[发明专利]一种视网膜血管智能分割方法

说明书

本发明提供一种视网膜血管智能分割方法，其特征在于，包括：获取给定的视网膜图像样本集，对视网膜图像样本集进行预处理得到预处理数据集；按照比例将预处理数据分为训练集和测试集；分别针对训练集中视网膜图像，通过特征提取网络获得视网膜图像所对应的尺度特征信息，进一步针对尺度特征信息计算其分别对应的分割难易程度；以视网膜图像和分割难易程度作为网络源头输入，视网膜图像对应的基准血管分割图像为输出，结合自适应优化算法和预设损失函数，应用视网膜图像，针对目标神经网络进行训练，获得视网膜血管分割网络模型；根据视网膜图像和视网膜血管分割网络模型对视网膜图像进行分割。

技术领域

本发明涉及图像分割技术领域，尤其涉及一种视网膜血管智能分割方法。

背景技术

精确的视网膜血管分割在临床眼科疾病的早期识别中起着至关重要的作用。国内外研究人员提出了越来越多基于深度学习的智能分割方法，一直致力于提升血管分割性能，但是视网膜血管结构复杂和缺乏精确标记的视网膜图像，这些都对视网膜血管分割造成了巨大挑战。由于视网膜图像的特殊性，B超、核磁、以及CT等图像并没有显示自然图像那样清晰，边界很模糊，对比度差。其次，视网膜图像噪声点相对较多，不同个体呈现出的噪声信号也不稳定。

因此，视网膜图像广泛使用U型卷积神经网络，进行图像分割，U型卷积神经网络由于其多尺度获取信息和跳跃连接的特点，不断的下采样过程中不断的降低分辨率以获得不同尺度的图像信息，整个网路完成了“由细到粗”特征的提取与组合，使U型卷积神经网络得到的信息更加全面。同时在判断目标大体区域内添加细节信息，这种操作同样使U型卷积神经网络获得更准确的分割结果。但是传统的U型卷积神经网络分割图像运行速度较慢，因此本发明设计了一种视网膜血管智能分割方法。

发明内容

基于此，有必要针对上述技术问题，提供一种视网膜血管智能分割方法，其特征在于，包括：

获取给定的视网膜图像样本集，对所述视网膜图像样本集进行预处理得到预处理数据集；按照预设比例将预处理数据集分为视网膜血管分割网络模型的训练集、以及用于测试视网膜血管分割网络模型的测试集；其中，所述视网膜图像样本集包括：视网膜图像和基准血管分割图像；

分别针对训练集中视网膜图像，通过预设的特征提取网络获得视网膜图像所对应的尺度特征信息，且进一步针对尺度特征信息计算其分别对应的分割难易程度；

以各幅视网膜图像和分割难易程度作为网络源头输入，视网膜图像对应的基准血管分割图像为输出，结合自适应优化算法和预设损失函数，应用各幅视网膜图像，针对目标神经网络进行训练，获得视网膜血管分割网络模型；

根据所述视网膜图像和视网膜血管分割网络模型对所述视网膜图像进行分割。

在其中一个实施例中，一种视网膜血管智能分割方法，还包括：所述目标神经网络为卷积神经网络模型，包括：编码部分和解码部分，所述编码部分和所述解码部分由跨层结构连接；其中，所述编码部分包括：高度轴注意力层和宽度轴注意力层。

在其中一个实施例中，对所述视网膜图像样本集进行预处理得到预处理数据集，包括：

对所述视网膜图像样本集进行灰度变换、标准化、自适应直方图均衡化、伽马矫正和剪裁，得到预处理数据集。

在其中一个实施例中，分别针对训练集中视网膜图像，通过预设的特征提取网络获得视网膜图像所对应的尺度特征信息，包括：

获取随机初始值，通过所述随机初始值和预设的特征提取网络获得视网膜图像所对应的尺度特征信息。

在其中一个实施例中，且进一步针对尺度特征信息计算其分别对应的分割难易程度，包括：

通过相似度公式计算不同随机初始值的尺度特征信息两两之间的相似度；

通过如下公式计算不同随机初始值的尺度特征信息的平均值：