[发明专利]基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分割方法

权利要求书

1.一种基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分割方法，其特征在于：包括以下步骤：

S1.对视网膜血管图像进行预处理，并输出预处理后的图像信息；

S2.将预处理后的图像信息输入到卷积神经网络CNN中，由卷积神经网络CNN输出高维特征图e和粗分割结果g；并基于粗分割结果确定出潜在误分割区域作为感兴趣区域；

S3.基于感兴趣区域和高维特征图e构造图数据，并将图数据的图节点集和邻接矩阵输入至残差图卷积网络中进行处理；

S4.将残差图卷积网络输出的结果中的节点预测值覆盖粗分类结果图中对应像素的值，从而得到最终细化后的视网膜血管分割结果。

2.根据权利要求1所述基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分割方法，其特征在于：步骤S2中，通过如下方法确定误分割区域作为感兴趣区域：

采用无监督形态学方法从粗分割结果g中提取出血管的轮廓区域C(x)；

通过卷积神经网络CNN中的模型F计算图像信息中的期望值E(x)：

其中：T表示卷积神经网络CNN的总迭代次数，θ_t为第t次迭代时卷积神经网络CNN的参数；g()为经过卷积神经网络CNN的softmax函数得到的预测值，F(x)表示模型F的函数；

计算卷积神经网络CNN的模型F的不确定度U(x)：

其中：E(x)^c表示像素x属于类别c的概率，M表示卷积神经网络CNN的分类数；

将不确定大于不确定度阈值的像素确定为高不确定度区域U_h(x)，并构建感兴趣区域的范围ROI(x)：

ROI(x)＝U_h(x)∪C(x)。

3.根据权利要求2所述基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分割方法，其特征在于：通过如下方法构造图数据G：

以感兴趣区域的范围ROI(x)内的每一个像素构造一个图节点n_i：

n_i＝[μ_i||g_i||e_i]，其中：μ_i为感兴趣区域的范围ROI(x)内第i个像素的灰度值，g_i为卷积神经网络CNN对感兴趣区域的范围ROI(x)内第i个像素的粗分割结果，e_i为感兴趣区域的范围ROI(x)内第i个像素的高维特征信息，且e_i为卷积神经网络CNN经过softmax函数前最后一层的特征输出，||为通道拼接操作；

图节点集为G＝(V,A),其中，V为图数据中的节点，

V＝[n₁,n₂,…,n_i,…n_N]^T，N表示ROI(x)中像素的总数，n_i表示第i个节点，以ROI(x)中的每一个像素x作为一个图节点；A表示邻接矩阵。

4.根权利要求3所述基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分割方法，其特征在于：通过如下方法确定邻接矩阵A：

A＝[a_i,j]_N×N；

其中：

表示节点n_i和节点n_j之间的KL散度；exp(-||μ_i-μ_j||)表示节点n_i和节点n_j像素灰度值差异；D_i,j表示节点n_i和节点n_j之间的欧式距离。