一种基于深度学习自适应权重的视网膜血管分割方法.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CN107292887A(43)申请公布日2017.10.24(21)申请号201710469436.9(22)申请日2017.06.20(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人程洪徐宏罗院生杨路(74)专利代理机构成都信博专利代理有限责任公司51200代理人张辉(51)Int.Cl.G06T7/10(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书7页附图4页(54)发明名称一种基于深度学习自适应权重的视网膜血管分割方法(57)摘要本发明公开了一种基于深度学习自适应权重的视网膜血管分割方法，包括：对视网膜血管图像进行样本扩充，并对样本进行分组；构建血管分割全卷积神经网络，用训练样本对网络进行预训练，对视网膜血管图像进行全局自适应权重分割，得到视网膜血管分割初始模型参数；在网络层最后添加条件随机场层，对网络进行调优；采用轮换测试的方法将测试样本输入网络，得到视网膜血管分割结果图。本发明提出的血管分割全卷积神经网络结构和自适应权重方法能够实现人眼级别的图像分割，在DRIVE和CHASE_DB1两个国际公开视网膜图像数据库上进行测试，平均准确率分别达到了96.00％和95.17％，均高于目前最新的算法。CN107292887ACN107292887A权利要求书1/1页1.一种基于深度学习自适应权重的视网膜血管分割方法，其特征在于，包括以下步骤：步骤1：对数据库中的视网膜血管图像进行样本扩充，并对扩充后的样本进行分组；步骤2：在Caffe库中构建血管分割全卷积神经网络，将视网膜血管图像训练样本作为血管分割全卷积神经网络的输入，对神经网络进行预训练，对视网膜血管图像进行全局自适应权重分割，得到视网膜血管图像分割预训练的初始模型参数；所述血管分割全卷积神经网络由9个神经网络块组合而成，每3个神经网络块形成一组，每组内的参数一致；每个神经网络块有三个不同的分支，第一分支直接由输入连接输出结果，形成了快捷连接，第二分支使用带孔的卷积，扩大感受野，第三分支用于学习抽象的特征；步骤3：在网络层最后添加条件随机场层，对网络进行调优；条件随机场能量函数包括一元能量项和二元能量项，其中一元能量项是基于每个像素属于各个类别的概率，二元能量项是基于图像中任意两像素之间的灰度值差异和空间距离的能量；步骤4：采用轮换测试方法将测试样本输入血管分割全卷积神经网络，得到视网膜血管图像分割结果图。2.如权利要求1所述的一种基于深度学习自适应权重的视网膜血管分割方法，其特征在于，在步骤1中，对视网膜血管图像进行扩充处理，具体包括上下平移、左右平移、旋转90°、旋转180°、旋转270°、上下对称变换、左右对称变换和亮度变换。3.如权利要求1所述的一种基于深度学习自适应权重的视网膜血管分割方法，其特征在于，所述步骤4中，轮换测试方法具体为：对数据进行分组，每5张图片作为一组；当其中一组作为测试数据时，另外所有样本都作为训练数据训练一个模型，用训练的模型测试此5张图片；以此类推，所有图片都能被测试到。4.如权利要求1所述的一种基于深度学习自适应权重的视网膜血管分割方法，其特征在于，所述步骤2中的全局自适应权重分割，其针对视网膜血管图像分割结果中的误分割像素动态地分配较大的权重，对正确分割的像素分配较小的权重，随着迭代的进行不断更新像素在损失函数中的权重。2CN107292887A说明书1/7页一种基于深度学习自适应权重的视网膜血管分割方法技术领域[0001]本发明涉及医学图像处理领域，特别涉及一种基于深度学习自适应权重的视网膜血管分割方法。背景技术[0002]视网膜可作为常见疾病，如高血压、糖尿病等重要检测指标，多年来一直是国内外研究的热点。基于计算机的眼底血管自动提取、测量与分析技术，在医学诊断中有着重要的应用价值。[0003]视网膜血管图像的分割方法主要分为两大类：基于规则和基于学习。[0004]基于规则的方法主要是是利用视网膜图像中血管的特性，设计相应的滤波器完成增强血管特征和抑制背景噪声任务，通常由预处理、分割、后处理三个部分组成。Chaudhuri等人提出了采用高斯曲线估计视网膜血管的灰度值，设计了12个不同方向的匹配滤波器对血管进行增强处理。Al-Rawi等人使用一组参数{L,σ,T}构造了12个模板，沿着不同方向对视网膜图像进行滤波，然后选择出最佳响应，通过遗传算法优化该方法能达到最大的平均准确率为94.22％。Azzopardi等人提出了引入B-COSFIRE滤波器有方向选择性地检测血管，平均准确率为94.42％。匹配滤波器的方法能够很好地检测到血管状物体，但是该方法