[发明专利]一种基于卷积神经网络的视盘分割方法

说明书

本发明公开了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；2）搭建U‑Net网络；3）依据输出的标注图像对视盘进行定位；4）对图像进行预处理；5）构建AU‑Net网络；6）设置训练策略；7）设置损失函数；8）训练网络和更新参数；9）将输出的图像进行图像后处理；10）设置评价标准。这种方法实现简单，普适性强，可以减少眼底图像噪声影响。

技术领域

本发明涉及计算机视觉领域及图像处理领域，具体是一种基于卷积神经网络的视盘分割方法。

背景技术

视网膜图像特征复杂，且彩色眼底图像往往存在光照不均匀和血管中心反射问题，这使得视盘界限与背景的对比度低，现有的方法往往会受到外界噪声影响，导致分割视盘不准确，所以研究一种精确、高效的视盘分割方法是十分重要的。

2010年以来，深度学习在计算机视觉领域的巨大成功，以卷积神经网络(CNN)为基础的图像语义分割方法取得了突破性的进展。相比于人眼观测，CNN能自动从图像中提取出更深的特征，因此CNN在图像分割方面有着明显优势。基于深度学习的图像分割算法中，U-Net在医学图像分割领域内具有重要的意义。许多研究人员基于U-Net网络提出了大量U-Net变体结构。文献IEEE transactions on medical imaging,2019.38(10):p.2281-2292提出了CE-Net：使用多分支卷积来提取不同感受域的特征，并且在编码器中迁移ResNet，加快了训练速度；Zhuang,J.提出了LadderNet：在每对相邻的解码器和每一级的解码器分支之间都加入了跳跃连接，并使用权值共享来减少参数量，但是计算成本并没有减少；Li,H.,et al.提出了一种金字塔注意力网络：结合注意力机制和空间金字塔用于提取精确特征；Al-Bander,B.,et al提出了一种结合全卷积网络和DenseNet网络的视盘和视杯联合分割方法，该方法可以很好的分割出视盘区域，但是有训练时间较长的缺点。

发明内容

本发明的目的是针对现有技术得不足，而提供一种基于卷积神经网络的视盘分割方法。这种方法实现简单，普适性强，可以减少眼底图像噪声影响。

实现本发明目的的技术方案是：

一种基于卷积神经网络的视盘分割方法，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卷积层Conv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了图片的不同层次的特征，从而提高了模型的分割准确性；U-Net网络的作用：U-Net网络可以大致定位视盘位置，采用U-Net网络可以得到一张与原图大小相同的分割图；

3)依据输出的标注图像对视盘进行定位：通过U-Net网络可以得到一幅特征图像，该特征图像大致确定了视盘区域，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)得到的坐标信息对原始的视网膜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；