[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

说明书

本发明提供的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，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。

技术领域

本发明涉及一种图像处理方法，尤其涉及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。

背景技术

视网膜血管图像是视网膜健康状况评估的重要依据，因此，需要获取到准确的视网膜血管图像，对于视网膜血管图像的分割，虽然现有技术中具有CNN(卷积神经网络)来实现，但是，现有的方法容易导致血管分割的结构特征缺乏，从而使得最终的分割结果精度低。

因此，为了解决上述技术问题，亟需提出一种新的技术手段。

发明内容

有鉴于此，本发明的目的是提供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，能够对视网膜血管图像的空间结构特征进行充分提取，从而能够准确的将视网膜血管图像血管特征进行提取，缓解图像中血管出现断连情况，而且整个算法适应能力强，无需对现有的卷积神经网络进行修改，具有高移植性。

本发明提供的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，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。

进一步，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)。

进一步，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：