[发明专利]基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法

权利要求书

1.一种基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，其特征在于，包括以下步骤：

步骤S1：对原始彩色视网膜图像采用三通道直方图均衡化并结合特性值伽马矫正进行预处理；

步骤S2：构建多尺度均衡化划分采样点后进行图像块随机拼接扩充数据样本；

步骤S3：将图像数据归一化；

步骤S4：将归一化后的图像数据输入视网膜血管分割模型进行视网膜血管图像分割；所述视网膜血管分割模型由训练集产生的归一化后的图像数据通过对色彩敏感的三通道U-Net全卷积网络进行训练获得。

2.根据权利要求1所述的基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，其特征在于：步骤S2具体包括以下步骤：

步骤S21：根据给定图像块的大小，确定图像中能够不重复地分割的图像块的数量；

步骤S22：计算每个图像块的固定中心点坐标，将图像分成等量图像块；

步骤S23：从图像块列表中随机取出一定数量图像块拼接成与原来大小相同的新图像。

3.根据权利要求1所述的基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，其特征在于：

所述对色彩敏感的三通道U-Net全卷积网络在采用U-Net网络模型架构的基础上，采用三通道输入学习每一个色彩分量上信息，并增加了Padding保证输入图像与输出图像结构特性上的一致性；网络结构对三个色彩分量都有独立卷积核，网络包含卷积层和RELU激活函数，池化层，上采样和短连接；图像经过网络处理后，生成通道为1的二值化与原图相同大小的预测分割图像，所述预测分割图像用于与真实分割图像计算损失函数输出值。

4.根据权利要求3所述的基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，其特征在于：

所述对色彩敏感的三通道U-Net全卷积网络使用二分类交叉熵损失函数，像素点的映射采用Sigmoid函数，损失函数表示为：

其中，P₀表示在真值图下像素点为血管结构的像素点概率，P₁表示在真值图下像素点为非血管结构的像素点概率，N为总像素数，为像素点在Sigmoid函数映射下输出为血管像素的概率，为像素点在Sigmoid函数映射下输出为非血管像素的概率。