[发明专利]一种基于卷积神经网络的视盘分割方法在审
申请号: | 202211084181.1 | 申请日: | 2022-09-06 |
公开(公告)号: | CN115331011A | 公开(公告)日: | 2022-11-11 |
发明(设计)人: | 刘思语;管军霖;何宇翔;王小龙;廖思贤 | 申请(专利权)人: | 桂林电子科技大学 |
主分类号: | G06V10/26 | 分类号: | G06V10/26;G06V10/30;G06V10/82;G06V10/80;G06V10/764;G06N3/04;G06N3/08 |
代理公司: | 桂林市华杰专利商标事务所有限责任公司 45112 | 代理人: | 罗玉荣 |
地址: | 541004 广*** | 国省代码: | 广西;45 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 卷积 神经网络 视盘 分割 方法 | ||
1.一种基于卷积神经网络的视盘分割方法,其特征在于,包括如下步骤:
1)定义TU-Net网络:TU-Net网络由U-Net网络和AU-Net组成;
2)搭建U-Net网络:网络模型结构呈现U型对称设有编码路径和解码路径,编码路径由四个Down-Conv模块组成,每个Down-Conv模块设有两个由3×3卷积和ReLU线性激活函数组成的Conv卷积层和一个用于下采样的2×2最大池化层,解码路径由4个Up-Conv模块组成,每个Up-Conv模块由一个用于上采样的反卷积层和两个卷积层组成,每个Down-Conv模块和Up-Conv模块由跳转连接层进行连接,跳转连接层令U-Net网络能够融合底层特征和高层特征,使得在最终输出的特征图中包含原始输入图片的不同层次的特征;
3)依据输出的标注图像对视盘进行定位:通过U-Net网络得到一幅特征图像、该特征图像大致确定视盘区域,对该特征图像进行边缘检测处理,依据得到的边界信息求出区域中心坐标,中心坐标即为视盘在原始视网膜图像中的大致位置;
4)依据步骤3)得到的坐标信息对数据集中的视网膜图像和与该图像对应的标注图像进行裁剪并对图像进行预处理,包括:
4-1)裁剪:依据步骤3)得到的的视盘定位信息,裁剪出一幅大小为200x200的图像、该图像的中心为视盘区域;
4-2)图像预处理:首先采用限制对比度自适应直方图均衡化CLAHE算法对提取B通道的彩色眼底图像进行图像增强处理,再采用形态学闭运算对增强后的图像进行处理,最后对输出图像和与经过步骤4-1)裁剪得到的与输入图像对应的标注图像进行极坐标变换,图像预处理过程如图4所示;
5)构建AU-Net网络:AU-Net网络由4个Res-Conv卷积块构成解码路径,由4个Up-Conv模块构成编码路径,Up-Conv模块与步骤1)中U-Net网络中解码模块一致,AU-Net在编码路径采用Res-Conv卷积模块代替传统的编码模块,Res-Conv模块采用ResNet网络思想,每个Res-Conv模块和Up-Conv模块由跳转连接层进行连接,跳转连接层使网络能够融合底层特征和高层特征,使得在最终输出的特征图中包含了图片的不同层次的特征,AU-Net在跳转连接上采用注意门AGs;
6)设置训练策略:采用SGD优化算法,设置批量处理大小BatchSize为4、训练周期epoch为200、初始学习率为0.001;
7)设置损失函数:采用结合交叉熵和Dice损失的损失函数作为本文的损失函数来进行网络训练,视盘分割问题被视为像素点的二分类问题,引入Dice损失函数作为损失函数的一部分,交叉熵函数如公式(1)所示:
其中yi是第i个像素的标签,视盘为1,背景为0,pi表示第i个像素预测为视盘的概率,Dice损失函数如公式(2)所示:
其中|A|和|B|分别表示Ground truth和Predict mask的数量,损失函数如公式(3)所示:
8)训练网络和更新参数:根据步骤6)设置好的训练策略训练AU-Net网络,AU-Net网络采用反向传播算法对AU-Net网络中的权重和偏置进行更新,在训练过程中用损失函数动态维护;
9)将输出的图像进行图像后处理:首先需要对输出的预测图像进行逆极坐标变换得到笛卡尔坐标系下的预测图像,再根据定位信息,将输出的预测图像尺寸还原成原始图像大小;
10)设置评价标准:评价网络模型分割效果选用准确性Acc、特异性Spe、敏感性Se和F1-Score来评价,它们的计算公式分别如公式(4)、公式(5)、公式(6)、公式(7)和公式(8)所示:
TP、TN、FP、FN分别表示真阳性、真阴性、假阳性和假阴性,其中TP表示预测是视盘且真实也是视盘的像素点个数;TN表示预测是背景且真实也是背景的像素点个数;FP表示预测是视盘且真实是背景的像素点个数;FN表示预测是背景且真实是视盘的像素点个数;
11)评估网络模型:将采用本技术方案预测出的视盘分割图像与步骤1)中的数据集中的标注图像进行对比,依据评价标准评价模型的性能。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于桂林电子科技大学,未经桂林电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211084181.1/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种造数流程的配置方法及装置
- 下一篇:再造烟叶质量波动原因分析方法