[发明专利]基于对称双向级联网络深度学习的视网膜血管分割方法

权利要求书

1.基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，包括以下步骤：

步骤1：对眼底视网膜图像进行预处理，通过切块、改变对比度、旋转、缩放和平移对输入的彩色眼底原始图像进行数据增强，实现数据集扩增；

步骤2：构建基于对称双向级联网络深度学习的视网膜血管分割模型，模型包括五个尺度检测模块，每两个尺度检测模块之间通过池化层相连，每个尺度检测模块中含有两个密集空洞卷积模块，密集空洞卷积模块通过改变膨胀率的大小来提取不同直径尺度的视网膜血管特征，分别从网络的低层到高层和高层到低层两条路径生成两个血管轮廓预测结果，然后将密集空洞卷积模块的两条路径的输出加以融合；

步骤3：采用类平衡的交叉熵损失函数对血管和背景像素进行分类，以实现视网膜血管的精准分割。

2.如权利要求1所述的基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，尺度检测模块是对称双向级联网络的基本组成单元，每个尺度检测模块最终生成两个血管轮廓预测图，每个尺度检测模块由若干卷积层组成，每个卷积层后紧跟一个密集空洞卷积模块，将多个密集空洞卷积模块的输出融合到两个卷积层中以分别产生两个血管轮廓预测结果和

3.如权利要求1所述的基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，将血管轮廓标签Y_d分解为两个互补的血管轮廓标记，其中一个标记忽略直径尺度小于d的血管，另一个忽略直径尺度大于d的血管；这两个标记在每个直径尺度上训练两个血管轮廓检测器，将直径尺度为d的血管轮廓标签的Y_d两个互补标记定义为式(1)：

其中，上标l2h表示从网络低层到高层的特征传递，h2l表示从网络高层到低层的特征传递，对于直径尺度为d的血管轮廓预测结果和分别近似等于和因此两者的和近似于Y_d，即

采用表示直径尺度为d的血管轮廓预测结果。

4.如权利要求3所述的基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，P₁^l2h是对称双向级联网络中第一阶段即第一个尺度检测模块的输出之一，此时产生的血管轮廓预测图分辨率与原图一致，因此无需上采样；P₁^l2h会被送到它之后的所有阶段，与其他尺度检测模块经过上采样的输出相加来计算当前直径尺度下从低层到高层的损失函数；P₅^h2l会被送到它之前的所有阶段，与其他尺度检测模块经过下采样的输出相加来计算当前直径尺度下由高层到低层的损失函数，然后通过1×1卷积将所有中间层产生的血管轮廓预测图进行融合。

5.如权利要求2所述的基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，密集空洞卷积模块置于3×3的卷积层之后以增强视网膜血管图像的多尺度表示，将一幅二维特征图输入到卷积滤波器中，那么在坐标点(i,j)处的空洞卷积输出为其中r为膨胀率，表示采样输入特征图的步幅。

6.如权利要求2所述的基于对称双向级联网络深度学习的视网膜血管分割方法，其特征在于，密集空洞卷积模块中的各个空洞卷积以级联方式堆叠；该模块包含具有不同膨胀率的k个卷积分支，膨胀率分别从1，2，4，8增加到2^k-1，对于第k个空洞卷积，将膨胀率设置为r_k＝2^k-1，其中k表示卷积层数；在每个空洞卷积分支中，均采用1×1卷积进行线性激活。