[發明專利]基于U-net網絡的多通道視網膜血管圖像分割方法

在審

• 申請號: 202011526420.5
• 申請日: 2020-12-22
• 公開（公告）號: CN112465842A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 馬玉良;祝真濱;李雪;席旭剛;張衛
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/155;G06T5/00;G06T5/40;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

本發明公開了一種基于U?net網絡的多通道視網膜血管圖像分割方法。本發明首先對數據集圖像進行擴增處理和一系列的預處理，提高圖像質量；其次將多尺度匹配濾波算法與改進的形態學算法相結合，構建U?net網絡的多通道特征提取結構；隨后對三個通道進行網絡訓練，獲得所需的分割網絡，并對輸出結果采用自適應閾值處理。本發明方法結合了U?net網絡與多尺度的匹配濾波算法，與單純的U?net網絡相比，能夠提取到更多的血管特征，具有更高的分割準確性和靈敏度，緩解視網膜血管圖像細小血管分割不足以及錯誤分割的問題。

技術領域

本發明涉及一種圖像分割方法，具體是將深度學習中的U-net網絡與圖像匹配濾波方法相結合進行改進的一種圖像分割方法。該方法實際應用在了視網膜血管圖像的分割中。

背景技術

目前圖像分割的算法主要可劃分為兩類：監督學習方法和非監督學習方法。非監督學習方法主要是利用圖像本身的某些特性，人工設置特征提取的過程與方法，對某些圖像的特有屬性具有不錯的分割結果，但該方法的使用很大程度上依賴于前人經驗，在面對不同的圖像進行分割處理時，并不具有很好的泛化性。監督學習方法的最主要特征便是需要圖像數據集的人工分割結果作為訓練的標簽，通常該種方法的分割結果具有較好的準確率。

在監督學習算法中，應用于圖像分割較為廣泛的方法是全卷積神經網絡(FCN)。FCN是一個端到端的神經網絡，即輸出圖像尺寸與輸入一致，實現了像素級別的分類。其多層卷積層能夠在模型訓練中提取到不同的特征，而且不同層次的卷積層還可以學習到更為抽象的特征。因此相比于非監督學習方法，該方法能提取到更多的圖像特征，能夠得到更高的分割準確率。但是傳統的FCN存在的問題也是很明顯：其網絡結構針對像素進行分類，因此不可避免地忽略了像素之間的聯系，而且卷積操作的感受野過小，不能很好地利用上下文信息，造成特征提取不完全。

為了克服兩種不同分割方法的各自缺點，可以嘗試對兩種方法進行取長補短。在使用神經網絡模型進行訓練之前，先對輸入圖像進行非監督學習方法進行一個預處理，將圖像中的全局特征有針對性地提取出來，同時消除掉一些背景噪聲，便于后續神經網絡模型的特征學習。通過多個通道的不同特征提取，在不改變模型自身結構，不增加訓練參數的基礎上，可以提取到更多的全局特征，彌補了該特征提取難的缺陷。

發明內容

本發明針對現在圖像分割方法的不足之處，將非監督學習方法中的匹配濾波算法用于圖像處理中，利用多尺度的特性，在不同通道中提取血管圖像中不同尺寸的血管特征；提出一種新的形態學算法用于對血管圖像中的偽影等背景噪聲進行去除處理；利用基于FCN改進的U-net模型進行多通道特征學習，以獲取額外的全局特征，盡可能提高分割的準確率。

按照本發明提供的技術方案，提出了一種基于U-net網絡的多通道視網膜血管圖像分割方法，包括以下步驟：

步驟1、對訓練集圖像進行水平翻轉、垂直翻轉和180度旋轉，使數據量擴增4倍；

步驟2、對彩色圖像進行圖像的預處理操作；

步驟3、構建通道1，對圖像進行形態學閉操作用以消除背景噪聲；

步驟4、構建通道2，使用大尺度匹配濾波方法和改進的黑帽變換算法處理圖像；

步驟5、構建通道3，使用小尺度匹配濾波方法和改進的黑帽變換算法處理圖像；

步驟6、將三個通道的圖像輸入改進的U-net網絡進行訓練，得到所需的分割網絡；

步驟7、融合三個通道的輸出分割圖，經過后處理后得到最終分割結果。

所述的步驟3中，用于消除背景噪聲的一系列操作算法表達式為：