[發明專利]一種基于生成式對抗網絡的顯微圖像中微血管分割方法

在審

• 申請號: 202010947099.1
• 申請日: 2020-09-10
• 公開（公告）號: CN112070767A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 羅中明;駱佳楠
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于生成式對抗網絡的顯微圖像中微血管分割方法，其特征是：該方法包括如下步驟：

步驟一：建立基于生成式對抗網絡的訓練模型和樣本集；

步驟二：將樣本集中彩色眼底圖像輸入生成模型，提取圖像特征信息后輸出顯微圖像下微血管概率圖像作為生成樣本；

步驟三：采用RGB三通道顯微圖像進行網絡訓練，對顯微圖像對比自適應直方圖均衡化進行增強處理；

步驟四：增加訓練的數據量對預處理單元處理后的顯微圖像進行再次增強處理；

步驟五：將生成樣本和對應的真實樣本同時輸入判別模型，判別模型分別賦予真實樣本和生成樣本以不同的標簽，對真實樣本和生成樣本進行區分；

步驟六：對生成模型和判別模型進行交替訓練優化，直至判別模型與生成模型之間達到納什平衡，網絡訓練完成，訓練完成的訓練模型即為生成式對抗網絡的分割模型；

步驟七：將待分割視網膜血管彩色圖像輸入分割模型，輸出血管分割結果；

所述的基于生成式對抗網絡的顯微圖像中微血管分割方法的生成網絡包括圖像預處理單元、數據增強單元、生成模型和判別模型；

所述的生成網絡模型中采用將U型網絡和resnet網絡相結合；

所述的判別模型采用深度卷積網絡，包括三個卷積模塊、兩個密集連接模塊和兩個壓縮層。

2.根據權利要求1所述的一種基于生成式對抗網絡的顯微圖像中微血管分割方法，其特征是：所述的生成網絡模型包括收縮路徑、擴展路徑和輸出層。

3.根據權利要求2所述的一種基于生成式對抗網絡的顯微圖像中微血管分割方法，其特征是：所述的收縮路徑主要由多個resnet卷積塊和下采樣組成，收縮路徑中特征提取部分采用resnet網絡的思想。

4.根據權利要求3所述的一種基于生成式對抗網絡的顯微圖像中微血管分割方法，其特征是：所述的擴展路徑主要由反卷積塊和上采樣組成，在反卷積塊進行反卷積之前還使用了concatenate操作，將U型網絡左側收縮路徑卷積之后的圖像按通道跳躍鏈接到與之相對應的擴展路徑中，卷積變換采用的是2個Conv(3×3)+BN+ReLu的組合。

5.根據權利要求4所述的一種基于生成式對抗網絡的顯微圖像中微血管分割方法，其特征是：所述密集連接模塊由三個BN-Relu-Conv復合層結構組成。

6.根據權利要求1所述的一種基于生成式對抗網絡的顯微圖像中微血管分割方法，其特征是：所述的判別模型的具體過程為：提取的樣本特征輸入至兩個密集連接模塊；密集連接模塊中，將前層結果與本層結果合并作為下一層的輸入，設網絡第i層的輸出為xi，則一個密集連接模塊第i層的輸出表示為：

x_i＝H_i(x₀,x₁,…x_i-1)

其中，H_i([x₀,x₁,…x_i-1])表示第i層的非線性映射，x₀,x₁,…x_i-1表示將0…i-1層輸出的特征圖合并；

采用二元交叉熵損失函數對目標函數進行優化，訓練過程中分別對判別模型和生成模型交替優化訓練，因此判別模型的優化表示為：

θ_D表示判別模型需要優化的參數；L_D(D(x,G(x)),0)表示將生成樣本判別為0的損失；L_D(D(x,y),1)表示將真實樣本判別為1的損失。

7.根據權利要求1所述的一種基于生成式對抗網絡的顯微圖像中微血管分割方法，其特征是：所述的生成模型的收縮路徑主要由多個resnet卷積塊和下采樣組成，收縮路徑中特征提取部分采用resnet網絡的思想，解決梯度消失或者梯度爆炸的問題，可以保護信息的完整性，整個網絡只需要學習輸入和輸出的差別部分，卷積變換采用的是BN+ReLu+Conv(3×3)的組合，使用批量歸一化BN進行優化調整，線性修正單元ReLu激活函數有效的減少了反向傳播中梯度消失，ReLu激活函數如下：

ReLU(x)＝max(x,0)

擴展路徑主要由反卷積塊和上采樣組成，在反卷積塊進行反卷積之前還使用concatenate操作，將U型網絡左側收縮路徑卷積之后的圖像按通道跳躍鏈接到與之相對應的擴展路徑中，卷積變換采用的是2個Conv(3×3)+BN+ReLu的組合。