[發(fā)明專利]一種基于Frangi增強和注意力機制UNet的眼底圖像血管分割方法

有效

• 申請?zhí)枺?/td>: 201910731986.2
• 申請日: 2019-08-08
• 公開（公告）號: CN110473188B
• 公開（公告）日: 2022-03-11
• 發(fā)明（設(shè)計）人: 潘林;朱有煌
• 申請（專利權(quán)）人: 福州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 福州元創(chuàng)專利商標代理有限公司 35100
• 代理人: 錢莉;蔡學俊

1.一種基于Frangi增強和注意力機制UNet的眼底圖像血管分割方法，其特征在于：包括以下步驟：

步驟S1：提供RGB眼底圖像作為輸入圖像，對所述輸入圖像提取綠色分量，并利用對比度受限直方圖均衡化方法在提取綠色分量后的圖像上進行對比度調(diào)整；

步驟S2：計算出步驟S1調(diào)整對比度后的圖像中每個像素點的Hessian矩陣，得到Hessian矩陣的特征值；

步驟S3：利用Hessian矩陣的特征值，在尺度因子為σ的條件下構(gòu)造Frangi血管相似性函數(shù)，并得到最大響應；

步驟S4：將步驟S1中的輸入圖像的每個像素點的RGB三個通道的像素值分別減去最大響應值與增強因子factor的乘積，用以獲得最終的血管增強并得到經(jīng)過frangi增強的圖像；

步驟S5：將經(jīng)過Frangi增強的圖像進行灰度變換，將每個像素值進行零均值歸一化操作到[0,1]之間；訓練時，采用一個48×48大小的采樣框隨機選擇中心，對歸一化后的圖像進行重采樣，每次采樣生成一個訓練圖像塊，共生成1萬個訓練圖像塊；將訓練圖像的標簽進行與訓練圖像塊相同的重采樣分塊操作，獲得標簽圖像塊；測試時，如果測試圖像長寬不是48的整數(shù)倍，則將其擴充成48的整數(shù)倍，擴充部分的像素值為0，并將測試圖像平均分成多個48x48的測試圖像塊；

步驟S6：將步驟S5中得到的訓練圖像塊和標簽圖像塊輸入到帶有注意力模型的注意力機制UNet網(wǎng)絡(luò)中，進行訓練；測試時，將步驟S5中得到的測試圖像塊輸入到帶有注意力模型的注意力機制UNet網(wǎng)絡(luò)中進行像素點預測，網(wǎng)絡(luò)輸出即是測試圖像塊的分割結(jié)果；隨后將所有預測后的測試圖像塊進行重新拼接成測試圖像，并刪除其中擴充的像素，即得到了測試圖像的最終分割結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于Frangi增強和注意力機制UNet的眼底圖像血管分割方法，其特征在于：所述步驟S1提取綠色通道的計算公式如下：

I＝a*I_R+b*I_G+c*I_B

其中I表示輸入圖像，I_R、I_G、I_B分別代表I的三個通道值，a、b、c代表各個通道的權(quán)重，其值a＝0,c＝0,b＝1。

3.根據(jù)權(quán)利要求1所述的一種基于Frangi增強和注意力機制UNet的眼底圖像血管分割方法，其特征在于：所述步驟S2的具體內(nèi)容為：

令步驟S1調(diào)整對比度后的圖像中的一點為P(x,y)，則該點的Hessian矩陣的表達式為：

其中，f_xx、f_xy、f_yx和f_yy分別表示該像素點P的四個高斯二階偏導數(shù)；令矩陣H的兩個特征值為λ₁，λ₂，且|λ₁|＜|λ₂|則特征值計算如下：

式中

4.根據(jù)權(quán)利要求1所述的一種基于Frangi增強和注意力機制UNet的眼底圖像血管分割方法，其特征在于：所述步驟S3中所述Frangi血管相似性函數(shù)為：

上式中，||H||_F表示矩陣的范數(shù)；C為矩陣最大范數(shù)的一半；當尺度因子σ與血管寬度相近時，血管相似性函數(shù)獲得最大響應。

5.根據(jù)權(quán)利要求4所述的一種基于Frangi增強和注意力機制UNet的眼底圖像血管分割方法，其特征在于：所述獲得最大響應的具體內(nèi)容為：通過調(diào)整σ的大小，使σ接近血管寬度時能夠獲得最大響應；將σ限制在[σ_min，σ_max]之間，均分為N個不同尺度，σ逐級增大，求出每個σ下的每個像素點的輸出響應，最后用最大值法求出最大響應，如下公式：

v(p)為P點處的血管相似性函數(shù)最大輸出響應。