[發明專利]一種基于改進U-net的高精度視網膜血管分割方法

有效

• 申請號: 202110602901.8
• 申請日: 2021-05-31
• 公開（公告）號: CN113222975B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 吳聰;程禹清;李緯;李仕軍;劉肖;龍成;劉延龍
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06V10/56;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 武漢華強專利代理事務所(普通合伙) 42237
• 代理人: 溫珊姍;王冬冬

本發明涉及提出了一種基于改進U?net的高精度視網膜血管分割方法。方法中深度神經網絡模型名為DFUNET，其中包含管全新的dense?fusion?block(DFB)，同時，將一部分的常規卷積改進為可變形卷積，DFB包含dense?connected?layer、局部特征融合(LFF)和local?residual?learning，DFB可以學習輸入輸出之間的殘差表示，可以使得收斂速度更快和提升分類精度，可變形卷積通過學習自適應的感受野來模擬不同形狀和尺度的視網膜血管,以提升特征傳輸的非線性表達。通過在DRIVE數據集上的驗證，該方法的分割準確率為96.17％，高于U?Net。

技術領域

本發明隸屬深度學習技術領域，提出了一種基于改進U-net的高精度視網膜血管分割方法。

背景技術

深度學習方法的出現為計算機視覺任務提供了強大的工具，并且這些方法在許多領域都優于其他方法。通過卷積層和池化層，網絡可以獲得學習非常復雜的特征表示的能力。原始提出的U-net能夠以端到端的方式處理圖像塊，其中初始的卷積特征映射被跳過連接到瓶頸層的上采樣層，因此在醫學圖像分割中得到了廣泛的應用。這種跳躍連接對于分割任務至關重要，因為初始特征圖會維護低級特征。

實際上，血管分割可以被看作是圖像翻譯任務，其中從輸入的眼底圖像生成輸出的分割血管圖。如果將輸出限制為類似人類專家的注釋，則可以獲得更清晰、更清晰的血管圖。

U-NET是一種深度學習網絡模型，由解碼器和編碼器組成，U-Net網絡結構類似于一個大型的字母U，通過載入訓練圖像與遮罩圖像對深度神經網絡進行訓練，使用訓練好的模型對病例圖像進行擬合即可獲得血管分割圖像。但是由于U-net較深的網絡層數，在網絡訓練過程中會產生一定的梯度消失和網絡退化問題，為了解決這個的問題，我們提出了一種有效的解決方案，即DFUNET，DFUNE?T在U-NET的基礎上包含全新設計的dense?fusionblock(DFB)，同時，我們將一部分的常規卷積改進為可變形卷積(deformable-conv)，DFB包含dense?con?nected?layer、局部特征融合(LFF)和local?residual?learning，DFB可以學習輸入輸出之間的殘差表示，可以使得收斂速度更快和提升分類精度，可變形卷積通過學習自適應的感受野來模擬不同形狀和尺度的視網膜血管,以提升特征傳輸的非線性表達。

我們對該種方法使用pytorch框架進行了實現，并在DRIVE數據集上評估了新型方法，實現了很高的分割質量。

發明內容

眼底視網膜血管分割對醫生診斷眼底疾病具有重要意義，本發明開拓性地提供了一種基于改進U-net的高精度視網膜血管分割方法DFUNET。我們基于全新提出的DFB和可變形卷積模塊，將其應用于U-Net模型中。而DFUNET的分割效果明顯優于U-Net。在DRIVE數據集上驗證了該方法的可行性，準確率為96.17％。通過對分割后的視網膜血管圖像進行分析和比較，該方法比其他方法更具優勢。它可以為醫生提供豐富的眼疾信息，幫助患者及時接受治療。

本發明所采用的技術方案是：

一種基于改進U-net的高精度視網膜血管分割方法，其特征在于，包括以下步驟：

步驟1：數據準備；

對醫學圖像分割目標區域進行醫學掃描后獲取彩色醫學圖像，對獲得的圖像樣本進行預處理，通過python內建庫函數cvtColor方法提取RGB三通道中的G通道圖像，得到灰度圖像，醫生基于經驗對圖像進行人工圖像分割，手動做出對應的分割標簽圖像，該圖像集用作模型訓練使用；

步驟2：數據增強處理；