迭代式眼底图像血管分割方法，其采用以下步骤：(0)采集彩色眼底图像形成原始图像；(1)原始图像的规范化处理；(2)迭代训练基于距离调制损失的稠密卷积神经网络；(3)利用训练好的稠密卷积神经网络迭代式分割血管。本方法能处理不同采集情况下的彩色眼底图像，能够为眼科医生提供交互式的血管分割体验，对血管检测更具鲁棒性，为后续的辅助诊断提供可靠保障。

技术领域

本发明属于图像处理领域，具体涉及的是一种基于距离调制损失的迭代式眼底图像血管分割方法。

背景技术

带有交互方式的自动化眼底图像血管分割技术能够为眼科医生后续测量视网膜内血管情况提供快捷的服务，帮助医生高效地评估潜在的糖尿病、高血压、动脉血管硬化等疾病情况。目前国内外有大量针对眼底图像血管分割的算法和技术，主要包括两大类技术：无监督训练的分割方法和有监督训练的分割方法。

无监督训练的分割方法中最具有代表性的是基于匹配滤波器的(MatchedFilters)方法，该方法通过统计分析得到眼底图像血管横截面的灰度特征近似一个倒置的高斯函数，因此通过设计具有方向性的倒置高斯函数，再与眼底灰度图像卷积得到最大响应的分布图，最终对该分布图进行阈值分割得到血管分割图像。此方法依赖于血管横截面的统计信息，无法对血管中心带有反射的情况进行表征，并且对尺度敏感，无法获得较好的血管分割效果。

随着近年来深度学习技术的快速发展，利用深度神经网络来对眼底图像血管进行分割成为有监督训练的分割方法中最普遍的方式。该方法利用不同层次的卷积单元来替代原先复杂的特征工程，统一了特征学习和模型学习过程，提升了血管分割的效果。但是现有的深度学习方法只是单纯地把眼底图像血管分割问题转化为了一个二分类问题，并没有针对血管结构进行进一步的约束，同时如果网络输出的结果不理想时，也无法进一步利用学习的模型改进分割结果。

发明内容

本发明针对彩色眼底图像中的视网膜血管分割问题，结合血管像素点和非血管像素点的分布特性以及深度神经网络对血管结构的建模能力，提出一种基于距离调制损失的迭代式眼底图像血管分割方法，提高了眼底图像血管分割的精度和鲁棒性，为后续眼底图像的处理提供了帮助。

本发明是通过以下技术方案来实现的。

一种基于距离调制损失的迭代式眼底图像血管分割方法，采取以下步骤：

步骤S0，采集彩色眼底图像形成原始图像；

步骤S1，对原始图像进行规范化处理，得到标准化后的原始图像，作为训练图像和测试图像；

步骤S2，针对训练图像，迭代训练基于距离调制损失的稠密卷积神经网络，得到最终的稠密卷积神经网络模型；

步骤S3，针对测试图像，利用稠密卷积神经网络模型迭代式分割血管，生成最终的血管分割结果。

优选地，步骤S0中，采集彩色眼底图像形成原始图像是指利用彩色数码眼底相机拍摄眼底进行眼底图像采集。

优选地，所述步骤S1对原始图像进行规范化处理包括：

步骤S1.1，统一视场的直径大小，即取原始图像中间(1/2)高度的位置估计原始图像视场直径的大小，对沿着原始图像宽度方向上每个像素点的RGB通道的数值求和，再对每个像素点进行二值化处理：

B_p＝I_p＞Th_FOV

其中，I_p为每个像素点RGB通道的数值之和，Th_FOV为视场定位的阈值，取值为所有I_p均值的0.1倍，接着统计所有B_p取值为1的个数，得到的数值即是对原始图像视场直径的估计，然后依据估计的视场直径对原始图像进行等比例的缩放，缩放比例的计算为：