[發明專利]一種基于深度學習的視網膜血管圖像分割方法

在審

• 申請號: 202010719019.7
• 申請日: 2020-07-23
• 公開（公告）號: CN111862056A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 趙曉芳;陳雪芳;林盛鑫;梁楨灝
• 申請（專利權）人: 東莞理工學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 北京匯彩知識產權代理有限公司 11563
• 代理人: 王鍵

1.一種基于深度學習的視網膜血管圖像分割方法，其特征在于包含以下步驟：

步驟一：眼底圖像增強，對眼底圖像進行對比度增強以突出視網膜血管細節；

步驟二：訓練集數據擴增，對圖像增強后的眼底圖進行隨機旋轉，并隨機分割出一系列48x48的小方塊作為數據集；

步驟三：構建密集連接卷積塊，并采用密集連接卷積塊取代傳統卷積塊實現特征重用并增強特征提取能力；

步驟四：構建注意力機制模塊，通過對特征圖進行自適應調整，使重要特征突出顯現以抑制無效特征；

步驟五：搭建模型，搭建DA-Unet網絡，并使用處理好的數據集進行訓練、調參，得到最佳分割模型并保存；

步驟六：實際分割，利用滑動窗口把需要分割視網膜血管的眼底圖像分割為48x48的子塊圖像輸入DA-Uet網絡中進行分割，輸出分割后的子塊圖像結果，再對分割后的小方塊圖像拼接完整視網膜血管分割圖像。

2.按照權利要求1所述的一種基于深度學習的視網膜血管圖像分割方法，其特征在于：所述步驟一具體為對訓練集的眼底圖像提取對比度較高的綠色通道，歸一化處理；再使用自適應直方圖均衡化，對圖像中每一個像素計算鄰域直方圖得到直方圖變換函數，使用直方圖變換函數對圖像進行均衡化，提高視網膜血管與背景對比度；最后使用gamma矯正，對圖像進行非線性操作，使矯正后圖像像素與矯正前呈指數關系，矯正眼底圖像因光線不均導致的漂白或過暗。

3.按照權利要求1所述的一種基于深度學習的視網膜血管圖像分割方法，其特征在于：所述步驟二具體為將增強后的眼底圖像，進行邊緣填充得到一張正方形圖像，沿著正方形圖像的中心坐標旋轉一個隨機角度并保存，按照此方法把原有數據集擴充5倍；然后構造生成器，生成器每次訓練時在數據集中任意圖片上的任意坐標采集一個48*48的子塊作為訓練集圖像。

4.按照權利要求1所述的一種基于深度學習的視網膜血管圖像分割方法，其特征在于：所述步驟三具體為

首先構建密集連接子塊，密集連接子塊先通過1x1的卷積層將輸入信息進行特征整合，限制輸入特征層使其不會過寬，再通過3x3的卷積層進行特征提取，提取的特征圖通過歸一化層和ReLU激活函數層將特征進行非線性劃分提??；

然后將4層密集連接子塊搭建為密集連接卷積塊，每個密集連接子塊卷積得到的特征圖都與輸入相疊加后作為輸出，其數學表達式為：

x_l＝H_l([x₀,x₁,…,x_l-1])

其中，H_l代表第l層的密集連接子塊，x_i為第i個密集連接子塊提取的特征圖，[x₀,x₁,…,x_l-1]為前l-1層特征圖集合；密集連接子塊的輸入均為前一個密集連接子塊輸出的全部特征圖；

在密集連接中，密集連接子塊輸入為前一個子塊卷積得到的特征圖，根據最大化提取特征的原則，此層提取的特征圖為此層獨有，使得網絡不會提取得到相同的特征圖，最大化了網絡模型的特征信息保留，實現了特征重用，提高特征利用率，并且以前一個密集連接子塊輸出的全部特征圖作為本密集連接子塊的輸入，緩和梯度消失問題。