基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112085745A(43)申请公布日2020.12.15(21)申请号202010931829.9G06N3/08(2006.01)(22)申请日2020.09.07(71)申请人福建农林大学地址350002福建省福州市仓山区上下店路15号(72)发明人魏丽芳张天一张婷杨长才周术诚陈日清(74)专利代理机构福州元创专利商标代理有限公司35100代理人丘鸿超蔡学俊(51)Int.Cl.G06T7/11(2017.01)G06T7/194(2017.01)G06T5/40(2006.01)G06N3/04(2006.01)权利要求书1页说明书4页附图1页(54)发明名称基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法(57)摘要本发明提出一种基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，包括以下步骤：步骤S1：对原始彩色视网膜图像采用三通道直方图均衡化并结合特性值伽马矫正进行预处理；步骤S2：构建多尺度均衡化划分采样点后进行图像块随机拼接扩充数据样本；步骤S3：将图像数据归一化；步骤S4：将归一化后的图像数据输入视网膜血管分割模型进行视网膜血管网络分割；所述视网膜血管分割模型由训练集产生的归一化后的图像数据通过对色彩敏感的三通道U‑Net全卷积网络进行训练获得。其在精度，灵敏度，以及特异性以及AUC上有较大优势。CN112085745ACN112085745A权利要求书1/1页1.一种基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，其特征在于，包括以下步骤：步骤S1：对原始彩色视网膜图像采用三通道直方图均衡化并结合特性值伽马矫正进行预处理；步骤S2：构建多尺度均衡化划分采样点后进行图像块随机拼接扩充数据样本；步骤S3：将图像数据归一化；步骤S4：将归一化后的图像数据输入视网膜血管分割模型进行视网膜血管图像分割；所述视网膜血管分割模型由训练集产生的归一化后的图像数据通过对色彩敏感的三通道U-Net全卷积网络进行训练获得。2.根据权利要求1所述的基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，其特征在于：步骤S2具体包括以下步骤：步骤S21：根据给定图像块的大小，确定图像中能够不重复地分割的图像块的数量；步骤S22：计算每个图像块的固定中心点坐标，将图像分成等量图像块；步骤S23：从图像块列表中随机取出一定数量图像块拼接成与原来大小相同的新图像。3.根据权利要求1所述的基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，其特征在于：所述对色彩敏感的三通道U-Net全卷积网络在采用U-Net网络模型架构的基础上，采用三通道输入学习每一个色彩分量上信息，并增加了Padding保证输入图像与输出图像结构特性上的一致性；网络结构对三个色彩分量都有独立卷积核，网络包含卷积层和RELU激活函数，池化层，上采样和短连接；图像经过网络处理后，生成通道为1的二值化与原图相同大小的预测分割图像，所述预测分割图像用于与真实分割图像计算损失函数输出值。4.根据权利要求3所述的基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，其特征在于：所述对色彩敏感的三通道U-Net全卷积网络使用二分类交叉熵损失函数，像素点的映射采用Sigmoid函数，损失函数表示为：其中，P0表示在真值图下像素点为血管结构的像素点概率，P1表示在真值图下像素点为非血管结构的像素点概率，N为总像素数，为像素点在Sigmoid函数映射下输出为血管像素的概率，为像素点在Sigmoid函数映射下输出为非血管像素的概率。2CN112085745A说明书1/4页基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法技术领域[0001]本发明涉及生物医学图像处理领域，尤其涉及一种基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法。背景技术[0002]通过对视网膜血管状态的观察，医生可以无创、非入侵地获取人体的部分状态信息，进一步地可以对疾病的诊断起到辅助的作用。而视网膜血管的信息一般都需要通过视网膜图像分割技术来进行提取，这就属于一种图像处理的问题。[0003]现有的视网膜图像分割大致有两大类：(1)基于无监督的视网膜图像分割。无监督类方法是在眼底图像中找到血管的自身固有模式来确定像素点是否属于血管。算法本身不依赖于训练数据或人工标记黄金标准。如多尺度的匹配滤算法和聚类算法。(2)基于有监督的视网膜图像分割；在监督类方法中，血管提取的规则是在人工标记的训练集的基础上通过算法进行学习并对测试图像进行分割。作为金标准的血管结构由眼科专家精确地标记。监督类方法是基于预分类的数据而设计的，其