一种基于改进U-Net网络的视网膜图像血管分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114881962A(43)申请公布日2022.08.09(21)申请号202210477599.2(22)申请日2022.04.28(71)申请人桂林理工大学地址541004广西壮族自治区桂林市七星区建干路12号(72)发明人程小辉李贺军黎辛晓(51)Int.Cl.G06T7/00(2017.01)G06T7/11(2017.01)G06T5/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G06T5/40(2006.01)权利要求书1页说明书5页附图5页(54)发明名称一种基于改进U-Net网络的视网膜图像血管分割方法(57)摘要本发明提出了一种基于改进U‑Net网络的视网膜血管分割方法。通过对彩色眼底图像进行图像增强，提高图像中血管与背景之间的对比度，同时扩增训练数据集。以U‑Net编码器‑解码器结构为基本分割框架，设计密集卷积块和CDBR层结构代替传统卷积块，实现了多尺度特征信息的学习，提高模型的特征提取能力。同时，在模型跳跃连接处引入注意力机制，使模型重新分配权重，调整特征通道的重要程度，抑制噪声同时解决解码器端上采样过程中的血管信息丢失问题，基于以上技术构建GAB‑D2BUNet网络模型。本发明采用国际公开的视网膜眼底血管数据集DRIVE进行训练，最后保留最佳的分割模型验证模型的分割性能。本发明实现了精确的分割视网膜眼底血管的任务，具有较优的分割性能。CN114881962ACN114881962A权利要求书1/1页1.基于改进U‑Net网络的视网膜图像血管分割方法，其特征在于，具体步骤为：步骤1：获取公开的彩色视网膜眼底血管分割数据集DRIVE；步骤2：随机划分原始数据集，验证集取20张和测试集取20张；步骤3：对步骤2的训练集眼底图像预处理，提高图像对比度突出视网膜血管细节特征；步骤4：对步骤3预处理后的图像，进行数据扩增处理，采用随机裁剪，加入高斯噪声，水平、垂直和对角线翻转等方式来处理数据；步骤5：设计密集卷积块，利用密集卷积块替代传统卷积块以实现特征复用、提高模型的特征提取能力；步骤6：引入DropBlock块来正则化网络，缓解卷积网络中的过拟合问题；步骤7：构建注意力机制模块，强化目标特征信息，抑制无用特征信息；步骤8：使用Tensorflow深度学习框架搭建GAB‑D2BUNet网络；步骤9：将增强后的训练数据集输入到步骤7所建立的分割网络中，进行模型的训练；模型训练过程中设置Batchsize为5，设置网络学习率为0.0001，DropBlock阈值概率设为0.8，丢弃块block_size大小为7，选择Adam优化器进行网络参数优化，采用交叉熵损失函数计算损失，epoch大小设为100；步骤10：按照步骤8的参数配置训练模型，最后保存训练完成后的模型参数；步骤11：引入模型框架，加载步骤9保存的模型参数，得到训练好的血管分割模型，利用步骤2随机划分的测试集输入到该模型中，获取最终的分割图。2CN114881962A说明书1/5页一种基于改进U‑Net网络的视网膜图像血管分割方法技术领域[0001]本发明涉及一种利用深度学习进行图像分割方法，具体为一种基于改进U‑Net网络的视网膜图像血管分割方法，属于图像处理领域。背景技术[0002]糖尿病视网膜病变是一种病发率和致盲率都很高的糖尿病并发症。糖尿病视网膜病变是由血糖升高引起的视网膜疾病，体内血糖水平较高会导致滋养视网膜的微小视网膜血管堵塞或损坏，为了维持眼部营养代谢，视网膜会滋生新的细小血管，但由于新生血管比较脆弱，容易出现血管物质渗出和出血的现象。久而久之，患者就会出现视力模糊症状，更严重的会导致失明。据世界卫生组织统计，全世界大约有2.2亿人受到糖尿病的影响。由于视网膜血管结构形态变化直接反映了眼部的健康状况,专业医生对视网膜血管状况的准确诊断对预防和治疗相关眼部疾病具有非常重要的意义。但眼部血管细密且分布复杂，视网膜血管与眼球的对比度较低，造成微小血管难以区分。除此之外，视网膜眼底图片在成像时，受光线不均和噪声的影响较大，造成眼底视网膜图像的血管分割困难。人工分割耗时较长且难以实现大量图像分割，另外，专业医生水平、诊断经验的不同造成实际的手动分割效果也相差较大，难以统一分割标准。视网膜血管的自动分割技术依然成为目前医学图像分割领域的研究重点。[0003]国内外研究者提出了大量算法用于解决眼底图像分割任务，这些算法中根据是否需要标签主要分为有监督和无监督两种。无监督算法不需要对像素点进行标记，利用视网膜血管的结构分布等特征信息，通过匹配滤波、形态学处理、血管追踪、均值聚类等方法，学习利用特征信息的相关性来识别血管的大概分布。相比于无监督的方