[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

一種基于生成式對抗網絡的顯微圖像中微血管分割方法。是為了解決微血管圖像，由于算法的限制或者實際成像對比度較低，算法分割結果常常出現血管斷裂的現象和血管分支細節存在冗余的問題。本發明包括如下步驟：建立基于生成式對抗網絡的訓練模型和樣本集；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；對顯微圖像對比自適應直方圖均衡化進行增強處理；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；對真實樣本和生成樣本進行區分；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；本發明應用于顯微圖像中微血管分割。

技術領域

本發明涉及一種基于生成式對抗網絡的顯微圖像中微血管分割方法。

背景技術

顯微圖像下的微血管圖像灰度分布不均勻，血管結構復雜，目標血管與圖像背景對比度較低，以及圖像噪聲等影響，顯微圖像下的微血管分割面臨著巨大的挑戰。傳統分割方法有基于模式識別的方法(監督分類和無監督分類)、基于匹配濾波的、基于數學形態學的、基于追蹤的方法等。

生成對抗網絡(Generative Adversarial Network，GAN)，其要解決的問題就是如何生成符合真實樣本概率分布的新樣本。對抗網絡可以認為是由一個生成模型和一個判別模型組成。在訓練過程中，兩個網絡交替迭代優化，形成競爭對抗，直到雙方達到一個動態的平衡。通過對抗學習，讓算法直接學習到數據的分布情況。然而對于復雜的數據，例如高分辨率的圖像，無監督的學習到它的像素分布情況是極其困難的。2014年，Mehdi Mirza將約束條件引入了生成對抗網絡，提出條件生成對抗網絡(Conditional GenerativeAdversarial Network，CGAN)，使生成的新樣本變得可控，更符合預期。2016年，FacebookAI團隊將深度神經網絡引入生成對抗網絡，提出了深度卷積生成對抗網絡(DeepConvolution Generative Adversarial Network，DCGAN)，引入卷積神經網絡后不僅能夠加快生成對抗網絡的訓練過程，而且還使得訓練過程更加穩定。生成對抗網絡將神經網絡與對抗思想相結合，已經開始應用于醫學圖像處理，在醫學圖像分割領域也取得較好的成果。Moeskops等人利用GAN和擴張卷積實現了腦MR圖像的自動分割，并加入擴張卷積來代替池化層，減少下采樣中特征的丟失，使得分割結果好于全卷積網絡。

上述的方法能夠提取大部分微血管圖像，由于算法的限制或者實際成像對比度較低，算法分割結果常常出現血管斷裂的現象和血管分支細節存在冗余。

發明內容

本發明的目的是提供一種基于生成式對抗網絡的顯微圖像中微血管分割方法。

上述的目的通過以下的技術方案實現：

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；