[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

有效

• 申請號: 201811622128.6
• 申請日: 2018-12-28
• 公開（公告）號: CN109598733B
• 公開（公告）日: 2019-11-08
• 發明（設計）人: 萬程;牛笛;周鵬;彭琦;華驍
• 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

本發明公開一種基于深度全卷積神經網絡的視網膜眼底圖像分割方法，包括：選取訓練集和測試集，對視網膜眼底圖像提取得到視盤定位區域圖像并進行血管去除操作；構建深度全卷積神經網絡，將視盤定位區域圖像作為其輸入，基于已經訓練好的權重參數為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，在此基礎上進行視杯分割模型的參數微調；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，依據視杯和視盤的分割邊界計算垂直杯盤比。本發明實現視網膜眼底圖像的視盤與視杯的自動分割，精度高，速度快。

技術領域

本發明涉及一種基于深度全卷積神經網絡的視網膜眼底圖像分割方法，屬于醫學圖像處理領域。

背景技術

視杯視盤垂直比是醫生判斷多種眼底疾病的重要依據之一，在目前的臨床實踐中，杯盤比大多通過醫生人工測量和計算，但是人工測量不僅耗時費力，而且不同醫生的測量結果存在一定的主觀性，因而不適于進行大規模的疾病篩查。因此自動的視杯視盤分割的杯盤比計算越發受到人們的關注。

視網膜眼底圖像的視杯視盤分割方法大致可以分成三大類：基于模板的方法、基于形變模型的方法和基于像素點分類的方法，前兩種方法主要基于視杯視盤的邊緣特征，算法功能的實現好壞極大依賴于視杯視盤邊緣和其他結構區域的邊緣差異，當出現易混淆的病變時分割算法效果不佳，并且基于形變模型的方法對于初始點的選擇相對敏感，對于好的初始化點的選擇相對困難。基于像素點分類的方法極大受限于高分辨率圖像的較高像素點數量，要實現在像素級別的模型優化十分困難。同時上述分割方法處理過程相對復雜，在圖像分割時所需時間也相對較長。

發明內容

發明目的：本發明目的在于針對現有技術的不足，提供一種基于深度全卷積神經網絡的視網膜眼底圖像分割方法，實現視網膜眼底圖像的視盤與視杯的自動分割，精度高，速度快。

技術方案：本發明所述基于深度全卷積神經網絡的視網膜眼底圖像分割方法，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上預訓練好的權重參數為訓練初始值，在訓練集上進行視盤分割模型的訓練以微調模型參數；預處理操作采用現有方法，數據集DRIONS-DB為公開的數據集；

(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。

進一步完善上述技術方案，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。

進一步地，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。