[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

说明书

本发明公开了一种基于对称双向级联网络深度学习的视网膜血管分割方法，属于医学图像处理领域。该方法先通过改变对比度、旋转、缩放和平移等一系列方式进行数据增强，实现数据集扩增，然后将预处理后的图像输入到双向级联网络中进行训练学习以得到预测的视网膜血管分割结果。该网络由五个尺度检测模块组成，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个方向生成两个血管轮廓预测图，结构上呈现为上下对称分布；接着将密集空洞卷积模块的两条路径的输出进行融合；最后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。

技术领域

本发明属于医学图像处理领域，具体涉及一种基于对称双向级联网络深度学习的视网膜血管分割方法。

背景技术

视网膜血管是人体唯一可以通过无创伤手段观察到的清晰血管。目前医学研究表明，视网膜血管异常不仅表现为青光眼、白内障等眼科疾病，而且与高血压、冠心病、糖尿病、动脉粥样硬化等心血管疾病严重程度有直接联系。眼底视网膜血管的形态结构，能够反映出眼睛及周身血管系统的情况，通过对视网膜图像的分析，能够有效地预测、诊断和防治心血管疾病。因此基于眼底视网膜图像血管分割技术的研究，有助于自动、快速地得到视网膜图像中血管的形态结构，对于辅助诊疗与其相关的各类疾病具有极其重要的临床医学意义和实践价值。

以往对于眼底视网膜疾病的治疗，通常由眼科专家依靠经验对视网膜血管进行手动分割。然而视网膜上血管分布错综复杂且往往有病变干扰，血管末梢与背景的对比度低，且存在噪声、光照不均匀的问题，导致视网膜血管难以完全分割。另外人工标注耗时耗力，且具有较大的主观性。因此，依赖传统的手动分割视网膜图像的方法不仅费时费力，并且不能保证诊断精确度和效率。

根据是否利用图像标签信息将现有的视网膜血管分割方法划分为两大类：无监督的分割方法和有监督的分割方法。无监督的分割方法不需要先验标记信息，直接从血管本身的纹理、颜色等信息提取目标的特征表示。根据图像处理方法不同，可细分为：基于模型方法、血管追踪方法、匹配滤波方法和数学形态学方法。基于灰度方差和标准差的视网膜图像血管分割方法包括如下步骤：首先对视网膜图像进行预处理，得到感兴趣区域图像；然后计算感兴趣区域图像的纹理特征，并选取基于灰度方差的处理后视网膜图像和基于标准差的处理后视网膜图像。该方法快速高效，能够比较好地抑制噪声，但没有充分考虑血管剖面等显著特征，而且对结构元素的选取比较严格，难以将纤细的视网膜毛细血管精准地分割出来。

有监督的方法主要基于提取的特征训练分类器达到血管与非血管分类的目的。基于可信度和深度学习的视网膜血管分割图生成方法包括如下步骤：获取训练数据，并利用预设的可信度模型和训练数据构建训练集；从训练集中选取数据并输入基于卷积神经网络的深度学习模型进行训练得到分类器；获取待测图像，并对待测图像进行图像预处理；将步骤3中图像预处理后的待测图像输入步骤2中的分类器得到待测图像中像素点位于五类可信度区域的五个预测概率值；依据步骤4中待测图像中像素点位于五类可信度区域的预测概率值生成视网膜血管分割图。此方法对健康眼底图像分割效果较好，但是对含有亮斑或暗斑的病变眼底图像分割效果不佳，其假阳性率偏高。

发明内容

本发明的目的是针对上述不足，提出了一种基于对称双向级联网络深度学习的视网膜血管分割方法，该方法将血管分割转化为多尺度的轮廓检测问题，首先将原始的2D彩色眼底图像输入到尺度检测模块中以提取不同直径尺度的血管特征，每个尺度检测模块从低层到高层和从高层到低层两条路径产生两个血管轮廓预测图，然后通过1×1卷积融合所有中间层产生的血管轮廓预测图来计算最终的血管轮廓预测结果。

本发明具体采用如下技术方案：

基于对称双向级联网络深度学习的视网膜血管分割方法，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；