[发明专利]一种自适应尺度信息的U型视网膜血管分割方法

摘要

本发明涉及一种自适应尺度信息的U型视网膜血管分割方法，包括视网膜血管图像预处理；构建视网膜血管分割模型二步骤。本发明能有效地解决相邻血管易相连、微血管过宽、细小血管易断裂、血管交叉处分割不足以及对图像噪声过于敏感、目标与背景灰度值交叉、视盘与病灶误分割等问题。本发明在较低复杂度的情况下融合多种网络模型，在DRIVE数据集上取得优异的分割结果，其准确率和灵敏度分别为97.48％和85.78％。ROC曲线值达到98.72％，已达到现在医疗实际应用的水准。

主权项

1.一种自适应尺度信息的U型视网膜血管分割方法，其特征是：包括以下步骤：步骤A01，视网膜血管图像预处理：首先利用二维K‑L变换方法综合分析视网膜图像的RGB三通道的频带信息，获取第一主分量作为主要研究对象；然后利用多尺度形态学Hot‑top滤波提升视网膜图像微小血管的多尺度亮、暗细节特征，并平滑去噪；步骤A02，构建视网膜血管分割模型：首先在U‑net模型中引入局部信息熵采样方法将视网膜图像划分为含血管信息量丰富的块状图像，有助于增加训练集，解决算法过拟合的问题；编码部分引入DenseNet网络DenseBlock结构，并且在DenseBlock结构嵌入可变形卷积层Deformable Convolutional，这样不仅能有效地学习金标准提供的特征信息，而且具有自适应血管形态结构和尺度信息能力，使得算法更鲁棒地提取血管复杂结构的特征信息；同时DenseBlock结构能充分利用每层可变形卷积的前后输出层特征图的结构信息，以降低特征提取时的网络参数复杂度，进一步克服原始U‑net网络存在对底层卷积层血管特征信息利用不全的现象；其次，在U型模型底部引入金字塔型空洞卷积，通过设置不同扩张率有助于空洞卷积捕捉血管的局部或者全局特征信息，同时在增加网路整体的感受野信息情况下不增加算法的复杂度；在解码部分引入带有注意模型Attention Model的反卷积网络；注意门模型Attention gates，简称AGs，AGs可以根据金标准图像g_τ特征信息增加经编码处理后训练图像x'_τ^l血管的权重特征，能有效捕捉到血管的全局或者局部特征信息，并且过滤背景伪影、硬性渗出物、视盘和黄斑，提升反卷积层对血管图像信息的恢复和特征整合的性能，并结合U‑net自身具有将高层信息与底层信息相结合的优点，有利于降低解码操作在恢复图像细节信息时，因信息恢复不全而造成的微血管断裂和分割不足的现象；最后，由Softmax激活函数进行血管与背景像素分类，以实现视网膜血管精分割；所述的视网膜血管图像预处理包括以下子步骤：步骤A01.1，利用二维K‑L变换分析图像的统计信息来减少由颜色频带之间组成的数据维度，同时尽可能地保留数据集中主要的血管空间尺度信息；对于原始三通道图像x＝(x_R,x_G,x_B)^T，频带之间信息是不相关的，故将原始颜色频带分量转换到主分量P＝(p₁,p₂,p₃)空间并创建三个新通道R′,G′,B′，相当于将原始RGB坐标系的中心点移到点分布的中心位置；原始图像x＝(x_R,x_G,x_B)^T经K‑L变换得到图像I_k，其定义如下：式(1)中，为x的协方差矩阵的特征向量矩阵，T为转置符号；k＝1,2,3；为了找到图像三通道的主分量P＝(p₁,p₂,p₃)，并得到特征向量矩阵，需要将数据进行协方差对角化，故定义协方差矩阵C(i,j)为：式(2)中，x_i(m,n)和x_j(m,n)分别为像素点(m,n)在i和j频带的值；x_i0和x_j0分别为i和j频带的平均值；由于眼底视网膜图像有R、G和B三个频带，故i,j＝1,2,3；N为像素个数；步骤A01.2，由多尺度形态学Top‑Hot变换进行血管图像的整体增强，同时提取视网膜血管的微血管信息；通过控制图像边缘信息控制因子γ_a，调整相邻血管像素尺度的差值，降低视盘与黄斑特征信息的干扰，提高视网膜图像微小血管的多尺度亮、暗细节特征；多尺度形态学Top‑Hot模型定义如下：式(3)中，N为视网膜图像像素索引；λ为视网膜图像边缘增强因子；I_d为输出图像；Dop_a与Dcl_a分别为视网膜图像血管的亮与暗细节特征；控制因子γ_a的值由下式给出：式(4)中，Sigmoid为激活函数；e_a是视网膜图像膨胀与腐蚀之差；e_amax与e_amin分别为e_a的最大值与最小值；γ_a的变化主要由视网膜图像的梯度信息决定；m，n为图像邻域像素值；步骤A01.3，采用48×48的滑动窗口根据金标准局部块状所提供的目标特征信息确定训练图片局部区域的标签，并通过局部信息熵采样的方法捕捉预处理图像中的信息熵最高的块状部分，确保局部块状中含有目标特征信息；其图像信息熵H定义如下：式(5)中，h为灰度级，q_h为在灰度级h下的概率。