[发明专利]一种基于多尺度密集网络的视网膜血管分割方法

说明书

本发明公开了一种基于多尺度密集网络的视网膜血管分割方法，方法涉及计算机视觉技术和医学图像处理领域，包括：对数据集中的原始彩色视网膜血管图像进行预处理；对预处理之后的视网膜血管图像进行数据增强；基于编码解码结构构建多尺度密集网络模型；将数据增强后的眼底图像数据导入眼底图像分割模型中进行训练，获取训练完成的权重，进一步对视网膜血管图像进行分割，最终获取到分割结果。本发明针对视网膜血管分割提出的新的全卷积神经网络结构，解决了对于细小血管的分割以及血管边缘模糊的问题，提升了分割精度。相比于现存算法，具有一定的先进性。

技术领域

本发明涉及计算机视觉技术和医学图像处理领域，具体涉及一种基于多尺度密集网络的视网膜血管分割方法。

背景技术

临床医学中眼底图像能反映多种疾病的早期症状，例如高血压、糖尿病等。眼科医生可以通过观察视网膜血管形态实现对疾病的初期诊断。由于视网膜血管形态复杂，同时不同的医生在手动分割血管图像时带有主观性，因此设计一种视网膜血管自动分割方法对于辅助医生提高诊断速度和效果具有重要意义。

精确的视网膜血管分割是彩色眼底图像处理中的一个具有挑战性的问题，目前视网膜血管的分割通常是由人工进行手动分割的，这项工作效率低下且精度不高。眼底血管分支的细微末端与背景的对比度低、以及视杯视盘等生理结构的影响，使得血管分割任务面临难题。由于眼底血管形态本身具有复杂性，特别是眼底图像中的毛细血管的分割极易受到光照和噪声的影响。

现阶段，能够实现眼底血管自动分割的方法主要可以分为两种，一种是基于无监督的方法，一种是基于有监督的方法。基于无监督的视网膜血管分割方法属于比较传统的图像处理算法，其显著特点为分割过程中无须样本标签。与之相对应的是基于有监督和特征工程的机器学习以及深度学习的分割方法。当前医学图像处理领域深度学习已成为主流方法，它相较于机器学习避免了人工提取特征的过程，使得最终获取到的分割结果更加精准客观。

发明内容

本发明的目的是为了解决现存的基于深度学习的视网膜血管分割模型对于细微血管的分割不够精准且易出现误分割的问题，提出一种基于多尺度密集网络的视网膜血管分割方法，无需复杂的后处理方法，实现了端到端的眼底图像分割，取得了很好的效果。

本发明的目的可以通过采取如下技术方案实现：

一种基于多尺度密集网络的视网膜血管分割方法，包括以下步骤：

S1：对数据集中的原始彩色视网膜血管图像进行预处理；

S2：对预处理之后的视网膜血管图像进行数据增强；

S3：基于编码解码结构构建多尺度密集网络模型；

S4：将数据增强后的眼底图像数据导入眼底图像分割模型中进行训练，获取训练完成的权重，进一步对视网膜血管图像进行分割，最终获取到分割结果。

进一步地，所述的步骤S1中的预处理包括灰度变换、标准化、对比度受限直方图均衡化和伽马矫正的预处理操作。

灰度变换是对每一幅彩色视网膜血管图像进行通道加权，根据公式Gray＝0.299*R+0.587*G+0.114*B，将彩色眼底图像转换为灰度图像。然后对灰度图像进行数据标准化，具体方式是将整体数据减去均值，再除以方差，从而提高优化器迭代求解的收敛速度和精度。经过数据标准化之后的图像数据，再通过对比度受限的直方图均衡化，达到有效限制噪声放大的前提下，增强眼底图像对比度的作用。最后，本发明采用伽马值为1.2的伽马校正对图像进行非线性色调编辑，提升图像中高、低灰度值的占比，达到增大对比度的效果。

进一步地，所述的步骤S2中，数据增强的具体实现方式为：以固定分辨率在经过预处理之后的图像上进行随机裁剪、水平翻转、垂直翻转、随机旋转。分辨率允许在实验中根据分割效果进行动态调整，图像块可以在原图的任意位置随机提取，能够有效扩增用于训练的样本数量。