[發明專利]一種基于粗糙集神經網絡的眼底視網膜血管圖像分割方法

有效

• 申請號: 202010558465.4
• 申請日: 2020-06-18
• 公開（公告）號: CN111815574B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 丁衛平;孫穎;鞠恒榮;張毅;馮志豪;李銘;萬杰;曹金鑫
• 申請（專利權）人: 南通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/136;G06N3/00;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

本發明提供了一種用于眼底視網膜血管圖像分割的粗糙集神經網絡方法，包括如下步驟：S10圖像預處理，獲得基于粗糙集增強眼底視網膜血管圖像；S20構建U?net神經網絡模型；S30利用粒子群優化算法(PSO)對所述U?net神經網絡模型進行優化訓練，獲得PSO?U?net神經網絡模型；以及S40將待測彩色眼底視網膜血管圖像采用粗糙集理論進行圖像增強預處理后使用所述PSO?U?net神經網絡模型對所述待測彩色眼底視網膜血管圖像分割。本發明的一種用于眼底視網膜血管圖像分割的粗糙集神經網絡方法，減少了醫護人員的工作量，避免了醫護人員經驗和技能的差別對同一幅眼底圖像分割結果存在的差異，有效的進行彩色眼底視網膜血管圖像分割，獲得更高的分割精度和效率。

技術領域

本發明涉及醫學圖像處理技術領域，具體涉及一種用于眼底視網膜血管圖像分割的粗糙集神經網絡方法。

背景技術

眼底圖像中視網膜血管的健康狀況對于醫生早期診斷糖尿病心腦血管疾病及其多種眼科疾病具有重要的意義與價值，但由于視網膜血管自身結構復雜，同時易受采集環境中光照因素的影響，使得臨床上手動分割視網膜血管不僅工作量巨大而且對醫療人員的經驗和技能要求頗高。另外不同的醫療人員對同一幅眼底圖像的分割結果可能存在差異，手動分割已不能滿足臨床的需要。

隨著計算機技術的不斷發展，利用人工智能技術對眼底視網膜血管圖像進行自動分割，可有效對眼科疾病進行早期的輔助診斷和決策。深度學習中的卷積神經網絡模型憑借其局部感知、參數共享的特殊結構在醫學圖像處理方面有著獨特的優越性。由于圖像信息具有較強的空間復雜性、相關性，以及圖像處理過程中會遇到不完整性和不確定性等問題，因此將粗糙集理論應用到圖像處理中，在很多場合具有比傳統方法更好的效果。

發明內容

為了解決上述問題，本發明提供一種用于眼底視網膜血管圖像分割的粗糙集神經網絡方法，減少了醫護人員的工作量，避免了醫護人員經驗和技能的差別對同一幅眼底圖像分割結果存在的差異，有效的進行彩色眼底視網膜血管圖像分割，獲得更高的分割精度和效率。

為了實現以上目的，本發明采取的一種技術方案是：

一種用于眼底視網膜血管圖像分割的粗糙集神經網絡方法，包括如下步驟：S10圖像預處理，將每一張大小為M×M×3的標準RGB彩色眼底視網膜血管圖像采用粗糙集理論進行圖像增強預處理，獲得基于粗糙集增強眼底視網膜血管圖像；S20構建U-net神經網絡模型，對所述基于粗糙集增強眼底視網膜血管圖像進行分割獲得分割圖，將所述分割圖與所述標準RGB彩色眼底視網膜血管圖像所對應的標準分割標簽圖之間的誤差作為所構U-net神經網絡的誤差函數，獲得所述U-net神經網絡模型；S30利用粒子群優化算法(PSO)對所述U-net神經網絡模型進行優化訓練，將所述基于粗糙集增強的眼底視網膜血管圖像作為粒子，通過粒子群不斷迭代，得到最優種群粒子，利用梯度下降對所述U-net神經網絡參數進行調整，獲得PSO-U-net神經網絡模型；以及S40 將待測彩色眼底視網膜血管圖像采用粗糙集理論進行圖像增強預處理后使用所述PSO-U-net神經網絡模型對所述待測彩色眼底視網膜血管圖像分割。

進一步地，所述U-net神經網絡模型包括輸入層、卷積層、ReLU非線性層、池化層、反卷積層以及輸出層。

進一步地，所述步驟S10包括如下步驟：S11將每一張大小為M×M×3的標準RGB彩色眼底視網膜血管圖像存儲為三個大小均為M×M的矩陣，分別記為R^*、G^*以及B^*，矩陣中的每個值表示三通道的每個像素點的每個顏色的分量值；通過矩陣R^*、G^*以及B^*建立HSI模型，其中H表示色調，S表示飽和度，I表示亮度：

其中