[發明專利]基于深度全卷積神經網絡的視網膜眼底圖像分割方法

在審

• 申請號: 201711497324.0
• 申請日: 2017-12-31
• 公開（公告）號: CN108520522A
• 公開（公告）日: 2018-09-11
• 發明（設計）人: 萬程;牛笛;周鵬;劉江
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 南京先科專利代理事務所(普通合伙) 32285
• 代理人: 繆友菊

1.基于深度全卷積神經網絡的視網膜眼底圖像分割方法，其特征在于，包括如下步驟：

(1)選取視網膜眼底圖像數據集作為訓練集和測試集，對視網膜眼底圖像的視盤區域進行定位和提取得到視盤定位區域圖像；

(2)對提取的視盤定位區域圖像進行血管去除操作；

(3)在深度學習工具Caffe庫中構建用于圖像分割的深度全卷積神經網絡，所述深度全卷積神經網絡分為視盤分割和視杯分割；

(4)將血管去除后的視盤定位區域圖像作為深度全卷積神經網絡的輸入，輸入時對視盤定位區域圖像進行各個通道的減均值預處理操作，以在視盤分割數據集DRIONS-DB上預訓練好的模型參數作為訓練的初始值，在訓練集上進行視盤分割模型的訓練以微調模型參數；

(5)在訓練好的視盤分割模型參數上進行視杯分割模型的參數微調；

(6)用訓練好的視杯分割模型在測試集上進行視杯和視盤的分割，對最終分割的結果進行橢圓擬合以獲得光滑的橢圓分割邊緣，依據視杯和視盤的分割邊界計算垂直杯盤比，并將杯盤比結果作為青光眼輔助診斷的重要依據。

2.根據權利要求1所述的基于深度全卷積神經網絡的視網膜眼底圖像分割方法，其特征在于：所述步驟(2)中的血管去除操作為血管分割和基于掩膜的圖像修復操作。

3.根據權利要求1所述的基于深度全卷積神經網絡的視網膜眼底圖像分割方法，其特征在于：所述深度全卷積神經網絡包括卷積層、激活層、池化層、反卷積層和損失函數；所述卷積層是在圖像上使用滑動卷積窗口，采用尺寸大小為3×3像素的卷積核與輸入數據內一個窗口內的局部數據進行加權求和運算，直到卷積完所有的輸入數據；所述激活層采用ReLu修正線性單元，將線性函數轉化為非線性，通過激活函數max{0,x}對輸入數據進行處理；所述池化層采用最大池化法；所述反卷積層是通過卷積方法將經過池化層后縮減的輸入數據的尺寸擴大為原輸入圖像大小；所述損失函數是根據圖像中視盤與視杯區域所占像素和背景區域像素的數量比例，調整其在損失函數中相應的系數以平衡像素數量的差異。

4.根據權利要求1所述的基于深度全卷積神經網絡的視網膜眼底圖像分割方法，其特征在于：所述步驟(6)中采用訓練好的視盤分割模型、視杯分割模型在測試集上進行視杯和視盤的分割，對最終分割的結果進行橢圓擬合以獲得光滑的橢圓分割邊緣。

5.根據權利要求3所述的基于深度全卷積神經網絡的視網膜眼底圖像分割方法，其特征在于：所述深度全卷積神經網絡共46層，除最后的線性卷積層為1×1大小的卷積核外，剩余卷積層均為3*3的卷積核大小。