[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

说明书

本发明提出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，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网络分割；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。其在精度，灵敏度，以及特异性以及AUC上有较大优势。

技术领域

本发明涉及生物医学图像处理领域，尤其涉及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。

背景技术

通过对视网膜血管状态的观察，医生可以无创、非入侵地获取人体的部分状态信息，进一步地可以对疾病的诊断起到辅助的作用。而视网膜血管的信息一般都需要通过视网膜图像分割技术来进行提取，这就属于一种图像处理的问题。

现有的视网膜图像分割大致有两大类：(1)基于无监督的视网膜图像分割。无监督类方法是在眼底图像中找到血管的自身固有模式来确定像素点是否属于血管。算法本身不依赖于训练数据或人工标记黄金标准。如多尺度的匹配滤算法和聚类算法。(2)基于有监督的视网膜图像分割；在监督类方法中，血管提取的规则是在人工标记的训练集的基础上通过算法进行学习并对测试图像进行分割。作为金标准的血管结构由眼科专家精确地标记。监督类方法是基于预分类的数据而设计的，其性能通常比无监督的要更优，而且在健康的视网膜图像中会得到非常好的分割结果。如基于SVM分类器、AdaBoost分类器及深度卷积神经网络等算法。使用机器学习的监督类算法通过训练分割模型实现视网膜血管高精度分割成为近年来的研究热点。

发明内容

针对现有技术的空白，本发明的目的在于提供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分割方法，该方法通过特殊的预处理策略，得到血管结构与背景较大色差的图像，增强血管结构的特性，同时抑制背景，并采用多通道U-Net充分利用了图像中的颜色信息为后续的血管精确提取奠定了基础。同时，采用多尺度均衡化采样随机拼接策略扩充了样本数量、提高了训练数据的多样性和鲁棒性，避免了因样本数据量不充分而导致过模型训练过拟合问题，为进一步高精度血管分割提供了保障。

首先，对数据进行直方图均衡化结合特性值伽马矫正预处理，提高血管与背景色彩差异；然后，采样多尺度固定中心点的均衡化图像块划分方式进行采样后对图像块进行随机拼接处理进而扩充图像数据；最后，通过对色彩敏感的三通道U-Net网络进行模型训练，生成视网膜血管分割模型以实现对视网膜血管的精准分割。本方法在分割网络上，选用了支持三色彩分量输入的U-Net架构，构建彩色敏感的多通道U-Net全卷积网络。因此，在预处理上，先使用了对三个色彩分量均进行直方图均衡化并调整伽马值收缩均衡化的直方图，提高色彩差异；多尺度均衡化采样进一步增强训练集的多样性和鲁棒性，防止因数据量不充分而导致过模型训练拟合问题，使得算法在精度，灵敏度，以及特异性以及AUC上获得较大优势。

本发明具体采用以下技术方案：

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。

优选地，步骤S2具体包括以下步骤：