[发明专利]视网膜血管分割方法及装置、电子设备和存储介质

说明书

本公开提供一种视网膜血管分割方法及装置、电子设备和存储介质。方法包括：获取眼底图像，将眼底图像划分为训练集和测试集，对训练集和测试集中的眼底图像进行对应的预处理操作；分别构建分割网络和判别网络；将训练集中的标记眼底图像输入分割网络进行训练，训练预设轮次后，将训练集中的无标记眼底图像输入分割网络，交替训练分割网络和判别网络，得到训练好的视网膜血管分割模型；将待分割的眼底图像输入视网膜血管分割模型，得到分割后的输出图像；将所有的输出图像进行拼接，得到视网膜血管分割结果图。可以自动、准确地提取出眼底图像中的视网膜血管，分割结果包含血管的微小细节，图像的细节信息更丰富，可供临床辅助诊断。

技术领域

本公开属于医学图像处理技术领域，具体涉及一种视网膜血管分割方法及装置、电子设备和存储介质。

背景技术

视网膜血管是眼球的重要组成部分，其血管网络形态等很多特征能直接反映出一些疾病。尤其以糖尿病、高血压等慢性疾病以及各种视网膜血管性疾病等眼科疾病为例，这类疾病会在一定程度上造成视网膜血管的形变（如血管的直径、粗细等特征的变化），并引发眼底血管的出血、水肿、硬化、渗出以及血管瘤样改变等，从而反映出人体的一些已知或未知的病变及其性质特点和程度。同时，视网膜疾病治疗（如视网膜光凝）时需要避开正常的视网膜血管，精准地分割血管是目前正在开发中的全智能视网膜激光的基础性技术，可以减少激光治疗对正常视网膜血管的损伤。因此，对视网膜血管进行分割，获取视网膜血管形态学分析结果在这类疾病的诊断和治疗过程中扮演着非常重要的角色。

然而，由于在三维成像中，视网膜血管的拓扑结构十分复杂，细微分支极多，呈现树形结构，且动脉和静脉之间彼此独立，不会出现重合现象。而呈现在二维眼底图像中，不可避免地丢失了第三维度信息，使得图像中的血管出现了形似交叉、缠绕等现象。此外，在医学成像设备获取眼底图像的过程中，也会由于噪声的存在、不均匀光照、细微血管处血管与背景对比度较差等因素，引起一定程度上的失真。因此，开发一种能精确分割出视网膜血管的方法成为了近些年医学图像处理领域的研究热点。

目前针对视网膜血管的分割大多采用传统方法和基于全监督机器学习的方法。但是，传统方法，如基于匹配滤波的方法，其性能取决于模板与血管之间的匹配程度，会受到诸如血管中心光反射、半径变化、病变干扰等因素的影响，使得传统方法虽然能让视网膜血管分割的灵敏度达到可接受的范围，但特异性普遍尚有待提高。而基于全监督机器学习的视网膜血管分割方法，其分割性能依赖于大量的带有标签的标记数据。然而，在实际应用中，由于注释医学图像，尤其是拓扑结构复杂的视网膜血管，需要有经验的临床专家花费大量的时间，因此标记数据往往十分稀少，导致基于全监督机器学习的视网膜血管分割方法难以有效应用在实际临床中。

发明内容

本公开旨在至少解决现有技术中存在的技术问题之一，提供一种视网膜血管分割方法及装置、电子设备和存储介质。

本公开一方面，提供一种视网膜血管分割方法，包括：

获取眼底图像，将所述眼底图像划分为训练集和测试集，对所述训练集和所述测试集中的眼底图像进行对应的预处理操作；其中，所述训练集中包含标记眼底图像和无标记眼底图像；

分别构建分割网络和判别网络；

将所述训练集中的标记眼底图像输入所述分割网络进行训练，训练预设轮次后，将所述训练集中的无标记眼底图像输入所述分割网络，交替训练所述分割网络和所述判别网络，得到训练好的视网膜血管分割模型；

将待分割的眼底图像输入所述视网膜血管分割模型，得到分割后的输出图像；

将所有的输出图像进行拼接，得到视网膜血管分割结果图。

在一些实施方式中，所述预处理操作，包括：

对所述眼底图像进行滤波，再进行灰度变换、标准化、对比度受限的自适应直方图均衡化以及伽马变换，突出血管区域，得到去除噪声和增强后的眼底图像；