[发明专利]一种注意力机制U型密集连接视网膜血管分割方法

说明书

本发明涉及一种注意力机制U型密集连接视网膜(融合DenseNet和Attention U‑net网络的新型视网膜)血管分割方法，包括视网膜血管图像预处理、构建视网膜血管分割模型步骤。本发明能有效地解决相邻血管易相连、微血管过宽、细小血管易断裂、血管交叉处分割不足以及对图像噪声过于敏感、目标与背景灰度值交叉、视盘与病灶误分割等问题。本发明在较低复杂度的情况下融合多种网络模型，在DRIVE数据集上取得优异的分割结果，其准确率和灵敏度分别为96.95％和85.94％，比最新文献公布的视网膜分割结果准确率提升约0.59％，灵敏度提升约7.92％。

技术领域

本发明涉及一种注意力机制U型密集连接视网膜(融合DenseNet和Attention U-net网络的新型视网膜)血管分割方法，较好地解决了现有算法存在微血管分割不足、微血管分割过宽、血管交叉处分割断裂、病变处血管断裂、病灶与视盘误分割为血管等问题。

背景技术

人类视网膜是一种覆盖在眼睛内表面的光敏组织，其中视网膜血管是全身血管系统中唯一可以无创伤直接观测到的部分，通过视网膜血管数量、分支、角度、宽度等信息均可作为视网膜血管相关疾病的诊断依据。卷积神经网络方法具有强大的特征提取能力和学习能力，它能在Attention U-net与DenseNet网络中发挥与传统深度学习相比更高效，且能高精度地捕捉血管特征，可以解决目前眼科专家采取手工提取视网膜血管的繁琐过程，并将其从定性分析转为定量分析，解决不同眼科医生存在主观因素存在的误差，为临床眼科医生对疾病的诊断和治疗提供帮助。

最新文献“Retinal blood vessel segmentation based on the Gaussianmatched filter and U-net(Gao X,Cai Y,Qiu C,et al.Retinal blood vesselsegmentation based on the Gaussian matched filter and U-net[C]//InternationalCongress on Image and Signal Processing,Biomedical Engineering andInformatics.IEEE,2018)”记载的分割准确率和灵敏度分别在96.36％和78.02％，而在医学图像处理技术中，视网膜血管分割结果准确率即使提升0.1％都需要在算法复杂度与分割性能之间做出优异的权衡，往往高精度代表着算法的高复杂度，达不到实时辅助专家医疗的水平。

发明内容

本发明的目的是针对视网膜血管特征复杂多样与现有分割算法存在的不足，提出一种注意力机制U型密集连接视网膜血管分割方法。

本发明的技术方案：一种注意力机制U型密集连接视网膜血管分割方法，包括以下步骤：

步骤A01，视网膜血管图像预处理：首先对采集的视网膜图像按比例选取RGB三通道颜色特征信息；然后采取限制对比度直方图均衡化(Contrast Limited AdaptiveHistgram Equalization，CLAHE)和filter2D滤波提升血管与背景的对比度，并采用局部自适应Gamma矫正视网膜图像较暗的伪影区域，突显血管像素；最后利用新型多尺度形态Hot-top滤波提升视网膜图像微小血管的多尺度亮、暗细节特征，并平滑去噪；